Verifica la visibilidad de tu empresa en AI
Gratis, sin tarjeta de crédito.
La mayoría de las personas usa AI para escribir, explicar o resumir algo. Jev de TypeSafe AI se utiliza para otra tarea: tomar decisiones específicas basadas en la información proporcionada. Para los equipos que se ocupan de la visibilidad en AI, esto abre un área interesante de aplicaciones, desde la organización de preguntas de clientes hasta el análisis de respuestas y evaluación de contenido.
¿Qué es Jev?
Jev es un modelo de AI de la empresa TypeSafe, diseñado para proporcionar decisiones estructuradas que el software puede utilizar directamente.
Le proporcionas información para evaluar, defines preguntas y tipos de respuestas permitidas. El modelo devuelve una elección, evaluación o probabilidad en lugar de texto libre. Así es como se describe su funcionamiento en la documentación de TypeSafe.
Imagina analizar cien respuestas de AI sobre tu industria. Necesitas determinar si la marca fue solo mencionada o realmente recomendada. Puedes pedir al modelo generativo que describa cada respuesta, pero luego hay que traducir esas descripciones a datos comparables.
El enfoque de Jev consiste en definir categorías por adelantado. El resultado puede luego ir a una tabla, informe o siguiente etapa de análisis.
¿Por qué TypeSafe lo llama modelo System One?
TypeSafe presentó Jev el 15 de septiembre de 2026 como el primer modelo público de la categoría System One desarrollada por la empresa. El nombre hace referencia a la distinción entre juicio rápido e intuitivo y razonamiento más lento y elaborado.
Según el fabricante, Jev fue diseñado para la automatización, utilizando un método de entrenamiento llamado Reinforcement Learning for Calibrated Decisions, o RLCD. La empresa también describe la evaluación paralela de resultados en lugar de la generación secuencial de texto.Anuncio de TypeSafe
En la práctica, se trata de preguntas bien definidas: ¿a qué categoría pertenece este caso, cómo evaluarlo según los criterios dados y si la información proporcionada apoya una afirmación concreta.
¿Cómo funciona Jev? datos, preguntas y resultados
El trabajo con el modelo comienza con la entrega de un contexto, llamado en la documentación state. Puede ser, por ejemplo, la respuesta del asistente AI, un fragmento de un artículo o una pregunta del cliente.
A este contexto le añades preguntas. Jev maneja tres tipos básicos:
| Tipo | Para qué sirve | Ejemplo de uso en el trabajo con contenidos |
|---|---|---|
| Opción | Selección de una de las opciones especificadas | Asignación de la pregunta al tema: precio, implementación, comparación o soporte |
| Puntuación | Puntuación según niveles descritos y ordenados | Puntuación de hasta qué punto el fragmento responde a la pregunta |
| Noul | Evaluación de la probabilidad de veracidad de la afirmación | Verificar si el texto proporcionado contiene una condición sobre el precio |
Se pueden combinar varias preguntas en una sola llamada. Cada una se evalúa de forma independiente en el mismo contexto. Introducción a Jev
Por lo tanto, el trabajo más importante se realiza antes de ejecutar el modelo: hay que determinar exactamente qué queremos medir.
¿Qué tiene que ver Jev con GEO y AEO?
GEO se refiere al trabajo sobre la visibilidad de la marca y su contenido en las respuestas de la AI generativa. AEO se centra en preparar la información para que responda bien a las preguntas de los usuarios y pueda ser utilizada por los sistemas de respuesta.
En ambas áreas hay mucho análisis repetitivo:
- ¿Qué preguntas hacen los clientes potenciales?
- ¿La respuesta de la AI recomienda la empresa o solo menciona su nombre?
- ¿El artículo realmente resuelve el problema del título?
- ¿Qué fragmentos requieren revisión por parte del editor?
Jev puede ser un elemento de una herramienta que realiza tales tareas. Sin embargo, su resultado no mide la probabilidad de ser citado en ChatGPT o Google.
