Jevとは？「判断するAI」の仕組みと、仕事での4つの活用例
TL;DR（先に要点だけ）
Jevは、文章の意味を踏まえて「選ぶ・採点する・判定する」AI。 結果をシステムが扱える形で返します。
複数の質問をまとめて処理できるのが特徴。 小さな判断を繰り返す業務への組み込みを想定しています。
問い合わせの振り分け、申請の一次確認、アンケートの分類、使うAIの選択などへの活用が考えられます。
判断を間違える可能性はあります。 実際のデータで精度を確かめ、不確かな結果を人へ回す仕組みと組み合わせます。
メールを読んで、担当部署へ回す。
申請書を読んで、確認が必要なものを分ける。
大量のアンケートを読んで、意見を分類する。
本文
仕事には、こうした小さな判断がたくさんあります。一件ならすぐ終わっても、毎日何百件と続けば、それなりの時間を使います。
この部分を自動化するためのAIとして登場したのが、TypeSafe AIの「Jev」です。2026年9月15日に早期アクセスが発表されました。公式発表
Jevは、文章の意味を踏まえて、選択・採点・判定の結果を返すAIです。返ってきた結果を、そのままシステムの処理に利用できるように設計されています。公式ドキュメント
たとえば、問い合わせを読んで「請求」「配送」「返品」「その他」のどれに当たるかを選ばせる。その結果に応じて、システムが担当部署へ振り分ける。こうした使い方が基本になります。
Jevに渡すのは、判断材料となる情報と、判断してほしい質問です。主な質問の形式は、次の3つです。
Choice：選択肢から選ぶ。 問い合わせの担当部署や、商品のカテゴリーなどを判定する。
Score：決めた基準で採点する。 不具合の深刻さなどを、あらかじめ定義した段階に沿って評価する。
Noul：ある条件に当てはまる確率を返す。 「この問い合わせは返金を求めているか」といった問いに、0〜1の数値で答える。
Noulの0.5は、YesとNoの確率が同程度という意味です。「返金を求める気持ちが中くらい」という強さの評価ではありません。何を選びたいのか、程度を測りたいのか、条件に当てはまるかを知りたいのかで使い分けます。質問形式の公式解説
分類そのものは、一般的なLLMでもできます。Jevの特徴は、出力する形をあらかじめ定め、複数の質問を並列に評価する設計にあります。問い合わせの種類、緊急性、顧客の不満の程度などを、一度の呼び出しで別々に判定できます。公式ドキュメント
開発元は、応答時間を70〜500ミリ秒、料金を入力100万トークンあたり0.042ドル、出力分は無料と公表しています。ただし、速度の評価は主に米国西海岸で行われており、通信環境や入力内容によって変わります。日本から使った場合も、同じ速度になると決まっているわけではありません。速度・料金の公表内容
公開されている機能を仕事に当てはめると、たとえば次のような使い方が考えられます。
問い合わせを、適切な担当者へ振り分ける。
「請求額がおかしい」「商品が届かない」「交換したい」といった問い合わせを分類し、担当部署へ回します。単語だけでは分けにくい内容を、文章の意味を踏まえて判定させる使い方です。
たとえば「返品したのに返金されていない」は、返品と請求の両方に関係します。JevのChoiceは各選択肢の確率も返すため、一つの部署に絞りにくい問い合わせを、確認対象として扱う仕組みを作れます。Choiceの公式解説
社内申請で、確認が必要なものを見つける。
備品購入やシステム利用の申請では、「利用目的が具体的に書かれているか」「例外対応を求めているか」など、文章を読まないと分からない確認があります。
こうした項目を個別に判定し、説明が不足していそうな申請を担当者の確認に回す、という応用が考えられます。これは公開機能から考えた活用案です。
金額の上限や承認者の権限など、条件が明確な部分は通常のプログラムで処理する。そのうえで、文章の意味を読む部分にJevを組み込む設計です。Jevの判定を、申請の最終承認と同じものとして扱う必要はありません。
アンケートやレビューを、集計できる形にする。
「値段は高いけど使いやすい」「機能は十分だが設定が難しい」。自由記述には、一つの文章に複数の評価が混ざっています。
そこで、「価格への不満があるか」「操作性を評価しているか」「設定で困っているか」を別々に判定します。結果を集計すれば、どこに不満が集まっているのかを把握する材料になります。
TypeSafeも、自由記述の回答にテーマ別のラベルを付ける用途を挙げています。自社の商品やサービスに合わせて、分類基準を用意するのが使い方のポイントです。公式の利用例
問い合わせの内容に応じて、使うAIや処理を選ぶ。
たとえば、注文状況の確認ならデータベースを調べる。商品の使い方なら、商品情報を持つAIに回答させる。複雑な苦情なら、人が対応する。
Jevで依頼の種類や複雑さを判定し、その結果を使って処理先を切り替える構成です。難しい依頼だけ高性能なモデルへ回すなど、AIを呼び出す範囲を調整できます。
実際にどれだけ費用や時間が減るかは、問い合わせの構成やシステムの作り方によります。処理の振り分けに関する公式解説
ここで押さえておきたいのが、決められた形式で答えられることと、判断が正しいことは別だという点です。
「請求」「配送」「返品」という選択肢を守っていても、担当部署の判定を間違えることはあります。出力形式が整っているだけで、業務をすべて任せられるわけではありません。
ChoiceやScoreに付く「confidence」も、選択肢ごとの確率の分布をまとめた指標です。「0.9なら実際の正答率が90％」と、そのまま読み替えるものではありません。
自信が低い場合は人へ回す、追加情報を求めるなど、結果に応じた処理を用意する必要があります。どこまで自動化できるかは、自分たちのデータで確かめて決めます。confidenceの公式解説
また、質問の作り方も大切です。
「この申請をいい感じに判断して」では、何を基準にしているのかが曖昧です。「利用目的は書かれているか」「例外対応を求めているか」と小さく分ければ、結果を業務のルールにつなげやすくなります。公式資料でも、一つの質問で一つの判断を求め、結果をコードで組み合わせる設計が勧められています。質問設計の公式解説
試す場合は、早期アクセスの案内を確認し、利用権限を得てから公式のPlaygroundで文章と質問を入力できます。システムへの組み込みにはAPIやPython SDKが用意されています。利用開始の手順
最初の題材には、すでに担当者の判断が分かっている問い合わせや申請が使いやすいでしょう。Jevの結果と見比べれば、どの種類は任せられそうか、どこで人の確認が必要かが見えてきます。
職場に「人が読んで、種類を決めて、誰かに回す」作業が繰り返し発生しているなら、その一部分がJevを試す候補になりそうです。
※2026年9月18日時点の公式公開情報に基づきます。
