JEV en el corazón de InsightNarrator: el juicio rápido que le faltaba a la Voz del Cliente

Cada día, una empresa recibe miles de frases de sus clientes: reseñas, tickets, respuestas a encuestas, chats. Entender lo que dicen es la parte fácil. Las preguntas difíciles son otras: ¿qué quieren realmente? ¿Cómo se sienten? ¿Cuánto urge? Y, sobre todo: ¿qué debería hacer la empresa ahora mismo?

Las tres primeras son preguntas de juicio; la última, de decisión. Durante años, los equipos de experiencia de cliente las han abordado de dos formas poco satisfactorias: reglas rígidas que pasan por alto los matices, o LLM generalistas demasiado lentos y caros para aplicarlos a cada mensaje. Con JEV, parte de ese problema se desbloquea.

1. Un modelo que no habla: decide

El 15 de septiembre, TypeSafe, un laboratorio de IA que pasó dos años en modo stealth, lanzó JEV, un modelo que clasifica texto y datos estructurados en lugar de generarlos. No conversa ni escribe: recibe un contexto y preguntas tipadas, y responde a cada una con una de las opciones que has definido, junto con las probabilidades asociadas. El nombre viene de la paradoja de Jevons: cuando una operación se abarata lo suficiente, acabas haciéndola mucho más.

«System One» remite a Kahneman: el pensamiento rápido e intuitivo, frente al razonamiento lento y deliberado. El precio explica parte de la acogida: a 0,042 USD por millón de tokens de entrada y con la salida gratis, un juicio que antes era «una llamada a un LLM que había que justificar» se convierte en algo que puedes ejecutar en cada petición. Según TypeSafe, los tiempos de respuesta de extremo a extremo van de 70 a 500 milisegundos. En las primeras 24 horas tras su lanzamiento en Vercel, cerca del 13 % de los equipos de pago de la plataforma lo probaron, la adopción más rápida de un modelo nuevo en la plataforma.

2. Por qué la detección de intención y emoción es su terreno natural

Reconocer la intención («quiere darse de baja», «pide un reembolso», «está comparando competidores») y la emoción («frustración», «decepción», «entusiasmo») son problemas de taxonomía cerrada. JEV está hecho exactamente para esto:

• Categorías siempre válidas. El modelo nunca responde fuera de las opciones que has definido. Para un pipeline de analítica, eso significa ninguna etiqueta inventada y datos que entran en el resto del sistema ya estructurados.
• Probabilidades, no solo etiquetas. Con distribuciones de probabilidad puedes fijar umbrales: por encima de un valor, el insight avanza automáticamente; por debajo, pasa a revisión.
• Coste y latencia a escala real. Analizas el 100 % del feedback, no una muestra, y en tiempo real.

En InsightNarrator, JEV impulsa los motores CORE de detección de intención y emoción. En nuestras pruebas con 1,5 millones de feedbacks en distintos idiomas observamos un 96,7 % de precisión, con un coste de unos céntimos cada 1000 feedbacks frente a la solución con LLM.

3. Dónde encaja en el enjambre

InsightNarrator no es un modelo con una ventana de chat encima: es un enjambre de diez agentes coordinados por NarratorGPT, con especialistas como SentimentAI, ThemeMapper, SegmentLens, TrendRadar, RiskAlert, Friction Economist, Data Scientist, Domain Expert, Synthesis Analyst y Quality Auditor.

En este diseño, JEV hace un trabajo preciso: produce las señales elementales (intención, emoción, urgencia) que luego los agentes especializados agregan, cruzan e interpretan. SentimentAI y ThemeMapper ya no tienen que «leer» cada frase desde cero, porque parten de juicios ya estructurados y con una probabilidad declarada. El razonamiento lento (¿por qué baja el sentimiento de un segmento? ¿qué fricción cuesta más?) se queda donde debe estar, en los agentes que pueden permitírselo.

Sobre esta capa de juicio se apoyan funciones que van más allá de la clasificación:

• Taxonomía ABSA: el sentimiento no se asigna al mensaje entero sino a cada aspecto del que habla el cliente (precio, entrega, soporte), y eso es lo que hace que un análisis sea accionable.
• Análisis C-Risk: leer el feedback desde la óptica del riesgo, donde la intención y la emoción se convierten en indicadores adelantados.
• Encuestas: la recogida de feedback estructurado que alimenta el mismo pipeline.
• Scoty: la interfaz conversacional en la que los usuarios crean sus propios análisis hablando con la plataforma.
• ROI Builder: traduce los insights en valor económico, porque un análisis que no termina en una cifra de negocio rara vez termina en un presupuesto.

