TypeSafe Jev

Qué es

Jev es un modelo de TypeSafe AI que responde preguntas tipadas en lugar de escribir texto. Envías un state (un email, un registro del CRM, una cláusula de contrato, como texto o JSON) y una o varias preguntas con nombre, y devuelve respuestas estructuradas: un choice entre hasta 255 opciones que tú defines, un score sobre una rúbrica de hasta 10 niveles, o un noul, una probabilidad de 0 a 1 de que una afirmación sea verdadera. Las respuestas de choice y score también devuelven la distribución completa de probabilidades y un valor de confidence. No hay prosa que parsear ni JSON malformado que reintentar.

TypeSafe salió del modo stealth en septiembre de 2026 y, el 9 de octubre de 2026, anunció una ronda de $870M con una valuación de $7.5B liderada por Andreessen Horowitz, con Sequoia y DCVC. El producto sigue marcado como acceso anticipado en typesafe.ai. El acceso es a través de un único endpoint REST (POST https://api.typesafe.ai/v1/systemone) más SDKs de Python y JavaScript. La documentación no menciona conectores nativos para Zapier, Make ni n8n, así que en esas herramientas lo llamas desde un paso de solicitud HTTP.

Dónde encaja en la automatización de operaciones

Jev sirve para la decisión dentro de una automatización, no para la automatización en sí. Los casos de uso concretos donde se gana su lugar:

• Triaje de tickets. Una sola llamada pregunta “¿qué cola?” (choice), “¿qué tan urgente?” (score) y “¿es una solicitud de reembolso?” (noul) sobre el mismo ticket. TypeSafe evalúa las preguntas en paralelo, así que agregar una pregunta casi no cambia la latencia.
• Prechequeos de enrutamiento de leads. Clasifica un formulario inbound o una respuesta por segmento, intención y “¿ya es cliente?” antes de que tu router asigne un responsable.
• Puntos de aprobación. Preaprobación de gastos, triaje de la mesa de descuentos o “¿esta cláusula se desvía de nuestro playbook?” como sí/no con una probabilidad adjunta.
• Aprobación de llamadas a herramientas en agentes. Pregúntale a Jev si la acción que propone un agente coincide con lo que pidió el usuario antes de ejecutarla.

El patrón que documenta TypeSafe es el enrutamiento condicionado por confianza: actuar automáticamente por encima de un umbral alto, pedir confirmación en la franja media y mandar a una persona todo lo que quede por debajo de aproximadamente 0.5.

Precio real

Jev 1.13 y Jev 1.14 cuestan $0.042 por millón de tokens de entrada, y los tokens de salida son gratis (página de modelos de TypeSafe, revisada el 21 de octubre de 2026). TypeSafe no ofrece licencia por usuario. Los planes enterprise agregan límites de tasa más altos y retención cero de datos a través de ventas.

A volúmenes de operaciones, la factura es un error de redondeo. 100,000 tickets al mes a unos 1,500 tokens de entrada cada uno son 150M de tokens, o unos $6.30. El mismo volumen en la Decisions API de OpenAI ($0.10 por millón de entrada, sin cargo por salida) cuesta unos $15. En un modelo general como GPT-6 Luna a través de la Responses API, son unos $17.50 una vez que pagas unos 50 tokens de salida por respuesta. El precio no va a decidir esta compra. Lo decidirán la precisión sobre tus propias etiquetas y si los números de confianza significan algo con tus datos.

Ideal para

Un ingeniero de RevOps, support ops o legal ops que ya corre triaje o enrutamiento en n8n, un servicio propio o un framework de agentes, y que está gastando dinero o latencia en un LLM para producir una etiqueta por registro. La ganancia es velocidad, costo casi nulo y una probabilidad sobre la que puedes fijar umbrales.

No es para un equipo sin alguien que pueda llamar una API y mantener un set de prueba etiquetado, ni para un workflow donde la decisión requiera razonamiento de varios pasos, aritmética o lógica de fechas.

Frente a las alternativas

La Decisions API de OpenAI es el competidor directo y la opción por defecto si ya trabajas sobre OpenAI. Entró en beta pública el 6 de octubre de 2026 sobre gpt-6-luna, con las mismas tres formas de pregunta (predicate, choice, score), a $0.10 por millón de tokens de entrada. Elígela cuando necesites ZDR, elegibilidad HIPAA o residencia de datos en la UE hoy mismo sin pasar por ventas, o un solo contrato de proveedor. Elige Jev cuando el costo de entrada o la latencia a volumen muy alto sean la restricción, y cuando le gane a Luna en tu propia evaluación. Al menos un comentarista en el hilo de HN sobre la ronda reportó que así fue en evaluaciones de producción.

Un LLM general con salidas estructuradas (modelos de Claude, ChatGPT) es lo que la mayoría de los equipos usa hoy. Mantenlo cuando la decisión requiera razonar en varios pasos, o cuando quieras el texto de explicación junto a la etiqueta para una pista de auditoría.

El triaje nativo de tu helpdesk o router (Zendesk, Intercom, LeanData) es la decisión correcta cuando la IA o las reglas integradas del proveedor ya cubren tus categorías. Agregar una llamada a un modelo suma una dependencia sin ganancia.

Puntos de atención

• “Confidence” no es precisión calibrada. La propia documentación de TypeSafe la define como una estadística de qué tan concentrada está la distribución de probabilidades, no como una tasa de acierto medida. Comentaristas en HN cuestionaron las afirmaciones de calibración, y algunos encontraron que los LLM generales eran más precisos con etiquetas de dominio de negocio. Protección: pasa 200 a 500 registros históricos con resultado conocido por Jev, grafica la precisión por franja de confianza y fija cada umbral a partir de ese gráfico, pregunta por pregunta.
• Puntos ciegos documentados. Las notas de TypeSafe sobre Jev 1.13 listan sesgo hacia la primera opción en preguntas de choice, mal manejo de números, fechas y dobles negaciones, y menor precisión cuando el state trae detalles irrelevantes. Protección: calcula fechas, montos y SLAs en código antes de la llamada, recorta el state a los campos que importan, y mezcla el orden de las opciones o usa el patrón documentado de autoconsistencia en las decisiones de alto riesgo.
• El state no se trata como hostil. Las mismas notas dicen que instrucciones inyectadas en la entrada pueden cambiar las respuestas, pese a la frase de marketing “zero hallucinations”. Protección: nunca dejes que una respuesta de Jev por sí sola dispare un reembolso, una eliminación o una acción contractual sobre texto que envió un cliente; exige una segunda verificación o una persona por encima de un umbral de costo.
• Proveedor en acceso anticipado, alias que se mueven. jev-latest y jev-preview cambian de destino cuando salen nuevas versiones, y la documentación no indica política de deprecación. Protección: fija jev-1.13.0 (o la versión que validaste), vuelve a correr tu set de evaluación antes de cambiar de versión y mantén la llamada al modelo detrás de una sola función para poder pasarte al endpoint de OpenAI en una tarde.