Jevとは？非エンジニア向けにやさしく解説｜文章を書かず判断だけ返すAI

図1：Jevと生成AIの役割の違い（イメージ）

Jevとは、TypeSafe AIが公開した、文章を書かず、判断だけを素早く返すAIモデルです。最近よく見かけるものの、ChatGPTのような生成AIと何が違うのか、自社の業務に関係するのかが、つかめない非エンジニアの方も多いはずです。この記事では、そうした方に向けて、Jevの正体、生成AIとの違い、使える場面、注意点、試し方を整理します。

Jevとは？

Jevとは、AIスタートアップのTypeSafe AIが公開した、文章を生成せずに判断だけを返すAIモデルです。2026年9月に公式ブログで発表され、同月21日に順番待ちが終了しました。

Jevは、TypeSafe AIが「System One モデル」と呼ぶ新しい分類の第1号です。公式ブログによると、System Oneという名前は、心理学者ダニエル・カーネマンの著書『ファスト＆スロー』にある「速く直感的な思考（System 1）」に由来します。

Jevという名前は、経済学者ウィリアム・スタンレー・ジェヴォンズにちなんでいます。「知能が安くなるほど需要が増える」という見通しが込められているとされています。

公式ドキュメントによると、モデル名は「Jev 1.13」（モデルID：jev-1.13.0）で、2026年10月時点の最新版です（Jev公式ドキュメント「Models」）。この記事の内容は、2026年10月時点の公式情報に基づきます。

Jevは生成AIと何が違う？

図2：Jevと生成AIの違い（本文の比較表をもとに作成）

Jevと生成AIの最大の違いは、出力が「文章」か「あらかじめ決めた形式の判断」かという点です。ChatGPTなどの生成AIは自由な文章を返しますが、Jevは選択肢・確率・確信度といった決まった形の値だけを返します。

整理すると、次のようになります。

ここでいう「型付き」とは、返せる答えの種類が事前に決まっていることです。たとえば「承認／保留／却下」の3択を用意すれば、Jevはその3つのどれかしか返しません。

つまり、Jevは生成AIを置き換えるものではなく、文章を書くAIと、判断を素早く返すAIで役割を分けるための選択肢と考えられます。

Jevの仕組みは？

図3：Jevの仕組みと質問の3種類（出典：Jev公式ドキュメント「Introduction」をもとに作成）

Jevの仕組みは、「状態」と「質問」を渡すと、質問ごとの「判断」が返ってくるというものです。質問には、Choice（選択）・Score（採点）・Noul（真偽判定）の3種類があります（Jev公式ドキュメント「Introduction」）。

流れは次の3ステップです。

1. 状態を渡す：判断の材料になる文章やデータを入力します（例：問い合わせ文、申請内容）
2. 質問を渡す：答えの形を決めた質問を付けます
3. 判断を受け取る：選んだ結果と、その確率・確信度が返ってきます

質問の3種類は、次のとおりです。

質問の種類は、2026年10月時点の公式ドキュメントでは、この3種類です。どれを使うかは、「何を知りたいか」で決めます（Jev公式ドキュメント「Primitives」）。

Choiceでは、どの選択肢にも当てはまらない入力に備えて、「その他」のような選択肢を加えることが勧められています。Noulの値は「yesである確率」で、0.5は迷っている状態を表します。

3つの質問は1回のAPI呼び出し（プログラム同士の通信）でまとめて投げられ、それぞれ独立して評価されます。

この仕組みの利点は、返ってくる値の形が決まっているため、システム側で文章を解析する手間が減る点です。

実例は、「Noul・Choice・Scoreは実際にどう動く？」の節で、詳しく説明しています。

確信度（confidence）とは？

図4：確信度に応じた処理の分け方（出典：Jev公式ドキュメント「Confidence」をもとに作成）

確信度（confidence）とは、Jevの答えがどれだけ1つの選択肢に集中しているかを0〜1で表した数値です。「正解である確率」ではありません（Jev公式ドキュメント「Confidence」）。

