TypeSafe AI, creadores de Jev, negocian ronda de US$1.000M

El «antes y después» que Silicon Valley está mirando

Nueve días. Ese es el tiempo que separa el anuncio del primer millón de TypeSafe AI, un seed de US$40M a valoración de US$200M liderado por DCVC el 15 de septiembre, de la noticia que publicó The Information el 24 de septiembre: TypeSafe está negociando una ronda de US$1.000M o más a una valoración que rondaría los US$10.000M. Si se concreta, la compañía valdría 50 veces más que hace una semana, según el reporte replicado por agregadores como Techmeme. Nada está firmado, ningún fondo ha confirmado cifras ni participantes, pero la conversación ya está abierta.

Detrás de TypeSafe está Jev, un modelo que no escribe una sola palabra. Recibe un estado de programa y un conjunto de preguntas tipadas, y devuelve decisiones en uno de tres formatos: una opción elegida dentro de un set cerrado, un puntaje sobre una escala ordenada, o un valor booleano con su probabilidad. Cada respuesta lleva además un puntaje de confianza calibrado. TypeSafe lo llama System One Model, en referencia a la distinción de Daniel Kahneman entre pensamiento rápido (Sistema 1) y razonamiento deliberado (Sistema 2). Es la antítesis de los LLMs conversacionales: en lugar de generar texto, devuelve tipos de datos que otro software puede consumir directamente.

Por qué 50x en nueve días importa para el ecosistema

La secuencia es lo que vuelve extraordinaria esta historia. Los inversores que entraron al seed compraron la compañía a US$200M el día que salió del sigilo. El mismo día, Jev quedó disponible en el AI Gateway de Vercel y una porción significativa de los equipos de pago empezó a probarlo de inmediato. Una semana después, el rumor de una valoración de US$10.000M ya circula en conversaciones formales con inversores.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

El dato que sostiene el entusiasmo viene de un tercero. Vercel informó el 18 de septiembre que casi 13% de sus equipos de pago usó Jev dentro de las primeras 24 horas, el doble que la familia GPT-5.6 y más de seis veces que Fable 5.1. La plataforma lo llamó el modelo de adopción más rápida en la historia del gateway; según reportó The Next Web, cualquier otro lanzamiento reciente se había quedado por debajo del 7% después de un día completo. Jev cruzó esa marca en doce horas.

Hay un matiz que ningún inversionista a US$10.000M puede ignorar: Jev fue gratuito en el gateway de Vercel desde el 15 hasta el 25 de septiembre. Cuando termine ese periodo, la pregunta será cuántos de esos equipos siguen llamando al modelo cuando tengan que pagar.

Qué hace Jev, exactamente

El modelo expone un único endpoint. Las preguntas que acepta son tres primitivas:

Choice: selecciona una opción de una lista cerrada de hasta 255 candidatos.
Score: ubica un input en una escala numérica definida por el desarrollador.
Noul (de null): evalúa una proposición verdadero/falso y devuelve una probabilidad de 0 a 1.

Las preguntas se ejecutan en paralelo y en aislamiento sobre el mismo estado. Jev devuelve, además del valor elegido, la distribución completa de probabilidades y un puntaje de confianza derivado de la forma de esa distribución. La compañía insiste en que la calibración es el producto: un modelo puede acertar 95% de las veces, pero si no puede señalar cuándo está en el otro 5%, nada se puede automatizar alrededor.

El precio es el otro dato que está moviendo la conversación. TypeSafe cobra US$0,042 por millón de tokens de input, equivalente a US$42 por mil millones. La salida no se cobra. En una demo registrada por la propia compañía, Jev completó una tarea en 114 milisegundos por US$0,000081, mientras que GPT-5.6 Terra tardó 8,57 segundos y costó US$0,013880: 75 veces más rápido y 171 veces más barato en esa tarea puntual. El titular de TypeSafe, replicado por MarkTechPost, habla de hasta 193,6 veces más rápido y 444,6 veces más barato en sus evaluaciones propias.

Lo que falta comprobar

Para un lanzamiento tan ruidoso, TypeSafe ha sido inusualmente transparente sobre los límites de su propia evidencia. Las cifras más vistosas provienen de evaluaciones diseñadas por el equipo de capacidades de la propia TypeSafe, y la respuesta de referencia se calculó como el promedio entre GPT-6 Astra y Fable 5.1, lo que la compañía admite que sesga el resultado hacia OpenAI y Anthropic. Las cifras de costo de modelos rivales se tomaron del tráfico de OpenRouter, que tiende a mandar las consultas más complejas a los mejores modelos. KDnuggets reportó además un test interno pequeño con 96,3% de accuracy y otro sobre 275 documentos con buen rendimiento, pero todavía son evaluaciones limitadas.

Lo que TypeSafe no ha divulgado es la arquitectura. El CEO Diogo Almeida, ex-investigador de OpenAI y uno de los co-inventores del RLHF que sirvió de base a ChatGPT, confirmó a TechCrunch que Jev se entrena completamente con datos sintéticos y un método que la empresa bautizó como Reinforcement Learning for Calibrated Decisions (RLCD), un término propio que no es estándar en la industria. Observadores externos, citados por TechCrunch y KDnuggets, sospechan que por debajo corre un modelo de pesos abiertos ya existente. La promesa de «cero alucinaciones» tampoco debe leerse literal: lo que Jev garantiza es que la respuesta siempre estará dentro del esquema definido, no que sea correcta.

Los fundadores son Diogo Almeida (CEO), Erik Gafni y Sasha Sheng. La empresa se fundó en 2024 en San Francisco. Además de Vercel, Jev aterrizó en Cloudflare casi al mismo tiempo, lo que multiplicó su exposición entre quienes construyen agentes de IA.

Qué significa esto para tu startup

Si eres founder construyendo sobre LLMs, hay tres movimientos concretos que vale la pena ejecutar antes de que esta categoría se asiente.

Audita tu pipeline en busca de «decisiones disfrazadas de texto». Muchos prompts actuales le piden al LLM que elija entre opciones, que devuelva un puntaje o que clasifique. Cada uno de esos pasos se puede migrar a un modelo tipo Jev con latencia 70-500 ms y un costo entre uno y dos órdenes de magnitud menor. Empieza por los puntos de routing, triage y guardrails de agentes: ahí el ahorro se nota desde el primer mes.
Diseña el umbral de confianza antes de cambiar el modelo. Jev no elimina la necesidad de decidir qué hacer cuando la confianza baja. Define reglas explícitas: si la confianza supera X, automatiza; si está entre X e Y, escala a revisión humana; si está por debajo de Y, descarta. Sin ese diseño, solo cambiaste un costo por otro más caro en horas de tu equipo.
No te cases con un solo proveedor todavía. El modelo llegó a Vercel y a Cloudflare casi a la vez, y ya hay integraciones en LangChain y Spring AI. Mantén una capa de abstracción que te permita cambiar de proveedor o complementar con un modelo open-weight mientras aparecen benchmarks independientes.

La ronda de TypeSafe es la primera señal visible de que existe una categoría de modelo distinta al LLM conversacional con tracción real entre desarrolladores. Que valga 50 veces más que hace una semana es, por ahora, una hipótesis financiada. Lo que confirme esa hipótesis será lo que se mida en el próximo trimestre.