Lo que encontrarás en este artículo:
- ¿Por qué la IA generativa, tan buena en la conversación, es lenta y costosa a la hora de tomar decisiones?
- ¿Qué es JEV, el modelo "System One" de TypeSafe AI, y qué devuelve en lugar de texto?
- Las tres preguntas que responde: elección, valoración y sí o no, siempre con probabilidad y confianza.
- En el ámbito de la gestión de relaciones con el cliente (CRM), esto se aplica a: cualificación, puntuación, etiquetas, enrutamiento por pasos y cola de servicio.
- Una demostración con un líder de Kommodesde la carga útil hasta la acción en la tarjeta
- Las cifras de coste y velocidad publicadas por TypeSafe y las obtenidas en una prueba independiente.
- Qué no hace el JEV y por qué complementa al agente de IA en lugar de reemplazarlo.
- ¿Cómo encaja en el ecosistema de Bytebio: KommoArnés, ByteGPT Captura de bytes
Casi todas las empresas que utilizan CRM han implementado un modelo de lenguaje en algún momento del proceso: un agente de WhatsApp, un resumen automático de conversaciones, una clasificación de clientes potenciales activada por n8n. Y casi todas se han topado con el mismo trío de problemas cuando el volumen aumentó. Las respuestas tardan segundos, el coste por llamada se acumula a gran escala y un mismo cliente potencial recibe clasificaciones diferentes en días distintos.
Esto no es un fallo de los modelos generativos, sino una desviación de su función. Fueron diseñados para escribir, y la mayor parte del trabajo de un CRM no consiste en escribir. Consiste en decidir: ¿este cliente potencial está interesado o no?, ¿este mensaje es una pregunta de soporte o una intención de compra?, ¿esta tarjeta se queda donde está o pasa a la siguiente etapa?
En septiembre de 2026, una empresa con sede en San Francisco llamada TypeSafe AI lanzó un modelo de acceso anticipado diseñado específicamente para esta segunda tarea. Se llama JEV, y vale la pena entender qué cambios introduce.
¿Qué es JEV?
TypeSafe describe a JEV como el primer modelo de una nueva clase, a la que denomina Sistema Uno . El nombre proviene de Daniel Kahneman en Pensar rápido, pensar despacio : el Sistema 1 representa el pensamiento rápido e intuitivo, mientras que el Sistema 2 es lento y deliberativo. Un modelo generativo es el Sistema 2: razona en texto, palabra por palabra. JEV es el Sistema 1: recibe un estado (un texto, un JSON, una lista de eventos), recibe una o más preguntas tipificadas y devuelve respuestas que el código procesa sin interpretar.
La diferencia se aprecia de inmediato en el formato de respuesta. Un modelo generativo, al que se le pide que clasifique un cliente potencial, devuelve un texto que necesita ser leído, validado y corregido con frecuencia porque escribió "Hola, aquí está el JSON" antes del JSON. JEV no genera texto. Devuelve la opción elegida, la probabilidad de cada opción y un índice de confianza. Es una función, no un iniciador de conversación.
TypeSafe resume su posicionamiento en tres palabras: "decisiones, no cadenas de caracteres".
Las tres preguntas que responde
Cada pregunta dirigida a la JEV se clasifica en uno de tres tipos , y eso es lo que hace que el resultado sea predecible.
| Tipo de pregunta | Ejemplo en CRM | Lo que regresa |
|---|---|---|
Elección (choice¿Cuál de estas opciones? |
Etapa de desarrollo: activo, pasivo, inactivo o latente | La opción ganadora, la probabilidad de cada una y el nivel de confianza. |
Nota (score¿A qué nivel? |
Nivel de participación en una escala del 0 al 4, con criterios escritos para cada nivel. | La puntuación, que puede situarse entre niveles, indica mayores probabilidades y confianza. |
Sí o no (noul¿Es esto cierto? |
¿Existe intención de compra en esta conversación? | Un valor entre 0 y 1, que ya representa la probabilidad de una respuesta "sí". |
Dos detalles son importantes para quienes instalan sistemas de automatización.
El primer factor es la confianza . En las preguntas de opción múltiple y de valoración, mide cuánta probabilidad se concentra en una sola respuesta. Cuando el modelo divide la probabilidad entre dos opciones, la confianza disminuye, y la documentación recomienda usarla como segundo eje de la decisión: la respuesta indica qué, la confianza indica si puede actuar por sí sola. Una confianza alta significa que el código actúa. Una confianza media significa que el código solicita confirmación o una marca para revisión. Una confianza baja significa que una persona decide.
