Este nombre ya apareció en otros artículos, me interesa saber de qué se trata. https://t.co/7qiEKzo5Yd Jev AI ha cambiado el sentido común de los agentes de IA Julian Goldie SEO #AIResumen #Claude #Codex Jev transforma la toma de decisiones y la automatización de los agentes de IA 🔳 Características de Jev Jev es un modelo de IA tipo System 1 especializado en decisiones como selección, evaluación y juicio, diseñado para procesar grandes volúmenes de decisiones rápidamente y a bajo costo. 🔳 División de funciones con modelos tradicionales Mientras que los modelos grandes se encargan de investigación, planificación y generación de texto, Jev se ocupa de decisiones breves, como seleccionar la siguiente herramienta, decidir si continuar el proceso o determinar si se requiere confirmación humana. 🔳 Velocidad y costo En el video se presentan cifras que indican que Jev es 20 a 200 veces más rápido y 40 a 400 veces más económico que los modelos de IA convencionales, reduciendo la necesidad de delegar grandes volúmenes de decisiones pequeñas a modelos de alto rendimiento. 🔳 Tres tipos de decisiones Jev permite seleccionar entre múltiples opciones (Choice), evaluar según criterios definidos (Score) y determinar probabilidades de Sí/No, obteniendo también un nivel de confianza para cada decisión. 🔳 Automatización basada en confianza Se pueden establecer reglas operativas que ejecuten automáticamente decisiones con alta confianza y soliciten confirmación humana cuando la confianza sea baja, integrando no solo el riesgo de error, sino también la incertidumbre en los procesos. 🔳 Procesamiento paralelo de múltiples decisiones Se pueden enviar múltiples preguntas sobre una misma situación para evaluar simultáneamente la siguiente acción, la urgencia o la necesidad de aprobación, reduciendo tiempos de espera y costos dentro del agente de IA. 🔳 Caso de clasificación de artículos de investigación Después de resumir artículos de investigación en IA, el desarrollador envió títulos, resúmenes y 24 temas candidatos a Jev para clasificarlos. En el video se muestra que el costo total para procesar 18 artículos fue de 8 centavos, con una mediana de tiempo por artículo de 256 milisegundos. 🔳 Caso de organización de correos electrónicos En un caso donde se clasificaron 500 correos electrónicos, Jev los asignó a opciones como responder, investigar más, esperar o derivar a un humano, procesándolos en segundos con un costo total de 3.5 centavos. 🔳 Caso de evaluación de leads Al evaluar 700 leads y mensajes individuales, Jev predijo la probabilidad de respuesta y su nivel de confianza en 40 segundos, detectando también casos donde el lead y el mensaje no coincidían, con un costo total de 9 centavos. 🔳 Aplicación en operaciones de navegador En agentes de navegador, Jev selecciona la siguiente acción cada vez que cambia la página, mientras que la entrada de texto se delega a otro modelo generativo. El video muestra que el número promedio de comandos de navegador se redujo de 1092 a 101 y el tiempo por tarea disminuyó hasta un 25%. 🔳 Notas sobre búsqueda de vuelos En el caso presentado, se encontró un vuelo en 7 segundos con un costo inferior a 0.5 centavos; sin embargo, no se realizó la reserva. Además, los 7 segundos se midieron desde el inicio de la carga de la primera página. 🔳 Optimización de enlaces internos En un sitio web con 586 páginas, Jev configuró 584 enlaces internos en 45.1 segundos y no colocó enlaces en las 139 páginas que carecían de destinos adecuados, con un costo total de 21 centavos. 🔳 Enrutamiento de modelos Se presenta el uso de Jev para decidir qué modelo asignar: uno económico y rápido o uno de alto rendimiento y costoso. En el video se explica un ejemplo integrado con LangChain que selecciona el modelo más económico dentro del rango factible. 🔳 Verificación segura del uso de herramientas Jev puede evaluarse antes de que un agente ejecute una herramienta: si el riesgo es bajo, se permite la ejecución; si es alto, se detiene o se deriva a un humano. 🔳 Reducción del contexto Jev evalúa la importancia de las llamadas a herramientas en el historial del agente y elimina información innecesaria. En un ejemplo, se redujo un contexto de aproximadamente 1 millón de tokens a solo 86,000 tokens en menos de un segundo. 🔳 Preocupaciones sobre la reducción del contexto Se menciona una objeción: eliminar entradas históricas individualmente podría hacer perder razones o antecedentes importantes en tareas prolongadas. Se sugiere considerar alternativas como usar Jev para seleccionar qué partes resumir en lugar de eliminarlas. 🔳 Límites de Jev Jev no genera texto, código ni resultados de investigación; su función principal es tomar decisiones. Además, una alta confianza no garantiza una respuesta correcta; los resultados reales (como guardar archivos) deben verificarse por separado. 🔳 Importancia del diseño de entrada Solo con nombres de campos de pregunta no se transmite claramente la intención de decisión; es necesario describir explícitamente el texto de la pregunta y las opciones. Además, si no se proporciona suficiente contexto o información, la calidad del juicio disminuye. 🔳 Estructura de precios En el video se explica que el costo es aproximadamente 4 centavos por entrada de 1 millón de tokens; actualmente no hay cargo por salida. Si se ejecutan 10,000 decisiones usando 1,000 tokens cada una, el costo estimado es aproximadamente 42 centavos. 🔳 Lo importante es el costo total para completar la tarea🔳 Lo importante es el costo de finalización de la tarea Aunque la toma de decisiones en sí misma sea económica, si el agente realiza procesos innecesarios debido a un enrutamiento incorrecto, el costo total aumentará; por lo tanto, es necesario evaluar el costo total hasta la finalización de la tarea, no solo el costo por decisión. 🔳 Cambio en la estructura del agente de IA En el video se explica que, anteriormente, el mismo modelo se encargaba tanto de la generación de texto como de la toma de decisiones, pero ahora ha evolucionado hacia una estructura de especialización: los modelos grandes se encargan de la investigación y generación, Jev se ocupa de la selección, evaluación, aprobación y escalación, y el código realiza los procesos reales. 🔳 Usos adecuados en la actualidad La función integrada aún se considera experimental; actualmente, es realista implementarla primero en decisiones simples y claras que los humanos repiten constantemente, como clasificación de correos electrónicos, evaluación de leads, enrutamiento y marcado de banderas. 🔳 Conclusión del video La afirmación central del video es que separar la generación de texto de la toma de decisiones y asignar decisiones pequeñas y repetitivas a modelos rápidos y de bajo costo como Jev puede mejorar la velocidad, el costo y el alcance de automatización del agente de IA en su conjunto.