---
title: "Jev, la IA que responde sí o no en lugar de escribir | Carlos Lastres"
description: "Un exinvestigador de OpenAI lanzó Jev, un modelo que nunca escribe un párrafo. Devuelve una opción de tu lista, una puntuación o la probabilidad de que sea sí. Para qué sirve, y có"
url: https://lastres.ai/es/blog/jev-ai-that-answers-yes-or-no/
lang: es
---

Carlos Lastres 20 de noviembre de 20261,163 palabras

# Jev, la IA que responde sí o no en lugar de escribir

El reel empezaba con un titular raro: un exingeniero de OpenAI lanzó una IA que no sabe escribir. Esa IA es Jev, de una empresa que se llama TypeSafe. Le das un texto o una imagen y una pregunta, y nunca te contesta con un párrafo. Te contesta con una opción de una lista que escribiste tú, con un sí o un no y su probabilidad, o con una puntuación.

Para conversar sería un paso atrás. Dentro de una app, un sí, un no o una opción de una lista suele ser justo lo que el código quería desde el principio. Aquí te explico qué es Jev en palabras simples, cuándo un número le gana a un párrafo y cómo hacer tu primera llamada y leer la respuesta.

## Quién lo hizo

Lo que digo en el reel sale del [artículo de lanzamiento](https://typesafe.ai/blog/introducing-system-one-models-and-jev) de TypeSafe, escrito por su fundador, Diogo Almeida. Traducido, dice así: "En OpenAI ayudé a construir los métodos que hicieron que los modelos de lenguaje fueran útiles siguiendo instrucciones y hablando con personas. Ese trabajo terminó siendo la investigación detrás de ChatGPT."

O sea, alguien que ayudó a enseñarles a los modelos a hablar se fue a construir uno que no habla. Eso me parece más interesante que el propio titular.

## Solo toma decisiones

TypeSafe dice que Jev es un modelo System One, por el pensamiento rápido e intuitivo que describe Daniel Kahneman en Pensar rápido, pensar despacio. En cada llamada mandas un estado, que es lo que quieres juzgar, y una o varias preguntas. Cada pregunta tiene un tipo, y el tipo decide la forma de la respuesta. La [guía de inicio](https://docs.typesafe.ai/introduction/quickstart) lista cuatro:

- Choice elige una opción de una lista que defines tú, con una probabilidad para cada opción.
- Score coloca el estado en niveles que describes tú, como tranquilo, molesto, furioso.
- Noul responde una pregunta de sí o no con la probabilidad de que la respuesta sea sí, de 0 a 1.
- Box encuentra dónde está algo dentro de una imagen.

Noul es el que en el reel aparecía como sí o no. También es el más fácil para empezar.

## Rápido, y no puede inventar

En el reel digo que Jev responde en menos de medio segundo y que ChatGPT puede tardar varios. El artículo de lanzamiento habla de 70 a 500 milisegundos de punta a punta, contra 3 a 329 segundos de los modelos más grandes para el mismo tipo de pregunta. Son números de TypeSafe, y el artículo aclara que sus pruebas se hicieron desde laptops en la costa oeste de Estados Unidos, así que tus tiempos van a depender de dónde estés.

Lo de "no puede inventar" hay que leerlo con cuidado. Jev solo puede responder con opciones que definiste antes, así que nunca se inventa una categoría, nunca devuelve un JSON roto y nunca escribe un párrafo muy seguro sobre algo que no existe. Eso está garantizado. Lo que sí puede pasar es que elija la opción equivocada. La [documentación](https://docs.typesafe.ai/concepts/system-one) de TypeSafe lo dice: sus probabilidades están calibradas sobre muchas respuestas, y eso no garantiza que una respuesta concreta sea correcta. A cambio, te da un número que dice qué tan seguro está.

## Cuándo un sí o un número le gana a un párrafo

Casi todas las funciones de IA dentro de una app esconden una decisión. ¿Este mensaje de soporte es sobre un cobro? ¿Esta reseña menciona un producto roto? ¿Esta foto es de un salón o de un dormitorio? Hoy muchas apps le preguntan a un modelo de chat, reciben un párrafo y luego escriben código para adivinar qué quiso decir.

