La startup sale de dos años de desarrollo en secreto con un modelo diseñado para integrarse directamente en software: recibe contexto, elige entre opciones predefinidas y devuelve probabilidades y niveles de confianza.
TypeSafe AI ha abierto el acceso anticipado a Jev, su primer modelo de inteligencia artificial de la nueva familia que la compañía denomina System One Models.
La propuesta se aleja deliberadamente de los grandes modelos conversacionales. Jev no está pensado para redactar textos, mantener conversaciones o generar código, sino para tomar decisiones estructuradas dentro de aplicaciones: clasificar, puntuar, enrutar solicitudes o escoger entre alternativas previamente definidas.
Jev devuelve decisiones, no respuestas abiertas
La diferencia principal está en el formato de salida.
Un modelo convencional recibe una petición y genera una cadena de texto token a token. Jev, en cambio, recibe un contexto —por ejemplo, texto y estado estructurado de una aplicación— y responde utilizando tipos y opciones definidos previamente por el desarrollador.
El resultado puede utilizarse directamente dentro de un programa sin tener que interpretar posteriormente una respuesta en lenguaje natural.
TypeSafe resume la idea con un concepto: “decisiones, no cadenas de texto”.
Cada decisión incorpora probabilidades y confianza
Jev no se limita a escoger una alternativa.
También devuelve probabilidades y una puntuación de confianza, lo que permite que una aplicación establezca reglas como ejecutar automáticamente una acción cuando la confianza sea alta y solicitar revisión humana cuando sea baja.
Esta característica está pensada para procesos en los que una decisión incorrecta puede tener consecuencias operativas.
La calibración, sin embargo, debe comprobarse con los datos reales de cada empresa: que un modelo muestre un nivel alto de confianza no garantiza por sí mismo que todas sus decisiones sean correctas en cualquier dominio.
TypeSafe asegura que los errores de formato son imposibles
Otra de las grandes apuestas de la compañía es el denominado type safety.
Como el desarrollador define previamente qué respuestas son válidas y qué estructura debe tener el resultado, Jev no puede devolver una salida incompatible con ese esquema, según TypeSafe.
Esto puede evitar uno de los problemas habituales al integrar modelos generativos en software: que produzcan un JSON defectuoso, campos inexistentes o respuestas que una aplicación no sabe procesar.
“No puede alucinar” necesita un importante matiz
TypeSafe promociona Jev afirmando que no genera alucinaciones.
La afirmación es correcta únicamente en un sentido estructural: Jev no puede inventarse un tipo de respuesta fuera del conjunto permitido ni generar libremente texto inexistente.
Eso no significa que todas sus decisiones sean factualmente correctas.
Si el modelo tiene que elegir entre cinco categorías, siempre devolverá una de esas cinco, pero todavía puede escoger la equivocada. La fiabilidad depende del problema, los datos y la calibración.
Desde 0,042 dólares por millón de tokens
Uno de los argumentos comerciales más llamativos es el precio.
TypeSafe fija el coste de Jev en 0,042 dólares por cada millón de tokens de entrada, equivalentes a 42 dólares por mil millones de tokens.
La compañía no cobra actualmente por los tokens de salida.
Es una estructura de costes muy inferior a la de la mayoría de los grandes modelos generativos, aunque la comparación no es directa porque Jev realiza una tarea más limitada: elige y puntúa, pero no genera texto libre.
Respuestas entre 70 y 500 milisegundos
TypeSafe declara tiempos de respuesta de extremo a extremo de aproximadamente 70 a 500 milisegundos.
Según sus propias evaluaciones, esto puede convertir a Jev en un sistema entre 40 y 200 veces más rápido que modelos frontera utilizados para consultas con un nivel comparable en determinadas tareas de tipo System One.
La arquitectura evalúa además varias decisiones en paralelo, en lugar de producir secuencialmente cada token como un LLM tradicional.
