Mientras OpenAI, Anthropic y Google compiten por construir el modelo de lenguaje más grande, una pequeña startup llamada TypeSafe AI ha apostado por un enfoque radicalmente diferente: JEV, un modelo que no genera texto, sino que toma decisiones.
Durante la última semana, Internet se ha vuelto loco con la salida de este nuevo modelo. Y no suele ser habitual que la actualidad de la inteligencia artificial durante varios días esté monopolizada por la salida de un nuevo modelo, por parte de una nueva compañía que además pone sobre la mesa algo que tampoco es nuevo, al menos conceptualmente. Y aún así creo que el éxito que ha cosechado JEV está más que justificado.
El problema con los modelos de lenguaje actuales
Todos sabéis que la gran virtud de los modelos del lenguaje, su forma de funcionar, es todos los datos que le facilitamos a través del contexto, de la ventana de contexto. Y con ese contexto, con ese propósito, el modelo del lenguaje procede a predecir cuál va a ser el siguiente token para continuar su tarea. Predice un trozo de palabra que se añade a la ventana de contexto, que predice luego otro trocito de palabra que pasa de nuevo a la ventana de contexto y así de forma iterativa.
Esto ha sido potentísimo porque nos hemos podido aprovechar de la generalidad de los grandes modelos para aprender el lenguaje y otras tantas tareas. Tareas como usar estos modelos para tomar decisiones inteligentes: a partir de unas cuantas reseñas, de unos comentarios recogidos de Internet, el modelo puede clasificarlos en positivos, neutros o negativos.
Y este modelo hará la tarea perfectamente, entenderá el contexto del mensaje, lo codificará e irá generando token a token la respuesta. Sin embargo, esta aproximación tiene un coste enorme en tiempo y dinero. Cada token generado requiere una pasada completa por la red neuronal del modelo. Para una decisión simple que podría resolverse con un "sí" o un "no", el modelo de lenguaje tiene que articular palabra por palabra una frase completa.
La propuesta de JEV: un modelo de decisiones, no de lenguaje
JEV no es un modelo de lenguaje. Es un modelo de decisión. Y la diferencia es fundamental:
- Modelo de lenguaje → recibe contexto, genera texto token a token → caro y lento
- JEV → recibe contexto, genera una decisión clasificada → instantáneo y gratis en output
La idea es brillante en su simplicidad: si lo que quieres es que el modelo clasifique, no que verbalice cuál es el resultado de dicha clasificación, ¿por qué pagar por todos esos pases de inferencia repetidos?
JEV toma esos datos de entrada y genera instantáneamente el resultado. No hay generación autorregresiva, no hay razonamiento explícito en forma de texto. Es una respuesta de un solo pase de inferencia.
¿Cómo funciona JEV? Los tres tipos de salida
JEV no genera texto libre. En su lugar, ofrece tres tipos de salida estructurada:
1. Route (Enrutamiento)
Elige un valor de un conjunto predefinido. Ideal para clasificar tópicos de soporte, enrutamiento de modelos y clasificación de intenciones.
Ejemplo: "El cliente ha sido cobrado dos veces y quiere un reembolso hoy" → billing con 0.98 de confianza.
2. Rank (Clasificación ordinal)
Coloca la entrada en un espectro ordenado. Perfecto para evaluar urgencia, calidad de leads, riesgo o prioridad de reseñas.
Ejemplo: "No puedo acceder a mi cuenta desde hace tres días" → severidad 2.8/3.0.
3. Gate (Compuerta)
Devuelve una probabilidad calibrada para una pregunta de sí/no. Ideal para decidir si una acción debe tomarse automáticamente o requiere revisión humana.
Ejemplo: "¿Debo escalar este caso a un supervisor?" → 0.92 → escalar.
El origen del nombre: la Paradoja de Jevons
El nombre JEV no es casual. Proviene de la Paradoja de Jevons (o Jevons Paradox), que establece que cuando una tecnología se vuelve más barata, no solo se usa más, sino que se usa de formas completamente nuevas.
