>
>
公開日
2026年9月15日、AIスタートアップのTypeSafe AIは、ソフトウェアが直接利用できる構造化判断に特化した新しいAIモデル「Jev」の早期アクセス提供を開始しました。ChatGPTの直接の前身となる研究に携わった人物が創業した会社の製品であり、既存のLLM（大規模言語モデル）とは異なる設計思想を掲げていることから、AI関連ニュースとして注目を集めています。情シスにとっては「また新しいチャットAIが増えた」という話ではなく、社内の業務システムに組み込まれる新しい種類の自動化コンポーネントが登場したと捉えるべき発表です。本記事では、Jevの仕組みと既存LLMとの違いを整理したうえで、導入を検討する際に情シスが確認すべき統制ポイントを解説します。
本記事のポイント
2026年9月15日、TypeSafe AIが「System One Model」の第一弾となる新型AIモデル「Jev」の早期アクセス提供を開始。文章ではなく構造化された判断結果を返す設計で、ChatGPT・Claude・Geminiのような対話型AIとは目的が異なる
Jevは「Choice」「Score」「Noul」という3種類の質問形式で動作し、判断結果と確信度をセットで返す。定義した選択肢やデータ構造から外れた出力は原理的に発生しないが、判断内容そのものの誤りは残る
料金は入力100万トークンあたり0.042ドル、出力トークンは無料。応答速度は70〜500ミリ秒とされ、既存LLM（数秒〜数百秒）より大幅に高速という位置づけ
想定用途は分類・ルーティング・採点・ガードレール検証などの「ワークフロー組み込み型」の自動化で、既存の生成AIエージェントの出力を検証する役割としても紹介されている
入力データを学習に利用しない方針は明記されている一方、第三者セキュリティ認証やエンタープライズ管理機能については本記事執筆時点で公式情報が確認できず、早期アクセス段階のサービスとして個別確認が必要
Jevとは？TypeSafe AIが早期アクセス公開した新型AIモデルの概要
Jevは、文章を生成する代わりに型が保証された判断結果を返すことに特化した、TypeSafe AIの第一弾公開モデルです。既存のLLMを置き換える汎用チャットAIではなく、ソフトウェアの内部で使う「判断エンジン」という新しいカテゴリの製品として発表されました。
TypeSafe AIを率いるDiogo Almeida氏は、米サンフランシスコで同社の共同創業者兼CEOを務めています。Almeida氏はX（旧Twitter）上で自らを「ChatGPTの共同発明者」と紹介していますが、正確にはChatGPTの直接の前身にあたるInstructGPT論文（2022年、共著者約20名）の1人であり、その基盤となったRLHF自体は同氏が参加していない2017年の先行研究に由来するとの指摘もあります。肩書きの表現には幅がある一方、対話AIの研究に携わった人物が「機械が使うAI」という別方向の研究に転じた点は事実として押さえておきたいところです。同社ブログの発表文によれば、Almeida氏は「なぜ超人的なチャットモデルが登場してもAGI（汎用人工知能）に至らないのか」という疑問を抱き続け、約2年間の非公開開発を経て今回の発表に至ったとしています。TypeSafe AIはこの新しいモデル群を「System One Model」と呼び、Jevはその最初の公開モデルという位置づけです。
名称の由来も公式ブログで説明されています。「System One」は、心理学者ダニエル・カーネマンの著書『ファスト＆スロー』における、速く直感的な「システム1」思考と、遅く熟考的な「システム2」思考の対比から取られています。また「Jev」は経済学者ウィリアム・スタンリー・ジェヴォンズにちなんだ名前で、同社は「知能のコストが1桁下がるたびに、新しい用途が桁違いに広がる」という考え方を、蒸気機関の効率化が石炭需要を増やしたジェヴォンズのパラドックスになぞらえています。
早期アクセスは発表当日から開始されており、TypeSafe AIはウェイトリスト登録者を順次案内しているとしています。企業として本格導入を検討するにはまだ情報が少ない段階であることを踏まえ、まずは非機密データでの検証から始めることをおすすめします。
LLMと何が違う？Jevの仕組み｜Choice・Score・Noulという3つの質問形式
JevとLLMの最大の違いは、あらかじめ定義した選択肢や評価尺度に沿った構造化データを直接返すか、自由な文章を生成してから解析するかという点にあります。
