La mayor parte de la IA que hay dentro de una automatización de empresa no escribe nada. Decide: ¿este correo es una queja o una consulta? ¿Este mensaje es un cliente de verdad o alguien que nos quiere vender algo? ¿Esta respuesta puede salir sola o tiene que revisarla una persona? Hasta ahora usábamos modelos de chat como ChatGPT o Claude para esas decisiones, y pagábamos por un texto que luego tirábamos. Jev, de TypeSafe, es un modelo hecho solo para ese tipo de decisiones. Aquí tienes qué es, cómo funciona, cuánto cuesta (lo hemos medido en nuestra propia web) y dónde encaja y dónde no.
La respuesta corta
- Qué es: Jev es un modelo de IA de TypeSafe, una startup de San Francisco, lanzado en septiembre de 2026. No escribe texto. Le das una información y una pregunta con las respuestas posibles, y te devuelve la respuesta con una probabilidad.
- Para qué sirve: clasificar, enrutar y comprobar. Por ejemplo, ordenar mensajes por tipo, decidir si una respuesta redactada por la IA puede enviarse sin revisión o distinguir un cliente real del spam.
- Cuánto cuesta: 0,042 $ por millón de tokens de entrada, y las respuestas son gratis. Clasificar un mensaje de nuestro formulario de contacto cuesta 0,00003 $: unos 3 céntimos por cada mil mensajes.
- Qué rapidez tiene: en nuestras pruebas, menos de un segundo por mensaje, contando la ida y vuelta desde España.
- Lo que no es: no redacta respuestas, no explica sus decisiones, no hace cuentas ni compara fechas. Trabaja junto a un modelo de chat y a tu propio código, no en su lugar.
- Cómo lo usamos: en producción en nuestra web, para separar las consultas reales de las ofertas comerciales y la basura que llegan por el formulario de contacto. En la plataforma de un cliente, para detectar usuarios que se pasan el teléfono o sus redes sociales por el chat para cerrar el trato fuera. Y en las automatizaciones que montamos para clientes, para decidir qué sale solo y qué revisa una persona.
¿Qué es Jev?
Jev es el primer modelo de lo que TypeSafe llama modelos System One: modelos de IA que toman decisiones rápidas y estructuradas para que las use directamente el software. El nombre viene de Pensar rápido, pensar despacio, de Daniel Kahneman, donde el “Sistema 1” es la forma de pensar rápida e intuitiva que usamos para juicios de pocos segundos. Jev, por su parte, se llama así por el economista William Stanley Jevons, cuya paradoja dice que cuando algo se vuelve mucho más eficiente acabamos usándolo mucho más. Esa es la apuesta de TypeSafe para la IA: si decidir sale casi gratis, se usará en todas partes.
TypeSafe la fundaron en 2024 Diogo Almeida, Erik Gafni y Sasha Sheng. Almeida trabajó en OpenAI en la investigación que dio lugar a ChatGPT. La empresa pasó dos años trabajando en secreto y lanzó Jev en acceso anticipado el 15 de septiembre de 2026, junto con una ronda semilla de 40 millones de dólares. Tres semanas después, en octubre, cerró una serie A de 870 millones liderada por Andreessen Horowitz, con una valoración de 7.500 millones. TypeSafe asegura que un tercio de las empresas del Fortune 500 ya usa Jev, aunque no ha dicho cuáles. La versión 1.13 llegó a OpenRouter el 18 de septiembre, y la 1.14, que también acepta imágenes, como versión preliminar el 14 de octubre.
La diferencia con ChatGPT, Claude o Gemini está en lo que sale. Un modelo de chat genera texto, palabra a palabra, y si quieres una decisión tienes que pedírsela en un formato concreto y luego comprobar que el formato ha llegado bien. Jev nunca genera texto. Tú defines de antemano las respuestas posibles y él devuelve una probabilidad para cada una.
Cómo funciona Jev: información dentro, decisiones fuera
Cada llamada a Jev tiene dos partes:
- El estado: la información que hay que juzgar. El mensaje de un cliente, un correo, un pedido con su historial, una cláusula de un contrato. Puede ser texto sin más o un objeto con campos.
- Las preguntas: qué quieres saber de ese estado, cada una con sus respuestas posibles y una breve descripción de cuándo aplica cada una.
