生成AIに質問すると、わかりやすい説明や丁寧な文章が返ってきます。メールの作成や資料の要約など、文章を扱う仕事で活用している方も多いのではないでしょうか。
一方、業務の中には、文章よりも「判断結果」が必要な場面があります。
「この問い合わせは、どの部署に送ればよいか」
「この案件は、優先して対応すべきか」
「この書類は、人が確認する必要があるか」
こうした判断をソフトウェアの中で扱うことに特化したAIが、TypeSafe AIの「Jev」です。同社は2026年9月、Jevを最初の「System Oneモデル」として発表しました。公式発表 なお、Jevは現時点で早期アクセスの段階です。
今回は、Jevの仕組みと、業務自動化でどのように役立つのかを紹介します。
AIに欲しいのは、文章とは限らない
たとえば、お客様から次のような問い合わせが届いたとします。
同じ商品について、代金が二重に請求されています。確認して返金してください。
AIに担当部署を尋ねると、一般的な文章回答では、次のような返答が考えられます。
請求に関するお問い合わせのため、経理部に引き継ぐのが適切です。
人が読んで対応するなら、これで十分でしょう。
しかし、システムが自動で振り分ける場合に必要なのは、「経理部」という結果です。さらに、「どの程度確かな判断なのか」が分かれば、自動で処理する案件と、人に確認を求める案件を分けられます。
Jevは、このようにプログラムが利用する判断結果を返すために設計されています。公式ドキュメント
Jevは何を返すのか
Jevには、判断の材料と質問を渡します。問い合わせの文章を材料として、「経理部・営業部・技術部のうち、どの部署が対応すべきか」と質問する、といった使い方です。
返ってくるのは、説明文ではなく、選択結果や確率です。
| 項目 | 回答のイメージ |
|---|---|
| 選択された部署 | 経理部 |
| 経理部である確率 | 90% |
| 営業部である確率 | 7% |
| 技術部である確率 | 3% |
※数値は仕組みを説明するための架空の例です。
「テンプレート化された回答が返る」と考えるとイメージしやすいかもしれません。ただし、用意された定型文をそのまま返す仕組みではありません。回答の枠をあらかじめ決め、その中で入力内容に応じた判断をする仕組みです。
公式ドキュメントでは、基本となる回答形式は次の3種類です。
| 回答形式 | できること | 業務での質問例 |
|---|---|---|
| Choice（選択） | 指定した候補から選ぶ | どの部署が対応すべきか？ |
| Score（評価） | 定義した基準に沿って評価する | この問い合わせの緊急度はどの程度か？ |
| Noul（真偽の確率） | ある内容が正しい確率を返す | お客様は返金を求めているか？ |
ChoiceとScoreでは、結果に加えて確率分布や確信度も返します。確信度は、確率の偏りを0〜1の数値にまとめた指標です。回答形式の公式説明
なお、文章生成を行うAIにも、指定された形式で回答する機能はあります。Jevの特徴は、回答の見た目だけでなく、モデルの学習や出力の仕組みを、こうした判断に合わせて設計している点にあります。公式発表
業務システムでどう使えるのか
使い方をイメージしやすいのは、問い合わせ対応です。
まずJevが文章を読み、問い合わせの種類や緊急度などを判断します。次に、業務システムがその結果を使って、担当部署への振り分けや、人の確認待ちとして登録する処理を行います。
たとえば、次のような運用が考えられます。
- 担当部署が明確な問い合わせは、自動で振り分ける。
- 複数の部署に関係しそうな問い合わせは、人が確認する。
- 緊急度が高いと判断された問い合わせは、優先対応の候補にする。
ポイントは、判断結果を受けて何を実行するかは、業務システム側で決めることです。
「返金を求めている」と判断できても、それだけで返金してよいとは限りません。実際の請求記録や返金条件などを確認する処理と組み合わせる必要があります。公式ドキュメントでも、AIの回答とプログラムによる確認を組み合わせる設計が示されています。業務への組み込み方
この考え方は、文書の分類や関連度の評価などにも応用できます。人が毎回判断している作業のうち、回答の選択肢や評価基準を明確にできる部分が、検討の出発点になります。
確率があれば、迷っている案件を分けられる
判断と一緒に確率を返すのは、なぜでしょうか。
たとえば、経理部と判断した案件でも、「経理部90%、営業部7%、技術部3%」の場合と、「経理部40%、営業部35%、技術部25%」の場合では、判断の明確さが違います。
後者を人に回す仕組みがあれば、すべての案件を無理に自動処理する必要がなくなります。
TypeSafeは、予測した確率と実際の結果が対応するように学習させる手法を採用していると説明しています。公式発表 たとえば、80%と予測した事例を多数集めたとき、実際にもおよそ80%が正しくなる状態を目指します。これを「校正」と呼びます。校正の考え方
ただし、確率が付いているだけで、その数値を無条件に信頼できるわけではありません。自社の問い合わせや文書で試し、どの範囲を自動処理できるか確かめる必要があります。
また、Jevが返す「確信度」を、そのまま正答率として読むことはできません。「確信度90%なら正答率も90%」とは限らないため、導入時には区別して扱います。確信度の公式説明
「ハルシネーションなし」は「間違えない」ではない
Jevの紹介で目を引くのが、「ハルシネーションがない」という表現です。
ハルシネーションは、AIが事実に基づかない情報を、もっともらしく出力する現象を指します。TypeSafeはJevについて、指定した出力形式への適合を保証すると説明しています。これは実験で測った精度ではなく、出力の形式が仕組みの上でずれないという設計上の保証です。公式発表
ここでは、二つの問題を分けて考える必要があります。
一つは、指定していない部署名を勝手に作ってしまうこと。もう一つは、用意された部署の中から、間違った担当を選んでしまうことです。
選択肢を制限すれば、前者は防げます。しかし、本来は経理部に送るべき問い合わせを営業部に分類する、といった誤判断は残ります。
回答の形式が正しいことと、回答の内容が正しいことは別です。 公式ドキュメントも、個々の回答の正しさを保証するものではないと説明しています。公式仕様
生成AIと組み合わせることで、用途が広がる
Jevは、返信文や記事を書いたり、判断理由を文章で説明したりするモデルではありません。公式仕様
そのため、文章生成が必要な業務では、役割を分担する構成が考えられます。
- Jevが判断する
問い合わせの種類、担当部署、緊急度などを判定します。 - プログラムが処理を決める
業務ルールや記録と照合し、振り分けや確認依頼を行います。 - 生成AIが文章を作る
確認済みの情報をもとに、お客様への返信案を作成します。 - 必要な場面で人が確認する
判断が曖昧な案件や、個別対応が必要な案件を確認します。
Jevが示しているのは、AIの判断をソフトウェアの部品として組み込む方向性です。
自社で活用を考える際は、「どの作業をAIに任せられるか」と大きく捉えるだけでなく、「この業務の中で、繰り返している小さな判断は何か」と分解してみると、具体的な候補が見つかるかもしれません。
※本記事は2026年10月15日時点の公開情報に基づく下書きです。製品の仕様や提供条件は変更される可能性があります。