Jev es el primer modelo público de la familia System One de TypeSafe AI: una IA diseñada para tomar decisiones estructuradas dentro de software, no para escribir conversaciones. Si quieres saber qué es, cómo probarlo, cuánto cuesta y si tiene sentido para una empresa en España, esta guía va directamente a eso.
Última revisión editorial: 23 de septiembre de 2026. Los precios, límites y disponibilidad pueden cambiar; enlazamos siempre a la documentación oficial para comprobarlos.
Al pulsar abrimos el asistente en otra pestaña y copiamos un prompt preparado para analizar Jev desde negocio, API, precio, España y límites.
Si el navegador bloquea el portapapeles, el asistente se abrirá igualmente. La URL de esta guía va incluida en el prompt.
¿Qué es Jev de TypeSafe AI?
Jev es un modelo de inteligencia artificial especializado en decisiones cerradas y estructuradas. Recibe un estado —por ejemplo, el texto de un ticket, una solicitud o un registro— y responde preguntas definidas por el desarrollador mediante opciones, puntuaciones o probabilidades. La idea es que el software pueda actuar directamente sobre esa salida.
TypeSafe AI llama a esta categoría System One Models. La compañía la plantea como una alternativa para trabajos donde no necesitas que la IA redacte una respuesta, sino que emita un juicio rápido y utilizable por código. Su primer modelo público es Jev.
La diferencia parece pequeña, pero cambia el diseño del sistema. Con un LLM generativo es habitual pedir: “clasifica este ticket y devuelve JSON”. Con Jev, las posibles respuestas se definen antes de la llamada y el modelo devuelve valores tipados dentro de ese espacio. El código conserva la lógica de negocio, los umbrales y las acciones posteriores.
TypeSafe utiliza expresiones como “zero hallucinations” para referirse a que Jev no puede devolver un valor fuera de las opciones definidas. Eso no significa que todas sus decisiones sean correctas. Puede elegir la opción equivocada y por eso las probabilidades, la evaluación y los umbrales siguen siendo esenciales.
Cómo funciona Jev: estado, preguntas y decisiones
La llamada a Jev tiene tres piezas fáciles de entender:
State
El contenido que Jev debe evaluar: texto, un objeto JSON o una estructura con información relevante.
Questions
Las preguntas concretas que quieres resolver. Varias pueden viajar juntas y compartir el mismo estado.
Typed answers
Respuestas estructuradas que tu programa puede comparar, ordenar o usar para decidir la siguiente acción.
TypeSafe recomienda formular un juicio atómico por pregunta: algo que una persona con conocimiento podría decidir rápidamente si tuviera delante el contexto adecuado. “¿Este mensaje transmite urgencia?” encaja. “Analiza este caso y dime qué hacer” es demasiado amplio y debería descomponerse.
Choice, Score y Noul: las tres primitivas de Jev
| Tipo | Pregunta que resuelve | Qué devuelve | Ejemplo empresarial |
|---|---|---|---|
| Choice | ¿Cuál de estas opciones? | Opción elegida, probabilidades y confianza | Facturación / soporte / ventas |
| Score | ¿En qué nivel está? | Puntuación, niveles, probabilidades y confianza | Gravedad baja / media / alta |
| Noul | ¿Es esto cierto? | Probabilidad entre 0 y 1 | ¿Contiene datos personales? |
Choice sirve cuando las rutas posibles están cerradas. Score funciona cuando existe una escala definida. Noul es útil cuando la señal interesante es la probabilidad de un sí o un no. La documentación oficial insiste en elegir la primitiva según la forma en la que el código vaya a utilizar la respuesta.
Ver documentación oficial de Choice, Score y Noul ↗
Cómo usar Jev paso a paso
Abre el Playground
Entra en la consola de TypeSafe, inicia sesión y prueba un estado con una pregunta sencilla antes de escribir código.
Crea una API key
La documentación indica que la clave se obtiene desde el dashboard y se envía como Bearer token.
Integra el endpoint
La API pública utiliza POST https://api.typesafe.ai/v1/systemone.
Para una primera prueba no empieces por un proceso crítico. Elige una decisión frecuente, reversible y fácil de comprobar: clasificar un ticket, detectar intención, identificar urgencia o puntuar una dimensión ya conocida por el equipo.
Ejemplo de Jev API: clasificar una solicitud y detectar urgencia
Este ejemplo usa un caso propio de Evolupedia para mostrar la estructura de la petición. No es una respuesta ejecutada por nosotros; necesitas tu propia clave para obtener resultados reales.
curl -X POST https://api.typesafe.ai/v1/systemone \
-H "Authorization: Bearer $TYPESAFE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"state": "Necesito cambiar el plan hoy. El cargo se ha duplicado y mañana cierra contabilidad.",
"model": "jev-latest",
"questions": {
"area": {
"type": "choice",
"instructions": "¿Qué equipo debe revisar esta solicitud?",
"criteria": {
"facturacion": "Cobros, pagos o facturas",
"soporte": "Problemas técnicos",
"ventas": "Contratación o cambio de plan"
}
},
"urgente": {
"type": "noul",
"instructions": "¿El mensaje requiere atención urgente por una fecha o impacto inmediato?"
