TypeSafe AI Jev: modelos System One y flujos de agentes

TypeSafe AI presentó Jev el 15 de septiembre de 2026 como su primer System One Model: un modelo para tomar decisiones rápidas y tipadas dentro del software, sin generar texto para personas.

La aplicación envía texto o estado estructurado y preguntas predefinidas. Jev devuelve opciones, puntuaciones y probabilidades de sí o no que el código puede comprobar. No redacta respuestas, explica razonamientos, inventa herramientas ni decide autónomamente el siguiente paso.

La interfaz limitada es su propósito. Muchas llamadas de producción a un LLM solo necesitan una categoría, riesgo, ruta o pequeña respuesta estructurada. Jev se especializa en ello con salidas paralelas, incertidumbre explícita y un coste y latencia anunciados inferiores.

Qué es Jev

Es un modelo alojado que acepta estado en lenguaje natural y responde únicamente con estructuras definidas antes de llamar. La interfaz comprende:

1. Estado: pruebas como un ticket, una traza, un documento o un objeto JSON.
2. Preguntas: juicios acotados con criterios y forma de respuesta definidos.
3. Lógica de aplicación: umbrales, reglas, efectos, alternativas y escalado que pertenecen al código.

La documentación enumera jev-1.13.0 y el alias estable jev-latest. Acepta texto, objetos JSON y listas de texto; no imágenes, audio ni vídeo directamente. El límite es de 64,000 tokens por petición, además de 32,000 para el estado más la pregunta individual más larga.

No es un agente: carece de bucle autónomo, memoria, navegador y ejecutor. Es una primitiva aprendida de decisión que se llama en puntos concretos.

Qué significa System One

Es el nombre de TypeSafe para modelos de juicio rápido y enfocado. Alude a Pensar rápido, pensar despacio de Daniel Kahneman: sistema 1 intuitivo y rápido frente a sistema 2 deliberado y lento.

Encajan preguntas que una persona conocedora resolvería pronto al ver las pruebas: equipo responsable, presencia de inyección de prompt, gravedad, documento que apoya una afirmación o reversibilidad de una acción.

No encajan redactar una respuesta, planear y ejecutar investigación, calcular un reembolso complejo, corregir un repositorio o explicar detalladamente por qué algo es correcto. Requieren generación, cálculo exacto o razonamiento prolongado.

TypeSafe explica que entrena con Reinforcement Learning for Calibrated Decisions (RLCD), orientado a que las probabilidades correspondan a la frecuencia de acierto de juicios similares, no a que el texto guste.

La calibración es una propiedad de conjuntos, no garantía individual: un 90% aún puede fallar. La aplicación debe medirla con sus datos y decidir cuándo automatizar, confirmar, llamar a un modelo de razonamiento o derivar a una persona.

Tres primitivas

La API permite mezclarlas en una petición; se evalúan independientemente sobre el mismo estado.

Choice es relativo: añade other o no_match si ninguna opción puede corresponder. Score usa niveles descriptivos, no es una calculadora financiera. Noul no tiene una propiedad confidence adicional y varias condiciones pueden ser verdaderas simultáneamente.

Las preguntas no forman una cadena oculta de pensamiento: son independientes y paralelas. Si una respuesta cambia las pruebas u opciones siguientes, el código debe construir otro estado y enviar una segunda petición.

Ejemplo de enrutamiento

Una solicitud de cuenta puede resolverse con base de datos, LLM especializado o revisión humana. Un LLM general puede devolver JSON, pero exige análisis, validación, reintentos y vigilancia de valores inventados. Con el SDK JavaScript puedes acotar así:

import { choice, noul, score, TypeSafeClient } from "@typesafe-ai/sdk";
 
const client = new TypeSafeClient();
 
const result = await client.systemOne({
  state: {
    userMessage,
    accountStatus,
    availableHandlers: ["lookup", "specialist_llm", "human_review"],
  },
  questions: {
    handler: choice("Which handler should receive this request?", {
      lookup: "A factual request answerable from account data",
      specialist_llm: "A request that needs language generation or reasoning",
      human_review: "A sensitive, ambiguous, or exceptional request",
    }),
    risk: score("How risky would it be to act on this request incorrectly?", [
      "Low: easy to reverse and no sensitive change",
      "Medium: meaningful user impact but recoverable",
      "High: financial, destructive, or difficult to reverse",
    ]),
    missingContext: noul(
      "Is information required to handle this request missing from the state?",
    ),
  },
});
 
const handler = result.answers.handler;
const risk = result.answers.risk;
 
if (
  result.answers.missingContext.noul > 0.6 ||
  handler.confidence < 0.65 ||
  risk.score > 1.5
) {
  await sendToHumanReview(userMessage);
} else if (handler.choice === "lookup") {
  await runAccountLookup(userMessage);
} else {
  await runSpecialistModel(userMessage);
}

Los números son ilustrativos, no recomendaciones universales. Ajusta umbrales con ejemplos etiquetados, coste del error y calibración observada en tráfico propio.

