# Jev AI y el System One Model: la revolución silenciosa de la inteligencia artificial 24 de septiembre de 2026 — Alessandro Caprai --- Siempre había uno, a bordo, que la veía primero. Baricco lo escribía en Novecento, refiriéndose a América vista desde el puente de un transatlántico. Hoy esa sensación de ser testigos de algo que está cambiando irreversiblemente se experimenta ante Jev, la nueva frontera de la inteligencia artificial que he probado personalmente con resultados que han transformado mi forma de concebir la automatización. 0,367 segundos para analizar 100 anuncios publicitarios. No es solo una cuestión de velocidad, es una cuestión de enfoque. Porque Jev no es lo que pensamos cuando decimos "inteligencia artificial". No genera texto, no produce imágenes, no escribe código como los Large Language Model a los que ya estamos acostumbrados. Jev hace algo radicalmente diferente: decide. ## Más allá de la generación: cuando la IA deja de hablar y empieza a elegir Para comprender qué representa realmente Jev debemos dar un paso atrás respecto a la narrativa dominante sobre la inteligencia artificial. En los últimos dos años hemos sido arrasados por modelos generativos cada vez más sofisticados, capaces de conversar, crear contenidos, simular razonamientos complejos. Pero hay un problema intrínseco en esta lógica: todo lo que genera debe ser posteriormente evaluado, filtrado, contextualizado. Imaginen tener un asistente extraordinariamente creativo que les propone cien ideas por minuto, pero que no sabe decirles cuál de estas funcionará realmente. Este es el límite de los modelos generativos cuando los usamos para construir sistemas de automatización complejos: producen, pero no discriminan con la velocidad y la precisión necesarias en contextos operativos reales. Jev invierte esta perspectiva posicionándose "un metro antes" en la cadena decisional. No produce outputs abiertos, trabaja sobre respuestas cerradas, categóricas, inmediatas. Es lo que en el campo de la IA se define como un System One Model. ## System One Model: la inteligencia de la primera impresión El concepto de System One hunde sus raíces en la psicología cognitiva, precisamente en los estudios de Daniel Kahneman que distinguía entre dos modalidades de pensamiento: el System One, rápido, intuitivo, automático, y el System Two, lento, deliberado, analítico. Un System One Model en el ámbito de la inteligencia artificial replica esta lógica: está diseñado para tomar decisiones instantáneas basándose en patrones reconocidos, sin la necesidad de elaboraciones complejas. No razona en el sentido tradicional del término, categoriza con una velocidad que ningún modelo generativo puede igualar. Jev encarna perfectamente esta filosofía a través de tres modalidades operativas fundamentales: ### Noul: la decisión binaria probabilística La primera función de Jev se llama Noul y aborda el tipo de pregunta más elemental pero a menudo más crítico en los sistemas automatizados: sí o no. Pero no devuelve una respuesta tajante, calcula la probabilidad de que la respuesta correcta sea afirmativa. Esta sutileza hace una diferencia enorme. Cuando automatizamos procesos complejos, la certeza absoluta raramente está disponible. Tener una probabilidad nos permite construir lógicas condicionales sofisticadas: si la probabilidad supera cierto umbral, procede con la acción A, de lo contrario con la acción B. Es toma de decisiones cuantificada. ### Score: la evaluación paramétrica instantánea La segunda modalidad es Score, que permite a Jev atribuir una puntuación a un elemento sobre la base de criterios definidos. Ejemplo práctico de mi trabajo diario: "Evalúa la gravedad de este bug de 0 a 2, donde 2 indica el escenario peor". Aquí entramos en un territorio particularmente interesante porque Score no se limita a clasificar de modo binario, sino que introduce una escala de evaluación. Esto significa poder construir sistemas de priorización automática donde la IA no decide solo "esto es importante" sino "esto es más importante que aquello", ordenando elementos según métricas que nosotros mismos definimos. ### Choice: la selección entre opciones predefinidas La tercera función, Choice, cierra el círculo permitiendo a Jev elegir entre un conjunto predefinido de opciones cuál es la más probable dado cierto input. El ejemplo que siempre doy: "¿En qué lenguaje de programación está escrito este código? Las opciones son: Python, JavaScript, PHP". Noten la diferencia con un enfoque generativo: no pedimos a Jev que analice el código y nos lo describa, le pedimos que lo identifique entre categorías que ya hemos establecido. Esto reduce drásticamente la superficie de error y acelera de modo exponencial el procesamiento. ## El caso de estudio: 100 anuncios en 0,367 segundos Pasemos de los conceptos a la práctica, porque es aquí donde Jev ha demostrado su valor real en mi flujo de trabajo. Tenía 100 anuncios publicitarios que analizar, una tarea que tradicionalmente requeriría o un análisis humano largo y costoso, o el uso de un LLM generativo con tiempos de procesamiento significativos y costos proporcionales. Estructuré la tarea para Jev utilizando sus tres modalidades operativas: 1. **Noul** para identificar qué anuncios respetaban determinados criterios de compliance 2. **Score** para evaluar la relevancia de cada uno respecto a los objetivos de campaña 3. **Choice** para categorizar el tipo de mensaje utilizado Resultado: 0,367 segundos de procesamiento total, 132.423 tokens procesados, costo de 0,0054 dólares. No son números lanzados ahí para impresionar, son métricas que cambian radicalmente la economía de la automatización. Pero la verdadera ventaja no fue la velocidad en sí, fue poder pasar a los agentes de IA siguientes en la cadena solo los datos verdaderamente relevantes, ya filtrados, ya categorizados, ya priorizados. Eliminé el ruido antes incluso de que entrara en el sistema de procesamiento principal. ## Por qué Jev cambiará la dirección del desarrollo de IA Esto no es retórica de titular efectista. Jev representa un cambio de paradigma porque resuelve uno de los problemas más subestimados en la implementación de sistemas de IA complejos: el pre-procesamiento inteligente. Hasta ahora hemos construido pipelines donde los Large Language Model hacían todo: analizaban, evaluaban, decidían, generaban. Este enfoque es costoso en términos computacionales, lento, y a menudo sobredimensionado respecto a la tarea efectiva. Con modelos como Jev podemos en cambio construir arquitecturas estratificadas: 1. **Primera capa - System One**: evaluación, filtrado, categorización rápida con Jev 2. **Segunda capa - Procesamiento dirigido**: uso de LLM generativos solo sobre los datos que han superado el primer filtro 3. **Tercera capa - Acción**: ejecución basada en decisiones ya validadas previamente Esta estructura reduce los costos operativos, mejora la latencia global del sistema, y sobre todo aumenta la fiabilidad porque cada capa tiene una responsabilidad específica y optimizada. ## La revolución silenciosa Llamo a esto la revolución silenciosa porque Jev no tendrá la visibilidad mediática de ChatGPT o de Midjourney. No produce outputs que podamos compartir en redes sociales, no genera imágenes espectaculares, no escribe artículos virales. Pero en los backends, en los pipelines de automatización, en los sistemas de decisión que mueven presupuestos publicitarios, procesan datos empresariales, orquestan agentes de IA complejos, Jev y modelos similares están redefiniendo qué significa "inteligencia artificial aplicada". Estamos pasando de la era de la IA que impresiona a la de la IA que funciona. Y funcionar, en el mundo real, significa ser rápidos, económicos, fiables, integrables. Significa tomar decisiones correctas en fracciones de segundo, no generar texto elocuente que luego requiere interpretación humana. ## Conclusión: mirar más allá del hype generativo Siempre había uno, a bordo, que la veía primero. Hoy esa tierra es Jev y los System One Model, tecnologías que quizás no harán titulares en los periódicos pero que transformarán silenciosamente el modo en que construimos sistemas inteligentes. Hemos pasado dos años fascinados por lo que la IA puede crear. Es tiempo de concentrarnos en lo que la IA puede decidir, y hacerlo de modo tan rápido y económico que haga posibles aplicaciones que hasta ayer eran solo teóricas. 0,367 segundos para 100 evaluaciones. Esto no es solo un benchmark técnico, es la demostración de que estamos entrando en una fase nueva de la inteligencia artificial, donde la eficiencia operativa cuenta tanto como la sofisticación del modelo. Y en esta fase, Jev es la primera señal concreta de que la dirección está cambiando realmente.