文章を書かないAIが、仕事の自動化を変える
「この問い合わせは誰に回す？」「この文章は資料と矛盾していない？」「この依頼に高性能なAIは必要？」
仕事を自動化しようとすると、こうした小さな判断が何度も出てきます。欲しいのは立派な解説ではなく、次の作業に進むための答え。それなのに、その判断のたびに高性能な生成AIを呼び出していては、処理時間も費用も積み上がってしまいます。
ここに、かなり面白いAIが登場しました。TypeSafe AIが2026年9月15日に公開した「Jev」です。文章を書くのではなく、分類・判定・採点といった仕事に特化したモデルで、同社が「System Oneモデル」と呼ぶ新しい系列の第一弾です。(TypeSafe AI
ただし、最初に誤解をなくしておきます。Jevが世界中のAIをあらゆる性能で上回り、すべての用途で最安になったわけではありません。 注目したいのは、文章の意味を読んで判断する処理を、低価格かつ高速に組み込めることです。
普段のチャットAIを乗り換える話ではありません。今使っているAIや業務システムの、無駄な待ち時間と費用を減らせるかもしれない。その視点で見ると、Jevの面白さが見えてきます。
※機能・料金・提供状況は2026年9月18日時点です。
1．Jevは「書くAI」ではなく「判断を返すAI」
Jevの基本は、判断に必要な情報と質問を渡し、あらかじめ決めた形式で結果を受け取ることです。入力する情報を「state」と呼びますが、難しく考える必要はありません。問い合わせ本文、顧客の契約内容、社内ルールなど、判断材料をまとめたものです。文章だけでなく、項目名と値で情報を整理したJSON形式でも渡せます。(TypeSafe AI
たとえば、顧客から「二重に請求されているようなので確認してほしい」と連絡が来たとします。
ここでJevに頼むのは、謝罪メールの執筆ではありません。「担当部署は請求・技術・営業のどれか」「返金を明確に要求しているか」「緊急対応を求めているか」といった判断です。
その結果を受け取ったプログラムが、問い合わせにラベルを付けたり、担当者へ通知したりします。返信が必要なら、別の生成AIへ文章作成を依頼する。判断と文章作成を分けて使うわけです。こうした組み込み方が、公式にも案内されています。(TypeSafe AI
なお、Jev自体がメールを読みに行ったり、勝手に顧客へ送信したりするわけではありません。情報の取得、アクセス権の確認、実際の操作は周囲のプログラムが担当します。Jevはその途中で必要になる判断を受け持ちます。ソフトウェアからAIを呼び出す窓口が、APIです。(TypeSafe AI
2．覚える機能は「選ぶ・採点する・確率で判定する」の3つ
Jevには、大きく分けて3種類の質問形式があります。この3つを理解すると、何を任せられるのかが一気にわかります。
Choice：決めた候補から選ぶ
Choiceは、あらかじめ用意した選択肢から1つを選ぶ機能です。「営業・サポート・経理のどこへ回すか」「この記事は入門・実践・ニュースのどれか」といった分類に使えます。
返ってくるのは選択結果だけではありません。各候補の確率と、判断の確かさを扱うための値も受け取れます。現在は1つの質問に最大255個の選択肢を設定できます。どの候補にも当てはまらない入力があり得るなら、「その他」「情報不足」も用意しておくのが基本です。(TypeSafe AI
Score：基準に沿って採点する
Scoreは、順序のある評価基準に沿って採点する機能です。
たとえば問い合わせの緊急度を、「通常対応でよい」「早めの対応が必要」「業務が止まっており至急対応が必要」と定義する。単に「重要度を100点満点で」と丸投げするより、それぞれの段階が何を意味するのかを説明しておきます。
出力には点数に加えて、各段階の確率などが含まれます。評価基準に対する位置づけを表すものであり、売上額や発生件数を正確に計算するための機能ではありません。(TypeSafe AI
Noul：その条件が当てはまる確率を返す
Noulは、「この文章には解約の意思が書かれているか」のような、はい・いいえで判断できる質問に使います。結果は0〜1の値です。
ここで大事なのは、「該当しそうか」と「実際にどう対応するか」を分けること。解約の可能性が高いから担当者に通知するのか、本人へ確認するのかは、自分たちで決めます。Noulは判断材料を返す機能であり、対応方針まで勝手に決めるものではありません。(TypeSafe AI
3．なぜ速いのか。長い回答を作らず、複数の判断をまとめる
Jevは、説明文を順番に生成する代わりに、決められた回答と確率を並列に返す構成を採っています。また、判断と確率の適切さを重視する「RLCD」という学習方法を使っているとTypeSafeは説明しています。人に好まれる文章を作ることとは、狙っている仕事が違います。(TypeSafe AI
