Un coinventor de ChatGPT dice que a la IA le falta un modelo que no hable

El 15 de septiembre, una startup de dos años llamada TypeSafe AI salió del modo sigiloso con 40 millones de dólares en financiación semilla y un diagnóstico directo de la industria de la IA: los modelos de chat son muy buenos hablando, y esa es precisamente la razón por la que gran parte de la automatización prometida no ha llegado.

Lectura relacionada: Claude Haiku 5.5 de Anthropic es su modelo pequeño más barato hasta ahora · SpaceXAI lanza Grok 4.7 para programación al precio de Grok 4.6, con benchmarks de la propia casa.

La respuesta de la compañía es un modelo llamado Jev, el primero de una clase que denomina System One Models. Jev no escribe frases. Toma estado no estructurado como entrada y devuelve valores tipados y estructurados, con puntuaciones de confianza calibradas adjuntas a cada uno. En palabras de la propia empresa, es una «llamada a función de inteligencia de frontera»: algo que un programa puede insertar en un punto de decisión donde una regla escrita a mano sería demasiado frágil y un modelo de lenguaje sería demasiado lento, demasiado caro o demasiado propenso a inventar cosas.

TypeSafe fue fundada en 2024 por Diogo Almeida, un exinvestigador de OpenAI que coinventó los métodos de aprendizaje por refuerzo que hay detrás de InstructGPT y, por extensión, de ChatGPT. Sus cofundadores son Erik Gafni y Sasha Sheng. La ronda semilla fue liderada por DCVC, y la compañía dice que Jev ya está disponible en acceso anticipado, con desarrolladores que van saliendo de una lista de espera según lo permite la capacidad.

Por qué un modelo renunciaría a las cadenas de texto

La propuesta se apoya en una distinción fácil de pasar por alto. Un modelo de lenguaje grande convencional devuelve texto, y casi todo lo que ocurre después depende de que alguien analice ese texto y lo convierta de nuevo en una decisión. Su entrenamiento recompensa las respuestas que prefieren los evaluadores humanos, o las respuestas cuya corrección puede comprobarse de forma automática. Ninguno de esos objetivos produce un modelo que sea honesto sobre cuán seguro está.

El equipo de Almeida sostiene que ese es el cuello de botella. «Si un modelo puede hacer una tarea el 95 % de las veces pero no dice cuándo está en ese 5 %, no puede automatizar esa tarea», escribió la compañía en su publicación de lanzamiento. Un sistema que acierta la mayor parte del tiempo y no puede señalar las excepciones no es un componente que se pueda conectar a un flujo de trabajo automatizado, porque los fallos son invisibles hasta que algo aguas abajo se rompe.

El método de entrenamiento de TypeSafe se llama Aprendizaje por Refuerzo para Decisiones Calibradas, o RLCD. Mientras que el RLHF optimiza la preferencia humana, el RLCD optimiza decisiones que vienen con probabilidades epistémicamente honestas. Las salidas del modelo están restringidas por un esquema definido de antemano, así que los valores posibles y su estructura quedan fijados antes de que el modelo se ejecute. TypeSafe afirma que eso hace imposibles los errores de tipo, y que un modelo que nunca genera texto libre no puede alucinar texto.

La segunda mitad del diseño es el muestreador. Los modelos de lenguaje ordinarios generan un token a la vez, cada uno condicionado por el anterior, y por eso una petición difícil puede tardar segundos y por eso el coste escala según cuánto escribe el modelo. Jev genera todas sus salidas en una sola consulta, en paralelo. La compañía dice que una respuesta de System One llega en 70 a 500 milisegundos, frente a los 3 a 329 segundos que mide en modelos de chat de frontera, y fija el precio de la entrada en 0,042 dólares por millón de tokens, con los tokens de salida gratis.

En su página principal, TypeSafe informa de mejoras de hasta 193,6 veces en velocidad y de 444,6 veces en reducción de costes para los tipos de carga de trabajo que persigue, aunque señala que esas cifras se sitúan en el extremo optimista de lo que espera que vean sus clientes.