El segundo método es el procesamiento por lotes . Varias preguntas se incluyen en la misma solicitud, y cada una se evalúa de forma independiente con respecto al mismo estado, sin que la respuesta de una contamine a las demás. Dado que el estado se envía solo una vez, preguntar diez cosas cuesta poco más que preguntar una.
Determinismo, no; coherencia, sí.
La pregunta que todo ingeniero se hace es si JEV es determinista. La respuesta honesta, y TypeSafe hace esta distinción, es que es consistente. El determinismo estricto implicaría devolver la misma respuesta para la misma entrada. La consistencia consiste en tomar la misma decisión cuando el significado permanece invariable, incluso si la oración cambia.
Para quienes hayan intentado clasificar mensajes de WhatsApp, esto resuelve un viejo dilema. Las expresiones regulares son demasiado frágiles: si el cliente escribe "Quiero un presupuesto" en lugar de "Quiero una propuesta", la regla falla. Los modelos generativos son demasiado impredecibles: una coma adicional en la solicitud cambia el comportamiento. JEV se sitúa en un punto intermedio. Comprende la semántica como un modelo de lenguaje y responde con la estructura de una función.
En una prueba publicada por TypeSafe con trece preguntas repetidas cinco veces sobre el mismo documento, la mayoría de las respuestas no variaron en absoluto entre las rondas.
¿Dónde encaja esto en el CRM?
Un modelo que toma decisiones rápidas y económicas transforma el papel de la IA en el CRM. En lugar de limitarse al servicio al cliente, se convierte en la capa de toma de decisiones que opera en segundo plano para cada evento, sin necesidad de intervención humana. El mapa de casos de uso de TypeSafe detalla, para ventas, exactamente lo que necesita una operación comercial: alineación con el perfil de cliente ideal, madurez de la empresa, puntos débiles, intención de compra, priorización y enrutamiento.
Traducido a Kommocon los sistemas que Bytebio Ya está integrado en el CRM, así que seguirá así.
Calificación continua de clientes potenciales. Con cada mensaje o evento, se evalúa todo el historial de la tarjeta (mensajes, clics, tiempo de respuesta, origen) y se actualiza el campo de etapa de la relación. No se realiza una calificación única al ingresar el contacto y luego se olvida.
Puntuación de compromiso. Una puntuación en una escala definida por la empresa, con criterios escritos para cada nivel, registrada en un campo numérico de la tarjeta. El vendedor ordena la cola según este campo en lugar de basarse en la intuición.
Etiquetas de interés. Una pregunta de opción múltiple por tema (programación, integración ERP, soporte de IA, precio) se convierte en una etiqueta para el cliente potencial. La segmentación para campañas e informes se basa entonces en lo que el cliente dijo, no en lo que el vendedor recordó anotar.
Intención comercial frente a necesidad de asistencia. Un simple sí o no que separa a quienes desean comprar de quienes necesitan ayuda, y dirige a cada uno a la cola correcta incluso antes de que nadie lo lea.
Enrutamiento por etapas. Cuando la probabilidad de cierre supera un umbral, la tarjeta avanza a la siguiente etapa y el vendedor recibe una tarea. Cuando cae por debajo de ese umbral, la tarjeta regresa a la etapa de seguimiento.
Urgencia y riesgo de pérdida. De forma activa, el mismo mecanismo lee las señales de enfriamiento y abre una tarea de reactivación antes de que el cliente desaparezca.
Mecanismo de seguridad del agente de IA. Antes de que el agente responda, una pregunta de sí o no verifica si el mensaje solicita algo fuera del alcance o contiene datos confidenciales, y redirige a una persona cuando la respuesta es sí.
El denominador común es que en ninguno de estos casos el equipo de Propuesta de Valor Ejecutivo (JEV, por sus siglas en inglés) redacta nada para el cliente. Ellos deciden y el equipo de Gestión de Relaciones con el Cliente (CRM, por sus siglas en inglés) se encarga de la ejecución.
Demostración: un líder de Kommo evaluado por JEV
El siguiente ejemplo se adapta a Kommo La prueba de concepto presentada en la charla que inspiró este artículo se realizó originalmente en n8n con otro CRM. El flujo es el mismo: leer la tarjeta y la línea de tiempo, reconstruir el estado, formular la pregunta y escribir la respuesta en la tarjeta.
El estado es un resumen del líder. Tenga en cuenta que llega ya estructurado, porque JEV evalúa texto y JSON, y que el origen proviene del seguimiento de ByteCapture.