TypeSafe AIの公式ドキュメントによれば、Jevは「Choice」「Score」「Noul」という3種類の質問（primitive）を扱えます。いずれの質問形式でも、判断結果に加えて確率分布と確信度スコアがセットで返されます。3つの違いを整理すると以下の通りです。
質問形式 | 目的 | 返り値 |
|---|---|---|
Choice | 選択肢の中から1つを選ばせる | 選択結果・確率分布・確信度 |
Score | 評価尺度に沿って採点させる | スコア・確率分布・確信度 |
Noul | ある記述が真である確率を問う | 0〜1の確率値 |
使い方の例として、事業案の説明を入力し、市場規模や技術的な実現性を別々に採点させたうえで、独自の計算式で統合するといった活用が紹介されています。
TypeSafe AIが推奨する設計思想は「原子的な質問を組み合わせる」ことです。「この事業案を評価して」のような複合的な判断を一度に求めるのではなく、市場規模・技術的実現性・差別化要因といった要素ごとに質問を分解し、その結果を自社のロジックで重み付けして統合することが推奨されています。優先順位が変わった場合もプロンプトを書き直すのではなく、コード側の係数を変えるだけで済むという利点も説明されています。
学習方法にも違いがあります。既存のLLMの多くは、人間の評価を報酬とするRLHF（人間のフィードバックによる強化学習）や、プログラム的に検証可能な報酬を使うRLVRで最適化されています。これに対しJevは、TypeSafe AIが独自に開発した「Reinforcement Learning for Calibrated Decisions（RLCD）」という手法で、確信度が実際の正答率と一致するように最適化されている点が特徴です。生成AI・LLMの基本的な仕組みや学習方法の背景については、生成AIとは？導入のメリット・リスクと実務での活用・運用術も参考になります。Jevは対話品質ではなく判断の較正精度を最適化対象に据えた点が、既存モデルとの根本的な違いといえます。
速度とコストの違い｜LLMとの比較でわかるJevの位置づけ
TypeSafe AIが公表した数値によれば、Jevは既存LLMと比べて応答速度で数十倍、コストで数百分の一という水準にあり、リアルタイム性が求められる自動化処理に向いていると位置づけられています。
公式ブログでは、既存のフロンティアLLMのエンドツーエンド応答時間が3〜329秒であるのに対し、Jevは70〜500ミリ秒としています。料金は入力100万トークンあたり0.042ドルで、出力トークンは無料です。既存LLMとの違いを整理すると以下の通りです。
項目 | 既存のフロンティアLLM | Jev |
|---|---|---|
エンドツーエンド応答時間 | 3〜329秒 | 70〜500ミリ秒 |
入力価格（100万トークンあたり） | 0.20〜10ドル | 0.042ドル |
出力価格 | 入力の約5倍 | 無料 |
サンプリング方式 | 逐次（トークンを1つずつ生成） | 並列（全回答を1回で出力） |
Diogo Almeida氏はX（旧Twitter）で、既存LLMと比べて20〜200倍高速、コストを1/40〜1/400に抑えられると説明しています。
同社はこの速度・コスト差を検証するため、請求書処理や顧客対応など4種類の業務workflowを想定した独自の評価（workflow evals）も公開しました。この評価では、各モデルの判断結果を「もっとも賢く高価な外部モデルの平均」と比較する形式が取られており、参照モデルにはGPT-6 AstraとClaude Fable 5.1が使われています。TypeSafe AI自身も、この設定がOpenAIとAnthropicのモデルに有利に働くバイアスを持つ可能性がある点、DeepSeek系モデルの相対的な性能を過小評価している可能性がある点を注記しています。この評価から示された「既存LLMに対して193.6倍高速・444.6倍低コスト」という数値がTypeSafe AI自身の一番の目玉数値として紹介されていますが、あくまで自社設計のワークフロー評価による結果であり、独立した第三者検証はまだ限定的です。これとは別に、Almeida氏がX（旧Twitter）で「20〜200倍高速、コストを1/40〜1/400に抑えられる」というより幅を持たせた表現でも説明しており、参照する際はどちらの数値を引用しているかを区別しておくと誤解を避けられます。