公式ドキュメントでは、1つの選択肢に確率が集まっていれば1、複数にばらけているほど0に近づくと説明されています。

ここで注意したいのは、確信度が高くても答えが正しいとは限らない点です。確信度は「迷いの少なさ」を示す目安であり、正解率の保証ではありません。

なお、公式ブログは、Jevの確信度が「調整されている（確信度が高いほど正解率も高い）」と主張しています。ただし、これは公式の主張です。確信度が高いからといって、個々の答えが正しいと保証されるわけではありません。

公式ドキュメントが示す使い方は、確信度に応じて処理を分ける考え方です。

• 高い場合：システムが自動で処理を進める
• 中程度の場合：利用者に確認する、または確認用の印（フラグ）を付ける
• 低い場合：人に回す、追加の情報を求める、別の仕組みに切り替える

境目の数値は固定されておらず、扱う業務のリスクに応じて決めるとされています。この境目の数値を「しきい値」と呼びます。

公式ドキュメントの例（残高確認や送金承認を扱うシステム）では、次のように分けています。

これらの数値は目安です。公式ドキュメントも、まずは慎重な値から始め、自社のデータで試しながら調整するよう勧めています。

Jevは何に使える？

Jevは、大量の入力を素早く分類・採点・判定し、その結果を次の処理に渡す場面に向いています。公式ドキュメントでは、Jevを組み込む設計パターンとして4つが紹介されています（Jev公式ドキュメント「Patterns」）。

以下の例のうち、最初の2つは、公式の設計パターンから考えられる使い方の例で、導入事例ではありません。

• 問い合わせの振り分け：問い合わせ文の内容を見て、担当部署の選択肢から選ぶ（意図の振り分け）
• 自動処理と人の確認の切り分け：確信度が低い案件だけ担当者に回す（確信度による振り分け）
• 候補者の多面的な評価：公式ドキュメントの例では、エンジニア職の履歴書を4つの観点に分けて別々に採点しています。観点は、Pythonの経験の深さ、チームを率いた経験、システム設計の経験、専門外の領域を素早く身につける力です。役職ごとの重みづけを掛けて合算します（複合採点、Jev公式ドキュメント「Composite scoring」）

どの例も、Jevは「判断を返す部品」です。判断結果の使い方や重みづけは、利用側のプログラムで決める設計になっています。

非エンジニアの方が自社で使う場合は、API連携を担当するエンジニアや開発パートナーとの協力が前提になります。APIとは何かを確認したい方は、初心者でもわかる！APIとは何かを図解で簡単解説で解説しています。

問い合わせ95件を仕分けるとどうなる？

OpenRouterが公開しているデモ「Jev Lab」の「Support message triage（問い合わせの仕分け）」を、筆者が2026年10月9日に実行しました（OpenRouter「Jev Lab」Support message triage）。OpenRouterが用意した英語の問い合わせ文95件に、Jevが5つの質問に答えます。質問は、解約したいか、返金を求めているか、怒っているか、不具合の報告か、人が対応する必要があるか、です。画面には、それぞれ「yesである確率」が%で表示されます。

Jevは、475件（95件×5問）すべての回答を、5回のリクエストで返しました。処理時間は1.4秒で、画面の料金表示は0.00138ドルでした。

Jev Labの実行結果（英語表示）（出典: OpenRouter。2026年10月9日に筆者が実行・撮影）

表のメッセージには、次のような確率が出ていました。

• 「Please cancel my subscription effective immediately.（今すぐ解約してください）」：解約98%、人が必要93%
• 「Honestly Notion does this better and cheaper, why am I paying you?（正直、Notionのほうが良くて安いのに、なぜ払っているのか）」：怒り94%
• 「This is the third outage this month.（今月3度目の障害です）」で始まる文：怒り98%、バグ97%、人が必要94%

画面の集計では、「人が必要」と判定されたのは、55件でした。

このデモは、チャット型AI（Chat model）と同じ仕事を競わせて、速さと料金を並べる作りです。今回はChat modelの回答の大半が失敗しました（475件のうち427件）。失敗の理由は画面に表示されなかったため、速度・料金・正確さの比較は参考程度にとどめてください。

