Andy Garcia · dev freelance
FRENES
Retour au blog
IA & Architecture

Jev a atteint 35 % des équipes payantes de l'AI Gateway de Vercel en deux semaines, pour 0,27 % des dépenses. Sa rétention en semaine deux se classe cinquième

19 octobre 2026 8 min de lecture

Le jeudi 15 octobre, Vercel a publié l'édition d'octobre de son AI Gateway Production Index, un rapport mensuel construit à partir du trafic anonymisé qui passe par sa passerelle. Vercel a mis en avant les modèles à poids ouverts ; la presse a mis en avant Jev, le modèle de décision de TypeSafe AI. Pendant ses 14 premiers jours sur la passerelle, Jev a été utilisé par 35,3 % des équipes payantes, presque le double des 18,1 % de Claude Sonnet 5.5, deuxième. Vercel parle de l'adoption la plus rapide de tous les modèles de l'histoire d'AI Gateway. TechCrunch a repris l'histoire le 16 octobre sous le titre « Jev is Vercel's fastest-adopted AI model ever », avec une réserve justifiée : une vue depuis la passerelle risque de sous-compter des laboratoires comme OpenAI et Anthropic, qui vendent par leurs propres API.

Une précision avant l'analyse. J'utilise Jev. Mon radar d'actualité lui demande de classer les titres, et mes articles passent par un vérificateur de faits où Jev lit chaque affirmation face à une source et répond « confirme », « contredit » ou « pas assez d'information », pendant que du code vérifie chaque chiffre. J'ai écrit sur ce pipeline le 28 septembre. Voici donc un utilisateur qui lit un rapport sur un outil dont il dépend, et j'ai essayé de lire les lignes peu flatteuses aussi attentivement que le titre.

Quatre chiffres, pas un seul

Le chiffre de portée est celui qui a circulé. Le même rapport en contient trois autres.

La dépense. Pendant ses deux premières semaines, Jev a représenté 0,27 % des dépenses de la passerelle. Claude Opus 5.5, arrivé sur la passerelle le 22 septembre, a atteint 13,1 % des équipes payantes et pris 11,03 % des dépenses pendant ses propres deux premières semaines. Opus 5.5 a touché un peu plus d'un tiers des équipes de Jev et pris environ 41 fois sa part de l'argent.

Les requêtes. Jev a reçu plus de requêtes que tout autre modèle en septembre, alors qu'il a été lancé au milieu du mois. Pourtant, il n'a représenté que 1 % des tokens du mois et 0,15 % de ses dépenses.

La rétention. Parmi les équipes qui ont essayé Jev pendant sa première semaine, 55,6 % l'ont réutilisé la deuxième. Cela le place cinquième parmi les lancements de septembre. GPT-6 Luna est en tête avec 64,8 %, et Sonnet 5.5 a 60,5 %.

Le score composite. Le tableau complet de Vercel combine portée, dépense et rétention. Jev est sixième avec 65,9 points. Sonnet 5.5 est premier avec 87,8.

Le résumé exact est donc plus long que le titre : le lancement le plus essayé du mois, le modèle le plus appelé, presque absent de la facture, et cinquième pour ramener ses premiers utilisateurs.

Ce que la portée ne mesure pas

Lis l'encadré de méthodologie avant le titre. Les métriques de lancement couvrent les équipes payantes externes pendant les 14 premiers jours de chaque modèle. La portée compte les équipes qui ont utilisé le modèle rapportées à toutes les équipes payantes actives depuis le début du mois de lancement. L'encadré ne fixe aucun volume minimal pour la portée : d'après ce qu'il dit, une équipe qui a envoyé une seule requête compte autant qu'une équipe qui fait passer tous ses tickets de support par le modèle.

Essayer Jev était aussi exceptionnellement bon marché. The Next Web et Tech Times ont tous deux rapporté que Vercel offrait Jev gratuitement sur sa passerelle jusqu'au 25 septembre. Je n'ai pas trouvé cette offre sur les pages de Vercel, donc prends-la comme une information rapportée. Si elle est exacte, toute la première semaine de Jev sur la passerelle, que l'index date du 17 septembre, n'a rien coûté à essayer. Cela aide la portée plus que la rétention. L'index estime aussi la dépense aux prix catalogue publiés : 0,27 % représente donc ce que valaient ces appels au prix catalogue, pas forcément ce que quelqu'un a payé.

Et la passerelle n'est qu'une porte parmi d'autres. TypeSafe vend Jev en direct, et le guide d'intégration de Vercel cite Cloudflare et OpenRouter comme autres voies. Une équipe passée à une clé directe après sa première semaine ressemble à du désabonnement dans ces données.

Pourquoi la minuscule part est justement le sujet

Le prix de Jev explique l'essentiel de l'écart. TypeSafe facture 0,042 $ par million de tokens en entrée, et les tokens de sortie sont gratuits. L'explication de Vercel dans le rapport est plus simple : une requête Jev « est plus rapide, moins chère et utilise une fraction des tokens ».