Este fenómeno es exactamente lo que JEV pretende hacer con la IA: al abaratar drásticamente el coste de las decisiones inteligentes, no solo haremos lo mismo más barato, sino que crearemos aplicaciones y sistemas que hoy son inviables económicamente.
Comparativa de rendimiento y precio
Los números que presenta TypeSafe AI son agresivos:
| Modelo | Coste por 1M tokens input | Coste output | Velocidad |
|---|---|---|---|
| GPT-5.6 Luna | ~$0.005-0.01 | Por token generado | ~100ms/token |
| Claude Sonnet 5 | ~$0.003-0.015 | Por token generado | ~80ms/token |
| JEV | $0.0004 | Gratis | <100ms total |
Según las propias cifras de TypeSafe, JEV es:
- 20-200x más rápido que modelos de lenguaje tradicionales
- 40-400x más barato para tareas de decisión
- Comparable en precisión a Sonet 5 en tareas de clasificación
Y el modelo de pricing rompe con lo que estamos acostumbrados: JEV cobra por tokens de entrada, pero los tokens de salida son completamente gratis. ¿Por qué? Porque no hay generación autorregresiva, no hay razonamiento, es una respuesta de un pase de inferencia, tan barata como para medirla y por tanto como para cobrarla.
¿Quién está detrás?
TypeSafe AI salió de dos años de stealth en septiembre de 2026 con $40M en funding. El CEO es Diogo Almeida, y la compañía se define como "un laboratorio de IA construyendo infraestructura de inteligencia nativa para máquinas, diseñada para tomar decisiones dentro del software".
La empresa ha descrito su trabajo como "System One Models", haciendo referencia a la psicología cognitiva: el Sistema 1 de Daniel Kahneman es el pensamiento rápido, intuitivo y automático. Exactamente lo que hace JEV.
¿Dónde encaja JEV en el ecosistema de IA?
JEV no pretende reemplazar a GPT-5 o Claude. Es una herramienta complementaria para escenarios específicos:
- Ruteo de modelos: Enviar tareas sencillas a modelos baratos y solo usar GPT para lo complejo
- Guardarraíles de agentes: Evaluar el riesgo de una acción antes de que un agente la ejecute
- Triage de soporte: Clasificar, priorizar y escalar automáticamente
- Compresión de contexto: Decide qué información necesita el siguiente modelo
- Clasificación de sentimientos: Análisis masivo de reseñas y comentarios
- Moderación de contenido: Decidir si un post es aceptable o requiere revisión
El caso de uso estrella: sistemas de IA que necesitan tomar millones de pequeñas decisiones por segundo a un coste marginal prácticamente cero.
Limitaciones reales
JEV no es mágico. Sus limitaciones son importantes:
- No razona explícitamente: No puedes pedirle que "piense en voz alta" sobre un problema complejo
- No genera texto: No te escribirá un email, ni un ensayo, ni código
- Depende de buenas definiciones: Necesitas saber de antemano qué categorías o escalas usar
- No sustituye a los LLMs: Para tareas que requieren comprensión profunda de contexto o generación, sigue necesitando GPT/Claude
- Funciona mejor con decisiones "difusas": Donde un humano diría "más o menos" o "depende", JEV brilla
Laya.cpp: la alternativa open source a JEV
Si JEV te ha gustado pero prefieres una solución gratuita, local y de código abierto, ahí entra Laya.cpp.
Laya.cpp es un motor de inferencia de decisiones tipadas creado por Lukas Karlslund que comparte la misma filosofía que JEV: en lugar de generar texto, toma decisiones clasificadas en una sola pasada. Es una alternativa open source (Apache 2.0) que puedes correr completamente en local sin depender de APIs externas.
¿En qué se parece a JEV?