使う側にとって重要なのは、1つの情報に対して複数の質問をまとめて投げられる点です。
たとえば問い合わせを読ませて、「分類」「緊急度」「返金要求の有無」「不満の強さ」を一度に確認する。分類の結果を待ってから次の質問を送り直すより、通信の往復を減らせます。公式は、質問を追加しても応答時間は通常あまり増えないと説明しています。(TypeSafe AI
ただし、質問を増やせば入力トークンは増えます。無制限に無料で質問できるわけではありません。また、各質問は独立して評価されるため、前の答えを読んでからでないと判断できない処理は、別の呼び出しやコードによる分岐が必要です。(TypeSafe AI
ここで「普通の生成AIでも分類やJSON出力はできるのでは？」と思った人は、その理解で合っています。OpenAIなどにも、指定した形式に合わせる構造化出力があります。Jevの価値は、構造化出力を初めて実現したことではなく、狭い判断を繰り返す仕事に、速度・価格・確率の出力を合わせて最適化していることです。(OpenAI Developers
4．安さはどれくらい？ 1回1,000トークンなら100万件で42ドル
Jevの公開API料金は、入力100万トークンあたり0.042ドル。出力トークンは無料です。月額の使い放題プランではなく、入力の処理量に応じた料金です。料金は文字数そのものではなく、AIが文章を扱う「トークン」という単位で計算します。(TypeSafe AI
イメージしやすいように、判断材料や質問を含め、1回の課金対象入力を1,000トークンと仮定してみます。
処理件数Jevの入力料金1ドル150円と仮定した換算1万件0.42ドル約63円10万件4.2ドル約630円100万件42ドル約6,300円
これは公開単価からの単純計算で、実際の処理を測定した数字ではありません。為替も説明用の仮定です。入力が5倍になれば、入力料金も5倍になります。
また、この金額にデータ取得、サーバー、文字起こし、別の生成AI、システム開発や保守の費用は含めていません。「100万件の業務を全部6,300円で終えられる」という意味ではないので、そこは分けて考えましょう。
それでも、大量のデータに同じ種類のチェックをかける用途では、検討する価値のある単価です。少数の問い合わせより、何万件ものコメントや問い合わせ、文書を継続して処理する場面で、低価格の意味が大きくなります。
5．「約194倍速い・約445倍安い」は、そのまま信じていい？
公式サイトには「193.6倍速い」「444.6倍安い」という数字が掲載されています。ただし、これはSystem One型の仕事を対象にした、特定のワークフロー評価に基づくものです。どんな処理でも同じ差が出るわけではありません。(TypeSafe AI
TypeSafe自身も、この倍率は実際に得られる改善幅の中では大きい側だと説明しています。また、評価の基準には大型モデルの予測を使っており、人間が正解を確定したあらゆる業務での優位性を証明したものではありません。公表されている70〜500ミリ秒という応答時間についても、通信環境や入力内容を含めて考える必要があります。(TypeSafe AI
見るべきなのは宣伝の倍率より、「自分の仕事で十分に正しく、今より安く、今より速いか」です。ここを実際のデータで確かめれば、導入する意味を判断できます。
6．Jevでできること、実務で使いたい10の用途
ここからは公式が示す使い方をベースに、仕事に当てはめた活用案を紹介します。すべてが最初から使える完成アプリとして付属するわけではなく、APIと周囲の仕組みを組み合わせて実装する用途です。
① 問い合わせを分類して、対応順を決める
問い合わせ本文から、内容、緊急度、不満の強さなどをまとめて判定し、担当部署や確認待ちの一覧へ振り分ける仕組みを作れます。(TypeSafe AI
たとえば「不具合」と書かれた連絡でも、要望に近いものと業務停止につながるものでは扱いを変えたい。まずは自動返信ではなく、見落としたくない連絡に印を付ける使い方から試せます。
② SNSのコメントを、企画に使える形へ整理する
分類機能を応用するなら、SNSコメントを「質問」「不満」「体験談」「購入前の迷い」などに分ける使い方が考えられます。テーマ別のラベル付けや、ユーザー投稿の判定は公式の想定用途にも含まれています。(TypeSafe AI
たとえば「難しそう」という反応が多いなら、次の投稿で手順を見せる。「料金がわからない」が多いなら、価格説明を直す。Jevに投稿を量産させるのではなく、人の反応を整理して企画づくりにつなげる発想です。
