TypeSafe AI ha presentado Jev, su primer System One Model, una propuesta que se aparta de la carrera habitual por construir modelos capaces de generar cada vez más texto. Su objetivo es otro: tomar decisiones estructuradas que una aplicación pueda utilizar directamente.
En lugar de devolver una respuesta redactada, Jev recibe el estado de un sistema y un conjunto de preguntas previamente definidas. El modelo responde con valores tipados, probabilidades y niveles de confianza que después pueden utilizarse desde código.
El modelo fue presentado el 15 de septiembre de 2026 y TypeSafe lo ofrece actualmente en acceso anticipado. Desde el día siguiente también está disponible a través de Vercel AI Gateway.
Qué es Jev y qué propone TypeSafe AI
Los grandes modelos de lenguaje están diseñados para generar secuencias de tokens. Esto permite utilizarlos para conversar, escribir, programar, resumir información o resolver tareas abiertas.
Jev renuncia deliberadamente a esa flexibilidad.
TypeSafe lo define como un modelo pensado para convertir un estado no estructurado en decisiones probabilísticas tipadas. En lugar de pedirle que redacte qué debería hacer una aplicación, el desarrollador define previamente qué decisiones necesita obtener.
Por ejemplo, un sistema de atención al cliente podría analizar una conversación y preguntar simultáneamente:
- cuál es la intención del cliente;
- qué nivel de urgencia tiene;
- si debe intervenir una persona;
- qué acción debería ejecutar el sistema.
Jev procesa esas preguntas y devuelve los resultados para que la aplicación continúe el workflow.
TypeSafe utiliza tres primitivas principales: Noul, para preguntas de sí o no; Choice, para elegir entre varias opciones; y Score, para asignar un nivel dentro de una escala. Las preguntas independientes pueden evaluarse en paralelo.
La diferencia no consiste simplemente en devolver JSON
Los LLM actuales también pueden entregar información estructurada mediante JSON Schema, structured outputs o function calling. Por tanto, que Jev produzca respuestas tipadas no sería por sí solo especialmente novedoso.
La diferencia está en cómo ha sido construido.
TypeSafe asegura haber desarrollado una arquitectura, un sistema de muestreo paralelo y un método de entrenamiento denominado Reinforcement Learning for Calibrated Decisions (RLCD) específicamente para este tipo de tareas. Su objetivo no es entrenar al modelo para producir la respuesta que una persona prefiera leer, sino para realizar decisiones acompañadas de una estimación de incertidumbre.
Jev frente a un LLM con salidas estructuradas
| LLM con structured outputs | Jev | |
|---|---|---|
| Objetivo principal | Resolver tareas generales y generar lenguaje | Tomar decisiones dentro del software |
| Salida | Texto o datos restringidos mediante un esquema | Valores tipados definidos previamente |
| Generación | Autoregresiva, token a token | Decisiones evaluadas en paralelo |
| Tipos de decisión | Dependen del prompt y del esquema | Noul, Choice y Score |
| Incertidumbre | Puede solicitarse, pero no es la interfaz central | Probabilidades y confianza forman parte de la salida |
| Texto libre | Sí | No |
| Usos naturales | Chat, redacción, código, análisis o agentes generales | Clasificación, routing, scoring, validación y branching |
TypeSafe sostiene además que Jev está pensado para que el software pueda actuar teniendo en cuenta esa incertidumbre. Una empresa puede establecer, por ejemplo, que una decisión se ejecute automáticamente por encima de cierto nivel de confianza y que los casos dudosos pasen a revisión humana.
Jev renuncia deliberadamente a generar texto
Esta especialización también deja claro lo que Jev no pretende hacer.
No es un sustituto directo de ChatGPT, Claude o Gemini para escribir un correo, mantener una conversación, elaborar un informe o generar código. TypeSafe ha eliminado precisamente la generación libre de cadenas de texto para concentrarse en otro problema.
El modelo encaja mejor en tareas donde la aplicación ya sabe qué tipo de respuesta necesita.
Clasificar un ticket, elegir una herramienta dentro de un agente, calcular un nivel de riesgo o decidir si un workflow continúa son problemas muy distintos de redactar una respuesta para una persona.
Eso permite imaginar una arquitectura en la que ambos tipos de modelos trabajen juntos:
entrada → Jev evalúa → código aplica reglas → un LLM interviene cuando hace falta generar o interpretar lenguaje
La idea no es sustituir siempre al LLM. Es evitar utilizar un modelo generativo en pasos donde producir lenguaje no aporta nada.

Fuente original: Workflow evals de TypeSafe AI
Alt text: Gráfico de TypeSafe AI que compara precisión, coste y tiempo de Jev y otros modelos en workflows estructurados.
Leyenda: TypeSafe compara Jev con modelos de OpenAI, Anthropic y otros proveedores en cuatro workflows estructurados. Los resultados proceden de las propias evaluaciones de la compañía.
Qué tipo de tareas puede resolver
TypeSafe ha publicado cuatro workflows para mostrar el tipo de automatización al que apunta Jev: gestión de incidentes de seguridad, observabilidad de agentes, procesamiento de facturas y atención al cliente.
En el ejemplo de atención al cliente, el sistema analiza la conversación, los datos del cliente, su suscripción, cargos, devoluciones y otras variables antes de determinar qué acciones debe ejecutar el asistente. El resultado puede incluir acciones como responder, devolver un pago, bloquear una tarjeta, escalar el caso o enviarlo a revisión.
