TypeSafe AI ha presentado Jev, un modelo diseñado para tomar decisiones estructuradas en lugar de generar texto como un chatbot convencional. Su planteamiento lo sitúa en una categoría diferente a modelos como Claude Opus o Claude Haiku: recibe un estado y un conjunto de opciones o preguntas acotadas y devuelve una elección, una puntuación o una probabilidad que el software puede utilizar directamente.
Las claves de Jev como motor de decisiones en 20 segundos
- Jev está diseñado para devolver decisiones estructuradas, no respuestas largas en lenguaje natural.
- Puede responder elecciones, puntuaciones y probabilidades con latencias del orden de cientos de milisegundos.
- Su arquitectura encaja con clasificación, priorización, enrutamiento y selección de acciones.
- El experimento de Tetris muestra cómo puede elegir entre movimientos legales sin generar las acciones del juego.
- Su papel puede complementar a los LLM generativos en sistemas que necesitan procesar grandes volúmenes de decisiones.
La diferencia puede parecer pequeña, pero cambia bastante la forma de integrar un modelo de IA en una aplicación. Un modelo conversacional recibe una petición y genera una respuesta. Jev parte de una situación que ya conoce el software y responde a preguntas cuya salida está limitada de antemano.
TypeSafe AI denomina a este enfoque System One. La compañía presentó Jev públicamente el 15 de septiembre de 2026 y lo plantea como un modelo de decisión que puede devolver valores tipados que el código puede consumir directamente.
Eso significa que una aplicación no tiene que pedirle que genere un JSON dentro de un texto, extraer después ese JSON y comprobar si ha respetado el formato. La aplicación puede plantearle directamente una decisión con un conjunto de respuestas posibles.
Por ejemplo, un sistema de atención al cliente podría enviar un ticket y preguntar si debe escalarse, qué prioridad tiene o qué tipo de equipo debería recibirlo. Jev devolvería esas decisiones en un formato estructurado.
Jev no intenta ser otro Claude
La comparación con Claude Opus y Claude Haiku resulta útil precisamente porque los tres modelos responden a necesidades diferentes.
Claude Opus está orientado a tareas generales de alta complejidad, desde programación y análisis hasta razonamiento sobre grandes cantidades de información y ejecución de trabajos con agentes. Su fortaleza está en resolver problemas abiertos en los que no se conocen de antemano todas las posibles respuestas.
Claude Haiku, por su parte, está diseñado para ofrecer una combinación de velocidad, capacidad y coste adecuada para tareas que necesitan procesar grandes cantidades de peticiones. Sigue siendo un modelo generativo: recibe instrucciones y genera contenido.
Jev parte de una premisa distinta. El sistema que lo utiliza ya tiene que conocer cuáles son las decisiones válidas.
La propia documentación de Jev define tres tipos principales de preguntas: Choice, para seleccionar entre opciones; Score, para asignar una puntuación; y Noul, para decisiones binarias o probabilísticas. Una llamada puede combinar varias preguntas y obtener las respuestas en una misma ejecución.
Esto hace que Jev tenga más sentido como una pieza dentro de una aplicación que como sustituto de un chatbot.
Si fueran trabajadores dentro de una empresa, Opus podría encargarse de analizar un problema complejo y redactar una explicación. Haiku podría procesar grandes cantidades de solicitudes con rapidez. Jev actuaría más como una capa de decisión que recibe información estructurada y determina qué camino debe seguir cada caso.
La diferencia es especialmente importante cuando una aplicación necesita tomar millones de decisiones pequeñas.
Tetris sirve para entender el concepto
El ejemplo de Tetris es interesante porque muestra exactamente dónde encaja un modelo de este tipo.
Jev no recibe una fotografía del tablero ni tiene que inventar una secuencia de teclas. El programa que ejecuta el juego calcula previamente todos los movimientos legales que puede realizar la pieza.
Después describe las diferentes posibilidades y se las entrega al modelo como opciones. Jev selecciona una de ellas y devuelve una distribución de probabilidades sobre las alternativas. El programa ejecuta posteriormente la opción elegida.
En otras palabras, el código se encarga de la física y Jev de la elección.
Ese reparto es importante. El modelo no necesita resolver por sí mismo la geometría del tablero, comprobar colisiones o generar instrucciones para mover la pieza. Todo eso lo hace software convencional.
Jev solo tiene que responder a una pregunta concreta: entre estas jugadas válidas, ¿cuál parece la mejor?
Un experimento independiente que enfrenta Jev con Claude Haiku 4.5 utiliza precisamente este enfoque. El código proporciona a ambos modelos las mismas posiciones legales y mide sus decisiones, latencia y coste. En las pruebas publicadas por el proyecto, Jev presentó una latencia inferior a la de Haiku en las partidas realizadas, aunque se trata de experimentos concretos y no de un benchmark general de ambos modelos.
Esto evita además uno de los problemas habituales de utilizar un LLM generativo para controlar software: el modelo puede producir una respuesta que no corresponde exactamente con una acción válida.
Si las opciones disponibles son seis movimientos legales y Jev tiene que escoger uno de ellos, el espacio de salida está controlado por la aplicación.
Una arquitectura de IA puede combinar varios modelos
Aquí es donde el enfoque resulta más interesante para aplicaciones empresariales.