③ 営業相談を、確認すべき順番に並べる
問い合わせに具体的な課題が書かれているか、導入時期に言及しているか、自社サービスの対象に合うか。こうした観点を分けて評価し、営業担当が読む順番を決める補助にできます。見込み客の適合度や購買意図を、文章から判断する使い方です。(TypeSafe AI
ただし、文章だけで「この人は確実に買う」と断定するのは別問題です。点数はあくまで確認の優先順位を考える材料。対応を切り捨てる判断とは分けておくのがよいでしょう。
④ 社内資料から、回答に使う情報を絞る
社内文書を検索して、その結果をAIへ渡す仕組みでは、検索に引っかかった文章が本当に質問に関係するかを確認したくなります。Jevで各候補の関連性や矛盾を判定し、回答用のAIに渡す情報を絞る構成を作れます。(TypeSafe AI
たとえば休暇制度の質問なら、無関係な制度説明を除き、該当する規程を優先する。検索機能そのものと、検索結果を評価する仕事を分ける使い方です。
⑤ AIが付けた引用に、根拠があるかを確認する
AIが作った文章の主張と、引用元の該当箇所を照合する用途です。公式の実装例では、引用文が存在するかをコードで確認し、意味の上で主張を支えているかをJevで判定しています。(TypeSafe AI
たとえば「この研究で効果が証明された」と書いてあっても、元の文章は可能性を示しただけかもしれません。URLが付いているかではなく、書いてある内容と根拠が合っているかを点検する補助になります。
⑥ AIの回答を、公開前にチェックする
生成AIの入力や出力を点検し、危険な依頼やルール違反の疑いがあるものを、人の確認へ回す構成も用意されています。判定結果に応じて、通す・止める・確認へ回す処理をコード側で決めます。(TypeSafe AI
応用例としては、顧客への返信が未確認の約束をしていないか、渡してはいけない情報を含んでいないかのチェックです。ただし、この判定自体も誤る可能性があるので、唯一の安全対策にはしません。
⑦ 高性能AIが必要な依頼だけを回す
簡単な照会は通常のプログラムへ、説明が必要な依頼は生成AIへ、複雑な問題は高性能モデルや人へ。最初にJevで依頼を分類して、適切な処理先へ分ける使い方です。公式にもこの分担が示されています。(TypeSafe AI
たとえば注文番号に対応する配送状況を返すだけなら、毎回長い推論をさせる必要はありません。ただし、振り分けを追加する分の処理も発生するため、全体の時間と費用が本当に減るかを確認します。
⑧ 文書から見つけた情報の候補を選ぶ
請求書の文章などから、複数の金額や連絡先が見つかったとき、「どれが合計金額か」「どれが問い合わせ先か」を選ばせる使い方です。公式には、コードで候補を抽出し、Jevで該当する候補を選ぶ例があります。(TypeSafe AI
画像の読み取りや候補の抽出まで、Jev単体に任せるわけではありません。また、金額の合計や日付の前後比較はコードに任せる。この分担にすると、判断が必要な箇所だけにAIを使えます。
⑨ 記事や投稿の「意味のチェック」をする
文字数の超過ならプログラムで数えられます。一方、「初心者向けなのに用語を説明していない」「見出しに対して本文が答えていない」といった確認は、内容を読む必要があります。文章やコードに対する意味のチェックは、公式にも用途として挙げられています。(TypeSafe AI
実装するなら「良い記事ですか」ではなく、「冒頭で対象読者が明確か」「手順に必要な前提が説明されているか」と分ける。修正そのものは執筆者や生成AIへ任せます。
⑩ 家電やアプリの操作を選ぶ
公式には、自然言語の依頼を分類し、家電の種類や操作を選ぶスマートホームのデモがあります。人の言葉を、実行可能な決まった操作へ対応させる使い方です。(TypeSafe AI
同じ考え方で、アプリ内の操作候補から適切なものを選ぶ仕組みも考えられます。ただし、操作候補の定義、権限確認、実行、失敗時の処理は別途必要です。Jevだけで自由にパソコンを使いこなす、という話ではありません。
7．Claude CodeやCodexと組み合わせると、試しやすい
Jevを自分で試す入口として、公式はPlaygroundを案内しています。利用可能なアカウントでログインし、文章と質問を入れて結果を確認できます。APIを使う場合は、管理画面でキーを取得して呼び出します。公開開始時点では早期アクセス方式で、公式サイトには待機リストへの案内があります。(TypeSafe AI
さらに、Claude CodeやCodexなどに向けた公式のTypeSafe Skillもあります。質問の作り方、APIの形式、組み込み方をコーディングAIへ伝えるためのものです。Skillを入れるだけで、利用中のAIモデルがJevへ置き換わるわけではありません。(TypeSafe AI
