Jev y los modelos System One: qué significan para los equipos de ventas
Jev de TypeSafe responde preguntas tipadas en milisegundos en lugar de redactar texto. Qué es, dónde encaja en tu stack comercial, qué no puede hacer y cómo probarlo en tu pipeline.
El 15 de septiembre de 2026, TypeSafe AI lanzó Jev en acceso anticipado, junto con una ronda semilla de $40 millones liderada por DCVC. TypeSafe fue fundada por Diogo Almeida, exinvestigador de OpenAI, y Jev es el primer modelo de una categoría que la empresa denomina modelos System One.
La mayor parte de la cobertura se ha centrado en las afirmaciones de velocidad. Para un equipo de ventas, el punto más útil es mucho más simple. La mayor parte de la IA en un stack comercial no escribe nada. Toma decisiones: a qué comercial le corresponde este lead, si esta respuesta es una solicitud de reunión o una evasiva, o si esta oportunidad se está estancando. Esas son las tareas para las que se creó Jev, y conviene saber dónde encaja antes de que te lo cuente un proveedor.
Qué es realmente Jev
Un modelo de lenguaje responde en prosa, token a token, y tu software tiene que procesar esa prosa de vuelta. Jev se salta la prosa. Le envías un bloque de estado, por ejemplo un email y el registro de la cuenta, además de un conjunto de preguntas tipadas, y devuelve respuestas estructuradas:
- Una opción de una lista que tú defines, como a cuál de seis colas pertenece un lead.
- Una puntuación según un criterio específico, como el nivel de urgencia de una respuesta.
- Un sí o un no, como determinar si un mensaje solicita una reunión.
Cada respuesta viene con una probabilidad calibrada. Que esté calibrada significa que las cifras aspiran a ser honestas: a lo largo de muchas decisiones, aquellas a las que Jev asigna un 90% deberían ser correctas unas nueve de cada diez veces. Eso es lo que lo hace viable en el software. Puedes actuar de forma automática por encima de cierto umbral y desviar todo lo que quede por debajo a una persona, en lugar de confiar ciegamente en cada respuesta por igual.
El nombre es una doble referencia. System One proviene del pensamiento rápido e intuitivo del Sistema 1 de Daniel Kahneman. Jev procede de William Stanley Jevons, cuya paradoja afirma que cuando algo se vuelve más barato, la gente lo utiliza en mucha mayor cantidad.
Las cifras y cómo interpretarlas
$42
| Afirmación | Lo que indica TypeSafe |
|---|---|
| Latencia | De 70 a 500 milisegundos, de extremo a extremo |
| Velocidad frente a un modelo de lenguaje | De 20 a 200 veces más rápido en flujos de trabajo basados en decisiones |
| Coste frente a un modelo de lenguaje | De 40 a 400 veces más barato en esos mismos flujos |
| Precio | $42 por cada mil millones de tokens de entrada, salida gratuita |
Los multiplicadores proceden de las comparativas internas de TypeSafe en sus flujos de trabajo seleccionados. Tómalos como lo que resulta posible en una tarea de decisión, no como una promesa para tu caso particular. El rango de latencia es el dato fundamental para cualquier interacción en directo: bajar de medio segundo es suficiente para intervenir mientras el comprador todavía está hablando.
Dónde encaja en tu stack de ventas
La prueba de fuego consiste en ver si la tarea es una decisión con un conjunto cerrado de respuestas, repetida muchas veces.
| Tarea | La pregunta tipada | Por qué encaja |
|---|---|---|
| Enrutamiento de leads inbound | ¿Qué comercial o cola debe atender esto? | Se ejecuta con cada formulario completado y las opciones son fijas |
| Clasificación de respuestas | ¿Solicitud de reunión, objeción, recomendación, baja o fuera de la oficina? | Una elección entre cinco opciones, miles de veces a la semana |
| Riesgo del deal | ¿Hasta qué punto está estancada esta oportunidad, según la actividad del último mes? | Una puntuación con base en un criterio que ya utilizas |
| Higiene del CRM | ¿Indica esta respuesta que el contacto ha dejado la empresa? | Un sí o un no, con un umbral antes de aplicar cualquier cambio |
| Señales de compra | ¿Con qué fuerza apuntan estas notas a una compra este trimestre? | Una puntuación que te permite ordenar una lista |
| La llamada en vivo | ¿Qué tipo de objeción acaba de plantear el comprador? | Una elección que debe tomarse en mucho menos de un segundo |
Lo que no puede hacer
Aquí reside la mayor parte del valor de conocer Jev, porque evita que un equipo compre la herramienta equivocada.
