Andy Garcia · dev freelance
FRENES
Volver al blog
IA y arquitectura

Jev llegó al 35 % de los equipos de pago de AI Gateway de Vercel en dos semanas, con el 0,27 % del gasto. Su retención en la semana dos quedó quinta

19 de octubre de 2026 8 min de lectura

El jueves 15 de octubre, Vercel publicó la edición de octubre de su AI Gateway Production Index, un informe mensual construido con el tráfico anonimizado que pasa por su pasarela. Vercel destacó los modelos de pesos abiertos; la prensa destacó a Jev, el modelo de decisión de TypeSafe AI. En sus primeros 14 días en la pasarela, Jev lo usó el 35,3 % de los equipos de pago, casi el doble del 18,1 % de Claude Sonnet 5.5, en segundo lugar. Vercel lo llama la adopción más rápida de cualquier modelo en la historia de AI Gateway. TechCrunch publicó la noticia el 16 de octubre como "Jev is Vercel's fastest-adopted AI model ever", con una salvedad razonable: una vista desde la pasarela corre el riesgo de infravalorar a laboratorios como OpenAI y Anthropic, que venden por sus propias API.

Una aclaración antes del análisis. Uso Jev. Mi radar de noticias le pide que ordene titulares, y mis artículos pasan por un verificador de datos en el que Jev lee cada afirmación frente a una fuente y responde "respalda", "contradice" o "información insuficiente", mientras el código comprueba cada cifra. Escribí sobre ese pipeline el 28 de septiembre. Así que esto es un usuario leyendo un informe sobre una herramienta de la que depende, y he intentado leer las líneas poco favorables con la misma atención que el titular.

Cuatro cifras, no una

La cifra de alcance es la que se difundió. El mismo informe trae otras tres.

El gasto. En sus dos primeras semanas, Jev representó el 0,27 % del gasto de la pasarela. Claude Opus 5.5, que llegó a la pasarela el 22 de septiembre, alcanzó al 13,1 % de los equipos de pago y se llevó el 11,03 % del gasto en sus propias dos primeras semanas. Opus 5.5 llegó a algo más de un tercio de los equipos de Jev y se llevó unas 41 veces su parte del dinero.

Las solicitudes. Jev recibió más solicitudes que cualquier otro modelo en septiembre, aunque se lanzó a mitad de mes. Aun así, fue solo el 1 % de los tokens del mes y el 0,15 % de su gasto.

La retención. De los equipos que probaron Jev en su primera semana, el 55,6 % volvió a usarlo en la segunda. Eso lo sitúa quinto entre los lanzamientos de septiembre. GPT-6 Luna lidera con el 64,8 %, y Sonnet 5.5 tiene el 60,5 %.

La puntuación compuesta. El cuadro completo de Vercel combina alcance, gasto y retención. Jev es sexto con 65,9 puntos. Sonnet 5.5 es primero con 87,8.

El resumen exacto es, pues, más largo que el titular: el lanzamiento más probado del mes, el modelo más llamado, casi ausente de la factura, y quinto en lograr que sus primeros usuarios vuelvan.

Lo que el alcance no mide

Lee el recuadro de metodología antes del titular. Las métricas de lanzamiento cubren a los equipos de pago externos durante los primeros 14 días de cada modelo. El alcance cuenta los equipos que usaron el modelo frente a todos los equipos de pago activos desde el inicio del mes de lanzamiento. El recuadro no fija ningún volumen mínimo para el alcance: según lo que dice, un equipo que envió una sola solicitud cuenta igual que uno que pasa todos sus tickets de soporte por el modelo.

Probar Jev también era inusualmente barato. The Next Web y Tech Times informaron ambos de que Vercel ofrecía Jev gratis en su pasarela hasta el 25 de septiembre. No encontré esa oferta en las páginas de Vercel, así que tómala como información reportada. Si es correcta, toda la primera semana de Jev en la pasarela, que el índice fecha el 17 de septiembre, no costó nada probarla. Eso ayuda más al alcance que a la retención. El índice además estima el gasto a precios de lista publicados, así que el 0,27 % es lo que valían esas llamadas a precio de lista, no necesariamente lo que alguien pagó.

Y la pasarela es una puerta entre varias. TypeSafe vende Jev directamente, y la propia guía de integración de Vercel menciona Cloudflare y OpenRouter como otras vías. Un equipo que pasó a una clave directa tras su primera semana parece abandono en estos datos.

Por qué la cuota diminuta es justo el punto

El precio de Jev explica la mayor parte de la brecha. TypeSafe cobra 0,042 $ por millón de tokens de entrada, y los tokens de salida son gratis. La explicación de Vercel en el informe es más simple: una solicitud a Jev "es más rápida, más barata y usa una fracción de los tokens".

El resto del mismo informe dice lo que Jev no está haciendo. El gasto de la pasarela en septiembre fue unas 13 veces el de diciembre. El gasto en modelos de frontera se multiplicó por diez en el mismo periodo. Opus 5.5 se llevó más de uno de cada diez dólares de la pasarela en sus dos primeras semanas. Nada en estos datos dice que los equipos estén sustituyendo sus modelos grandes por un juez. Mi lectura es que añaden uno al lado: el modelo caro escribe, el barato decide.

