Jevは新しいAIモデルです。TypeSafe AIが開発し、2026年に早期アクセスとして公開されました。Jevは従来のChatGPTのように対話文を作るAIではありません。システムが迷わず次の処理に移れる明確な判定結果と、その確信度を出力します。本記事では、Jevの仕組みや具体例、従来の文章生成AIとの違いを分かりやすく解説します。
Jevとは？システムが利用する「判断」を返すAI
JevはSystem One Modelと呼ばれる分類のAIモデルです。人間が読むテキストではなく、プログラムがそのまま処理へ組み込める形式で判定結果を出力します。渡された情報をもとに、あらかじめ決めた選択肢や確率を添えて判断を返します。判定データの出力に特化しており、社内システムなどの自動処理へ組み込みやすい設計です。
JevはChatGPTのような文章生成AIと何が違う？
従来の文章生成AIとの一番の違いは、出力されるデータの形式と利用目的にあります。これまで使われてきた一般的な文章生成AIは、人間に向けた会話文を出力します。そのため、プログラムで扱うには文章から必要なデータを取り出す抽出処理が必要でした。
～テキスト生成は、単に情報を抽出するのではなく、学習データを踏まえて生成AIが自動で言い換えや情報の補完、編集などをして、新しい文章を生成します。～
NTT docomo Business Watch
対してJevは会話文を作成せず、プログラムがそのまま処理できる判定データのみを出力します。「文章生成AIは人のための言葉を作り、Jevはプログラムのための判断を作る」という役割の違いがあります。
Jevではどんな判断ができる？
Jevはあらかじめ決められたルールに沿って結果を出力します。これら複数の判断形式は、1回のリクエスト内で組み合わせて使えます。1つの入力データに対して複数の質問を同時に投げかけることも可能です。回答には設定した質問名がそのまま割り当てられるため、プログラム側でどの質問への答えかを正確に対応付けられます。
| 判断形式 | 処理内容 | 具体例 |
|---|---|---|
| はい / いいえの質問 | 提示された条件に対して二者択一で回答する | 添付書類の有無などを判定する |
| 内容の評価 | 提示された内容や状態を評価する | 問い合わせに含まれる感情や不満を検証する |
| 選択肢からの選択 | 定義された複数の項目から該当する1つを選ぶ | 「支払い」「保留」「要修正」などの対応指示を選定する |
| 評価尺度による数値化 | 指定された目盛りに基づいて段階評価を行う | リスクの緊急度などを段階評価する |
Jevで具体的に何ができる？
Jevを活用することで、従来は人間が判断していた複雑な業務フローをシステム化できます。代表的な4つの業務例において、Jevがどのように判断を行いプログラムへ引き継ぐかを解説します。
請求書を確認して支払い方法を判断する
届いた請求書に対して、そのまま支払ってよいか、事前確認が必要かをJevで判定します。請求明細や納品書、やり取りしたメールなどの複数の入力データを照合します。そのうえで「支払い」「一時保留」「要承認」「修正依頼」「不正調査」といった選択肢から、次に取るべき対応を決定します。
なお、合計金額の計算や日付の一致確認といった計算処理は、AIではなく従来のプログラムで行います。間違いが許されない数値計算はプログラムに任せ、曖昧さを含む条件確認や状況判断だけをJevに担当させます。役割を分けることで、請求処理全体の自動化と安全性を両立できます。
カスタマーサービスで次の対応を判断する
顧客からの問い合わせに対し、サポートシステムが次に取るべき行動をJevで判断します。会話履歴やアカウント情報をもとに、顧客の真の目的や不満の度合い、対応の緊急性を評価します。評価結果に応じて「返金」「カード凍結」「担当者への引き継ぎ」「対応終了」などの具体的なアクションを回答します。
さらに、AIアシスタント自身の過去の発言内容と実際のシステム処理記録を照合する用途にも使われます。例えば「実際には処理していない返金やカード凍結を、完了したと顧客に伝えていないか」を検証できます。これにより、AIが事実と異なる虚偽の応答をしたときに検知し、未然に防ぐことが可能になります。
セキュリティトラブルへの対応を判断する
発生した警戒アラートに対し、静観・保留・制限のいずれかを判断します。アラートの詳細、対象機器の重要度、変更申請記録などを照合し、不審な操作かどうかを判定します。プログラムは判定結果を受け取り、「利用者に通知」「上位チームへ引き継ぎ」「動作の停止」などの対処を実行します。