もう一つの参考として、公開されたサイド・バイ・サイドのデモでは、比較対象としてGPT-5.6のTerraモデル（デフォルトの推論設定）が使われました。TypeSafe AIは、このモデルが平均的な知能水準でJevと最も比較しやすかったためと説明しています。Wikipediaのリンクだけをたどって目的の記事に到達する「WikiRace」というデモでは、Jevが0.419秒で完走した一方、対戦したGPT-5.6 Terraはページ上に存在しないリンクを回答するハルシネーションを起こしてやり直しになったと報じられています。選択肢の数が数百〜数千に及ぶ高カーディナリティな判断ほど、構造化出力に特化したJevの強みが出やすいことを示す一例といえます。速度・コストの数値はいずれも自社のベンチマークによるものであり、独立した第三者検証はまだ限定的である点は差し引いて捉える必要があります。
「ハルシネーションなし」の意味と確信度の考え方
TypeSafe AIが掲げる「ハルシネーションなし」という表現は、指定した選択肢やデータ構造から外れた出力が原理的に発生しないという意味であり、判断そのものの正しさまで保証するものではない点に注意が必要です。
報道によれば、Jevは選択肢にない答えや、指定したデータ構造に合わない出力を返すことがなく、TypeSafe AIはこれを数式的に保証できるとしています。実際、公式ブログのハルシネーション比較チャートでも、Jevの型エラー率は実測値ではなく「スキーマ一致が保証されているため0%」という扱いです。一方で、選択肢の中から誤った答えを選んでしまう、つまり判断そのものを間違える可能性は残る点も併せて報じられています。この違いを情シスとして正しく理解しておくことが、過信を避けるうえで重要です。
この「判断の正しさ」を補うのが確信度（confidence）の仕組みです。Jevは選んだ選択肢や評価値に加えて、確率分布と確信度スコアを必ず返します。RLCDによる学習で、この確信度が実際の正答率と一致するように較正されているとTypeSafe AIは説明しています。公式サイトでは、確信度に一定のしきい値を設け、しきい値を上回れば自動処理を継続し、下回れば人による確認に回すという運用例が示されています。この「確信度に応じて人の判断を挟むかどうかを切り替える」設計は、既存の生成AIエージェントを社内で運用する際にも参考になる考え方であり、AIエージェントのセキュリティと情シス向けガバナンス実務ガイドで解説しているHuman-in-the-loop設計の一種として位置づけられます。
情シス業務での活用シーン｜ワークフロー組み込みとガードレール利用
Jevはチャットボットの代替ではなく、既存の業務システムに埋め込んで使う「賢いif文」という位置づけであり、情シス自身の業務効率化や既存AIエージェントの監視強化にも応用できる余地があります。
TypeSafe AIが公式に挙げている用途は、大きく4つに整理できます。
用途 | 内容 |
|---|---|
AI-Powered Workflows | 分類・ルーティング・採点・抽出・分岐など、手書きロジックでは対応しきれない曖昧な判断を担わせる |
Map-reduce型のデータ処理 | 大量データに対するマップリデュース処理で、特徴量やインサイトに変換する |
リアルタイムアプリケーション | UXがシビアな場面へのAI組み込み |
Verify everything | LLMのプロンプト・推論過程・出力を採点・判定・ガードレールし、プロンプトインジェクションのようなジェイルブレイクを検知する |
情シス業務に引き寄せると、いくつかの具体的な活用シーンが考えられます。社内問い合わせの一次分類やヘルプデスクへのルーティングにJevのような判断特化型AIを組み込めば、Admina AIヘルプデスクのような既存の自動化基盤と組み合わせて、問い合わせ内容の緊急度判定や担当部署の振り分けを高速化できる可能性があります。また、SaaS利用ログやアクセス申請データをスコアリングし、未承認ツールの利用兆候を一次フィルタリングする用途は、生成AIセキュリティのベストプラクティス｜シャドーAI検知と対策で解説している検知の仕組みと親和性が高い領域です。
もう一つ注目したいのが、「Verify everything」というTypeSafe AIの用途説明にある通り、既存の生成AIエージェントの出力や推論過程を検証するガードレイヤーとしての活用です。AIガバナンスの実装手順｜ISO42001対応とシャドーAI対策で解説しているような、AIエージェントの暴走や不適切な出力を防ぐ仕組みの一部として、Jevのような低コスト・高速な判定モデルを組み込む発想は今後増えていく可能性があります。MCP経由で複数のAIツールをワークフローに組み込んでいる企業であれば、MCP企業導入のセキュリティ完全ガイドで解説している統制の枠組みに、Jevのような判断特化型AIも接続先の一つとして追加する形で検討するとよいでしょう。
データの取り扱いとセキュリティ
