Jev: la IA que toma decisiones en lugar de escribir respuestas

La mayoría de las herramientas de inteligencia artificial que conocemos están diseñadas para producir algo que una persona lee: una respuesta, un email, una imagen o una línea de código. Jev está diseñado para otra cosa: tomar una decisión pequeña y estructurada que otro software pueda usar.

Eso puede sonar menos emocionante que conversar con un chatbot. En operaciones puede ser mucho más útil.

Pensá en las decisiones que se repiten cientos o miles de veces: ¿este mensaje es ventas, soporte o spam?, ¿qué tan urgente es este ticket?, ¿esta aplicación cumple los requisitos mínimos?, ¿este evento parece un error?, ¿debería pasar este caso a una persona? Un modelo generativo puede responderlas, pero produce texto, tarda y cuesta más de lo que muchas de esas microdecisiones justifican.

Jev, presentado por TypeSafe AI el 15 de septiembre de 2026, intenta ocupar ese espacio.

Qué es Jev, explicado sin jerga

Jev es el primer modelo público de una categoría que TypeSafe llama System One Models. El nombre toma la idea de Thinking, Fast and Slow, de Daniel Kahneman: el Sistema 1 representa decisiones rápidas e intuitivas; el Sistema 2, pensamiento lento y deliberado.

En software, la comparación funciona así:

• un LLM (modelo grande de lenguaje) recibe instrucciones y genera texto palabra por palabra;
• Jev recibe un estado, preguntas con respuestas permitidas y devuelve decisiones con probabilidades;
• el código decide qué hacer con esas respuestas.

No le pedís “escribime una explicación”. Le pedís algo como:

Leé este mensaje de soporte. Elegí una categoría entre facturación, acceso, error técnico u otro. Calificá su urgencia del 1 al 5. Estimá la probabilidad de que necesite una persona.

Jev devuelve valores definidos de antemano. Eso hace que el software pueda leerlos sin intentar extraer una decisión escondida dentro de un párrafo.

Estado, pregunta y decisión

Para entender Jev solo necesitás tres piezas.

Estado

El state (estado) es la información disponible para decidir: un email, un ticket, una aplicación, el resultado de una sesión o un conjunto de señales.

Pregunta tipada

“Tipada” significa que el formato de respuesta está definido. Jev ofrece tres formas principales:

Probabilidad y confianza

La respuesta incluye probabilidades para que el sistema pueda usar umbrales. Un umbral es una regla como: “si la probabilidad supera 0,90, automatizá; si está entre 0,60 y 0,90, pedí revisión; si es menor, seguí la ruta normal”.

La confianza no demuestra que la respuesta sea correcta. Solo describe qué tan concentrada está la predicción. Un modelo puede estar muy seguro y equivocarse; por eso los umbrales deben probarse con casos reales.

La diferencia con ChatGPT, Claude o Gemini

Jev no compite con un chatbot para escribir mejor. Cumple una función diferente dentro del sistema.

Una arquitectura útil puede combinar capas: Jev clasifica el caso; el workflow escoge una ruta; un LLM redacta cuando hace falta lenguaje; una persona revisa casos ambiguos o sensibles.

Por qué la velocidad y el costo cambian lo que puede automatizarse

TypeSafe afirma que Jev puede ser entre 20 y 200 veces más rápido y entre 40 y 400 veces más barato que modelos de frontera en sus workflows de evaluación. La empresa publica un precio de entrada de USD 0,042 por millón de tokens y no cobra tokens de salida porque Jev no genera texto libre.

Estas cifras son resultados y precios publicados por el proveedor, no una conclusión independiente universal. TypeSafe reconoce que los mayores múltiplos vienen de workflows seleccionados por integrantes de su equipo, que puede existir sesgo y que su método de entrenamiento RLCD todavía no tiene un paper público que permita reproducirlo.

La idea importante sobrevive aunque los múltiplos cambien: cuando una decisión cuesta una fracción de centavo y tarda milisegundos, podés aplicarla a colas que antes eran demasiado grandes o demasiado baratas para revisar una por una.

Qué significa “poner Jev delante de una cola cara”

En el video de Greg Isenberg, la recomendación se resume así: encontrá una cola costosa y poné Jev al frente.

Una cola es una acumulación de casos esperando revisión:

• solicitudes de empleo;
• tickets de soporte;
• leads comerciales;
• reclamos de seguros;
• comentarios para moderar;
• sesiones de producto con posibles errores;
• documentos que deben enrutarse;
• formularios o aplicaciones que necesitan triage.

Triage significa hacer una primera clasificación para decidir qué merece atención y hacia dónde debe ir. No significa tomar automáticamente la decisión final.

Casos aplicables para equipos no técnicos

Aunque integrar Jev requiere API y código, comprender el patrón ayuda a cualquier profesional a diseñar mejores operaciones.

Marketing y ventas

Clasificar leads por encaje, intención y urgencia. Los casos claros pueden recibir una respuesta preparada; los estratégicos pasan a una persona. El sistema no debería rechazar oportunidades únicamente porque una probabilidad fue baja.

