Jev, de TypeSafe, es una IA que permite integrar en aplicaciones la evaluación, clasificación y puntuación de textos. En este artículo explicamos qué es Jev.
Jev no es un interlocutor, sino quien toma decisiones dentro de una aplicación
La forma más sencilla de entender Jev es pensar qué queremos que nos devuelva la IA. En lugar de «Explícame este texto», se le plantean preguntas como «¿Este texto es un anuncio?», «¿Es personal o laboral?» o «¿Hasta qué punto es relevante como resultado de búsqueda?». Jev trabaja con preguntas cuya respuesta puede definirse de antemano.
Las IA conversacionales más conocidas suelen utilizarse para responder a preguntas con textos. Jev, en cambio, está pensado para que los desarrolladores lo utilicen dentro del software. En vez de conversar directamente con Jev, los usuarios recurren a una aplicación de uso habitual, que lo emplea en segundo plano para clasificar información o decidir los siguientes pasos del procesamiento.
La vía de comunicación es la API. Una API es el punto de acceso que permite a una aplicación solicitar una operación a otro servicio y recibir el resultado. Se envían a Jev un texto y una pregunta, se recibe una evaluación y, a partir de ahí, la aplicación realiza la siguiente acción.
Devuelve evaluaciones, opciones o puntuaciones
El material describe tres grandes tipos de uso: determinar, por ejemplo, si algo es un anuncio; elegir entre opciones, como las carpetas donde guardar un archivo; y puntuar, por ejemplo, la relevancia de los resultados de búsqueda. Estas IA se presentan como «modelos de decisión», porque son modelos cuya función es tomar decisiones.
Por ejemplo, una aplicación para organizar el correo podría recibir el cuerpo de un mensaje y elegir dónde clasificarlo entre «Trabajo», «Personal» y «Otros». Es un ejemplo para explicar el funcionamiento: en lugar de leer una explicación larga y extraer de ella la categoría, la aplicación recibe directamente la respuesta que necesita.
Los modelos de lenguaje de gran tamaño convencionales también pueden clasificar y generar resultados en formatos predefinidos. La diferencia no es que unos puedan clasificar y otros no, sino que Jev está diseñado y se ofrece principalmente para ese tipo de decisiones. No obstante, la documentación disponible no permite confirmar la estructura interna de Jev ni las diferencias de rendimiento respecto a los modelos de lenguaje generales.
Reducir las pequeñas molestias al buscar o ver vídeos
Entre los ejemplos de desarrollo se mencionan una extensión que omite los segmentos patrocinados de los vídeos de YouTube, una función que elimina comentarios negativos de los chats, búsquedas en Gmail ajustadas a la intención del usuario y filtros de tareas. También se describen propuestas para modificar acciones como copiar y pegar, arrastrar y soltar o buscar dentro de una página.
Lo que tienen en común estos casos es que se trata de seleccionar información existente, más que de crear texto nuevo: conservar las partes que queremos ver, encontrar el correo que buscamos o limitar los elementos que hay que procesar. Esto permite entender que la IA pasa de la ventana de chat a las tareas cotidianas.
Sin embargo, los ejemplos de desarrollo presentados no equivalen a funciones de producto estables. Por ejemplo, al eliminar «comentarios negativos», el resultado depende de cómo se distinga entre el acoso y las críticas legítimas. Antes de implementarlo, hay que decidir qué se quiere excluir y comprobar los resultados, incluidos los casos que se hayan eliminado por error.
El trabajo de la IA no se limita a generar textos
Un documento fechado el 10 de octubre de 2026 describe cómo varias empresas están ofreciendo modelos de decisión con un formato similar al de Jev. Estos sistemas devuelven respuestas que el software puede procesar directamente, como la probabilidad de que se cumpla una condición, la elección entre varias opciones o una evaluación por etapas.
El contexto es que, cuando la IA realiza varias tareas, no necesita generar textos largos en todas las etapas. Para decidir qué operación aplicar a continuación o comprobar si un resultado cumple determinadas condiciones, basta con disponer de una opción seleccionada o un valor de evaluación.
El enfoque de Jev consiste en integrar funciones de decisión en las aplicaciones, en vez de tratar la IA como si fuera un interlocutor. Sin embargo, aunque el formato de la respuesta sea sencillo, la decisión en sí no tiene por qué serlo. El mismo documento recoge una evaluación inicial según la cual persisten retos en la coherencia de los modelos de decisión y en la toma de decisiones complejas.
Antes de priorizar la velocidad, hay que definir los límites de las decisiones
Para utilizarlo en la práctica, lo más sensato es empezar por distinguir «qué queremos que decida» de «qué ocurre si se equivoca». El impacto de un error no es el mismo al asignar etiquetas a los correos que al ocultar comentarios automáticamente. También conviene plantearse un diseño que remita a una persona los casos dudosos.
Que la respuesta sea breve no significa que el coste total del sistema vaya a reducirse necesariamente. El documento también señala que integrar Jev para comprimir el historial de conversaciones de una IA de asistencia a la programación podría perjudicar un mecanismo que reduce costes al reutilizar las entradas anteriores.
La documentación disponible no incluye una tarifa concreta de Jev, una verificación independiente de su precisión ni las condiciones de almacenamiento y uso de los datos. Si se va a implementar para procesar correos de trabajo o comentarios de clientes, será necesario comprobar por separado esas condiciones y la tasa de errores con entradas reales.
コメント