Hay tres tipos de pregunta:
| Tipo | Qué pregunta | Qué devuelve | Ejemplo en una empresa |
|---|---|---|---|
| Choice (elección) | ¿Cuál de estas opciones encaja? | La opción más probable, la probabilidad de cada una y un nivel de confianza | “¿Esta incidencia es de facturación, envío, devoluciones u otra cosa?” |
| Score (escala) | ¿Dónde cae en esta escala? | Una posición en la escala y la probabilidad de cada nivel | “¿Cómo de enfadado está este cliente, de tranquilo a furioso?” |
| Noul (sí o no) | ¿Esto es verdad o no? | La probabilidad de que sea verdad | “¿Este mensaje pide un reembolso?” |
La versión 1.14 añade un cuarto tipo, Box, que localiza algo dentro de una imagen. TypeSafe lo presenta como una función todavía temprana.
Todas las preguntas de una llamada se responden a la vez y por separado, así que hacer cinco preguntas apenas tarda más que hacer una. Y como la respuesta solo puede ser una de las opciones que has definido, Jev no puede contestar algo que tu software no espera, como una categoría inventada o un formato roto.
Lo que devuelve no es solo “sí” o “no”, sino una probabilidad. TypeSafe entrena a Jev para que esas probabilidades estén calibradas: en muchas decisiones, cuando dice 90 %, debería acertar más o menos el 90 % de las veces. Eso te permite poner umbrales. Por encima del 95 %, el sistema actúa solo; entre el 60 % y el 95 %, lo revisa una persona; por debajo, se descarta. La propia TypeSafe advierte de que la calibración se mide sobre grupos de decisiones y no garantiza que cada respuesta concreta sea correcta.
Jev frente a ChatGPT, Claude o Gemini
| Jev | Modelos de chat (ChatGPT, Claude, Gemini) | |
|---|---|---|
| Qué devuelve | Una de las respuestas que has definido, con su probabilidad | Texto, que puede seguir o no el formato que pediste |
| Explicaciones | Ninguna. No dice por qué | Puede explicar su razonamiento |
| Redactar respuestas, resúmenes, código | No | Sí |
| Precio por millón de tokens de entrada | 0,042 $ | De unos 0,20 $ a 10 $, según el modelo |
| Precio de la salida | Gratis | Normalmente varias veces el de la entrada |
| Velocidad | Fracciones de segundo | De segundos a minutos si razona |
| Seguridad en la respuesta | Siempre, como probabilidad | Solo si se la pides, y suele pecar de exceso de confianza |
| Ideal para | Clasificar, enrutar, comprobar y filtrar, a gran volumen | Redactar, razonar, conversar y todo lo abierto |
TypeSafe dice que Jev “no puede alucinar”. Es verdad en un sentido estrecho: no puede inventarse una respuesta fuera de tus opciones. Pero sí puede elegir la opción equivocada, igual que una persona. La ventaja real es que te dice cuánta seguridad tiene, así que los casos dudosos pueden ir a una persona en lugar de colarse.
En la práctica, los dos trabajan juntos. Una automatización típica de atención al cliente usa un modelo de chat para redactar la respuesta y Jev para decidir si ese borrador puede enviarse sin revisión. Explicamos ese modelo en detalle en nuestra guía de IA para la atención al cliente en ecommerce.
¿Cuánto cuesta Jev?
Jev solo cobra por lo que le envías: 0,042 $ por millón de tokens de entrada (TypeSafe también lo expresa como 42 $ por cada mil millones). Los tokens de salida son gratis. En OpenRouter, la plataforma que usamos para llamarlo, no hay suscripción ni mínimo.
Para dar una cifra real y no teórica, hemos medido nuestra propia comprobación del formulario de contacto. Cada mensaje, junto con la descripción de nuestra empresa y las dos preguntas, ocupa unos 715 tokens:
| Volumen | Lo que cuesta con Jev |
|---|---|
| 1 mensaje | 0,00003 $ |
| 1.000 mensajes | Unos 0,03 $ |
| 100.000 mensajes | Unos 3 $ |
| 1 millón de mensajes | Unos 30 $ |
Como comparación, hacer la misma comprobación con un modelo general pequeño como Claude Haiku 4.5 (1 $ por millón de tokens de entrada y 5 $ por millón de salida) costaría algo menos de una décima de céntimo por mensaje, casi 30 veces más. Con un modelo de los más potentes, la diferencia se cuenta por cientos. El propio estudio de TypeSafe dice que Jev es hasta 444 veces más barato y 193 veces más rápido, pero esas cifras salen de flujos diseñados por su propio equipo, y la empresa reconoce que están en la parte alta de lo esperable.
