TypeSafe Jevとは？料金と活用法をJava視点で整理

「このログ、問題ある？」とClaudeに聞くたびに、数秒待たされてトークンも減っていきます。

私はブログの投稿と分析をClaude Codeで自動化していて、判断だけしてほしい場面の重さがずっと引っかかっていました。

2026年9月15日に早期提供が始まったTypeSafe Jevは、文章を書かず、選択肢と確率だけを返すAIです。料金は入力100万トークンあたり0.042ドルで、出力は無料。応答は70〜500ミリ秒です。

ChatGPTやClaudeのような大規模言語モデル（LLM）の代わりではなく、LLMの前後に置く判断部品として使います。

情報は2026年9月19日時点で、公式ドキュメントと公開記事から確認できた範囲です。早期アクセス中のため、価格やモデル名、制限は変わる可能性があります。

Jevとは？文章を書かず「判断」だけ返すAI

Jevとは、TypeSafe AIが2026年9月15日に早期提供を始めた、文章を生成せず型付きの判断だけを返すAIモデルです。

ChatGPTやClaudeが返すのは文章で、読み取るのは人かプログラムの側です。

Jevは最初から、プログラムが扱える値で返します。カテゴリ名、Yes/Noの確率、段階評価の位置といった形です。

TypeSafeはJevのようなモデルを「System One Model」と呼んでいます。

名前は、ダニエル・カーネマンが『ファスト&スロー』で広めた「システム1」、つまり速くて直観的な思考に由来します。

入力は「状態」と「質問」の2つだけ

Jevに渡すのは、判断の材料になる文章（状態）と、答え方を決めた質問の2つです。

たとえば、次の問い合わせが届いたとします。

売上金の振り込みが3日間ずっと失敗しています。助けてください！

この1通に対して、次の3つを同時に聞けます。

3つの答えは、1回のリクエストでまとめて返ってきます。値はCloudflareが載せているJevのドキュメントの例のままです。

確信度（confidence）は、判定ごとにJevが付ける「どこまで信用してよいか」の目安です。部署は0.8、苛立ちは0.94でした。

確率と確信度は別の値です。部署の例では、請求の確率が0.87、確信度が0.8で、同じ数字にはなりません。

Choice・Score・Noulの3つの質問形式

質問の型は3つだけです。先ほどの例で使った3つが、そのまま全種類です。

Noulは、Yes/Noを聞く型の名前です。

Scoreは、0〜100点のような細かい点数ではなく、最大10段階の目盛りです。緊急度を100点満点で出したい場合は、質問側で段階を10以内に切り直します。

Jevの料金は？入力100万トークン0.042ドル

料金は入力100万トークンあたり0.042ドル、出力トークンは無料です。

トークンは、AIが文章を数える単位です。

公式サイト（typesafe.ai）の表記は「10億入力トークンあたり42ドル」で、100万トークンに直すと0.042ドルです。

利用回数ごとの料金の目安

1,000トークンの判定なら1回あたり約0.000042ドル。1万回回しても約0.42ドルです。

出力は無料なので、質問を増やして返る値が増えても、料金は状態と質問の入力分だけで決まります。

無料枠と利用上限、入口ごとの料金確認

無料枠や初回クレジットの有無は、2026年9月24日時点で公式サイトに記載を確認できませんでした。請求条件は、コンソールで確認してから使い始めてください。

1回のリクエストに渡せる量と、レート制限は次のとおりです。

TypeSafe以外の入口では、料金の確認先が変わります。Cloudflare経由の価格はCloudflareのダッシュボードで確認します。OpenRouter経由は、入力トークンのみ課金で出力は無料と案内されています。詳しくは後述の「Jevの始め方」で入口ごとに整理しています。

