「文章を書かないAI」Jevとは？介護現場の管理者が本気で考えてみた

はじめに：また新しいAIが出た、けれど今回は少し毛色が違う

2026年9月15日、元OpenAIの研究者が立ち上げた「TypeSafe AI」という会社が、Jev（ジェヴ）というAIモデルを発表しました。

ChatGPTやClaudeのような文章を書くAIなら、もう介護現場でも記録や議事録で使っている人が増えてきました。ところがJevは、その真逆をいくAIです。

Jevは、文章を一切書きません。

「え、じゃあ何をするの？」と思いますよね。私も最初はそう思いました。でも仕組みを理解してみると、「これは介護現場の裏方業務にこそ効くかもしれない」と感じたので、現場目線で整理してみます。

---

Jevは何をするAIなのか（1分でわかる版）

Jevがやることは、ひとつだけです。

「選択肢の中から、どれかを選ぶ」

たとえば、こういう問いに答えるのがJevの仕事です。

• この問い合わせは「緊急」「通常」「営業」のどれ？
• この請求書は「正常」「要確認」のどっち？
• このAIが書いた文章は、元の資料と矛盾していない？ Yes／No

答えは文章ではなく、「緊急：確率92%」のように選択肢と確信度の形で返ってきます。

開発元はこれを「System One Model（システム1モデル）」と呼んでいます。心理学者カーネマンの「速い思考（システム1）／遅い思考（システム2）」からとった名前で、要するに考え込まずに直感で即答するAIという位置づけです。

数字で見る特徴

項目	Jev	一般的なLLM（ChatGPT等）
出力	選択肢＋確信度	文章
応答速度	0.07〜0.5秒	数秒〜数十秒
コスト	入力100万トークン約6円※、出力は無料	数十〜数百倍
ハルシネーション（もっともらしい嘘）	原理的に起きない（文章を作らないので）	起きる
苦手なこと	文章が書けない、計算・日付比較が苦手、画像は非対応	判定のブレ、遅さ、コスト

※$0.042を1ドル150円で換算。速度・コストは開発元の自社評価なので、参考値として見てください。

---

なぜ「文章を書かない」ことが強みになるのか

ここが一番大事なポイントです。

介護現場でAIを使うとき、いちばん怖いのは「もっともらしい嘘」です。記録の要約で、実際には起きていない転倒エピソードが混ざっていたら大事故です。

文章を書くAIは、どれだけ賢くなってもこのリスクをゼロにはできません。「文章を作る」という行為そのものが、創作の余地を含んでいるからです。

Jevは、そもそも文章を作らない。あらかじめ人間が用意した選択肢から選ぶだけ。だから「存在しない選択肢を答える」ことが構造的にできないのです。

これは、介護のように「間違えると人の安全に関わる」領域と、実は相性がいい考え方だと思います。

---

Jevに聞ける「3種類の質問」

Jevへの質問は、次の3パターンしかありません。逆に言えば、この3つで表せる仕事なら何でも任せられます。

質問の型	聞き方	返ってくるもの	介護現場での例
Yes／No（Noul）	「〜ですか？」	Yesの確率（0〜1）	「この申し送りに転倒の記載はある？」→ 0.94
選択（Choice）	「A・B・Cのどれ？」	選んだ答え＋各選択肢の確率	「この連絡は 家族／行政／営業／医療機関 のどれ？」→ 家族 88%
段階評価（Score）	「この目盛りのどこ？」	0〜段階数の位置＋確信度	「この家族の文面の切迫度は？（落ち着いている／困っている／かなり怒っている）」→ 1.4

ポイントは、判定基準を人間が言葉で書いて渡すことです。「緊急とは、当日中に折り返しが必要なもの」のように定義してあげると、Jevはその定義に沿って判定します。

---

具体例：介護現場でこう使える（思考実験）

ここからは私の想像も入ります。Jev自体はまだ開発者向けの早期アクセス段階で、介護施設がすぐ導入できるものではありません。あくまで「この種のAIが普及したら、どこに使えるか」という思考実験として読んでください。