Jev aporta juicios semánticos; el código controla destinos permitidos, política, efectos y respaldo. No puede ejecutar una herramienta no listada porque ejecutar no pertenece a su espacio de salida.

Papel en un agente

Un agente interpreta objetivos, elige acciones, usa herramientas y observa dentro de un bucle con estado. Jev es un evaluador limitado que encaja donde conviene reducir libertad.

Antes de ejecutar

Puede clasificar intención y enviar peticiones simples a código, detectar casos para especialistas o personas, puntuar urgencia y riesgo, filtrar intentos de jailbreak y decidir qué contexto o herramientas entregar. Evita recorridos caros para consultas simples, flujos conocidos, spam o casos que no deben automatizarse.

Dentro del bucle

Sirve para ordenar habilidades, seleccionar acciones candidatas, comprobar suficiencia de pruebas, repartir entre modelos baratos, especializados y de razonamiento, evaluar reversibilidad y aprobaciones y procesar muchos juicios independientes de una vez.

El ejemplo de sugerencia de habilidades selecciona entre 182 en dos etapas: clasifica todo el catálogo y después inspecciona candidatos, pudiendo rechazarlos todos. Reduce contexto sin reemplazar al agente que usa la habilidad.

Después de la respuesta

Puede comprobar políticas, comparar citas y afirmaciones con fuentes, puntuar fragmentos recuperados, detectar trazas para revisión inmediata y derivar resultados inciertos o de alto riesgo. El LLM conserva lenguaje, planificación y razonamiento; Jev reemplaza pequeñas llamadas de etiqueta a su alrededor.

Comparación con un LLM

El modo JSON de un LLM restringe la serialización. Jev convierte la decisión acotada en toda la interfaz, con distribuciones, confianza y paralelismo. Eso lo especializa, no lo hace universalmente superior. Para frases nuevas, parches, explicaciones o planes, usa generación. Para elegir entre seis destinos con incertidumbre, Jev resulta natural.

Qué puede sustituir

Busca llamadas cuyo resultado útil sea mucho menor que el texto generado:

• Clasificadores que solo deben devolver una etiqueta.
• Rutas hacia flujos, agentes, herramientas, colas o modelos.
• Evaluadores de reglas sobre entradas, salidas y acciones.
• Reordenación de candidatos ya recuperados.
• Verificación de extracción: seleccionar entre fragmentos candidatos.
• Puertas de calidad, relevancia, urgencia, gravedad o revisión.
• El mismo juicio limitado repetido sobre registros.

La prueba es: ¿Puedes enumerar las salidas aceptables antes de llamar? Si no, probablemente hace falta generación, recuperación, cálculo o razonamiento.

No reemplaces código determinista por ser barato: aritmética, fechas exactas, restricciones de base de datos, control de acceso, validación y reglas conocidas siguen siendo más fiables en software normal.

Velocidad, precios y afirmaciones de evaluación

El 18 de septiembre de 2026, Jev 1.13 costaba $0.042 por millón de tokens de entrada, $42 por mil millones, sin cobrar salida. TypeSafe declara latencias completas de 70 a 500 milisegundos.

Las cifras 193.6 veces más rápido y 444.6 veces más barato provienen de su evaluación de cuatro flujos: incidentes, observabilidad de agentes, facturas y servicio al cliente. No es un benchmark independiente universal.

• Los flujos son internos, aunque la empresa dice no haberlos diseñado para favorecerlo.
• La precisión se mide frente al promedio de probabilidades de dos modelos externos, no etiquetas objetivas.
• Los resultados publicados pueden estar en el extremo alto de mejoras reales.
• El rendimiento depende de que la tarea tenga forma System One.

La generación autorregresiva puede añadir coste evitable a un juicio cerrado. Reproduce tráfico propio con Jev, una referencia LLM y el código completo antes de estimar ahorro.

¿Cero alucinaciones?

Jev no puede producir un valor fuera del tipo. Una Choice entre billing, technical y sales no inventa legal_department, añade disculpas ni devuelve JSON roto. Ese es el sentido estructural de la garantía.