Dos matices. TypeSafe admite abiertamente que no puede demostrar que sus precios no estén subvencionados, aunque espera que bajen y no que suban. Y la forma de llamar a Jev en OpenRouter todavía está marcada como alfa. Aun así, para una pyme el coste del modelo ya no es lo que decide: lo que cuesta dinero es diseñar bien las preguntas y conectarlas con tus sistemas.
Cómo usamos Jev: distinguir clientes reales del spam
A nuestro formulario de contacto llega lo mismo que al de cualquier empresa: agencias de SEO que prometen el primer puesto en Google, equipos de desarrollo en el extranjero, listas de contactos, ofertas de financiación y bastante basura automática. Y entre todo eso, los mensajes que importan: una clínica que quiere que su WhatsApp conteste a los pacientes, un gerente que pide presupuesto.
Los filtros clásicos no lo resuelven. Una lista de palabras bloquea a clientes reales que mencionan “SEO” y deja pasar las ofertas escritas de otra forma. Un captcha frena a los bots, pero no a una persona que pega una plantilla. Por eso el formulario tiene varias capas: un campo oculto que solo rellenan los bots, una comprobación del tiempo que se ha tardado en rellenarlo, un límite de mensajes por conexión y, al final, Jev.
A Jev le hacemos dos preguntas sobre cada mensaje. La primera es una Choice con cuatro respuestas posibles (la escribimos en inglés, el idioma en el que Jev rinde mejor, aunque los mensajes lleguen en español):
"kind": {
"type": "choice",
"instructions": "What kind of message is this submission to the website's contact form?",
"criteria": {
"lead": "A potential client asking about AITOMATIK's services, even if short, vague or badly written, in any language.",
"other_legit": "A real person with a legitimate reason: job application, existing client, a partnership idea specific to AITOMATIK.",
"sales_pitch": "Someone selling their own services to AITOMATIK: SEO, link building, marketing, lead lists, outsourced development...",
"junk": "Scam, phishing, crypto, adult content, gibberish or automated junk."
}
}Es decir: posible cliente, otro motivo legítimo (una candidatura, un cliente actual), alguien que nos quiere vender algo, o basura. La segunda es una Noul: “¿Este mensaje es spam del que no hay que avisar al equipo?”. Junto con el mensaje, le pasamos a Jev una breve descripción de quiénes somos y qué hacemos, para que distinga una consulta sobre nuestros servicios de una plantilla que nunca se escribió pensando en nosotros.
Las reglas que actúan sobre la respuesta están en nuestro código, no en el modelo:
- Si la probabilidad de “oferta comercial” más “basura” llega al 80 %, el equipo no recibe aviso.
- No se borra nada. Todos los mensajes se guardan y se pueden consultar en nuestro panel, con las probabilidades que les dio Jev.
- Si la comprobación falla (un tiempo de espera, un error), el mensaje cuenta como legítimo. Un cliente real nunca debe perderse porque falle un filtro.
Para que veas cómo son las respuestas, mientras escribíamos esta guía pasamos tres mensajes típicos. Una clínica de Palma que pide en español que su WhatsApp conteste a los pacientes: 100 % posible cliente. Una oferta de SEO en inglés que promete el primer puesto en Google: 96 % spam. Una agencia de desarrollo extranjera que ofrece programadores a 15 $ la hora, en español: 88 % spam. Cada respuesta tardó menos de un segundo y costó tres milésimas de céntimo.
Otro ejemplo: que los tratos no salgan de la plataforma
En los marketplaces y plataformas donde clientes y profesionales hablan por un chat hay un problema conocido: en cuanto se conocen, algunos usuarios se pasan el teléfono y cierran el trato por fuera, y la plataforma pierde su comisión. Montamos una comprobación justo para esto en la plataforma de un cliente.
Detectar un teléfono completo o un correo es fácil con código: una expresión regular los caza. Lo difícil es todo lo demás que hace la gente cuando sabe que la vigilan:
- “Búscame en Insta como laura.diseno”.
- “Mi número empieza por seis uno dos…” y el resto en el siguiente mensaje.
- Un dígito por mensaje, repartido en una docena de mensajes.
- “Agrégame en la app verde”, “busca mi nombre en LinkedIn”, “te paso mis datos en el portfolio”.
