Jev ya lo usa el 35% de los equipos de pago de Vercel

El modelo de decisión Jev, de TypeSafe AI, ha pasado de su lanzamiento en acceso limitado a usarse en el 35% de los equipos de pago del AI gateway de Vercel en apenas dos semanas. Es casi el doble que el segundo modelo de la lista, Sonnet 5.5. El dato llama la atención porque Jev no es un modelo generalista: solo elige entre unas pocas salidas predefinidas. Esa limitación, que sobre el papel parece una desventaja, es justo lo que explica su rápida adopción en tareas donde pesan más el coste y la velocidad que la capacidad de redactar.

Qué ha pasado con el modelo de decisión Jev en Vercel

Vercel ha publicado datos de su AI gateway, la capa por la que muchos equipos enrutan sus llamadas a distintos modelos. Según esas cifras, Jev se lanzó en acceso limitado el 15 de septiembre y, dos semanas después, lo utilizaba el 35% de los equipos de pago. Ningún otro modelo del gateway ha tenido una adopción tan rápida, y el segundo clasificado, Sonnet 5.5, queda casi a la mitad de esa cuota.

Lo relevante no es solo el porcentaje, sino el tipo de modelo. Jev es un modelo de decisión: en lugar de generar texto libre, escoge entre un conjunto reducido de salidas definidas de antemano. Piense en etiquetar un ticket como urgente o no urgente, asignar una categoría a un producto o decidir a qué cola enviar un mensaje. En esos casos, un modelo que solo tiene que elegir una opción es más barato y más rápido que uno grande de propósito general como Sonnet, que sí puede hacerlo, pero cobra y tarda como si fuera a escribir un ensayo.

Conviene un matiz de partida: hablamos de datos de un único gateway, con una muestra limitada. Que el 35% de los equipos de pago de Vercel haya probado o usado Jev no equivale a que sea el modelo más usado del mercado ni a que esté desplazando a los grandes. Mide velocidad de adopción entre un grupo concreto de equipos, no volumen total.

Como contexto, los gateways de este tipo permiten cambiar de modelo con pocos cambios en el código. Eso reduce la fricción para probar algo nuevo y puede explicar que un modelo recién llegado, aunque en acceso limitado, se extienda rápido entre equipos que ya tenían la integración montada y solo necesitaban cambiar un identificador.

Implicaciones técnicas del modelo de decisión Jev y del auge open source

El primer mensaje técnico es que la especialización compensa en tareas repetitivas. Si el trabajo consiste en clasificar millones de registros, cada milisegundo y cada fracción de céntimo por llamada se multiplican. Un modelo que devuelve una de pocas salidas válidas tiene además una ventaja de control: el resultado siempre cae dentro de un conjunto conocido, así que hay menos parseo, menos validación y menos respuestas inesperadas que gestionar en producción.

El segundo mensaje está en el resto del informe. Según Vercel, los modelos open source suponen más del 70% de los tokens procesados en el gateway y casi el 25% del gasto total. La diferencia entre ambas cifras es la lectura interesante: el open source concentra la mayor parte del volumen, pero una parte mucho menor del dinero. Es coherente con un uso masivo de modelos baratos para tareas de alto volumen, mientras que el gasto restante se reparte entre modelos propietarios.

Aquí hay que ser cautos. El propio informe reconoce que la muestra es limitada y que puede infravalorar el uso de OpenAI y Anthropic, porque ambas compañías ofrecen sus propias APIs y muchos equipos las llaman directamente, sin pasar por el gateway de Vercel. Por tanto, el 70% de tokens open source describe lo que ocurre dentro de ese gateway, no el mercado completo. Extrapolarlo a toda la industria sería un error.

Lo que sí se puede afirmar con los datos disponibles es que un modelo estrecho y barato puede captar una cuota alta de equipos de pago en pocas semanas si resuelve un problema muy concreto. Para quien diseña arquitecturas con varios modelos, el patrón de usar uno pequeño para decidir y uno grande para redactar gana argumentos, aunque Jev, por estar en acceso limitado, todavía no está al alcance de todo el mundo.

Como pueden aplicar esto las empresas hoy

Lo primero es identificar si en su empresa existe trabajo de clasificación masiva: correos entrantes, incidencias, facturas, reseñas, productos de catálogo. Si hoy ese trabajo pasa por un modelo generalista, merece la pena medir cuánto cuesta por cada mil elementos y cuánto tarda. Esa línea base es la que permitirá comparar con un modelo de decisión cuando tenga acceso.

Segundo, no cambie nada solo por la cifra del 35%. La adopción rápida indica interés, no calidad en su caso concreto. Pruebe con una muestra etiquetada a mano de sus propios datos y compare precisión, coste y latencia frente al modelo que usa ahora. Si las categorías de su negocio son pocas y estables, el encaje será mejor; si cambian cada semana o requieren matices, un modelo que solo elige entre salidas fijas se quedará corto.

Tercero, recuerde que Jev se lanzó en acceso limitado. Antes de apoyar un proceso crítico en él, conviene confirmar condiciones de acceso, límites y disponibilidad. Un piloto acotado, con el modelo anterior como respaldo, es una apuesta prudente para una PYME.

Y cuarto, si ya trabaja con un gateway, aproveche que cambiar de modelo suele ser una modificación de configuración. Eso permite probar sin rehacer la integración. Lo que conviene evitar es sacar conclusiones de coste solo a partir de los datos publicados: el informe no detalla precios de Jev frente a Sonnet, así que la comparación tiene que hacerla usted con su volumen real.

Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido comun. Hablemos.