文章を書かない AI「Jev」で何が変わるのか。仕組みと弱点を整理しました

TypeSafe AI が 2026 年 9 月 14 日に、「Jev（ジェブ）」という新しい AI モデルを発表しました。ChatGPT や Claude のように文章を書くのではなく、ソフトウェアの中で「これは返金要求か」「どの部署に回すか」のような小さな判断だけを、確率付きで返すモデルです。

この記事は、公式の発表とドキュメント、それに 3 つの第三者検証を読んで整理したものです。

何が出たのか

TypeSafe AI は Jev を「System One Model」という新しい種類のモデルの 1 号だと説明しています。名前はカーネマンの『ファスト＆スロー』のシステム 1、つまり速くて直感的な判断から来ています。長い推論や文章生成はやらず、知っている人なら一瞬で答えられる狭い判断だけを担当する、という割り切りです。

入力は「State（判断材料の文章や JSON）」と「Questions（質問）」で、出力は型の決まった答えです。質問は 3 種類だけで、選択肢から 1 つ選ぶ Choice、段階で評価する Score、Yes の確率を返す Noul。部署の振り分けなら、billing 0.84、technical 0.159 のように全候補の確率と、その分布から計算した confidence が返ってきます。

料金は入力 100 万トークンあたり $0.042 で、出力は無料です。文章を生成しないので、出力トークンという概念がほぼないんですね。日本語を含む英語以外の言語も扱えますが、公式は「英語がいちばん精度が高い」と書いています。

普通の LLM と何が違うのか

いまの LLM で判断をさせると、文章を生成させて、JSON にして、パースして、スキーマを検証して、やっと条件分岐にたどり着きます。Jev は最初から出力を選択肢に限定するので、返ってきた値をそのまま if 文に入れられます。Every の Mike Taylor さんの「賢い if 文」という説明が、いちばんしっくりきました。

同じ State に対して複数の質問を一度に投げられて、質問同士は独立に並列で評価されます。質問 A の答えを見て質問 B を判断する、ということはしません。判断は AI、制御の流れはコード、という設計思想です。

公式は自社のワークフロー評価で「最大 193.6 倍高速、444.6 倍低コスト」という数字を出しています。ただし公式自身が、社内チームが作った評価であること、正解データではなく GPT-6 Astra と Claude Fable 5.1 の回答との一致で測っていること、実運用ではこれより小さくなる可能性を書いています。この数字を一般化して読まないほうがよさそうです。

第三者の検証では、どうだったのか

Every の Mike Taylor さんは、自分の記事 37 本に 21 問ずつ、合計 777 件の判断をさせて、0.7 秒未満、推定 0.25 セントだったと書いています。別のテストでは、文章に仕込んだ 7 つの欠陥を Jev は 6 つ、Claude Fable 5.1 は 7 つ見つけて、速度は Jev が約 25 倍速かったそうです。

Good Start Labs は、6,003 件のルーブリック判定で Jev と各 LLM の一致率が 86〜92% だったと報告しています。ここで大事なのは、一致率は正解率ではないことです。同社も「フロンティアモデルとの差は実際にある」と書いています。

日本の YTAL は、本番ログを使った名寄せのリプレイ検証を公開しています。モデル単体の料金は既存処理より約 96% 安かった一方、確信度が足りない分を既存の LLM 処理に戻す構成にしたら、全体では約 4.1% 高くなったそうです。モデルが安いことと、システムが安くなることは別なんですね。

気をつけたいところ

公式サイトには「Zero Hallucinations」と書かれています。これは、定義した選択肢の外の値を返さない、という構造上の話です。選択肢の中で間違った判断をすることは普通にあって、公式の「Jev 1.13 の弱点」ページにも、計算、日付の比較、数え上げ、多段の参照、無関係な情報が多い入力、プロンプトインジェクションの影響が並んでいます。

私が使うとしたら、Claude Code で作ったアプリの中で、生成した文章のチェックや、問い合わせの振り分けのような場所からだと思います。日本語での精度は公式も保証していないので、まずは手元のデータで confidence の閾値を確かめるところからですね。

3 つのプリミティブの中身、第三者検証の数字、公式が認めている弱点の一覧まで含めた詳しい整理は、Zenn に書きました。

Zenn の記事を読む