JevとSystem Oneモデル：営業チームにとっての意味とは
TypeSafeのJevは、テキストを生成する代わりに、型定義された質問にミリ秒単位で回答します。その概要、セールススタックでの活用領域、できないこと、自社のパイプラインで検証する方法を解説します。
2026年9月15日、TypeSafe AIはDCVC主導による4,000万ドルのシードラウンド調達とともに、Jevの早期アクセス版をリリースしました。TypeSafeは元OpenAIの研究者であるDiogo Almeida氏によって設立され、Jevは同社が「System Oneモデル」と呼ぶ新しいクラスの最初のモデルとなります。
報道の多くは処理速度に関する主張に焦点を当てていますが、営業チームにとって重要なポイントはよりシンプルです。セールススタック内のAIの多くは、文章を書いているわけではありません。「このリードをどの担当者に割り当てるべきか」「この返信は日程調整の希望か、それとも断りか」「この商談は停滞しているか」といった「判断」を下しています。これらこそがJevの想定用途であり、ベンダーからの提案を受ける前にその位置づけを把握しておく価値があります。
Jevの実態とは
言語モデルは文章で1トークンずつ回答するため、ソフトウェア側でそのテキストを解析し直す必要があります。Jevはこのテキスト生成をスキップします。メール本文や顧客レコードなどの状態データと、型定義された一連の質問を渡すと、型定義された答えが返されます。
- 選択肢の判定: リードが6つのキューのどれに属するかなど、あらかじめ定義した選択肢から1つを選択。
- 基準に基づくスコア算出: 返信の緊急度など、評価基準に応じた数値化。
- Yes / Noの判定: メッセージが商談日程を求めているかどうかなどの真偽値。
それぞれの回答には、キャリブレーション（較正）された確率が付与されます。キャリブレーションされているとは、数値の信頼性が統計的に担保されていることを意味します。多数の意思決定において、Jevが90%と判定したものは約10回中9回正解となる設計です。この特性があるからこそ、ソフトウェアへの組み込みが現実的になります。すべての回答を一律に信用するのではなく、特定の閾値以上なら自動処理し、それ未満は人間の確認に回すといった運用が可能になります。
名称には2つの由来があります。「System One」はダニエル・カーネマンの高速で直感的な思考様式「システム1」から採られています。「Jev」は、効率化によってコストが下がると消費量が劇的に増えるというジェボンズのパラドックスで知られるウィリアム・スタンレー・ジェヴォンズに由来します。
公表データとその読み解き方
$42
| 項目 | TypeSafeの公表データ |
|---|---|
| レイテンシー | エンドツーエンドで70〜500ミリ秒 |
| 言語モデルに対する速度比 | 判定タスクを中心としたワークフローで20〜200倍高速 |
| 言語モデルに対するコスト比 | 同様のワークフローで40〜400倍低コスト |
| 料金 | 入力10億トークンあたり42ドル、出力無料 |
これらの倍率は、TypeSafeが選定したワークフローでの自社比較に基づくものです。自社の環境に対する保証値ではなく、判定主体のタスクにおけるポテンシャルとして捉えてください。商談現場などリアルタイムの用途で意味を持つのはレイテンシーの数値です。0.5秒未満であれば、顧客が話している最中でも十分に活用できます。
セールススタックにおける適用領域
適否の基準は「回答の選択肢が決まっている判断業務であり、それが何度も繰り返されるか」です。
| 業務 | 型定義された質問 | 適している理由 |
|---|---|---|
| インバウンドリードの割り当て | どの担当者またはキューに割り当てるべきか？ | フォーム送信ごとに実行され、選択肢が固定されているため |
| 受信メールの仕分け | 日程調整、反論、紹介、配信停止、不在通知のどれか？ | 5つの選択肢から選ぶ作業が週に何千回も発生するため |
| 商談リスクの検知 | 直近1か月の活動状況から見て、この商談はどれほど停滞しているか？ | 既存の評価基準に沿ったスコアリングが可能なため |
| CRMデータの更新 | この返信は担当者が退職したことを示しているか？ | Yes/Noで判定し、閾値を超えた場合のみ変更を反映できるため |
| 購買シグナルの検出 | この商談メモは今四半期の成約可能性をどの程度示しているか？ | リストの並び替えに使えるスコアを取得できるため |