LLMとJevの違いは？速度・コスト・確信度で比較

Jevが変えるのは判断の賢さではなく、判断1回あたりの速度とコスト、確信度の返り方です。

私が最初に気になったのは、Jevが安いだけのLLMなのか、それとも別物なのか、でした。

答えは、別物です。LLMには無い性質がひとつあります。

応答は70〜500ミリ秒、出力は無料

LLMとJevの違いは、返すものと課金の形に出ます。

参考までに、Claude Haiku 4.5の入力単価は100万トークンあたり1ドルです。Jevの単価は、その約24分の1にあたります。

確信度が返ることで何が変わるか

LLMにない性質は、判断ごとに確信度が返ってくる点です。

primeline.ccの検証では、公開データセットでJevを試しています。

確信度0.9以上に絞ると精度は92%（全体の73%が該当）、0.8未満では約50%でした。

確信度が高い判断だけを自動処理し、低い判断は人かLLMに回す運用が成り立ちます。

同じ検証では、確信度が最も当てになるのはYes/No、最も当てにしにくいのは段階評価でした。私なら迷ったときは、Yes/Noの質問（Noul）へ割って複数並べます。

Claude Haikuに負けた検証結果も

Jevが常に勝つわけではありません。同じ検証は、実務寄りの2つのタスクでClaude Haiku 4.5とも比べています。

コミットメッセージの分類ではJevが、知識ベースの項目の分類ではHaikuが上回りました。タスクの性質で勝ち負けが入れ替わります。

検証の筆者は、同じ分類結果ならどのLLMでもJSONで得られるが、確信度は得られないと結論づけています。

ただし1人の第三者による検証で、追試は確認できていません。だからこそ、手元のデータで試す価値があります。

Jevの活用法5パターンと公開事例

活用先は、判断を1つずつ切り出せる場所に集まります。

Qiitaの調査記事によると、発表から2日でJev関連のGitHubリポジトリは300件を超えました。

マリオに五目並べに取引ボットと、発表2日とは思えない賑わいです。

事例は発表直後の実験や個人プロジェクトが中心で、本番運用の実績はまだ確認できません。

問い合わせを自動で振り分ける使い方

最も素直な用途は問い合わせの仕分けです。

開発者向けガイドの例では、二重請求を訴えるチケットに、担当部署（Choice）、顧客の苛立ち（Score）、返金の要望（Noul）を1回のリクエストで聞いています。

Javaでいえば、キーワードのcontainsで分岐するif / else ifの羅列を、型付きの判定1回に置き換える発想です。

「返金」を含むかどうかで分けるルールは、表記ゆれが出るたびに条件が増えていきます。

LLM呼び出し前に判断を絞るゲート

ゲートは、LLMを呼ぶ前に通す関所です。

巨大なログを毎回Claudeに渡して「重大な問題はある？」と聞く代わりに、先にJevへ「問題の疑いがあるか」（Noul）だけを聞きます。

疑いが低ければそこで終了。高いとき、または判断がつかないときだけLLMを呼びます。

見込める効果は、入力単価がHaiku 4.5の約24分の1で、応答の中央値が約100ミリ秒である点です。

代わりに、Jevが問題を見逃すリスクを引き受けます。見逃しが許されない用途では、Jevが「問題なし」と答える条件を、noulの値がより低いものに絞り、残りはLLMへ流します。

ツール実行前の安全確認（ガードレール）

公式はJevの用途に、検証、判定、ガードレール（AIの暴走を防ぐ安全策）を挙げています。

Claude Codeのようなエージェントがrm -rfを実行する直前に、コマンドの危険度を「安全」「注意」「危険」から選ばせる案です。Claude Codeなら、ツール実行前に処理を差し込めるhooksから呼ぶ形になります。

