Jev: la IA de TypeSafe que los ingenieros ya integran

En el AI Engineer Code Summit, el tema que dominó el escenario no fue un modelo de razonamiento más grande, sino lo contrario: modelos que no generan texto y devuelven decisiones. Diogo Almeida, cofundador y CEO de TypeSafe AI y creador de Jev, lo resumió con una consigna que los asistentes repitieron todo el día: hay que "automatizar todo".

El dato que sostiene la promesa: Jev responde en menos de 100 milisegundos y se ofrece a US$0,042 por millón de tokens de entrada, según las declaraciones de Almeida recogidas por InfoWorld. Para un founder que hoy paga por cada token que genera un LLM de razonamiento, esa diferencia no es un detalle técnico: es la línea entre un flujo automatizado que escala y uno que se vuelve impagable.

¿Qué es un system one model y por qué debería importarte?

Los system one models son modelos no generativos: en lugar de escribir párrafos, devuelven una opción de una lista, un puntaje o una probabilidad. TechCrunch los describió como "súper clasificadores" que, ante un conjunto de opciones, eligen rápido y ofrecen un nivel de confianza en su decisión. Sus salidas se organizan en tres tipos —elección, puntaje y respuesta binaria con probabilidad—, según Geeky Gadgets.

El contraste es con los LLM de razonamiento, o system two, que piensan antes de responder y por eso tardan segundos y consumen muchos tokens. Jev, en cambio, procesa cientos de salidas en paralelo desde un solo prompt, de acuerdo con el comunicado de TypeSafe AI difundido por Business Wire.

TypeSafe AI salió del modo stealth en septiembre de 2026 con US$40 millones en financiación semilla liderada por DCVC. La fundó Almeida —exinvestigador de OpenAI y coinventor de RLHF— junto a Erik Gafni y Sasha Sheng. La tesis que sostienen es directa: la mayoría de la inteligencia debería vivir dentro del software, no conversar con personas.

"El código es el lenguaje de la automatización"

La idea central del keynote de Almeida fue que estos modelos no deben quedarse en un chat ni en un orquestador: deben integrarse en el código de la aplicación. "El código es el lenguaje de la automatización, por lo tanto necesitas integrarte con el código", dijo.

swyx, fundador de Latent Space, tradujo esa consigna como una invitación a salpicar llamadas a modelos System One dentro del código de la aplicación, en lugar de construir formas cada vez más enrevesadas de concatenar strings y esperar que funcione.

El problema que ataca es la fiabilidad. Almeida lo describió con una imagen difícil de olvidar: "obtienes a Einstein el 95% del tiempo, pero a Mr. Bean el 5% del tiempo". Y añadió que, si no puedes distinguir cuál es cuál, no puedes automatizar nada. De ahí su apuesta por una "inteligencia confiable", con puntajes de confianza calibrados que le dicen al software cuándo puede actuar solo y cuándo debe ceder el control.

Cómo lo usan Glean, UiPath y Workday

Chinmay Goyal, de Glean, contó que la empresa usa system one models junto a LLM y otros clasificadores, y que Jev destaca por su flexibilidad zero-shot: cuando cambia la taxonomía del espacio de decisión, no hay que reentrenar los modelos una y otra vez. Su regla de producto es simple: al usuario no le importa qué modelo hay detrás, solo que funcione.

UiPath mostró un patrón más ambicioso. Chibi Vikram y Kevin Bernstein armaron un "torneo" donde Jev elige los fragmentos de documento más relevantes en grupos pequeños y los ganadores avanzan a la siguiente ronda. Todo el proceso tardó menos de un segundo, incluso con miles de llamadas a Jev. Su conclusión: Jev es un bloque de construcción que se puede ajustar, y el valor aparece en las estrategias que se construyen encima.

Scott Roberts, ingeniero principal de Workday, presentó un prototipo donde la interfaz empieza a completar una solicitud de vacaciones mientras el usuario todavía escribe. Lo describió como pasar "de predecir lo que quieres decir a predecir lo que quieres hacer".

La competencia ya se movió

Jev no está solo. OpenAI abrió su Decisions API a todos los clientes, después de anunciarla en su día para desarrolladores del 29 de septiembre, según TechCrunch. La compañía no entrenó un modelo específico: reconfiguró ChatGPT Luna para bajar la latencia y el costo. Su responsable de producto, Nikunj Handa, dijo que el gran desbloqueo fue la velocidad, al pasar de uno a tres segundos a entre 100 y 180 milisegundos.

Los primeros clientes incluyen a Box, Datadog, Ramp y Speak. El CTO de Speak, Andrew Hsu, contó que la API redujo el tiempo entre acciones de 1,4 segundos a 0,13 segundos.

En benchmarks públicos el terreno está disputado: el AIM System One Index y el Artificial Analysis Decision Index favorecen a D1 Ultra, de Liquid, y a Elephant-1, de Base Lab, mientras el último modelo de Jev queda séptimo y tercero, y el de OpenAI octavo y decimocuarto, según TechCrunch. Aun así, las ofertas de TypeSafe son las más consultadas en OpenRouter. Y en JevMan, un benchmark donde los modelos juegan Pac-Man, el último Jev lidera el ranking.

TechCrunch reportó además que el lanzamiento de Jev convirtió a TypeSafe en una empresa valorada en US$7.600 millones.

¿Qué significa esto para tu startup?

La lección práctica no es "cambia tu LLM por Jev", sino separar las decisiones acotadas del razonamiento abierto. Como explicó el consultor David Linthicum a InfoWorld, usar un LLM de propósito general para cada decisión es como usar un bus empresarial completo para responder una pregunta de enrutamiento.

Tres acciones concretas para esta semana:

• Audita tus llamadas al modelo. Marca cada punto donde el software solo necesita una respuesta categórica: enrutar un ticket, clasificar un lead, validar un dato, decidir si aprobar o escalar. Esos son candidatos naturales para un modelo de decisión.
• Define el contrato antes de programar. Como advirtió Stephanie Walter, de HyperFrame Research, un modelo que devuelve una decisión definida obliga a especificar de antemano preguntas, salidas posibles, umbrales y rutas de escalado. Ese trabajo previo es el que más tiempo consume, y hacerlo mal es lo que rompe la automatización.
• Valida la calibración con tus propios datos. Un puntaje de probabilidad no explica por qué el modelo decidió lo que decidió. Paul Chada, cofundador de Doozer AI, señala que esa distinción importa cuando hay que justificar una decisión automatizada ante un regulador o un auditor.

Y no descartes lo que ya funciona: el consenso entre los analistas citados por InfoWorld es que estos modelos complementan a los LLM, no los reemplazan. El LLM se queda con el razonamiento abierto, la conversación y los resúmenes; el modelo de decisión se ocupa de lo repetitivo y estructurado.

Conclusión

Almeida cerró su presentación comparando el momento con los primeros años de internet: una explosión de cosas que el software puede hacer, exploradas no porque sean valiosas de inmediato, sino porque ahora se puede. Para un founder, la ventana está abierta y es barata de probar. La pregunta ya no es si tu producto puede tomar decisiones automáticas, sino cuántas de las que hoy resuelve un LLM caro podrían resolverse en milisegundos.

Fuentes

• The Jev Revolution: What Engineers Are Already Building with System One Models (fuente original)
• OpenAI makes its Jev competitor widely available as decision model competition heats up
• TypeSafe AI Emerges From Stealth With $40M in Funding With New Model for Composable AI
• TypeSafe AI's new models work with machines, not humans
• Jev by Typesafe AI Classifies Data in Under 500 Milliseconds