{
"model": "jev-latest",
"state": {
"lead": { "etapa": "Contato realizado", "origem": "Instagram Ads, via ByteCapture" },
"contato": { "empresa": "Clínica com 12 profissionais", "cargo": "Gestora administrativa" },
"linha_do_tempo": [
{ "quando": "há 6 dias", "evento": "Clicou no anúncio e mandou a primeira mensagem no WhatsApp" },
{ "quando": "há 6 dias", "evento": "Perguntou se a IA agenda consultas e lembra os pacientes" },
{ "quando": "há 4 dias", "evento": "Recebeu a apresentação em PDF e abriu em três minutos" },
{ "quando": "há 2 dias", "evento": "Pediu proposta com valores para 12 agendas" },
{ "quando": "ontem", "evento": "Perguntou o prazo de implantação e se integra ao sistema da clínica" }
]
},
"questions": {
"estagio_relacionamento": {
"type": "choice",
"instructions": "Considerando a linha do tempo, qual é o estágio atual de relacionamento deste lead?",
"criteria": {
"ativo": "Interações recentes e recorrentes, iniciadas pelo lead.",
"passivo": "Poucas interações, esporádicas.",
"inativo": "Recebe mensagens recentes, mas não responde.",
"adormecido": "Sem interação há um período prolongado.",
"evidencia_insuficiente": "O histórico não permite decidir."
}
},
"engajamento": {
"type": "score",
"instructions": "Qual é o nível de engajamento demonstrado? Considere frequência, variedade e recência.",
"criteria": {
"0": "Nenhuma interação relevante.",
"1": "Uma interação isolada ou antiga.",
"2": "Algumas interações, irregulares.",
"3": "Interações recorrentes, sobre mais de um assunto.",
"4": "Interações frequentes, recentes e consistentes."
}
},
"intencao_comercial": {
"type": "noul",
"instructions": "O histórico mostra sinais consistentes de intenção de compra? Uma leitura isolada de mensagem não conta.",
"criteria": "Pedido de proposta, pergunta sobre prazo, preço ou integração, ou mais de um clique em material comercial."
}
}
}La respuesta devuelve la estructura que utiliza la API de JEV. Los valores que se muestran a continuación son ilustrativos, pero el formato es el real.
{
"model": "jev-1.13.0",
"answers": {
"estagio_relacionamento": {
"type": "choice",
"choice": "ativo",
"confidence": 0.91,
"probabilities": { "ativo": 0.91, "passivo": 0.05, "inativo": 0.02, "adormecido": 0.01, "evidencia_insuficiente": 0.01 }
},
"engajamento": {
"type": "score",
"score": 3.62,
"confidence": 0.71,
"probabilities": { "0": 0.00, "1": 0.01, "2": 0.04, "3": 0.28, "4": 0.67 }
},
"intencao_comercial": { "type": "noul", "noul": 0.94 }
},
"usage": { "input_tokens": 1180, "output_tokens": 0 }
}No hay texto que interpretar. Lo que existe es un conjunto de números, y a partir de ellos reside la regla de decisión en el código, donde se puede leer, probar y versionar. Así es como se integra... Bytebio escribir Kommo:
| Respuesta de JEV | ¿Qué sucede en la tarjeta de Kommo |
|---|---|
| Etapa "activa" con confianza 0,91 | El campo "Etapa de la relación" está marcado como Activo. |
| Nivel de compromiso: 3,62 en una escala de 0 a 4. | El campo "Puntuación de compromiso" recibe una puntuación de 90, en la escala de la empresa de 0 a 100. |
| Intención comercial en 0,94 | Etiqueta "intención de compra", la tarjeta avanza a Propuesta, tarea para el vendedor con un plazo de una hora. |
| Cualquier pregunta con un nivel de confianza inferior a 0,5 | La tarjeta no cambia; la conversación entra en la cola de revisión humana con la justificación. |
Los umbrales los establece la empresa, no el modelo. La recomendación de TypeSafe es comenzar con un enfoque conservador y ajustar con datos reales, escalando en consecuencia: transferir una tarjeta requiere menos certeza que descartar un cliente potencial, y descartar un cliente potencial requiere menos certeza que prometer un descuento.
Los numeros
Hay dos conjuntos de datos que analizar: los publicados por TypeSafe y los de una prueba independiente.
