Jevとは？判断だけに特化したAIの仕組みと使い方をPlaygroundで試しながら分かりやすく解説！

こんにちは！ウマたんです！

AIに「このメール、急ぎ？」「このコマンド、実行しても大丈夫？」と聞いたとき、本当に欲しいものって何でしょう？

そう、長い説明文じゃなくて、パッと返ってくる「判断」ですよね！

でも、ChatGPTのようなLLMに判断をさせると、答えが返ってくるまで何秒も待たされたり、頼んだ形式と違う答えが返ってきたり…意外と使いにくいんです。

そんな悩みを解決するために生まれたのが、「判断だけ」に特化した新しいAI「Jev（ジェブ）」です！

本記事では、次の内容を順番に解説していきます。

以下のYouTube動画でも解説していますので、あわせてチェックしてみてください！

Jevとは？

Jevとは、決められた選択肢の中から答えを選んで、その答えにどれくらい自信があるかを数字で返してくれる「判断専用」のAIです。

TypeSafe AIが2026年9月に公開したAIモデル

Jevは、アメリカ・サンフランシスコのスタートアップ「TypeSafe AI」が、2026年9月に公開したAIモデルです。

創業者は、ChatGPTの土台となった研究「InstructGPT」の論文に名を連ねた研究者。

InstructGPTは、OpenAIが2022年に発表した研究です。人の評価をもとにした強化学習（RLHF）で、言語モデルが人の指示に沿った答えを返せるようにしたもので、ChatGPTのもとになりました。

そんなLLMの最前線にいた人が、あえてLLMとは逆の方向を目指して作ったのが、このJevなんです。

文章を書くAIではなく「選ぶAI」

ざっくり言うと、Jevは文章を書くAIではありません。

決められた選択肢の中から答えを選んで、その答えにどれくらい自信があるかを数字で返してくれる、「判断専用」のAIなんです！

LLMとJevのちがいを表にすると、次のとおりです。

LLMに判断させるときの3つの困りごと

ではなぜ、わざわざ判断専用のAIが必要なのでしょうか？

実はLLMに判断をさせると、大きく3つの困りごとがあるんです。

① 遅くて高い

1つ目は、遅くて高いこと。

LLMは、次に来る言葉を予測しながら、文章を一語ずつ組み立てていきます。

そのため、答えが「はい」の一言だったとしても、前置きや考える過程まで書き出すと、時間もお金もかかってしまうんです。

LLMのAPIの料金は、読み込んだ文字の量と書き出した文字の量（トークン数）で決まることが多いので、判断を何万回もくり返すような使い方では、この差がどんどん大きくなります。

② 答えの形が安定しない

2つ目は、答えの形が安定しないこと。

「AかBで答えて」とお願いしても、余計な説明がついてきたり、選択肢にない答えが返ってきたりします。

人が読むならどれも問題ありませんが、プログラムで扱おうとすると、これがなかなか面倒なんですよね。

「はい」の文字を探して、なければやり直して…といった後処理が必要になってしまいます。

③ 自信の度合いが当てにならない

3つ目は、自信の度合いが当てにならないこと。

LLMって、間違っているときでも自信満々に答えちゃうことがあるんです！

もっともらしいウソをつく現象は「ハルシネーション」と呼ばれます。原因と対策は以下の記事で解説しています。

生成AIでハルシネーションが起きる原因と対策について解説！当サイト【スタビジ】の本記事では、生成AIにおけるハルシネーションとは何かについて具体的な事例や原因、さらには対策方法を交えて分かりやすく解説していきます！

