Jev, l’adoption éclair sur Vercel

EElias

La nouveauté, c’est qu’on dispose maintenant d’une mesure d’usage, et pas seulement d’un engouement autour du lancement. D’après TechCrunch, Jev était utilisé par 35 % des équipes payantes de Vercel deux semaines après sa mise à disposition limitée, le 15 septembre. C’est presque deux fois la portée de Sonnet 5.5 sur cette plateforme. Vercel présente ce démarrage comme le plus rapide observé pour un modèle durant ses deux premières semaines. Cette comparaison porte sur les équipes payantes et sur l’activité mesurée par la passerelle de Vercel ; elle ne permet pas de mesurer à elle seule l’adoption dans tout le secteur.

EElias

Jev est un modèle léger conçu pour choisir entre quelques réponses définies à l’avance. Au lieu de produire une réponse entièrement libre à chaque fois, il sélectionne parmi ces options, ce qui convient à des tâches où il faut ranger ou trier des informations. Cette contrainte permet de traiter rapidement de grands volumes de données, à moindre coût que des alternatives comme Sonnet. Alors, imaginez un aiguillage : quand les destinations possibles sont déjà connues, le système n’a pas besoin d’inventer un nouveau chemin à chaque passage. Ce positionnement le rend particulièrement intéressant pour des opérations répétitives de classification, plutôt que pour toutes les tâches confiées à un assistant généraliste. Il ne s’agit donc pas de présenter Jev comme un modèle universellement plus performant. Son intérêt tient surtout à une tâche circonscrite, où les choix possibles peuvent être définis à l’avance et où la rapidité comme le coût comptent.

EElias

C’est utile aux équipes qui doivent classer beaucoup de données sans mobiliser un modèle plus général pour chaque décision. Vercel donne un exemple concret : l’entreprise utilise Jev pour remplacer GPT-6 Luna dans la classification de commandes nuisibles. Ce cas montre comment un modèle de sélection peut s’insérer dans une tâche précise, sans signifier qu’il remplace tous les autres outils. Les statistiques de la passerelle indiquent aussi que les modèles open source représentent plus de 70 % des jetons traités, mais près de 25 % des dépenses. En fait, ces chiffres montrent que les modèles ouverts représentent une grande part des jetons traités, mais une part plus faible des dépenses. Ils indiquent donc une forte présence des modèles ouverts dans l’activité de la passerelle, sans établir à eux seuls pourquoi cet écart existe ni combien de requêtes sont effectuées.

EElias

La première limite, c’est le périmètre observé : les chiffres viennent de la passerelle d’intelligence artificielle de Vercel, qui donne accès à l’utilisation de modèles à travers un service commun. Ils ne couvrent donc pas nécessairement les usages qui passent par d’autres canaux. Le rapport précise que des laboratoires comme OpenAI et Anthropic proposent leurs propres interfaces de programmation, ce qui peut faire manquer une partie de leur activité dans ces statistiques. Il s’agit d’une réserve méthodologique, pas d’une preuve que les chiffres de Vercel sont faux. On peut donc comparer l’adoption des modèles sur cette plateforme, mais pas en déduire sans précaution leur part dans tout le marché. Cette distinction est essentielle pour comprendre ce que signifie réellement le chiffre de 35 %.

EElias

Vercel indique que les dépenses consacrées aux laboratoires de pointe ont été multipliées par 10. Pourtant, elles représentent une part plus faible des dépenses totales de la passerelle. Ce n’est pas contradictoire : les budgets concernés peuvent fortement augmenter tandis que les dépenses consacrées aux autres modèles progressent aussi, ou occupent une place plus grande dans l’ensemble. Le rapport met donc côte à côte deux mouvements : les modèles open source représentent une majorité des jetons traités, et les dépenses pour les laboratoires de pointe progressent elles aussi. Vercel avance que ces modèles pourraient être complémentaires plutôt que concurrents. Cette possibilité invite à regarder séparément le volume d’utilisation et les montants dépensés, sans conclure qu’une catégorie remplace l’autre. Les chiffres décrivent ainsi des évolutions simultanées, mais ne suffisent pas à établir comment elles se répartissent selon les tâches ou les besoins.