「速い・安い」は本当？

公式ブログは、Jevの応答時間を70〜500ミリ秒、入力料金を100万トークン（AIが処理する文章の最小単位）あたり0.042ドル、出力は無料と掲げています（Jev公式ブログ「Introducing System One Models & Jev」）。ただし、これらはTypeSafe AI自身による評価です。第三者による検証結果は、今回の調査では確認できませんでした。

公式サイトのトップページには「193.6倍速く、444.6倍安い」という表現もあります。これは特定の業務フローを想定した、公式のマーケティング上の主張です。公式ブログ自身も、この数字は実際の利用で得られる効果としては上限寄りだと見込んでいます。

公式ブログは、自社評価に次のようなバイアスがあることを自ら認めています。

つまり、速度と価格の数字は「方向性を示す参考値」です。自社の業務で試して確かめてから検討するのが安全です。

また、公式サイトには「Zero Hallucinations（ハルシネーションゼロ）」という見出しがあります。ハルシネーションとは、AIがもっともらしい誤りを出すことです。

公式ブログは、Jevは文章の生成をやめて決まった形の出力に特化しているため、ハルシネーションを起こさないと主張しています。また、ハルシネーション率0%という数字は実測値ではなく、出力が決めた形式に必ず一致する仕組みのため0%と数えている、と自ら説明しています。

ここでいうハルシネーションは、決めた形式から外れた出力を指します。これは記事側の補足ですが、Jevの答えの内容が正しいことを保証するものではありません。確信度が正解率でないことは、前述のとおりです。

Jevの苦手なことは？

Jevは、文章生成、計算、日付の扱い、多段階の推論が苦手です。公式ドキュメントの「Jev 1.13」のページには、得意・不得意が次のように整理されています（Jev公式ドキュメント「Jev 1.13 jaggedness」）。

この一覧から、計算や日付の判定はプログラム側で処理し、Jevには「意味の判断」だけを任せる分担が現実的だと考えられます。

Noul・Choice・Scoreは実際にどう動く？

結論から言うと、Noulは数字が1つ、Choiceは全選択肢の確率と確信度、Scoreは段階つきの点数が返ってきます。文章は返ってきません。

ここまでは、公式の情報を中心に説明してきました。ここからは、筆者が実際にJevを動かした結果を紹介します。TypeSafe公式のブラウザ画面「Playground」で、Noul・Choice・Scoreの3種類を試しました。使ったのは、公式が用意した練習レッスンです。題材は、ホットドッグやサルの写真など、英語圏の話題です。実行は2026年10月13日です。

Playgroundはどんな画面か

Playgroundは、ブラウザ上でJevを試せる、TypeSafeの画面です。氏名やメールアドレスなどを登録して利用規約に同意し、マイページに入るとPlaygroundが使用できます。公式ドキュメントは、Playgroundを「コードを書かずに」使えると説明しています。StateとQuestionsの欄は、JSON形式（項目名と値を組にして並べる書き方）で表示されます。質問を作るときは、最初に表示される種類のボタン（Noul・Score・Choice）を押すとJSONの骨組みが自動で入り、仮の文章が入るので、自分の言葉に書き換えて使います。

画面は、大きく3つの部分に分かれています。

TypeSafe公式Playgroundの画面（英語表示）。左上がState、左下がQuestions、右がResponse（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

Playgroundには、「ウォークスルーレッスン」というNoul、Choice、Scoreの練習が用意されています。どのレッスンも、案内に沿って進めると、実際にJevが動きます。

Noul：「ホットドッグはサンドイッチですか？」

Noulは、「ある内容にyesと答える確率」を0〜1の数字で返す質問です。画面では、0〜1が%に置き換わって表示されます（0.82なら82%）。

レッスンでは、QuestionsとStateに、次のように書きます。

Questions（左下）に書くもの

• type（質問の種類）：noul。「yesと答える確率」を聞く種類です。種類を決めるまで、実行ボタンは押せません
• instructions（質問文）：「foodはサンドイッチですか？」。foodは、Stateの食べ物の名前に置き換わる、穴埋めの印です
• criteria（判定基準）：「真」と「偽」が何を意味するかを書きます。Noulでは省略しても実行できますが、省略するとJevは迷いやすくなります。ChoiceとScoreでは必須です
• true（「真」の基準）：肉やチーズなどの具材が、パンなどの土台の間に挟まれている食べ物
• false（「偽」の基準）：パンが1枚だけの食べ物、またはクッキーなど、パン以外で包む食べ物