El benchmark es el punto débil

La parte interesante del lanzamiento no es la afirmación sobre la velocidad. Es la cautela con que la compañía formula su afirmación sobre la inteligencia, y la rapidez con que los revisores externos han encontrado la fisura.

TypeSafe publicó un conjunto de evaluaciones de flujos de trabajo que cubren 711 casos repartidos en cuatro tareas: triaje de incidentes de seguridad, observabilidad sobre trazas de agentes, procesamiento de facturas y atención al cliente. En lugar de puntuar contra una verdad de referencia etiquetada a mano, toma como respuesta de referencia el juicio promedio de dos modelos de frontera, GPT-6 Astra y Fable 5.1. Frente a esa referencia, Jev domina la frontera de eficiencia por un amplio margen, y a menudo responde en una fracción de segundo por una fracción de céntimo.

El panorama de la precisión es más desigual. En el propio panel de TypeSafe, la coincidencia agregada de Jev con la política de referencia es de alrededor del 67,8 %, por debajo del 74,1 % del mejor comparador visible. Su mejor resultado es en atención al cliente, con un 76,0 %, cerca del mejor modelo y por encima de otro. Su punto más débil es el procesamiento de facturas, donde llega al 61,8 % frente al 79,1 % del comparador principal, el tipo de diferencia que importaría en producción. Una revisión detallada publicada ese mismo día por el sitio de análisis Kingy concluyó que la evidencia pública «respalda la historia de sistemas» en torno al tipado, el procesamiento por lotes, la latencia y el coste, pero «todavía no respalda la historia de inteligencia más fuerte», en parte porque las etiquetas de referencia las generan los modelos y no están verificadas.

TypeSafe no oculta estas salvedades. Señala que los flujos de trabajo los construyó su propio equipo de capacidades, que promediar Astra y Fable sesga la referencia hacia OpenAI y Anthropic, y que sus multiplicadores destacados provienen de una prueba específica de carga de trabajo y no de una medida universal. También admite que algunas comparaciones no son halagüeñas, incluida una en la que un revisor descubrió que Jev no detectó un defecto de escritura que un modelo de frontera sí captó.

El contrapeso es una pequeña prueba independiente. Mike Taylor, del boletín Every, pasó 37 documentos y 777 juicios por Jev, que devolvió resultados en menos de 0,7 segundos y a un coste de aproximadamente un cuarto de céntimo. En un cara a cara sobre detección de defectos, Jev encontró seis de los siete fallos previstos, mientras que Fable 5.1 encontró los siete, pero Jev se ejecutó mucho más rápido y más barato. Esa es la forma del intercambio que vende la compañía: no mejor que el modelo más listo, pero suficientemente bueno en decisiones estrechas a un precio y una velocidad que hacen viable la automatización de gran volumen.

Por qué la confianza es todo el argumento

La afirmación sobre la calibración merece más atención que los gráficos de velocidad, porque es la parte que cambia lo que el software puede hacer.

Un agente que tiene que decidir si emite un reembolso, marca una transacción o enruta un caso de soporte necesita dos cosas de un modelo: una respuesta y una estimación honesta de cuánto se puede confiar en esa respuesta. Los modelos de chat actuales tienden a proporcionar la primera e inventarse la segunda. Pídele a uno un nivel de confianza y normalmente devolverá algo plausible y desconectado de su tasa real de error. La consecuencia es que los equipos que construyen automatización acaban añadiendo revisión humana a cada decisión, lo que borra buena parte del ahorro que buscaban.

TypeSafe apuesta a que un modelo entrenado para producir probabilidades calibradas puede superar ese listón, dejando que el software actúe sobre las respuestas de alta confianza y escale el resto. Es una promesa comprobable, y también frágil: la calibración medida en los flujos de trabajo del propio proveedor dice poco sobre cómo se comporta el modelo cuando cambian las entradas. El material público no incluye la latencia de cola, los límites de tasa ni el comportamiento de reintento que querría un equipo de producción, y las curvas de confianza que respaldarían la afirmación central no se publican por completo.

