Suscríbete a mi canal:
Jev (TypeSafe) es un modelo System One: no escribe prosa, devuelve decisiones tipadas con probabilidades. Sirve para clasificar, etiquetar y elegir entre opciones ya definidas —no para redactar como Claude o GPT.
En el vídeo de arriba triaje un CSV real de mi Google Search Console (1.035 consultas): mucho más rápido y barato que pedírselo a un LLM de chat; el razonamiento fino lo dejo para un Sistema 2.
- Jev en OpenRouter (
typesafe/jev-latest, sin lista de espera) - TypeSafe AI (web oficial)
- Launch post System One / Jev
El triaje en directo: 1.035 consultas clasificadas
No es una demo de marketing.
Abro mi app, le digo que revise 1.035 consultas y le doy a arrancar.
En tiempo real ves cómo marca cada palabra clave: informacional, transaccional o navegacional. La velocidad da vértigo la primera vez.
El programa lo he hecho yo en Python. Lo de menos es el código —aunque es muy útil para ver qué tipo de keywords estás posicionando y qué hacer con ellas.
Si quieres la app, te la regalo en la comunidad gratuita de Skool. Ahí la dejo para descargar y preguntar.
El marcador de la demo: ~27 s y céntimos frente a Claude
Respiro y aparco un segundo la demo.
En esta toma: unas 27 segundos y alrededor de 0,02 € por clasificar esas 1.035 consultas.
Si le pides lo mismo a Claude o a GPT, mi estimación ronda los 28–35 minutos. El coste se acerca a unos 2,40 € en tokens.
Escala mental: con 10.000 keywords te vas a ~20 € sin pestañear… o te quedas sin crédito.
En esta demo el coste sale unas 120 veces más barato.
Importante: esos números son de mi prueba con mi CSV y mi app.
No son un benchmark oficial de TypeSafe. Mide en tu cuenta.
¿Qué es Jev AI y en qué se diferencia de Claude o GPT?
Claude y GPT son Sistemas 2 de chat: generan texto, razonan en prosa y cobran (sobre todo) por tokens de salida.
Jev apunta a otra cosa. Devuelve una decisión tipada —una categoría, un score, una elección entre opciones— sin escribirte un ensayo.
Cuando el trabajo es razonar o escribir, sigue Claude (o tu LLM favorito). En el hub dejé Claude Code gratis con Ollama para ese camino.
Cuando el trabajo es clasificar miles de filas, Sistema 1. Esa es la frontera del vídeo.
¿Qué es un modelo System One (TypeSafe)?
TypeSafe llama System One a modelos pensados para decisiones rápidas tipadas. El nombre mira a Kahneman: pensar rápido vs pensar despacio.
Jev (juego con Jevons) es su apuesta pública. Sale tipado: choice, noul, score… no un chat abierto.
El framing oficial insiste en que el schema de salida se cumple. Eso no es lo mismo que «siempre acierta el significado».
Si quieres la fuente de producto, el launch de System One y Jev lo deja claro.
Sistema 1 vs Sistema 2: por qué usamos mal los LLM
Piensa en tu cerebro. Hay acciones de piloto automático —no reflexionas— y hay acciones que te cuestan tiempo y energía.
Las primeras son el Sistema 1. Las segundas, el Sistema 2.
Con los LLM solemos tratar todo como si fuera Sistema 2. Pedimos un párrafo bien pensado aunque solo necesitábamos una etiqueta: «transaccional» o «informacional».
Jev apunta al otro extremo: decisiones instantáneas, tipadas, sin novela.
Qué hace un LLM normal ante una factura fraudulenta
Un ejemplo que circula (y que muestro en el vídeo): le pasas un prompt y el modelo reflexiona en prosa.
«Basado en el historial del vendedor y en los ítems, la factura parece legítima…».
En esa toma marcan ~8,5 segundos. En mi experiencia, muchas veces es más.
No es que esté mal. Es que estás pagando pensamiento completo para una decisión que podría ser una categoría.
Cómo funciona Jev: respuestas tipadas instantáneas
Jev no improvisa el texto de salida.
Ya tiene (o le defines) las respuestas posibles. Tu pregunta cae en una de esas casillas.
No le pasas un prompt largo para que «piense en voz alta».
Categoriza. Te da una respuesta con probabilidad detrás.
Por eso va tan rápido en el triaje de keywords: no está redactando. Está eligiendo.
Cómo decide sin «historial de chat»
La duda habitual: si no es un chatbot con memoria, ¿de dónde saca el contexto para decidir?
No decide en el vacío. En cada llamada le pasas un state: el trozo de información de ese momento (una fila del CSV, un ticket, un JSON). Jev es sin estado entre llamadas: no arrastra un historial de chat implícito.