}
}
}'La versión estable documentada actualmente es jev-1.13.0. El alias jev-latest apunta a esa versión y puede moverse cuando TypeSafe publique una nueva. Si vas a calibrar umbrales para producción, fijar una versión concreta facilita reproducir resultados.
Precio de Jev: cuánto cuesta realmente
La documentación de TypeSafe publica para Jev 1.13 un precio de 42 USD por mil millones de tokens de entrada, equivalente a 0,042 USD por millón de tokens. Los tokens de salida figuran como gratuitos.
Eso es el coste del modelo, no el coste total de implantarlo. En un proyecto empresarial también tienes que contar integración, preparación de datos, observabilidad, evaluación, revisión humana, mantenimiento y cualquier infraestructura adicional.
| Partida | Qué debes presupuestar |
|---|---|
| Uso de Jev | Tokens de entrada consumidos por estado y preguntas |
| Integración | API, conectores, lógica de negocio y gestión de errores |
| Evaluación | Dataset etiquetado y pruebas de precisión |
| Supervisión | Casos dudosos que deben pasar a una persona |
| Gobernanza | Logs, permisos, trazabilidad, privacidad y controles |
TypeSafe promociona Jev como mucho más rápido y barato que modelos generativos en determinados flujos. Esas cifras proceden de evaluaciones del propio fabricante, y la empresa reconoce que se encuentran en el extremo alto de los beneficios que espera en producción. Conviene tratarlas como una hipótesis a validar, no como un ahorro garantizado.
Consultar modelo, precio y límites actuales ↗
Recibe análisis de nuevas herramientas, costes, automatización y casos empresariales. Sin perseguir cada demo que aparece en X.
Casos de uso de Jev en una empresa
Jev tiene más sentido cuando el trabajo contiene muchas decisiones pequeñas, repetibles y con un espacio de respuesta delimitado. Algunos ejemplos:
Atención al cliente
Clasificar tickets, detectar urgencia, intención de cancelación o necesidad de escalado.
Operaciones
Decidir rutas de revisión, priorizar incidencias o evaluar si un documento cumple criterios definidos.
Ventas
Clasificar solicitudes, detectar intención comercial o puntuar señales que alimentan un workflow.
Compliance
Detectar condiciones o categorías que activan una revisión posterior, siempre con controles proporcionales al riesgo.
RR. HH.
Clasificar información estructurable sin delegar automáticamente decisiones sensibles o de alto impacto.
RAG y agentes
Decidir qué contexto es relevante, qué herramienta activar o cuándo escalar un resultado dudoso.
La oportunidad no está en sustituir cualquier modelo por Jev. Está en identificar dónde estás pagando generación de texto cuando en realidad necesitas una decisión.
Jev vs un LLM generativo: diferencias reales
| Necesidad | Jev | LLM generativo |
|---|---|---|
| Clasificar entre opciones conocidas | Encaje natural | Puede hacerlo con prompting o structured outputs |
| Devolver probabilidades tipadas | Parte central del producto | Depende del modelo y del diseño de salida |
| Redactar emails o informes | No es su objetivo | Encaje natural |
| Hacer aritmética exacta | Debe quedar en código | Tampoco conviene delegarla sin herramientas |
| Aplicar política de negocio | Umbrales y reglas en código | A menudo parte de la política termina dentro del prompt |
| Automatizar con incertidumbre | Probabilidades diseñadas para routing | Requiere diseñar evaluación y control igualmente |
No lo plantearía como “Jev contra ChatGPT”. Son capas diferentes. Un flujo puede usar Jev para decidir qué ocurre y un modelo generativo para redactar la respuesta final.
¿Se puede usar Jev desde España y funciona en español?
La consola y la documentación son públicas y TypeSafe mantiene Jev en acceso temprano. En la documentación revisada no aparece una edición específica para España. La disponibilidad concreta de créditos, límites o planes debe comprobarse dentro de la cuenta.
Para español hay un matiz importante: TypeSafe declara que el inglés es el idioma principal de entrenamiento y donde la precisión es actualmente mejor. Otros idiomas están soportados, pero la compañía recomienda probar cada workload con contenido propio antes de confiar en el modelo.