State（左上）に書くもの

• food：食べ物の名前。Questionsの中のfoodが、この名前に置き換わります
• definition：その食べ物の説明文

Stateの食べ物（ホットドッグ）と説明、質問、「真」「偽」の基準が並んだ画面（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

質問と基準は変えずに、Stateの食べ物だけを入れ替えて実行しました。

ホットドッグの結果。サンドイッチだと答える確率が82%（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

ブリトーの結果。確率は11%（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

オレオの結果。確率は17%（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

バーガーの結果。確率は95%（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

基準どおり、パンに具材が挟まれた食べ物は高く、クッキーやトルティーヤで包んだ食べ物は低く出ました。ただし、どれも0%や100%ではありません。Jevの答えは、白黒の断定ではなく、確率として返ってきます。

処理時間の「ms」は、ミリ秒（1000分の1秒）です。90msは0.09秒にあたります。1回あたり0.1秒前後でした。この処理時間は、1回ずつの実行結果で、一般的な速さを示すものではありません。

また、Noulの結果は数字が1つだけで、確信度は出ませんでした。前述のとおり、Noulは確信度を返さない質問です。

Choice：「空の色は何色ですか？」

Choiceは、あらかじめ用意した選択肢から選ばせる質問です。

レッスンは、段階を踏んで進みます。最初は、質問だけで実行します（Stateは仮の文のままで、空の状況は入れません）。続いて、選択肢の説明やStateを足して、答えがどう変わるかを見ます。最初の実行の設定は、次のとおりです。

Questions（左下）に書くもの

• type（質問の種類）：choice。選択肢から選ばせる種類です
• instructions（質問文）：「What color is the sky?（空は何色ですか？）」
• criteria（選択肢）：7つの色の名前（indigo、electric blue、baby blue、gray、lavender、salmon、seafoam green）。Noulのtrue・falseと違い、選択肢の名前を並べます。最初は、名前だけで、説明は空です

State（左上）に書くもの

• 最初の実行では、空の状況を入れません（仮の文のままです）。あとの比較では、conditionに空の状況を書きます

最初の実行の結果は、次のとおりです。

確信度は78%です。7つの選択肢すべてに確率が付き、確信度も別の数字として表示されます。確率が81%でも、確信度は78%で、同じ数字ではありません。確信度は、前述のとおり、答えがどれだけ1つに集中しているかを示す数字です。公式ドキュメントによると、Choiceの確信度は、1位の確率が、全選択肢が同じ確率だった場合（7つなら約14%）より、どれだけ高いかで決まります。1位が81%なら、確信度は約78%になります。選択肢の数に左右されるため、確率そのものとは一致しません。

Choiceの質問（7つの選択肢）と、その結果。baby blueが81%で、確信度は78%（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

続いて、次の2つを追加し、答えがどう動くかを見ました。なお、次の表の「状況なし」の行は、最初の実行とは別の実行です。同じ条件でも、実行のたびに、数字が少し揺れました。

• 選択肢に、色の説明（「非常に暗い、万年筆のインクのような濃い青」など）を追加
• Stateに、空の状況を追加

選択肢の説明なし（確信度76%）と、説明つき（確信度47%）の比較（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

Stateを「竜巻が近づいている」にした結果（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

Stateを「息を呑むほど美しい夕日」にした結果（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

分かったことは3つです。

• Stateを変えると、同じ質問でも答えが変化。空の状況なしは水色、竜巻は青緑、夕日はサーモンピンクに偏る結果
• 確信度は、答えがはっきりしているときに高い値。夕日は90〜98%、竜巻は28〜53%
• 選択肢に説明を付けても、確信度は必ずしも上がらない結果。状況がないときは、2つの青が同じくらい当てはまるようになり、確信度が76%から47%に低下。レッスンの案内にも、選択肢を詳しくすると票が割れて確信度が下がるという趣旨の説明あり

