ChatGPT, Claude, Gemini y Grok funcionan más o menos de la misma forma, es decir, les escribimos algo y esperamos que generen una respuesta. Tienen una gran capacidad para explicar, programar, resumir, razonar o mantener conversaciones. En el lado contrario tenemos a Jev AI que parte de una idea muy diferente. La propuesta de Jev fue anunciada por TypeSafe AI el 15 de septiembre.
A grandes rasgos, renuncia a la generación abierta de texto para responder directamente decisiones estructuradas, puntuaciones, categorías y probabilidades. Estas pueden ser utilizadas por un programa sin tener que interpretar primero la respuesta de un chatbot. Su lema es claro al respecto: “No converse. Decida”.
Su creador confirma que es una nueva categoría de producto llamada System One Models, inspirándose en la distinción entre pensamiento rápido y pensamiento deliberado. Supuestamente, Jev sería el primero de esos modelos públicos. Jev AI no es otro ChatGPT: ni siquiera está pensado para hablar contigo Lo primero que debemos tener claro es que Jev no es un chatbot. Los modelos como ChatGPT, Claude, Gemini o Grok reciben una entrada y generan una sucesión de tokens para construir una respuesta.
Incluso cuando el objetivo final es muy sencillo, el modelo puede acabar generando texto que después otro programa tiene que procesar. Jev intenta eliminar ese paso. TypeSafe explica que es como una especie de llamada a una función inteligente: entra información no estructurada y salen valores predefinidos que el software puede utilizar directamente. En vez de responder: “Este mensaje parece estar relacionado con facturación y considero que no necesita intervención humana…”.
Jev responde algo así: “Ruta: facturación — puntuación: 0,94 — confianza: 0,97”. Ese mensaje puede pasarse directamente a un sistema automatizado que ya no tiene que interpretarlo de ninguna forma. “System One”: por qué dicen que funciona al revés que los grandes chatbots Los responsables de Jev AI hablan de Sistema 1 y Sistema 2. El primero representa decisiones rápidas, intuitivas y prácticamente automáticas. El segundo es más lento y deliberado, y sirve para analizar un problema complejo, escribir un ensayo o resolver algo que necesita varios pasos.
TypeSafe coloca a los LLM tradicionales en el segundo grupo, mientras que ubica a Jev AI en el primero. Diseñado para decisiones pequeñas, repetidas millones de veces y donde cada milisegundo y cada céntimo importan. Por eso decir que funciona “al revés” que ChatGPT, Claude, Gemini o Grok es una forma rápida de explicar lo que hace. Uno de los argumentos más potentes que utilizan sus responsables es que puede decidir en apenas 70 milisegundos.
La página oficial anuncia tiempos de respuesta de entre 70 y 500 milisegundos y asegura que “Jev puede ser entre 40 y 200 veces más rápido que los LLM de frontera en tareas de tipo System One”. Además, han comprobado que un flujo concreto tardó 0,114 segundos con Jev frente a 8,566 segundos con un LLM comparable. Eso sí, hablamos de cifras publicadas por la propia compañía y se centran en tareas específicas para las que Jev está diseñado. También promete un coste ridículamente bajo frente a los LLM Otra de las ventajas que quiere destacar Jev es su precio.
Anuncian un coste de 0,042 dólares por millón de tokens de entrada, mientras que las salidas no se cobran por tokens porque el modelo no está generando texto de la misma manera que un LLM convencional. La empresa que ha desarrollado Jev AI compara una ejecución que cuesta aproximadamente 0,000081 dólares con Jev frente a 0,013880 dólares utilizando un LLM comparable en su flujo de referencia. Sería 444,6 veces más caro en ese ejemplo. Entre las cosas para las que vale Jev, podemos imaginar una empresa que recibe 100.000 solicitudes de soporte.
No necesita que una IA escriba una respuesta literaria para decidir qué departamento debe resolverlas. Lo único que debe hacer es proponer respuestas como: - Facturación. - Soporte técnico. - Cancelación. - Fraude. - Requiere humano: sí/no. - Urgencia: del 1 al 5. Jev está diseñado para ese tipo de trabajo. TypeSafe también explica que puede servir para puntuar respuestas de agentes, detectar fraude, clasificar solicitudes, seleccionar rutas dentro de un flujo de trabajo o extraer valores concretos.
Finalmente, hay que hablar de las alucinaciones. TypeSafe habla de “Zero Hallucinations”, pero eso merece una explicación. Jev cuenta con un espacio de salida predefinido, por lo que, si la respuesta solo puede ser “verdadero” o “falso”, el modelo no puede inventarse otro formato, escribir un párrafo o devolver un campo que no exista.