Si lo que tu código necesita es un sí, un no o una opción de una lista, pide exactamente eso. Te ahorras interpretar texto, tienes la respuesta en una fracción de segundo y la probabilidad le deja a tu código decidir qué hacer cuando el modelo duda. Los casos claros siguen solos y los dudosos van a una persona.

Las tarjetas del reel con "¿vuelve mañana?" al 82% y "¿se suscribe?" al 34% eran inventadas para mostrar la idea. No son respuestas reales de Jev. Jev juzga lo que le mandas y no sabe nada de lo que tus usuarios van a hacer después. Si quieres predicciones así, TypeSafe muestra un camino más honesto en su [receta de descubrimiento de variables](https://docs.typesafe.ai/cookbooks/autoresearch_feature_discovery): le haces a Jev preguntas pequeñas sobre tus datos y después entrenas un modelo normal con esas respuestas contra lo que pasó de verdad.

![Un fotograma del reel marcado como ejemplo: dos probabilidades inventadas, ¿vuelve mañana? al 82 por ciento y ¿se suscribe? al 34 por ciento. Es una ilustración, no una respuesta real de Jev](https://lastres.ai/blog/jev-ai-that-answers-yes-or-no/example-probabilities.jpg)

## Pruébalo: tu primera llamada

Estos pasos siguen la [guía de inicio](https://docs.typesafe.ai/introduction/quickstart) de TypeSafe tal como está hoy.

1. Entra a la [consola de TypeSafe](https://console.typesafe.ai/keys) y crea una API key. Si todavía no quieres programar, la consola también tiene un [Playground](https://console.typesafe.ai/playground) donde pegas un texto y agregas preguntas en el navegador.
2. Guarda la clave en tu terminal: `export TYPESAFE_API_KEY="tu-api-key"`
3. Con Python 3.10 o más nuevo, instala el SDK: `pip install typesafe-sdk`
4. Guarda esto como `primera_llamada.py` y córrelo con `python primera_llamada.py`.

```
from typesafe_sdk import Noul, TypeSafeClient

mensaje = "I have asked three times now. Can I please just talk to a real person?"

with TypeSafeClient(model="jev-latest") as client:
    response = client.system_one(
        state=mensaje,
        questions={
            "quiere_persona": Noul(
                instructions="Is the customer asking for a human agent?",
            ),
        },
    )

print(response.nouls["quiere_persona"].noul)
```

Dejé el mensaje y la pregunta en inglés, como en la documentación, para que puedas comparar tu número con los que publican ellos. Imprime un solo número. El id de la pregunta, `quiere_persona`, es solo un nombre para tu código. Jev nunca lo ve, así que todo el significado tiene que estar en las instrucciones.

## Cómo leer la probabilidad

Un Noul cerca de 1 es un sí claro, cerca de 0 un no claro. Cerca de 0,5 quiere decir que para el modelo el sí y el no son casi igual de probables, que es distinto a un sí a medias. La [página de Noul](https://docs.typesafe.ai/primitives/noul) muestra respuestas reales en inglés para esta misma pregunta: "Thanks, that fixed it!" sacó 0,02, "Is there any way to speak to someone about my invoice?" sacó 0,84, y "Are you a bot?" quedó en 0,40, una pista sin pedirlo directamente.

TypeSafe sugiere 0,7 para el sí y 0,3 para el no como punto de partida, y que lo que quede en medio vaya a una persona. Mueve la línea según lo que cueste equivocarse. Súbela cuando un falso sí sale caro, como devolver dinero. Bájala cuando perderte un sí es peor, como un aviso de seguridad.

El precio casi nunca decide nada. La [página de modelos](https://docs.typesafe.ai/models) marca 0,042 dólares por millón de tokens de entrada, y los tokens de salida son gratis.

Antes de meterlo en una app, fija la versión. El nombre `jev-latest` se mueve con cada versión nueva, así que la misma pregunta puede devolver un número un poco distinto después de una actualización. Cuando ya probaste tus umbrales con tus propios mensajes, usa un ID de versión fijo, que la API te devuelve con cada respuesta, y cambia cuando estés listo.

[← Todos los artículos](https://lastres.ai/blog/)

---

Source: https://lastres.ai/es/blog/jev-ai-that-answers-yes-or-no/
Site index for agents: https://lastres.ai/llms.txt