確信度は「正解である確率」ではなく、「答えがどれだけ1つに集中しているか」の数字です。確信度が低い例（28〜53%）と高い例（90〜98%）を並べると、集中度の違いが分かります。

Score：「サルは芸術作品を作れるのか？」

Scoreは、採点基準（段階）に沿って、「どのくらいか」を数字で答える質問です。このレッスンの題材は、画面の説明によると、実際の著作権をめぐる争いに基づいています。

最初は、Noulの質問を4つ並べます。サルと人間（写真家）のそれぞれについて、「その写真を生む行動をしたか」と「その写真を可能にしたか」を聞きます。設定は、次のとおりです。

Questions（左下）に書くもの

4つとも、質問の種類（type）はnoulです。

• take_action_subj：サルは、その写真を生む行動をしたか
• take_action_human：人間は、その写真を生む行動をしたか
• enabled_by_subj：サルの行動は、その写真を可能にしたか
• enabled_by_human：人間の行動は、その写真を可能にしたか

State（左上）に書くもの

• scenario：サルが写真家のカメラのシャッターを押して、自撮りのような写真ができた、という英文
• subject：サル（Naruto）
• human：人間（写真家のSlater）
• creative_work：その写真（the grinning self-portrait）

結果は、次のとおりです。

ScoreレッスンのState、4つのNoulの質問、その結果（92%・20%・96%・88%）（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

4つの数字が出ましたが、「どちらがどれくらい貢献したか」は、数字を読み合わせないと分かりません。

そこで、4つのNoulの質問を、貢献の大きさを直接聞く2つのScoreの質問に置き換えます。設定は、次のとおりです。

Questions（左下）に書くもの

• 質問の名前：subject_contribution（サルの貢献）と、human_contribution（人間の貢献）
• type（質問の種類）：score。「どのくらいか」を段階で聞く種類です
• instructions（質問文）：「How much did subject contribute to creative_work?（subjectは、creative_workにどれだけ貢献したか）」。人間の質問では、subjectがhumanになります
• criteria（採点基準）：段階の説明を、順番に並べます。先頭が0で、次が1、と続きます。Choiceのように、名前と説明を組にするのではなく、順番に並べる点が違います
• criteriaの0番目：None（なし）
• criteriaの1番目：Minorly（わずかに）
• criteriaの2番目：Moderately（適度に）
• criteriaの3番目：Majorly（主に）
• criteriaの4番目：Completely（完全に）

State（左上）に書くものは、そのままです（scenario、subject、human、creative_work）。

結果は、次のとおりです。

Scoreレッスンの2つのScoreの質問（5段階の基準）と、その結果。サル3.5、人間1.22（0〜4）（英語表示）（出典: TypeSafe Playground。2026年10月13日に筆者が撮影）

画面には、スコアが「3.5 of 4」（4のうち3.5）のように表示され、段階ごとの確率の棒グラフと、確信度（Confidence）も並びます。処理時間は98msでした。スコアは、段階の間の値（3.5など）で返ります。画面の確率から計算すると、各段階の数字を確率で重みづけした平均に近い値でした（公式の計算方法は確認していません）。「どのくらいか」を1つの数字で比べられる点が、Noulとの違いです。この結果は、レッスンの題材に対するJevの出力で、法的な判断を示すものではありません。

3種類を動かして分かったこと

• 同じ質問でも、Stateが変わると答えが変わります。質問を書き換えずに、材料だけを替えて使い回せます。
• 確信度は、答えがはっきりしているときに高く、迷っているときに低くなりました。
• 返ってくるのは文章ではなく、選択肢・確率・数字です。システムが自動で受け取って、次の作業に使いやすい形でした。

自分の質問を動かすには？

Jevの利用には、クレジット（前払いの残高）が必要です。利用規約によると、クレジットは入力ごとに消費されます（Jev公式利用規約「Master Customer Agreement」）。無償クレジットは、TypeSafeが発行できるもので、発行する義務はありません。残高がゼロで、自動補充を設定していない場合、TypeSafeは出力の生成を断ることがあります。

