En los últimos días, todo el mundo habla de un modelo de inteligencia artificial llamado Jev. No es un modelo más porque en este caso no escribe textos, ni genera imágenes, hace algo distinto: toma decisiones, y lo hace de forma rápida, barata y estructurada.

Vamos a suponer una empresa que recibe miles de mensajes y tiene que decidir a qué departamento pasarlos. Si es una queja, debería enviarlo al servicio de atención al cliente, si es un problema técnico, al departamento de soporte, si es un problema con una factura, a financiero. Se puede utilizar un modelo de lenguaje de los que utilizamos a diario, pero en realidad necesitamos que nos diga a que departamento pasar, no que nos de textos extensos ni gaste recursos en redactar, etc. Hay consultas que necesitan una palabra, un sí o no, y el resto sobra.

Eso es Jev.

Su creador a Diogo Almeida trabajó anteriormente en OpenAI y participó en el desarrollo de InstructGPT. Ahora su empresa, TypeSafe AI, lo ha presentado como su primer System One Model, una categoría que la propia empresa propone para modelos especializados en tomar decisiones estructuradas en lugar de generar lenguaje. Según TypeSafe, Jev puede clasificar, puntuar, elegir entre diferentes opciones o determinar si se cumple una condición, devolviendo además probabilidades y niveles de confianza que permiten al software decidir qué hacer después.

Jev plantea ¿necesitamos realmente utilizar un LLM tan complejo y potente cada vez que queremos añadir un poco de inteligencia a un programa o simplemente pedirle que decida entre varias alternativas?

Muchos procesos informáticos no necesitan lenguaje.

La documentación de TypeSafe establece tres tipos básicos de decisión.

• Choice permite escoger entre diferentes opciones.
• Score asigna una puntuación dentro de una escala.
• Y Noul evalúa probabilísticamente si determinada afirmación se cumple.

El desarrollador define previamente qué respuestas son posibles y Jev devuelve un resultado estructurado acompañado de probabilidades.

La frase con la que Diogo Almeida, fundador de TypeSafe, intenta resumirlo es bastante reveladora: Jev funciona como una llamada a una función con inteligencia de frontera. Entra información no estructurada y salen decisiones probabilísticas que el software puede utilizar directamente.

Dicho de una forma todavía más sencilla: Jev quiere convertirse en una especie de “if inteligente”.

La programación tradicional está llena de reglas del tipo “si ocurre A, haz B”. El problema comienza cuando la realidad no encaja perfectamente en esas reglas. Podemos programar que todos los mensajes que contengan la palabra “factura” vayan a facturación, pero un cliente puede escribir “me habéis cobrado dos veces este mes” sin utilizar en ningún momento esa palabra. Una persona entiende inmediatamente de qué trata el mensaje. Una regla rígida puede no hacerlo.

Hasta ahora una de las soluciones ha consistido en colocar un LLM en medio.

TypeSafe propone otra: utilizar un modelo especializado precisamente en ese pequeño espacio que existe entre la rigidez del software tradicional y la enorme flexibilidad de un gran modelo generativo.

¿Por qué está llamando tanto la atención?

Hay una razón técnica, pero también una económica. Los grandes modelos generan texto de forma autoregresiva: producen un token, utilizan ese resultado para calcular el siguiente y continúan así hasta completar la respuesta. Ese mecanismo permite producir resultados muy complejos, pero también introduce tiempo y coste.

Jev renuncia a esa capacidad. No puede escribir un correo electrónico ni mantener una conversación porque no genera texto libre. TypeSafe asegura que esa especialización le permite procesar determinadas decisiones mucho más deprisa y a un coste mucho menor.

TechCrunch contaba días después del lanzamiento que la demanda inicial llegó a superar temporalmente la capacidad de la API. El interés se concentra especialmente en equipos que trabajan con agentes y automatizaciones, precisamente porque una arquitectura con muchos agentes puede necesitar tomar continuamente pequeñas decisiones internas.

Pensemos en un agente encargado de realizar una tarea empresarial. Durante su ejecución puede necesitar decidir qué documento recuperar, qué herramienta utilizar, qué información conservar, si una respuesta cumple determinadas condiciones o si debe repetir una acción. Utilizar un gran modelo de razonamiento para todas esas decisiones puede resultar innecesario.

