Jev: pequeñas decisiones que pueden cambiar la inteligencia artificial
Detectar una petición urgente entre miles de mensajes, decidir qué herramienta debe usar un agente y comprobar sus respuestas antes de entregarlas: Jev propone convertir esas pequeñas decisiones en una pieza rápida y económica del software. Si logra mantener la precisión a gran escala, podría hacer que la IA resolviera muchos más pasos del trabajo cotidiano. Su historia acaba de empezar, pero las primeras integraciones y pruebas ya permiten explicar qué aporta y dónde están sus límites.
Una historia que empieza antes de Jev
La trayectoria arranca en la investigación que hizo más útiles a los modelos conversacionales. Diogo Almeida figura entre los autores del trabajo de InstructGPT, publicado en marzo de 2022: combinaba ejemplos humanos y valoraciones de respuestas para enseñar a los modelos a seguir instrucciones. Aquel artículo ya advertía que mejorar su comportamiento no eliminaba sus errores. Investigación original de InstructGPT ↗
Almeida acabaría planteándose otra pregunta: ¿cómo convertir esa inteligencia en una pieza que el software pueda utilizar de forma rutinaria? El 15 de septiembre de 2026, después de dos años de trabajo discreto según su fundador, TypeSafe presentó Jev en acceso anticipado. La empresa denominó System One a esta familia de modelos y explicó que había desarrollado una arquitectura, un sistema de muestreo paralelo y un entrenamiento orientado a decisiones calibradas, al que llama RLCD. Anuncio de TypeSafe ↗
Ese mismo día, DCVC anunció que lideraba una ronda semilla de 40 millones de dólares. El inversor vincula la apuesta a automatizar trabajo económicamente útil. Es una señal de financiación y de ambición empresarial; por sí sola no acredita el rendimiento del modelo. Anuncio del inversor ↗
Qué hace y por qué importa
Imaginemos una empresa que recibe mensajes de clientes. Un correo puede mezclar una incidencia, una petición de devolución y señales de urgencia. Jev puede evaluar ese contexto mediante preguntas concretas: qué equipo debería atenderlo, qué prioridad asignar o con qué probabilidad requiere revisión. Este es un ejemplo ilustrativo, no un resultado medido en un cliente de Olduvia.
La documentación describe tres salidas: una elección entre opciones, una puntuación sobre una escala y una probabilidad para una pregunta de sí o no. El programa define las alternativas y utiliza la respuesta para continuar. Varias preguntas sobre el mismo contexto pueden evaluarse en paralelo. LangChain muestra cómo aplicar ese mecanismo a elegir modelos y a revisar llamadas a herramientas dentro de un agente. Integración y ejemplos de LangChain ↗
El contexto debe contener los datos necesarios para decidir. La documentación consultada especifica entrada textual, incluidos objetos y listas de texto; no admite directamente imágenes, audio o vídeo. También señala que el entrenamiento principal es en inglés y que otros idiomas tienen actualmente menor precisión. Para una empresa española, comprobar el comportamiento con sus propios mensajes en castellano es parte esencial de la evaluación. Qué entradas admite Jev ↗
Del anuncio a las primeras pruebas
En pocos días aparecieron resultados que permiten ir más allá de la presentación comercial. El 20 de septiembre, LangChain publicó una comparación sobre cinco respuestas de un agente meteorológico, repetidas cien veces por modelo. Jev coincidió con la etiqueta del revisor humano en las 500 decisiones binarias. Registró una media de 0,44 segundos por llamada y un coste de 0,00035 dólares por llamada en ese experimento.
