新しいAIモデル、Jevとは？ LLMやAIエージェントと何が違うのか、何に使えるのかなどを簡単に解説
- Jevの概要
- Jevは判断コンポーネント
- Jevは文章を書かない
- ChatGPTなどのLLMとJevは競合する？
- ソフトウェアの中に大量の小さな判断機を配置する
- AIで判断して実行権限は普通のソフトウェアに残す
- 「ハルシネーションしない」の意味には注意が必要
- Jevは確率を返す
- Jevは何に使える？ 簡易的な例
- まとめ
Jevの概要
Jevは、TypeSafe AIが2026年9月14〜15日に発表した新しいAIモデルです。
同社がSystem One モデルと呼ぶ新カテゴリの第一弾で、テキスト生成能力をあえて捨てて、高速・低コストで構造化された判断を返すことに特化しています。
TypeSafeの共同創業者兼CEOのDiogo Almeidaが9月15日にX上のスレッドでJevを発表し、9月14日には公式ブログで発表資料が公開されました。
技術的な仕組み
開発者はJevに「状態（state）」のブロックと、型付けされた質問群を送ります。Jevは選択肢・スコア・確率をアプリケーションのコードが利用できる形で返し、文章やコード、自由形式の文字列は生成しません。
従来の大規模言語モデルはトークンを逐次的に生成し、各トークンは直前の結果に依存します。ですが、Jevは複数の型付き質問を並列に評価し、それぞれの確率分布を一度の応答で返すと説明されています。同社の開発者ドキュメントによれば、質問数を増やしても応答時間にほとんど影響しません。各判断は同じ入力状態に対して独立に評価されるためです。
TypeSafeはJevが新しいアーキテクチャ、並列サンプラー、そして「Reinforcement Learning for Calibrated Decisions（RLCD）」と呼ぶ訓練手法を用いていると説明しています。（モデルの重みや外部研究者が再現できるだけの詳細を含む論文は公開されていません）
名前の由来
Jev
Almeidaはこのモデルをジェヴォンズのパラドックス（効率化が総消費量を増大させるという経済学の観察）にちなんで命名しました。
推論コストの大幅な削減により、これまでのLLM経済圏では成立しなかった場面にもモデル呼び出しを組み込めるようになる、というのが彼の賭けです。
System One
TypeSafe AIはJevをSystem One Modelと位置づけています。
これはDaniel Kahnemanの有名な下記の区分を連想させる名称です。
- System 1：速い、直感的な判断
- System 2：遅い、分析的な思考
ただし、ここはあくまで製品側のコンセプトとして理解するべきでしょう。人間のSystem 1とJevが科学的に同じ仕組みだという意味ではありません。
深い推論を必要としない判断を、高速な専用モデルに切り出すという製品思想を表現した名称と見るのが妥当です。
価格・性能について
TypeSafeはJevの価格を入力10億トークンあたり42ドル（100万トークンあたり0.042ドル）とし、出力は無料としています。これはアーキテクチャ上、課金するにはコストが低すぎるためだとしています。
同社はエンドツーエンドの応答時間を70〜500ミリ秒として、Jev向けに設計されたタスクでは従来モデル比40〜200倍の高速化があると報告しています。
最も大きな数字（193.6倍高速・444.6倍安価）には注意が必要で、TypeSafeはこれらが顧客が期待できる上限に近い数値だとしています。
具体的な用途デモ
TypeSafeはJevが1秒あたり約10回の呼び出しでDoomのボットを1時間あたり約7ドルで制御するデモを披露しました。
ボットは画像ではなく、ゲーム状態を表す構造化されたテキストを受け取ります。また、Wikipediaのページ間をリンクから選択してナビゲートするデモもあり、Jevは現状最大255個の選択肢に対応できるとしています。
Jevは判断コンポーネント
Jevは、LLMを文章生成器としてではなく、判断器として切り出したAIです。
一般的なLLMなら、「この顧客メールは何についての問い合わせですか？」と聞けば、「このメールは二重請求についての問い合わせです。請求担当部署に転送するのが適切です」というような文章を生成します。
Jevの場合は、もっと機械的です。
入力：
「月額プランの料金が二重に請求されました」
質問：
「問い合わせカテゴリは？」
候補：
["技術", "請求", "解約", "その他"]
Jev：
請求 → 0.94
技術 → 0.02
解約 → 0.01
その他 → 0.03そして、その結果を普通のプログラムが受け取って処理します。
つまりJevは、人間と会話するためのAIというより、ソフトウェアの中に埋め込む判断コンポーネントとして考えると分かりやすいです。
Jevは文章を書かない
Jevは、単に回答をJSONにするLLMではありません。
たとえば、通常のLLMに次のように指示することはできます。
この文章がスパムなら true、
そうでなければ false を返してください。LLMは本来、文章を生成するモデルですが、それを下記のように使っている状態です。
{"spam": true}一方、Jevは最初から、決められた問いに対して決められた種類の判断を返すことを目的に設計されています。