Lo que publica TypeSafe. La página de precios, las plantillas y las recetas de ejemplo proporcionan medidas verificables.
| Medida | valor | fuente |
|---|---|---|
| precio de entrada | 0,042 dólares estadounidenses por millón de tokens; sin comisión de salida. | Modelos |
| 13 preguntas en una sola llamada, en lugar de 13 llamadas separadas. | 12,2 veces más barato y 10 veces más rápido: 0,27 s frente a 2,71 s | Receta para preguntas paralelas |
| Clasificación en 75 grupos, con un cambio a la categoría más amplia cuando disminuye la confianza. | Las respuestas útiles aumentan del 65% al 80%; con un nivel de confianza superior a 0,9, la precisión es del 90%. | Receta de calificación basada en la confianza |
| Límite por solicitud | 64 fichas, con 32 para el estado más la pregunta más importante | Modelos |
En su página web, TypeSafe afirma que el JEV es 193,6 veces más rápido y 244,6 veces más económico que los modelos generativos en tareas de este tipo. Esta afirmación proviene del fabricante, sin que se publique ninguna metodología en la misma página, por lo que se registra como tal.
Prueba independiente. Los datos que se muestran a continuación provienen de una prueba presentada en una conferencia por un experto en automatización, quien envió el mismo historial de contactos (aproximadamente 18 000 tokens de línea de tiempo) al JEV y a dos modelos generativos, dentro de un flujo n8n, con la misma solicitud de clasificación estructurada. Los nombres de los modelos generativos son los utilizados en la presentación.
| Volumen de análisis | JEV 1.13 | GPT-5.6 Luna | GPT-4.1 Mini |
|---|---|---|---|
| 1.000 | US$ 1,12 | US$ 6,21 | US$ 8,70 |
| 10.000 | US$ 11,17 | US$ 62,09 | US$ 87,01 |
| 100.000 | US$ 111,74 | US$ 620,89 | US$ 870,12 |
El tiempo de respuesta de los métodos generativos oscilaba entre 3 y 5 segundos para generar y validar el JSON. JEV respondía en una fracción de segundo, lo que permitía realizar llamadas síncronas dentro del flujo, sin colas ni esperas.
Un detalle de la prueba que vale la pena mencionar es que JEV contabilizó más tokens de entrada que tokens generativos (26 600 frente a 17 700), debido a la forma en que procesa el estado. Aun así, resultó ser un 82 % más económico según el análisis, ya que no cobra por la salida y solo cobra por la entrada a una fracción del precio.
Lo que estas cifras significan en la práctica: analizar cien mil conversaciones o contactos al mes ahora cuesta poco más de cien dólares. La cualificación continua de toda la base de datos, que antes solo cabía en el presupuesto de una gran empresa, ahora se ajusta a las necesidades de un vendedor y un CRM.
Lo que JEV no hace
Para evitar que el entusiasmo se convierta en un proyecto piloto fallido, TypeSafe mantiene una página donde se describen las limitaciones conocidas . Los aspectos más importantes del CRM son:
- Él no escribe. No se recibe respuesta, resumen ni propuesta del cliente. Esto sigue ocurriendo con el modelo generativo.
- Él no calcula. El código se encarga de contar los mensajes, sumar los valores y comparar las fechas, antes de formular la pregunta. La pregunta "¿Hay más de tres clics?" se realiza después de haber contado los mensajes, no con la lista original.
- Lo lee literalmente. La instrucción debe especificar qué constituye una señal y qué no. Por eso, la cuestión de la intención comercial mencionada anteriormente advierte que una sola lectura no cuenta.
- Se distrae con el estado, que es grande y sucio. Filtrar el historial antes de enviarlo mejora el tiempo de respuesta y reduce los costes.
- Él no sospecha del mensaje. Las instrucciones integradas en un mensaje del cliente pueden influir en la respuesta, por lo que la medida de seguridad sigue estando relacionada tanto con el código como con el proceso.
La conclusión práctica es que el JEV no reemplaza al agente de IA. Le quita al agente aquello que hace mal y de forma costosa (tomar decisiones) y le deja aquello que hace bien (conversar).
¿Cómo encaja en el ecosistema de Bytebio
A Bytebio é Socio experto de Kommo y mantiene sus propios sistemas que se integran con el CRM: clasificación de clientes potenciales, puntuación, actualizaciones de campos, etiquetas y avance de etapa. Lo que JEV aporta es un motor de decisiones más rápido, económico y consistente en estas áreas. La arquitectura que... Bytebio La propuesta tiene cuatro niveles.
- Canal y CRM. WhatsApp entra KommoCada tarjeta almacena la conversación, su origen y sus campos. Captura de bytes Garantiza que el origen del cliente potencial sea correcto, lo cual se convierte en uno de los indicadores de la evaluación.
- Agente de IA. O ByteGPT O bien, un agente de Harnz habla con el cliente, utilizando el Documento de Referencia de la empresa como fuente normativa y recurriendo a una persona cuando sea necesario.
