⏱️ Lectura: 11 min
TypeSafe AI acaba de lanzar Jev, un modelo que no escribe texto: solo toma decisiones tipadas, y lo hace hasta 200 veces más rápido que un LLM de frontera.
📑 En este artículo
La empresa, fundada por Diogo Almeida (quien ayudó a diseñar en OpenAI los métodos detrás de ChatGPT), presentó el 15 de septiembre de 2026 su primer System One Model: una categoría de modelo pensada para que el software, no una persona, consuma la respuesta directamente.
TL;DR
- TypeSafe AI presentó Jev, su primer «System One Model», en acceso anticipado el 15 de septiembre de 2026.
- Jev no genera texto: produce decisiones tipadas con probabilidades calibradas, sin riesgo de error de tipo.
- El entrenamiento usa Reinforcement Learning for Calibrated Decisions (RLCD), distinto de RLHF y RLVR.
- Los tokens de entrada cuestan $0,042 por millón (unos $42 por mil millones); los de salida son gratuitos.
- Los LLM de frontera actuales cobran entre $0,20 y $10 por millón de tokens de entrada, hasta 5x más por salida.
- La respuesta de Jev tarda entre 70 y 500 milisegundos, frente a 3 y 329 segundos de un LLM de frontera.
- TypeSafe reporta hasta 40x-200x más velocidad para tareas de tipo System One con inteligencia comparable.
- El fundador Diogo Almeida trabajó en OpenAI en los métodos que dieron origen a ChatGPT.
Qué pasó con Jev de TypeSafe AI
Diogo Almeida pasó cuatro años haciéndose la misma pregunta: si los modelos de lenguaje son superhumanos conversando desde hace años, ¿por qué la automatización de software sigue estancada? Su respuesta, después de dos años en modo stealth, es Jev, el primer producto público de TypeSafe AI.
Jev no compite con Claude o GPT en escribir párrafos. Recibe un estado de programa sin estructurar como entrada y devuelve un valor tipado (una categoría, un puntaje, una etiqueta de una lista fija) junto con una probabilidad calibrada. TypeSafe lo describe como «una función de llamada con inteligencia de frontera»: entra estado sin estructurar, sale una decisión probabilística tipada.
Para lograrlo, la empresa construyó un stack nuevo: arquitectura de modelo propia, un muestreador paralelo y un método de entrenamiento al que llaman Reinforcement Learning for Calibrated Decisions (RLCD). Jev está disponible hoy en acceso anticipado, sin fecha pública de disponibilidad general.
Contexto e historia: de RLHF a RLCD
Los LLM conversacionales actuales se afinan con Reinforcement Learning from Human Feedback (RLHF) o con recompensas verificables (RLVR): el objetivo es que un humano prefiera la respuesta, o que un verificador automático confirme que un resultado es correcto. Ambos enfoques premian texto libre: código, chat, o incluso una negativa a responder.
RLCD cambia el objetivo. En vez de optimizar para preferencia humana, optimiza para que la probabilidad que el modelo asigna a cada opción sea honesta desde el punto de vista epistémico. Si Jev dice 87% de confianza en una categoría, ese 87% debe corresponder con la frecuencia real de acierto: eso es calibración.
El nombre «System One» no es casual. Remite a la teoría del pensamiento dual: un Sistema 1 rápido e intuitivo, y un Sistema 2 lento y deliberado. TypeSafe posiciona a los LLM conversacionales como Sistema 2 (razonan paso a paso, generan texto) y a Jev como Sistema 1: reacciones estructuradas e inmediatas, sin narrar el razonamiento.
