El juicio dejó de ser un lujo

TypeSafe AI, una empresa de San Francisco que llevaba dos años sin mostrarse, publicó el 15 de septiembre de 2026 un modelo llamado Jev que no sabe escribir ^[1]. Jev recibe un texto y una lista de preguntas con las respuestas posibles ya definidas, y devuelve una elección, una puntuación o la probabilidad de un sí, cada una con su grado de confianza ^[2]. Su fundador, Diogo Almeida, lo describe como una llamada de función: «estado no estructurado adentro, decisiones tipadas y probabilísticas afuera» ^[1]. El modelo cobra 0,042 dólares por millón de tokens de entrada y nada por la salida ^[1]. Dieciséis días después, el 1 de octubre, Cloudflare y Amazon publicaron modelos abiertos de la misma clase, y OpenAI había anunciado el suyo dos días antes ^{[3] [4] [5]}.

Conviene leer el lanzamiento como el ejemplo de algo mayor. La inteligencia artificial está pasando de la conversación al condicional: deja de producir texto para una persona que lo lee y empieza a devolver un valor que otro programa ejecuta sin que nadie lo mire. El comprador de inteligencia deja de ser alguien que lee y pasa a ser una línea de código. Lo que antes corregía un lector, que nota cuando una respuesta suena rara, queda a cargo de un número: el umbral de confianza a partir del cual el programa actúa solo. Ese número no viene con el modelo. Lo escribe quien lo instala.

Un modelo que no sabe escribir

La empresa llama a la clase «modelos de Sistema Uno», por la distinción de Daniel Kahneman entre el pensamiento rápido e intuitivo y el lento y deliberado ^[1]. El nombre del modelo recuerda a William Stanley Jevons, el economista que observó que un carbón más eficiente multiplicaba su consumo ^[1]. Jev acepta solo texto, admite hasta 255 opciones por pregunta y responde en paralelo todas las preguntas de una petición ^[2]. No se descarga ni se ajusta: se sirve por API y, según su documentación, «los mismos pesos atienden a todas las cuentas» ^[2]. TypeSafe promete respuestas en 70 a 500 milisegundos y afirma que Jev no es un modelo de lenguaje, aunque no ha publicado su arquitectura ^[1]. Su precio de entrada es 238 veces menor que el de los modelos insignia de OpenAI y Anthropic, que cobran 10 dólares por millón de tokens ^[6].

Almeida pasó cuatro años en OpenAI mejorando las respuestas de ChatGPT y salió en 2024 ^[7]. La firma DCVC encabezó una ronda semilla de 40 millones de dólares ^[8], que valoró a la empresa en 200 millones según una sola fuente citada por Forbes ^[7]. Su apuesta cabe en una frase que le dio a ese inversor: en una economía automatizada, más del 99 % de las llamadas a la inteligencia artificial las hará el software y no las personas ^[8]. Vercel informó que Jev llegó en 24 horas a casi el 13 % de los equipos de pago de su pasarela de modelos, el doble que la familia GPT-5.6 ^[9]. Almeida dijo al Wall Street Journal que una cuarta parte de las empresas del Fortune 500 ya lo usa y que el modelo procesaba un billón de tokens diarios ^[10]. Ninguna de las dos cifras tiene otra fuente que él.

Dieciséis días

Cloudflare publicó el 1 de octubre Clef y Clef-flash, construidos sobre los modelos abiertos chinos Qwen, liberados bajo licencia Apache 2.0 y compatibles con la interfaz de Jev ^[3]. La empresa los cobra a 0,24 y 0,09 dólares por millón de tokens y sostiene, en mediciones propias, que responden en 209 y 39 milisegundos de mediana frente a 524 de Jev ^[3]. Su anuncio dice dos cosas que pesan más que las cifras. El mercado de estos modelos, escribe, «se está saturando cada vez más», y un humano ya no necesita necesariamente estar en el circuito de las decisiones de un agente ^[3].

Amazon publicó el mismo día Strands Decider 2B, un modelo de 2.000 millones de parámetros que corre en una laptop con una mediana de 153 milisegundos, junto con sus datos y sus programas de entrenamiento ^[4]. Sus autores admiten que la clase es «significativamente peor» que los modelos que razonan cuando el problema es complejo. La razón por la que eso importa poco también es suya: una decisión tan barata puede vivir en un tramo del programa donde una llamada a un modelo de lenguaje nunca cabría ^[4]. OpenAI anunció el 29 de septiembre una Decisions API en vista previa limitada, sin precio publicado ^[5].

Lo que el tipo no garantiza

TypeSafe escribió que Jev «no puede alucinar» ^[1]. La frase es cierta en un sentido estrecho que la propia empresa explica: el modelo nunca devuelve algo fuera de la lista de respuestas, y su cifra de cero alucinaciones «no es empírica» sino una garantía de formato ^[1]. Su página lo admite sin adorno: Jev no puede inventar una categoría, pero puede elegir la equivocada ^[11]. Un lector de Hacker News lo dijo en una línea: la seguridad de tipos no es corrección factual ^[12]. Almeida respondió en ese hilo que el modelo es probabilístico y que también puede equivocarse con plena confianza ^[12].

Las pruebas de terceros miden cuánto. Una de ellas le pidió clasificar 2.000 correos sintéticos y Jev acertó el 62,6 %, frente al 81,3 % de Claude Haiku 4.5 y al 91,6 % de una regla escrita a mano, aunque costó doce veces menos que Haiku ^[13]. La consultora AY Automate halló que Jev falló 5 de 112 respuestas dadas con confianza de 0,90 o más, todas por dos etiquetas que se solapaban. Su conclusión es que ningún puntaje de confianza avisa de un catálogo mal definido ^[14]. Otro ensayo preguntó por la prioridad de 300 solicitudes cuya regla no estaba en el texto: el modelo acertó el 44,7 % y asignó a sus respuestas una probabilidad media de 0,74 ^[15]. Una receta de torta quedó clasificada como problema técnico con confianza de 0,94 ^[16]. Un preimpreso académico cambió los nombres de dos opciones sin tocar el criterio y la capacidad de Jev para separar los casos cayó de 0,81 a 0,58, con cero errores de tipo ^[17].

Armin Ronacher, director técnico de Earendil, dio a TechCrunch la descripción más precisa: el diseño «delega un poco el problema de la alucinación en el usuario» ^[18]. Quien usa el modelo decide si una probabilidad del 50 % es una moneda al aire y si una del 95 % es una orden.

El idioma de fábrica

La documentación de Jev trae una advertencia que casi nadie citó. El inglés es el idioma principal de su entrenamiento y donde mejor acierta, los demás se manejan «pero no igual de bien», y conviene probar con contenido propio antes de confiarle una carga que no esté en inglés ^[2]. Amazon entrenó su modelo con dieciocho conjuntos de datos en inglés y ajustó su calibración solo con ejemplos en ese idioma ^[19]. Cloudflare y OpenAI no dicen nada sobre idiomas ^{[3] [5]}.

Un desarrollador comparó a Jev en 3.200 casos escritos en inglés y en español, y encontró que en español pierde entre 3,0 y 6,4 puntos de acierto y duplica su error de calibración en las dos tareas más difíciles ^[20]. Automatizar lo que el modelo responde con confianza de 0,9 o más cubre el 72,2 % de la tarea más difícil en inglés y el 63,4 % en español, y lo automatizado en español acierta menos ^[20]. Laya, un modelo abierto de la misma clase, envió a ventas con confianza de 1,00 a quien decía «No me pase con ventas, solo quiero saber el horario» ^[21]. Ninguna prueba pareada mide a Jev, a Clef o a Strands Decider en portugués, y casi todo el español medido es el de España.

Tres semanas en la región

Los desarrolladores latinoamericanos no esperaron esas mediciones. Un programa de escritorio brasileño etiqueta con Jev las conversaciones de WhatsApp de un negocio —cotización, reserva, operación— quince segundos después del último mensaje ^[22]. Otro desarrollador puso cinco sistemas a atender a los pacientes de una clínica dental ficticia: el modelo más caro de OpenAI resolvió el 88 % de 26 casos y Jev el 81 % ^[22]. Un tercero clasifica mensajes de estafas con Pix sobre datos simulados ^[22]. Una herramienta que corre sin conexión sobre Laya acertó el 93 % en noticias en inglés y entre el 68 y el 70 % en reseñas brasileñas, dos tareas distintas ^[22]. Todas son demostraciones, y ninguna documenta un cliente.