Las siguientes aplicaciones son propuestas editoriales de Semly basadas en el funcionamiento del modelo. No representan los resultados de nuestras pruebas ni la integración lista de Jev con Semly.
1. Organización de las preguntas de los clientes
La lista de consultas de motores de búsqueda, conversaciones de ventas y servicio al cliente se vuelve rápidamente difícil de revisar. Algunas preguntas abordan el mismo problema, aunque se han formulado de manera diferente.
Jev se puede utilizar para asignar preguntas a categorías previamente definidas.
Para una empresa que gestiona un sitio en WordPress, esta división podría verse así:
| Pregunta | Categoría propuesta |
|---|---|
| ¿Cuánto cuesta el mantenimiento mensual del sitio? | Precio |
| ¿Qué incluye la suscripción? | Alcance del servicio |
| ¿Cómo transferir el sitio a una nueva agencia? | Inicio de la colaboración |
| ¿Es mejor la suscripción o la facturación por horas? | Comparación de variantes |
Es una ilustración del método de clasificación esperado, no un resultado de la llamada al modelo.
Una lista ordenada ayuda a notar qué necesidades ya están atendidas por el sitio y cuáles requieren nuevo material. Sin embargo, las categorías deben verificarse con preguntas reales, especialmente aquellas que encajan en más de un grupo.
2. Distinguir entre mención y recomendación en la respuesta de AI
La simple aparición del nombre de la empresa dice poco sobre la forma en que se presenta.
Compara dos oraciones:
La empresa X opera en este mercado junto a varios otros proveedores.
Para la aplicación descrita, vale la pena considerar a la empresa X debido al alcance del servicio.
La primera es una mención. La segunda contiene una recomendación y justificación.
En el proceso analítico propuesto, Jev podría clasificar las respuestas registradas según categorías claramente definidas. Por separado, vale la pena verificar la presencia de la marca, la recomendación y el enlace proporcionado por el asistente a la fuente. Son diferentes informaciones.
El modelo debe recibir material para analizar. Si evalúas las citas, también proporciona una lista de fuentes. No se puede determinar de manera confiable qué direcciones indicó el asistente basándose en un texto sin enlaces.
3. Evaluación de si el contenido responde a la pregunta
Un artículo puede tener un título adecuado y aún así no proporcionar una respuesta útil.
Supongamos que estás analizando la guía "¿Cuánto cuesta mantener un sitio de WordPress?". La afirmación general "el precio depende de muchos factores" no explica al lector qué compone el costo.
Para la evaluación se pueden preparar tres niveles descriptivos:
- el texto no responde a la pregunta
- el texto indica los componentes del costo, pero no explica los supuestos
- el texto describe los componentes del costo y las condiciones necesarias para su interpretación
Este es un ejemplo de tarea para el tipo Score. La documentación recomienda describir situaciones concretas y evaluar una dimensión a la vez. Por lo tanto, es valioso analizar por separado la completitud de las respuestas, la conformidad con la oferta y la presencia de ejemplos.Documentación Score
La evaluación obtenida puede ayudar a organizar el trabajo editorial. No debe ser llamada "resultado de clasificación de Google" ni "probabilidad de citación por AI".
4. Selección de materiales que requieren revisión
Con un mayor número de publicaciones, es útil señalar previamente los fragmentos que requieren atención.
Se pueden diseñar preguntas de verificación para saber si el texto contiene:
- una promesa concreta de resultado
- el precio o el plazo de entrega
- una comparación con la competencia
- una afirmación sobre los resultados del cliente
Dicha análisis ayuda a dirigir el material a la persona adecuada. No sustituye la verificación de hechos.
Si queremos evaluar la conformidad del artículo con la oferta, también necesitamos la oferta actual. El modelo no debe adivinar si la empresa realmente presta el servicio en 24 horas.
¿Se equivoca Jev?
En la comunicación TypeSafe aparece el término "cero alucinaciones". Es importante entender su alcance: el productor se refiere a la conformidad de los resultados con tipos y esquemas de respuesta específicos. Un formato correcto no significa automáticamente un juicio correcto.Explicación del productor
El modelo puede elegir una de las categorías permitidas y, aun así, asignar el caso a una incorrecta.
