Definición:
Jev es un modelo de inteligencia artificial desarrollado por TypeSafe AI para tomar decisiones rápidas y estructuradas dentro de aplicaciones de software. Recibe un estado con información y una o varias preguntas tipadas, y devuelve valores que el código puede utilizar directamente.
A diferencia de un modelo de lenguaje generativo, Jev no redacta respuestas, explicaciones ni código. Su función es producir resultados restringidos, acompañados de probabilidades y, en determinados tipos de pregunta, una medida de confianza.
Índice de contenidos
Origen de Jev
TypeSafe AI presentó Jev el 15 de septiembre de 2026 como su primer System One Model. Esta denominación describe una clase de modelos orientados a emitir juicios rápidos y acotados para que formen parte de un flujo de software.
El origen del nombre System One está en el pensamiento rápido e intuitivo popularizado por Daniel Kahneman. Jev, por su parte, debe su nombre al economista William Stanley Jevons. La presentación oficial de Jev explica que el proyecto busca separar los juicios probabilísticos de la lógica determinista que una aplicación puede ejecutar por sí misma.
Funcionamiento de Jev
Una aplicación envía a Jev un estado, que puede contener texto o datos estructurados, junto con preguntas concretas. El modelo evalúa cada pregunta de forma independiente y devuelve sus respuestas en una estructura definida previamente.
Las consultas se realizan mediante una API o uno de los SDK de TypeSafe AI. El código conserva el control del flujo: prepara el contexto, establece las opciones válidas, interpreta las probabilidades y decide si ejecuta una acción, solicita una revisión o deriva el caso a otro sistema.
Jev puede evaluar varias preguntas en una misma petición. Al procesarlas en paralelo, evita que la respuesta de una se convierta en contexto oculto para las demás. Esto resulta útil cuando una decisión compleja puede dividirse en varios juicios independientes.
Tipos de respuesta
TypeSafe AI denomina primitivas a los tres tipos de pregunta disponibles. Cada una limita de antemano la forma de salida que puede devolver el modelo:
- Choice: Selecciona una opción dentro de un conjunto definido y devuelve las probabilidades asociadas y una medida de confianza.
- Score: Sitúa el estado en una escala ordenada, como niveles de urgencia o adecuación, y devuelve puntuación, probabilidades y confianza.
- Noul: Evalúa una pregunta binaria y devuelve la probabilidad de que la respuesta sea afirmativa.
La documentación de TypeSafe AI detalla cómo se combinan estas preguntas. En un ejemplo práctico, una aplicación que analiza una solicitud de atención al cliente puede preguntar por separado si contiene una petición de reembolso, qué grado de urgencia expresa y a qué equipo corresponde.
Diferencias con los LLM
Los grandes modelos de lenguaje generan texto token a token y pueden responder a instrucciones abiertas. Jev utiliza respuestas acotadas que deben ajustarse a los tipos y opciones definidos por la aplicación. No actúa como chatbot ni ofrece una explicación narrativa de su razonamiento.
Esta restricción evita que la aplicación tenga que extraer una decisión desde prosa libre, pero no garantiza que cada juicio sea correcto. Las probabilidades están diseñadas para expresar incertidumbre entre grupos de predicciones, no para certificar una respuesta individual.
Jev tampoco es un agente de IA. No es autónomo: no elige su siguiente acción ni utiliza herramientas por iniciativa propia. Puede formar parte de un agente o de otro sistema, pero son el código y la arquitectura externa los que deciden qué hacer con su salida.
Aplicaciones de Jev
Jev está pensado para puntos de un proceso en los que el software necesita interpretar información no estructurada y convertirla en una decisión utilizable. Entre sus aplicaciones se encuentran las siguientes:
- Clasificación: Asignar mensajes, documentos o incidencias a una categoría conocida.
- Enrutamiento: Elegir qué equipo, modelo o proceso debe recibir una solicitud.
- Evaluación: Puntuar urgencia, relevancia, calidad o adecuación mediante criterios definidos.
- Verificación: Comprobar si una afirmación está respaldada por una fuente o si un fragmento responde a una consulta.
- Control: Detectar contenido que requiere revisión antes de que otro sistema continúe el flujo.
En marketing y atención al cliente, estas capacidades pueden utilizarse para clasificar consultas, estimar intención o frustración y derivar cada caso. Jev aporta el juicio probabilístico, mientras que las reglas comerciales, los umbrales y las acciones permanecen en el software.
Límites de Jev
Jev trabaja con entradas de texto y con preguntas que tienen un espacio delimitado de respuesta. No está diseñado para generar contenido, resolver tareas extensas de razonamiento ni sustituir las operaciones exactas que un programa puede calcular de forma determinista.
La calidad depende de que el estado contenga contexto pertinente y de que cada pregunta represente un juicio claro. El exceso de información irrelevante, las instrucciones contradictorias y los contenidos redactados para influir en el modelo pueden alterar sus respuestas.
Las probabilidades y la confianza ayudan a establecer umbrales, pero requieren evaluación en el caso de uso real. Los resultados de baja confianza pueden enviarse a revisión humana o a un modelo de razonamiento, y las acciones sensibles deben permanecer sujetas a controles definidos por la aplicación.