Un filtro hecho solo con código o se le escapan estos casos o bloquea media conversación normal. Por eso la comprobación combina las dos cosas: el código caza los patrones evidentes, y Jev lee los últimos mensajes de la conversación juntos y responde a una pregunta Noul: “¿Alguien está intentando compartir sus datos de contacto o sacar la conversación de la plataforma?”. Con la conversación como contexto, detecta un número partido en varios mensajes o un usuario de redes escrito para burlar el filtro. Según la probabilidad, la plataforma muestra un aviso, oculta el mensaje o marca la conversación para que la revise el equipo.
Lo que lo hace viable es el precio. Revisar cada mensaje de una plataforma con mucho movimiento usando un modelo de chat costaría más de lo que muchas plataformas ganan en comisiones. Con Jev son unos céntimos por cada mil mensajes. Y no es la única opción: otros modelos de decisión hacen algo parecido, así que conviene probarlos con tus conversaciones reales. Si lo haces, avisa a tus usuarios en las condiciones de uso de que el chat se supervisa con este fin: son datos personales y el RGPD obliga a informarles.
Para qué más sirve Jev en una empresa
El esquema siempre es el mismo: entra información, sale una decisión con su probabilidad, y las reglas que actúan sobre ella están en tu código. La propia lista de usos de TypeSafe y los proyectos publicados hasta ahora apuntan a estos como los más útiles para una empresa:
| Área | Decisiones que puede tomar Jev | Ejemplo |
|---|---|---|
| Atención al cliente | Tipo de consulta, urgencia, enfado, riesgo de baja, peticiones de reembolso, si una respuesta cumple tu política | Mandar cada incidencia a la cola correcta y dejar que solo las respuestas seguras salgan solas |
| Ventas y contactos comerciales | Encaje con tu cliente ideal, intención de compra, qué servicio le interesa | Priorizar los contactos que llegan antes de que nadie del equipo los lea |
| Selección de personal | Experiencia relevante, competencias necesarias, encaje con el puesto | Filtrar miles de candidaturas y mandar las dudosas a un reclutador |
| Marketplaces y plataformas | Anuncios prohibidos o falsificaciones, reseñas falsas, datos de contacto compartidos en el chat | Revisar cada anuncio y cada mensaje sin un equipo que los lea todos |
| Moderación | Insultos, acoso, spam, fraude, datos personales expuestos, peticiones de baja | Comentarios, reseñas y mensajes de comunidades o grupos de WhatsApp |
| Seguros y siniestros | Complejidad, información que falta, indicios de fraude | Separar los partes sencillos que pueden tramitarse ya de los que necesitan un perito |
| Cumplimiento y legal | Cláusulas que faltan, afirmaciones publicitarias que no puedes hacer, incumplimientos de políticas | Revisar contratos o textos de marketing antes de que salgan y escalar los dudosos |
| Documentos y correo | Tipo de documento, departamento, plazos | Facturas a administración, currículums a selección, notificaciones con plazo a quien corresponda |
| Revisar a otras IA | Si un borrador responde a lo que se preguntó, si cita bien la fuente, si promete algo que no debería | La comprobación de “¿puede salir solo?” antes de enviar una respuesta de la IA |
| Elegir el modelo | Lo compleja que es una petición | Mandar las preguntas sencillas a un modelo barato y las complejas a uno potente o a una persona |
El ejemplo mejor documentado hasta ahora es el caso de Jack & Jill que ha publicado TypeSafe: un marketplace de selección que usa IA para emparejar candidatos con empresas. Sustituyó Gemini 3.1 Flash Lite por Jev en una fase de su filtro de candidatos: el coste por cada mil candidatos bajó de 0,755 $ a 0,092 $ (un 88 % menos), el tiempo medio se redujo a la mitad, de 20,3 a 10,3 segundos, y la calidad de la preselección no cambió de forma estadísticamente significativa. Es un caso publicado por la propia TypeSafe, pero las cifras son concretas e incluyen el punto de partida.
Ya contamos este enfoque en nuestras páginas de IA para clínicas, restaurantes, gestorías y asesorías y administradores de fincas: la IA redacta, Jev decide qué puede salir solo y una persona se ocupa del resto.
Límites y riesgos de Jev
Jev es nuevo, y la propia TypeSafe publica una lista de sus puntos débiles. Estos son los que más importan en una empresa:
- Su mejor idioma es el inglés. TypeSafe dice que entiende otros idiomas, pero no igual de bien, y recomienda probar con tu propio contenido. Nuestras pruebas en español han ido bien, pero prueba con tus mensajes reales antes de fiarte. Un truco que nos funciona: escribir las preguntas y los criterios en inglés aunque los mensajes lleguen en español.
