Las decisiones nunca fueron conversaciones

Durante tres años hemos hecho algo que, contado despacio, resulta ridículo. Teníamos un sistema que necesitaba saber si un correo era una factura o una queja. Y para averiguarlo invocábamos a una máquina entrenada para escribir ensayos, le pedíamos por favor que respondiera solo con JSON, le suplicábamos que no añadiera explicaciones, y luego parseábamos el resultado rezando para que no hubiera decidido empezar con “¡Claro! Aquí tienes el JSON que me pides”.

Llamábamos a eso poner IA en producción.

El 15 de septiembre, una empresa que llevaba dos años en silencio publicó un modelo que no escribe. TypeSafe AI salió de la sombra con 40 millones de dólares de ronda semilla liderada por DCVC, una valoración de 200 millones y un producto llamado Jev que hace exactamente una cosa: recibe un estado y devuelve una decisión tipada con su probabilidad. Sin texto. Sin tokens generados uno detrás de otro. Sin preámbulo amable.

En veinticuatro horas, el 13% de los equipos de pago de Vercel lo habían probado. Ningún lanzamiento anterior en su AI Gateway había pasado del 7% en un día entero. El anuncio acumuló veinticinco millones de visualizaciones. La API se cayó por exceso de demanda.

La lectura inmediata del sector fue que estábamos ante un nuevo paradigma. Un boletín muy leído lo llamó “el momento ChatGPT de las decisiones” después de unas horas de pruebas. TechCrunch tituló que venía de “un inventor de ChatGPT” y que era una clase nueva de modelo.

No lo es. Y esa confusión es más interesante que el modelo.

Lo que Jev hace visible no es una arquitectura inédita, es una factura. Durante tres años hemos estado pagando precio de frontera por operaciones que nunca fueron conversaciones, y hemos llamado inteligencia a lo que era, en realidad, elocuencia comprada al peso para obtener un booleano.

Le pedíamos una redacción para obtener un sí

El mecanismo merece explicarse, porque es donde se ve el desperdicio.

Un modelo de lenguaje autorregresivo genera de izquierda a derecha, un token cada vez, condicionando cada uno a todos los anteriores. Esa secuencialidad es lo que le permite escribir un párrafo coherente. También es lo que hace que sea lento y caro: no hay forma de paralelizar una cadena en la que cada eslabón depende del anterior.

Ahora aplícalo a clasificar un ticket de soporte. La respuesta útil cabe en una palabra: técnico. Pero el modelo no sabe devolver una palabra, sabe devolver una secuencia. Así que genera las llaves, las comillas, el nombre del campo, los dos puntos, el valor, el cierre. Diez, quince, treinta tokens de andamiaje para transportar un dato que ocupa tres bits. Y cada uno de esos tokens de salida se factura, en los modelos frontera, a unas cinco veces el precio de los de entrada.

Encima, el andamiaje falla. No porque el modelo sea tonto, sino porque generar JSON válido es una tarea distinta de decidir bien, y le estábamos pidiendo las dos a la vez con la misma herramienta. De ahí toda la industria paralela que hemos construido alrededor: modos de salida estructurada, gramáticas restringidas, validadores, reintentos, librerías enteras cuyo único trabajo es convencer a un generador de texto de que esta vez, por favor, no sea creativo.

Jev renuncia a generar cadenas. Ese es el movimiento. Al no tener que producir una secuencia, puede muestrear todas las salidas en paralelo en una sola consulta, y responde en 70 a 500 milisegundos. Expone tres primitivas —Choice para elegir entre opciones definidas, Score para puntuar en una escala ordenada, Noul para el sí/no— y devuelve algo así:

{"billing": 0.08, "technical": 0.85, "sales": 0.07}

Con una confianza asociada de 0.82.

Fue entrenado solo con datos sintéticos mediante un método que la empresa llama Reinforcement Learning for Calibrated Decisions, RLCD, en contraste deliberado con el RLHF que su propio fundador ayudó a inventar. Diogo Almeida, el CEO, pasó cuatro años en OpenAI y cofirma InstructGPT, el trabajo del que sale ChatGPT. Le acompañan Sasha Sheng, ingeniera de investigación en Meta/FAIR, como COO, y Erik Gafni, fundador de Ravel y de los primeros empleados de Invitae y Freenome, como CTO. El equipo viene de OpenAI, Google Brain, Meta, Stripe, Airbnb, Plaid y Docker, y trabaja cinco días presenciales en una oficina junto a Embarcadero.

Es un currículum que abre puertas y titulares. También es la razón por la que el sector ha tardado cero segundos en confundir un producto bien diseñado con una ruptura epistemológica.

La noticia no es el modelo, es el precio

$0,042 por millón de tokens de entrada. Los de salida, gratis. “Demasiado baratos para medirlos”, dice la web.

Ahí está la historia.