TypeSafe AIのプライバシーポリシーでは入力データを学習に利用しない方針が明記されている一方、SOC2などの第三者セキュリティ認証や具体的なアクセス制御機能については本記事執筆時点で公式情報が確認できておらず、早期アクセス段階のサービスとして個別に確認する必要があります。
同社のプライバシーポリシー（2025年11月19日更新）には、ユーザーが送信するプロンプト・データ・指示（Input）について、「いかなるAI・機械学習モデルの学習・ファインチューニングにも利用しない」「サービス提供者以外の第三者にInputを開示しない」と明記されています。これは企業データを扱ううえで重要なポイントです。一方で、サービスは米国でホスティングされており、EEAや英国など米国外からの利用者はデータが米国に移転される点への留意が求められています。セキュリティに関する記載は「合理的な対策を講じる」という一般的な表現にとどまり、SOC2 Type IIやISO 27001といった第三者認証、SSO・RBAC・監査ログといったエンタープライズ向け管理機能への言及は見当たりませんでした。
TypeSafe AIは2024年設立の新興企業であり、早期アクセス段階のプロダクトです。無料の実験用途であればともかく、社内の機密情報や顧客データを扱うワークフローに組み込む前には、AI利用ガイドラインの作り方で解説しているようなベンダー評価の基準に沿って、セキュリティ資料の提示やデータ処理契約（DPA）の締結可否を個別に問い合わせることを推奨します。
導入前に情シスが確認すべき統制ポイント
Jevのような判断特化型AIを業務システムに組み込む際は、通常のSaaS導入チェックに加えて「確信度のしきい値設計」「誤判定時のエスカレーション経路」「既存AIエージェントとの責任分界」という3点を確認する必要があります。
確認項目 | 何を決めておくか |
|---|---|
① 確信度のしきい値設計 | しきい値を誰が設定するか、業務部門と情シスの合意プロセス |
② 誤判定時のエスカレーション経路 | 誰が誤りに気づき、どう是正するかのフロー |
③ 既存AIエージェントとの責任分界 | 対話型AIエージェントとJevのどちらがどの業務判断に責任を持つか |
1つ目は、確信度のしきい値を誰がどのように設計するかという点です。Jevは確信度が低い判断を人による確認に回す運用を想定していますが、そのしきい値をどの水準に設定するかは業務部門と情シスが共同で決める必要があります。しきい値の設計を開発者任せにすると、意図せず自動承認の範囲が広がるリスクがあります。
2つ目は、誤判定が起きた際のエスカレーション経路です。「ハルシネーションなし」という表現に対する過信を避け、判断を誤った場合に誰が気づき、どのように是正するかのフローを事前に決めておく必要があります。シャドーAI事例と生成AI事故原因｜情シスが取るべき漏洩対策で整理されているような、AIの誤動作を前提としたインシデント対応の考え方は、Jevのような判断特化型AIにも応用できます。
3つ目は、既存の生成AIエージェントとの役割分担です。ChatGPT Work・Gemini Spark・Claude Cowork徹底比較で紹介したような対話型のAIエージェントと、Jevのような判断特化型AIを併用する組織が増えていくと考えられます。どちらのAIがどの業務判断に責任を持つのかを明確にしておかないと、インシデント発生時に原因の切り分けが難しくなります。APIキーの発行・利用範囲についても、他のAI関連サービスと同様に一元管理する体制を整えておくことが重要です。
企業規模別：情シスが「今」やるべきこと
組織規模に関わらず、「機密データを投入する前に確認の土台を整える」という順序は共通していますが、優先すべき対応は規模によって異なります。
企業規模 | 情シスが今やるべきこと |
|---|---|
50名未満 | 既存のAI利用ガイドラインに判断特化型AI（System One Model）というカテゴリを追加。非機密データでの検証にとどめ、業務判断の自動化組み込みは社内評価後に判断 |
50〜300名 | APIキーの発行・利用範囲を情シスが把握できる体制を整備。確信度のしきい値を業務部門と共同設計し、SaaS管理ツールで契約・利用状況を可視化 |
300名超 | 対話型AIエージェントと判断特化型AIを前提としたガバナンスフレームワークを整備。監査ログ取得・確信度スコアのモニタリング体制を既存のAIガバナンス施策と統合 |
50名未満の組織では、既存のAI利用ガイドラインに、Jevのような判断特化型AI（System One Model）というカテゴリを追加するだけでも十分な備えになります。まずは非機密データでの検証にとどめ、業務判断の自動化に組み込むのは社内での評価を終えてからにしましょう。
