文系ビジネスパーソンが理解する「Jevとは何か」。「文章をつくらないAI」は、LLMと何が違うの？

こんにちは。そねっちです。

Jev（ジェブ）というAIが、開発者の間で話題になっています。新しいAIの名前が次々に出てきて、追いかけるだけでもてんやわんやなのですが、、このJevは、普段使っているChatGPTやClaudeとは少し違います。

ただ、その違いがわかりづらいんですよね・・・。

「判断を型付きの値として返します」「文章をつくらず、判断だけをするAIです」と言われても、文系ビジネスパーソンの頭には「？？？」が浮かぶ。判断するって、いつものAIもやってるじゃん、と。

そこで今回は、LLMとJevは何が違って、その違いが仕事でどう役立つのかを、専門用語をできるだけほどきながら書いてみます。

どんな会社が、いつ出したのか

Jevは、米サンフランシスコを拠点とするTypeSafe AIが、2026年9月15日に早期アクセスを発表したAIモデルです。

共同創業者のDiogo Almeidaさんは、OpenAIで、ChatGPTにつながるInstructGPTの研究に携わった人。チームにはMetaなどの出身者もいます。AI開発のガチ勢が集まってつくった、くらいに理解すればOKです。

TypeSafeは、Jevのようにソフトウェアが使う判断を返すモデルを「System One Model」と呼んでいます。System One Modelが種類の名前で、Jevが具体的なモデルの名前、という関係です。

人と会話するAIをつくってきた人たちが、今度は「ソフトウェアの中で働くAI」をつくっている。ぼくは、ここもおもしろいと思っています。

TypeSafeの発表記事 ／ 開発チーム

LLM（Large Language Model）とSystem One Modelのちがい

まず、LLMは「大規模言語モデル」のことです。ここでは、ChatGPTやClaudeで文章を生成するときに使われる、一般的な生成型のモデルをイメージしてください。

LLMは、入力された内容と、それまでに出てきた言葉を踏まえて、次に続く言葉の候補と確率を計算する。それを繰り返して、文章をつくっていきます。

厳密には「トークン」という単語や文字のかたまりを扱いますが、まずは「文脈を見ながら、続きを少しずつつなぐ」と捉えるとわかりやすいです。

人間でたとえるなら、いまのぼくのように「どう書けば伝わるかな」と、言葉をつないで説明していく感じ。ただし、人間と同じ意識で考えている、という意味ではありません。

参考：Googleの言語モデル入門

Jevは、返すものが違います。

状況と質問を渡すと、用意した選択肢のどれに当たるか、どのくらい条件に合うか、といった判断を返します。回答文を一文字ずつ書いて、その中に答えを埋め込む必要がないんです。

たとえば「この発言は、決定事項？　それとも検討中？」と聞くなら、「決定事項・検討中・該当なし」という選択肢を用意しておく。Jevはその中から選び、確率も返す。

LLMは言葉をつないで文章をつくる。Jevは状況を読んで、決められた形で判断を返す。

まず押さえたいのは、この違いです。もちろんLLMも分類や判断はできます。違うのは「判断ができるかどうか」より、何を出力するためにつくられているか、なんですよね。

公式解説：System One

人間にたとえるなら、「説明する前に察する」感じ

たとえば、会議が終わったところで、上司から「ちょっと残って」と言われたとします。

声のトーンや表情で「あ、これは何かあるな」と察して、ちょっと嫌な汗が出る。なぜそう思ったのかを長々と説明するより先に、状況を受け取っているわけです。

もちろん、単にいい話があるだけかもしれませんが笑。

Jevを理解する入口としては、こうした言葉で順番に説明する前に、状況から素早く見当をつける感じが近いと思います。

「System One」という名前も、人間の速く直感的な思考を指す「システム1」の考え方から来ています。

ただ、熱いものに触れて手を引っ込めるような、身体の反射を再現した技術ではありません。あくまで役割を理解するためのたとえです。

ここで「Jevは推論しない」と言い切ってしまうと、少し話がずれます。

AIの分野では、学習済みのモデルが入力から答えを計算すること自体も「推論」と呼びます。
Jevもその計算はしています。省いているのは、理由や回答を自由な文章として生成することです。

