IA aplicada al eCommerce · Guía práctica
Jev es el primer System One Model de TypeSafe AI: un modelo de inteligencia artificial que no genera texto, sino decisiones tipadas con un nivel de confianza calibrado. En esta guía explicamos qué es Jev, en qué se diferencia de un LLM y cómo aplicar Jev al eCommerce —B2B y B2C— con casos de uso reales, umbrales de confianza y arquitectura de integración con el ERP.
¿Cómo se aplica Jev a un eCommerce? Se usa como capa de decisión dentro de los flujos de la tienda: recibe el estado (un pedido, una ficha de producto, un email, un registro del ERP), responde a una pregunta cerrada y devuelve la respuesta con su nivel de confianza. El sistema actúa solo cuando la confianza supera el umbral definido y escala a una persona cuando no.
- Casos típicos: clasificar pedidos que llegan por email, asignar categoría a productos nuevos, validar cambios de precio y stock del ERP, segmentar clientes B2B, reconocer referencias en el pedido rápido y priorizar incidencias.
- No sirve para redactar textos, calcular importes ni razonar con fechas.
- Su valor depende de la integración entre eCommerce, ERP y PIM.
Qué es Jev de TypeSafe AI
Jev es un modelo de IA desarrollado por TypeSafe AI y presentado en acceso anticipado en septiembre de 2026. Pertenece a una nueva categoría que la compañía denomina System One Models: modelos diseñados para tomar decisiones rápidas y estructuradas que el software puede usar directamente, sin interpretar texto.
System One Model: modelo de IA que recibe el estado de un sistema y una pregunta con respuestas posibles definidas de antemano, y devuelve una respuesta tipada acompañada de probabilidades y un nivel de confianza. No genera texto libre.
Tres características lo diferencian:
- Salidas tipadas. La respuesta siempre es una de las opciones definidas. El modelo no puede devolver un formato inesperado.
- Confianza calibrada. Cada decisión incluye una estimación de cuánto se fía el modelo. TypeSafe lo entrena con una técnica propia, RLCD (Reinforcement Learning for Calibrated Decisions), para que una confianza alta corresponda de verdad a una mayor probabilidad de acierto.
- Velocidad y coste. TypeSafe comunica respuestas entre 70 y 500 milisegundos y un coste por consulta de fracciones de céntimo. Son cifras del fabricante en fase de lanzamiento: conviene validarlas en cada caso.
Jev acepta hasta 32.000 tokens de contexto y está disponible en la consola de TypeSafe y en el catálogo de modelos de Cloudflare como typesafe/jev.
Jev frente a un LLM: qué cambia en un eCommerce
Un LLM como ChatGPT o Claude genera texto que después hay que interpretar. Jev devuelve un valor que el código usa sin traducción. Son herramientas complementarias, no sustitutas.
| Criterio | LLM generativo | Jev (System One Model) |
|---|---|---|
| Salida | Texto libre (o JSON pedido por instrucción) | Valor tipado entre opciones cerradas |
| Confianza | No calibrada: responde igual de seguro cuando falla | Probabilidad y confianza en cada respuesta |
| Latencia | Segundos | Milisegundos (según fabricante) |
| Coste por decisión | Alto para grandes volúmenes | Muy bajo (según fabricante) |
| Alucinación de formato | Posible | No: la salida está restringida por tipo |
| Mejor uso en eCommerce | Redactar fichas, responder clientes, resumir | Clasificar, enrutar, validar, priorizar |
Los tres tipos de pregunta de Jev
Jev trabaja con un modelo de estado + preguntas tipadas. En una sola llamada se envía el estado (por ejemplo, un pedido) y varias preguntas que se evalúan en paralelo. Hay tres primitivas:
Elegir una opción
Selecciona una respuesta entre hasta 255 candidatas. Devuelve la opción, la probabilidad de cada una y la confianza. Ejemplo: ¿a qué familia pertenece este producto?
Puntuar en una escala
Sitúa el estado en una escala de 2 a 10 niveles descritos. Ejemplo: ¿qué urgencia tiene esta incidencia postventa?
Verificar sí o no
Devuelve un valor entre 0 y 1 que expresa cuánto cree el modelo que una afirmación es cierta. Ejemplo: ¿este cambio de precio parece un error de carga?
La regla de diseño que recomienda TypeSafe: cada pregunta debe ser atómica, el tipo de juicio que un experto resolvería en pocos segundos. Las decisiones complejas se descomponen en varias preguntas simples y se combinan en código.