En procesamiento de facturas, el workflow combina información de la factura, pedido, contrato, proveedor, aprobaciones y entregas para decidir si debe pagarse, retenerse, corregirse o enviarse a revisión. Los cálculos deterministas se realizan mediante código y Jev se utiliza para los juicios que no pueden resolverse únicamente con reglas.
Ese reparto entre modelo y código es una de las partes más interesantes de la propuesta.
En lugar de pedir a un modelo que interprete todo un proceso y decida cada paso, TypeSafe propone descomponer el workflow en pequeñas preguntas y dejar al código las reglas que no necesitan IA.
TypeSafe afirma que Jev puede ser mucho más rápido y barato
Eliminar la generación de texto también tiene consecuencias sobre la latencia y el coste.
TypeSafe publica para Jev tiempos de respuesta de aproximadamente 70 a 500 milisegundos y un precio de 0,042 dólares por millón de tokens de entrada. La compañía no establece un precio equivalente para tokens de salida porque Jev no genera texto siguiendo el modelo habitual de facturación de los LLM.
TypeSafe afirma además haber conseguido en sus workflow evals resultados de hasta 193,6 veces más velocidad y 444,6 veces menos coste frente a modelos de lenguaje.
Conviene interpretar esas cifras con cautela.
Son evaluaciones diseñadas y publicadas por la propia compañía. TypeSafe reconoce que representan la parte alta de las mejoras que espera encontrar en usos reales, que los workflows fueron creados por miembros de su equipo y que las pruebas de latencia se realizaron principalmente cerca de la infraestructura desde la que actualmente presta el servicio.
También hay otra particularidad metodológica: las respuestas de referencia de sus evaluaciones se generan a partir de un promedio de GPT-6 Astra y Claude Fable 5.1 ejecutados con un nivel alto de razonamiento. No existe, por tanto, una verdad absoluta etiquetada de manera independiente para todos los casos.
Los resultados son interesantes, pero todavía necesitan contraste externo y pruebas en aplicaciones reales.
¿Jev realmente tiene «cero alucinaciones»?
TypeSafe utiliza una afirmación especialmente fuerte para describir Jev: “zero hallucinations”.
Aquí conviene distinguir dos cosas.
Jev solo puede devolver resultados pertenecientes a los tipos definidos por la aplicación. Si una pregunta admite tres opciones, el modelo no puede inventarse una cuarta ni devolver una estructura incompatible.
TypeSafe sostiene que esa propiedad hace matemáticamente imposible que Jev cometa determinados errores de tipo.
Pero eso no significa que todas sus decisiones sean correctas.
Si una aplicación pide clasificar una consulta entre ventas, soporte y facturación, Jev puede devolver correctamente un valor perteneciente a ese conjunto y, al mismo tiempo, escoger la categoría equivocada.
La diferencia es importante:
Jev puede garantizar la forma de la respuesta. No puede garantizar que la interpretación del problema sea siempre correcta.
Incluso TypeSafe reconoce que su modelo puede equivocarse y utiliza precisamente las probabilidades y niveles de confianza para que el software pueda decidir cuándo actuar automáticamente y cuándo pedir revisión.
Por eso resulta más preciso hablar de salidas estructuralmente seguras y probabilísticas que de un modelo incapaz de cometer errores.
Una adopción inicial poco habitual en Vercel
Jev también ha llamado rápidamente la atención entre los usuarios de Vercel AI Gateway.
Según datos publicados por Vercel, durante las primeras 24 horas desde su incorporación al servicio, Jev fue utilizado por cerca del 13 % de los equipos de pago de AI Gateway. Vercel afirma que alcanzó más del doble de equipos que cualquier lanzamiento de modelo anterior registrado en la plataforma.
Es un dato de adopción inicial, no una medida de uso global del modelo ni una señal de que vaya a mantenerse ese crecimiento. Vercel limita además la comparación a los equipos que utilizan su propio AI Gateway.
Aun así, muestra que existe interés por modelos especializados en tareas distintas de la generación de lenguaje.

Fuente: Jev is the fastest-adopted model in AI Gateway history — Vercel
Un modelo pensado para convivir con los LLM
La parte más interesante de Jev quizá no sea decidir si estamos ante una alternativa a los grandes modelos de lenguaje. Esa comparación es demasiado simple porque ambos están diseñados para tareas diferentes.
La propuesta de TypeSafe cuestiona otra práctica: utilizar un LLM generalista para cada pequeña decisión de una aplicación.
Un agente puede necesitar determinar decenas de veces si continúa, qué herramienta utiliza, si confía en un resultado o cuándo debe pedir ayuda. Actualmente muchas de esas decisiones terminan convertidas en prompts enviados a modelos generativos.
Jev plantea que algunas pueden resolverse mediante una capa especializada de inteligencia probabilística, mientras el código mantiene el control del proceso y los modelos generativos se reservan para los pasos donde realmente son necesarios.
Ese es el cambio que merece seguirse.
No que Jev escriba mejor que un LLM, porque directamente no intenta hacerlo. La pregunta es si una parte de la automatización con IA necesita modelos que hablen menos y puedan integrarse mejor dentro del software.
Por ahora, Jev sigue siendo un producto muy reciente y buena parte de las pruebas públicas disponibles proceden de TypeSafe. El siguiente paso será comprobar si su ventaja en coste, velocidad y calibración se mantiene en workflows desarrollados y evaluados por terceros.
Descubre más desde Noticias CRM
Suscríbete y recibe las últimas entradas en tu correo electrónico.