50〜300名の成長企業では、開発チームがJevをワークフローに組み込む場合、APIキーの発行・利用範囲を情シスが把握できる体制を整えたうえで、確信度のしきい値を業務部門と共同で設計してください。SaaS管理ツールを使って、どのチームがどのAI関連APIを契約・利用しているかを可視化しておくと、後からの棚卸しが容易になります。
300名超の企業では、複数のAIベンダー（対話型のLLM・AIエージェントと、Jevのような判断特化型AI）を前提としたガバナンスフレームワークの中に、この新しいカテゴリを位置づける段階です。監査ログの取得可否や確信度スコアのモニタリング体制を、既存のAIガバナンス施策と統合して検討することをおすすめします。全社的なAI活用ロードマップの中にこうした新カテゴリを位置づける際は、AI 情シス完全ガイド｜業務効率化の4領域と導入事例・失敗パターンも参考になります。
よくある質問（FAQ）
Q：JevはChatGPTのようなチャットツールとして使えますか？
A：いいえ。Jevは文章を生成しない設計で、あらかじめ定義した選択肢や評価尺度に沿った構造化データのみを返します。対話用途ではなく、既存の業務システムに組み込んで使う判断コンポーネントとして設計されています。
Q：Jevは本当にハルシネーションを起こしませんか？
A：定義した選択肢やデータ構造から外れた出力が発生しないという意味では「ハルシネーションなし」とされています。ただし、選択肢の中から誤った答えを選んでしまうといった判断そのものの誤りは起こり得るため、確信度スコアと合わせて運用する必要があります。
Q：料金はどのくらいですか？
A：発表時点で入力100万トークンあたり0.042ドル、出力トークンは無料とされています。既存のLLM（入力0.20〜10ドル／100万トークン）と比べて大幅に低コストな設計です。ただし早期アクセス期間中の料金であり、今後変更される可能性があります。
Q：企業の機密データを入力しても安全ですか？
A：TypeSafe AIのプライバシーポリシーでは、入力データをモデルの学習に利用しない方針が明記されています。一方でSOC2などの第三者認証やアクセス制御機能についての詳細は本記事執筆時点で公式に確認できていないため、機密性の高いデータを扱う前にセキュリティ資料の提示を個別に求めることを推奨します。
Q：既存のAI利用ガイドラインの改訂は必要ですか？
A：必要です。Jevのような判断特化型AIは対話型の生成AIツールとは性質が異なるため、確信度のしきい値設計や誤判定時のエスカレーション経路など、既存のガイドラインにない項目を追加で検討することをおすすめします。
まとめ｜Jevは「もう一つのチャットAI」ではなく判断特化型の新カテゴリ
Jevは既存のLLMやチャットボット型AIエージェントと競合する製品ではなく、業務システムの内部で「賢いif文」として機能する新しいカテゴリのAIサービスです。情シスにとっては、監視すべきポイントが従来の生成AIツールとは異なる点を理解しておくことが、導入検討の第一歩になります。
✅ Jevは対話型ではなく構造化判断特化型のAIサービスであることを、社内の技術者・企画部門に周知する
✅ 確信度のしきい値設計と誤判定時のエスカレーション経路を、導入前に業務部門と合意する
✅ 入力データの学習利用有無・第三者認証の状況を公式資料や問い合わせで確認し、機密データの投入可否を判断する
✅ 既存のAI利用ガイドラインに、判断特化型AI（System One Model）というカテゴリを追加する
✅ APIキーの発行・利用範囲を一元管理し、契約中のAI関連SaaSを可視化できる状態にしておく
Jevのような新しいカテゴリのAIサービスが増えるほど、社内でどのAI関連APIやSaaSが契約・利用されているかを常に可視化しておくことの重要性は増していきます。マネーフォワード AdminaのようなSaaS可視化ツールで契約・利用状況を一元管理しておくと、新しいAIサービスが登場するたびに一から棚卸しをする手間を減らせます。
本記事の内容に誤り等がございましたら、こちらからご連絡ください。
監修
Admina Team
情シス業務に関するお役立ち情報をマネーフォワード Adminaが提供します。
SaaS・アカウント・デバイスの管理を自動化し、IT資産の可視化とセキュリティ統制を実現。
従業員の入退社対応や棚卸し作業の工数を削減し、情報システム部門の運用負荷を大幅に軽減します。
中小企業から大企業まで、情シス・管理部門・経営層のすべてに頼れるIT管理プラットフォームです。
