Vercel: modelos de decisión ya son el 26% del tráfico IA

El 26% de las peticiones que atraviesan el AI Gateway de Vercel ya no las responde un modelo que escribe texto: las resuelven modelos de decisión, que clasifican, puntúan o eligen entre opciones. El dato sale del Production Index de noviembre de 2026, construido sobre los más de 100 billones de tokens al mes que Vercel enruta entre aplicaciones en producción y laboratorios de IA.

Para un founder, la señal es simple: una cuarta parte del trabajo real de IA en producción nunca necesitó prosa.

¿Qué son los modelos de decisión y por qué se comen un cuarto del tráfico?

Vercel los describe como una tercera vía. Hasta hace poco, cuando el software tenía que tomar una decisión rápida, un equipo elegía entre una regla fija —barata pero rígida— o un modelo de lenguaje, inteligente pero lento y caro. Los modelos de decisión clasifican, puntúan o eligen entre alternativas en lugar de generar texto, y cuestan cerca de setenta veces menos por petición que un modelo de lenguaje.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Llegaron al gateway a mediados de septiembre y ya hay 15 modelos de decisión de ocho proveedores distintos. En octubre, casi un tercio de los equipos de pago usó uno, y un 11% los usó sin enviar una sola petición a un modelo generativo.

El costo explica la asimetría: aunque se llevaron una de cada cuatro peticiones, representaron apenas el 0,53% del gasto total. Casi todo ese volumen fue a parar a Jev, de TypeSafe AI, que por sí solo recibió casi cuatro veces las peticiones totales de Anthropic. Por cada dólar que los equipos gastaron en Jev, gastaron 64 dólares en modelos de Anthropic.

El patrón se acentúa con el tamaño. Uno de cada cinco equipos que procesan menos de 10 millones de tokens usó un modelo de decisión; casi la mitad en la franja de 100 millones a 1.000 millones; y siete de cada diez por encima de los 10.000 millones. No es solo que los grandes usen más de todo: el 1% que más gasta corre una mediana de 29 modelos distintos, mientras el decil de abajo usa uno solo.

Crypto Briefing reportó que Jev alcanzó cerca del 13% de los equipos de pago del gateway en sus primeras 24 horas, el doble que la familia GPT-5.6 en el mismo punto y más de seis veces lo de Fable 5.1. The Next Web detalla que TypeSafe cobra US$0,042 por millón de tokens de entrada y no cobra tokens de salida, con respuestas de 70 a 500 milisegundos. La misma cobertura recuerda que la compañía levantó una ronda semilla de US$40 millones liderada por DCVC el mismo día del lanzamiento.

Una advertencia que conviene no perder de vista: todos estos números salen de un solo gateway, el de Vercel, y reflejan su base de clientes, no a la industria entera. Es una foto valiosa, no un censo.

¿Anthropic ya le gana a OpenAI en los equipos nuevos?

En diciembre, 70 de cada 100 equipos de pago usaban un modelo de OpenAI y 48 uno de Anthropic. En octubre quedaron casi empatados: 55 contra 54. La diferencia está en los recién llegados: Anthropic fue la primera opción de casi el doble de equipos nuevos que OpenAI.

Entre los que ya estaban en el gateway, Anthropic subió de la mitad a dos tercios de esos equipos, mientras OpenAI pasó de tres cuartos a cuatro quintos. Pero donde ambos ya tienen a casi todos —más del 90% del 1% que más gasta usa los dos laboratorios— la pelea ya no es por el acceso sino por la porción de trabajo. Ahí Anthropic sigue liderando con 32 centavos de cada dólar, aunque esa cifra se redujo a la mitad desde diciembre, mientras OpenAI subió de 9 a casi 15 centavos.

En modelos concretos, Opus 5.5 fue el más usado por gasto en su primer mes completo, con cerca de un séptimo de todos los dólares del gateway. Cuatro de los seis modelos más usados de la plataforma son de Anthropic, y Jev aparece primero en alcance, con 28% de los equipos de pago.

¿Por qué un modelo ya dura menos de dos meses?

Más de la mitad de las peticiones de modelos de lenguaje en octubre fueron a versiones de menos de 60 días de antigüedad, cuando antes de septiembre esa cifra nunca había pasado de tres de cada diez.

El ciclo es brutal: dentro de cada familia aparece una versión nueva cada 61 días en la mediana, un modelo típico alcanza su pico en el primer mes, y cuatro semanas después tres de cada cuatro equipos que lo usaban ya no lo usan. La mitad de los equipos con más de 10 millones de tokens cambió su modelo principal en octubre; cuatro de cada cinco se movieron a algo más reciente y seis de cada diez cambiaron de laboratorio.

Los modelos viejos no desaparecen: siete de cada diez equipos grandes todavía usaban uno de al menos diez meses de antigüedad, pero para el equipo típico eso representaba menos del 3% de sus tokens. Vercel lo resume sin adornos: la vida media de un modelo es de unas seis semanas, así que para sus clientes cada laboratorio vale lo que vale su último lanzamiento.

¿La voz dejó de ser una función de laboratorio?

Cerca de 11% de los equipos de pago usó un modelo de voz en octubre, contra 4% en julio: un salto de 2,6 veces. Y no es solo entrada: entre los equipos que pagaron en julio y en octubre, el uso de voz pasó de 5% a 14%.

Lo interesante para un founder es cómo se arma. Una conversación hablada con una app tiene tres pasos —convertir voz a texto, un modelo de lenguaje que redacta la respuesta y texto a voz— y la mayoría de los equipos usa solo una o dos piezas. El uso de modelos de voz a texto casi se triplicó desde julio y el de texto a voz más que se triplicó. En julio, un cuarto de los equipos de voz usaba modelos todo-en-uno y uno de cada seis armaba las piezas por su cuenta; en octubre esos números se invirtieron.

En otras palabras: la voz se está volviendo una capa que se agrega a un producto que ya existe, no un producto nuevo. Es el canal, no el negocio.

¿Qué significa esto para tu startup?

Tres lecturas accionables.

Primero, separa la decisión de la generación. Si tu producto usa un modelo de lenguaje para clasificar tickets, detectar riesgo o enrutar consultas, estás pagando precio de generación por trabajo de juicio. Los modelos de decisión existen, cuestan una fracción y hay 15 opciones de ocho proveedores. Antes de migrar, mide: ¿qué porcentaje de tus llamadas termina en un sí/no, una categoría o un puntaje? Ese porcentaje es tu ahorro potencial.

Segundo, asume que tu modelo va a cambiar cada dos meses. Si la mitad de los equipos grandes cambió de modelo principal en un solo mes, tu arquitectura no puede tener el nombre del modelo incrustado en el código. Deja el prompt y la lógica de flujo separados del proveedor y pon una capa de enrutamiento en el medio. Como dijo Jeet Pattanaik, fundador y CTO de Glokal AI, a TechTarget: «la decisión se está moviendo de compras a arquitectura». El mismo medio recoge que Palo Alto Networks encontró que ningún modelo individual detectaba más de 40% de las vulnerabilidades en entornos complejos, lo que empuja a combinar modelos por tarea en lugar de confiar en uno solo.

Tercero, no apuestes a un solo laboratorio. Anthropic y OpenAI están empatados en alcance, pero el gasto se mueve. La ventaja de mantener dos proveedores en producción no es solo el precio: es poder mover carga cuando cambian los términos, los precios o la disponibilidad. Microsoft abrió en octubre su harness de Copilot en Foundry con más de 20 modelos frontera precisamente bajo esa premisa.

Conclusión

El mensaje de fondo del índice es que la era de «elegir un laboratorio y construir todo encima» se cerró. El trabajo de IA en producción se está partiendo en dos: generar y juzgar. Los equipos que entiendan esa división van a bajar costos sin perder calidad; los que no, van a seguir pagando precio de generación por decisiones que un modelo entrenado resuelve en milisegundos.