例1：問い合わせフォームの自動仕分け

特養の事務所には毎日、面会予約・入所相談・営業電話・行政連絡など、いろんな連絡が届きます。

Jevに渡すもの

「母が今、病院に入院中で、退院後の受け入れ先を探しています。要介護4です。来週には退院と言われていて焦っています。」

Jevへの質問

• 選択：この連絡の種類は？（面会予約／入所相談／営業／行政・医療機関／その他）
• Yes／No：当日中の折り返しが必要か？
• 段階評価：切迫度は？（急がない／急ぎ／今すぐ）

返ってくる答え（イメージ）

質問	答え	確信度
種類	入所相談	96%
当日折り返し	Yes	0.89
切迫度	「急ぎ」寄り（1.7／2）	82%

これで「相談員に即日通知、優先度・高」と自動で振り分けられます。相談員が「まず全部に目を通す」時間が消えます。

例2：AIが書いた記録の「審判役」

これは個人的に一番期待している使い方です。

すでに記録の下書きをAIに書かせている施設は増えていますが、その内容を人間が全部チェックするのは大変。ここに判定専門のAIを挟みます。

Jevに渡すもの：元の走り書きメモ ＋ 文章AIが清書した記録

Jevへの質問

• Yes／No：清書された記録に、元メモにない出来事が追加されていないか？
• Yes／No：元メモにある重要な出来事（転倒・拒否・体調変化）が抜けていないか？
• Yes／No：利用者名や時刻が元メモと一致しているか？

返ってくる答え（イメージ）：「追加なし 0.97／抜けなし 0.62／一致 0.99」

ここで「抜けなし」の確率が低い（0.62）ものだけ人間が確認する。文章AIが書く → 判定AIが審判する → 人間は疑わしいものだけ見るという流れです。開発元も、この「他のAIのお目付け役」をJevの主要な用途として挙げています。

例3：ヒヤリハット報告の一次仕分け

Jevに渡すもの

「夕食後、○○様が居室で床に座り込んでいるところを発見。本人は『ベッドから立とうとして滑った』と話す。外傷なし、痛みの訴えなし。バイタル異常なし。」

Jevへの質問

• 選択：事故種別は？（転倒／転落／誤嚥／誤薬／その他）
• 段階評価：委員会での扱いは？（記録のみ／月次会議で検討／即日カンファレンス）
• Yes／No：家族への連絡が必要な事案か？（基準：外傷・受診・本人の強い不安のいずれかがある）

返ってくる答え（イメージ）：転倒 91%／「月次会議」寄り／家族連絡 No 0.81

翌朝の申し送り前に、リーダーの手元に「即日カンファレンスが必要な案件だけ」が並んでいる状態を作れます。

例4：加算の要確認フラグ

Jevに渡すもの：利用者ごとの月次サービス実績（構造化データ）と、加算の算定要件を言葉で書いたもの

Jevへの質問

• Yes／No：口腔衛生管理加算の「月2回以上の歯科衛生士による実施」が記録上確認できるか？
• Yes／No：経口維持加算の「月1回以上の会議（ミーティング）」の記録があるか？

確率が低い利用者だけ、請求前に相談員が確認する。返戻や過誤請求の予防線になります。

注意点：Jevは「数を数える」「日付を比べる」が苦手と公式に明言されています。「月2回以上」の回数チェック自体はExcelや介護ソフト側でやり、Jevには「この記録は歯科衛生士による実施として認められる内容か？」という判定だけを任せるのが正しい分担です。

---

どうやったら使えるのか

「うちの施設でも試したい」という人向けに、2026年9月時点の入り口を整理します。正直に言うと、現時点ではエンジニアの手を借りないと触れません。ChatGPTのようにブラウザで対話する画面はなく、プログラムから呼び出す形だけです。

ステップ1：ウェイトリストに登録

公式サイト（typesafe.ai）の「Join Waitlist」から登録します。海外の利用者の報告では、1〜2日で早期アクセスの案内が届くとのこと。メールでの問い合わせ先は hello@typesafe.ai です。

ステップ2：プログラムから呼び出す

APIキーが届いたら、次の3つの方法で使えます。

• Python：pip install typesafe-sdk
• JavaScript：npm install @typesafe-ai/sdk
• Vercel AI Gateway経由（Vercelのアカウントがある人向け、モデル名は typesafe-ai/jev）

例1の「問い合わせ仕分け」をPythonで書くと、だいたいこんな形です（公式ドキュメントの例をもとにした概念コードです）。

import requests

res = requests.post(
    "https://api.typesafe.ai/v1/systemone",
    headers={"Authorization": "Bearer あなたのAPIキー"},
    json={
        "model": "jev-latest",
        "state": "母が入院中で退院後の受け入れ先を探しています。要介護4。来週退院と言われ焦っています。",
        "questions": {
            "kind": {"type": "choice",
                     "options": ["面会予約", "入所相談", "営業", "行政・医療機関", "その他"]},
            "same_day": {"type": "noul",
                         "question": "当日中の折り返しが必要か？"},
        },
    },
)
print(res.json())
# → {"answers": {"kind": {"choice": "入所相談", "confidence": 0.96, ...},
#                "same_day": {"noul": 0.89}}, ...}

ステップ3：「確信度」でルールを決める

Jevの答えには必ず確信度がつきます。ここが運用の肝です。

確信度	対応
0.9以上	自動で処理（例：担当者に通知）
0.5〜0.9	処理はするが「要確認」マークを付ける
0.5未満	人間に回す

「AIに全部任せる」のではなく、「自信のあるものだけ任せて、迷ったものは人が見る」。この線引きを自分たちで決められるのが、文章AIにはない安心感です。

料金の目安

入力100万トークンあたり約6円、出力は無料。問い合わせ1件の判定は1円の何十分の一というレベルです。ただし早期アクセス中は条件が変わる可能性があるので、公式サイトで最新情報を確認してください。

現実的な導入ルート

介護施設が自前でプログラムを書くのはハードルが高いので、実際には次の2つが現実的です。

1. 介護ソフトのベンダーが裏側に組み込むのを待つ（数年スパン）
2. 施設内にいる「ちょっとプログラムが書ける人」が、Googleフォームや問い合わせメールの振り分けから小さく試す

私は2のパターンで、まず問い合わせの仕分けから触ってみようと思っています。

---

冷静に見ておきたいこと

いいことばかり書きましたが、現場管理者として押さえておきたい注意点もあります。

まず、性能の数字は開発元の自社評価です。 「LLMの194倍速い」「コスト445分の1」といった数字は魅力的ですが、比較の条件を作ったのも開発元。第三者の検証が出るまでは「そういう主張がある」程度に受け止めるのが健全です。

次に、選択肢と判定基準を用意するのは人間です。 Jevは選ぶだけなので、「どんな選択肢で、どんな基準で仕分けるか」という設計が全部です。ここを雑にすると、速く正確に間違った箱に入れられることになります。つまり業務の棚卸しができていない施設では宝の持ち腐れです。

日本語での性能はまだ未知数です。 公式の事例はすべて英語。日本語の介護記録でどこまで精度が出るかは、誰も検証していません。

そして、個人情報の扱い。 利用者の記録を海外のAPIに送ることになるので、匿名化のルールや法人の情報セキュリティ方針との照合が先です。これはJevに限らず、どのAIでも同じですが。

---

動画で理解したい人へ：日本語のYouTube解説3本を要約

文章より動画のほうが頭に入る、という方向けに、2026年9月18日時点で見つかった日本語の解説動画を3本ピックアップして要約しました。それぞれ切り口が違うので、目的に合わせて選んでください。

1. 実際に触った人の解説【まさおAIじっくり解説ch】（約12分）

【LLMの次】元OpenAI研究者の『Jev』がガチで便利だったので解説します！

ウェイトリストに登録して実際にJevを使った上での解説。Jevを「人が書いたIF文とLLMのちょうど中間を埋める存在」と位置づけているのが分かりやすい。

• LLMは95%の仕事ができても、残り5%を自己申告できなければ自動化できない、という課題意識から入る
• 仕組みは「文章を捨てて、型と確率だけ返す」。1トークンずつではなく並列で一気に生成
• デモは「リビングを暗くして映画を見たい」という文章でスマート照明を操作。確信度のしきい値（80など）を変えると動作が変わる様子を実演
• 「確信度が低いときは確認を出す」という分岐を簡単に作れる点を評価

介護目線でのポイント：デモの「文章 → 判定 → 確信度で分岐」は、そのまま問い合わせ仕分けの構造。動く様子を一度見ると、記事の例がイメージしやすくなります。

2. 弱点まで冷静に整理【mousou01】（約18分）

文章を書かないAI「Jev」とは何か ― 仕組み・実力・注意点

AI生成の解説動画（再生数は少なめ）ですが、公式資料と海外メディアの反応を丁寧に拾っていて、注意点の整理がこの3本で一番充実しています。

• 「形式が崩れない」ことと「答えが正しい」ことは別、と明確に線引き。料金の問い合わせを自信満々で技術担当に回すことはあり得る
• 開発元の公開評価では、集計精度はJev 67.8%に対し比較対象の上位モデルは74.1%。請求書処理では61.8%対79.1%と差が開く
• しかもその評価の「正解」は人間ではなく大型AI2モデルの判断の平均。第三者が再現できる論文は未公開
• モデル本体は非公開・ダウンロード不可。米国のサービスをネット経由で使う形のみ
• 「1つの質問では1つの直感的判断だけを聞き、組み合わせはプログラム側で決める」という設計思想の解説が丁寧

介護目線でのポイント：「判定はJev、文面は別のLLM」という役割分担の説明が、記事の例2（記録の審判役）の考え方そのもの。導入を上司に説明するなら、この動画の「弱い所」パートを先に見ておくと質問に答えられます。

3. 数字はすべて出典つき【AI時短ラボ】（約13分）

【速報】TypeSafeAI Jev登場 LLMじゃない新しい最先端AI

公式ブログと評価サイト（evals.typesafe.ai）の原文から解説。概要欄の但し書きが非常に誠実で、数字の読み方を学ぶならこれ。

• チャプター構成：何が違うのか／誰が作ったのか／速さと値段／答えの形が壊れない、の意味／何に使うのか／この発表の弱い所
• 「値段76分の1・速さ25倍」は特定モデルとの比較を投稿者が計算した値で、公式トップの「193.6倍速・444.6倍安い」は開発元自身が「良く出た方の数字」と注記していることを明示
• 「答えの形の誤り0%」は実測ではなく、形が事前に固定されているため0を置いた仕様上の値。判定の中身の誤りは残る
• 比較対象のエラー率はOpenRouter経由の集計で、難しい依頼ほど高性能モデルに回る偏りがあり得ると開発元が明記

介護目線でのポイント：施設でAIを検討するとき、ベンダーの「○倍速い・○分の1」という数字をどう疑うか、その見本になる動画です。

3本まとめて見た感想

3本に共通しているのは、「速い・安い・形が崩れない」は本当だが、「判定の中身が正しいか」は別問題で、まだ第三者検証がない、という点です。介護現場で使うなら、確信度が低いものは必ず人が見るという運用ルールを最初から組み込むのが前提になります。

---

まとめ：「AIに書かせる」から「AIに判定させる」へ

Jevが教えてくれるのは、AI活用の次のステップは「もっと上手な文章を書かせること」ではなく、「判断の一部を安全に任せること」かもしれない、ということです。

介護の仕事は、文章を書く時間より「これはどっちだろう」と判断する瞬間の積み重ねでできています。その小さな判断のうち、機械に任せていいものはどれか。Jevのようなツールが出てきた今、それを考え始めるのは早すぎないと思います。

自分の施設で「毎日誰かが仕分けている仕事」を一度書き出してみると、案外たくさん見つかるはずです。

---

参考リンク

• TypeSafe AI 公式サイト（ウェイトリスト登録）
• TypeSafe AI 公式ブログ（英語）：Introducing System One Models & Jev
• Real Sound：元OpenAI研究者が手がける”文章を生成しないAI”「Jev」
• Qiita：話題のJevとは？文章を書かずに判断だけを返すAIモデルをざっくり解説
• flaviocopes.com：A deep dive into Jev（英語・使い方の詳細）
• YouTube：まさおAIじっくり解説ch「元OpenAI研究者の『Jev』がガチで便利だったので解説します」
• YouTube：mousou01「文章を書かないAI『Jev』とは何か ― 仕組み・実力・注意点」
• YouTube：AI時短ラボ「【速報】TypeSafeAI Jev登場 LLMじゃない新しい最先端AI」