| 商談通話中の検知 | 顧客は今、どのパターンの反論を提示したか？ | 1秒を大幅に切る速度での判断が求められるため |
Jevにできないこと
Jevの特性を理解する最大の価値はここにあります。自社の要件に合わないツールを購入するミスを防ぐことができるからです。
- 文章を作成しない: メール、通話での返答、要約、チャットの文章は書けません。顧客が目にするテキストには、依然として言語モデルや人間が必要です。
- 段階的な推論を行わない: 複雑な複合的判断は、コード側で個別の単一質問に分解する必要があります。
- テキストのみを処理する: 音声、画像、動画には非対応のため、通話データは事前に文字起こしや字幕テキストへ変換する必要があります。
- 判断理由を説明しない: 出力されるのは数値のみで理由は提示されません。マネージャーから「なぜこのリードが自分の担当から外されたのか」と問われた際の確認には向きません。
- 入力された情報しか参照しない: Web検索や外部データの参照は行わないため、必要な顧客コンテキストはすべてリクエスト内に含める必要があります。
- 計算、カウント、日付処理が苦手: これらの計算処理は自社のアプリケーションコード側で行う必要があります。
高速に「判断」し、その後に「書く」
有効な設計パターンは2段階のプロセスです。まず高速なモデルが「今何が起きているか」「何らかの対応が必要か」を判断します。そして生成モデルまたは人間は、対応が必要な場合にのみ文章を作成します。大半の受信メッセージに必要なのは判断だけであり、長文の作成ではありません。そのため、コストの高い生成ステップの実行頻度を大幅に抑えられます。
この効果が最も分かりやすいのが、数秒単位の応答が求められる商談通話の現場です。顧客が時期尚早という反論を口にしたと認識することは「判断」であり、System Oneモデルなら一瞬で処理できます。一方、顧客の事業内容に触れながら営業担当者自身のトーンで返答を作成することは「生成」であり、ここに大半の処理時間を使います。これこそがAxelizeのアーキテクチャの根幹です。顧客の状況を検知し、相手がまだ話している間に次の一言を作成します。
On a ディスカバリー call, Johanna Lorenz from Fourth Coffee says: “ぜひ検討したいのですが、休暇シーズンが終わった後に改めてお話しできませんか。” Axelize finds: Fourth Coffeeは11月に新店舗を4店オープン予定で、採用ページには12件の新規募集が掲載されています。 It suggests: “お気持ちはよく分かります。ただ御社は11月に4店舗をオープン予定ですよね。新チームの立ち上げに合わせて導入されるか、後から移行するかという点はいかがでしょうか？” 時期に関する反論であることを検知し、顧客がすでに把握している具体的な日付に結びつけることで、先送りに伴うコストを意識させます。
パイプラインでの検証ステップ
- 週に100回以上行われている判断を1つ選定する: リードの振り分けや返信メールの仕分けが一般的な出発点です。
- 型定義された1つの質問として定義する: 想定される選択肢を正確に設定し、「その他」や「該当なし」の選択肢も含めます。
- 正解が分かっている過去の事例を50〜100件抽出する。
- キャリブレーション精度を検証する: 90%前後の確度と判定された回答のうち、約10件中9件が正解しているか確認します。乖離がある場合、その確率値を自動化のトリガーにするのは時期尚早です。
- 2つの閾値を設定する: 高い閾値以上は完全自動で処理し、低い閾値以下は人間へ回し、その中間にあるグレーゾーンの挙動を監視します。
- コストを試算する: 1回の判断あたりのトークン数 × 週間件数 × 100万トークンあたり0.042ドルで計算します。1通あたり約500トークンのインバウンドメール10,000通を仕分ける場合、合計500万トークンとなり、公開価格ベースでは約0.21ドルで済みます。
参考情報
上記の数値は、2026年9月26日時点でTypeSafeの公式発表および各種報道に掲載された同社公表のデータに基づいています。 Introducing System One Models and Jev、 Forbes およびSiliconANGLEの資金調達に関する報道、 DataCampによる解説記事Jev: TypeSafe’s System One Model。