Junto al state le das un esquema cerrado de respuestas. Evalúa ese paquete en un solo pase (no escribe token a token como Claude o GPT). Por eso la latencia baja y la salida no se sale del menú.
Las opciones tipadas que ya vimos —Choice, Noul, Score— son exactamente ese menú. Si el state no basta para distinguir, la distribución de probabilidad puede quedar plana: te está diciendo «no lo sé con claridad», no inventando prosa convincente.
Si quieres ver el patrón con ejemplos de código, TypeSafe lo documenta en sus cookbooks:
¿Jev «no alucina»? (matiz schema vs verdad)
En la demo, la salida no se rompe: no te inventa un JSON a medias ni una categoría fuera de lista. Eso es el valor del tipado.
TypeSafe garantiza que la respuesta cumple el schema declarado. No garantiza que la categoría semántica sea siempre la correcta.
Puede equivocarse de intención.
Lo que no hace es devolverte basura malformada. Ese matiz importa si vienes del hype de Twitter.
¿Por qué es tan barata en la práctica?
En el framing de TypeSafe, el output tipado se vende sin el peaje típico de tokens de prosa. En mi demo, el coste se nota en céntimos.
Menos (o nula) generación de texto libre = menos latencia y menos factura cuando clasificas miles de filas.
Otra vez: el precio publicado del modelo y lo que yo gasté en OpenRouter no son lo mismo. Yo te enseño la factura de esta corrida.
La IA «jugando» a velocidad sobrehumana
Hay un clip (no es mío) donde ponen al modelo a jugar eligiendo izquierda / centro / derecha.
La velocidad parece de truco porque solo decide entre opciones tipadas. No razona cada frame como un ensayo.
Ese ejemplo visual ayuda a pillar la diferencia. El valor de verdad, para ti y para mí, está en el triaje SEO con Search Console.
¿Cómo usar Jev en OpenRouter sin lista de espera?
La web oficial de Jev todavía empuja early access / lista de espera. TypeSafe ha abierto el modelo a intermediarios.
Yo uso OpenRouter con typesafe/jev-latest. Metes un saldo pequeño, pruebas y ves el gasto en claro.
En el vídeo recargo el contador a propósito.
Ese día llevaba ~0,18 € gastados. Quiero que veas cómo suman los ~0,02 € de la pasada de triaje.
Si te gusta comparar proveedores y stack, tengo una foto actualizada en herramientas que uso.
¿Cómo clasificar miles de queries de Search Console sin ruina de tokens?
Exporto las consultas de mi propia web.
Subo el CSV con esas 1.000 y pico filas a la app.
Al darle a procesar, la máquina no «piensa» frase a frase. Clasifica a una velocidad que parece falsa… hasta que miras la factura.
Si trabajas a menudo con GSC, este flujo encaja con lo que ya haces a mano (o con hojas). Aquí el cuello de botella deja de ser el modelo reflexivo.
Para otra tarea clásica del mismo panel, dejé cómo eliminar contenido en Google con Search Console.
Cómo construí la app con un agente de IA en terminal
Cuando quiero un programita así, lo monto con un agente: Claude, Codex u otro.
Esta vez usé el agente de Antigravity en terminal, sobre todo por probarlo. No es mi herramienta del día a día; también tienen consola y quería verla.
Si estás arrancando con agentes, empieza por Claude Code en español.
Si quieres ver Claude Code metido en un proyecto real de punta a punta, aquí clonamos una web entera y que funcione de verdad: clonar una web con Claude Code.
El punto no es Antigravity. El punto es: en una tarde tienes una herramienta tuya, con tu CSV y tus reglas de triaje.
Por qué separar informacionales de transaccionales
No es lo mismo posicionar una keyword informacional que una transaccional.
Las informacionales están más apretadas ahora: la propia IA de Google responde muchas en la SERP. Convertir con ellas se ha puesto más difícil.
Por eso le pido a Jev el tipo de cada consulta.
Luego filtro. Exporto un CSV con la clasificación completa.
Eso ya vale oro para priorizar. Pero quise ir un paso más.
¿Qué es el «dinero dormido» en posiciones 5–15?
Filtro las transaccionales (o comerciales) que están entre las posiciones 5 y 15.
Ahí hay dinero dormido: ya rankeas un poco, pero no lo suficiente. Subir esas suele rendir más que inventar una keyword nueva desde cero.
El triaje masivo tipado deja de costarte media hora de Claude. Tú decides después dónde empujar.
La 2ª pasada de Jev: acciones tácticas
Segundo botón: de las keywords que ya son interesantes, pídele otra pasada tipada.
«¿Qué hago con esta?»