- No redacta. Nada de emails, ni réplicas para llamadas, ni resúmenes, ni mensajes de chat. Cualquier texto que lea un comprador sigue requiriendo un modelo de lenguaje o a una persona.
- No razona por pasos. Un juicio con varias fases debe descomponerse en preguntas individuales dentro de tu propio código.
- Solo lee texto. No admite audio, imágenes ni vídeo; una llamada debe transformarse primero en una transcripción o subtítulos.
- No ofrece explicaciones. Obtienes una cifra, no un motivo, algo crucial cuando un responsable pregunta por qué se le reasignó un lead a otro compañero.
- Solo sabe lo que le envías. No navega por internet ni busca información externa, así que el contexto de la cuenta debe incluirse en la solicitud.
- Puede tener dificultades con la aritmética, el recuento y las fechas. Mantén esos cálculos dentro de tu código.
Decide rápido, redacta después
El patrón más eficaz consta de dos pasos. Un modelo rápido determina qué está ocurriendo y si es necesario hacer algo. Un modelo generativo, o una persona, redacta únicamente cuando hace falta. La mayoría de los mensajes requieren una decisión y nunca un párrafo entero, por lo que el paso costoso se ejecuta con mucha menor frecuencia.
Una llamada de ventas en directo es el ejemplo más claro, porque el margen de tiempo es de apenas unos segundos. Reconocer que el comprador acaba de plantear una objeción sobre los plazos es una decisión, y un modelo System One puede tomarla en una fracción de segundo. Redactar una respuesta que mencione el negocio específico del comprador, con el tono del vendedor, es una tarea generativa, y ahí es donde se invierte el resto del tiempo. Esa es la división sobre la que se fundamenta Axelize: reconoce el momento y luego redacta la frase mientras el comprador todavía está hablando.
On a discovery call, Johanna Lorenz from Fourth Coffee says: “Nos encantaría, pero mejor retomamos esto después de las vacaciones.” Axelize finds: Fourth Coffee abrirá cuatro nuevas tiendas en noviembre, y su página de empleo tiene doce vacantes abiertas para ellas. It suggests: “Lo entiendo perfectamente. Sin embargo, vais a abrir cuatro tiendas en noviembre: ¿la duda es si los nuevos equipos arrancan ya con esto o si los migramos más adelante?” Reconoce una objeción sobre los plazos y la vincula a una fecha clave del propio comprador, de modo que esperar suponga un coste evidente.
Cómo probarlo en tu propio pipeline
- Elige una decisión que tu equipo tome más de 100 veces por semana. El enrutamiento de leads y la clasificación de respuestas suelen ser las opciones iniciales más habituales.
- Defínela como una única pregunta tipada con las opciones exactas que admitirías, incluyendo una opción de “otro” o “ninguno”.
- Extrae entre 50 y 100 ejemplos anteriores de los que ya conozcas la respuesta correcta.
- Comprueba la calibración. De las respuestas a las que asignó en torno al 90%, ¿fueron correctas unas nueve de cada diez? Si no es así, las probabilidades todavía no son fiables para automatizar procesos.
- Establece dos umbrales. Actúa de forma automática por encima de uno, deriva a una persona por debajo del otro y revisa lo que quede en medio.
- Calcula el coste. Tokens por decisión, multiplicados por el volumen semanal y por $0.042 por millón. Clasificar 10 000 emails inbound de unos 500 tokens cada uno supone 5 millones de tokens, lo que equivale a unos $0.21 al precio indicado.
Fuentes
Las cifras anteriores proceden directamente de TypeSafe, tal y como se publicaron en su anuncio y se recogieron en las siguientes coberturas, a fecha de 26 de septiembre de 2026: Introducing System One Models and Jev; la cobertura de la financiación en Forbes y SiliconANGLE; y el artículo explicativo de DataCamp, Jev: TypeSafe’s System One Model.