Puede elegir mal, sobrevalorar una acción riesgosa o interpretar mal una ambigüedad. La documentación de confianza reconoce que la calibración no garantiza cada respuesta.

• Garantía de interfaz: la respuesta respeta el tipo.
• Rendimiento semántico: requiere evaluación representativa.

Un error tipado facilita definir alternativas, pero sigue siendo un error.

Límites actuales

La guía de irregularidades de 1.13 señala fortaleza en juicio semántico común y debilidad en cálculo y razonamiento múltiple.

• No genera respuestas, código, planes ni explicaciones.
• Imágenes, audio y vídeo deben convertirse en texto o campos relevantes.
• Cálculos, recuentos, fechas y reglas numéricas van en código.
• Instrucciones vagas, dobles negaciones y fronteras implícitas pueden fallar.
• Varios saltos de razonamiento reducen fiabilidad; muestra directamente las pruebas.
• Mucho estado irrelevante perjudica incluso dentro del límite.
• No trata el estado como hostil por defecto: inyección y políticas necesitan preguntas precisas y pruebas adversarias.
• Una proposición y su negación en preguntas separadas pueden no sumar exactamente uno.
• El rendimiento fuera del inglés es desigual y exige pruebas de dominio.

Recupera y calcula con código, entrega solo pruebas necesarias y controla las consecuencias mediante políticas explícitas.

Incorporación a producción

1. Identifica llamadas que solo devuelven etiqueta, puntuación, booleano, ID o ruta.
2. Conserva cálculos, permisos, umbrales y efectos en código.
3. Elige Choice para opciones excluyentes, Noul para condiciones independientes y Score para niveles; añade «ninguno» cuando proceda.
4. Minimiza estado con campos relevantes actuales, sin volcar todo el historial.
5. Agrupa preguntas independientes para aprovechar paralelismo.
6. Define rutas de confianza alta, media y baja según coste del error.
7. Reproduce tráfico y compara precisión, calibración, latencia y coste completo.
8. Fija versión si ajustaste umbrales, registra modelo y probabilidades y reevalúa antes de cambiar alias.
9. Define respaldo determinista para tiempos de espera, límites, baja confianza y estado inesperado.

Reemplazar un clasificador limitado crea una base medible mejor que rediseñar todo el agente de entrada.

La habilidad de TypeSafe no es Jev

La habilidad para agentes da a Claude Code, Codex y similares documentación actual de API, preguntas, arquitectura y evaluación. Instalarla no añade Jev al runtime: la aplicación sigue necesitando una clave y llamadas HTTP o SDK Python/JavaScript.

• Habilidad: instrucciones para implementar correctamente.
• Jev: servicio de decisión invocado en producción.
• Tu agente: sistema dueño de objetivos, estado, herramientas y ejecución.

Usa la habilidad durante el desarrollo y Jev en ejecución para seleccionar, enrutar, verificar y controlar por confianza.

Preguntas frecuentes

¿Es un LLM?

TypeSafe lo presenta como otra clase, no como chat reducido. Comprende lenguaje, pero expone decisiones y probabilidades. Ha descrito nueva arquitectura, muestreador paralelo y RLCD, sin detalles suficientes para caracterizar de forma independiente todo el interior.

¿Puede sustituir un LLM?

En clasificación, puntuación, rutas, ordenación y verificación acotadas, sí. No en generación, razonamiento profundo, programación, planificación, extracción abierta o conversación. Muchos sistemas usarán ambos.

¿Puede llamar herramientas?

No por sí mismo. Selecciona opciones o argumentos tipados y el código valida permisos y ejecuta.

¿Se equivoca?

Sí: garantiza estructura, no verdad. Usa probabilidades para revisión y mide con datos reales del dominio.

¿De dónde viene el nombre?

De William Stanley Jevons y la paradoja por la que la eficiencia puede aumentar consumo. La empresa sostiene que abaratar inteligencia desbloqueará más demanda.

¿Cuánto cuesta?

1.13 publica $0.042 por millón de tokens de entrada, salida gratis. Confirma precios, alias y límites en la página oficial.

Conclusión

Jev renuncia a escribir, planear y ejecutar herramientas para ofrecer tipos fijos, distribuciones, confianza y evaluación paralela en juicios de software.

Su papel más atractivo está alrededor de modelos generativos: elegir destinos y habilidades, exigir aprobación o decidir entre aceptar, reintentar y escalar. La autoridad sigue en código y el lenguaje y razonamiento en LLMs. Evalúa llamadas concretas que hoy funcionan como decisiones caras y frágiles, midiendo el resultado completo.