No valides Jev con diez frases traducidas del inglés. Prueba reclamaciones reales, expresiones coloquiales, abreviaturas, lenguaje comercial y casos ambiguos de tu organización. Mide precisión por categoría y revisa especialmente los errores de alta confianza.
Límites de Jev que debes conocer antes de producción
La propia TypeSafe publica una página de “jaggedness” con los puntos donde Jev 1.13 falla o pierde precisión. Ese nivel de transparencia es útil porque permite diseñar alrededor de los límites conocidos.
| Límite | Qué hacer |
|---|---|
| Lectura muy literal | Escribe la condición exacta y define bien los casos frontera |
| Aritmética y conteos | Hazlos en código, no en Jev |
| Comparación de fechas | Extrae componentes y compara fuera del modelo |
| Demasiado contexto irrelevante | Filtra antes de enviar el estado |
| Contenido adversarial | Prueba prompt injection y entradas diseñadas para sesgar la clasificación |
| Generación de texto | Usa un modelo generativo para esa parte |
El contexto máximo publicado para Jev 1.13 es de 64k tokens por petición, con un límite adicional de 32k tokens para el estado más la pregunta más larga. El input actual es texto; imágenes, audio o vídeo deben convertirse previamente a texto o campos estructurados.
Ver límites documentados de Jev 1.13 ↗
Cómo probar Jev en una empresa sin convertirlo en otro experimento eterno
Un piloto útil puede ser pequeño. No necesitas conectarlo el primer día al proceso más crítico de la compañía.
- 1. Escoge una sola decisión. Algo frecuente, acotado y con resultado conocido.
- 2. Reúne casos históricos. Empieza con ejemplos ya resueltos por personas.
- 3. Define la respuesta correcta antes de probar. Sin ground truth no hay evaluación.
- 4. Mide error y confianza. No basta con mirar el porcentaje de aciertos.
- 5. Define un umbral de escalado. Los casos dudosos deben ir a revisión humana.
- 6. Calcula valor económico. Tiempo ahorrado, coste por caso, errores evitados y carga de supervisión.
- 7. Decide continuar, rediseñar o cancelar. Un piloto también sirve para demostrar que un caso no merece producción.
Si el caso tiene impacto en clientes, dinero, derechos o riesgo regulatorio, la automatización debe incorporar controles proporcionales al daño potencial. Jev aporta una señal probabilística; la responsabilidad sobre la decisión sigue siendo de la organización que diseña el sistema.
Si estás definiendo una estrategia más amplia, puedes complementar esta guía con cómo implementar IA en una empresa y nuestro análisis sobre costes de IA al escalar.
Preguntas frecuentes sobre Jev
¿Qué es Jev?
Jev es el primer modelo público System One de TypeSafe AI. Está diseñado para devolver decisiones estructuradas y probabilidades que el software puede consumir directamente.
¿Jev genera texto?
No es su objetivo principal. TypeSafe lo orienta a Choice, Score y Noul. Si necesitas redactar contenido, utiliza un modelo generativo para esa parte del workflow.
¿Cuánto cuesta Jev?
La tarifa publicada para Jev 1.13 es de 0,042 USD por millón de tokens de entrada. Los tokens de salida figuran como gratuitos. Comprueba siempre la página oficial de modelos porque el precio puede cambiar.
¿Cuál es la API de Jev?
El endpoint documentado es POST https://api.typesafe.ai/v1/systemone. La autenticación utiliza una API key enviada como Bearer token.
¿Qué son Choice, Score y Noul?
Choice elige entre opciones conocidas, Score coloca la respuesta en una escala definida y Noul devuelve la probabilidad de que una condición sí/no sea verdadera.
¿Jev funciona en español?
TypeSafe indica que Jev acepta otros idiomas, pero el inglés es actualmente el idioma donde obtiene mejor precisión. Para un uso en España hay que evaluar el modelo con ejemplos reales en español antes de automatizar.
¿Jev sustituye a ChatGPT, Claude o Gemini?
No. Jev está especializado en decisiones estructuradas. Los modelos generativos siguen siendo más adecuados para producir texto, código o respuestas abiertas. Pueden formar parte del mismo sistema.
¿Puedo probar Jev sin programar?
Sí. La documentación oficial ofrece un Playground en la consola para probar estados y preguntas antes de integrar la API.
Fuentes oficiales consultadas
- TypeSafe AI · Introducing System One Models & Jev ↗
- TypeSafe AI · Quick Start ↗
- TypeSafe AI · Choice, Score y Noul ↗
- TypeSafe AI · Modelos, precio, contexto e idiomas ↗
- TypeSafe AI · Límites conocidos de Jev 1.13 ↗
Este contenido es independiente y no está patrocinado por TypeSafe AI. Las afirmaciones de rendimiento del proveedor se presentan como tales y no como pruebas realizadas por Evolupedia.