Ese precio no describe una hazaña técnica, describe lo que cuesta de verdad la operación que llevábamos tres años comprando envuelta en otra cosa. Cuando un ingeniero de Vercel mide que Jev clasifica seguridad entre 5 y 18 veces más rápido que el modelo pequeño de OpenAI y además acierta más, o cuando una empresa de correo descubre que clasificar emails le sale entre 10 y 20 veces más barato que con Gemini, no están descubriendo una inteligencia nueva. Están descubriendo cuánto sobrepagaban.

El 13% de los equipos de Vercel en un día no es entusiasmo por una arquitectura. Nadie adopta una arquitectura en veinticuatro horas. Es la velocidad a la que se mueve una industria cuando alguien le enseña que una parte sustancial de su factura de IA era un peaje de formato.

Y aquí conviene una honestidad que el hype se saltó: el abaratamiento no llega solo de la arquitectura. Llega de haber reducido drásticamente el problema. Un modelo que solo puede elegir entre opciones que tú le has dado es un modelo que no necesita saber casi nada de lo que sabe un modelo frontera. Es más barato porque hace menos. Eso no le quita mérito. Le quita épica.

”Cero alucinaciones” es un error de categoría

La frase que más se ha repetido estos días es que Jev no puede alucinar. TechCrunch lo escribió tal cual. Es falsa, y lo interesante es que la propia TypeSafe lo admite en su blog: el 0% de alucinaciones “no es empírico”.

Lo que está garantizado es que la salida cumple el esquema. Si le das las opciones facturación, técnico y ventas, Jev no puede inventarse legal. Es imposible por construcción, igual que es imposible que una lista desplegable devuelva un valor que no está en la lista.

Lo que no está garantizado es que acierte. Jev puede devolver facturación con un 0.91 de probabilidad cuando la respuesta correcta era técnico, y eso es exactamente lo que en cualquier sistema de producción llamamos un error. Hemos sustituido el riesgo de que el modelo se invente un campo por el riesgo, mucho más antiguo y mucho peor documentado, de que se equivoque con seguridad dentro del campo correcto.

Garantizar la forma y garantizar la verdad son cosas distintas. Un validador de esquemas lleva décadas garantizando la primera y a nadie se le ocurrió venderlo como el fin de la falsedad.

Que la confusión se propagara no fue un accidente del periodismo. Es el funcionamiento normal de la máquina: una afirmación técnica precisa —cero salidas fuera de esquema— viaja mal, y una afirmación redonda —cero alucinaciones— viaja perfectamente. En cuarenta y ocho horas, una herramienta especializada se convirtió en un paradigma. Nadie mintió del todo. Simplemente, cada eslabón redondeó un poco hacia arriba.

El número de confianza es donde ahora vive la responsabilidad

La parte genuinamente nueva de Jev es la que menos titulares ha dado, y es la única que puede cambiar cómo se construyen los sistemas: devuelve su propia incertidumbre, y la devuelve calibrada.

Un modelo calibrado es uno cuyo 0.7 significa algo. Si dice 0.7 en mil casos, acierta en unos setecientos. Los modelos de lenguaje, optimizados con retroalimentación humana para sonar convincentes, son notoriamente malos en esto: tienden a la seguridad excesiva porque la seguridad excesiva es lo que los evaluadores humanos premiaron. RLCD optimiza precisamente lo contrario.

Si funciona, la consecuencia práctica es enorme y muy poco glamurosa: permite escribir la regla que hasta ahora no se podía escribir. Por encima de 0.9, automatiza. Entre 0.6 y 0.9, pásalo a un modelo grande. Por debajo, a una persona. Armin Ronacher, CTO de Earendil, lo resumió diciendo que es el único que devuelve una probabilidad de verdad, y que si algo vuelve con un 50%, quizá es que eso era una moneda al aire.

Pero fíjate en dónde acaba de aterrizar la decisión importante.

No en el modelo. En el umbral. Alguien —un ingeniero, con prisa, un martes— escribe 0.9 en una línea de configuración, y ese número decide qué se automatiza sin supervisión y qué se mira. El modelo ya no se equivoca solo: ahora te avisa de cuánto podría equivocarse y te traslada a ti la responsabilidad de haberlo ignorado. Es un reparto más honesto. También es un reparto que convierte una constante mágica en el punto donde vive la responsabilidad legal de todo el sistema.

Y aquí llega el problema: la calibración es justamente la afirmación que el fabricante no ha documentado. No hay paper. No hay curvas de fiabilidad publicadas, ni error de calibración esperado, ni detalles de la arquitectura. El propio fundador ha reconocido que la calibración se mide a nivel de grupo, no por respuesta. Hay observadores que sospechan que debajo hay un modelo de pesos abiertos afinado.

Así que la han medido otros, y en una semana ya asoma un patrón. Una prueba independiente publicada el día 19 encontró a Jev bien calibrado en los benchmarks públicos, con un error de calibración de entre 0,024 y 0,032, y bastante peor sobre tickets de soporte que no se parecían a nada conocido: 0,107, más de cuatro veces el suelo de ruido. En las preguntas que exigían un conocimiento que el modelo no tenía, acertó el 44,7% de las veces mientras asignaba a sus respuestas una probabilidad media de 0,74.

