TypeSafe AI · System One Model

Jev

El modelo de IA que no escribe ni una palabra. Y por qué eso, para nosotros, puede ser una ventaja.

Code Review · Sheriff
Bautista Sánchez · Septiembre 2026

choice“billing”0.94

scoreseveridad4.2 / 5

noul¿es urgente?p 0.79

01Problema

Los LLMs son geniales para conversar.

Cuando lo único que necesitas es una decisión que tu software consuma (clasificar, rutear, puntuar), un LLM te cobra dos impuestos que no querías: es lento y alucina.

Para chatear son insuperables. Para decidir, son un cañón para matar una mosca.

02Origen

Ex-OpenAI, cansados del chat.

TypeSafe AI, San Francisco, fundada en 2024 por Diogo Almeida, Erik Gafni y Sasha Sheng. Almeida pasó unos 4 años en OpenAI trabajando en RLHF, InstructGPT, ChatGPT y GPT-4.

Su tesis: la IA ya chatea a nivel superhumano, pero la automatización real seguía sin resolverse. Tras unos 2 años en stealth, lanzan Jev.

2024

Nace TypeSafe

Almeida deja OpenAI y funda la empresa. Empieza el desarrollo en stealth.

15·09·2026

Sale Jev

Early access limitado más una seed de US$40M liderada por DCVC. Valuación cercana a US$200M.

CATEGORÍA

“System One Model”

Primero de su clase. El nombre viene del System 1 de Kahneman: rápido e intuitivo.

03Definición

No genera texto. Devuelve un valor tipado con probabilidad y confianza.

Un LLM te devuelve un string

“Claro, creo que este ticket es de billing, aunque también podría ser de soporte, depende de cómo lo mires…”

Ahora te toca parsear, validar y confiar en que vino bien formado.

Jev te devuelve la decisión

equipo“billing”

probabilidad0.94

confianza0.88

Lo consume tu código directo. Nada que parsear.

04La idea de fondo

Pensar rápido, no pensar en voz alta.

Kahneman separó dos modos de la mente. El System 1 es el juicio veloz que haces sin razonar paso a paso: ¿spam o no?, ¿urgente o no?

Jev automatiza ese reflejo. No delibera, no explica: decide.

05Mecánica

Le pasas un state y le haces preguntas tipadas.

Entrenado con un método propio, RLCD (Reinforcement Learning for Calibrated Decisions), optimizado para probabilidades honestas y solo con datos sintéticos.

06Velocidad

No predice token por token.

Un LLM es autoregresivo: escribe una palabra, se relee entero, escribe la siguiente, cientos de veces. Jev hace parallel sampling y resuelve todo de una.

70 a 500 msJev, punta a punta

3 a 329 sLLMs frontier

07La API

Toda la interfaz son tres primitivas.

01

Choice

Elige una opción de un set declarado (hasta 255). Devuelve la elegida, la probabilidad por opción y la confianza.

02

Score

Puntúa contra una escala ordenada con niveles descritos. Devuelve score continuo, distribución y confianza.

03

Noul

Evalúa una proposición binaria y devuelve la probabilidad (0 a 1) de que sea verdadera. La probabilidad es la señal.

La lógica de negocio vive en tu código, no escondida en un prompt. Descomponible, inspeccionable, mantenible.

08Calibración

Cuando dice 0.9, acierta 9 de 10.

Ese es el punto de RLCD: no lo entrenaron para agradar, lo entrenaron para que su probabilidad signifique algo.

Los LLMs suelen ser sobre-confiados: dicen 0.95 y aciertan 0.7. Con Jev, la confianza es un umbral sobre el que puedes construir reglas.

09Jev vs LLM

Dimensión	Jev	LLM frontier
Output	Valor tipado más probabilidad calibrada	String que hay que parsear y validar
Sampling	Paralelo, una pasada	Token por token (autoregresivo)
Latencia	70 a 500 ms	3 a 329 s
Costo	$0.042 / MTok, output gratis	$0.20 a $10 / MTok, output 5× más caro
Confianza	Siempre calibrada	A menudo sobre-confiada e inconsistente
Contexto	Unos 64.000 tokens	Cientos de miles

Claim de TypeSafe: 40 a 200× más rápido y 40 a 400× más barato en tareas “System One”, con inteligencia comparable.

10La brecha

Dos órdenes de magnitud. En serio.

Benchmark interno de TypeSafe: 193.6× más rápido, 444.6× más barato. A 100 ms puedes meter IA dentro de un loop en tiempo real (una UI, un feed, un juego) sin que el usuario espere.

11Costos

$0.042

por millón de tokens de input. El output es gratis: es diminuto, una decisión y no un párrafo.

El contador arranca en $10, el techo de un LLM frontier.

Ejemplo directo

100.000 requests × 1.000 tokens dan $4.20 en total.

Demo real de un builder

384 titulares en 25 s por $0.19, unas 390× más barato que Claude Opus en la misma tarea.

12Alucinaciones

Dicen: alucinar es *“matemáticamente imposible”**

La respuesta no puede salir del schema que declaras. Cero errores de tipo, cero campos inventados. A nivel de formato, es cierto.

* El matiz que importa

Type-safe garantiza un formato válido, no una respuesta correcta.

Un “billing” equivocado de tu lista permitida sigue siendo un error. Solo que ahora es un error bien tipado.

La confianza calibrada es tu red: úsala como umbral para escalar a un humano o a un LLM.

13Cuándo sí

Reglas de decisión difusas, a escala y en tiempo real.

Clasificar, rutear, etiquetar: un ticket por urgencia, equipo y frustración a la vez.
Batch sobre big data: 1.000 emails con 7 reglas en 6 s por 9 centavos.
Tiempo real donde la UX manda: una extensión etiquetando posts apenas cargan.
Guardrails: verificar y filtrar el output de un LLM antes de mostrarlo.
Relevancia y scoring: churn risk, calidad o severidad como señal previa.

14Cuándo no

Renunció a generar strings. Todo lo que dependa de eso queda fuera.

Escribir: redactar respuestas, resúmenes o texto explicativo.
Razonar duro: aritmética, comparar fechas, análisis complejo, brainstorming.
Contexto largo: unos 64.000 tokens, los documentos extensos quedan fuera.

Conversar: no hay ida y vuelta de diálogo.
Bajo volumen: el setup no se justifica para pocas llamadas.
Security-critical: confianza no es garantía, ojo con inputs adversariales.

El bot de trading que no rindió en su primera hora lo resume: velocidad no es acierto.

15La regla

¿La salida la lee un humano o la consume otro software?

No compiten. Jev es el nervio reflejo, el LLM es la corteza que delibera.

16casos reales

Lo que la gente ya construyó con Jev, en su primera semana.

@nedwize

Clasificador tributario

$0.001

por página, 34× más barato

@johnyeo_

Router para un agente

2×

más rápido su agente de Slack

@steventey

Escáner de links maliciosos

2 h

para un problema de años

@TheMattBerman

Focus group sintético

21.690

decisiones por 22 centavos

@fazlerocks

Ad blocker sin listas

$0.0008

por artículo, 16 anuncios fuera

1/5caso · clasificación tributaria

Nakshatra Saxena@nedwize

Built a tax document classifier with Jev. We ingest thousands of tax documents using an LLM pipeline I built last tax season. I read multiple articles as late as April this year claiming AI fails at tax document classification. Wasn't the case back then, and it's proved wrong again now. Jev classifies 100% of our tax document corpus at $0.001 per page. 34x cheaper and 6x faster than the LLM setup. Open sourcing it: github.com/kyotofin/tax-doc-classifier

Construí un clasificador de documentos tributarios con Jev. Ingerimos miles de documentos tributarios con un pipeline de LLM que armé la temporada de impuestos pasada. Leí varios artículos, incluso en abril de este año, que decían que la IA falla clasificando documentos tributarios. No era así entonces, y ahora vuelve a quedar demostrado. Jev clasifica el 100% de nuestro corpus de documentos tributarios a $0.001 por página. 34 veces más barato y 6 veces más rápido que el setup con LLM. Lo liberamos como open source: github.com/kyotofin/tax-doc-classifier

sin audio · m0:00 / 0:12

2/5caso · router para agentes

John Yeo@johnyeo_

Jev made our Slack agent 2x faster ⚡️ Our agent can be quite slow because it needs to read skills and figure out which tools to call. We used @typesafeai's new model to speed this up by first passing it the prompt and classifying the best skill, tool and params to use before handing it to the agent

Jev hizo que nuestro agente de Slack sea 2 veces más rápido ⚡️ Nuestro agente puede ser bastante lento porque necesita leer skills y decidir qué herramientas llamar. Usamos el nuevo modelo de @typesafeai para acelerarlo: primero le pasamos el prompt y clasifica la mejor skill, herramienta y parámetros antes de entregárselo al agente.

sin audio · m0:00 / 1:02

3/5caso · detección de abuso

Steven Tey@steventey

Weekend project: Building a malicious link scanner for @dubdotco with Jev. Our free dub.sh link shortener is a great lead gen tool, but it gets its fair share of abuse from bad actors. So I decided to feed a list of 10K+ malicious domains we’ve caught in the past into Jev… …and trained it to detect and flag malicious-looking URLs. Best part? With how token-efficient Jev is, the cost for this is almost negligible. This has been something that we’ve been wrestling with since day one. With Jev, we solved it in 2 hours 🤯

Proyecto de fin de semana: un escáner de links maliciosos para @dubdotco con Jev. Nuestro acortador gratuito dub.sh es una gran herramienta para generar leads, pero recibe su cuota de abuso de malos actores. Así que decidí alimentar a Jev con una lista de más de 10K dominios maliciosos que hemos detectado en el pasado… …y lo entrené para detectar y marcar URLs de aspecto malicioso. ¿Lo mejor? Con lo eficiente que es Jev en tokens, el costo es casi despreciable. Era algo con lo que veníamos peleando desde el primer día. Con Jev, lo resolvimos en 2 horas 🤯

sin audio · m0:00 / 0:08

4/5caso · focus group sintético

Matthew Berman@TheMattBerman

jev KILLED the focus group. it scrolled 723 ads as 30 buyer personalities 21,690 stop or scroll decisions. 22 cents. (will be avail in @StealAds + mcp)

citando: jev is INSANE. in 40 seconds it broke down 724 live ads from 37 brands. every hook. every format. offer. cta. awareness stage. landing page mismatch. used 9 cents of tokens.

jev MATÓ al focus group. scrolleó 723 anuncios como 30 personalidades de compradores 21.690 decisiones de detenerse o seguir scrolleando. 22 centavos. (pronto disponible en @StealAds + mcp)

citando: jev es una LOCURA. en 40 segundos desglosó 724 anuncios activos de 37 marcas. cada hook, cada formato, oferta, cta, etapa de awareness, desajuste con la landing. usó 9 centavos de tokens.

sin audio · m0:00 / 0:55

5/5caso · ad blocker en vivo

Fazle Rahman@fazlerocks

jev helped me build my own ad blocker - apple safari-inspired thanos snap … INSANE! w/o any hardcoded filter lists. looks at each element and decides: ad or not in one article: 16 ads gone, ~20k tokens, $0.0008 cached for next visit open source, byok, repo below @typesafeai

jev me ayudó a construir mi propio bloqueador de anuncios, con un chasquido estilo Thanos inspirado en Safari… ¡UNA LOCURA! sin listas de filtros hardcodeadas. mira cada elemento y decide: anuncio o no en un artículo: 16 anuncios eliminados, ~20k tokens, $0.0008 queda en caché para la próxima visita open source, byok, repo abajo @typesafeai

sin audio · m0:00 / 0:37

17Resumen

Jev cambia conversación por decisión tipada, calibrada, unas 100× más rápida y barata.

Brillante para clasificar, rutear y puntuar a escala. Inútil para escribir o razonar. Un modelo nuevo, no un LLM mejor.

System One Choice · Score · Noul $0.042 / MTok 70 a 500 ms type-safe no es correcto RLCD, calibrado

Fuentes: TypeSafe AI blog · Wikipedia “Jev (AI model)” · Requesty · MindStudio · LangChain · Towards Data Science. Consultadas el 24·09·2026.

Gracias.

Preguntas, y después revisamos los casos de uso en vivo.

Jev · TypeSafe AI
Code Review · Sheriff

Jev