Customer experience

Separar consultas, estimar urgencia y detectar señales de frustración. Un LLM puede redactar un borrador después; la decisión inicial no necesita generar un ensayo.

Recursos humanos

Ordenar aplicaciones por requisitos explícitos y detectar información faltante. En contratación, la clasificación no debería decidir por sí sola quién avanza: hay riesgo de sesgo, discriminación y exclusión de trayectorias atípicas.

Producto digital

Revisar miles de sesiones y priorizar posibles rage clicks (clics repetidos por frustración), dead clicks (clics donde nada responde) o errores. El video muestra casos reportados por builders; deben tratarse como demostraciones y probarse en cada producto.

Operaciones

Enrutar facturas, solicitudes, reclamos o incidentes según tipo y riesgo. Los montos, identidades y decisiones con consecuencias necesitan controles adicionales.

Un workflow aumentado por IA, paso a paso

Supongamos que un equipo recibe 500 solicitudes de soporte por día.

1. Definí la decisión

No “resolver soporte”. La decisión pequeña es: categoría, urgencia y necesidad de escalamiento.

2. Escribí las opciones

Las categorías tienen que ser mutuamente comprensibles. Si “problema técnico” y “error del producto” se solapan, el sistema heredará esa confusión.

3. Prepará ejemplos históricos

Tomá casos ya resueltos y la decisión humana correspondiente. Eliminá datos sensibles que no hagan falta.

4. Elegí umbrales

• confianza alta y riesgo bajo: enrutar automáticamente;
• confianza media: enviar a revisión;
• riesgo alto: revisión humana obligatoria sin importar la confianza.

5. Separá decisión de acción

Jev propone la ruta. El workflow aplica reglas. Otro modelo puede redactar. Una persona aprueba cuando hay impacto real.

6. Medí el sistema completo

Registrá precisión por categoría, falsos negativos, tiempo de espera, revisiones humanas, costo y grupos afectados. Una precisión promedio puede esconder errores graves en una categoría pequeña.

“No alucina” necesita una explicación más precisa

TypeSafe dice que Jev no puede alucinar porque no genera strings (texto libre) ni campos fuera del esquema. Esa afirmación describe bien una ventaja estructural: si las respuestas permitidas son A, B o C, Jev no va a inventar D ni devolver un poema.

Pero sí puede elegir la respuesta incorrecta dentro de las opciones válidas. Un output estructuralmente perfecto puede estar semánticamente equivocado. Para una empresa, eso sigue siendo un error real.

La forma responsable de decirlo es:

Jev elimina errores de formato y restringe el espacio de respuesta; no elimina decisiones equivocadas.

Cuándo Jev no tiene sentido

No es la herramienta correcta cuando necesitás:

• escribir o explicar;
• razonar sobre una pregunta abierta;
• crear código o imágenes;
• descubrir opciones que todavía no conocés;
• justificar una decisión compleja ante una persona;
• resolver un caso único donde la velocidad no importa.

Tampoco conviene automatizar una decisión que el equipo todavía no sabe definir consistentemente. Si dos especialistas no coinciden sobre qué significa “lead de calidad”, un modelo rápido no resuelve el desacuerdo.

Qué puede aprender una Pionera aunque no programe

Jev enseña una habilidad muy práctica: descomponer trabajo en decisiones pequeñas.

Frente a cualquier proceso, preguntá:

1. ¿Qué información entra?
2. ¿Qué decisión se repite?
3. ¿Cuáles respuestas están permitidas?
4. ¿Qué error sería más costoso?
5. ¿Cuándo debe escalarse a una persona?
6. ¿Qué acción ocurre después?
7. ¿Cómo comprobamos que la decisión ayudó?

Ese mapa sirve para trabajar con Jev, Zapier, Make, n8n, un agente o una persona nueva en el equipo. Es operations thinking: convertir conocimiento tácito en un proceso que puede observarse y mejorarse.

Lo que todavía falta comprobar

Jev está en early access (acceso inicial). La arquitectura, RLCD, los datos de entrenamiento y los resultados necesitan más documentación y evaluación independiente. Sus benchmarks usan como referencia respuestas de modelos grandes, no una verdad universal; y el rendimiento puede cambiar mucho según la calidad del estado, las preguntas y los umbrales.

Para evaluar Jev, identificá dónde una decisión acotada, rápida y barata mejora un workflow sin quitar control donde todavía importa.

Fuentes para profundizar

• TypeSafe AI: Introducing System One Models & Jev, anuncio oficial, arquitectura, precios, benchmarks y matices declarados por la empresa.
• Vercel: What is Jev?, explicación técnica del patrón state + typed questions + application logic.
• Jev is HERE. How to use it, conversación de Greg Isenberg con ejemplos de negocio e implementación.
• Jev AI Just Dropped, And…, análisis de Jack Roberts sobre el lanzamiento.
• Thinking, Fast and Slow, origen del marco Sistema 1 y Sistema 2 que inspira el nombre de la categoría.

Para seguir dentro de Pioneras

• Agente, chatbot o automatización
• De chat a agente: cinco niveles
• Cómo usar IA en el trabajo
• Cómo verificar trabajo hecho por IA

Revisión editorial: investigada y verificada el 21 de septiembre de 2026.