Detalles técnicos y rendimiento
La diferencia de fondo está en cómo cada modelo produce su respuesta. Un LLM es autorregresivo: genera un token, lo usa como contexto para generar el siguiente, y así hasta terminar la cadena. Jev, en cambio, calcula todas las probabilidades de salida en una sola consulta paralela, sin encadenar tokens.
flowchart TD
A["Entrada sin estructurar"] --> B["LLM tradicional (RLHF / RLVR)"]
B --> C["Genera token 1"]
C --> D["Token 2, condicionado al anterior"]
D --> E["... hasta completar la cadena"]
A --> F["Jev (RLCD)"]
F --> G["Calcula todas las probabilidades en paralelo"]
G --> H["Decision tipada con score de confianza"]Esa diferencia arquitectónica es la que TypeSafe reporta en velocidad y costo: un LLM de frontera tarda entre 3 y 329 segundos en responder de punta a punta; Jev responde en 70 a 500 milisegundos, entre 40 y 200 veces más rápido para consultas con forma de System One.
| Aspecto | LLM tradicional (RLHF / RLVR) | Jev (RLCD) |
|---|---|---|
| Optimiza para | Preferencia humana o recompensas verificables | Decisiones calibradas |
| Salidas | Cadenas de texto libres | Valores tipados con probabilidad |
| Muestreo | Secuencial, un token a la vez | Paralelo, todo en una consulta |
| Costo de entrada | $0,20 a $10 por millón de tokens | $0,042 por millón de tokens |
| Costo de salida | Hasta 5x el precio de entrada | Gratuito |
| Velocidad | 3 a 329 segundos por respuesta | 70 a 500 milisegundos |
| Caso de uso ideal | Chatbots, copilotos, coding agents | Workflows con IA, verificación, ruteo |
TypeSafe subraya un punto que sí es verificable matemáticamente: como el esquema de salidas posibles se fija antes de la consulta, Jev no puede devolver un valor fuera de ese conjunto. No es una promesa de comportamiento, es una restricción estructural del sistema.
💡 Tip: antes de migrar una decisión crítica a un modelo nuevo, corré tu propio benchmark con tus datos. TypeSafe aclara que sus evals publicadas se corrieron desde sus propias laptops en la costa oeste, no en un entorno neutral.
Un ejemplo conceptual de cómo se vería integrado (el SDK público de TypeSafe todavía no está disponible, así que esto es ilustrativo, no la sintaxis oficial):
// Ejemplo conceptual: la sintaxis oficial de Jev aun no es publica
type TicketDecision = {
category: "billing" | "technical" | "spam";
confidence: number; // probabilidad calibrada, 0.0 a 1.0
};
async function classifyTicket(text: string): Promise<ticketdecision> {
return jev.decide({
input: text,
schema: "SupportTicketCategory"
});
}</ticketdecision>Esa función devuelve siempre una de las tres categorías definidas, nunca texto suelto. El segundo bloque muestra por qué la probabilidad calibrada importa en producción: permite decidir cuándo confiar en la máquina y cuándo escalar a una persona.
const decision = await classifyTicket(ticket.body);
if (decision.confidence >= 0.9) {
routeTo(decision.category);
} else {
// Confianza baja: no fuerces la decision, escala a un humano
escalateToHuman(ticket, decision);
}Con un LLM convencional, ese umbral de confianza hay que inventarlo parseando texto libre. Con una salida tipada y calibrada, el umbral se aplica directo sobre un número.
Cómo probar Jev de TypeSafe AI hoy
Acá va la limitación honesta: TypeSafe no publicó todavía un SDK ni una CLI de acceso general. Jev está en acceso anticipado y la única vía documentada en el anuncio es sumarse a la waitlist en typesafe.ai.
Lo que sí se puede hacer hoy es preparar el caso de uso: identificar en tu propio código los «if» difusos (reglas de negocio que hoy resuelve un humano o un LLM con prompt largo) y anotar qué esquema de salida tipada necesitarías para reemplazarlos. Cuando el acceso se abra, esa lista de esquemas es exactamente lo que Jev necesita como input.
⚠️ Ojo: salida gratuita hoy no garantiza que siga así. TypeSafe admite que no puede probar que su precio de $0,042 por millón de tokens de entrada no esté subsidiado; solo el tiempo confirmará si es sostenible.
Impacto y análisis
El cuello de botella que TypeSafe señala es real: un LLM de frontera tardando hasta 329 segundos por respuesta es tolerable en un chat con una persona esperando, pero es un freno serio cuando ese LLM está embebido dentro de un pipeline de software que corre miles de veces por minuto.