Hay una razón más amplia por la que la cuestión de la calibración aterriza ahora. El último año ha dejado claro que los modelos capaces que actúan con autonomía pueden fallar de formas costosas, y que los fallos son a menudo problemas de confianza y no de capacidad. Los sistemas que pueden decir «no lo sé» con claridad, y decirlo de verdad, son los que llegan a operar sin que una persona vigile cada paso.

Lo que Jev no es

Conviene ser preciso sobre los límites, porque el planteamiento invita a leer de más. Jev no puede escribir un resumen, redactar un correo ni explicar su razonamiento en prosa. No es un chatbot más pequeño o más barato, y la compañía no afirma que deba reemplazar a uno. Cualquier flujo de trabajo que necesite producir palabras sigue necesitando un generador aparte, lo que significa que el coste real de una tarea terminada incluye un modelo grande además de las decisiones baratas de Jev. Las propias demos de la compañía se apoyan en el código que las rodea para limitar la libertad del modelo, lo que es honesto sobre de dónde viene la fiabilidad.

Lo que Jev es, si los números se sostienen, es una primitiva de decisión rápida y barata para preguntas estrechas y de gran volumen que el software ya tiene que responder: si este mensaje es abusivo, si este registro coincide con esa entidad, si esta solicitud debe reenviarse o rechazarse. Son trabajos poco glamurosos, y hay muchísimos.

Las demos divertidas y las serias

Para aterrizar el argumento, TypeSafe lanzó demos pensadas para ser recordadas más que desplegadas. Una conduce a un bot por Doom, alimentándolo con el estado estructurado del juego y pidiéndole decisiones a unas diez consultas por segundo, una carga que la compañía calcula en unos 7 dólares la hora. Otra juega a wikiracing, navegando de una página de Wikipedia a otra usando solo enlaces, una tarea en la que una sola elección equivocada descarrila la partida y en la que la incapacidad de Jev para alucinar un enlace es una ventaja.

Los usos comerciales previstos son más mundanos y más valiosos: clasificar y enrutar tickets de soporte, puntuar y extraer campos, defenderse de los jailbreaks y verificar las entradas o salidas de otros modelos. Son los condicionales difusos que hay dentro del software, esos que los equipos han venido aproximando con reglas frágiles o con prompts a un modelo grande. La apuesta de Jev es que un modelo pequeño, rápido y ligado a un esquema encaja mejor que uno general.

Esa apuesta está concurrida. OpenAI, Anthropic y Google han impulsado las salidas estructuradas, y el último año ha traído una oleada de modelos pequeños y especializados orientados a la inferencia barata. Lo que sostiene TypeSafe es más sutil: que la confianza calibrada, y no la capacidad bruta, es lo que decide si se puede confiar en un modelo para actuar sin un humano en el circuito. Es una afirmación que los clientes pueden poner a prueba, y la compañía los invita a hacerlo.

Qué observar

El acceso anticipado será la verdadera prueba, porque las evaluaciones de flujos de trabajo las ejecuta el proveedor. Habrá que ver si equipos independientes publican comparaciones con verdad de referencia que respalden las afirmaciones de coste y velocidad, y si las puntuaciones de confianza de Jev siguen calibradas cuando las entradas se alejan de las demos. También habrá que ver si la brecha de precisión se cierra en tareas más difíciles como el procesamiento de facturas, donde el modelo va por detrás.

El nombre es una pista sobre la estrategia. Jev es la forma corta de Jevons, por el economista del siglo XIX que observó que hacer más eficiente un recurso tiende a aumentar cuánto se usa, no a reducirlo. La tesis de TypeSafe es que la inteligencia ha sido demasiado cara para espolvorearla por el software común, y que una caída de cien veces en el coste la convierte en un bloque de construcción y no en un destino. Si eso ocurre, la IA más útil de una empresa podría acabar siendo el modelo con el que nadie conversa.