- Decisión. Para cada evento relevante, el Arnés Recopila el estado del cliente potencial, consulta el JEV y recibe las respuestas escritas.
- Acción en Kommo. Las reglas de Harnz para Kommo Traducen la respuesta en el campo, etiquetando, paso y tarea, siempre dentro de los umbrales definidos por la empresa, y devuelven a la cola humana lo que queda por debajo del nivel mínimo de confianza.
Harnz es el componente clave que hace que esta producción sea sostenible. Cada pregunta, cada criterio y cada umbral tiene versiones; los cambios solo se implementan con aprobación humana y se pueden revertir; cada decisión se registra con la respuesta del modelo y la acción tomada; y el costo por flujo aparece por separado, lo que, con un modelo que cobra centavos por cada mil análisis, deja de ser una preocupación y se convierte en un indicador. El centro de pruebas de Harnz permite ejecutar un lote de conversaciones reales con un nuevo conjunto de preguntas antes de activar cualquier acción en el CRM.
¿Qué Bytebio En este sentido, la entrega implica diseñar las preguntas con criterios de aceptación e integrarlas en... Kommo, calibrando los umbrales con los datos reales de la empresa y brindando soporte una vez que esté en funcionamiento.
Cómo iniciar la operación sin detenerla.
El camino que Bytebio El proceso utilizado para agregar una capa de decisión al CRM sigue el mismo camino que las otras áreas: diagnóstico, arquitectura, implementación por fases y operación.
- Tomar una decisión. Una sola línea, con un responsable y consecuencias claras. Priorizar la cola de servicio es un punto de partida común porque es un error sencillo que da resultados rápidamente.
- Redacta las preguntas y los criterios. En portugués sencillo, se describe qué cuenta y qué no en cada nivel. Este texto es la regla de negocio, y es lo que Harnz interpreta.
- Calibrar con los datos reales. Analice unos cientos de clientes potenciales que ya han sido calificados por personas y compárelos. Ahí es donde los umbrales de confianza se vuelven numéricamente significativos.
- Conducir a la sombra. El JEV decide, Harnz lo registra y la tarjeta no cambia. Durante una o dos semanas, el equipo revisa las decisiones en el registro.
- Conecta las acciones, una a la vez. Primero el campo, luego la etiqueta, luego el paso. Cada uno con sus propios criterios de aceptación y una ruta de retorno predefinida.
- Medir y ajustar. Tasa de decisión automatizada, tasa de revisión humana, precisión de la muestra y costo por cliente potencial. La información que obtiene el proceso se incorpora a los criterios de evaluación.
Ninguna de estas etapas finaliza en una fase piloto. Cada una incluye un producto final y criterios de aceptación.
La conclusión que importa a quien toma la decisión.
El debate sobre la IA en el CRM lleva dos años estancado en el servicio al cliente, que es solo una parte del proceso de ventas. La parte más importante es la decisión implícita que se toma con cada mensaje: a quién va dirigido, con qué prioridad, en qué etapa y con qué etiqueta. Hasta ahora, esta decisión era demasiado costosa y lenta para que la tomara la IA en cada caso, por lo que se realizaba una sola vez, al principio, y luego se abandonaba.
Un modelo que toma decisiones en milisegundos y cobra unos centavos por cada mil análisis cambia esa ecuación. Sin embargo, no cambia lo que hace que la decisión sea válida: criterios escritos, un umbral definido, un registro de cada acción, aprobación de los cambios y alguien que responda cuando falle. Sin eso, un modelo barato solo genera errores más rápido.
Primero la estructura. Después la automatización. El JEV resuelve el problema de la velocidad y el coste de la decisión. Bytebio Es responsable de la estructura que la rodea.
¿Cómo puede ser Bytebio puede ayudar
A Bytebio Es una casa de ingeniería de Ribeirão PretoDesde 2009, ha estado implementando IA, automatización y CRM en empresas que dependen de las operaciones para generar ingresos, y es responsable de lo que desarrolla. Socio experto de Kommo, creador de ByteGPT, ganador de Kommo Premio Partners 2024 a la mejor integración local, y mantiene el Arnés, la estructura de control de IA en WhatsApp, con control de versiones, aprobación de cambios, registro completo y costo por flujo.
Si su operación ya tiene CRM y un agente de IA en funcionamiento, y la calificación aún depende de quién leyó la conversación, habla al BytebioComenzamos con un breve diagnóstico del embudo de conversión y las decisiones que requiere, y declaramos con franqueza cuáles merece la pena automatizar primero.
