Jev Starter Guide: cómo integrar decisiones de IA en tu software

Si es la primera vez que escuchas hablar de Jev, puedes entenderlo inicialmente como un modelo de IA de toma de decisiones diseñado específicamente para ser utilizado por software.

Jev es el primer System One Model desarrollado por TypeSafe AI. Su enfoque es diferente al de los modelos generativos tradicionales como ChatGPT o Claude: mientras que un LLM convencional produce principalmente texto, Jev busca devolver directamente decisiones estructuradas que un programa pueda utilizar, como «¿a qué categoría pertenece?», «¿cuál es el nivel de riesgo?» o «¿qué probabilidad hay de que se cumpla determinada condición?». TypeSafe resume este enfoque como «Decisions, not strings».

Por eso, Jev está especialmente orientado a desarrolladores, creadores de AI Agents y sistemas de automatización. Por ejemplo, cuando llega un mensaje de atención al cliente, quizá no necesites que la IA redacte una respuesta completa. Primero podrías necesitar saber si se trata de una solicitud de reembolso, si es urgente o qué agente debería encargarse del caso. Este tipo de tareas es precisamente uno de los principales ámbitos de uso de Jev.

Empezar a usar Jev

Actualmente, Jev se ofrece principalmente mediante una API alojada, en lugar de permitir que los usuarios descarguen el modelo y lo ejecuten localmente. La documentación oficial de la API proporciona el endpoint POST /v1/systemone y requiere enviar la clave API mediante Authorization: Bearer <API_KEY>. También existe /v1/models para consultar los modelos disponibles.

Por tanto, para empezar necesitas principalmente:

1. Acceder al sitio oficial de TypeSafe AI.

2. Entrar en el entorno oficial de Jev, Console, Playground u otra interfaz disponible.

3. Configurar tu cuenta y el acceso a la API.

4. Obtener una API Key.

5. Seleccionar el modelo Jev.

6. Realizar tu primera solicitud desde el Playground o mediante la API.

Jev todavía se encuentra en Early Access, por lo que el proceso de registro y las interfaces pueden seguir cambiando. No conviene depender demasiado de capturas de pantalla o nombres de botones de tutoriales antiguos. El anuncio oficial indica que Jev abrió el acceso anticipado el 15 de septiembre de 2026.

Documentación oficial de la API: TypeSafe API Docs

Primera prueba: clasificar una consulta de atención al cliente

Si estás empezando con Jev, no es recomendable comenzar directamente con un Agent complejo. Una forma mucho más sencilla de probarlo es hacer que clasifique un mensaje de atención al cliente.

Por ejemplo, tenemos este mensaje:

Mi pago de Stripe sigue fallando. Ya he intentado volver a vincular la tarjeta bancaria, pero sigo sin poder completar el pago.

Queremos que el programa obtenga una de estas tres categorías:

• technical

• billing

• sales

Este es precisamente el tipo de tarea que corresponde a Choice en Jev.

La lógica básica puede entenderse como:

State → Question → Typed Decision

El State es la información que la IA debe analizar y Question es la pregunta concreta que quieres que responda.

Por ejemplo:

State:
Mi pago de Stripe sigue fallando. Ya he intentado volver a vincular la tarjeta bancaria, pero sigo sin poder completar el pago.

Question:
¿Qué departamento debería gestionar este problema?

Options:
technical
billing
sales

Jev devuelve un resultado estructurado, en lugar de una respuesta en lenguaje natural como «creo que debería enviarse al departamento de billing porque...».

Esto permite que tu código lea directamente el resultado:

if department == "billing":
    route_to_billing()

No necesitas volver a extraer la respuesta desde un texto generado por la IA.

Los tres tipos básicos de preguntas de Jev

Al empezar con Jev, lo más importante es comprender Choice, Score y Noul.

Choice: elegir entre varias opciones

Choice sirve para responder:

«¿A qué categoría pertenece?»

Por ejemplo:

¿Qué flujo debería seguir este usuario?

A. sales
B. support
C. refund
D. human_review

Es especialmente adecuado para enrutamiento de clientes, clasificación de contenido y selección de Agents.

Jev no solo puede devolver la opción seleccionada, sino también probabilidades asociadas a las distintas opciones y un nivel de confianza. El programa puede utilizar esta información para decidir si debe ejecutar automáticamente la acción.

Score: asignar una puntuación

Score responde a:

«¿En qué nivel se encuentra esto?»

Por ejemplo:

Evalúa el nivel de urgencia de este comentario de un cliente.

Puedes definir previamente una escala ordenada para que el resultado se convierta directamente en un valor numérico dentro del programa, en lugar de recibir expresiones ambiguas como «bastante urgente» o «muy urgente».

Es útil para niveles de riesgo, intención de compra, calidad del contenido o gravedad de una reclamación.

Noul: determinar si una afirmación es verdadera

Noul puede entenderse como una decisión probabilística de tipo Sí/No.

Por ejemplo:

¿Este usuario ha solicitado explícitamente un reembolso?

Jev devuelve una probabilidad entre 0 y 1.