筆者の画面では、残高0ドルのとき、練習レッスンは最後まで実行できました。一方、自分で作った質問は、実行できませんでした。「組織（TypeSafeのアカウント）の資金が不足しているため、資金を追加してください」という趣旨のエラーが表示されました。

購入前に、利用規約と費用を、社内で確認してください。OpenRouter経由で試す方法もありますが、APIキーが必要で、エンジニア向けの作業です。

非エンジニアがJevを試すには？

Jevを試す入口は、公式ドキュメントが挙げる4つ（Playground・API・SDK・エージェントスキル）と、OpenRouter経由の5つです。ブラウザ上で自分の質問を試せるのは「Playground」です（Jev公式ドキュメント「Quick Start」、OpenRouterドキュメント「Jev Documentation」）。公式ドキュメントは「コードを書かずに」使えると説明しています。質問は、種類のボタンを押すとJSON形式の骨組みが自動で入り、仮の文章を書き換えて作ります。詳しくは、表の後で説明します。

順番待ちは必要？

TypeSafe公式ブログは、発表時点では、順番待ちリスト（申し込んだ人から順に、使えるようにする仕組み）に登録した開発者を、順次受け入れていくとしていました。その後、公式Xアカウントは、2026年9月21日に「順番待ちなしで、誰でも使える」と投稿しています（Jev公式X（@typesafeai）の投稿）。筆者が10月13日に登録した際も、順番待ちの表示は出ず、Playgroundを使えました。

OpenRouter経由でも使える？

OpenRouterのドキュメントによると、OpenRouterのAPIキーがあれば、TypeSafeのアカウントがなくても、モデルID「typesafe/jev-1.13」を利用できます（OpenRouterドキュメント「Jev Documentation」）。ブラウザ上で動かせるデモ「Jev Lab」も用意されています。ただし、APIキーの取得や呼び出しはエンジニア向けの作業です。非エンジニアの方は、まず社内のエンジニアや開発担当に相談するのが現実的です。

自社の文章で試すにはクレジットが必要？

自社の問い合わせ文や申請文に近い文章を、Stateの欄に貼り付けて試すには、クレジット（前払いの残高）が必要です。筆者の画面では、Playgroundの練習レッスンやJev Labのサンプルは、残高0ドルでも動かせました。OpenRouter経由のAPI利用（エンジニア向け）という方法もあります。

社内の文章を入力するときの注意は？

社内の問い合わせ文や申請文には、機密情報や個人情報が含まれることがあります。外部サービスに入力する前に、社内の情報取り扱いルールを確認してください。

入力したデータはどう扱われる？

公式の文書で確認できた範囲では、次のとおりです。

• 学習への利用：入力した内容（プロンプトなど）は、モデルの学習や調整に使われません。個人向け・法人向けの区別なく、プライバシーポリシーに明記されています（Jev公式プライバシーポリシー「Privacy Policy」）
• 保存と削除：アカウント情報（氏名、メールアドレスなど）や、入力した内容（プロンプトなど）を含む個人データは、サービスの提供に必要な期間のほか、事業上・商業上の目的でも保存されるとされています。具体的な日数は、公式文書に書かれていません。削除は請求できますが、必要がなくなった時点で削除するか個人を特定できない形にする、と記載されています。利用規約では、TypeSafeにデータの保存義務はなく、バックアップに残ることもあるとされています
• 学習以外の利用：利用規約には、入力した内容やJevの出力そのものを不正利用の監視や、ログ・集計値（利用状況のデータ）の作成に期限なく使える、と書かれています。「学習に使わない」は、「何にも使わない」という意味ではありません
• 法人向け：通常は、入力した内容も保存の対象です。これに対して、法人顧客向けには、ゼロデータ保持（入力データを保存しない仕組み）が別に用意されています。範囲や利用条件は、公式ドキュメントに詳しい記載がなく、問い合わせ先（sales@typesafe.ai）に確認する必要があります（Jev公式ドキュメント「Legal」）。データ処理契約では、委託先（サブプロセッサー）の一覧の公開と、情報漏えいなどの発生時に72時間以内に通知することが定められています（Jev公式データ処理契約「Data Processing Agreement」）。日本の個人情報保護法への言及は、確認できませんでした。個人情報を扱う場合は、社内の法務や情報システム部門に確認してください
• 個人で使う場合のオプトアウト：学習に使わない前提のため、学習を断るための設定（オプトアウト）は、確認した公式文書に見当たりません。個人向けのゼロデータ保持も、確認できませんでした