Eso coincide con mi propia configuración. El paso de Jev por uno de mis artículos cuesta de uno a tres céntimos de dólar, según cuántas fuentes lea. El juez es un error de redondeo. El redactor es la factura.

Cómo lo conecta Vercel

La lectura más útil no es el índice sino la documentación de Vercel, que muestra cómo una plataforma conecta un modelo de decisión en producción.

Las decisiones de respaldo. En AI Gateway puedes hacer de Jev el modelo principal y nombrar un segundo modelo, por ejemplo GPT-6 Luna, para reconsiderar las respuestas inciertas. Para una pregunta de tipo Choice o Score, el disparador es un umbral de confianza. Para una pregunta de sí o no, es una banda de probabilidad, por ejemplo de 0,4 a 0,6. Cuando se cumple la condición, la pasarela vuelve a ejecutar todo el estado y todas las preguntas con el modelo de respaldo, devuelve el resultado completo de ese modelo sin fusionar los dos, y aun así factura la primera etapa.

Dos detalles importan si almacenas decisiones. Solo los modelos de decisión nativos informan de una confianza: el respaldo con un modelo de lenguaje devuelve un valor por pregunta, así que sus respuestas Choice y Score no llevan confianza. Y la respuesta nombra el modelo que produjo las respuestas. El 29 de septiembre defendí que hay que guardar la probabilidad, nunca el veredicto. Con los respaldos, guarda también el modelo, y espera filas sin ninguna confianza.

La banda de respaldo es también una partida de presupuesto. En la pasarela, GPT-6 Luna parte de 0,10 $ por millón de tokens de entrada y 0,50 $ por millón de salida. Una decisión escalada paga el estado dos veces: 0,042 $ por Jev más 0,10 $ por Luna, es decir 0,142 $ por millón de tokens de entrada, 3,4 veces una llamada solo con Jev antes de la salida de Luna, suponiendo un número similar de tokens. Escala el 10 % de las llamadas y el coste medio de entrada pasa de 0,042 $ a 0,052 $ por millón, un 24 % más. Escala el 40 % y llega a 0,082 $, casi el doble. El ancho de tu banda de incertidumbre fija esa cifra.

Las aprobaciones de herramientas. Cuando activas las aprobaciones automáticas de herramientas en eve, el framework de agentes de código abierto de Vercel, Jev es el revisor por defecto. Revisa el nombre de la herramienta y sus argumentos según criterios "clear" y "caution". Las llamadas "clear" se ejecutan, las "caution" esperan a una persona, y las revisiones fallidas también van a un humano. La guía de Vercel lo aplica a los comandos de shell, para distinguir inspeccionar un archivo de modificarlo o borrarlo, y añade la frase que yo subrayaría: "Keep the tool's permissions enforced when it executes." El juez es un filtro, no un sandbox. InfoWorld informó el 15 de octubre de que investigadores de la firma de seguridad HiddenLayer habían alterado las salidas de Jev con inyección de prompt y texto adversarial, y de que TypeSafe no había respondido a sus peticiones de comentario.

TechCrunch también informó de que Vercel sustituyó un modelo Luna de OpenAI por Jev para clasificar comandos dañinos, y The Next Web sitúa la mejora de velocidad entre cinco y 18 veces. No encontré esa medición publicada en las páginas de Vercel.

Lo que comprobaría antes de conectar uno

Fija la versión. El alias jev-latest de TypeSafe apunta a jev-1.13.0, y jev-preview a jev-1.14.0, disponible desde el 14 de octubre. Un alias se mueve cuando sale una versión. Vuelve a pasar tus casos de prueba antes de seguirlo.

Lee los valores por defecto de tu integración. La guía de Vercel señala que TanStack AI convierte una probabilidad de sí o no en un booleano a 0,5, junto a la probabilidad bruta, mientras que el AI SDK te entrega solo la probabilidad. Si tu código lee el booleano en lugar del número, una regla de 0,8 pasa a ser una regla de 0,5 y nadie se da cuenta.

Sabe dónde se ejecuta. La página del modelo en la pasarela lista dos proveedores para Jev, TypeSafe AI y DigitalOcean, y por defecto la pasarela elige proveedores según su disponibilidad y latencia recientes. Si la ubicación importa a tus clientes, restríngela con la opción only de la pasarela y activa el Zero Data Retention, que Jev admite en cada solicitud.

Mide tu propia semana dos. El changelog de Vercel te dice que calibres probabilidades y confianza con ejemplos etiquetados de tu flujo de trabajo. El índice midió si los equipos volvían. Tu versión de esa cifra es si la decisión sigue siendo válida con los casos del mes pasado.

Más de un tercio de los equipos de pago de la pasarela probó un modelo que no sabe escribir una frase. La cifra que vale la pena seguir en noviembre es cuántos lo siguen teniendo en su ruta de código.

Fuentes

¿Un proyecto del mismo estilo?

Diseño y despliego productos como este. Hablemos.

Hablemos