概要
Jev は TypeSafe AI のモデルで、テキストを書く代わりに型付きの質問に答えます。state（メール、CRM のレコード、契約条項などをテキストまたは JSON で）と、名前を付けた 1 つ以上の質問を送ると、構造化された回答が返ります。回答の種類は、定義した最大 255 個の選択肢から選ぶ choice、最大 10 段階のルーブリックで評価する score、そして記述が真である確率を 0 から 1 で返す noul です。choice と score の回答には、確率分布の全体と confidence の値も含まれます。パースすべき文章も、再試行が必要な壊れた JSON もありません。
TypeSafe は 2026 年 9 月にステルスを脱し、2026 年 10 月 9 日に、Andreessen Horowitz がリードし Sequoia と DCVC が参加する 8 億 7,000 万ドルの調達（評価額 75 億ドル）を発表しました。typesafe.ai 上では、製品は現在も早期アクセスと表示されています。アクセス手段は単一の REST エンドポイント（POST https://api.typesafe.ai/v1/systemone）と、Python および JavaScript の SDK です。ドキュメントには Zapier、Make、n8n のネイティブコネクタの記載がないため、これらのツールでは HTTP リクエストのステップから呼び出します。
Ops の自動化のどこに収まるか
Jev が担うのは自動化の中の「判断」であり、自動化そのものではありません。導入する価値がある具体的なユースケースは次のとおりです。
- チケットのトリアージ。 1 回の呼び出しで、同じチケットに対して「どのキューか」（choice）、「緊急度は」（score）、「返金依頼か」（noul）を同時に尋ねます。TypeSafe は質問を並列に評価するため、質問を追加してもレイテンシはほとんど変わりません。
- リードルーティングの事前チェック。 ルーターが担当者を割り当てる前に、インバウンドのフォームや返信をセグメント、意図、「既存顧客か」で分類します。
- 承認ゲート。 経費の事前承認、ディスカウントデスクのトリアージ、「この条項は自社のプレイブックから外れているか」を、確率付きの Yes/No で判定します。
- エージェントのツール呼び出し承認。 エージェントが提案したアクションがユーザーの依頼と一致しているかを、実行前に Jev に確認させます。
TypeSafe がドキュメントで示しているパターンは、信頼度に応じたルーティングです。高いしきい値を超えれば自動で実行し、中間帯では確認を求め、おおむね 0.5 を下回るものは人に回します。
価格の実態
Jev 1.13 と Jev 1.14 はいずれも入力 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（TypeSafe のモデルページ、2026 年 10 月 21 日に確認）。シート単位のライセンスはありません。エンタープライズプランでは、営業経由でより高いレート制限とゼロデータ保持が追加されます。
Ops の処理量では、請求額は誤差の範囲です。月 10 万件のチケットを 1 件あたり約 1,500 入力トークンで処理すると 1 億 5,000 万トークン、約 6.30 ドルです。同じ量を OpenAI の Decisions API（入力 100 万トークンあたり 0.10 ドル、出力は課金なし）で処理すると約 15 ドル。GPT-6 Luna のような汎用モデルを Responses API 経由で使うと、回答 1 件あたり約 50 出力トークン分を支払って約 17.50 ドルになります。この購買判断を決めるのは価格ではありません。決め手は、自社のラベルに対する精度と、信頼度の数値が自社のデータで意味を持つかどうかです。
最適な対象
n8n、自社サービス、エージェントフレームワークでトリアージやルーティングをすでに運用しており、レコード 1 件につきラベルを 1 つ出すためだけに LLM へコストやレイテンシを費やしている RevOps、サポート Ops、Legal Ops のエンジニア。得られるのは、速度、ほぼゼロのコスト、そしてしきい値を設定できる確率です。
向いていないのは、 API を呼び出してラベル付きテストセットを維持できる人がいないチームや、判断に多段階の推論、計算、日付ロジックが必要なワークフローです。
代替手段との比較
OpenAI の Decisions API は直接の競合で、すでに OpenAI 上で運用しているなら標準的な選択肢です。2026 年 10 月 6 日に gpt-6-luna 上でパブリックベータとなり、同じ 3 種類の質問形式（predicate、choice、score）を、入力 100 万トークンあたり 0.10 ドルで提供しています。ZDR、HIPAA 適格性、EU のデータレジデンシーを営業との商談なしで今すぐ必要とする場合や、契約先ベンダーを 1 社にまとめたい場合はこちらを選びます。非常に大きな処理量で入力コストやレイテンシが制約になる場合、そして自社の評価で Jev が Luna を上回る場合は Jev を選びます。調達に関する HN のスレッドでは、本番の評価でそうなったと報告したコメント投稿者が少なくとも 1 人いました。
構造化出力を使う汎用 LLM（Claude、ChatGPT のモデル） は、現在ほとんどのチームが使っている方法です。判断に多段階の推論が必要な場合や、監査証跡のためにラベルと一緒に説明文も残したい場合は、こちらを維持してください。
ヘルプデスクやルーターのネイティブなトリアージ（Zendesk、Intercom、LeanData） は、ベンダー組み込みの AI やルールで自社のカテゴリがすでにカバーできている場合の正解です。そこにモデル呼び出しを足しても、依存関係が増えるだけで得るものはありません。
注意点
- 「confidence」は較正された精度ではありません。 TypeSafe 自身のドキュメントは、これを確率分布がどれだけ集中しているかを示す統計量と定義しており、実測の正答率ではありません。HN のコメント投稿者は較正の主張に異議を唱え、ビジネス領域のラベルでは汎用 LLM の方が正確だったという報告もありました。対策：結果が分かっている過去のレコード 200〜500 件を Jev に通し、信頼度の帯ごとの精度をグラフにして、そのグラフをもとに質問ごとにしきい値を決めてください。
- ドキュメントに記載された弱点。 TypeSafe の Jev 1.13 に関する注記には、choice の質問で最初の選択肢を選びやすい傾向、数値・日付・二重否定の扱いの弱さ、state に無関係な情報が含まれると精度が落ちることが挙げられています。対策：日付、金額、SLA は呼び出し前にコードで計算し、state を必要なフィールドだけに絞り、リスクの高い判断では選択肢の順序をシャッフルするか、ドキュメントにある自己一貫性（self-consistency）のパターンを使ってください。
- state は敵対的な入力として扱われません。 同じ注記によれば、入力に注入された指示で回答が変わることがあり、「zero hallucinations」というマーケティング文句とは食い違います。対策：顧客が送ってきたテキストに基づく返金、削除、契約上のアクションを Jev の回答だけで実行させないでください。一定のコストを超える場合は、二重チェックか人の確認を必須にします。
- 早期アクセスのベンダーで、エイリアスが移動します。
jev-latestとjev-previewは新しいリリースが出ると参照先が変わり、ドキュメントには非推奨化のポリシーが書かれていません。対策：jev-1.13.0（または検証済みのバージョン）を固定し、バージョンを変える前に評価セットを再実行し、モデル呼び出しを 1 つの関数の裏にまとめて、半日で OpenAI のエンドポイントに切り替えられるようにしておきます。