La startup TypeSafe AI, que propone producir probabilidades en vez de texto o código para automatizar tareas, recaudó 870 millones de dólares. En esta ronda de inversión, la empresa obtuvo una valoración de 7.500 millones de dólares. La inversión fue liderada por Andreessen Horowitz, con la participación de Sequoia y del inversor ya existente DCVC.

Antecedentes y contexto

El modelo Jev de TypeSafe AI ganó popularidad rápidamente en las semanas posteriores a su lanzamiento, el 15 de septiembre. La empresa afirma que un tercio de las compañías de Fortune 500 ya utiliza Jev. Se trata de lo que la compañía declara sobre la escala de adopción empresarial; no especifica qué considera «adopción».

Jev se basa en la arquitectura Transformer (una estructura de modelo de IA que procesa información de entrada), pero no es un modelo de lenguaje grande (LLM, por sus siglas en inglés: un modelo entrenado con grandes cantidades de datos lingüísticos y que trabaja principalmente con texto). Jev produce probabilidades en vez de texto, algo que TypeSafe AI denomina «decisiones calibradas». La compañía afirma que Jev es mucho más rápido que los LLM y utiliza muchos menos tokens (unidades de texto que procesa el modelo).

Esta diferencia está relacionada con el uso que propone TypeSafe AI. La empresa explica que Jev es adecuado para automatizar tareas, en lugar de generar texto o código. El cofundador Diogo Almeida dijo a TechCrunch que dominar el lenguaje humano no resulta útil para la automatización, porque los ordenadores utilizan un lenguaje distinto al de las personas.

TypeSafe AI fue fundada en 2024 por Sasha Sheng, exingeniera de investigación de Meta, y Eric Gaffney, ingeniero y empresario. Almeida también figura como cofundador y anteriormente trabajó como investigador en OpenAI. La orientación de Jev hacia la automatización de tareas empresariales, en vez de la generación de texto, es parte del contexto en el que han despertado interés tanto la gran ronda de financiación de la empresa como sus afirmaciones sobre la adopción empresarial.

Qué significa esta noticia

Muestra que, al evaluar la IA empresarial, además de la naturalidad con que genera texto, también puede ser importante determinar qué tipo de salida resulta adecuado para realizar una tarea concreta. Sin embargo, una inversión y una valoración empresarial no equivalen a una demostración independiente del rendimiento del modelo.

Por ejemplo, si una empresa estudia automatizar la lectura de documentos y su clasificación en categorías de trabajo preestablecidas, puede plantearse si realmente necesita generar frases y si una salida en forma de probabilidades se ajusta a la tarea. Se trata de un ejemplo hipotético: el artículo no indica qué resultados ha obtenido Jev en tareas concretas.

La mayor velocidad y el menor uso de tokens, así como la afirmación de que un tercio de las empresas de Fortune 500 lo utiliza, son afirmaciones de la compañía. El artículo no incluye verificaciones independientes de rendimiento ni criterios concretos de uso que las respalden.

Hechos confirmados y cuestiones aún desconocidas

Hechos confirmados

  • TypeSafe AI desarrolló Jev, recaudó 870 millones de dólares y obtuvo una valoración de 7.500 millones de dólares.
  • La ronda de inversión fue liderada por Andreessen Horowitz, con la participación de Sequoia y del inversor ya existente DCVC.
  • Jev se basa en Transformer, pero no es un LLM, y produce probabilidades en vez de texto.
  • TypeSafe AI describe Jev como un modelo más adecuado para automatizar tareas que para generar texto o código.

Cuestiones aún desconocidas

  • El artículo no indica a qué fines prevé destinar la empresa los 870 millones de dólares recaudados.
  • No se ha confirmado si existen resultados de verificaciones independientes de rendimiento que respalden las afirmaciones de la empresa sobre la velocidad de Jev y su consumo de tokens.
  • Se desconoce qué criterios de uso y cuántas empresas abarca la afirmación de que un tercio de las compañías de Fortune 500 lo utiliza.

Qué conviene comprobar

  • Si se está considerando adoptar Jev, primero conviene determinar si la tarea requiere generar texto o si se presta a la automatización mediante probabilidades.
  • Al evaluar las cifras de velocidad y consumo de tokens que presenta la empresa, es necesario comprobar con qué se comparan, en qué condiciones se midieron y si existe una verificación independiente.
  • Para valorar los casos de adopción empresarial, es importante averiguar qué se entiende por «uso» y qué funciones desempeña realmente el modelo en el trabajo.