たとえば、コーディングAIには次のように依頼できます。
公式のTypeSafe Skillと最新ドキュメントを確認し、
Jevで問い合わせCSVを分類する試作品を作ってください。
判定項目は、問い合わせ分類、緊急度、返金要求の有無。
分類には「その他」「情報不足」を含め、
質問と判定基準は後から編集できる場所にまとめてください。
APIキーは環境変数TYPESAFE_API_KEYから読み込み、
コードやログには出力しないでください。
まず匿名化した少数のデータで試します。
元の本文、判定結果、確率、利用できるconfidence、
モデルのバージョン、処理時間、入力トークン数を保存。
不確かな判定とAPIエラーは人の確認へ回してください。
顧客への送信、返金、データ削除は実装しないでください。
これは試作品を作るための依頼例です。最初から全自動で処理を確定させず、正解を知っているデータで結果を見比べるところから始めます。
8．使う前に知っておきたい、できないことと注意点
まず、日本語は英語と同じ精度だと思わないこと。 公式は英語を主な学習言語とし、日本語なども扱えるものの、同等の精度ではないと説明しています。日本語の問い合わせに使うなら、実際の言い回しで評価する必要があります。(TypeSafe AI
「大丈夫です」が承諾なのか断りなのか。「別に急いでいません」が本当に緊急ではないのか。こうした例を自分たちのテストに入れておくと、どのような入力を人に回すべきか考えやすくなります。
次に、現在の入力はテキストのみです。画像・音声・動画を直接扱う用途には、そのまま使えません。文章作成、コード生成、判断理由の説明文を返すことも、Jevの担当ではありません。(TypeSafe AI
処理量にも上限があります。現行のJev 1.13は、1回のリクエスト全体で64kトークンまで、判断材料のstateと最も長い質問の合計で32kトークンまでです。公開されている呼び出し上限は1分間に1,200回ですが、需要に応じて変更されると案内されています。大量処理では、上限を超えたときの待機や再試行も用意します。(TypeSafe AI
また、公式は計算、数え上げ、日付比較、複雑な間接的推論、無関係な情報を大量に含む入力などを弱点として挙げています。判断を誘導する悪意ある文章にも影響される可能性があります。安いからと何でも入れるより、必要な情報に絞り、明確な質問を渡すことが重要です。(TypeSafe AI
「ハルシネーションゼロ」という表現も、「判断ミスゼロ」と読み替えてはいけません。 決めた回答形式から外れないことと、正しい候補を選ぶことは別です。「営業・経理」の二択で経理を選べても、本来は営業へ回すべき問い合わせかもしれません。公式のゼロという説明は、出力形式の保証に関するものです。(TypeSafe AI
さらに、ChoiceとScoreに付くconfidenceは、回答の確率分布から計算した値です。「0.9だから、この業務での正答率が必ず90％」という意味ではありません。Noulには同じconfidence項目は付かないため、一律の扱いもしないようにします。自動処理に進める基準は、業務ごとの検証が必要です。(TypeSafe AI
データの扱いも確認しましょう。公式は顧客データをモデル学習に使わない方針を示し、企業向けにはデータを保持しない選択肢も案内しています。ただし、学習に使わないことと、通常利用で一切保存されないことは同じではありません。顧客情報を投入する前に契約条件を確認します。(TypeSafe AI
9．Jevは「全部置き換える」より「必要な部分だけ使う」と面白い
私なら、最初は問い合わせの分類、コメントの整理、原稿の確認候補づくりから試します。間違ったときに人が直せて、結果を見比べやすいからです。反対に、返金の確定や重要な契約判断などを、最初から任せる使い方は選びません。
そして、分類の正答率だけでなく、見逃した件数、人が確認する件数、処理時間、全体の費用まで見ます。API料金が下がっても、誤判定の手直しが増えたら、その仕事では得にならないからです。
Jevを見て「文章も画像も作れないのか」と感じる人もいるでしょう。でも、すべてのAIが同じ仕事をする必要はありません。
文章を書くAIには文章を書かせる。計算はコードで行う。専門的で重要な判断は人が確認する。その間にある大量の分類や確認を、Jevに任せられるか試してみる。
Jevの魅力は、何でもできることではなく、必要な判断を安く何度も呼び出せることです。 自分の仕事にある「読む→分ける→確認する」のどこに使えるか。そこから考えると、このAIを試す目的がはっきりします。