逆に、LLMが文章を出すたびに、必ず長い思考の過程を組み立てているわけでもありません。

なので、「考えるAIと、何も考えないAI」という分け方より、「言葉で答えを組み立てるAIと、判断を直接返すAI」と捉えるほうが、誤解が少ないかなと思います。

ゲームで動かすと、違いがわかりやすい

TypeSafeは、ゲームの「Doom」をJevで動かすデモを公開しています。

ここでJevに渡しているのは、ゲーム画面の画像そのものではなく、ゲームの状況を文字やデータで表したものです。

イメージとしては、「いまの状況を受け取る → 次の操作を選ぶ → プログラムが操作する → 変わった状況をまた受け取る」という繰り返しです。

毎回、「現在の状況を分析すると、次はこう動くのがよいでしょう」と作文しなくても、次の操作が決まればゲームは進められる。

仕事の自動化でも、似た場面がありますよね。次に開く資料を選ぶ。結果を残すか判断する。確認が必要なものを人に回す。

次の動作が決まれば進める場面では、説明文を書かないことが、むしろ都合がいい。

ただし、Doomのデモは「どんなゲームでも得意」という証拠ではありません。開発元も、Doom専用につくった従来型のプログラムのほうがうまく遊べる可能性を明記しています。

公式発表内のDoomデモと補足

なぜ、文章を書かなくても判断できるのか

「説明をつくらないなら、答えはどこから出てくるの？」と思いますよね。

文章を理解することと、その結果を文章で説明することは、分けられます。迷惑メールの判定も、メールを読んで分類するために、毎回理由の作文をする必要はありません。

Jevも、学習したモデルで入力と質問を評価し、答えを返します。
答え方を「選択肢」「評価の数値」「条件が成り立つ確率」に絞ることで、そのままプログラムで使えるようにしているんです。

ただ、LLMに「選択肢だけで答えて」と指示しただけのものではありません。TypeSafeは、モデルの構造、答えを並列に返す仕組み、学習方法を、こうした用途に合わせてつくったと説明しています。

その学習方法が「RLCD」です。

名前を覚えるより、「判断と確率が、実際の結果に合うように鍛える学習」と捉えるとわかりやすいと思います。たとえば80％の確率をつけた予測をたくさん集めると、おおむね80％の割合で当たる、という対応を目指します。

一件ごとの正解を保証する意味ではありませんが、不確かさを数値として扱えると、自動で進める範囲と人に確認する範囲を設計しやすくなります。

ちなみに、公式資料では、事前学習した言語モデルを出発点にした学習の方向の一つとしてRLCDが説明されています。LLMと完全に無関係な技術というわけでもないんです。

違いは、何を学習の目標にして、どんな答えを返すモデルに仕上げるか。内部の詳しい構造まで公開されているわけではないので、「一回の計算で全部わかる」とまでは言えません。

公式解説：学習の目的とRLCD ／ 確率と信頼度の扱い

仕事では、「選ぶ」と「書く」を分担できる

さっきの会議の例に戻ると、違いがもう少し具体的になります。

議事録の中には、「来月からこの方針で進めます」もあれば、「来月から変えるのはどうでしょう？」もあります。

どちらにも「来月」が入っていますが、前者は決定、後者は提案です。単語だけで機械的に分けるのは難しいですよね。

そこで、発言と必要な前後関係をJevに渡して、決定事項か、検討中かを選ばせる。決定事項として選ばれた原文を一覧に並べるのはプログラム。部内に共有する文章が必要なら、そこからLLMに書いてもらう。

これは仕組みを理解するための応用例ですが、こんなふうに役割を分けられます。

Jevが返す答えには、選択肢から選ぶ「Choice」、尺度で評価する「Score」、条件が成り立つ確率を返す「Noul」があります。技術者と話すときは、「ここで欲しいのは文章？　選択結果？　評価の数値？」と考えると、使いどころを相談しやすいです。

ただ、そもそも日付順に並べるだけなら普通のプログラムで十分です。Jevを検討するのは、文脈や意味を読まないと決めにくいところ。

また、選択肢の中から答えるからといって、選択ミスがなくなるわけではありません。大事な決定事項を拾い漏らさないかは、実際の記録で確かめる必要があります。

本当にうれしいのは、細かな判断を何度も挟めること

Jevが狙っているのは、こうした判断を「高速に」「大量に」「低コストで」繰り返すことです。

ぼくが注目しているのは、一回の回答が速くなること以上に、これまで手間や費用の都合で省いていた確認を、仕事の途中に入れやすくなること。

資料100件のそれぞれが、今回の調査に関係するか。AIがつくった回答が、参照資料に沿っているか。いま終わった作業で、次に進んでよさそうか。

こういう小さな判断が安く、速くできるなら、AIに仕事を任せる仕組みも変わってきます。実際の効果は仕事ごとの検証が必要ですが、開発者が反応している理由はここにある、とぼくは見ています。

部長に説明するなら、「Jevは、文章を書くAIとは別に、仕事の途中の選別や点検を任せるためのAIです。LLMと組み合わせて、繰り返し発生する判断の待ち時間や費用を減らせるかもしれません」くらいで、使いどころの話に入れると思います。

というわけで、JevとLLMの違いについてでした。具体的にどんな使い方が出てきているのかは、別の記事で紹介します。

ここまで読んでもらい、ありがとうございました！