TL;DR

• Jev no está pensado para escribir: está diseñado para tomar decisiones estructuradas dentro de software.

• Puede responder cosas como qué categoría elegir, qué tan urgente es algo o qué acción ejecutar después.

• Encaja bien en CRM, soporte, agentes, moderación, educación y routing.

• TypeSafe publica un precio de alrededor de US$0.042 por 1M tokens de entrada.

• La idea fácil de recordar es: Jev decide → Claude/GPT genera → tu código ejecuta.

Estamos usando modelos enormes como GPT o Claude incluso para decisiones pequeñas: “¿este lead es caliente?”, “¿este ticket es facturación?” o “¿qué tool debería ejecutar mi agente?”. Jev propone separar ese problema: en vez de generar texto, recibe contexto y devuelve decisiones tipadas con probabilidades que tu código puede usar directamente.

Jev está hecho para decidir, no para conversar

TypeSafe presenta a Jev como su primer System One Model: un modelo orientado a decisiones rápidas y estructuradas. En lugar de pedirle “respóndeme sobre este ticket”, puedes hacer preguntas concretas con primitivas como Choice, Noul y Score. Fuente: TypeSafe.

Claude / GPT
→ genera una respuesta

Jev
→ elige
→ puntúa
→ estima una probabilidad

La diferencia parece pequeña, pero cambia bastante la arquitectura. Si tu aplicación solo necesita decidir entre ventas, soporte o facturación, no necesitas obligatoriamente generar un párrafo y luego interpretarlo.

Ejemplo 1: clasificar un ticket de soporte

Supón que llega este mensaje:

"Me cobraron dos veces y necesito el reembolso hoy."

Con el SDK de TypeSafe puedes preguntarle varias cosas en una sola llamada:

from typesafe_sdk import Choice, Noul, Score, TypeSafeClient

state = {
    "ticket": "Me cobraron dos veces y necesito el reembolso hoy."
}

with TypeSafeClient() as client:
    response = client.system_one(
        state=state,
        questions={
            "area": Choice(
                instructions="¿Qué equipo debe atender el ticket?",
                criteria={
                    "facturacion": "Cobros, reembolsos o facturas.",
                    "soporte": "Errores o problemas técnicos.",
                    "ventas": "Precios, planes o intención de compra."
                }
            ),
            "urgente": Noul(
                instructions="¿El cliente expresa urgencia?"
            ),
            "frustracion": Score(
                instructions="¿Qué tan frustrado está el cliente?",
                criteria=[
                    "Calmado",
                    "Molesto",
                    "Muy frustrado"
                ]
            )
        }
    )

Tu aplicación podría recibir una decisión como:

área: facturación
urgente: 0.91
frustración: 0.72

Y después tu código decide qué hacer. No necesitas pedirle al modelo que redacte nada.

Ejemplo 2: CRM y WhatsApp Seller

Este es uno de los casos más fáciles de entender. Imagina que alguien escribe:

"Vi el plan Pro. ¿Puedo pagar anual y empezar hoy?"

Jev puede decidir si ese contacto está comprando, preguntando o buscando soporte.

questions = {
    "intent": Choice(
        instructions="¿Cuál es la intención principal del mensaje?",
        criteria={
            "comprar": "Quiere contratar o pagar.",
            "consulta": "Busca información.",
            "soporte": "Ya es cliente y necesita ayuda."
        }
    ),
    "alta_intencion": Noul(
        instructions="¿Hay señales claras de intención de compra?"
    )
}

Entonces puedes construir algo como:

WhatsApp
   ↓
Jev
   ↓
comprar: 94%
   ↓
Claude
   ↓
redacta una respuesta personalizada
   ↓
tu código
   ↓
envía el mensaje

Ahí Jev y Claude no compiten. Cada uno hace un trabajo distinto.

Ejemplo 3: elegir la siguiente tool de un agente

Un agente puede tener acceso a cinco herramientas: buscar en internet, consultar el CRM, revisar una base de datos, enviar un email o pedirle a un LLM que razone.