ただ、Jevを最後の砦にはしません。開発者向け解説は、失敗しやすいパターンのひとつに敵対的な文章への弱さを挙げています。

削除系のコマンドは正規表現などの決まったルールで先に弾き、Jevにはルールをすり抜けるグレーな範囲の最初の判定だけを任せます。

大量データの分類とルーティング

件数が増えるほど、単価の低さが効いてきます。

Qiitaの調査記事が紹介するX上の報告では、AI論文1,018本の分類が合計0.08ドルでした。

同記事のフィッシング判定の比較テストでは、Jev単独の判定は精度62.6%、5つの信号を合成すると95.1%でした。

切り口の違う質問を複数投げて合成する設計が効く実例です。

ゲームAIなどリアルタイム判断

公式のDOOMデモは、秒間10クエリで約7ドル/時間のコストと説明されています。

1時間で36,000回の判断なので、1回あたり約0.0002ドルです。判断1回が安く速いと、遊びの実験も増えます。

ただ、ゲームの判断すべてをJevに任せる設計には疑問があります。

ぶっちゃけ、HPや弾薬の残数のように数値のしきい値で決まる判断は、Javaのif文のほうが確実で速い。

Jevは計算が苦手なので、なおさらです。

Jevに渡すのは、「敵に囲まれていて危険か」のように、数値だけでは割り切りにくい状況の読み取りに絞るのが妥当です。

Jevの始め方｜APIキー取得からクイックスタートまで

2026年9月24日時点で、Jevの入口は6系統です。ブラウザで試すプレイグラウンド、REST API、SDK、公式スキル、Cloudflare経由、OpenRouter経由です。

Cloudflare経由とOpenRouter経由を除き、最初にコンソールでログインします。APIキーが必要なのは、REST APIとSDKです。

Cloudflare経由では、モデルIDはtypesafe/jev、コンテキストは32,000トークンです。価格は、Cloudflareのダッシュボードで確認します。

OpenRouter経由では、モデルIDはtypesafe/jev-1.13（別名~typesafe/jev-latest）で、コンテキストは同じく32,000トークンです。OpenRouterの公式ガイドによると、入力トークンのみ課金で出力は無料。認証にはOpenRouterのAPIキーを使います。

Step1 コンソールにログインしてAPIキーを発行する

コンソール（console.typesafe.ai）を開き、Googleアカウントか、メールで届くコードでログインします。

ログインを続けると、利用規約とプライバシーポリシーに同意したことになります。

APIキーは、キー画面（console.typesafe.ai/keys）で発行します。

SDKは環境変数TYPESAFE_API_KEYを自動で読むため、発行したキーはここに設定しておきます。

export TYPESAFE_API_KEY="発行したAPIキー"

gihyo.jpによると、早期アクセスは、ウェイトリストに登録した開発者へ順次案内する方式です。

サイトの利用規約は、利用を個人利用の限定ライセンスとし、米国外での利用可否は表明していません。業務で使う前に、契約条件を確認してください。

Step2 プレイグラウンドで質問を試す

プレイグラウンドは、コードを書かずにJevを試せる画面です。

1. プレイグラウンド（console.typesafe.ai/playground）を開いてログインする
2. 状態（state）の欄に、判断させたい文章を貼る
3. 質問を追加する。最初は、Yes/Noを聞くNoulの質問（Does this message express urgency?）が試しやすい
4. Choice、Score、Noulを混ぜて追加し、1回の結果で全部確認する

日本語の文も入力できますが、精度は英語より下がります。

自分の文と英語の文で結果を見比べておくと、精度の差をつかめます。

Step3 curlで最初のリクエストを送る

APIは、Bearerトークンを付けて、質問をJSONで送るだけです。送り先はPOST https://api.typesafe.ai/v1/systemoneです。

curl -X POST https://api.typesafe.ai/v1/systemone \
  -H "Authorization: Bearer $TYPESAFE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "state": "売上金の振り込みが3日間ずっと失敗しています。助けてください！",
    "model": "jev-latest",
    "questions": {
      "is_urgent": {
        "type": "noul",
        "instructions": "The message conveys urgency or time-sensitivity"
      }
    }
  }'