AIエージェントの処理結果をチェックする
代わりに作業を行ったAIエージェントの動作記録を確認し、作業内容を評価します。与えた指示、利用したツール、最終的な回答内容を確認します。取り消しができない重要な操作が許可範囲内で正しく行われたかなどを点検します。作業の完遂度や満足度を評価し、「自動で終了」「人間の手動チェックへ回す」「不具合として報告」へ振り分けます。
Jevにはどんな情報を入力して判断させる？
これらをJevで判断する際は、対象となる情報データをまとめて送信します。文字データだけでなく、項目ごとに整理されたデータやそれらの組み合わせにも対応しています。業務の中で発生する多様な情報を加工せずにそのまま渡せます。そのため、開発の手間を削減できます。
- 請求書処理: 金額明細、税金、振込口座、契約条件、納品書、メール等を入力します。
- カスタマーサービス: 会話記録、顧客情報、契約プラン、決済履歴等を入力します。
- セキュリティ処理: 発生アラート、対象資産情報、変更申請記録、端末情報等を入力します。
Jevは複雑な仕事を「小さな判断」に分けて処理する
Jevを使った業務の組み立てでは、仕事全体を1つの指示で処理しようとはしません。プログラムが得意な計算ルールと、AIが得意な判定処理とに分けることが特徴です。計算やルールに基づく条件分岐は従来のプログラムに任せます。
Jevには「はい/いいえ」「選択肢からの選定」「段階評価」というシンプルで限定的な質問だけを投げかけます。判断を最小単位まで分解してプログラムと組み合わせることで、AI特有の誤作動を抑えたシステムを構築できるようになります。
確信度に応じた処理の振り分け
Jevは判断結果を返すだけでなく、「この判断にどれくらい自信があるか」を確信度というパーセンテージで教えてくれます。Jevの確信度が高いほど判定の正確さも高くなるため、システム側はこの数字を見て次の動きを安全に変えられます。
例えば、確信度が「90%以上」と高いときはシステムがそのまま自動で決済や通知を進めます。逆に、確信度が低いときだけ人間にチェックさせるといった振り分けも可能です。AIの「自信のなさ」を数値で把握できるため、間違えたまま勝手に処理が進んでしまうリスクを防ぎ、安全に業務の自動化を進められます。
筆者の感想
これまで、AIを使った作業はAIによる嘘であるハルシネーションのリスクがありました。ヒューマン・イン・ザ・ループといって、AIが出力した情報をすべて人が確認して、その内容が正しいか確認することが推奨されています。AIが作ったものは、人間が責任を取る必要があります。私が普段AIに質問している時も、情報の裏付けを取るのに苦労していました。
しかし人間が全てをチェックすると、AIによる生成速度のボトルネックになります。そこでJevを利用すると判断の一部を自動化できます。判定に自信がないデータのみ人間が確認するようにすると、確信度の高いデータをチェックする際の労力を削減できます。誤判定のリスクには注意が必要ですが、これまでより高速にチェックできる点は魅力です。
Jevは従来の文章生成AIと違って、ハルシネーションによる捏造された文章を提示しない点が画期的です。文章を出力せず、出力する形式も決まっているためプログラムが扱えないデータを混入させる余地がありません。質問を細かく分解し、出力を指定して扱いやすくする手法はこれまでの文章生成AIのベストプラクティスと共通するように思います。
これからAIが進歩すると、AIの生成スピードはより上がります。複雑なプログラムを書いたり、細かな情報を処理するケースも増えるかもしれません。そんな時に、大量のデータに対する判断を手伝ってくれるJevがあれば心強いと感じました。作業時間があれば、Jevを使って記事のタグチェックを作ってみたいと思います。
まとめ
Jevは会話文を作るのではなく、システム処理にそのまま使える明確な判定結果を返すAIモデルです。判定の自信を表す確信度を活用することで、自動処理と手動での最終確認を安全に組み合わせた仕組みを作れます。社内作業の自動化や新しいサービスの開発を検討する際は、公式の活用例を確認しましょう。
あとがき
Jevの判定機能を理解すると、システム開発における自動化の切り分けを効率よく進められるようになります。まずは公式ドキュメントで公開されている実際のAPI仕様を確認し、既存のシステム処理とどのように連携できるか整理してみるのがおすすめです。Jevを活用した新しい自動システムを一度検討してみてはいかがでしょうか。
コメント