La apuesta de uno de los creadores de ChatGPT: una IA que no escribe, sino que decide

Qué es Jev y para qué sirve

Jev no es un chatbot al uso. Mientras que un LLM como GPT-5.6 Sol, el que usa ChatGPT, genera respuestas token a token a partir de una pregunta, Jev recibe información no estructurada y devuelve decisiones acompañadas de probabilidades. Es decir, no explica nada: se limita a escoger entre un conjunto de opciones permitidas e indicar cuánto "confía" en cada una.

En una de las demostraciones oficiales, Jev jugaba a Doom tomando alrededor de diez decisiones por segundo, a un coste de unos siete dólares la hora. En otra, intentaba llegar de un artículo de Wikipedia a otro eligiendo repetidamente entre decenas de enlaces. La propuesta no busca sustituir a ChatGPT, sino complementar los sistemas que necesitan respuestas rápidas y estructuradas para operar, como puede ser la detección de fraude en una transacción o la priorización de una alerta.

Las cifras de velocidad y coste que maneja TypeSafe

La compañía sostiene que, al no tener que redactar respuestas completas, Jev puede calcular muchísimas decisiones en paralelo y, en comparación con los LLM convencionales, habla de una velocidad entre 20 y 200 veces superior, y de un coste entre 40 y 400 veces menor. El precio de entrada es de 42 dólares por cada 1.000 millones de tokens (es decir, 0,042 dólares por millón de tokens), mientras que los tokens de salida son gratuitos, según la empresa, porque resultan "demasiado baratos" para medirlos.

El origen del nombre también tiene miga. Jev hace referencia al economista del siglo XIX William Stanley Jevons, conocido por la paradoja que lleva su apellido: el aumento de la eficiencia en el uso del carbón no redujo su consumo, sino que lo incrementó. TypeSafe traslada esa idea al mundo de la IA: a mayor eficiencia en la generación de tokens, más aumentará su uso, incluso aunque bajen los precios.

Menos alucinaciones, pero con matices

Jev, en teoría, no puede alucinar. Gracias a su arquitectura, si un desarrollador define en su plataforma que una respuesta solo puede ser "bajo", "medio" o "alto", el modelo devuelve una de esas opciones y no se inventa una cuarta ni formatea mal la salida. TypeSafe habla de una tasa de alucinaciones del 0%, aunque reconoce que no es una cifra empírica.

Ahora bien, la letra pequeña está en que eso no garantiza que Jev responda "alto" cuando la opción correcta era "bajo". Para lidiar con esa incertidumbre presentan una técnica llamada Reinforcement Learning for Calibrated Decisions (RLCD), que busca que las probabilidades asignadas reflejen de forma fiable la confianza del modelo. Pero, por el momento, no hay un paper reproducible ni evaluaciones independientes que validen tales afirmaciones.

Amjad Masad, consejero delegado de Replit, planteó una cuestión sugerente: si conocemos de antemano todas las respuestas posibles, ¿por qué no entrenar un modelo que directamente produzca sus probabilidades? Además, los mejores resultados de Jev provienen de pruebas diseñadas por la propia empresa, algo que sus responsables reconocen que puede favorecer sus cifras de coste y velocidad. Quienes han podido probarlo parecen satisfechos con su capacidad, pero la validación externa sigue siendo una asignatura pendiente.