Jev intenta ocupar ese nivel intermedio.

Diogo Almeida, que trabajó anteriormente en OpenAI, fue uno de los autores del trabajo Training language models to follow instructions with human feedback. Aquella investigación mostró que el tamaño de un modelo no era lo único importante. Un modelo mucho más pequeño, pero entrenado específicamente para seguir las preferencias e instrucciones humanas, podía ser preferido por los usuarios frente a GPT-3, considerablemente mayor.

En la presentación de TypeSafe explica que durante los últimos cuatro años le perseguía una pregunta: si los modelos ya eran extraordinariamente buenos conversando, ¿por qué no estábamos viendo una automatización comparable? Su conclusión fue que tal vez habíamos optimizado demasiado los modelos para comunicarse con personas y demasiado poco para integrarse directamente dentro del software.

La observación es sencilla, pero toca uno de los supuestos más arraigados de la IA generativa.

Desde la aparición de ChatGPT hemos terminado identificando en gran medida inteligencia artificial con conversación. Incluso cuando un modelo trabaja detrás de una aplicación, seguimos enviándole texto, esperando otra secuencia de texto e interpretando después ese resultado. Pero un ordenador no necesita necesariamente una explicación. Necesita saber qué hacer.

System One frente a modelos que razonan

TypeSafe llama a Jev un System One Model, una referencia a la teoría que popularizó el psicólogo y premio Nobel Daniel Kahneman en su libro Pensar rápido, pensar despacio. Kahneman distinguía entre una forma de pensamiento rápida, automática e intuitiva, que utilizamos para resolver situaciones familiares, y otra más lenta y deliberada, que empleamos cuando necesitamos analizar problemas complejos. Almeida toma prestada esa distinción para explicar su propuesta: mientras buena parte de la industria desarrolla modelos capaces de razonar durante más tiempo, Jev está especializado en resolver pequeñas decisiones de forma rápida y con un coste reducido. No todas las tareas necesitan el mismo esfuerzo de razonamiento, y TypeSafe quiere aprovechar precisamente esa diferencia.

La comparación aparece en un momento especialmente interesante porque buena parte de la carrera actual de la inteligencia artificial persigue lo contrario precisamente: modelos capaces de dedicar más tiempo y más computación a un problema, explorar diferentes alternativas y construir razonamientos cada vez más complejos.

Tiene sentido cuando el problema también lo es, si hablamos de una investigación extensa o una tarea compleja de programación pero no si hablamos de clasificar un correo entre cuatro departamentos.

Jev parte de esa diferencia y por ello, su documentación recomienda, de hecho, descomponer las decisiones complejas en preguntas más pequeñas. Si queremos analizar una empresa, en lugar de pedir al modelo que decida directamente si es una buena inversión podemos evaluar por separado el tamaño del mercado, la diferenciación o la viabilidad tecnológica y dejar que el software combine posteriormente esas variables.

El modelo aporta juicio probabilístico. El programa mantiene la estructura y las reglas.

Jev tampoco tiene que sustituir a ChatGPT o Claude

Jev no es un competidor directo de ChatGPT, Claude o Gemini porque no pretende realizar el mismo trabajo. De hecho, una de las aplicaciones más interesantes consiste precisamente en utilizar ambos tipos de modelo conjuntamente y la prueba es que hoy precisamente Meta ha anunciado que Ollama soporta ahora decisiones Jev.

Un agente puede emplear un gran modelo de lenguaje para investigar o resolver una tarea compleja y recurrir a Jev para cientos de pequeñas decisiones que aparecen durante ese proceso: seleccionar una herramienta, clasificar un resultado, evaluar una condición o decidir si una determinada tarea necesita intervención humana. Lo normal es esperar que Jev funcione como una capa de decisión entre distintas piezas del sistema.

¿De dónde viene el nombre de Jev?

El nombre Jev no es casual. Hace referencia a William Stanley Jevons, un economista británico del siglo XIX que observó un fenómeno aparentemente contradictorio: cuando conseguimos utilizar un recurso de forma más eficiente, su consumo total no siempre disminuye. En ocasiones sucede justamente lo contrario.

