Jev: el modelo de decisiones que ya usa el 35% de Vercel

Qué es Jev y por qué no escribe ni una palabra

Jev no genera texto. No conversa, no redacta, no explica y no programa. Y aun así se convirtió en el modelo de IA de adopción más rápida que Vercel haya registrado: en sus dos primeras semanas de vida lo usaba el 35% de los equipos de pago de la plataforma, casi el doble que el segundo modelo más popular, Sonnet 5.5.

Para un founder, la señal no está en el récord sino en lo que revela: existe una capa entera de trabajo con IA que nunca necesitó prosa. Clasificar, enrutar, puntuar, decidir si reintentar. Jev hace solo eso, y lo hace barato.

El modelo lo construyó Typesafe AI, la startup de Diogo Almeida, uno de los investigadores que trabajó en la investigación de seguimiento de instrucciones detrás de ChatGPT en OpenAI. Salió en release limitado el 15 de septiembre, el mismo día en que DCVC lideró una ronda semilla de US$40 millones, según The Next Web. El enfoque ya inspiró ofertas competidoras de OpenAI y Amazon, de acuerdo con TechCrunch.

Cómo funciona: decisiones tipadas en lugar de texto libre

Jev recibe un bloque de estado del programa y un conjunto de preguntas tipadas, y devuelve una decisión en una de tres formas: una elección, un puntaje o una probabilidad de sí/no. La elección puede llegar a 255 opciones y cada respuesta viene acompañada de un número de confianza calibrado.

Ese último punto es el corazón del producto. Como resume la propia compañía, un modelo puede hacer bien una tarea el 95% de las veces; si no dice cuándo está en el otro 5%, no hay forma de automatizar nada alrededor. La confianza calibrada es lo que convierte una predicción en un componente de software confiable.

El trade-off es absoluto y la empresa lo admite sin vueltas: al no poder producir cadenas de texto, Jev no puede chatear, redactar ni escribir código. Lo que gana a cambio es velocidad y precio. Typesafe cobra US$0,042 por millón de tokens de entrada (US$42 por mil millones) y no cobra la salida. El tiempo de respuesta end-to-end es de 70 a 500 milisegundos, contra los 3 a 329 segundos que, según su propia medición, tardan los modelos frontera en consultas comparables.

El nombre es una pista de la apuesta: William Stanley Jevons, economista del siglo XIX, formuló la paradoja de que un precio que cae tiende a aumentar el consumo en lugar de reducirlo. Si la inferencia se abarata, se usa más.

Los números detrás del récord de adopción

El dato del 35% sale del AI Gateway de Vercel, un servicio de API unificada similar a OpenRouter. Es una foto necesariamente parcial —puede subestimar a laboratorios como OpenAI y Anthropic, que ofrecen sus propias APIs— pero alcanza para mostrar que el ruido alrededor de Jev se tradujo en uso real.

La curva arrancó fuerte. En las primeras 24 horas en el gateway, Jev llegó a casi el 13% de los equipos de pago: el doble que la familia GPT-5.6 y más de seis veces que Fable 5.1, según los datos que Vercel publicó y que recogió The Next Web. Ningún otro lanzamiento reciente había superado el 7% tras un día completo.

Vercel no solo lo midió: lo adoptó. Sus ingenieros venían corriendo un clasificador de seguridad sobre GPT-6 Luna para verificar si un comando era seguro de ejecutar. Al cambiarlo por Jev, ese paso se volvió entre 5 y 18 veces más rápido.

Hay una advertencia importante en los propios datos. Vercel regaló Jev en su gateway hasta el 25 de septiembre, así que la adopción del primer día se lee barato. La pregunta que importa —y que Vercel dejó abierta— es cuántos equipos siguen llamándolo en octubre.

La otra historia del informe: los modelos abiertos ya no son el plan B

El informe del gateway deja un segundo dato que quizá importe más a largo plazo. Los modelos de pesos abiertos ya representan más del 70% de los tokens procesados por Vercel y cerca del 25% del gasto total.