Eso permite utilizarlo en procesos donde unas décimas de segundo pueden marcar la diferencia.
Los benchmarks espectaculares son de la propia compañía
La web de TypeSafe muestra ejemplos con mejoras próximas a 194 veces en velocidad y más de 400 veces en coste en determinados flujos de trabajo.
Pero estas cifras deben interpretarse con cautela.
Los principales benchmarks publicados hasta ahora han sido diseñados y ejecutados por la propia TypeSafe, y la compañía reconoce que algunos resultados representan escenarios especialmente favorables para su arquitectura.
Ya están apareciendo también evaluaciones externas. Una comparativa independiente reciente, por ejemplo, midió Jev con buenos resultados en inteligencia y calibración, aunque encontró latencias y ventajas económicas distintas de las presentadas en los escenarios internos de TypeSafe.
Para qué sirve realmente Jev
El modelo encaja especialmente bien en procesos donde las posibles respuestas pueden definirse de antemano.
Entre los casos de uso planteados figuran clasificación, enrutamiento, puntuación, extracción, ramificación de procesos, análisis masivo de datos y verificación de resultados de otros modelos de IA.
Un servicio de atención al cliente podría utilizarlo, por ejemplo, para decidir si una consulta corresponde a facturación, soporte técnico o cancelaciones.
Una plataforma de ventas podría puntuar automáticamente oportunidades.
Y un sistema con varios agentes de IA podría emplearlo para decidir qué herramienta debe intervenir en cada momento.
No pretende sustituir a ChatGPT o Claude
Jev no compite directamente con un chatbot generalista.
Si el usuario necesita redactar un informe, escribir código, resumir un documento o mantener una conversación, seguirá necesitando un modelo generativo.
Jev ocupa otra capa: la decisión previa o posterior que determina qué debe hacer el software.
Por eso puede utilizarse incluso junto a otros LLM: uno genera contenido y Jev puede clasificarlo, puntuarlo o decidir si necesita revisión.
TypeSafe crea su propia categoría: los System One Models
La compañía denomina a esta arquitectura System One, una referencia a los procesos rápidos e intuitivos descritos habitualmente en psicología cognitiva.
En términos técnicos, TypeSafe afirma haber desarrollado una nueva arquitectura, un sistema de muestreo paralelo y un método de entrenamiento denominado Reinforcement Learning for Calibrated Decisions, o RLCD.
La idea es optimizar directamente la IA para tomar decisiones calibradas en vez de optimizarla para producir lenguaje que resulte satisfactorio para una persona.
Su fundador trabajó en OpenAI antes de crear TypeSafe
TypeSafe AI está fundada por Diogo Almeida, antiguo investigador de OpenAI.
Almeida afirma haber trabajado en métodos de seguimiento de instrucciones y aprendizaje por refuerzo que formaron parte de la investigación que posteriormente desembocó en ChatGPT.
Después abandonó OpenAI y pasó aproximadamente dos años desarrollando TypeSafe antes de presentar públicamente Jev.
La compañía ha salido ahora de ese periodo de desarrollo reservado y está dando acceso progresivamente a usuarios que permanecían en lista de espera.
Una apuesta por una IA menos visible
Jev representa una dirección diferente dentro de la carrera de inteligencia artificial.
Durante los últimos años, el protagonismo ha recaído sobre modelos capaces de escribir, hablar, razonar y generar imágenes.
TypeSafe apuesta por otra capa mucho menos visible: IA integrada dentro del código que toma miles o millones de pequeñas decisiones sin necesidad de generar una sola frase.
El éxito del modelo dependerá ahora de dos cuestiones: si sus cifras de precisión y calibración se mantienen en aplicaciones independientes y si sus importantes ventajas declaradas de coste y velocidad sobreviven cuando salga de los benchmarks internos.
Si ocurre, Jev podría abrir un espacio distinto al de los chatbots: modelos diseñados no para hablar con personas, sino para convertirse directamente en componentes del software.