Le reste du même rapport dit ce que Jev ne fait pas. La dépense de la passerelle en septembre valait environ 13 fois celle de décembre. La dépense sur les modèles de pointe a été multipliée par dix sur la même période. Opus 5.5 a pris plus d'un dollar de passerelle sur dix pendant ses deux premières semaines. Rien dans ces données ne dit que les équipes remplacent leurs gros modèles par un juge. Ma lecture : elles en ajoutent un à côté. Le modèle cher écrit, le modèle peu cher décide.

Cela correspond à mon propre montage. Le passage de Jev sur un de mes articles coûte un à trois centimes de dollar, selon le nombre de sources lues. Le juge est une erreur d'arrondi. Le rédacteur, c'est la facture.

Comment Vercel le branche

La lecture la plus utile n'est pas l'index mais la documentation de Vercel, qui montre comment une plateforme branche un modèle de décision en production.

Les décisions de secours. Sur AI Gateway, tu peux faire de Jev le modèle principal et nommer un second modèle, par exemple GPT-6 Luna, pour reconsidérer les réponses incertaines. Pour une question de type Choice ou Score, le déclencheur est un seuil de confiance. Pour une question oui ou non, c'est une bande de probabilité, par exemple de 0,4 à 0,6. Quand la condition est remplie, la passerelle rejoue tout l'état et toutes les questions avec le modèle de secours, renvoie le résultat complet de ce modèle sans fusionner les deux, et facture quand même la première étape.

Deux détails comptent si tu stockes les décisions. Seuls les modèles de décision natifs rapportent une confiance : le secours par un modèle de langage renvoie une valeur par question, donc ses réponses Choice et Score n'ont aucune confiance. Et la réponse nomme le modèle qui a produit les réponses. J'ai défendu le 29 septembre qu'il faut stocker la probabilité, jamais le verdict. Avec les secours, stocke aussi le modèle, et attends-toi à des lignes sans aucune confiance.

La bande de secours est aussi une ligne de budget. Sur la passerelle, GPT-6 Luna démarre à 0,10 $ par million de tokens en entrée et 0,50 $ par million en sortie. Une décision remontée paie l'état deux fois : 0,042 $ pour Jev plus 0,10 $ pour Luna, soit 0,142 $ par million de tokens en entrée, 3,4 fois un appel Jev seul avant la sortie de Luna, à nombre de tokens comparable. Remonte 10 % des appels et le coût moyen en entrée passe de 0,042 $ à 0,052 $ par million, soit 24 % de plus. Remonte 40 % et il atteint 0,082 $, presque le double. La largeur de ta bande d'incertitude fixe ce chiffre.

Les approbations d'outils. Quand tu actives les approbations automatiques d'outils dans eve, le framework d'agents open source de Vercel, Jev est le relecteur par défaut. Il examine le nom de l'outil et ses arguments selon des critères « clear » et « caution ». Les appels « clear » s'exécutent, les appels « caution » attendent une personne, et les relectures qui échouent vont aussi à un humain. Le guide de Vercel applique cela aux commandes shell, pour distinguer l'inspection d'un fichier de sa modification ou de sa suppression, et ajoute la phrase que je soulignerais : « Keep the tool's permissions enforced when it executes. » Le juge est un filtre, pas un bac à sable. InfoWorld a rapporté le 15 octobre que des chercheurs de la société de sécurité HiddenLayer avaient perturbé les sorties de Jev par injection de prompt et texte adverse, et que TypeSafe n'avait pas répondu à ses demandes de commentaire.

TechCrunch a aussi rapporté que Vercel avait lui-même remplacé un modèle Luna d'OpenAI par Jev pour classer des commandes dangereuses, et The Next Web situe le gain de vitesse entre cinq et 18 fois. Je n'ai pas trouvé cette mesure publiée sur les pages de Vercel.

Ce que je vérifierais avant d'en brancher un

Fige la version. L'alias jev-latest de TypeSafe pointe vers jev-1.13.0, et jev-preview vers jev-1.14.0, disponible depuis le 14 octobre. Un alias bouge quand une version sort. Rejoue tes cas de test avant de le suivre.

Lis les valeurs par défaut de ton intégration. Le guide de Vercel note que TanStack AI transforme une probabilité oui ou non en booléen à 0,5, à côté de la probabilité brute, alors que l'AI SDK te donne la probabilité seule. Si ton code lit le booléen au lieu du nombre, une règle à 0,8 devient une règle à 0,5 et personne ne s'en aperçoit.

Sache où il tourne. La page du modèle sur la passerelle liste deux fournisseurs pour Jev, TypeSafe AI et DigitalOcean, et par défaut la passerelle choisit les fournisseurs selon leur disponibilité et leur latence récentes. Si la localisation compte pour tes clients, restreins-la avec l'option only de la passerelle, et active le Zero Data Retention, que Jev gère à chaque requête.

Mesure ta propre semaine deux. Le changelog de Vercel te dit de calibrer probabilités et confiance sur des exemples étiquetés de ton workflow. L'index a mesuré si les équipes revenaient. Ta version de ce chiffre, c'est de savoir si la décision tient encore sur les cas du mois dernier.

Plus d'un tiers des équipes payantes de la passerelle ont essayé un modèle qui ne sait pas écrire une phrase. Le chiffre à suivre en novembre, c'est combien l'ont encore dans leur chemin de code.

Sources

Un projet du même genre ?

Je conçois et déploie des produits comme celui-ci. Parlons-en.

Discutons