Esa asimetría entre volumen y dinero es el patrón que se está consolidando. Según Crypto Briefing, los modelos abiertos pasaron del 11% al 56% del volumen de tokens del gateway entre abril y agosto de 2026, mientras Anthropic seguía concentrando entre el 61% y el 65% del gasto total con apenas un 30% de los tokens. La razón: sus modelos cargan primas de hasta 4,4 veces el precio promedio por token.

En paralelo, el precio promedio por token cayó 23,2% solo en agosto, la tercera baja mensual consecutiva, y acumula una reducción de más del 50% en cinco meses, según esa misma fuente. Los modelos abiertos corren cargas de alto volumen a aproximadamente un séptimo del costo de los modelos frontera cerrados.

Hay además una capa geopolítica. Según CNBC, la cuota de los modelos chinos —DeepSeek, Z.ai, Alibaba— en Vercel pasó del 11% en enero al 55% en agosto, un salto que ya tiene a dos comités de la Cámara de Representantes de Estados Unidos investigando el impacto de esa adopción.

Y el mercado no se encoge: el gasto en laboratorios frontera se multiplicó por diez. La lectura que sugiere TechCrunch es que frontera y abierto pueden terminar siendo complementarios, no sustitutos: mucho volumen barato por un lado, poco volumen caro y crítico por el otro.

Qué significa esto para tu startup

La lección de Jev no es "cambia tu modelo". Es que buena parte del gasto en IA de tu producto probablemente está en tareas que no necesitan lenguaje.

• Audita dónde usas un modelo grande para una decisión binaria. Revisa tu código y busca llamadas a un LLM cuyo resultado sea un sí/no, una categoría entre cinco o un puntaje. Son candidatas directas a un modelo de decisión: más rápidas, más baratas y con salida garantizada por esquema, sin riesgo de que el modelo invente una quinta opción cuando le pediste elegir entre cuatro.
• Exige confianza calibrada antes de automatizar. Si vas a dejar que un agente decida sin humano en el medio, necesitas saber cuándo el modelo no está seguro. Un puntaje de confianza del 95% es accionable; uno del 50% es una moneda al aire, y el desarrollador es quien tiene que decidir qué hacer con eso. Ese es el costo oculto que señaló Armin Ronacher, CTO de Earendil: el problema de la alucinación no desaparece, se delega parcialmente al usuario.
• Revisa tu mezcla de modelos cada trimestre. Con precios cayendo más del 20% en un mes y modelos abiertos a un séptimo del costo, la mezcla óptima de hace seis meses ya no es la de hoy. Si tu producto atiende LATAM o España, donde el margen por usuario es más ajustado, esa diferencia se traduce directo en runway.
• Cuidado con el sesgo de los benchmarks. Typesafe fue inusualmente transparente sobre los límites de su propia evidencia: sus evaluaciones las hizo su equipo interno, la comparación contra modelos de lenguaje usa un promedio de GPT-6 Astra y Fable 5.1 como referencia —lo que la empresa admite que sesga los resultados a favor de OpenAI y Anthropic— y decidió no publicar resultados contra benchmarks públicos. Si vas a migrar una carga crítica, mide con tus propios datos.

Conclusión

Jev es un recordatorio de que la carrera de la IA no se está ganando solo con modelos más grandes. Un modelo que no escribe una palabra llegó al 35% de los equipos de pago de Vercel en dos semanas porque resolvió un problema que los LLM resolvían caro y lento. Para un founder, la pregunta útil no es qué modelo es mejor, sino cuántas de tus llamadas a IA son en realidad decisiones disfrazadas de conversación.

Fuentes

• TechCrunch: Jev is Vercel's fastest-adopted AI model ever
• The Next Web: The fastest-adopted model on Vercel this year cannot write a word
• Crypto Briefing: Vercel AI Gateway shows open models dominating token volume
• CNBC: Chinese AI models surge in global popularity