日本語の文章でも使える？

日本語の精度については、公式ドキュメントに記載があります。Jevは英語が主な学習言語で、日本語を含むCJK言語（中国語・日本語・韓国語）も扱えますが、英語ほどの精度は保証されていません。日本語の業務文書で使う場合は、自社のデータで精度を確かめ、確信度の扱いにも注意してください。

まとめ

Jevとは、TypeSafe AIが公開した、文章を書かずに選択肢・確率・確信度で判断だけを返すAIモデルです。

• Jevの正体：TypeSafe AIが2026年9月に発表した「System One モデル」の第1号で、2026年9月21日から順番待ちなしで誰でも使えます
• 生成AIとの違い：自由な文章ではなく、型付きの判断を返します。生成AIの代替ではなく、役割分担の相手と考えられます
• 仕組みと確信度：Choice・Score・Noulの3種類の質問があり、知りたいこと（どれか・どのくらいか・本当か）で使い分けます。確信度は「正解である確率」ではありません
• 使える場面：問い合わせの振り分けや、確信度による人への切り替えなど、判断を次の処理へ渡す業務です
• 速度・価格：公式の自己評価であり、広く再現できる第三者検証は確認できていません。自社の業務で検証してから判断する必要があります
• Playgroundで動かした結果：Noul・Choice・Scoreの3種類を試すと、State（材料）を変えれば答えが変わり、確信度は答えがはっきりしているときに高くなりました。自分で作った質問は、資金不足のエラーで実行できませんでした
• Jev Labで動かした結果：95件の問い合わせを仕分けると、475件の回答が約1.4秒で返りました。ただしChat modelとの比較は失敗が多く、優劣は判断できません
• 限界と始め方：計算・日付・文章生成は苦手です。TypeSafeのPlaygroundは、順番待ちなしで使えます。OpenRouter経由のAPI利用（APIキーが必要で、エンジニア向け）という方法もあります。まず社内のエンジニアに相談し、試す際は社内の情報取り扱いルールを確認します

自社に関係するかどうかは、現時点では「すぐ導入する」よりも「動向を押さえつつ、小さく試して確かめる」段階だと考えられます。まずは社内のエンジニアや開発担当に、利用方法と利用条件を確認してもらうところから始めてみてください。そのうえで、「分類や判定を大量に繰り返している作業」を1つ選んでください。まずは、Playgroundの練習レッスンやJev Labで動きを確かめるところから始められます。自社の文章で試すには、クレジット（前払いの残高）が必要です。

---

出典一覧

1. 「Jev公式ドキュメント「Models」」
2. 「Jev公式ドキュメント「Introduction」」
3. 「Jev公式ドキュメント「Primitives」」
4. 「Jev公式ドキュメント「Confidence」」
5. 「Jev公式ドキュメント「Patterns」」
6. 「Jev公式ドキュメント「Composite scoring」」
7. 「OpenRouter「Jev Lab」Support message triage」
8. 「Jev公式ブログ「Introducing System One Models & Jev」」（2026-09）
9. 「Jev公式X（@typesafeai）の投稿」（2026-09-21）
10. 「Jev公式ドキュメント「Jev 1.13 jaggedness」」
11. 「Jev公式利用規約「Master Customer Agreement」」
12. 「Jev公式プライバシーポリシー「Privacy Policy」」
13. 「Jev公式ドキュメント「Legal」」
14. 「Jev公式データ処理契約「Data Processing Agreement」」
15. 「Jev公式ドキュメント「Quick Start」」
16. 「OpenRouterドキュメント「Jev Documentation」」