Este formato resulta especialmente útil para construir reglas como:

if refund_probability > 0.9:
    start_refund_review()

Por eso, uno de los aspectos más interesantes de Jev no es simplemente «responder preguntas», sino permitir que una decisión de IA entre directamente en la lógica del software.

Cómo realizar la primera solicitud a la API

El endpoint principal de la API oficial es:

POST /v1/systemone

La autenticación utiliza:

Authorization: Bearer YOUR_API_KEY

La documentación oficial de la API proporciona actualmente estructuras de solicitud y respuesta para Choice, Score y Noul.

Una llamada sencilla puede entenderse conceptualmente así:

{
  "model": "jev-latest",
  "state": "Mi pago de Stripe sigue fallando.",
  "questions": {
    "department": {
      "type": "choice",
      "options": ["technical", "billing", "sales"]
    },
    "is_urgent": {
      "type": "noul"
    }
  }
}

Los campos concretos deben comprobarse siempre en el schema actual de la API. No conviene considerar los ejemplos publicados en otros sitios como una especificación permanente. La documentación oficial de TypeSafe puede cambiar a medida que evolucione el servicio.

Hay además una característica especialmente interesante para los nuevos usuarios: una sola solicitud puede incluir varias preguntas.

Es decir, sobre el mismo mensaje de atención al cliente puedes preguntar simultáneamente:

¿A qué departamento pertenece?
¿Es urgente?
¿El cliente solicita un reembolso?
¿Qué nivel de gravedad tiene su estado emocional?

En lugar de realizar cuatro llamadas independientes al modelo.

Las evaluaciones de workflows de TypeSafe también utilizan este enfoque: dividir una tarea compleja en múltiples decisiones independientes y dejar que el código combine posteriormente los resultados.

Cómo escribir el primer Prompt

Aunque Jev no sea un chatbot tradicional, la forma en que defines la información de entrada sigue siendo importante.

Para empezar, puedes utilizar esta estructura:

Objetivo + situación actual + criterios de decisión + restricciones + requisitos de salida

Por ejemplo:

Esta es una consulta de atención al cliente.
Determina a qué departamento corresponde principalmente el problema.
Los únicos departamentos disponibles son technical, billing y sales.
Si aparecen varios problemas, selecciona la categoría que requiera atención prioritaria.
No crees categorías nuevas.

Esta formulación es mucho más apropiada para un sistema automatizado que:

«Ayúdame a decidir de qué problema se trata».

La razón es que estás indicando previamente a Jev qué decisiones puede tomar.

Esta es también una diferencia importante respecto a un LLM convencional: no estás pidiendo al modelo que improvise libremente, sino que estás diseñando una interfaz de decisión que el software puede consumir directamente.

Cómo conseguir resultados más fiables con Jev

Cuando empieces, no intentes resolverlo todo con un único Prompt.

Es preferible:

Dividir la tarea → realizar decisiones independientes → combinar los resultados mediante código.

Por ejemplo, un Agent de atención al cliente podría funcionar así:

Mensaje del cliente
   ↓
Jev: determinar la intención
   ↓
Jev: determinar la urgencia
   ↓
Jev: determinar si requiere intervención humana
   ↓
El código decide el enrutamiento
   ↓
Si hace falta una respuesta, llamar a un LLM

Esta arquitectura encaja con la posición que TypeSafe plantea para Jev. La compañía destaca que Jev no pretende sustituir a los LLM generativos, sino encargarse de decisiones estructuradas dentro de sistemas automatizados.

Otra técnica importante es utilizar confidence.

Por ejemplo:

confidence > 0.90
→ procesamiento automático

0.60–0.90
→ revisión humana

< 0.60
→ llamar a un LLM más potente

Sin embargo, no debes interpretar automáticamente 0.90 como «90 % de probabilidades de acertar». Las calibrated probabilities forman parte del diseño de Jev, pero en producción deberías utilizar tus propios datos para comprobar y calibrar estos umbrales. TypeSafe también presenta la probabilidad y la incertidumbre como elementos centrales del diseño de Jev.

Problemas más habituales al empezar

Jev no sigue mis instrucciones

Primero comprueba si has planteado a Jev una tarea abierta.

Por ejemplo:

«Escribe un correo electrónico para este cliente».

No es el tipo de tarea para el que Jev está diseñado.

Sería más apropiado preguntar:

«¿Este correo requiere intervención humana?»

Y dejar la generación del texto a un LLM convencional.

El resultado no es suficientemente preciso

No asumas inmediatamente que el problema está en el modelo.

Comprueba:

• si las opciones están definidas de forma demasiado ambigua;

• si existen dos categorías muy similares;

• si al State le falta información necesaria;

• si deberías dividir una pregunta compleja en varias decisiones;

• si los thresholds han sido validados con datos reales.

Intentar que Jev haga todo

Este es uno de los errores más habituales al empezar.

El valor de Jev está precisamente en limitarlo a la parte del trabajo en la que resulta más adecuado.