必須のフィールドは、state、model、questionsの3つです。

modelにはjev-latestを指定します。現時点ではjev-1.13.0を指す別名です。

返ってくるJSONのanswers.is_urgent.noulに、緊急である確率が0〜1で入ります。公式ドキュメントの例（英語の問い合わせ文）では、0.999が返っています。

{
  "model": "jev-latest",
  "answers": {
    "is_urgent": { "type": "noul", "noul": 0.999 }
  }
}

Step4 SDKでPythonから呼ぶ

Python 3.10以上なら、公式SDKで書けます。

pip install typesafe-sdk

# uvを使う場合
uv add typesafe-sdk

SDKは環境変数TYPESAFE_API_KEYを自動で読み、既定でjev-latestを呼びます。

from typesafe_sdk import Choice, Noul, TypeSafeClient

client = TypeSafeClient()  # 環境変数 TYPESAFE_API_KEY を自動で読む

response = client.system_one(
    state="売上金の振り込みが3日間ずっと失敗しています。助けてください！",
    questions={
        "department": Choice(
            instructions="Which team should handle this",
            criteria={
                "billing": "Payment or subscription issues",
                "technical": "Bugs or integration problems",
                "sales": "Pricing or account questions",
            },
        ),
        "is_urgent": Noul(instructions="The message conveys urgency or time-sensitivity"),
    },
)

print(response.answers["department"].choice)  # 選ばれた部署
print(response.answers["is_urgent"].noul)     # 緊急である確率（0〜1）

Python SDKは、429と529を自動でリトライします。Javaでは自分で書く部分です。

TypeScriptは、npm install @typesafe-ai/sdkで入ります。Node 20以上が必要です。

Step5 Claude Codeにスキルを入れる

Claude Codeを使うなら、TypeSafeの公式スキルを入れておくと、Jevの使い方を知った状態で実装を頼めます。

claude plugin marketplace add typesafe-ai/skills
claude plugin install typesafe@typesafe-ai

Claude Code以外のエージェントでは、npx skills add typesafe-ai/skills --skill typesafe-aiを使います。

npxでの導入は、既定ではプロジェクト単位です。-gを付けると、全体に入ります。

入れたあとは、エージェントにTypeSafeのスキルを使うよう伝えて頼みます。

たとえば「複数の文書を複数の観点で評価するCLIを作って」といった依頼です。

JavaからJev APIを呼ぶ手順とif文への接続

JavaからJevを使うには、HTTPでREST APIを呼び、返ってきたJSONの確信度でif文を分岐させます。

公式は、Jevを最先端のAIの判断を関数のように呼び出せる仕組みと位置づけています。戻り値をそのままコードに流せます。

2026年9月19日時点で、Java向けの公式SDKは確認できませんでした。それでも、REST APIをJava標準のHttpClientで呼べば足ります。

Java HttpClientでのリクエスト例

呼び出しは4つの手順で済みます。

1. 環境変数TYPESAFE_API_KEYにAPIキーを設定する
2. stateに問い合わせ文、questionsに質問を入れたJSONを組み立てる
3. Authorizationヘッダーを付けてPOSTする
4. 返ってきたJSONのanswersから、選択肢と確信度を取り出す

テキストブロックを使うため、Java 15以降で動きます。

JSONの処理にはjackson-databindを使います。Spring Bootなら標準で入っています。

import com.fasterxml.jackson.databind.JsonNode;
import com.fasterxml.jackson.databind.ObjectMapper;
import java.net.URI;
import java.net.http.HttpClient;
import java.net.http.HttpRequest;
import java.net.http.HttpResponse;
import java.time.Duration;

/** TypeSafe Jev の REST API を呼び出す最小クライアント */
public class JevClient {
    private static final URI ENDPOINT = URI.create("https://api.typesafe.ai/v1/systemone");
    private static final ObjectMapper MAPPER = new ObjectMapper();
    private final HttpClient http = HttpClient.newHttpClient();
    private final String apiKey = System.getenv("TYPESAFE_API_KEY");

