Cómo construir un clasificador de mensajes con Jev

Clasificar mensajes de clientes con IA es más sencillo de lo que parece cuando combinas un modelo como Jeff con un asistente de programación como Claude Code. Si tienes un negocio pequeño y muchos mensajes por atender, aquí aprendes a usar inteligencia artificial para separar lo urgente de lo normal y de las posibles estafas.

Imagina que tienes una zapatería que vende por internet y recibes cien mensajes de clientes. Uno dice que las zapatillas llegaron usadas con barro y un calcetín dentro. Otro pregunta si “últimas unidades” significa que ya no fabrican el modelo. Necesitas decidir, a alta velocidad, qué hacer con cada uno. Y ahí entra la IA.

Qué problema resuelve clasificar mensajes con inteligencia artificial

El objetivo es ordenar cada mensaje bajo tres criterios de decisión: urgencia, estafa o normal. Cuando eres una zapatería humilde y no tienes un equipo grande de soporte, saber dónde poner tus esfuerzos lo cambia todo.

El punto de partida es un archivo de texto con cien mensajes reales de clientes. En vez de leerlos uno por uno, dejas que un modelo los clasifique por ti y pase los urgentes a tu equipo de soporte al cliente.

¿Para qué sirve clasificar mensajes con IA? Para filtrar grandes volúmenes de texto de forma automática y decidir cuáles requieren atención inmediata, cuáles son intentos de estafa y cuáles son consultas rutinarias, sin leerlos manualmente.

Qué es Jeff y cómo obtener su API key

Jeff es un modelo de inteligencia artificial creado por Typesafe.ai [01:24]. Te registras en Typesafe.ai y obtienes la llave que te permite empezar a usarlo dentro de tu proyecto.

Hay dos formas sencillas de empezar a trabajar con Jeff:

• Usar el API de Typesafe, que al registrarte te regala budget de crédito. En el ejemplo se cuenta con cinco dólares, más que suficientes porque Jeff es muy barato [04:05].
• Usar Open Router, que funciona como un centro de modelos con acceso a muchísimas opciones. Al crear un API key de Open Router, le das acceso a todos los modelos al sistema que estás creando [05:05].

Entre los modelos más populares de Open Router aparecen Mimo Ultra Speed, un modelo chino, y por supuesto Jeff.

Por qué debes proteger tu API key

Una llave de API es personal e intransferible. Si la muestras o la filtras, un atacante puede usarla para quitarte dinero, porque las llaves de las API de inteligencia artificial suelen estar atadas a tarjetas de crédito.

La forma más eficiente de guardarlas es con un gestor de contraseñas como 1Password o LastPass. Si prefieres un archivo de texto, ten cuidado: un virus típico de internet busca precisamente estas llaves cuando toma control del computador [06:47].

Cómo programar con Claude Code paso a paso

Para construir el proyecto se abre una sesión de Claude Code, y al momento de grabar el mejor modelo disponible era Opus 5.5, descrito como supereficiente y superrápido [02:27]. Pero puedes usar la herramienta que prefieras: ChatGPT con Codex, Cursor o Groq con Pi funcionan igual.

Dos hábitos de programación marcan la diferencia aquí:

• Escribir los prompts en inglés, porque estos modelos fueron entrenados en ese idioma y tienden a responder un poco mejor [07:39].
• Pedirle siempre al modelo que te haga preguntas si las necesita, porque uno no sabe lo que no sabe, y estos modelos son agénticos: tienen mucha iniciativa y a veces hacen cosas inesperadas [09:12].

¿Qué significa que un modelo de IA sea agéntico? Significa que actúa con iniciativa propia: ejecuta acciones, toma decisiones y avanza por su cuenta. Por eso conviene guiarlo paso a paso y pedirle que pregunte antes de actuar.

Otra ventaja de ir paso a paso en lugar de resolver todo en un solo one shot es que así aprendes de verdad lo que está pasando.

Cómo lograr que el modelo aprenda qué es Jeff

Como Jeff salió recientemente, Opus 5.5 no sabe qué es y lo pregunta directamente. La solución es la misma que usaría un humano: leer la documentación [11:07].

Aquí aparece un recurso clave, el archivo llms.txt, una URL con texto pensado para que los modelos de lenguaje aprendan a usar una herramienta. Empresas como Vercel, Typesafe y muchas otras lo incluyen; en este caso está en docs.typesafe.llms.txt [12:26]. Le pides al modelo que busque la documentación en línea y la lea antes de empezar.

Dónde guardar la llave con un archivo de entorno oculto

Una vez que Claude entiende qué es Jeff, sugiere guardar la llave en un archivo de entorno llamado .typesafe.env. En sistemas Linux o Unix, como Mac, los archivos que empiezan por punto son archivos invisibles [14:30].

El comando usa el símbolo de la eñe para referirse a la carpeta raíz del usuario, que en Mac suele ser /users/tu-nombre-de-usuario. Con un par de comandos verificas dónde estás parado:

• cd te lleva siempre a la carpeta raíz.
• pwd te dice en qué carpeta te encuentras, por ejemplo /users/freddy.
• ls -al .typesafe te muestra el archivo y su tamaño, en este caso 125 bytes, confirmando que la llave quedó guardada [16:50].

Ese pequeño archivo de texto contiene el Typesafe API key, y el código que corra después lo leerá desde ahí. A Claude le gusta mucho Python, así que es probable que ese sea el lenguaje elegido para ejecutar Jeff.

Cuando le confirmas que ya ejecutaste el comando, el modelo busca el archivo, carga la llave sin imprimirla y corre dos pruebas con los modelos disponibles: Jeff latest y Jeff preview. Usando el mensaje de Rosa Martínez como prueba, confirma que la llave funciona y que el sistema de clasificación está listo para arrancar.

Con la llave configurada y el modelo entendiendo qué es Jeff, ya tienes la base para clasificar tus cien mensajes. ¿Te animas a probarlo con tus propios datos y contarnos qué tal te fue?