Un sistema no tiene por qué elegir entre Jev y un modelo generativo. Puede utilizar ambos en diferentes partes del proceso.
Imaginemos una plataforma que recibe millones de operaciones. Una primera capa podría utilizar Jev para clasificarlas, asignarles una puntuación de riesgo o decidir qué procedimiento debe seguir cada una.
Las operaciones normales continuarían automáticamente. Aquellas que superasen determinados umbrales podrían pasar a otro modelo capaz de analizar información más compleja.
Ahí entraría un modelo generativo como Claude Opus.
El sistema podría pedir a Opus que estudie el historial de un cliente, documentos asociados, comunicaciones y otros datos para explicar por qué una operación concreta merece una revisión humana.
Haiku también podría ocupar otra posición dentro de la arquitectura cuando la tarea sea generar texto o procesar grandes volúmenes de información con unos requisitos de coste y latencia diferentes.
La clave está en que no todas las tareas de una aplicación necesitan el mismo tipo de inteligencia artificial.
Utilizar siempre el modelo más potente puede ser innecesariamente caro. Utilizar siempre un modelo pequeño puede resultar insuficiente cuando aparece un problema abierto que necesita razonamiento más elaborado.
Un motor de decisiones introduce una tercera opción: reservar la generación y el razonamiento abierto para los casos que realmente lo necesitan y utilizar decisiones estructuradas para el resto.
El coste también forma parte de la propuesta
TypeSafe AI publica un precio de 0,042 dólares por millón de tokens de entrada para Jev, mientras que los tokens de salida no se facturan. La documentación también señala una latencia típica de alrededor de 0,2 segundos en el percentil 50 para la API. Jev AI
Son cifras del propio proveedor y deben interpretarse dentro de las condiciones de uso de su servicio. Además, el modelo tiene límites concretos, como un máximo de 20 preguntas por llamada y un contexto de 32.000 tokens en la versión documentada actualmente.
La estructura de precios tiene sentido si Jev se utiliza para cantidades muy grandes de pequeñas decisiones. En una aplicación que debe clasificar millones de eventos, seleccionar rutas o determinar prioridades, incluso una diferencia pequeña en el coste por operación puede acumularse rápidamente.
Pero el ahorro no es automático. El sistema debe estar diseñado para convertir el problema en decisiones que puedan expresarse mediante opciones, puntuaciones o probabilidades. Si la tarea requiere redactar, programar, resumir o mantener una conversación abierta, el planteamiento de Jev deja de ser el adecuado.
Eso limita su sustitución directa de los LLM tradicionales, pero también define mejor dónde puede tener sentido.
La IA empieza a separarse del chatbot
La aparición de Jev encaja con una tendencia más amplia en el desarrollo de aplicaciones de IA: dejar de utilizar los modelos únicamente como generadores de texto y convertirlos en componentes especializados dentro de sistemas de software.
Un agente puede necesitar un modelo generativo para planificar una tarea, otro componente para clasificar información y una capa de código convencional para ejecutar las acciones.
Jev ocupa precisamente ese segundo espacio. No pretende escribir la respuesta final al usuario. Pretende decidir qué debería ocurrir después.
Ese enfoque puede ser especialmente útil en data analytics, sistemas de recomendación, clasificación de tickets, detección de anomalías, asignación de recursos, moderación, selección de herramientas o automatización de flujos empresariales.
En una arquitectura basada en un data lake, por ejemplo, los datos podrían entrar primero en procesos convencionales de análisis. Jev podría actuar después sobre los casos que necesitan una decisión y seleccionar una categoría, prioridad o siguiente acción. Los casos ambiguos o complejos podrían derivarse a un modelo generativo más potente.
El valor de Jev, por tanto, no está en competir con Claude Opus en una conversación ni en sustituir a Haiku en todas las tareas de procesamiento. Su propuesta es diferente: convertir una parte de las decisiones que actualmente se resuelven con código rígido o mediante modelos generativos en una capa de IA especializada en elegir entre alternativas.
Eso abre una cuestión interesante para los desarrolladores. A medida que aumenta la oferta de modelos, la elección ya no consiste únicamente en buscar el modelo con mayor capacidad. También importa saber qué tipo de trabajo necesita realizar cada componente de la aplicación.
Preguntas frecuentes
¿Qué es Jev?
Jev es un modelo de decisión desarrollado por TypeSafe AI. Recibe un estado y preguntas con respuestas acotadas y devuelve elecciones, puntuaciones o probabilidades estructuradas que una aplicación puede utilizar directamente.
¿Jev compite directamente con Claude Opus?
No exactamente. Opus está diseñado para tareas generales de razonamiento, generación y programación, mientras que Jev está especializado en decisiones estructuradas. Ambos pueden utilizarse en diferentes partes de una misma aplicación.
¿Por qué Jev puede jugar a Tetris?
El programa calcula previamente los movimientos legales y proporciona esas alternativas al modelo. Jev selecciona una de ellas, mientras que el código se ocupa de la geometría, las reglas y la ejecución de la jugada.
¿Para qué puede utilizarse Jev?
Puede encajar en clasificación, priorización, enrutamiento, selección de acciones y otros procesos en los que una aplicación necesita tomar decisiones entre alternativas conocidas. Para generación de texto, programación o análisis abierto siguen siendo más adecuados los modelos generativos.