- Lee al pie de la letra. Responde exactamente lo que has escrito, no lo que querías decir. Si una categoría es ambigua, fallará. Escribir criterios claros para cada opción es la mayor parte del trabajo.
- Ni cuentas, ni fechas, ni contar. Si una factura pasa de 500 € o si una fecha entra en el plazo de devolución se calcula en el código, no se le pregunta al modelo.
- Un texto escrito para engañarlo puede influirle. Un mensaje de spam que insiste en que es una consulta legítima puede mover la probabilidad. Por eso lo combinamos con otros filtros y nunca borramos nada de forma automática.
- El orden de las opciones influye un poco. TypeSafe ha visto que tiende ligeramente a la primera opción de una Choice. Al probar, cambia el orden y comprueba que la respuesta se mantiene.
- Los textos largos le restan precisión. Funciona mejor con la información justa que necesita la pregunta, no con un documento entero lleno de detalles que no vienen al caso.
- Datos personales. Las peticiones pasan por OpenRouter hasta TypeSafe, en Estados Unidos. TypeSafe dice que no entrena a Jev con datos de clientes, y ofrece contrato de tratamiento de datos y retención cero para clientes empresariales. Si le envías nombres, correos o mensajes de clientes, inclúyelo en tu registro de tratamientos del RGPD y manda solo lo que la decisión necesita. Explicamos cómo plantearlo en nuestra guía sobre IA y RGPD.
- Está empezando. La forma de llamarlo en OpenRouter es alfa, las versiones cambian cada pocas semanas y la mayoría de las cifras de rendimiento son de la propia TypeSafe. Fija la versión del modelo que has probado (
jev-1.13,jev-1.14) en lugar de usar siempre la última.
Cómo empezar con Jev en tu empresa
- Elige una decisión repetitiva y acotada que se tome muchas veces al día: ordenar mensajes, aprobar respuestas, filtrar contactos.
- Reúne un centenar de ejemplos reales con la respuesta que habría dado una persona.
- Escribe las preguntas y los criterios de cada opción, claros y concretos.
- Ponlo en modo sombra: Jev decide, pero una persona sigue haciendo el trabajo, y comparas.
- Fija los umbrales según lo que hayas visto: cuándo actúa solo y cuándo pide revisión.
- Actívalo poco a poco y sigue revisando los casos dudosos.
Cómo lo hacemos en Aitomatik
Usamos Jev en nuestra propia web y en las automatizaciones que montamos para clientes, como la capa que decide qué puede hacerse solo y qué necesita a una persona. Diseñamos las preguntas con tu equipo, las probamos con tus datos reales antes de activar nada y las conectamos con tus sistemas, dentro de la propia automatización. Si resulta que basta con una regla sencilla, te lo diremos.
Preguntas frecuentes
¿Jev es un LLM? No en el sentido habitual. Entiende el lenguaje natural como un modelo de lenguaje, pero no genera texto: solo devuelve probabilidades para las respuestas que tú defines. TypeSafe lo llama modelo System One.
¿Jev puede alucinar? No puede inventarse una respuesta fuera de las opciones que le das, ni devolver un formato roto. Sí puede elegir la opción equivocada, así que conviene poner umbrales y mandar los casos dudosos a una persona.
¿Cuánto cuesta Jev? 0,042 $ por millón de tokens de entrada, y la salida es gratis. En nuestro caso, clasificar un mensaje del formulario de contacto cuesta 0,00003 $, unos 3 céntimos por cada mil mensajes.
¿Jev funciona en español? Sí, aunque su mejor idioma es el inglés y TypeSafe recomienda probar con tu propio contenido. En nuestras pruebas con mensajes en español clasificó bien y con probabilidades altas.
¿Jev puede redactar respuestas o explicar sus decisiones? No. Para redactar, usa un modelo de chat. Jev decide; por ejemplo, si la respuesta de ese modelo puede enviarse sin revisión.
¿Cómo se accede a Jev? A través de OpenRouter, con una clave de API y sin lista de espera, o con la API y las librerías para Python y JavaScript de la propia TypeSafe.
¿Quieres automatizar las decisiones que tu equipo toma cada día?
Si tu equipo pasa horas ordenando mensajes, aprobando respuestas o filtrando contactos, seguramente ahí hay una decisión que Jev puede tomar por una fracción de céntimo. Cuéntanoslo en una llamada gratuita y te enseñamos cómo lo montaríamos, con cifras reales de tu caso.