Al igual que JEV, Laya ofrece tres tipos de salida estructurada:
- Choice (noul): Elige una categoría de un conjunto predefinido
- Score: Asigna una puntuación numérica en un espectro ordenado
- Gate: Devuelve una probabilidad calibrada para decisión sí/no
La diferencia clave: Jev es una API de pago en la nube; Laya puedes ejecutarlo en tu propia máquina.
¿En qué se diferencia?
| Característica | JEV (TypeSafe) | Laya.cpp |
|---|---|---|
| Coste | $0.042/1M tokens input | Gratis |
| Ubicación | API en la nube | Local (tu hardware) |
| Licencia | Cerrada | Apache 2.0 (open source) |
| Modelos propietarios | Sí | No (pesos abiertos) |
| Offline | No | Sí |
| Dependencia de red | Sí | No |
Requisitos y compilación
Los modelos Laya son pequeños (322-421M parámetros, menos de 1GB), por lo que los requisitos son muy modestos:
- RAM: 4 GB mínimo (8 GB recomendado)
- GPU: No es obligatoria (pero acelera con CUDA o Vulkan)
- Disco: ~2-5 GB
Compilar Laya.cpp es obligatorio (no hay releases precompilados):
git clone --recurse-submodules https://github.com/lkarlslund/laya.cpp.git
cd laya.cpp
git submodule update --init --recursiveBackend CUDA (NVIDIA):
cmake -S . -B build-cuda -G Ninja \
-DCMAKE_BUILD_TYPE=Release \
-DCMAKE_CUDA_ARCHITECTURES=89
cmake --build build-cuda --parallel $(nproc)Backend Vulkan (AMD/NVIDIA multiplataforma):
cmake -S . -B build-vulkan -G Ninja \
-DCMAKE_BUILD_TYPE=Release \
-DLAYA_CUDA=OFF -DLAYA_VULKAN=ON
cmake --build build-vulkan --parallel $(nproc)Solo CPU (sin GPU):
cmake -S . -B build-cpu -G Ninja \
-DCMAKE_BUILD_TYPE=Release \
-DLAYA_CUDA=OFF -DLAYA_VULKAN=OFF
cmake --build build-cpu --parallel $(nproc)¿Cuándo elegir Laya.cpp?
- 🔒 Privacidad: Tus datos nunca salen de tu máquina
- 💰 Coste cero: Sin cuotas, sin límites
- 🌍 Offline: Sin dependencia de Internet
- 🛠️ Control total: Puedes modificar y auditar el código
- ⚡ Baja latencia: Sin red, sin esperas de red
¿Cuándo elegir JEV?
- 🚀 Sin infraestructura: No necesitas hardware ni mantenimiento
- 📈 Escalabilidad: La API se encarga de todo
- 🔄 Actualizaciones: Siempre usas la última versión del modelo
Conclusión
Laya.cpp demuestra que la filosofía de "modelos de decisión" no tiene por qué estar ligada a APIs de pago. Es una alternativa sólida para quien quiera llevar la clasificación de decisiones a local, con control total y coste cero. La paradoja de Jevons en estado puro: cuando la decisión cuesta 0, la pones en todas partes.
El futuro de los modelos especializados
JEV representa una tendencia que veremos más en 2026: en lugar de un único modelo gigante que lo haga todo, sistemas compuestos por modelos especializados que colaboran. Un agente podría usar JEV para el 90% de las decisiones rutinarias y reservar GPT para el 10% que realmente lo necesita.
La Paradoja de Jevons en acción: cuando tomar una decisión inteligente cuesta 0.0004$ por millón de tokens, de repente puedes permitirte poner "inteligencia" en sitios donde hoy no es viable económicamente.
La API de JEV ya está abierta al público (desde el 21 de septiembre de 2026), sin waitlist, a $0.042 por millón de tokens de entrada, salida gratuita. Una propuesta que, si cumple lo prometido, podría cambiar radicalmente la economía de la IA aplicada.
Enlaces relacionados: