El martes pasado vi el nombre "Jev" repetido tres veces en distintos feeds en menos de una hora y me picó la curiosidad. Cuando lo investigué un poco me encontré con algo que no esperaba: un modelo que se anuncia explícitamente como lo contrario a ChatGPT. No genera una sola palabra. Le mandás contexto y un esquema de tipos, y te devuelve un valor —una categoría, un número, un booleano— con una probabilidad calibrada al lado. Nada de prosa, nada de "como modelo de lenguaje, puedo decirte que...".
Lo lanzó TypeSafe AI, una empresa fundada en San Francisco por Diogo Almeida, que trabajó en OpenAI y participó en el desarrollo de RLHF, la técnica de afinado con feedback humano que terminó siendo la base de cómo se entrenan casi todos los chatbots actuales. Dos años después de irse de ahí, sacó algo que apunta directamente al problema que esa misma técnica nunca resolvió del todo: los modelos de texto son lentos, caros y a veces inventan cosas cuando lo que necesitás es una respuesta simple y confiable.
Cómo funciona, en la medida en que lo cuentan
Jev es transformer, pero ahí termina el parecido con un LLM tradicional. En vez de generar tokens uno detrás del otro, muestrea todas las salidas posibles en una sola pasada paralela. El desarrollador define de antemano el esquema de tipos —por ejemplo, un enum con tres categorías posibles para clasificar un ticket— y el modelo devuelve un valor que pertenece a ese esquema junto con su score de confianza. Como el universo de respuestas está acotado de entrada, TypeSafe puede afirmar que el modelo nunca produce un error de tipo: no es que lo mida empíricamente, es una garantía estructural del diseño.
El método de entrenamiento se llama Reinforcement Learning for Calibrated Decisions (RLCD), y según Almeida todos los datos que usan son sintéticos, generados por ellos mismos. Sobre la arquitectura exacta se guarda las cartas: TechCrunch reportó que Almeida se mantuvo reservado al respecto, y que hay quien sospecha que por debajo corre algún modelo open-weight existente. Ese punto me parece justo mencionarlo antes de repetir cualquier número de rendimiento como si fuera verificado por un tercero.
Los números que muestran
Según el blog de lanzamiento, la latencia de punta a punta va de 70 a 500 milisegundos, contra 3 a 329 segundos de los modelos de lenguaje de referencia que usaron para comparar (un promedio entre GPT-6 Astra y Fable 5.1). Eso da la cifra que están repitiendo en todos lados: 40 a 200 veces más rápido. En sus propios workflow evals llegan a hablar de 193.6x más rápido y 444.6x más barato.
El precio de entrada es 0.042 dólares por millón de tokens de input, y el output es directamente gratis —"demasiado barato para medirlo", dicen. Dos casos que cita TechCrunch le dan algo de sustento real a los números: en Vercel reemplazaron un clasificador basado en un modelo de OpenAI y obtuvieron resultados entre 5 y 18 veces más rápido y con mejor precisión. En Bryo AI hicieron la prueba para clasificación de emails y encontraron que Gemini era apenas más preciso, pero entre 10 y 20 veces más caro que Jev para la misma tarea.
El propio blog de TypeSafe se encarga de poner los caveats sobre la mesa, cosa que hay que reconocerles: corrieron los evals "desde sus laptops en la costa oeste", admiten que no pueden probar que el pricing no esté subsidiado, y que comparar contra modelos de OpenAI y Anthropic mete un sesgo en la comparación. No hay ningún benchmark independiente todavía. Con eso en mente, los números sirven como orden de magnitud, no como verdad revelada.
Por qué el nombre "System One"
La categoría de producto que TypeSafe está tratando de inaugurar se llama System One Models, y la referencia es directa a Daniel Kahneman: System 1 es el pensamiento rápido e intuitivo, System 2 el deliberado y lento. Un LLM generando texto con razonamiento paso a paso se parece más a System 2. Jev quiere ocupar el otro lugar: la decisión rápida, casi refleja, para tareas que no necesitan una explicación en lenguaje natural sino una respuesta.
El nombre del modelo en sí es un homenaje a William Stanley Jevons, el economista de la paradoja que lleva su apellido: cuando algo se vuelve más eficiente y más barato, se termina usando más, no menos. La apuesta de TypeSafe es que si clasificar, rutear o puntuar contenido cuesta centavos y responde en milisegundos, esas operaciones van a aparecer en lugares donde hoy nadie se plantea meter un modelo de IA por el costo o la latencia que implica.
Dónde le veo aplicación real
Acá es donde el tema deja de ser solo curiosidad y empieza a tocar mi laburo. En el laboratorio de Wazuh y TheHive que vengo armando, buena parte del trabajo pesado es justamente esto: clasificar una alerta, decidir si un observable amerita revisión, puntuar la severidad de un caso. Hoy eso lo resuelvo con reglas y umbrales fijos, o mando el contexto a un LLM cuando necesito algo más flexible y pago el costo de latencia que eso implica.
Un modelo pensado para devolver "phishing / no phishing" con un score de confianza en milisegundos, sin la ceremonia de armar un prompt y parsear una respuesta en texto libre, resuelve un problema real de triage. TypeSafe menciona explícitamente el caso de usar Jev como guardrail sobre otros agentes de IA: verificar si una salida de un modelo más grande se desvió de lo esperado, detectar señales de jailbreak antes de que el agente ejecute una acción. Eso es exactamente el tipo de capa de control que cualquiera que esté automatizando SOC con agentes va a necesitar más temprano que tarde.
La cautela que corresponde
Dicho todo esto, sigue siendo una empresa de dos años con acceso anticipado limitado, una arquitectura que no muestran completa y benchmarks que corrieron ellos mismos. La comparación contra clasificadores tradicionales (regex, modelos chicos entrenados a medida, hasta un árbol de decisión bien armado) todavía no aparece en ningún lado, y para un montón de casos de triage esa sigue siendo la alternativa más barata de todas. Lo interesante de Jev no es que resuelva algo que antes era imposible, sino que empaqueta un enfoque —clasificación rápida con probabilidad calibrada— con la fricción de un LLM: mandás texto libre, esquema en mano, y listo.
Voy a esperar a que salga de acceso anticipado y a que aparezca algún benchmark que no sea de la propia TypeSafe antes de meterlo en un flujo real. Pero lo voy a estar siguiendo de cerca, porque si el pricing se sostiene ni remotamente cerca de lo que publicaron, cambia la cuenta de qué tareas de clasificación vale la pena automatizar con IA y cuáles no.