Jevons estudió lo que estaba ocurriendo con el carbón en la Inglaterra industrial. Las máquinas de vapor habían mejorado considerablemente y necesitaban menos carbón para realizar el mismo trabajo. Lo lógico habría sido pensar que, al consumir menos combustible, la demanda de carbón disminuiría. Sin embargo, ocurrió algo diferente. Como las máquinas eran cada vez más eficientes, utilizarlas resultaba más rentable. Más fábricas podían permitírselas, aparecían nuevas aplicaciones y cada vez se utilizaban más máquinas de vapor. Aunque cada una consumía menos carbón para hacer un trabajo determinado, entre todas acababan consumiendo más.

Esta es la paradoja de Jevons: ahorrar un recurso en cada uso puede terminar aumentando su consumo total, porque la mayor eficiencia permite utilizarlo muchas más veces. No sucede siempre, pero explica por qué las mejoras tecnológicas no se traducen necesariamente en una reducción del consumo.

Supongamos que conducir un coche cuesta diez euros por cada cien kilómetros y que una nueva tecnología consigue reducir ese gasto a dos euros. Si seguimos haciendo exactamente los mismos desplazamientos, ahorraremos dinero y consumiremos menos combustible. Pero también puede ocurrir que, al resultar mucho más barato conducir, empecemos a utilizar el coche para trayectos que antes evitábamos, hagamos más viajes o decidamos vivir más lejos del trabajo. La reducción del coste por kilómetro puede estimular un mayor uso del automóvil.

¿Qué tiene que ver todo esto con la inteligencia artificial? Mucho más de lo que parece. Actualmente, utilizar modelos de IA tiene un coste. Cada vez que una empresa solicita a un modelo que analice un documento, responda una consulta o tome una decisión, está consumiendo recursos informáticos y pagando por ellos. Por eso la industria dedica tantos esfuerzos a conseguir modelos más eficientes y reducir el coste de utilizarlos.

Si ese coste disminuye, las empresas pueden hacer más cosas con el mismo presupuesto. Pero también empiezan a resultar viables aplicaciones que antes eran demasiado caras. Una empresa que hoy utiliza inteligencia artificial para analizar las reclamaciones más importantes de sus clientes podría llegar a utilizarla para examinar absolutamente todos los mensajes que recibe. Cuanto más barato resulte utilizar inteligencia artificial, más oportunidades aparecerán para utilizarla. El consumo total podría crecer incluso aunque cada operación individual necesite menos recursos.

Y aquí es donde entra Jev.

TypeSafe parte precisamente de esa idea, pero propone una forma particular de reducir los costes. En lugar de utilizar un gran modelo de lenguaje para cualquier tarea, ha desarrollado Jev para resolver decisiones pequeñas y concretas.

Por tanto, si consigue que esas pequeñas decisiones sean suficientemente rápidas y baratas, los desarrolladores empezarán a incorporar inteligencia artificial en procesos donde hasta ahora no compensaba hacerlo. Jev podría utilizarse para decidir qué herramienta debe activar un agente, qué documento resulta relevante, qué incidencia necesita atención o cuándo conviene solicitar la intervención de una persona.

Por eso Almeida ha elegido el nombre de Jevons. Su hipótesis es que abaratar cada decisión inteligente puede multiplicar el número de decisiones que las empresas delegan en la inteligencia artificial. Igual que las máquinas de vapor más eficientes hicieron económicamente viable utilizar carbón en muchas más actividades, modelos especializados como Jev podrían hacer viable introducir inteligencia artificial en muchos más procesos informáticos.

Que esto termine provocando un aumento del consumo total de IA dependerá de cómo evolucione su adopción. Pero la lógica económica que inspira el nombre está clara: TypeSafe no espera que las empresas gasten menos en inteligencia artificial haciendo lo mismo de siempre. Espera que, al resultar más barata, encuentren muchas más cosas que hacer con ella.

Y de ahí, todo el revuelo de estas semanas y tantas líneas escritas en medios sobre Jev.