Jev действительно стала звёздой первых двух недель октября — но здесь важно понимать, что на самом деле произошло и что тут раздуто маркетингом. Согласно данным Vercel, опубликованным в четверг, за 14 дней после запуска 15 сентября модель достигла использования у 35% платных команд на AI Gateway Vercel. Для сравнения: вторая по популярности модель (Sonnet 5.5) используется примерно у половины этой аудитории. Это действительно рекорд скорости внедрения в первые две недели.

Но нужно сразу оговориться: цифры Vercel дают специфичный срез рынка. AI Gateway — это унифицированный API-сервис, похожий на OpenRouter, через который разработчики маршрутизируют запросы к разным моделям. Это вовсе не полная картина использования моделей в индустрии. Крупные лаборатории вроде OpenAI и Anthropic активно используют свои собственные API, которые в этой статистике не учитываются. То есть реальная доля Jev на всём рынке значительно скромнее, но тренд всё равно показателен.

Сама по себе Jev — это узкоспециализированный инструмент, а не универсальная моделью. Она разработана как лёгкое решение для выбора между несколькими заранее определёнными вариантами ответа. Это ограничение — не баг, а фича: именно благодаря ему модель работает значительно дешевле и быстрее, чем универсальные варианты вроде GPT-6 Luna или Sonnet. В практическом смысле Jev решает конкретную задачу — массовая классификация данных, обнаружение спама, маршрутизация запросов — но не претендует быть универсальным помощником.

Скорость внедрения отчасти объясняется именно узостью специализации: когда инструмент хорошо решает узкую задачу, разработчикам логично его использовать. Но этот же факт должен уберечь от восторгов о том, что Jev якобы вытеснит другие модели. Быстрая адопция в нише классификации — это хорошо, но это совсем другое, чем доминирование на всём рынке. Стоит заметить, что конкуренты уже откликнулись: OpenAI и Amazon выпустили собственные решения для похожих задач.

Данные Vercel показывают и более широкий тренд: open-source модели теперь обрабатывают более 70% токенов через их шлюз и составляют почти 25% всех расходов. При этом расходы на фронтальные лаборатории выросли в 10 раз, хотя их доля в общих затратах упала. Это указывает на то, что рынок растёт, а открытые модели и коммерческие сервисы, похоже, дополняют друг друга, а не вытесняют.

Для отечественного бизнеса ситуация с Jev показательна в другом контексте: узкоспециализированные модели становятся практичнее для конкретных бизнес-процессов, чем универсальные решения. В России это применимо в e-commerce (автоматическая классификация отзывов и товаров), в контент-модерации, в банках и страховке (быстрая категоризация заявок и документов), в логистике. Если у вас есть повторяющаяся задача выбора между несколькими вариантами — например, определение типа проблемы при поддержке клиентов или маршрутизация запросов между подразделениями — специализированная модель даст вам скорость и экономию. Это кстати подход, который используется и в системах автоматизации контента вроде AI Studio, где специализированные модули часто работают эффективнее универсальных моделей для конкретной задачи.

В итоге: Jev действительно показала успешное внедрение в своей нише. Это не значит, что универсальные модели отживают своё. Это означает, что рынок созрел для инструментов, которые честно решают конкретные задачи вместо попытки быть универсальными. Для разработчиков и бизнеса это хорошо — выбор становится больше, цены ниже, инструменты специализированнее.