「この答えはどれくらい信じていいの？」が分からないと、AIの判断をそのまま自動の処理につなげるのは怖いですよね。

System 1 と System 2

そこで登場するのが、Jevです。

TypeSafe AIは、Jevのことを「System Oneモデル」と呼んでいます。

これは、2002年にノーベル経済学賞を受賞した心理学者、ダニエル・カーネマンの「ファスト＆スロー」という考え方がもとになっています。

人間の思考には、直感でパッと判断する「System 1」と、じっくり考える「System 2」の2つがある、というものです。

文章を組み立てながら考えるLLMが「System 2」だとすると、Jevは一瞬で判断を下す「System 1」。

つまり、JevはAIの「直感」の部分を担当してくれるんです！

Jevの仕組み

それでは、Jevの仕組みを見ていきましょう！

渡すのは「state」と「questions」の2つだけ

使い方はめちゃくちゃシンプル。渡すものは、たったの2つです。

たとえば、お客さんから届いた問い合わせメールをstateとして渡して、「どの部署に回すべき？」「緊急度はどれくらい？」「返金を求めている？」といった質問をまとめて送ります。

すると、Jevはすべての質問を同時に、それぞれ独立して判断してくれます。

だから、質問をいくつ増やしても、待ち時間はほとんど変わりません！

しかも、返ってくるのは文章ではなく、プログラムでそのまま使える形の答え。

決めた選択肢の外の答えが返ってくることは、仕組み上ありえないんです！

LLMで困っていた「答えの形が安定しない」問題が、そもそも起きないようになっているわけですね。

3つの質問タイプ

質問には、3つのタイプがあります。

1つ目の「Choice」は、選択肢の中から1つを選ぶタイプで、部署の振り分けなどに使えます。選択肢ごとの確率と、全体の自信度も一緒に返ってきます。

2つ目の「Score」は、あらかじめ決めた基準で点数をつけるタイプで、バグの深刻度や、緊急度の評価なんかにピッタリです。

3つ目の「Noul（ノウル）」は、「返金を求めているか？」のような、はい・いいえで答えられる問いに、0から1の確率で答えてくれるタイプです。

この3つを組み合わせるだけで、いろんな判断をプログラムに組み込めてしまうんですね！

自信度と閾値

そして、Jevのいちばんの特徴が、この「自信度」です。

JevはRLCDという独自の方法で学習していて、自信度の数字が、実際の当たりやすさに近くなるように調整されています。

たとえば「自信度90%」と答えた判断を集めてみたら、だいたい9割が当たっている。そんな状態を目指しているわけです。このように、自信度と実際の正解率をそろえることを「キャリブレーション（較正）」と呼びます。

自信度で「誰がやるか」を分ける

これが何に役立つのかというと…

こんな仕組みが、簡単に作れてしまうんです！

プログラムで書くと、たとえば次のようなイメージです（数字は考え方の例です）。

# 自信度に応じて、次の動きを決める（考え方の例）
if confidence >= 0.9:
    run_automatically()     # 自動で実行
elif confidence >= 0.6:
    ask_for_confirmation()  # 確認をはさむ
else:
    hand_over_to_human()    # 人間にバトンタッチ

この 0.9 や 0.6 のように、「ここから上は任せる」と線を引く値のことを「閾値（しきい値）」と呼びます。

操作のリスクに合わせて閾値を変える

さらに、操作のリスクに合わせて閾値を変える、といった使い分けもできます。

AIに任せるところと、人間が見るところを、数字でハッキリ線引きできる。これがJevの大きな強みなんです！

Jevの速さとコスト

さらにJevは、とにかく速くて安い！

1回の判断にかかる時間は、ほとんどが1秒にも満たないくらい。まさに一瞬です。

料金も、LLMと比べるとケタ違いに安く設定されています。

開発元の比較では、最新のLLMより何十倍、何百倍も速くて安いとされているんです！

Jevの使いどころ

では、Jevは実際にどんな場面で使われているのでしょうか？代表的な例を見ていきましょう！

AIエージェントの見張り役

特に面白いのが、AIエージェントの見張り役です。

コーディングエージェントは、ファイルを消したり、プログラムを動かしたりするコマンドを自分で実行します。

その前に、「この操作、危なくない？」をJevがチェックしてくれるんです。

ある開発者の事例では、膨大な数の操作を見張って、止めた操作のほとんどが正しい判断だったと報告されています。

AIエージェントの作り方については、以下の記事で解説しています。

LangChain・LangGraphを使ったAIエージェントの作り方を分かりやすく解説！本記事では、昨今話題のAIエージェントの作り方について解説していきます！LangChainのTool Callingという仕組みを使ってAIエージェントを定義していきますよ！このAI時代に必須のスキルをおさえておきましょう！

