TypeSafe, creadora de Jev, capta 870 M$ y vale 7.500 M$
TypeSafe Inc. ha cerrado una ronda de financiación de 870 millones de dólares que valora la compañía en 7.500 millones. La startup está detrás de Jev, un modelo de IA diseñado para devolver respuestas estructuradas en lugar de texto libre.
Andreessen Horowitz ha liderado la ronda, en la que también han participado Sequoia Capital, DCVC y varios inversores ángel cuyos nombres no se han hecho públicos. La operación llega menos de un mes después del lanzamiento de Jev. Según TypeSafe, cerca de un tercio de las empresas de la lista Fortune 500 ya ha adoptado el modelo.
El problema que Jev quiere resolver
La mayoría de las aplicaciones empresariales utilizan los grandes modelos de lenguaje de la misma manera. La aplicación envía al modelo la descripción de una tarea y el modelo devuelve una respuesta. Esa respuesta suele ser texto en lenguaje natural, que el software no puede aprovechar directamente.
Antes de que la aplicación pueda actuar a partir del resultado, tiene que convertir ese texto a un formato estructurado y estandarizado. Este paso obliga a los desarrolladores a escribir y mantener código adicional.
Jev se salta esa conversión. Cuando una aplicación le encarga una tarea, el modelo devuelve desde el principio una salida estructurada, de modo que no hay nada que reformatear ni resumir después.
Tres tipos de respuesta, ni uno más
Jev atiende un conjunto de peticiones deliberadamente limitado. Una aplicación puede pedirle una de estas tres cosas:
- Responder sí o no. El modelo devuelve el equivalente a un veredicto binario.
- Elegir de una lista. La aplicación facilita las opciones y Jev selecciona una.
- Generar una puntuación. Los desarrolladores deciden qué mide esa puntuación.
La opción de puntuación es la más flexible de las tres. TypeSafe pone dos ejemplos: ordenar alertas de ciberseguridad por gravedad y estimar la urgencia de una incidencia de soporte.
Como la salida es tan breve y predecible, las aplicaciones necesitan menos código de preparación de datos. Según TypeSafe, esto ayuda a los equipos de software a terminar antes sus proyectos. Además, una base de código más pequeña deja menos rincones donde se puedan esconder errores.
Puntuaciones de confianza para detectar alucinaciones
TypeSafe añade una segunda función de fiabilidad. Cuando Jev elige de una lista o genera una puntuación, también devuelve un número que indica hasta qué punto confía en que la respuesta sea correcta.
Las aplicaciones pueden usar ese número para limitar los daños de las alucinaciones. Por ejemplo, un sistema podría tratar las respuestas de baja confianza de forma distinta a las de alta confianza, en lugar de fiarse por igual de todos los resultados.
Nuevo método de entrenamiento, nueva arquitectura
TypeSafe asegura que ha entrenado Jev con un enfoque que denomina aprendizaje por refuerzo para decisiones calibradas. Se trata de una variante del aprendizaje por refuerzo, que ya es una forma habitual de entrenar LLM. La compañía también ha diseñado una nueva arquitectura de modelo para Jev.
La startup atribuye a estas decisiones la velocidad de Jev. TypeSafe afirma que el modelo procesa las peticiones en menos de 700 milisegundos, lo que lo haría hasta 200 veces más rápido que algunos LLM de vanguardia. También sostiene que Jev es hasta 100 veces más eficiente en costes. Son cifras de la propia empresa y no se han verificado de forma independiente.
A qué se destinará el dinero
Jev es el primer modelo de una serie prevista llamada System One. TypeSafe utilizará la nueva financiación para ampliar esa gama con más modelos. También tiene previsto lanzar lo que llama "funciones empresariales" para que a las grandes organizaciones les resulte más fácil usar sus modelos. No ha detallado en qué consistirán esas funciones.
Nuestro análisis
La apuesta de TypeSafe parte de una idea: para muchas cargas de trabajo empresariales, importa menos que un modelo escriba bien que el hecho de que entregue un veredicto limpio y utilizable. Buena parte de la automatización empresarial se reduce a clasificar: ¿es grave esta alerta?, ¿a qué cola debe ir esta incidencia?, ¿cumple este documento una norma? Jev está pensado precisamente para ese tipo de trabajo.
El momento elegido sugiere que la idea está ganando terreno. OpenAI ha dado hace poco un paso en una dirección parecida con su API Decisions, y Cloudflare ha presentado modelos de decisión rápida para agentes. Son los primeros indicios de que los "modelos de decisión" podrían convertirse en una categoría de producto propia, separada de los chatbots de uso general. Si eso ocurre, TypeSafe tendrá que competir con plataformas mucho más grandes capaces de incluir funciones similares casi sin coste adicional.
La valoración también encaja en una tendencia más amplia. Los inversores están pagando precios elevados por startups de IA en fases muy tempranas, a menudo con valores de operación récord, antes de que tengan mucho recorrido. Un precio de 7.500 millones de dólares menos de un mes después del lanzamiento lo refleja.
Hay tres cosas a las que conviene prestar atención:
- Pruebas independientes. ¿Se sostienen las cifras de velocidad y coste fuera de las pruebas de la propia TypeSafe?
- La calibración en la práctica. ¿Predicen de verdad las puntuaciones de confianza de Jev cuándo se equivoca el modelo?
- Próximos lanzamientos. ¿Podrá el resto de System One aprovechar la adopción inicial cuando reaccionen los grandes proveedores?