    /** 問い合わせ文を state に入れ、担当部署を選ばせるリクエストJSONを組み立てる */
    static String buildBody(String message) throws Exception {
        return """
            {
              "model": "jev-latest",
              "state": %s,
              "questions": {
                "department": {
                  "type": "choice",
                  "instructions": "Which team should handle this?",
                  "criteria": {
                    "billing": "Payments, invoicing, refunds",
                    "technical": "Bugs, outages, integrations",
                    "sales": "Pricing, upgrades, new accounts"
                  }
                }
              }
            }
            """.formatted(MAPPER.writeValueAsString(message));
    }

    /** 判定結果（answers.department）を返す。choice と confidence を含む */
    public JsonNode routeDepartment(String message) throws Exception {
        HttpRequest request = HttpRequest.newBuilder(ENDPOINT)
                .timeout(Duration.ofSeconds(5))
                .header("Authorization", "Bearer " + apiKey)
                .header("Content-Type", "application/json")
                .POST(HttpRequest.BodyPublishers.ofString(buildBody(message)))
                .build();
        HttpResponse<String> response =
                http.send(request, HttpResponse.BodyHandlers.ofString());
        if (response.statusCode() != 200) {
            throw new IllegalStateException("Jev API error: " + response.statusCode());
        }
        return MAPPER.readTree(response.body()).path("answers").path("department");
    }
}

問い合わせ文はObjectMapper.writeValueAsStringでエスケープしてからJSONに埋めています。改行や引用符を含む文を渡しても、JSONは壊れません。

HttpClientは既定ではタイムアウトがないため、リクエストに5秒の上限を付けています。

200以外のときは例外にして、呼び出し側で対応を分けます。公式ドキュメントが挙げるステータスは4つです。

サンプルコードは200以外をすべて例外にするだけで、リトライは含めていません。

本番で組み込む場合の分岐を図にすると、次のようになります。

確信度3段階でif文に接続する

返ってきたchoiceとconfidenceは、そのままif文の条件になります。

JevClient client = new JevClient();
JsonNode dept = client.routeDepartment(message);
String team = dept.path("choice").asText();
double confidence = dept.path("confidence").asDouble();
if (confidence < 0.5) {
    escalateToHuman(message);            // 確信度が低いものは人に回す
} else if (confidence > 0.9) {
    assignTo(team, message);             // 確信度が高いものは自動で振り分ける
} else {
    askOperatorToConfirm(team, message); // 中間は担当者に確認する
}

escalateToHumanなどは業務側で用意するメソッドです。

0.9と0.5の2つのしきい値は、開発者向け解説が挙げる3段階の運用例です。

ただし、確信度0.9以上で精度92%の数値は、前述の検証での結果にすぎません。日本語の問い合わせ文なら、しきい値は自前のデータで測り直す前提です。

Noulにはconfidenceがありません。noulの値そのものをしきい値にして、0.9超なら肯定、0.1未満なら否定として自動処理します。

Jevが向かない仕事と失敗しやすい落とし穴

Jevは文章もコードも書けず、計算と日付にも弱いため、判断の入口だけを任せる設計が前提です。

落とし穴は仕様よりも、質問の書き方に出ます。

Jevの出力は、決めた選択肢や型の外に出ないため、存在しない選択肢を作るハルシネーションは起きません。ただし範囲の中では、間違った値も普通に返します。

生成・計算・日付は任せられない

開発者向け解説によると、Jevは返信文も説明もコードも書きません。数を確実に数える能力もなく、日付の比較や相対表現も不正確です。

画像や音声、動画も扱えません。入力はテキストのみです。

数値で決まる判断はJavaのコードに、文脈を読む判断はJevに振り分けます。

矛盾する指示は字句どおり処理される

質問の指示と選択肢の説明が食い違うと、Jevは選択肢の説明を無視して、指示を字句どおりに処理します。

primeline.ccの検証では、20件中20件で誤った結果になりました。

解説記事は同じ系統の失敗として、二重否定や、何段もの論理参照でも精度が落ちると挙げています。

最初の対策は2つあります。質問を1つの判断に絞って肯定形で書く。指示と選択肢の説明を同じ向きにそろえる。

日本語精度と敵対的入力の注意点

公式ドキュメントは、英語が最も精度が高く、日本語、中国語、韓国語は扱えるものの英語と同等ではないと明記しています。

自社のデータで確かめ、振り分けでは確信度を重視するよう案内しています。

日本語の記事や問い合わせを扱う用途では、日本語精度が最初の関門になります。

敵対的な入力への弱さも、失敗しやすいパターンとして挙がっています。外部から入ってくる文章をそのまま状態に入れる場面では、Jevの判定だけで実行の可否を決めません。

Jevのよくある質問｜料金、使い方、日本語対応

料金、Javaからの呼び出し、日本語対応など、Jevで特に聞かれやすい疑問に答えます。

料金や仕様は早期アクセス中に変わる可能性があるため、公式サイトの最新情報とあわせて確認してください。

Q1. Jevとは何ですか？

A1. Jevとは、TypeSafe AIが2026年9月15日に早期提供を始めた、文章を生成せず型付きの判断と確信度だけを返すAIモデルです。

入力は状態と質問で、質問はChoice、Score、Noulの3種類です。

Q2. Jevの料金はいくらですか？

A2. 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。

2026年9月19日時点の早期アクセスでの料金で、今後変わる可能性があります。

Q3. JevはJavaから使えますか？

A3. 呼び出せます。

公式SDKはPythonとTypeScriptのみです。

REST API（POST https://api.typesafe.ai/v1/systemone）をJava標準のHttpClientで呼びます。

認証はBearerトークンです。

Q4. JevはChatGPTやClaudeの代わりになりますか？

A4. なりません。

Jevは文章もコードも生成できません。

判断の部分をJevに任せ、文章や設計はLLMに残す使い分けが前提です。

Q5. Jevは日本語でも使えますか？

A5. 使えますが、精度は英語ほど出ません。

公式ドキュメントは、日本語、中国語、韓国語は扱えるものの英語と同等ではないとし、自社データでの検証と確信度の重視を案内しています。

Q6. Jevの確信度はどう使えばよいですか？

A6. 確信度が高いときだけ自動処理し、低いときは人かLLMに回します。

開発者向け解説では、0.9超で自動、0.5〜0.9で確認、0.5未満で人へ回す3段階が紹介されています。

しきい値は自前データで調整します。

Q7. Jevは計算や日付の判定に使えますか？

A7. 向きません。

数を確実に数えられず、日付の比較も不正確とされています。

金額や日付の判定はJavaコード側に残します。

Q8. Jevはどうやって使い始めますか？

A8. コンソール（console.typesafe.ai）にGoogleアカウントかメールのコードでログインし、APIキーを発行します。

ブラウザで試すなら、プレイグラウンドに文章と質問を入力するだけです。

gihyo.jpによると、早期アクセスは、ウェイトリストに登録した開発者へ順次案内する方式です。

招待の状況は、公式サイト（typesafe.ai）で確認してください。

Jevの使いどころと判断基準のまとめ

Jevは、文章を書かず、選択肢と確率を確信度つきで返す判断部品です。

• 単価は入力100万トークンあたり0.042ドル、応答は公式値で70〜500ミリ秒
• 向くのは分類、振り分け、LLM呼び出し前のゲート。生成、計算、日付は向かない
• 第三者検証では、Haiku 4.5に勝つタスクも負けるタスクもあった
• 日本語は英語ほど精度が出ないと公式が明記しているため、自前データでの検証が前提
• Java向けの公式SDKは確認できず、REST APIをHttpClientで呼ぶ

「このログ、問題ある？」のように判断だけがほしい場面はJevに任せ、文章を書く部分はLLMに残します。

LLMに負けるタスクがある以上、確信度の低い部分の受け皿は残したままにします。