あやしい命令のチェック

Webページやメールなど、外から読み込んだ文章の中に「これまでの指示を無視して…」のような命令をこっそり入れて、AIをだまそうとする攻撃があります。

これは「プロンプトインジェクション」と呼ばれる攻撃です。

読み込んだ文章をLLMに渡す前に、Jevで「AIをだます命令が入っていないか？」を判定しておけば、守りを一段かたくできます。

こんなふうにJevは、LLMを陰で支える名脇役として、どんどん活躍の場を広げているんです！

Jevの苦手なこと・注意点

もちろん、Jevにも苦手なことがあります。

まず、文章やコードを書くことはできません。理由の説明もしてくれないので、チャットAIの代わりにはならないんです。

解説動画の時点では、入力できるのはテキストだけで、画像や音声は扱えませんでした。

文字・画像・音声をまとめて扱えるAIについては、以下の記事で解説しています。

マルチモーダルAIとは？文字・画像・音声をまとめて理解する仕組みを分かりやすく解説！マルチモーダルAIとは、テキスト・画像・音声・動画など複数の種類の情報をまとめて扱えるAIのことです。本記事では、意味や仕組み（ベクトル・ネイティブマルチモーダル）、できること・ビジネスでの活用例、使うときの注意点を図解で分かりやすく解説します！

なお、2026年10月にPlaygroundを開いたときには、画像を扱う機能が試験的な扱いとして案内されていました。今後の更新で変わっていきそうなところです。

それから、計算や数を数えること、日付の比較、何段階もの推論が必要な判断も苦手です。

こういうところは、プログラムの側で処理してあげましょう！

LLMとの組み合わせ

ここまで見てきて、勘の良い方はお気づきかもしれませんが…

JevはLLMの代わりではなく、LLMの「相棒」のような存在なんです。

たとえば、問い合わせの対応なら次のような分担ができます。

この2つを組み合わせることで、速くて、コストも抑えて、しかも判断の確かさまで数字で確かめられるAIの仕組みが作れるようになるんです！

ChatGPTのもとになっている大規模言語モデル（LLM）の仕組みについては、以下の記事を参考にしてみてください。

大規模言語モデル（LLM）の仕組みや種類について分かりやすく解説！当サイト【スタビジ】の本記事では、大規模言語モデル（LLM）の仕組みや種類について分かりやすく解説していきます。ChatGPTなどの大規模言語モデルの基本を理解してこのAI時代の流れに乗り遅れないようにしましょう！

Jevの使い方（Playgroundで試す）

それでは、実際にJevを使っていきましょう！

Jevには、ブラウザだけで試せる「Playground」が用意されています。プログラムを書かなくても、質問を作って、文章を判定させるところまで体験できるんです。

ここでは例として、怪しいメール（フィッシングメール）を見抜く判定を作ってみます。

Playgroundを開く

まずは、Jevを試せるPlaygroundを開くまでの流れです。

収録時は、最小で5ドルから入金できました。まずは5ドルほど入れて、いろいろ実験してみるのがオススメです。

ログインすると、左のメニューに次の項目が並んでいます。

分からなくなったら、基本的にはDocumentation（公式ドキュメント）を見るのがいいですね。

質問を作る（Noul・Choice・Score）

Playgroundを開くと、左上に「State」、左下に「Questions」、右に結果が出る「Response」が並んでいます。

Stateに判定したい文章を入れて、Questionsにその文章への質問を書く、という形です。

Questionsの欄を開くと、使える質問のタイプが表示されます。

noul・score・choiceの3つが、さきほど紹介した3つの質問タイプです。boxは、画像の中の位置（座標）を返す実験的なタイプなので、基本的にはnoul・score・choiceの3つだと思ってください。