Los casos de uso que TypeSafe propone para Jev son concretos: workflows con IA que actúan como un «if» difuso (clasificar, rutear, puntuar, extraer campos), verificación en cadena (juzgar, poner guardrails, detectar jailbreaks sobre prompts y razonamientos de otros LLM), map-reduce sobre datos masivos, y aplicaciones en tiempo real donde 100 milisegundos sí importan para la experiencia de usuario.
Ninguno de esos casos reemplaza a un copiloto de código o a un chatbot: son tareas donde hoy un equipo usa un LLM conversacional por falta de mejor opción, pagando el costo y la latencia de generar texto para después parsearlo. Ese parseo posterior, además, es un punto de falla adicional: si el LLM se sale del formato esperado, hay que validar y reintentar.
💭 Clave: la apuesta de TypeSafe no es que la IA piense mejor, es que deje de necesitar traducción entre lenguaje natural y una estructura de datos que el software ya entiende.
Qué sigue
Lo que falta para juzgar a Jev de TypeSafe AI con datos independientes es, justamente, independencia: los números de velocidad y costo hoy vienen de la propia TypeSafe, corridos desde sus laptops. Un benchmark de terceros sobre las mismas tareas de clasificación, ruteo y verificación sería el siguiente paso lógico antes de que equipos de producción muevan tráfico real.
También queda abierto qué tan amplio será el catálogo de esquemas que Jev soporta fuera de acceso anticipado, y si TypeSafe libera documentación pública de la API antes de fin de año.
📖 Resumen en Telegram: Ver resumen
Probalo vos: sumate a la waitlist en typesafe.ai y compará el tiempo de respuesta de Jev contra el de tu LLM actual con el mismo prompt.
Preguntas frecuentes
¿Qué es exactamente un «System One Model»?
Es la categoría que TypeSafe AI creó para modelos optimizados en tomar decisiones estructuradas y rápidas en lugar de conversar. El nombre alude a la teoría del pensamiento rápido e intuitivo (Sistema 1) frente al pensamiento deliberado y lento (Sistema 2), terreno de los LLM conversacionales actuales.
¿Jev puede escribir texto como ChatGPT o Claude?
No. Jev renuncia deliberadamente a generar cadenas de texto libres. Solo devuelve valores tipados, por ejemplo una categoría de una lista fija, junto con una probabilidad calibrada definida de antemano en un esquema.
¿Por qué los tokens de salida de Jev son gratuitos?
Según el anuncio de TypeSafe, la salida se considera demasiado barata para medirla. La empresa cobra únicamente $0,042 por millón de tokens de entrada, frente a entre $0,20 y $10 por millón que cobran los LLM de frontera.
¿Qué significa que Jev «no puede cometer errores de tipo»?
El espacio de salidas posibles se define antes de la consulta mediante un esquema fijo, así que el modelo nunca puede devolver algo fuera de ese conjunto: es una garantía estructural, no una promesa de comportamiento.
¿Jev reemplaza a los LLM conversacionales como Claude o GPT?
No los reemplaza, los complementa. TypeSafe posiciona a Jev para tareas donde antes se usaba un LLM como un «if» difuso dentro del código (clasificar, rutear, puntuar, verificar), no para chatbots ni copilotos con supervisión humana directa.
¿Cómo puedo probar Jev hoy?
Jev está en acceso anticipado. TypeSafe no publicó todavía un SDK ni una CLI pública; la única vía disponible es sumarse a la waitlist en typesafe.ai.
Referencias
- TypeSafe AI blog: anuncio oficial de System One Models y Jev, con la tabla comparativa de costos y velocidad.
- Wikipedia: explicación de RLHF, el método que Jev evita al usar RLCD.
- Wikipedia: qué es un modelo autorregresivo y por qué genera un token a la vez.
- Wikipedia: la teoría del pensamiento Sistema 1 / Sistema 2 que inspira el nombre «System One Models».
📱 ¿Te gusta este contenido? Únete a nuestro canal de Telegram @programacion donde publicamos a diario lo más relevante de tecnología, IA y desarrollo. Resúmenes rápidos, contenido fresco todos los días.
Imagen destacada: Foto de Milad Fakurian en Unsplash
0 Comentarios