Jevの既知の弱点とは|jev-1.13の9つの苦手と回避策、日本語の精度、データの扱い
TypeSafe AIが公開するjev-1.13の9つの弱点(文字どおりの読み取り、計算、日付、間接参照、敵対的入力など)と公式の回避策、日本語の注意点、学習不使用とZDRの方針をまとめます。

Jev(ジェヴ)は文章を生成しないモデルですが、自分の業務のどこに当てはまるのかは、どう探せばよいのでしょうか。
結論から言うと、公式の「Example use cases」ページは、5つの大分類、10 の仕事の種類、19 の業界別の例という3層の地図になっており、自分の仕事を「仕事の種類」の1行に言い換えられるかどうかで向き不向きが決まります。
実務では、業界の例から近い行を見つけ、そこに書かれた判断を自分の書類と行動に置き換える読み方になります。
Example use cases のページは、業界ごとに TypeSafe AI の使いどころを発想するための地図として用意されています。
一番近い業界を開き、例に挙がった判断を眺め、自分のワークフローの書類と行動に合わせて読み替える、という使い方が案内されています。
最上位には次の5つの分類が置かれています。
公式ページ末尾の表は、判断の「形」を 10 種類に分け、どんなときに手を伸ばすかと例を添えています。
| 仕事の種類 | 使うとき | 身近な例 |
|---|---|---|
| Classification(分類) | 決まった区分の中から1つが勝つ | 問い合わせの担当部署、リスクの種類 |
| Detection(検出) | ある性質が存在する確率が欲しい | 迷惑メール、緊急度、個人情報の混入 |
| Scoring(採点) | 答えが順序のある物差しに乗る | 深刻度、品質、怒りの度合い |
| Routing(振り分け) | 区分が次のコードの経路を決める | 担当キュー、モデルの選択、人への引き継ぎ |
| Search(検索) | 自然文の問いに合う項目を探す | 文書の発見、候補の生成 |
| Retrieval(取得) | 最も関係する文脈や記録が要る | RAG(検索で補った生成)の文脈、証拠の取り出し |
| Ranking(順位付け) | 意味的な関連や品質で並べる | 検索結果、推薦、候補者の優先順位 |
| Verification(検証) | 成果物を特定の失敗の型で点検する | 引用の裏付け、方針違反、ツール呼び出しの誤り |
| ML Feature Extraction(特徴量抽出) | 下流の機械学習モデルが意味の信号を要する | 購買意欲、競合の圧力、離脱の兆し |
| Structured Data Extraction(構造化抽出) | 決まった項目を非構造の入力から取り出す | 候補者の属性、注文の項目、文書ラベル |
業界別の例は 19 項目あり、それぞれに Jev へ何を聞くかが箇条書きで示されています。
| 業界・領域 | Jev に聞くこと | 仕事の種類 |
|---|---|---|
| 検索と取得 | 問いと候補の関連度、対比較での並べ替え | 検索、順位付け、取得 |
| 科学研究 | 論文の採否基準、引用の裏付け、方法論の欠落 | 分類、検証 |
| モデル振り分け | 意図と分野、難しさとリスク | 分類、採点、振り分け |
| LLM ガードレール | 脱獄、方針違反、機微データ、ツール呼び出しの誤り | 検出、検証 |
| 意味的コードリント | チームの規約や文章指針への違反 | 検証 |
| 予測モデルの特徴量 | 自然文から確率的な特徴を取り出す | 特徴量抽出 |
| 採用 | 職務基準への該当、能力の証拠、担当者への振り分け | 採点、分類、振り分け |
| リード獲得 | 理想顧客像との一致、成熟度、購買意欲 | 採点、検出、振り分け |
| カスタマーサポート | 問題と製品領域、緊急度と怒り、返金要求、回答の方針適合 | 分類、検出、振り分け、検証 |
| 保険金請求 | 書類の分類、複雑さと不足情報、不正の兆候 | 分類、検出、採点 |
| 金融犯罪 | 取引記述の不審さ、表記ゆれのある主体の突合 | 検出、採点、振り分け |
| 法務・コンプライアンス | 契約や規制文書の分類、条項の欠落、要件への適合 | 分類、検出、検証 |
| EC マーケットプレイス | 商品情報の正規化と属性抽出、禁制品や偽物の兆候 | 分類、構造化抽出、検出、順位付け |
| モデレーション・信頼と安全 | 自社基準に照らした投稿の可否、有害性やスパムの検出 | 検出、採点、振り分け |
| 広告 | ブランド安全性、規制適合、広告と着地ページの整合 | 分類、検証、採点 |
| ゲーム | チャットの不正や有害性、怒りや没入の採点、離脱兆候 | 検出、採点、振り分け |
| リスク評価 | 報告書を確率的なリスク指標に変換、深刻度 | 分類、検出、採点、特徴量抽出 |
| 需要予測 | 問い合わせや営業メモから購買意欲や供給懸念を抽出 | 特徴量抽出、検出 |
| グラフ・知識グラフ | 関係と主体の種類、記録間の矛盾 | 分類、検出、検証 |
近い行が見つかったら、「何を読むか」と「答えを受けて何をするか」を自分の業務の言葉に直します。
たとえば保険の行は、書類を分類し、不足を検出し、優先度を採点し、迷ったら人へ回す、という4つの動きでできています。
不動産の入居審査でも、対象を申込書と添付書類に、行動を承認・追加資料の依頼・担当者確認に置き換えれば、同じ形に収まると考えられます。
士業・バックオフィス: 契約書に必須条項が欠けていないかを検証の形で聞き、リスクが高いか迷った案件だけ専門家に上げる流れが法務の行に対応します。
EC・小売: 出品者ごとにばらつく商品名や説明から属性を構造化抽出し、禁制品の兆候を検出して、迷った出品だけ人が確認する形が EC の行そのものです。
営業・マーケティング: 問い合わせフォームの文面から購買意欲を採点し、理想顧客像(自社が最も価値を出せる顧客の条件)との一致で振り分ける使い方がリード獲得の行にあります。
AI 開発・情報システム: 自社の LLM の出力に脱獄や方針違反がないかを毎回検査するガードレールの行は、生成そのものを Jev に任せない前提で成り立っています。
| 向いている | 向いていない |
|---|---|
| 判断を「分類・検出・採点・振り分け・検証」のどれかに言い換えられる | 自由な文章の生成や要約そのものが成果物 |
| 大量の文書や記録を同じ基準で繰り返し処理する | 1回きりで人が読んだほうが早い |
| 他の AI の出力を安価に点検したい | 点検の基準そのものが言葉にできていない |
公式の地図は、5つの大分類、10 の仕事の種類、19 の業界例の3層でできており、業界の例はすべて仕事の種類の組み合わせに分解できます。
核心は、自分の仕事を表の1行に言い換えられなければ Jev は道具として向いていない、という判定基準にあります。
次の一手は、あなたが AI に任せたい作業を1つ選び、「何を読んで、どの行の形で答え、その答えで何をするか」を1文で書いてみることです。