La región adoptó la inteligencia artificial, y la adoptó a mano. El 52 % de los pequeños negocios brasileños la había usado en las dos semanas previas a la encuesta del Sebrae, más del doble que sus pares estadounidenses ^[27]. Lo que falta es inteligencia conectada a un proceso: entre las empresas de diez o más personas, solo el 15 % de las pequeñas usa una aplicación de ese tipo, frente al 50 % de las grandes ^[25]. Un modelo de decisión es esa conexión, porque no conversa con el dueño sino que trabaja dentro del programa.

El precio cambia qué decisiones vale la pena tomar. Mil decisiones sobre un mensaje corto cuestan dos centavos a precio de lista, de modo que clasificar durante un año cada conversación de un comercio que reciba 300 mensajes diarios cuesta menos de siete dólares. La bandeja de WhatsApp, por donde vende el 79 % de las empresas brasileñas que venden en línea, es hoy trabajo manual: separar la cotización del reclamo, la reserva de la estafa y lo urgente de lo que puede esperar ^[25]. La primera pasada cuesta cerca de una milésima de lo que cobra un revisor con salario mínimo que resuelva un caso por minuto, y el revisor queda para lo que cae bajo el umbral.

Las colas del Estado admiten la misma cuenta: la justicia brasileña recibió 40,9 millones de casos en 2025 y cerró el año con 75,5 millones pendientes ^[26]. Sus tribunales califican de «muy altos» tres obstáculos para usar inteligencia artificial: la falta de personal especializado, de presupuesto y de hardware ^[28]. Un modelo abierto que corre en una laptop deja de exigir los tres, y una primera clasificación de cada caso nuevo, a 5.000 tokens por expediente, costaría unos 8.600 dólares.

Ese juicio en cada operación era patrimonio de los grandes. Nubank tardó cinco años en construir la plataforma que evalúa 450 millones de eventos diarios ^[29], y Mercado Libre revisó 1.084 millones de publicaciones en un semestre ^[30]. Un modelo de texto no reemplaza esos sistemas, que trabajan sobre datos de transacciones, pero le da a quien no los tiene un juicio sobre mensajes y documentos. Quien lo va a entregar no es el laboratorio sino el proveedor de software que ya atiende al comercio, a la clínica o al despacho, porque cuatro de cada cinco empresas compran su inteligencia artificial hecha ^[25].

La condición es la que los hechos ya mostraron: el umbral lo fija quien instala, y la confianza está sin medir en nuestros idiomas. Cada clase nueva de modelo nace calibrada en inglés y reabre la brecha, como le pasó a la moderación de OpenAI entre 2022 y 2024 ^[31]. Un modelo ajustado en inglés casi duplica su error de calibración en otros idiomas, y unos pocos ejemplos locales lo corrigen en buena parte ^[32]. Un hispanohablante nota el mal español de un chat. Nadie nota el de un condicional. Las dos pruebas disponibles ya recomiendan escribir los criterios en inglés aunque el cliente hable español, y esa es la tendencia que conviene vigilar: reglas del negocio en un idioma y clientes en otro ^{[20] [21]}.

El contrapunto hay que concederlo entero. Clasificar texto no es nuevo, y una de las primeras objeciones fue una pregunta: «¿Entonces... un modelo clasificador?» ^[12]. Las colas se mueven con reglas antes que con modelos: el atraso judicial brasileño bajó porque una política sobre ejecuciones fiscales retiró diez millones de casos en dos años ^[26]. La ley traza además una frontera, porque etiquetar un mensaje no afecta a nadie y negar un crédito cae bajo el derecho a revisión de las decisiones automatizadas ^[33]. El precio dejó de ser la restricción, y quedan las de siempre: datos etiquetados, integración e idioma.

LA JUGADA

1. Empieza por la bandeja de WhatsApp. Cotización, reserva, reclamo, estafa y «pásame con una persona» son cinco etiquetas, y la sexta es «ninguna de estas», porque sin ella un ensayo no detectó ninguno de 30 mensajes fuera de tema ^[16].
2. Véndelo dentro del software que ya compran. El modelo cuesta centavos, de modo que el margen está en integrarlo al punto de venta, a la agenda o a la contabilidad.
3. Mide en tu idioma y guarda el registro. Doscientas frases reales etiquetadas dicen si la confianza significa algo, y Laya pasó de 0,396 a 0,912 de acierto con media hora de ajuste en español ^[21]. Ponle nombre y fecha al umbral, y conserva cada decisión con su desenlace, que es lo único que no se descarga.