Landing dedicada. Tabla de precios. Ajuste de intención.
La app sugiere la acción según el interés detrás de la consulta.
Otra vez: velocidad absurda. Solo pasa las que filtraste como importantes.
En pantalla ves el tipo y el siguiente paso. Eso es el jugo operativo del vídeo.
La factura real de OpenRouter en esta demo
Vuelvo al gasto.
La primera pasada de ~1.035 queries ronda los 0,02 € en esta toma.
La segunda pasada (solo el subconjunto interesante) suma otro poco. En el vídeo el contador se queda cerca de 0,21–0,22 € entre lo del día y estas corridas.
Me equivoqué por céntimos al estimarlo en vivo. Da igual: el orden de magnitud es el mensaje.
Cuando uso APIs de pago por uso, a veces me da rabia gastar de más en un ejemplo tonto. Aquí el ejemplo tonto cuesta céntimos.
¿Qué es el Doble Cerebro (Jev + LLM reflexivo)?
No tienes que elegir entre una IA u otra.
Diseñé un tercer botón: cuando el triaje ya está hecho, un LLM normal (Sistema 2) te escribe un diagnóstico reflexivo. Informe pensado, no solo etiquetas.
En la demo puse un modelo barato a propósito. En serio, puedes enchufar uno más capaz para mejores ideas.
Arquitectura simple:
- Sistema 1 (Jev): clasifica y asigna acciones tipadas a escala, barato y rápido.
- Sistema 2 (LLM): reflexiona solo sobre lo que ya filtraste como importante.
Eso es el Doble Cerebro: el instintivo + el reflexivo. Combinados, las herramientas salen más rápidas, más útiles y más baratas.
¿Dónde descargar la app Python del vídeo?
En la comunidad gratuita de Skool. Ahí dejo el código y puedes preguntar.
https://www.skool.com/mis-ingresos-pasivos-7105
No es un producto «Jev for GSC» oficial de TypeSafe. Es un workflow mío encima del modelo.
Cuando algo falla
Si OpenRouter no te lista Jev, revisa que estés en el modelo typesafe/jev-latest y que tu cuenta tenga saldo.
Si el CSV de GSC no carga, exporta otra vez el informe de consultas y comprueba separador/encoding. La app espera el volcado típico de Search Console.
Si la segunda pasada no sugiere acciones, mira el filtro: solo debería correr sobre el subconjunto que marcaste como transaccional/comercial e interesante.
¿Para quién vale la pena (y para quién no)?
Te sirve si ya miras Search Console, tienes cientos o miles de queries y te duele el tiempo/coste de clasificarlas con un LLM completo.
No es magia de contenido.
No te escribe el artículo. Te ordena el tablero para que el LLM (o tú) trabaje solo donde hay dinero dormido.
Tampoco sustituye criterio editorial.
La etiqueta «transaccional» no garantiza conversión. Te quita el trabajo sucio del triaje.
Preguntas frecuentes
¿Jev genera texto como ChatGPT?
No. Devuelve salidas tipadas (choice / noul / score), no un chat abierto. Fuente: launch TypeSafe.
¿Por qué sale más barato que Claude en clasificaciones masivas?
Por el diseño tipado (poca o nula prosa de salida) y porque no estás pagando un ensayo por fila.
Los ~27 s y ~0,02 € del vídeo son de mi demo con 1.035 queries; no los tomes como precio oficial del modelo.
¿«No puede alucinar» significa 100% acierto?
No. Garantizan que la salida cumple el schema declarado. No que la categoría semántica sea siempre la correcta.
¿De dónde sale el nombre System One / Jev?
System One mira a Kahneman (Thinking, Fast and Slow). Jev juega con Jevons.
Lo explican en el FAQ del launch.
¿Cómo accedo sin lista de espera?
Early access en TypeSafe y, como en el vídeo, vía OpenRouter typesafe/jev-latest.
¿Sirve para SEO / Search Console?
El caso del vídeo es un workflow: clasificar intención y proponer acciones sobre un export de GSC.
No hay producto oficial «Jev for GSC».
¿Sustituye a Claude Code?
No. Cuando toca razonar, escribir o montar un proyecto, sigue el Sistema 2.
Por ejemplo: Claude + Ollama o primeros pasos en español.
Conclusión: instintivo + reflexivo (y el regalo)
Espero que te haya roto la cabeza un poco, como a mí. No por el hype de Twitter: por el marcador de la demo y por la arquitectura.
Combina Sistema 1 (Jev) para filtrar a escala y Sistema 2 (tu LLM favorito) para pensar solo lo que importa.
El código de la app en Python lo estoy compartiendo en la comunidad gratuita. Entra, descárgalo y pregunta lo que haga falta: