La nueva IA que está empezando a revolucionar el mercado no es la que escribe mejor… es la que decide con más eficiencia.
Durante los últimos años hemos asociado inteligencia artificial con generación de texto: redactar emails, resumir informes, crear código, dar respuestas “inteligentes” y de alguna manera, intentar extraer la lógicas a partir del texto generado para automatizar tareas. Pero todo eso tiene un precio: convertir lenguaje en acción es un proceso indirecto, frágil y costoso.
En muchos casos, lo que estamos haciendo es usar un martillo para apretar tornillos.
Por lo que ahora aparece una nueva capa de IA que no compite por escribir mejor, sino por algo mucho más potente: convertir información en decisiones ejecutables. Sistemas que no te devuelven un párrafo, sino algo como “esto es urgente con un 0.87 de probabilidad” o “esto debe escalarse inmediatamente”. Y a partir de ahí, el sistema actúa.
Se trata de un sistema aparentemente simple pero revolucionario.
Porque pasamos de una IA que “ayuda a pensar” a una IA que opera dentro del sistema. Ya no es un copiloto que sugiere, sino un componente del propio motor de automatización.
¿Qué es Jev?
Jev es un modelo creado por TypeSafe AI, una compañía fundada en San Francisco en 2024 por Diogo Almeida, quien viene del mundo de los grandes modelos de lenguaje: trabajó en OpenAI y estuvo involucrado en el desarrollo de técnicas de entrenamiento como RLHF. Con el tiempo Diogo se dio cuenta de algo clave: la naturaleza de los LLM era extraordinariamente potente, flexible, rápida y altamente “plástica”, pero estaba siendo utilizada en una única dirección.
Porque si estos modelos eran capaces de adaptarse al lenguaje con tanta facilidad, la pregunta natural era: ¿por qué limitarse a generar texto?
De la misma forma que los LLM habían sido entrenados para producir lenguaje, esa misma capacidad podía reorientarse hacia otro problema mucho más estructural: la toma de decisiones.
Por lo que esta es la idea nuclear de Jev: no dirigir los modelos al texto humano, sino a generar decisiones estructuradas que puedan ser consumidas directamente por software.
¿Qué hace diferente a Jev?
Jev no genera lenguaje, lo interpreta y a devuelve estructuras:
choice (opción cerrada)
score (valor numérico)
noul (probabilidad 0–1)
Eso es importante porque cambia el tipo de salida de algo narrativo a algo operativo.
No hay “interpretación posterior”, ni parsing de texto ni tampoco extracción de señales.
El resultado ya está en formato de decisión.
La diferencia no es solo conceptual, es estructural. Para que un LLM tome una decisión, tiene que generar texto token a token. Eso implica dos cosas:
Primero, más cómputo. Porque producir lenguaje completo requiere mantener coherencia, gramática y contexto en cada token.
Segundo, más coste operativo. Porque la salida no es compacta: incluso una decisión simple se convierte en un párrafo.
Y tercero, un problema oculto en producción: todo ese texto tiene que volver a convertirse en algo estructurado después.
Ahí es donde se pierde eficiencia:
Más latencia
Más coste por inferencia
Más capas de integración
Más puntos de fallo
Jev elimina ese paso al no generar lenguaje intermedio ni simular conversaciones ni tener que “explicar” su salida.
Devuelve directamente la variable que el sistema necesita para actuar.
Y sobre todo, elimina la capa de traducción entre modelo y sistema. Por lo que Jev, a la hora de ejecutar decisiones, opera a una velocidad muy superior a la de los LLM convencionales a un coste mucho más bajo.
¿Cómo impacta esto en el sector asegurador?
Si hay un sector donde este cambio puede ser especialmente profundo, es el asegurador.
¿Por qué? Porque gran parte del negocio no consiste en generar contenido, sino en tomar miles de pequeñas decisiones cada día: qué hacer con un siniestro, a quién priorizar, qué riesgo aceptar, cuándo escalar un caso o si algo encaja o no en una póliza.
Hasta ahora, estas decisiones se apoyaban en una mezcla de reglas rígidas, experiencia humana y, más recientemente, modelos que generaban texto que alguien debía interpretar y que acababan gastando mucho.
Con este nuevo paradigma, eso cambia.
La IA ya no describe la situación, la clasifica y decide directamente dentro del flujo operativo.
Ejemplos concretos
1. Clasificación de siniestros
Un parte entra en el sistema.
En lugar de generar un resumen, el modelo devuelve:
Entra en la cobertura de la póliza = Sí
Complejidad = 0.72
Prioridad = 0.81
Y el sistema decide automáticamente si va a tramitación rápida, peritación o revisión manual.
2. Detección de fraude
Sobre datos históricos y contexto del cliente:
Probabilidad de fraude = 0.27
Si supera cierto umbral, se activa revisión. Si no, fluye sin fricción.
Sin reglas hardcodeadas ni revisiones innecesarias.
3. Routing de leads comerciales
Un lead entra por web o mediador:
Producto recomendado = hogar
Probabilidad de cierre = 0.64
El sistema decide a qué equipo asignarlo, con qué prioridad y bajo qué estrategia comercial.
4. Validación de datos y operaciones
En procesos internos:
Consistencia de información = 0.93
Anomalía detectada = baja
Permite automatizar validaciones que hoy dependen de checks manuales o reglas incompletas.
Y podríamos seguir con ejemplos durante mucho rato
La inteligencia artificial está dejando de ser una herramienta externa que usamos para generar contenido o apoyo puntual, y está pasando a convertirse en una capa cada vez más integrada dentro de los propios flujos de trabajo del negocio.
Ya no hablamos solo de modelos que responden preguntas, sino de sistemas que clasifican, priorizan y desencadenan acciones directamente dentro de los procesos operativos.
En ese sentido, enfoques como JEV representan un paso clave en esa evolución: no por generar mejor texto, sino por encajar la IA directamente en la lógica del sistema, reduciendo fricción entre análisis y ejecución.
