---
title: "Jev atinge 35,3% das equipes pagantes da Vercel em 14 dias"
author: "Scalezinho"
date: "2026-10-18 10:14:53.761-03"
category: "IA"
url: "https://blog.scale.press/post/2026/10/18/jev-atinge-353-das-equipes-pagantes-da-vercel-em-14-dias"
---

## Resumo
- Jev alcançou 35,3% das equipes pagantes da Vercel nos primeiros 14 dias de disponibilidade.
- O modelo foi lançado em acesso limitado em 15 de setembro de 2026 e chegou ao AI Gateway em 17 de setembro.
- No recorte de setembro, o Jev superou o Claude Sonnet 5.5, que alcançou 18,1% das equipes, e o GPT-6 Luna, com 14,9%.
- A Vercel usa o Jev na classificação de comandos prejudiciais, em uma função baseada na seleção de saídas predefinidas.
- Apesar do alcance, o modelo representou 0,27% dos gastos do gateway e processou cerca de 1% dos tokens em setembro.
- A retenção do Jev foi de 55,6%, mas os dados de adoção não constituem uma avaliação independente de qualidade.
- A Vercel informou que modelos de pesos abertos processam mais de 70% dos tokens do gateway e respondem por quase 25% dos gastos.

---

O **Jev**, modelo de IA desenvolvido pela **TypeSafe AI**, atingiu **35,3%** das equipes pagantes no **AI Gateway da Vercel** nos primeiros 14 dias de disponibilidade, segundo os dados divulgados pela própria Vercel. O índice colocou o sistema como o modelo adotado mais rapidamente na história do gateway. A marca chama atenção porque combina ampla presença entre usuários pagos com uma participação pequena nos gastos totais da plataforma, uma diferença que ajuda a entender como modelos especializados estão sendo incorporados a fluxos de produção.

## Jev lidera a adoção inicial

A diferença aparece no comparativo entre os lançamentos de setembro de 2026. O **Jev** alcançou 35,3% das equipes pagantes, enquanto o **Claude Sonnet 5.5** chegou a 18,1% e o GPT-6 Luna a 14,9%, de acordo com a análise dos dados do gateway. O alcance do Jev ficou, portanto, quase duas vezes acima do segundo colocado nesse recorte. A métrica mede a parcela de equipes que adotou cada modelo, e não a quantidade de tokens processados ou o valor gasto por cliente. A trajetória inicial da tecnologia também foi detalhada em uma [publicação sobre o Jev e a TypeSafe AI](https://blog.scale.press/post/2026/10/11/jev-ia-nao-textual-leva-typesafe-a-us-75-bilhoes).

Esse resultado ganhou velocidade por causa da janela curta entre o lançamento e a disponibilidade no gateway. O **Jev** entrou em acesso limitado em **15 de setembro de 2026** e passou a ficar disponível no AI Gateway dois dias depois, em 17 de setembro. Nos 14 dias seguintes, alcançou mais de um terço das equipes pagantes monitoradas pela Vercel. A comparação, portanto, não descreve uma adoção acumulada ao longo de meses, mas a rapidez com que o modelo encontrou espaço em ambientes de produção logo após chegar à plataforma.

## Um modelo voltado para decisões

Esse ritmo está ligado ao tipo de tarefa para o qual o **Jev** foi projetado. A Vercel usa o modelo para substituir o **GPT-6 Luna** na classificação de comandos prejudiciais, uma função que exige selecionar entre respostas ou categorias predefinidas. O sistema é descrito como uma ferramenta de decisão, e não como um modelo voltado à geração de prosa livre. Essa diferença limita a comparação direta com modelos usados para conversas, redação ou tarefas abertas, porque os produtos cumprem funções distintas dentro do fluxo de trabalho.

A especialização também ajuda a explicar a relação entre velocidade e custo apresentada nas fontes. Em vez de produzir textos longos, o **Jev** é otimizado para tarefas como classificação e respostas do tipo verdadeiro ou falso. Esse desenho reduz o volume de tokens necessário em determinadas operações e, segundo as descrições disponíveis, permite execução mais barata e rápida do que a de modelos generativos tradicionais. A adoção recorde, portanto, está associada a um uso específico e não deve ser lida como uma classificação geral de capacidade entre todos os modelos do gateway.

## Alcance alto, gasto baixo

A diferença entre quantidade de equipes e participação financeira aparece com clareza no índice oficial de outubro. Embora tenha alcançado 35,3% das equipes pagantes no período inicial, o **Jev** representou apenas **0,27% dos gastos totais** do AI Gateway durante sua adoção recorde. O modelo também processou cerca de **1% dos tokens** em setembro. Esses dados mostram que presença entre usuários e peso no consumo da plataforma são medidas diferentes, especialmente quando o modelo executa tarefas curtas e delimitadas em vez de gerar grandes volumes de texto.

Esse contraste se repete na retenção, que ficou em **55,6%** entre os usuários do Jev, a quinta maior taxa registrada entre os lançamentos de setembro. O indicador mostra que parte das equipes continuou usando o modelo depois do primeiro contato, mas não substitui métricas de qualidade ou avaliações independentes. O [índice de produção da Vercel](https://vercel.com/blog/ai-gateway-production-index-october-2026) permite observar alcance, tokens, gastos e retenção no mesmo recorte, oferecendo uma leitura operacional da adoção sem transformar esses números em um teste universal de desempenho.

## O que os dados permitem concluir

Os números permitem afirmar que o **Jev** foi o modelo de adoção mais rápida no AI Gateway da Vercel e que encontrou uso relevante em uma tarefa de classificação. Eles não permitem concluir, sozinhos, que o sistema seja superior aos demais em qualidade, raciocínio ou geração de texto. Essa separação é importante para profissionais que acompanham lançamentos de IA, porque uma taxa de adoção pode refletir adequação a uma função específica, facilidade de integração ou baixo custo de execução. Na produção editorial automatizada do **ScalePress**, esse cuidado ajuda a transformar dados de uso em informação precisa, sem apresentar alcance como prova de desempenho geral.

Para quem acompanha a evolução da plataforma, o próximo ponto de atenção é observar como a adoção se comporta junto com retenção, tokens e gastos. O **Jev** já combina 35,3% de alcance entre equipes pagantes com 0,27% da despesa do gateway no período analisado, enquanto a taxa de retenção ficou em 55,6%. A própria Vercel também informa que modelos de pesos abertos processam mais de **70% dos tokens** do gateway e respondem por quase 25% dos gastos totais. A leitura mais precisa do mercado, portanto, passa a considerar a função e o custo de cada modelo, além do número de equipes que o adotam.