Recientemente, «Jev» —el primer modelo de tipo «System One» lanzado por la empresa estadounidense TypeSafe AI— ha generado gran interés en la comunidad de la IA. A diferencia de los modelos de lenguaje de gran tamaño (LLM) como ChatGPT, este modelo —desarrollado por antiguos investigadores de OpenAI— no genera conversaciones, artículos ni código. En su lugar, se centra en escenarios de automatización de software, devolviendo directamente juicios estructurados y probabilidades asociadas que pueden invocarse mediante programación.

El nombre «System One» (Sistema 1) deriva del concepto introducido por el psicólogo Daniel Kahneman en su libro *Pensar rápido, pensar despacio*, el cual hace referencia al juicio rápido e intuitivo. Mientras que los LLM como ChatGPT se clasifican dentro del «Sistema 2», Jev es un modelo de «Sistema 1» diseñado específicamente para la toma de decisiones rápida.

Según TypeSafe AI, los desarrolladores pueden introducir información no estructurada o estados del programa en Jev, así como predefinir preguntas y posibles respuestas. Actualmente, el modelo admite tres tipos de preguntas: «Choice» (Elección), «Score» (Puntuación) y «Noul». Estas se utilizan, respectivamente, para elegir entre opciones dadas, puntuar elementos según criterios establecidos y determinar la probabilidad de que una afirmación específica sea cierta.

«Choice» y «Score» devuelven distribuciones de probabilidad y niveles de confianza, mientras que «Noul» devuelve un valor numérico directo entre 0 y 1. Es posible procesar múltiples preguntas sobre un mismo estado de forma paralela e independiente en una sola llamada a la API. Los desarrolladores ya no necesitan pedir a un LLM que genere lenguaje natural o texto JSON elemento por elemento, para luego tener que analizar y validar los resultados.

Por ejemplo, un sistema de atención al cliente podría introducir la queja de un usuario, y Jev determinaría si el problema debe derivarse a facturación, soporte técnico o ventas, evaluando simultáneamente su urgencia. Del mismo modo, un sistema de agentes de IA podría introducir la tarea actual y las herramientas disponibles, y Jev decidiría qué herramienta invocar a continuación. TypeSafe AI afirma que, para las tareas del «Sistema 1» que requieren juicios rápidos, Jev alcanza un nivel de precisión comparable al de algunos LLM (grandes modelos de lenguaje) existentes, al tiempo que ofrece mejoras de velocidad y eficiencia de dos órdenes de magnitud. Aunque Jev carece de capacidades de generación de texto libre, está optimizado para producir resultados estructurados y es inmune a las alucinaciones.

TypeSafe AI fue cofundada por varias personas, entre ellas Diogo Almeida, exinvestigador de OpenAI. Durante su etapa en OpenAI, Almeida ayudó a desarrollar chatbots e inventó el aprendizaje por refuerzo a partir de retroalimentación humana (RLHF, por sus siglas en inglés), una técnica de entrenamiento de modelos que, podría decirse, constituye una piedra angular de la era moderna de la IA. Sin embargo, a pesar del potencial del RLHF, no se sentía plenamente satisfecho.

Tras dejar OpenAI, Almeida cofundó TypeSafe AI en 2024. Sostiene que, mientras los humanos requieren respuestas lingüísticas naturales y completas por parte de los modelos, las computadoras necesitan resultados con tipos definidos que puedan ejecutarse directamente.

El nombre «Jev» deriva de la «paradoja de Jevons», propuesta por el economista del siglo XIX William Stanley Jevons, la cual observa que, a medida que mejora la eficiencia en el uso de recursos y disminuyen los costos, la demanda total puede aumentar en lugar de reducirse. TypeSafe AI eligió este nombre para transmitir la idea de que, al reducirse significativamente el costo unitario de la inteligencia de las máquinas, el software y la robótica podrían generar un aumento en la demanda de capacidades de toma de decisiones que antes resultaban inviables debido a las limitaciones de costo y velocidad.

En cuanto a la velocidad, los grandes modelos de lenguaje (LLM) actuales presentan tiempos de respuesta de extremo a extremo que oscilan entre los 3 y los 329 segundos. Si bien esta velocidad es suficiente para la interacción humano-computadora, genera un cuello de botella importante cuando se integran en el código. TypeSafe logra tiempos de respuesta de extremo a extremo de entre 70 y 500 milisegundos; para tareas específicas de toma de decisiones del «Sistema 1», Jev iguala la calidad de juicio de LLM comparables, operando entre 40 y 200 veces más rápido. En cuanto a los precios, los LLM existentes cobran entre 0,20 y 10,00 dólares por millón de tokens de entrada (MTok), mientras que TypeSafe cuesta solo 0,042 dólares por MTok (42 dólares por mil millones de tokens). Dado que el modelo no realiza generación de texto autorregresiva, la empresa no cobra por los tokens de salida.

Sin embargo, estas cifras de rendimiento se basan principalmente en las evaluaciones internas de TypeSafe AI. Las afirmaciones del sitio web de la empresa —que citan aumentos de velocidad de hasta 193,6 veces y reducciones de costes de 444,6 veces— provienen de cuatro pruebas de flujo de trabajo diseñadas por el equipo; las «respuestas de referencia» utilizadas no fueron estándares objetivos anotados manualmente por humanos, sino resultados generados por otros modelos de gran tamaño. TypeSafe AI reconoce que estas cifras representan el límite superior de las ganancias potenciales y que las pruebas diseñadas internamente podrían estar sujetas a sesgos.

Almeida declaró a los medios: «Teníamos una tecnología excelente, pero ningún lugar donde aplicarla. Me llevó mucho tiempo darme cuenta de que el problema era que seguíamos optimizando para el lenguaje humano… Durante cuatro años destacamos en el manejo del lenguaje humano, pero eso resultaba inútil para la automatización, ya que los ordenadores hablan un idioma diferente».

Tras su lanzamiento, Jev captó rápidamente la atención de los desarrolladores de software. Una oleada de solicitudes de acceso saturó brevemente la API de TypeSafe AI, dejándola incapaz de atender a los usuarios.

Jev también ha despertado el interés de desarrolladores en los campos de la IA corporeizada (*embodied AI*) y los sistemas autónomos. Profesionales del sector de la IA corporeizada comentaron a *The Paper* que la industria cuenta por fin con un modelo de bajo coste capaz de tomar decisiones de forma autónoma, una opción que merece la pena probar en el futuro.

El «cerebro» de un sistema de IA corporeizada no solo debe comprender el entorno y planificar tareas, sino también tomar decisiones continuas que implican acciones candidatas, llamadas a herramientas y restricciones de seguridad. Mientras que los modelos grandes tradicionales deben generar primero texto o procesos de razonamiento —que un programa analiza posteriormente para extraer comandos de acción—, Jev asigna directamente los estados procesados ​​del entorno a resultados de decisión claramente tipados y acompañados de puntuaciones de probabilidad y confianza.