TypeSafe AI「Jev」徹底解説 — 文章を書かないAIの仕組みと仕事への影響【2026年9月最新】

Jevとは — 2026年9月15日公開の「System One モデル」

発表したのは米サンフランシスコのTypeSafe AI。創業者のDiogo Almeida氏はInfoWorldで「元OpenAIの研究者でRLHFの共同発明者」と紹介されています。公式ブログの書き出しは「モデルは何年も前からチャットでは超人的なのに、自動化はどこへ行ったのか」。2年のステルス期間を経た最初の公開モデルです。

文章ではなく「型の決まった判断」を返す

ChatGPTに「この問い合わせはどの部署宛？」と聞くと「これは請求関連のお問い合わせと思われます」といった文章が返ります。分岐に使うには、文字列を切り出し、想定外の表記がないか確かめる工程が要る。Jevはその工程ごと省きます。判断材料のテキスト（公式はstateと呼びます）と、型・指示・選択肢を書いた質問を送ると、こう返ってきます。

// 返ってくるのは文章ではなく、この形
{ "choice": "billing",
  "probabilities": { "billing": 0.84, "technical": 0.159, "sales": 0.001 },
  "confidence": 0.596 }

返ってくるのは"billing"という値そのものなので、そのままif文の条件に入れられます。

投げられる質問は3種類だけです。選択肢から1つ選ぶ「Choice」、尺度の上で点数をつける「Score」、はい・いいえの確率を返す「Noul」。1回のリクエストに混ぜて複数入れられ、すべて同じstateに対して並列に評価されるため、質問を増やしても応答時間はほとんど変わりません。

料金・速度・制限

現行モデルはjev-1.13.0。Modelsページの数値です。

公式ブログのDoomデモが分かりやすい例です。ゲームの状態を毎秒10回投げて操作を決めさせ、1時間あたり約7ドル。

LLMと何が違うのか — 公式evalの数字を読む

精度は互角、コストは76分の1

TypeSafeは専用のeval（評価）サイトを公開しています。セキュリティインシデント対応・トレース分析・請求書処理・カスタマーサービスの4業務を各モデルに同じ設計で解かせたもの。正解ラベルはGPT-6 Astra と Claude Fable 5.1 の予測の平均です。

正解率がほぼ並ぶGPT-5.6 Terraと比べて、コストは約76分の1、時間は約25分の1。Claude Opus 5とならコストは約440分の1です。公式トップページの「193.6倍速い、444.6倍安い」も、この4ワークフローの数字だと明記されています。

型が壊れない

もうひとつの違いが型安全です。出力できる値の集合を先に決めて渡すので、スキーマに合わない値は返りません。公式は「数学的に不可能だ」と書いています。ただし壊れないのは形式で、答えが常に正しいわけではない。返ってこないのは"bulling"のような存在しない値や、途中で切れたJSONです。

賢さで上回ったわけではない

表のとおり、GPT-5.6 Sol の74.1%、Claude Opus 5 の73.1%に対してJevは67.8%。数ポイント負けています。しかもこのevalはTypeSafe自身が設計して自社で走らせたもので、「OpenAIとAnthropicのモデルに有利に働く」と公式ブログが自分から注記しています。公開ベンチマークのスコアも出さない方針で、「たとえ自分が勝っていてもベンチマークを強調するな」と書く会社は珍しいと思います。

つまりJevはLLMを賢さで置き換えるものではなく、同じ精度でよい判断を2桁安く2桁速く回すためのもの。どの作業をどちらに振るかを決めるのは、モデルではなく作る側の仕事です。

Jevが使えなくても今日から効く「分解して聞く」設計

同じモデルでも、1発で聞くより分解した方が精度が上がる

evalサイトで、Jevの数字より驚いたのがこちらです。TypeSafeは各モデルを2通りで測っています。方針を丸ごと渡して一発で答えさせる「prompt」と、判断を細かい質問に割ってコードで組み立てる「workflow」。違うのは聞き方だけ。

• Claude Opus 5：64.8% → 73.1%
• Claude Sonnet 5：60.4% → 67.8%
• GPT-5.6 Sol：63.4% → 74.1%
• Claude Haiku 4.5：18.1% → 53.6%

安くなり、速くもなります。Opus 5 は1件$0.3417・70.5秒から$0.1761・37.8秒へ。4つのタスク平均で、どのモデルも同じ方針をプロンプトで渡すよりワークフローにした方が正確で、安く、速いとevalサイトは結論づけています。手元のモデルにそのまま効きます。

経費精算の例で見る「モデルが答え、コードが決める」

evalサイトの経費精算の例を借ります。規程は「領収書が読めなければ再提出。種別を食事・交通・備品に判定。食事で75ドル超、かつ説明が領収書と合わなければ上長承認。それ以外は承認」。

悪い例は、この規程をそのまま貼って「承認していいか判断して」と聞くやり方。金額の比較も解釈も最終判断も全部モデルの中で起きるので、どこで間違えたのかを後から追えません。