Cómo aplicar Jev al eCommerce: 8 casos de uso
Estos son flujos habituales en eCommerce B2B industrial y de distribución —y también en B2C con catálogos complejos— donde hoy decide una persona, una regla rígida o un LLM lento y caro.
| Caso de uso | Pregunta | Estado de entrada | Acción según confianza |
|---|---|---|---|
| 1. Clasificar pedidos que llegan por email | Choice | Asunto, cuerpo y adjuntos del email | Pedido, modificación, reclamación o consulta: enrutar al flujo correcto o a atención al cliente |
| 2. Categorizar productos en el PIM | Choice | Descripción del proveedor, atributos, marca | Asignar familia y subfamilia o dejar en cola de revisión |
| 3. Validar cambios que llegan del ERP | Noul | Precio o stock anterior y nuevo, familia, histórico | Publicar el cambio o retenerlo antes de que llegue a la tienda |
| 4. Segmentar clientes B2B en el registro | Choice | Datos del formulario, CIF, sector, web | Asignar tarifa y grupo o pedir validación comercial |
| 5. Reconocer referencias en el pedido rápido | Choice | Código introducido y candidatos del catálogo | Añadir la referencia correcta al carrito o pedir confirmación al cliente |
| 6. Priorizar incidencias postventa | Score | Mensaje del cliente, tipo de pedido, importe | Ordenar la cola de soporte por urgencia e impacto |
| 7. Detectar pedidos de riesgo | Noul | Cliente, dirección, importe, patrón de compra | Liberar, retener o revisar el pedido antes de enviarlo al ERP |
| 8. Revisar la calidad de fichas de producto | Noul / Score | Ficha completa generada o importada | Publicar, devolver a edición o completar atributos |
Ninguna de estas decisiones es espectacular por sí sola. Juntas representan cientos de horas al mes que el equipo puede dedicar a clientes, a producto o a los casos que de verdad requieren su conocimiento.
Umbrales de confianza: cómo decide el sistema cuándo actuar
La confianza calibrada es la pieza clave. Un LLM clásico contesta con la misma seguridad cuando acierta que cuando se equivoca; por eso tantos pilotos de IA en eCommerce no llegan a producción. Con Jev, el flujo se diseña por tramos:
Actúa
El pedido pasa, el producto se clasifica, el cambio se publica. Sin intervención manual.
Actúa y deja traza
El sistema ejecuta y marca la decisión para una revisión posterior por muestreo.
Escala
La decisión pasa a una persona o a un modelo más potente antes de ejecutarse.
El umbral no es único: se fija por acción y según el riesgo. Clasificar un email admite una confianza moderada; publicar un precio o liberar un pedido de importe alto exige una confianza muy elevada. Y los umbrales se ajustan con datos reales, semana a semana, comparando las decisiones automáticas con las revisiones humanas.
Arquitectura: dónde vive Jev en un eCommerce integrado con el ERP
Un modelo de decisión no funciona aislado. Recibe el estado de un sistema, decide y dispara una acción en otro. Su valor depende de la capa que conecta eCommerce, ERP, PIM y CRM.
Sin una capa de integración con eventos, trazabilidad y reintentos, un modelo como Jev es una respuesta rápida que no llega a ninguna parte. Por eso en eComm360 abordamos estos proyectos desde la integración del eCommerce con el ERP: la IA se sitúa dentro del flujo, no al lado.
Cómo implantar Jev en tu eCommerce paso a paso
- Inventariar decisiones. Lista las decisiones repetitivas que hoy toma una persona o una regla frágil: quién las toma, cuántas veces al día y qué cuesta equivocarse.
- Elegir un flujo acotado. Empieza por uno de alto volumen y riesgo bajo, como la clasificación de emails o la categorización de productos.
- Definir las preguntas y las opciones. Formula preguntas atómicas con opciones cerradas y bien descritas. Si una decisión necesita varias condiciones, sepárala en varias preguntas.
- Preparar el estado. Envía solo la información relevante. Más contexto no significa mejor decisión: el ruido reduce la precisión.
- Medir en paralelo. Durante unas semanas, Jev decide y una persona valida. Compara aciertos por tramo de confianza y fija los umbrales con esos datos.
- Automatizar por tramos. Activa la ejecución automática solo en el tramo de confianza alta y mantén la revisión humana en el resto. Amplía a medida que los datos lo justifiquen.
Jev en PrestaShop, Shopify y otras plataformas
Jev se consume por API, así que es compatible con cualquier plataforma de eCommerce. La diferencia está en dónde se engancha:
- PrestaShop: mediante módulos que actúan en los hooks de pedido, alta de cliente o importación de producto, o desde el middleware que sincroniza con el ERP.
- Shopify y Shopify Plus: mediante webhooks y una app o servicio externo que decide y responde a través de la Admin API o de Shopify Flow.