Por ejemplo:

LLM: comprensión, razonamiento y generación
Jev: clasificación, puntuación, decisión y enrutamiento
Code: lógica determinista y ejecución

Combinar los tres componentes suele ser más razonable que intentar que un único modelo gestione todo el flujo.

Un workflow completo de Jev para principiantes

Si quieres integrar Jev realmente en tu proyecto, puedes comenzar con un Agent muy sencillo.

Paso 1: recibir la solicitud

El usuario envía un mensaje de atención al cliente.

↓

Paso 2: análisis mediante Jev

Determinar la intención, el nivel de urgencia y si hace falta intervención humana.

↓

Paso 3: el código decide el flujo

Alta confianza → procesamiento automático.

Baja confianza → revisión humana.

↓

Paso 4: llamar al LLM

Si es necesario explicar algo, redactar un correo o generar una respuesta, se utiliza entonces un LLM tradicional.

↓

Paso 5: comprobar los resultados

Registrar la decisión de Jev, su probabilidad y el resultado final.

↓

Paso 6: mejorar continuamente

Utilizar datos reales para comprobar qué thresholds funcionan y qué categorías generan más errores.

Este enfoque está mucho más cerca de la filosofía de diseño de Jev que simplemente proporcionar a un AI un «superprompt» y pedirle que haga todo por sí mismo.

¿Para quién es adecuado Jev?

Jev está especialmente orientado a quienes necesitan integrar IA dentro de procesos de software, entre ellos:

• desarrolladores de AI Agents;

• desarrolladores backend;

• creadores de SaaS automatizados;

• desarrolladores de sistemas RAG y Agent;

• sistemas de clasificación de texto a gran escala;

• desarrolladores de workflows empresariales.

Si simplemente quieres chatear, escribir artículos, programar o generar textos de marketing, un LLM tradicional sigue siendo una opción más directa.

El verdadero interés de Jev aparece en aquellas tareas que anteriormente obligaban a utilizar un LLM grande, pero que en realidad consisten en una pequeña decisión repetitiva.

FAQ

¿Qué es Jev?

Jev es el primer System One Model de TypeSafe AI. Está diseñado principalmente para devolver decisiones de IA estructuradas en lugar de generar lenguaje natural.

¿Es necesario instalar Jev?

Actualmente, Jev se utiliza principalmente mediante el servicio alojado y la API de TypeSafe. No es una herramienta que normalmente se descargue y ejecute localmente como un modelo abierto.

¿Jev es gratuito?

Jev se encuentra actualmente en Early Access. Las cuotas y condiciones concretas deben consultarse en la consola y la información oficial de TypeSafe en cada momento. TypeSafe ha publicado un precio de 0,042 USD por millón de tokens de entrada, mientras que las decisiones de salida no tienen coste.

¿Cuál es la diferencia entre Jev y un chat de IA convencional?

Un AI Chat convencional está diseñado para generar contenido que pueda leer una persona; Jev está diseñado para devolver decisiones estructuradas que el software pueda utilizar directamente.

¿Puede Jev realizar tareas complejas?

Es más adecuado como componente de decisión dentro de un Agent complejo que como sistema independiente para escritura abierta, generación de código compleja o razonamiento extenso.

¿Hace falta saber programar para utilizar Jev?

Si solo quieres probarlo mediante un Playground, no necesitas conocimientos avanzados de programación. Sin embargo, para integrar Jev en un AI Agent o sistema de automatización, resulta muy útil tener conocimientos básicos de API y programación.

¿Cómo puedo mejorar la tasa de éxito de Jev?

Normalmente es más eficaz definir claramente el estado, limitar el espacio de decisión, dividir las tareas complejas y validar confidence y thresholds con datos reales, en lugar de añadir continuamente más instrucciones al Prompt.

¿Puede Jev sustituir a ChatGPT?

No conviene plantearlo de esa manera. Una arquitectura más razonable es utilizar un LLM para la comprensión y generación abiertas, Jev para decisiones estructuradas y frecuentes, y el propio software para determinar las acciones posteriores. TypeSafe también sitúa ambos tipos de modelos en capas diferentes del sistema.

Conclusión

Para empezar con Jev, no necesitas estudiar todas sus funciones avanzadas. Lo más sencillo es buscar una tarea repetitiva de toma de decisiones que actualmente estés resolviendo con un LLM.

Por ejemplo:

«¿De qué tipo es este correo?»

«¿Este usuario necesita intervención humana?»

«¿Qué rama debería seguir este Agent?»

«¿Cuál es el nivel de riesgo de esta solicitud?»

Convierte estas preguntas en Choice, Score o Noul y haz que Jev devuelva resultados que tu programa pueda consumir directamente.

Cuando entiendes esto, también entiendes la esencia de Jev:

No pretende ser una IA que simplemente conversa mejor, sino una función de decisión de IA que el software puede invocar directamente.

Lo verdaderamente interesante que queda por comprobar es hasta qué punto estas decisiones son precisas con tus propios datos y si sus niveles de confidence son suficientemente fiables como para permitir que un Agent pase de «la IA sabe responder preguntas» a «el software puede incorporar a la IA en su proceso de toma de decisiones».