La escala de la prueba importa: eran cinco casos repetidos, no quinientos problemas diferentes ni una evaluación general de toda la inteligencia del modelo. Los autores reconocen que una respuesta puede ser muy consistente y, aun así, estar equivocada. También publican limitaciones de reproducibilidad, como la ausencia de la versión del servicio Jev en sus metadatos. Prueba y metodología de LangChain ↗
El 21 de septiembre, LangSmith anunció la incorporación de Jev como evaluador. Esa integración permite convertir ejecuciones de agentes en valoraciones estructuradas. Su aportación práctica es facilitar comprobaciones frecuentes del comportamiento del software; la calidad de esas comprobaciones sigue dependiendo de las preguntas y de su contraste con personas. Disponibilidad en LangSmith ↗
Cuando decidir rápido se combina con pensar a largo plazo
Los primeros trabajos de investigación exploran precisamente esa colaboración. Jev-Mem, presentado en arXiv el 21 de septiembre, propone un sistema en el que un controlador rápido organiza y recupera recuerdos, mientras otro modelo se ocupa del razonamiento complejo y de elaborar la respuesta. Sus autores comunican mejoras en su evaluación de memoria. Es una propuesta experimental reciente, no una garantía de mejora para cualquier agente. Estudio Jev-Mem ↗
JEV-Star, enviado a arXiv el 23 de septiembre, ensaya otra combinación: Jev selecciona acciones y GPT-6 mantiene la planificación en StarCraft II. El sistema conjunto ganó cuatro partidas completas frente a niveles 5 a 7 de la IA integrada, incluidas dos victorias en el nivel 7. El trabajo compara sistemas completos con cambios adicionales en sus interfaces: no permite atribuir por separado toda la mejora a un único componente. Tampoco equivale a vencer a jugadores profesionales. Experimento JEV-Star ↗
La diferencia entre responder bien formado y responder bien
TypeSafe anuncia grandes ventajas de velocidad y coste en sus propias pruebas, pero reconoce que los resultados más llamativos pueden situarse en la parte alta de lo que se consiga fuera de ellas. También utiliza la idea de que Jev no puede alucinar al no generar texto libre. Conviene interpretar esa afirmación con precisión: restringir las salidas impide inventar un formato o una opción que no existe; no demuestra que la opción elegida sea verdadera. Resultados y matices del fabricante ↗
Un estudio sobre comprensión de contratos, enviado a arXiv el 23 de septiembre, aporta un contrapeso. Al comparar Jev con nueve modelos de lenguaje, encontró el menor coste y tiempo de respuesta mediano entre las configuraciones estudiadas, mientras otros modelos alojados lograban mayor precisión de partida. Los autores también observaron errores persistentes y variaciones al cambiar cómo se formulaban las peticiones. Es evidencia preliminar de una tarea concreta, pero basta para descartar la idea de una superioridad universal. Comparación en ContractNLI ↗
Cómo podría cambiar la IA a partir de ahora
Lectura de Olduvia. La posibilidad más interesante es repartir mejor el trabajo dentro de las aplicaciones. Un modelo genera o planifica; otro clasifica y puntúa; el código aplica reglas y permisos; una persona revisa las excepciones. Si los costes y la calidad se sostienen, esa distribución puede hacer viables muchas comprobaciones que hoy se omiten por resultar lentas o caras.
Eso permitiría evaluar más respuestas antes de entregarlas, priorizar solicitudes de forma más granular y reservar los modelos más potentes para tareas que los necesitan. El cambio podría resultar poco visible para el usuario: un programa de atención, documentos o ventas resolvería más pasos sin obligarle a abrir otro chat.
Hay condiciones para que ocurra. La rapidez debe acompañarse de precisión en datos reales, comportamiento estable entre versiones, criterios claros para pedir ayuda y costes sostenibles. Multiplicar decisiones baratas también puede multiplicar errores baratos. Por eso el indicador útil es el resultado completo del proceso, incluido lo que cuesta detectar y corregir equivocaciones.
Jev todavía no ha demostrado que vaya a transformar por sí solo el mundo de la IA. Sí ha abierto una discusión concreta sobre cómo construirla: cuánto razonamiento generativo necesita cada paso y cuánto puede resolverse con una decisión acotada. Si esta vía prospera, el avance se medirá en tareas que funcionan de principio a fin, con resultados que una empresa pueda comprobar.