- BigCommerce, LogiCommerce, Sylius y arquitecturas headless: en la capa de orquestación que consume sus APIs, sin tocar el núcleo de la plataforma.
- WooCommerce y Magento: con el mismo patrón de eventos y capa de integración.
En todos los casos la recomendación es la misma: la decisión vive en la capa de integración, no dentro del frontal de la tienda.
Limitaciones de Jev que conviene conocer
- No genera texto. No redacta descripciones, emails ni resúmenes. Para eso siguen estando los LLM.
- No calcula. Importes, descuentos, recuentos y reglas numéricas se resuelven en código.
- No razona con fechas. Los plazos de entrega o vencimientos deben llegar ya calculados o como opciones cerradas.
- Lee de forma literal. Negaciones y condiciones implícitas deben explicitarse en la pregunta.
- No sustituye una regla exacta. Si la condición es objetiva (crédito disponible mayor que el importe), la regla de siempre es más barata y fiable.
- No arregla el dato. Si el ERP entrega descripciones vacías o familias mal asignadas, Jev decidirá rápido sobre información pobre.
Jev y los agentes de IA: cómo encajan
Los agentes de IA ejecutan tareas de varios pasos; Jev toma decisiones puntuales con un nivel de confianza. Combinados, el agente orquesta el flujo y consulta a Jev en cada bifurcación donde hace falta un juicio rápido y verificable. Es una forma de dar a los agentes los puntos de control que analizamos en nuestras guías sobre OpenClaw y Shopify, OpenClaw y BigCommerce y OpenFang en eCommerce.
Si estás valorando cómo aplicar agentes en tu operación, te puede interesar nuestra página de agentes IA para empresas B2B conectados al ERP.
Preguntas frecuentes sobre Jev en eCommerce
¿Qué es Jev de TypeSafe AI?
Jev es un System One Model desarrollado por TypeSafe AI: un modelo de IA que devuelve decisiones tipadas con probabilidades y un nivel de confianza calibrado, en lugar de generar texto. Está pensado para integrarse dentro del software y automatizar decisiones como clasificar, enrutar, validar o priorizar.
¿Cómo se puede aplicar Jev a un eCommerce?
Como capa de decisión dentro de los flujos de la tienda: clasificar pedidos que llegan por email, categorizar productos en el PIM, validar cambios de precio y stock del ERP, segmentar clientes B2B, reconocer referencias en el pedido rápido, priorizar incidencias o detectar pedidos de riesgo. El sistema actúa solo cuando la confianza supera el umbral definido.
¿En qué se diferencia Jev de ChatGPT o de otros LLM?
Un LLM genera texto libre y no expresa de forma fiable cuánto se fía de su respuesta. Jev solo responde con opciones definidas de antemano, añade una confianza calibrada y, según el fabricante, es mucho más rápido y barato por decisión. Los LLM siguen siendo la opción para redactar o resumir.
¿Jev funciona con PrestaShop y Shopify?
Sí. Jev se consume por API, por lo que se integra con PrestaShop, Shopify, BigCommerce, WooCommerce, Magento o arquitecturas headless mediante módulos, webhooks o una capa de integración con el ERP.
¿Jev sustituye al equipo de atención al cliente o de operaciones?
No. Resuelve las decisiones repetitivas con confianza alta y escala las dudosas a una persona. El equipo deja de revisar uno a uno los casos que el sistema ya resuelve bien y se centra en los que necesitan su conocimiento.
¿Cuánto cuesta usar Jev?
En su lanzamiento, TypeSafe comunicó un precio por token de entrada muy inferior al de los LLM habituales y tokens de salida sin coste. El precio puede cambiar durante la fase de acceso anticipado, así que conviene consultarlo en la consola de TypeSafe o en Cloudflare.
¿Qué no puede hacer Jev?
No genera texto, no realiza cálculos, no razona con fechas y no infiere condiciones implícitas. Tampoco mejora la calidad del dato de origen: si el catálogo o el ERP tienen información incompleta, las decisiones se resentirán.
¿Por dónde empiezo a aplicar Jev en mi tienda?
Por un flujo de alto volumen y riesgo bajo, como la clasificación de emails entrantes o la categorización de productos. Mide en paralelo con validación humana, fija los umbrales de confianza con datos reales y automatiza por tramos.
¿Qué decisiones de tu eCommerce podrían tomarse solas?
Analizamos tus flujos de pedido, catálogo y ERP para identificar qué decisiones pueden automatizarse con modelos como Jev, con qué umbrales y con qué integración.
Las cifras de rendimiento y coste de Jev proceden de la documentación publicada por TypeSafe AI durante su fase de acceso anticipado.
