Hay un modelo nuevo que se niega a escribir. Le preguntás algo y no te responde con palabras: te responde con una decisión. Y en esa negativa hay más futuro del que parece.
Se llama Jev, lo lanzó TypeSafe AI el 15 de septiembre de 2026, y lo lidera Diogo Almeida, uno de los que desarrolló ChatGPT en OpenAI. Levantaron 40 millones de dólares para esto. La apuesta es simple y un poco incómoda: pasamos años haciendo que la IA hable mejor con nosotros. Almeida sostiene que el problema era exactamente ese. Si la IA va a cambiar cómo se trabaja, las personas no pueden ser las únicas consumidoras de inteligencia.
Jev no hace lo que hacen ChatGPT o Claude. No predice el próximo token de una frase. Toma un estado (un JSON, un texto como "me cobraron dos veces la tarjeta") y devuelve decisiones tipadas con probabilidades. Le preguntás a qué departamento va un ticket de soporte y te contesta {facturación: 0.08, técnico: 0.85, ventas: 0.07}, con un nivel de confianza. Punto. No hay párrafo que parsear, no hay JSON mal formado, no hay un modelo que se desvía y te escribe un ensayo.
Para eso usa tres primitivas que llaman Choice, Score y Noul. Una elige entre opciones, otra puntúa de 0 a 100, la tercera devuelve algo nulo o booleano. Cada una con su tipo y sus probabilidades calibradas.
Acá está lo que me parece el golpe: la arquitectura. Un LLM genera una secuencia, token por token, en orden. Por eso tarda y por eso razona. Jev devuelve todo de una sola pasada, en paralelo. Lo entrenan con algo que llaman RLCD, reinforcement learning for calibrated decisions. No optimiza para que el texto te guste; optimiza para que las probabilidades estén calibradas.
Los números que publican son fuertes. Respuesta entre 70 y 500 milisegundos, de 40 a 200 veces más rápido que un LLM. Costo de 0,042 dólares por millón de tokens de entrada, con la salida gratis. Y la afirmación más jugada: no puede alucinar ni dar errores de tipo, porque directamente no genera texto libre.
El nombre viene de William Stanley Jevons, el economista de la paradoja de Jevons: cuando algo se vuelve más eficiente, se consume más, no menos. La lógica es que un modelo tan barato y tan rápido no te ahorra llamadas, te multiplica las decisiones que podés automatizar.
La demo de lanzamiento fue un bot jugando Doom a diez decisiones por segundo. Es el ejemplo justo, porque Doom es pura decisión en tiempo real: moverse, disparar, esquivar. No hay conversación.
Yo uso agentes todos los días y la mitad de lo que les pido no necesita un párrafo. Necesita un sí, un no, un puntaje, una clasificación. Rutear un mail, decidir si un artículo pasa o no un filtro, priorizar una cola, verificar si una respuesta cumple un criterio. Para todo eso estoy pagando un chatbot que piensa palabra por palabra y me devuelve un texto que después tengo que parsear de nuevo. Es como usar una Ferrari para ir a la esquina y encima pedirle que me cuente el viaje.
Eso no quiere decir que Jev reemplace a los LLM. Tiene un límite explícito: solo sirve cuando las respuestas posibles están acotadas y las conocés de antemano. Eso cubre muchísimo del software real (routing, clasificación, verificación, scoring), pero no todo. Para escribir, investigar o explicar seguís necesitando un modelo que hable.
Lo que me queda dando vueltas es otra cosa. Pasamos años obsesionados con que la IA hable como nosotros. Y capaz la pregunta importante nunca fue esa. La pregunta es si vamos a confiar en una máquina que no te explica nada, que solo te dice 0,85.
Eso, en realidad, me parece más honesto. Un chatbot que escribe un párrafo entero para decirte "probablemente sí" te da la ilusión de entender. Jev te da un número y te obliga a decidir el umbral vos. Menos magia, más responsabilidad.