ここに、3つの質問を作っていきます。

それぞれの質問は、次の3つでできています。

criteriaは英語で「基準」という意味です。Jevは、この基準に照らし合わせて答えを選んでくれるわけです。

実際に作ったQuestionsは、次のようになりました。

{
  "is_phishing": {
    "type": "noul",
    "instructions": "このメールはフィッシングメールである可能性が高い？",
    "criteria": {
      "true": "偽装された送信元とか、過度な緊急性、そして認証情報の入力の要求など、不正な誘導をするような兆候がある。",
      "false": "不正の誘導が特になく、兆候がなく、正常なメールだと考えられる。"
    }
  },
  "email_type": {
    "type": "choice",
    "instructions": "このメールはどの種類に最も近い？",
    "criteria": {
      "phishing": "認証情報などを盗むことを狙った不正メール。",
      "marketing": "商品の宣伝だったりとか、サービスの宣伝をするマーケティングメール、プロモーションメール。",
      "other": "それ以外のメール。"
    }
  },
  "risk_level": {
    "type": "score",
    "instructions": "このメールを受信したユーザーが被害に遭うリスクを評価して。",
    "criteria": [
      "不正な誘導の兆候がほぼない。",
      "不審な点はあるが、直接的な危険性は低い。",
      "警戒が必要な兆候がかなりある。危険性が高い。"
    ]
  }
}

ポイントをいくつか補足しておきます。

基準の文章は少し長くなるので、収録では音声入力のツールを使って書いていました。手で打っても、もちろん問題ありません。

メールを判定させる

質問ができたら、Stateに判定したいメールを入れて、実行（Run）してみましょう！

1通目は、アカウントの停止をちらつかせて、パスワードを入力させようとするメールです。

{
  "sender": "security@paypa1-example.example",
  "subject": "【重要】アカウント利用停止のお知らせ",
  "body": "お客様のアカウントに不審なアクセスが検出されました。30分以内に本人確認を完了しない場合、アカウントは永久に停止されます。下記のリンクからログインし、パスワードを入力してアカウントを復旧してください。",
  "link_text": "アカウントを確認する"
}

送信元のドメインが「paypa1」と、数字の1が混ざっていて怪しいですよね。「30分以内」「永久に停止」と急がせているところも、人間が見ても怪しいと感じるはずです。

これを実行すると…

ちゃんと、is_phishingが98%でtrue、email_typeは100%でフィッシング、risk_levelはいちばん危ない「2」になりました！

同じように、2通目と3通目も判定してみた結果がこちらです。

3通目は、パスワード再設定の案内メールです。Stateには「受信者本人がパスワード再設定を要求しており、送信元も正規のものだと確認済み」という補足（context）も入れています。

is_phishingは7%、種類は「その他」、リスクもほぼ0。確かにフィッシングでもマーケティングでもないですよね。

怪しいメールはしっかり怪しいと、安全なメールは安全だと判定できました！

しかも、判定のスピードがめちゃくちゃ速いんです。結果の上には「jev-preview 28ms + 447ms」のようにかかった時間が出ていて、3通とも1秒かからずに返ってきました。

判定したい文章と質問を用意するだけで、Jevがすぐに判断を返してくれる。ここまでが、ブラウザで試せるJevの入り口です！

プログラムから呼び出すには

Playgroundで質問の作り方に慣れたら、次はプログラムから呼び出してみましょう。

メニューの「API Keys」でキーを発行すると、そのキーを使ってプログラムからJevを動かせます。

ウマたんのUdemy講座では、ここからさらに一歩進んでいきます。

Playgroundから迷路脱出AIまで、画面を見ながら、ひとつずつ一緒に進めていきます。プログラミング未経験の方でも、安心して始められる内容です！

Jevのまとめ

最後に、今回のポイントをおさらいしましょう！

LLMや生成AIを体系的に学びたいのであれば、当メディアが運営するスクール「スタアカ」がオススメです！