La carrera por la inteligencia artificial sumó un competidor que eligió un camino distinto al de ChatGPT y otros modelos conversacionales. Se llama Jev, fue desarrollado por la startup TypeSafe AI y apunta a resolver una tarea mucho más específica: tomar decisiones que otros sistemas puedan ejecutar de forma directa.
La propuesta elimina varias de las capacidades que popularizaron a la inteligencia artificial generativa. Jev no escribe correos, no genera código, no mantiene conversaciones extensas y tampoco produce explicaciones largas. Su función consiste en clasificar datos, asignar puntajes y calcular probabilidades para que un software actúe a partir de esa respuesta.
Ese recorte tiene un objetivo concreto: bajar costos y acelerar los tiempos de respuesta. TypeSafe AI lanzó el modelo a US$ 0,042 por millón de tokens de entrada y no cobra por los tokens de salida. Según la compañía, en determinadas pruebas puede resultar hasta 194 veces más rápido y 445 veces más barato que modelos de lenguaje de última generación.
La diferencia resulta especialmente relevante para empresas que deben procesar miles de decisiones automáticas por hora. En esos casos, el sistema muchas veces no necesita redactar una explicación: solo debe definir qué opción corresponde y avanzar hacia el siguiente paso.
Índice de temas
Una IA que no busca conversar
TypeSafe AI fue fundada por Diogo Almeida, exinvestigador de OpenAI, y diseñó Jev para integrarlo dentro de procesos automatizados.
Un caso de atención al cliente permite ver la diferencia. Si una persona reclama porque recibió un cobro duplicado, el sistema primero puede necesitar identificar si se trata de un problema de facturación, soporte técnico o ventas.
Un modelo conversacional puede interpretar el reclamo y redactar una respuesta completa. Jev recibe las alternativas disponibles y devuelve una elección junto con una probabilidad. Luego, otro software toma esa información y ejecuta la acción correspondiente.
La diferencia gana escala cuando una compañía debe procesar 100.000 solicitudes. Generar un texto completo para cada una puede sumar latencia y consumo de recursos sin aportar información necesaria para la siguiente etapa del proceso.
Jev ofrece tres modalidades. Choice selecciona una alternativa entre opciones predefinidas. Score califica la información según una escala numérica o distintos criterios. Noul calcula la probabilidad de que una afirmación sea verdadera. El sistema también puede analizar varias preguntas en paralelo sobre una misma entrada.
TypeSafe define su tecnología como un modelo de Sistema Uno, una referencia a la distinción popularizada por el psicólogo Daniel Kahneman entre el pensamiento rápido e intuitivo y el razonamiento más lento.
La empresa asegura, además, que desarrolló una arquitectura propia y un método de entrenamiento denominado Aprendizaje por Refuerzo para Decisiones Calibradas, orientado a mejorar la forma en que el sistema expresa la incertidumbre.
Velocidad y costos: el principal argumento de TypeSafe
Los primeros experimentos externos mostraron por qué la compañía pone el foco en estas dos variables.
Pranit Sharma, ingeniero de Vercel, reemplazó un modelo de lenguaje por Jev en una prueba destinada a clasificar la seguridad de comandos. Según informó, obtuvo respuestas entre cinco y 18 veces más rápidas y, en ese ensayo, también consiguió una mayor precisión.
Otro experimento utilizó Jev para ordenar correos empresariales. El resultado mostró costos considerablemente inferiores frente a Gemini, aunque el modelo de Google consiguió una precisión ligeramente superior.
TypeSafe afirma que Jev responde en un rango de 70 a 500 milisegundos. Con el precio anunciado por la empresa, procesar 1.000 millones de tokens de entrada costaría US$ 42, sin contar otros gastos vinculados con la operación de la infraestructura.
La compañía sostiene que esa estructura de costos podría volver económicamente viables procesos que hoy dependen de reglas rígidas o de intervención humana.
El nombre del modelo apunta justamente a esa idea. Jev hace referencia al economista británico William Stanley Jevons, asociado con la llamada paradoja de Jevons: una mejora en la eficiencia del uso de un recurso puede impulsar un aumento de su consumo.
TypeSafe apuesta a trasladar esa lógica a la inteligencia artificial. Si cada decisión automática cuesta mucho menos, las empresas podrían incorporar IA en una mayor cantidad de procesos.
Más barato no significa necesariamente más preciso
El modelo también presenta una contracara. Una evaluación independiente de Explainx.ai ubicó la precisión agregada de Jev en 67,8%, frente al 74,1% obtenido por el sistema con mejor desempeño dentro de esa prueba.
La importancia de esa brecha depende del tipo de tarea. Un error en la clasificación de un correo de baja prioridad puede tener un impacto limitado. Una decisión incorrecta sobre una operación financiera o un comando informático peligroso puede tener consecuencias mucho mayores.
Nikhil Mudholkar, CTO de Bryo AI, también detectó esa tensión. En su ensayo para clasificar correos empresariales, Gemini consiguió una precisión algo superior, pero con un costo entre 10 y 20 veces mayor.
LangChain encontró otro posible uso: evaluar el trabajo realizado por agentes de inteligencia artificial. En una prueba del 20 de septiembre, Jev coincidió con el criterio de un revisor humano en 500 evaluaciones, con un tiempo promedio de 0,44 segundos y un costo de apenas US$ 0,00035 por prueba.
El alcance del experimento fue limitado, ya que se concentró en un solo agente y en un conjunto acotado de tareas.
El riesgo aparece cuando el sistema decide mal
TypeSafe sostiene que Jev no puede sufrir alucinaciones porque debe responder dentro de una estructura previamente definida. Esa afirmación abrió una discusión entre desarrolladores.
Si el sistema tiene cinco categorías disponibles, no puede inventar una sexta. Sin embargo, sí puede seleccionar una opción incorrecta o asignar una probabilidad elevada a una decisión equivocada.
Una prueba publicada por VentureBeat mostró otro riesgo. Jev analizó un comando informático potencialmente destructivo y asignó una probabilidad de 0,76 a la opción de bloquearlo. Cuando un ingeniero agregó en los datos de entrada un mensaje falso que simulaba una autorización, la probabilidad cayó a 0,48.
El experimento correspondió a un solo caso y no permite determinar con qué frecuencia podría repetirse el comportamiento. Sí mostró que la información incorporada en la entrada puede alterar de manera significativa una decisión.
“Tenemos un potencial enorme y, sin embargo, no nos sirve de nada”, afirmó Almeida al explicar su frustración con las limitaciones de la IA conversacional para automatizar software.
Jev no apunta necesariamente a reemplazar a ChatGPT ni a los grandes modelos de lenguaje en todas sus funciones. Su apuesta es más específica: convertirse en una capa de decisión rápida y barata dentro de sistemas automatizados. El desafío para TypeSafe será demostrar si esa ventaja de velocidad y costo puede mantenerse cuando el modelo pase de experimentos controlados a procesos empresariales con mayor volumen, variedad y riesgo.