4. Sin sustituir lo que ya tienes

La mayoría de los equipos de CX no necesitan otro sitio donde recoger feedback. Ya tienen uno, a menudo varios: una plataforma de encuestas aquí, una herramienta de analítica de texto allá, un sistema de tickets al lado. Arrancarlo todo para probar un modelo nuevo no tiene sentido.

InsightNarrator se diseñó para funcionar sobre 25 sistemas de Voz del Cliente, entre ellos Medallia y Qualtrics. Lee el feedback donde ya está, añade la capa de inteligencia (intención, emoción, aspectos, riesgo, decisiones) y devuelve insights sin un proyecto de migración. Por eso también un motor nuevo como JEV se adopta rápido: se conecta a la capa de análisis y tus fuentes de datos se quedan exactamente donde están.

5. La honestidad necesaria: un juicio erróneo es idéntico a uno correcto

JEV no es magia, y quien lo adopte en producción debería saberlo. Un análisis independiente señala que cada respuesta encaja en el formato que has definido, así que una respuesta errónea es idéntica a una correcta; en sus pruebas, un texto colocado en la entrada empujó al modelo hacia la opción equivocada con una confianza superior al 70 %.

En la Voz del Cliente esto importa más que en otros ámbitos, porque el texto que se analiza lo escriben terceros no fiables: reseñas, comentarios, emails. Un modelo rápido no basta por sí solo. Hace falta algo a su alrededor.

6. «Beyond the Model»: el harness como sistema

Aquí es donde nuestro trabajo académico se cruza con la actualidad. En el paper Beyond the Model: Designing the Harness as a System, sostenemos que lo que de verdad diferencia a un producto de IA no es el modelo sino el harness que lo rodea, descrito como un sistema de siete órganos: constitución, conocimiento, gestión del contexto, memoria, guardrails, verificación y feedback, observabilidad.

JEV es un caso de estudio casi perfecto:

• El problema de la entrada no fiable es una cuestión de guardrails: el texto del cliente es un dato que analizar, nunca una instrucción que seguir.
• El riesgo de la «respuesta errónea que parece correcta» es una cuestión de verificación y feedback: en el harness de InsightNarrator, el Quality Auditor y el patrón Goal-Loop revisan el trabajo de los agentes antes de que se convierta en un insight.
• La pregunta «¿qué leyó el modelo cuando se equivocó?» es una cuestión de observabilidad.
• Los umbrales de confianza y el papel del Domain Expert tienen que ver con el conocimiento y la constitución: qué cuenta como una decisión aceptable en un ámbito concreto y quién puede tomarla.

La consecuencia es nuestra tesis: los modelos se sustituyen, la arquitectura perdura. Integramos JEV en cuestión de días porque el harness ya estaba preparado para recibirlo, y podremos sustituirlo o combinarlo con algo mejor sin reescribir el producto. Nuestro trabajo sobre el protocolo A2A apunta en la misma dirección: agentes y modelos intercambiables dentro de una orquestación estable.

7. Qué cambia para los equipos de CX

• De la muestra a la totalidad: cada feedback se clasifica por intención y emoción, no solo los que alguien tiene tiempo de leer.
• Del informe a la señal: la urgencia y el riesgo afloran mientras el cliente aún está escribiendo.
• De los datos a la decisión: intenciones y emociones alimentan prioridades, enrutamiento y acciones, con una persona en el bucle siempre que la confianza sea baja.
• Del coste a la inversión medible: el ROI Builder vincula los insights a un valor económico que puedes defender ante la dirección.
• De sustituir a ampliar: sin migración y sin una herramienta de recogida nueva, porque la capa de inteligencia se apoya en los sistemas que ya utilizas.

8. Pruébalo con tu propio feedback

JEV es uno de los motores que hacen de InsightNarrator una plataforma de Decision Orchestration para la Voz del Cliente: juicio rápido donde se necesita, razonamiento y control donde importa. Si quieres ver cómo funciona la detección de intención y emoción con el feedback que ya recoges en Medallia, Qualtrics o cualquiera de 25 sistemas de VoC, empieza una prueba gratuita de 14 días o reserva una demo.