公開情報では、主に次のような形式が説明されています。
- Choice：選択肢から選ぶ
- Score：尺度に沿って評価する
- Noul：Yes / No型の命題について確率を返す
ChatGPTなどのLLMとJevは競合する？
直接競合するというより、役割が違うと言えそうです。
| ChatGPT系LLM | Jev | |
|---|---|---|
| 主目的 | 生成・推論・対話 | 判断 |
| 出力 | 自由な文章など | 型付きの結果 |
| 人間との会話 | ◎ | △ |
| 文章作成 | ◎ | × |
| 分類 | ◎ | ◎ |
| 大量の小さな判定 | △ | ◎を狙う |
| アプリへの組込み | ○ | ◎を狙う |
| 自由度 | 非常に高い | 低い |
| 速度・コスト | タスク次第 | 高速・低コストを狙う |
JevはAIを必要とする範囲を狭くして、その代わり大量の判断を安く・速く処理する発想です。
ソフトウェアの中に大量の小さな判断機を配置する
例えばECサイトに、「この問い合わせをどの部署に送る？」という処理が1日100万件あるとします。
必要なのは、「こんにちは。お問い合わせありがとうございます。お客様の問題について詳しく分析します・・・」ではありません。
必要なのは
billingだけ、または下記だけで十分かもしれません。
refund: 0.91
fraud: 0.07
other: 0.02LLMに100万回文章を書かせるのは、ある意味で過剰です。Jevはここを切り出します。
AIで判断して実行権限は普通のソフトウェアに残す
ユーザー問い合わせ
↓
Jev
↓
┌──────┼──────┐
↓ ↓ ↓
請求 技術 解約
↓ ↓ ↓
担当 担当 担当たとえば、上記のような構造にできます。ここで、役割を分けます。
- Jev = 判断
- プログラム = 実行
例
if jev_result == "refund":
send_to_refund_team()
elif jev_result == "technical":
send_to_engineering() これは現在のAIエージェントとは少し違います。エージェントはAIにかなり自由に考えさせてAI自身に次の行動を決めさせる方向ですが、Jevは逆に、AIに判断だけさせて、実行権限は普通のソフトウェアに残す方向です。
「ハルシネーションしない」の意味には注意が必要
TypeSafeが保証しているのは、Jevの応答が要求されたスキーマに一致すること（不正なフィールドや壊れたツール呼び出し、無効な出力型を防ぐ）です。
たとえば、選択肢が次の３つなら、Dを返すことはできません。
選択肢：
A
B
Cですが、A/B/Cの中から間違ったものを選ぶこと自体が絶対にあり得ないとは言えないでしょう。
独立した解説でも、正しい形式で返ってきたことと判断そのものが正しいことは別だという点が指摘されています。
「文章を生成しない」「決められた選択肢しか返さない」ことで、自由形式の出力による逸脱・存在しない選択肢の生成などが抑えられると理解するのがいいでしょう。
Jevは確率を返す
Jevは、次のような不確実性をプログラム側で利用できます。
Yes: 0.93
No: 0.07なので、下記のような設計ができます。
確信度 > 95%
↓
自動処理
70〜95%
↓
追加チェック
<70%
↓
人間へこれはAIを業務に入れるときにとても重要です。「AIが答えたから実行」ではなく、AIの確信度を見ながら自動化率を調整します。
ただし、ここでも注意が必要です。
「0.93」と出たから、その判断が93%正しいと保証されるわけではありません。
確率の意味については、較正（キャリブレーション）された確率として評価する必要があります。
較正（キャリブレーション）された確率とは？
例えばJevに1000件のメールを与えて、「このメールは請求に関する問い合わせですか？」と聞いたとします。
そしてJevがそれぞれについて、次のような確率を返したとします。
0.93
0.81
0.72
0.54
...ここで理想的なのは、「0.93」と判断したものを100個集めたら、そのうち約93個が本当にYesだったという状態です。これが較正されている（well-calibrated）という意味です。
Jevは何に使える？ 簡易的な例
カスタマーサポート
問い合わせ
↓
Jev
↓
請求 / 技術 / 解約 / その他モデレーション
投稿
↓
Jev
↓
規約違反の可能性
↓
自動処理 or 人間審査メール処理
メール
↓
Jev
↓
営業 / 請求 / 採用 / 緊急 / その他書類処理
文書
↓
Jev
↓
契約書か？
↓
Yes / NoEC
レビュー
↓
Jev
↓
返品要求か？
↓
YesAIエージェント
LLM
↓
「何をすべきか」考える
↓
Jev
↓
「この条件を満たしているか？」
↓
通常プログラム
↓
実行まとめ
Jevを一言で表すなら、「AIに答えを書かせるのではなく、数字で判定させるモデル」です。
もう少し別の角度から言うなら、「業務ロジックのif文をAIに書かせる装置」とも言えます。文章を生成する能力を無くす代わりに速度とコストを桁違いに落として、「大量の小さな判断」を人間のコードに供給する部品に徹した設計です。
LLMの代替品というより、AIをソフトウェアの部品として組み込むための新しいレイヤーと考えると分かりやすいです。
