Vercel integra Jev al AI SDK para Python: el nuevo clasificador

Jev llega al AI SDK de Vercel para Python: el modelo que adoptó el 13% de sus clientes pagos en 24 horas

Jev, un modelo de IA que no genera texto sino decisiones estructuradas con probabilidades calibradas, alcanzó en 24 horas al 13% de los equipos pagos de Vercel y se convirtió en el modelo de adopción más rápida en la historia del AI Gateway de la compañía, según reportó The Next Web. Ahora los desarrolladores de Python pueden experimentar con él directamente desde el AI SDK con una sola función: experimental.evaluate(). Para los founders, los dos datos que importan son el precio —US$0,042 por millón de tokens de entrada, documentado por TypeSafe— y la latencia: entre 70 y 500 milisegundos por llamada, según cifras del fabricante.

Jev es producto de TypeSafe AI, una startup de San Francisco cofundada por Diogo Almeida (ex-OpenAI), Erik Gafni y Sasha Sheng, que salió del stealth el 15 de septiembre de 2026 junto con una ronda semilla de US$40M liderada por DCVC que valoró a la compañía en unos US$200M post-money, según CryptoBriefing. Su tesis es directa: los LLMs están optimizados para conversar con personas, no para integrarse en software, y eso los vuelve caros y poco fiables cuando lo único que necesitas es tomar una decisión binaria o enrutar un ticket.

¿Qué es Jev exactamente y cómo se integra desde Python?

Jev es lo que TypeSafe llama un modelo de Sistema 1: un transformer entrenado con un método propietario llamado Reinforcement Learning for Calibrated Decisions (RLCD) que no produce texto, sino respuestas tipadas a preguntas estructuradas. La API tiene tres primitivas, según la documentación oficial recogida por Marktechpost:

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Choice: elige una opción entre 2 y 255 alternativas; devuelve la elección, la distribución de probabilidad y un valor de confianza.
Score: puntúa un estado contra una escala ordenada que defines tú.
Noul: devuelve una probabilidad de 0 a 1 a si una afirmación es verdadera.

El output siempre es JSON con un campo confidence separado de la probabilidad de la respuesta. Esa distinción es la que hace al modelo accionable en producción: una respuesta con confianza alta se puede automatizar, una con confianza media va a revisión, una baja escala a un humano.

El equipo de Python de Vercel publicó una nueva versión del AI SDK con evaluate(). El flujo resumido es: instalar con uv add ai, crear una API key en Vercel AI Gateway, exportarla como AI_GATEWAY_API_KEY y llamar a ai.ops.experimental.evaluate() con el modelo typesafe-ai/jev, un estado (string o JSON) y un mapa de preguntas. La función ejecuta varias preguntas en paralelo contra el mismo estado, lo que mantiene la latencia estable aunque sumes chequeos.

Guillermo Rauch, CEO de Vercel, publicó en X que el clasificador de seguridad de comandos de su plataforma pasó de GPT Luna a Jev y mejoró el p95 entre 5 y 18 veces, con mayor precisión. El clasificador sigue corriendo sobre Luna como respaldo, pero el camino principal ya es Jev.

¿Cuándo conviene Jev y cuándo conviene un LLM?

TypeSafe publicó benchmarks internos (ejecutados por su propio equipo de capabilities) donde Jev resultó 193,6 veces más rápido y 444,6 veces más barato que GPT-5.6 Terra en flujos de decisión. Son cifras de la propia empresa y deben leerse como techo, no como promedio. Lo verificable de forma independiente es el precio listado —US$42 por mil millones de tokens de entrada, sin cobrar tokens de salida— y que el modelo ya corre en producción con clientes pagos dentro del AI Gateway de Vercel.

En la práctica, Jev no reemplaza a un LLM. Reemplaza las llamadas a LLM que ya eran clasificadores disfrazados: enrutar tickets, validar si un comando es seguro, detectar el idioma de un input, decidir si un email es urgente, puntuar un review, aprobar o denegar un tool call. Decisiones que ya eran estructuradas y que un LLM resolvía con un JSONSchema, pero a un costo muy superior. Nikhil Mudholkar, CTO de Bryo AI, reportó en Marktechpost que al migrar triage de email desde Gemini a Jev perdió algo de exactitud, pero paga entre 10 y 20 veces menos.

Lo que la comunidad ya construyó con Jev en pocas semanas

El catálogo del repositorio awesome-jev en GitHub supera los 60 proyectos, con integraciones que van de guardrails a SQL semántico. Algunos ejemplos verificados en la cobertura de Marktechpost y el listado del repositorio:

Guardrails de agentes: jev-guard puntúa cada tool call como deny, ask o allow.
Agentes en el browser: Browser Use ejecutó una búsqueda de vuelos de Zúrich a Londres en 7,1 segundos.
Agentes móviles: Droidrun condujo la app de Uber en un Android real con 9 acciones en unos 21 segundos.
SQL semántico: pg-jev añade filtros en lenguaje natural a Postgres; sqlite-jev y duckdb-jev hacen lo propio en sus motores.
Home Assistant: HA-Jev convierte respuestas en entidades domóticas.
Scoring de video: jevmeter puntúa cada frase de un debate por unos US$0,05.

Para los founders hispanohablantes, lo más interesante es que el SDK de Vercel abstrae la autenticación: si ya usas el AI Gateway para GPT o Claude, Jev entra como un modelo más, sin firmar con TypeSafe por separado ni mantener dos proveedores.

Qué significa esto para tu startup

Si parte significativa de tu factura de LLM se va en clasificación, enrutamiento o guardrails, Jev puede ser la palanca de margen más rápida del trimestre. La migración suele ser directa: donde hoy haces llm.complete(schema=RouterSchema), pasas a evaluate(state, questions={...}) con la misma forma de datos.

Tres acciones concretas esta semana:

Audita tu gasto en LLMs. Pide a tu equipo que marque en el dashboard de OpenRouter o LangSmith las llamadas cuyo output es un enum, un booleano o un puntaje ordinal. Esas son las candidatas inmediatas a migrar.
Prueba el endpoint gratis en Vercel AI Gateway. Vercel ofreció Jev sin costo en su gateway durante los primeros 10 días tras el lanzamiento, según reportó The Next Web. Pasada esa fecha, conviene calcular el costo mensual esperado contra el ahorro frente a tu proveedor actual.
Diseña tu política de umbrales. La documentación de TypeSafe sugiere tres rutas: actuar con confianza alta, revisar con confianza media, escalar a humano con confianza baja. Los umbrales deben escalar con el costo de una decisión incorrecta, no ser fijos.

El punto honesto: Jev es todavía un producto nuevo, con benchmarks hechos por su propio fabricante y sin comparaciones contra suites públicas independientes. Antes de mover volumen de producción, pruébalo con un set etiquetado de tu propio dominio y mide calibración (Brier score, ECE). Si los números aguantan, el ahorro se nota desde el primer mes.