良い例は、1文ずつを質問かルールに振り分けます。

• モデルに聞く：領収書は読めるか（Noul）／種別はどれか（Choice）／説明が領収書とどれくらい一致しているか、4段階で（Score）
• コードが決める：読めなければ再提出。食事かつ75ドル超かつ一致度が低ければ上長承認。それ以外は承認

75ドルの比較はコードの担当で、モデルがやるのは人間なら数秒で答えられる判断だけ。規程が80ドルに変わっても、数字を1つ変えれば済みます。

自信度でしきい値を切る

ChoiceとScoreの答えにはconfidenceという0〜1の値が付きます。公式ドキュメントは3段階に分ける設計を勧めています。高ければ自動で処理、中くらいなら確認を挟む、低ければ人に回す。コード例はしきい値を操作の重さで変えていて、0.5未満は人に回し、残高照会のような取り返しのつく操作はそのまま実行、送金の承認は0.9を超えなければ確認を取る。AIを業務に載せられるかの分かれ目は、賢さより「自信がないときの行き先を決めてあるか」だと僕は思っています。

自分の仕事の判断を切り出す4ステップ

4つの手順

1. 「書かせている作業」と「決めさせている作業」を分ける。分類・振り分け・要否判定は判断、返信文の作成は生成です。問い合わせ対応なら「どの部署か」は判断で「返信文」は生成なので、先に切ります。
2. 判断を1問ずつに割る。「この問い合わせを処理して」ではなく「緊急か」「どの部署か」「どれくらい怒っているか」に割る。公式も「長い推論が必要な質問や、独立した複数の要素を天秤にかける質問は分解しろ」と書いています。1問に詰め込んだまま精度が出ないと嘆くのが、いちばん多いつまずき方です。
3. 答えの選択肢を先に書き出す。つまずくのは「該当なし」を用意し忘れること。これがないとモデルは無理にどれかへ寄せます。公式の日付抽出ガイドでも、欠けている情報は推測ではなく報告させろと書かれています。
4. 自信度のしきい値と、外れたときの行き先を決める。いちばん後回しにされるのがここです。前掲のInfoWorldでも、HyperFrame Researchのアナリストが「質問・出力・しきい値・エスカレーション先を事前に決める必要があり、それ自体が相当な作業になりうる」と指摘しています。

使う前に知っておくべき限界

TypeSafeは「jaggedness（ギザギザ）」というページで失敗モードを9つ自分から公開しています（2026年9月17日時点）。日本から使う人に効くのはこのあたりです。

• 日本語は英語ほどではない。Modelsページに「英語が主要な学習言語で、精度が最も良いのも英語。CJKを含む他の言語も同等ではない。頼る前に自分のコンテンツでテストすること」と明記されています
• 計算とカウントが苦手。「Jevは電卓ではない」。金額の比較も件数の集計もコード側でやる前提です
• 日付の前後比較が苦手。日付を順序のある量ではなくテキストとして読むため、抽出だけさせて比較はコードでやる形が推奨されています
• stateに関係ない情報を詰めると精度が落ちる。敵対的な入力として扱う設計にもなっておらず、誘導するテキストが混ざると答えが動きうるとも書かれています

いま試すなら — ウェイトリストと、Vercel AI Gateway

TypeSafe本家は早期アクセス中で、公式サイトのウェイトリストから順次開放されています。プレイグラウンド、Python版とJavaScript版のSDK、POST /v1/systemoneのHTTP APIが用意されています。

ただ、順番待ちをしなくても触れる経路があります。Vercel AI Gateway（複数のAIモデルを1つの窓口から呼べるサービス）のモデル一覧https://ai-gateway.vercel.sh/v1/modelsを認証なしで取得すると、typesafe-ai/jevが登録されていました。種別はevaluation、入力はテキストのみ、価格は1トークンあたり$0.000000042、出力は0。学習に使わない設定とゼロデータ保持も付いています。ただしホスティングは1リージョンのみとInfoWorldが報じ、レート制限も「予告なく変わりうる」と公式が明記しているので、まず小さく試すところからです。

分解の粒度、選択肢の切り方、しきい値の置き方。この4ステップは読んで理解するまでは簡単で、難しいのは自分の業務で一度通し切るところです。どこまでをコードで書き、どこからをAIに聞くのかは、誰かに壁打ちしながら一度組んでみないと感覚が掴めません。

まとめ — 文章を書かせる仕事と、決めさせる仕事を分ける

Jevは、LLMの置き換えではなく分担の提案です。精度はフロンティアモデルに数ポイント届かない一方、1件あたり$0.0004・0.4秒という数字は、これまで「AIを挟むほどではない」と諦めていた粒度の処理を現実的にします。

そしてJevを触れない今日からできることがあります。自分の業務で「AIに決めさせている作業」を1つ選び、1発のプロンプトから、分解した質問とコードの組み合わせに書き換えてみることです。最初の1つを組み替えたかどうかで、次に何を学べばいいかの解像度が変わります。手を動かす順番は、Claude Codeで業務アプリを作る手順や仕様駆動開発（SDD）入門も合わせて読んでみてください。