Jevとは｜System One モデルの概要

Jev（ジェヴ）は「文章を書かない AI」だと聞いて、それで何ができるのかと戸惑う人は多いはずです。
結論から言うと、Jev は文章の代わりに「はい／いいえ」「どれか」「何段階目か」という判断を確率つきで返す、TypeSafe AI の System One モデルです。
業務の自動化では、この判断を if 文の条件にそのまま差し込む部品として使います。

Jevとは｜TypeSafe AI の最初の System One モデル

Jev は TypeSafe AI の旗艦モデルで、公式ブログ Introducing System One Models & Jev によると、2026年9月15日に早期アクセスとして発表されました。
System One モデルとは、ソフトウェアがそのまま使える「速くて構造化された判断」を返すために作られたモデルの分類だと説明されています。
公式ドキュメントの Introduction の言い方を借りると、Jev は state（状態）と型のある質問を受け取り、型のある答えと確率を返します。

System One という名前の由来

名前は Daniel Kahneman の著書『ファスト＆スロー』に出てくる「システム1」と「システム2」から取られています。
システム1は速くて直感的な思考、システム2は遅くて熟慮する思考を指し、Jev は前者の「速く焦点の絞られた判断」を担う位置づけです。

LLM と何が違うのか

公式ブログの比較表を要約すると、違いは「何を出力するか」と「どう学習したか」に集約されます。

項目	既存の LLM	System One モデル（Jev）
出力	生成された文章。使うにはパース（構文解析）と検証が必要	事前に定義した型つきの値と、校正された確率
学習方法	RLHF や RLVR	RLCD（校正された判断のための強化学習）
生成のしかた	1トークンずつ逐次	すべての答えを一度に並列
理由の説明	書く	書かない

入力は現時点でテキストのみで、文字列、JSON オブジェクト、テキストの配列を評価し、画像や音声、動画は「まだ」未対応という説明です。

使い方｜3つの質問の型から入る

Jev への入り口は、聞きたいことを3つの型のどれかで書くことです。
公式ドキュメントではこれらを「AI プリミティブ」と呼び、1回の呼び出しに混ぜて送れ、各質問は同じ state に対して並列かつ独立に評価されるとされています。

型	聞くこと	返る値
Noul（ヌール）	この文は真か	`noul`（0-1）
Choice	選択肢のどれか	`choice`、`probabilities`、`confidence`
Score	段階の何番目か	`score`、`probabilities`、`confidence`

1. Noul で「はい／いいえ」を聞く

「このメッセージは返金を求めているか」のように、答えが yes か no に収まる質問に使います。
返るのは noul という 0 から 1 の数値ひとつで、「はい」である確率を表すという説明です。
System One のページの例では、返金依頼の問いに noul: 0.95 のような値が示されています。

2. Choice で選択肢から1つ選ぶ

「このチケットはどのチームが担当すべきか」を billing、technical、account から選ばせる、といった使い方です。
答えには選ばれた choice のほか、全選択肢にわたる確率分布と、その分布がどれだけ尖っているかを要約した confidence（信頼度）が付きます。
選択肢の数は最大 255 までサポートすると公式ブログに書かれています。

3. Score で段階を採点する

「この顧客はどれくらい苛立っているか」を、0 = 落ち着いている、1 = 苛立っている、2 = 非常に苛立っている、のような段階で測ります。
段階の定義は自分で決め、score は例の 1.4 のように段階と段階の間の値を取ることがあります。

返金依頼の例｜質問を分けてコードで束ねる

System One のページには、返金依頼を処理する流れが3ステップで示されています。

顧客のメッセージ、関係する取引、返金ポリシーを state にまとめる。
「返金を求めているか」「証拠は二重請求を示しているか」「ポリシーは返金を認めているか」を独立した質問として一度に聞く。
答えをコード側の決定的なチェックと組み合わせ、処理か人の確認かに振り分ける。

ここで大事なのは「返金すべきか」という大きな問いを1つ投げるのではなく、数秒で判断できる小さな問いに分けている点です。
答えには confidence が付くので、自動で処理する範囲と、人や推論モデルに回す範囲の線引きもコードで決められます。

公式発表の数値と呼び出し方

公式ブログと Models のページには、次の数値が示されています。

項目	公式の記載
応答時間	エンドツーエンドで 70-500 ミリ秒
料金	入力 100万トークンあたり $0.042。出力トークンは無料
速度・コスト比	自社のワークフロー評価で最大 193.6 倍高速、444.6 倍安価

速度とコストの倍率は TypeSafe 自身のワークフロー評価に基づく数値で、ブログでも実運用の効果としては高めの部類だと注記されています。

呼び出しはクライアント SDK（Python と JavaScript）か、HTTP API の POST /v1/systemone で行います。
model フィールドでモデルを選び、ドキュメントの例と SDK の既定値は jev-latest というエイリアスで、執筆時点では jev-1.13.0 を指すとされています。

活用例｜どんな業種・職種で使えるか

カスタマーサポート。問い合わせを担当チームに振り分け、緊急かどうかと苛立ちの度合いを同時に測れます。
確率が低い案件だけ人が見る運用にすれば、トリアージ（優先順位づけ）の一次判断を自動化しやすくなります。

人事・採用。「職務経歴書に分散システムの経験が書かれているか」のような事実確認を Noul で聞けます。
スキルの高さそのものは Score で段階を定義して測る方が、確率の意味がぶれません。

EC・小売。レビューに個人情報（氏名や連絡先などの PII）が含まれるかを判定し、公開前のフィルタにできます。

つまずきポイント・注意点

文章は返らない。返信文の下書きや要約が欲しい用途には向かず、その部分は LLM に任せて Jev は判断だけを担います。
校正は集団の統計。確率 0.8 は「同種の判断が集まれば約8割当たる」という意味で、1件ごとの正しさの保証ではないとされています。
英語が主な学習言語。Models のページでは、日本語を含む CJK は扱えるが精度は同等ではないため、自分のデータで試すよう案内されています。
エイリアスは動く。jev-latest は新版が出ると指す先が変わるため、しきい値を調整した後はバージョン ID を固定する運用が勧められています。

限界と向き不向き

向いていること	向いていないこと
分類、振り分け、採点、抽出のような「賢い if 文」	返答文や要約、コードの生成
確率としきい値で自動処理と人の確認を分ける設計	1件ごとに必ず正解が要る用途
テキストや JSON で表せる状態の評価	画像、音声、動画の直接入力

まとめ｜Jev は「文章を読む AI」から「コードが使う判断」への入り口にする

Jev は TypeSafe AI の最初の System One モデルで、文章を生成する代わりに Noul、Choice、Score の3つの型で判断と確率を返します。
入力はテキストのみで、公式には 70-500 ミリ秒の応答と入力 100万トークン $0.042 という数値が示されています。

核心は、AI に「考えて答えて」と頼むのではなく、コードが主導権を持ち、AI には数秒で決められる小さな判断だけを任せる設計にあります。
判断が確率で返るからこそ、どこまで自動で進めるかを自分のしきい値で決められます。

次の一手は、手元の業務から「はい／いいえで答えられる問い」を1つ選び、Noul で聞いてみることです。
書き方はシリーズの『Noul（はい／いいえ）』の記事で扱っているので、そこから試してみてください。