En vez de mandar cada microdecisión a un modelo generativo, puedes pedirle a Jev que elija la siguiente acción:

questions = {
    "next_tool": Choice(
        instructions="¿Cuál es la mejor siguiente acción?",
        criteria={
            "search": "Necesita información externa.",
            "crm": "Necesita datos del cliente.",
            "database": "Necesita datos internos.",
            "email": "Ya puede contactar al usuario.",
            "reason": "Necesita razonamiento adicional."
        }
    )
}

Este patrón es especialmente interesante en agentes porque pasan gran parte del tiempo tomando decisiones pequeñas: qué herramienta usar, si continuar, si escalar o si detenerse.

¿Dónde usaría Jev?

CasoQué decide Jev CRMlead caliente / tibio / frío WhatsApp sellercomprar / preguntar / soporte Soportecategoría + prioridad Tutor IAentendió / necesita refuerzo Agentequé herramienta usar después Moderaciónpermitir / revisar / bloquear Emailventas / soporte / spam / urgente

Ya hay proyectos usando Jev para decisiones reales

Los primeros repositorios públicos ya muestran patrones concretos: triage de tickets, selección de acciones, clasificación, re-ranking y guardrails. Por ejemplo, proyectos como awesome-jev-by-typesafe incluyen workflows de soporte y routing; otros usan Jev para evaluar comandos antes de ejecutarlos o decidir la próxima acción de un agente.

La idea común es la misma: el código mantiene el workflow y Jev entra solo donde hace falta juicio semántico.

¿Cuánto cuesta Jev?

TypeSafe publica Jev alrededor de US$0.042 por millón de tokens de entrada, con output sin costo medido en ese esquema. Vercel también lo lista alrededor de US$0.04 por millón de tokens de entrada. TypeSafe · Vercel.

TypeSafe también reporta benchmarks donde Jev llega a ser hasta 193.6× más rápido y 444.6× más barato que ciertos workflows construidos con LLMs tradicionales. Hay que tomar esas cifras como benchmarks del proveedor, no como garantía para cualquier aplicación.

Jev no reemplaza a Claude o GPT

Para mí, esta es la forma más fácil de entenderlo:

Jev
↓
decide qué hacer

Claude / GPT
↓
razona o genera

Código
↓
ejecuta

Si necesitas escribir un email, programar, conversar o resolver algo complejo, usaría Claude o GPT. Si necesitas tomar miles de decisiones pequeñas y estructuradas, ahí Jev empieza a tener sentido.

Lo interesante no es solo Jev: es separar decidir de generar

Mi lectura es que el aporte importante no es únicamente un nuevo modelo. Es empezar a separar responsabilidades dentro de una aplicación con IA.

No necesitas un modelo gigante para cada decisión pequeña.

Si esta arquitectura funciona bien en producción, podemos empezar a ver agentes más baratos y rápidos donde un modelo especializado decide, otro modelo genera y el software conserva el control de la ejecución.

FAQ

¿Qué es Jev?

Jev es el primer System One Model presentado por TypeSafe. Está diseñado para tomar decisiones estructuradas sobre un estado o contexto, en vez de centrarse en generar texto.

¿Jev puede reemplazar a ChatGPT o Claude?

No es el objetivo principal. Jev encaja mejor como capa de decisión; Claude o GPT siguen siendo útiles cuando necesitas generación, conversación o razonamiento complejo.

¿Qué tipos de respuestas entrega Jev?

TypeSafe expone primitivas como Choice para elegir entre opciones, Noul para probabilidades tipo sí/no y Score para puntuar algo.

¿Cuándo tiene sentido usarlo?

Cuando tu aplicación toma muchas decisiones repetitivas: routing, clasificación, scoring, moderación, selección de herramientas o evaluación de estados.

¿Jev sirve para agentes?

Sí. Uno de los patrones más interesantes es usarlo para decidir qué acción o herramienta debe ejecutar un agente antes de delegar tareas más complejas a un LLM generativo.

¿Cuál sería el siguiente experimento?

Yo probaría algo simple y medible: construir un WhatsApp Seller con Jev + Claude y comparar costo, latencia y calidad contra usar solo Claude. Ahí se ve rápido si la arquitectura realmente vale la pena.