Ese 0,74 es el número sobre el que alguien iba a escribir un umbral.

Otra prueba, sobre dos mil correos de phishing, lo dejó en un 62,6% de acierto frente al 81,3% de Claude Haiku cuando se le hacía una sola pregunta. Partida en cinco preguntas atómicas y combinadas con una regresión ajustada sobre mil ejemplos etiquetados, subió al 95%. La lección no es que Jev sea bueno o malo. Es que su número solo significa algo después de que lo hayas contrastado con tus propios datos, y ese es exactamente el trabajo que el precio parecía ahorrarte.

Las cifras del fabricante tampoco ayudan. Las cifras del lanzamiento no coinciden entre sí: el tuit dice 20-200x más rápido y 40-400x más barato, la web dice 193,6x y 444,6x, la nota de prensa dice “hasta 100x”. Las pruebas independientes miden entre 5x y 25x según con qué compares. La propia TypeSafe reconoce, en un ejercicio de transparencia que merece reconocerse, que sus flujos de prueba los diseñó su equipo de capacidades, que las demos usan entradas cortas y densas que favorecen su enfoque, y que la precisión se compara contra el promedio de otros modelos, no contra la verdad. No hay clientes con nombre. No hay ingresos. El acceso se abrió a todo el mundo el día 20 y dos días después hubo que cerrar los registros nuevos, porque la demanda superaba lo que podían servir.

Estamos, por tanto, ante un producto probablemente muy bueno cuyo argumento central —la calibración— es hoy una promesa que se cumple donde el fabricante midió y se afloja donde tú lo vas a usar.

Lo llamaron Jev por una razón que nadie ha querido leer

El modelo se llama Jev por William Stanley Jevons, el economista que en 1865 observó que mejorar la eficiencia del carbón no reducía su consumo: lo disparaba. Al abaratar cada unidad, se encontraban usos que antes no compensaban.

TypeSafe lo dice sin disimulo: esperan que la IA barata se despliegue mucho más, no menos. Es una declaración de intenciones honesta y es, a la vez, la parte que el entusiasmo se ha saltado.

Porque una decisión a 0,042 dólares el millón, en 70 milisegundos y sin coste de salida, no es la misma decisión que costaba cien veces más. Es una decisión que se toma en sitios donde antes no se tomaba ninguna. Cuando decidir es prácticamente gratis, se decide por defecto: en bucles sobre millones de registros, en cada evento de un log, en cada interacción de cada usuario, en capas intermedias que nadie revisa porque nadie las diseñó para ser revisadas. La demo oficial fue Jev jugando al Doom a partir del estado del juego. The Register, que cubrió el lanzamiento con sano escepticismo, cerró su pieza mencionando decisiones de designación de objetivos en drones.

No hace falta irse tan lejos. Basta con lo aburrido. Un modelo cuya salida no es texto es un modelo cuya salida no se lee. No deja transcripción que un humano pueda revisar por curiosidad, no genera una explicación que alguien pueda encontrar rara. Deja un número. Y los números, a diferencia de los párrafos, se agregan a un panel y se dan por buenos.

Hemos pasado los tres últimos años preocupados por que la IA escribiera cosas falsas, porque escribir es visible. Lo que viene ahora decide en silencio, muy rápido, muy barato y en todas partes.

Una capa, no un paradigma

Conviene ser justo: Jev parece un producto excelente. Resuelve un problema real que todo el que haya puesto un LLM en producción ha sufrido, lo resuelve con una decisión de diseño elegante —renunciar a generar texto— y lo vende a un precio que reordena presupuestos. Sus fundadores saben lo que hacen. La adopción en Vercel es genuina, no comprada.

Pero clasificar, puntuar, enrutar y detectar intención son problemas viejos de aprendizaje automático. Los clasificadores zero-shot llevan desde 2019 haciendo algo emparentado. Que un modelo especializado gane a uno generalista en una tarea estrecha no es un descubrimiento: es la regla desde hace décadas. Lo nuevo aquí es una combinación concreta —arquitectura no autorregresiva, entrenamiento orientado a calibración, experiencia de desarrollador cuidada, precio agresivo— y las combinaciones concretas fabrican empresas excelentes. No fabrican paradigmas.

Lo que de verdad ha ocurrido en septiembre de 2026 no es que haya nacido una forma nueva de inteligencia artificial. Es que el sector ha admitido, mediante un precio, que la mayor parte de lo que llamaba conversación con un modelo nunca fue una conversación. Era una consulta disfrazada de charla, facturada a precio de charla, con un riesgo de formato que nos entretuvo lo suficiente como para no mirar el riesgo de fondo.

Ahora ese disfraz se cae. Lo que queda debajo es una decisión, un número entre cero y uno, y un umbral que alguien tendrá que justificar cuando algo salga mal.

No es un modelo nuevo. Es el final de una confusión cómoda.