Para Choice y Score, Jev devuelve la distribución de probabilidades y el indicador confidence. La documentación explica que este indicador proviene de la distribución de respuestas. No se debe interpretar un valor de 0.9 como una garantía automática de 90% de precisión. Noul no tiene un campo separado confidence. Documentación de confianza de respuestas
En aplicaciones GEO, esto significa la necesidad de comparar los resultados con una evaluación manual de muestras antes de usarlas en informes.
¿Cómo empezar a usar Jev?
TypeSafe ofrece un Playground donde, tras iniciar sesión, se pueden ingresar datos y definir preguntas. Para conectar el modelo con su propia herramienta se utiliza la API; el productor también describe el uso del SDK.Instrucciones para comenzar
La primera prueba debe limitarse a una tarea. Por ejemplo:
- Reúne 50 respuestas guardadas de AI sobre una industria
- Marca manualmente las que contienen una recomendación de la marca indicada
- Guarda los criterios que diferencian una recomendación de una mención común
- Realiza la clasificación usando Jev
- Compara los resultados y analiza las discrepancias
- Después de ajustar los criterios, realiza otra prueba con nuevos ejemplos
El número 50 es una propuesta para un pequeño piloto, no un estándar de validación. Esta prueba permite evaluar la viabilidad de la idea antes de construir una integración más grande.
El propietario de un sitio de WordPress no necesita implementar Jev de inmediato. Es principalmente una herramienta para quienes construyen procesos y software. Puede funcionar en el backend de un sistema que analiza contenido, pero no es una solución lista para gestionar un blog.
¿Qué pasa con las promesas de velocidad y bajo costo?
TypeSafe publica comparaciones que indican una gran ventaja de Jev en tareas de automatización seleccionadas. Sin embargo, la empresa señala que los resultados más impresionantes pueden corresponder al rango superior de beneficios alcanzables en la práctica.Descripción de pruebas y limitaciones
Para el equipo de marketing, una prueba sensata es su propio proceso: el costo de analizar un número específico de respuestas, el tiempo de ejecución y el número de casos que requieren corrección.
Una clasificación rápida tiene valor cuando es lo suficientemente precisa para la tarea que queremos delegarle.
Preguntas frecuentes sobre Jev y GEO
¿Escribirá Jev un artículo para el blog?
Jev está destinado a decisiones estructuradas, no a la redacción de texto libre. En el proceso editorial, puede desempeñar el papel de herramienta de evaluación o clasificación de materiales.
¿Se puede posicionar una página en Jev?
El producto descrito por TypeSafe no es un motor de búsqueda que presente a los usuarios un ranking de páginas. Un uso razonable en GEO es apoyar el análisis, no buscar una posición 'en Jev'.
¿Una alta calificación de un artículo en Jev significa que ChatGPT lo citará?
No. La calificación se refiere a criterios definidos y datos proporcionados. No es una predicción de decisiones de otro sistema de AI.
¿Las aplicaciones descritas son funciones de Semly?
Los escenarios presentados son propuestas para el uso de Jev. El artículo no constituye un anuncio ni una confirmación de la integración del modelo con Semly.
Del modelo nuevo a la tarea concreta
La aplicación más interesante de Jev en GEO y AEO comienza con una pregunta bien formulada. ¿Podemos diferenciar consistentemente una mención de una recomendación? ¿Identificar textos que no responden a la pregunta? ¿Organizar cientos de consultas de clientes?
Si es así, se puede verificar si Jev mejorará este trabajo. Si los criterios son poco claros, vale la pena perfeccionar primero el método de evaluación.
Y si quieres empezar con tu propia empresa, verifica cómo aparece en las respuestas de AI.
Genera un informe gratuito de visibilidad de la empresa en AI →
Estado de la información: 24 de septiembre de 2026. La descripción del funcionamiento de Jev se basa en materiales de TypeSafe. Los ejemplos de aplicaciones en GEO y AEO son propuestas editoriales, no resultados de pruebas del modelo.
Compartir:
