文章を書かないAI「Jev」の使用と開発事例の紹介

2026年9月30日

はじめに

ChatGPTやClaudeなどの生成AIは、質問すると文章で答えてくれます。一方で、文章で回答する必要がなく「YesかNoか」「AかBかCか」といった単純な判断で十分な場合もあります。

本記事で紹介する「Jev」は、文章を一切生成しないAIです。与えた選択肢の中から最適なものを選ぶAIで、シンプルな分、非常に高速で、料金が非常に安いです。

実際にJevを使って2つの事例を実装し、Claude Sonnetと比較した結果も合わせて紹介します。

Jevとは

JevはTypeSafe AIが開発した、判断に特化したAIモデルです。

通常の生成AIとは異なり、テキストを返しません。代わりに、あらかじめ定義した選択肢の中から最適なものを選んだ結果だけを返します。

出力の種類は3種類あります。

タイプ	内容	使用例
`choice`	選択肢から1つを選ぶ	分類・ルーティング
`noul`	yes/noの確率（0〜1）を返す	スパム判定・異常検知
`score`	基準に基づいたスコアを返す	優先度付け・ランキング

速度

テキストを生成しないため、通常のLLMよりも高速に応答します。判断のみを行うシンプルな処理なので、リクエスト数が多い場面でも安定したパフォーマンスが期待できます。

料金

従量課金制で、入力$0.042/1Mトークン、出力は無料です。Claude Sonnetが入力$3/1Mトークン、出力$15/1Mトークンなのに対し、入力は約1/71、出力は完全無料です。大量の判断タスクでもコストを大幅に抑えられます。

利用方法

JevはGUIなどは存在せず、APIのみで利用するモデルです。公式SDKはPythonとJavaScript/TypeScriptに対応しており、その他の言語はHTTP API経由で利用できます。

選択できるモード

Jevの質問（questions）には3種類のモードがあり、タスクに合わせて選びます。

choice（選択）

あらかじめ定義した選択肢の中から最適な1つを返します。分類・ルーティング・次のアクション決定など、「A・B・Cのどれか」を決める場面で使います。

noul（yes/no確率）

0〜1の確率値で応答します。1に近いほどyes、0に近いほどnoを意味します。スパム判定・異常検知・感情分析など、「yesかどうか」を判断する場面で使います。

score（スコア）

与えた基準に対して数値スコアを返します。優先度付け・ランキング・商品レコメンドなど、「どれくらい当てはまるか」を数値化する場面で使います。

実装方法

本記事ではPythonを使った実装を紹介します。今回はOpenRouterというサービスを通じてJevを使用しました。APIキーを取得したうえで、openrouter ライブラリをインストールするだけで利用を開始できます。

pip install openrouter

基本の呼び出しは以下のとおりです。stateに判断対象のテキスト、questionsに質問内容を渡します。

from openrouter import OpenRouter

client = OpenRouter(api_key="your-api-key")

result = client.alpha.decisions.create(
    model="~typesafe/jev-latest",
    state="判断対象のテキスト",
    questions={
        "label": {
            "type": "choice",
            "instructions": "指示内容",
            "criteria": {
                "A": "Aの説明",
                "B": "Bの説明",
            }
        }
    }
)

print(result.answers["label"].choice)  # → "A" または "B"

応用事例

今回は「アンケートデータの分類」、「ブラウザの操作」の2つの事例を実装し、それぞれ同じタスクをClaude Sonnetでも実行して速度・精度を比較しました。

アンケートデータの分類

飲食店のレビューアンケートを自動分類するシナリオです。大量のテキスト回答を手動で分類するのはコストがかかりますが、Jevを使うことで高速かつ安価に自動化できます。飲食店に限らず、さまざまな業種のアンケート・レビュー・問い合わせの自動タグ付けに応用できます。

使用したデータ

飲食店レビューの疑似データを100件作成し、実験に使用しました。以下はデータの一部です。

ID	レビュー例
1	注文したラーメンは新鮮で美味しいで、リピート確定です。
2	注文を取りに来た店員が迅速で、サービスが光っていました。
3	お店の雰囲気が狭い。席が狭くて落ち着けませんでした。
4	立地が駅チカのです。初めてでも迷わず来られました。
5	営業時間が納得できるでした。またリピートしたいと思います。

実験内容

今回はレビュー文を以下の５つのカテゴリに分類する実験を行いました。JevとClaude Sonnetで同じ分類タスクを実行し結果を比較します。

カテゴリ	内容	レビュー例
food	料理・味・メニュー	注文したラーメンは新鮮で美味しいで、リピート確定です。
service	店員の接客・対応	注文を取りに来た店員が迅速で、サービスが光っていました。
atmosphere	雰囲気・内装・清潔感	お店の雰囲気が狭い。席が狭くて落ち着けませんでした。
location	立地・アクセス	立地が駅チカのです。初めてでも迷わず来られました。
other	価格・待ち時間・営業時間	営業時間が納得できるでした。またリピートしたいと思います。

なお、評価項目は以下の通りです。

正解率：各レビューが正しいカテゴリに分類できたか
応答時間：1リクエストあたりの純粋なAPI応答時間（待機時間は除く）
**推定コスト：**利用料金

比較結果

比較項目	Jev	Claude Sonnet
サンプル数	100件	100件
正解率	100%	100%
平均応答時間	529ms	1,659ms
最速	222ms	975ms
最遅	2,361ms	11,146ms
推定コスト（100件）	約$0.001	約$0.07