本文へスキップ
ニュース

話さないAI「Jev」を、海外の人たちはこう使っていた ― 発表から1週間の実例

話さないAI「Jev」を、海外の人たちはこう使っていた ― 発表から1週間の実例

文章を1文字も書かないAIが、選択肢さえ渡せば、ブラウザもドローンもゲームも受信箱も動かしていた。

AIと聞くと、話しかける相手を思い浮かべる人が多いと思います。質問を打って、文章で返ってくる。

9月15日に米国のTypeSafe AIが出した「Jev」は、話しません。文章を1文字も書かない。それなのに、発表から1週間で海外の開発者たちが、ブラウザを動かし、ドローンを飛ばし、ゲームに勝ち、受信箱を片づけていました。

仕組みの説明は、ほかの記事でも読めます。ここでは3行だけにして、あとは「実際にこう使った」という報告だけを並べます。

1何をするAIか(3行だけ)

渡すのは、いまの状態(文章やデータ)と、答え方を決めた質問。返ってくるのは「選択肢から1つ選ぶ」「点数を付ける」「はい/いいえの確率」の3種類だけです。応答はたいてい0.1秒ほどで、料金は入力100万トークンあたり0.042ドル、出力は無料(公式ドキュメント)。

発表スレッドはHacker Newsで1,969点・511コメントまで伸び、9月20日(米国時間)には順番待ちが外れたと告知されました。以下は、コード・動画・比較表のどれかで「実際に動かした」ことが確かめられる報告だけです。まとめ記事と、日本語の記事は外しています。

2言い終わる前に、ブラウザが動く

Moritz Krembさんは、音声認識が1語出るたびにJevへ送る仕組みを作りました(jev-voice-browser)。画面のボタン一覧を添えて、「何をしたいか」「どれを押すか」「もう言い終わったか」「消すような危ない操作か」など9〜11問を1回でまとめて聞く。実行するかどうかは、答えを見てコード側のルールで決めます。

最後の単語から判断まで約0.3秒、1回あたり約0.0002ドル。「戻る」のように答えが決まっている命令なら、言い終わる前に実行できた、という報告です。

同じ発想で、スペースを押さずに打った文字列を単語に区切るもの(nospace、ilovecats → I love cats)や、話し手が説明し終えたと判断したらスライドを進めるもの(SlidePilot)も出ています。

3画面を見られないAIに、Macを操作させる

Jevは画像も見られません。awlevinさんは、画面を文字読み取りで一覧にし、「次はクリックか入力か」「どの部品か」だけをJevに選ばせてMacを操作させました(typesafe-computer-use)。

スクリーンショットを見て操作するClaude Opus 5と比べて、1回の判断の費用は155分の1。12手かかる作業で、Jevは0.003ドル、Opus 5は0.40〜0.90ドルでした。

ただし弱点もはっきり書いてあります。画面の日付を読み比べる作業はOpus 5なら自分でこなせたのに、Jev版は日付の計算をコードで書き足す必要があった。アイコンだけのボタンも、文字にできないので選べません。

4ドローンの「どっちへ逃げるか」だけを決めさせる

いちばん驚いたのがこれです。RomanSlackさんは、シミュレーター上のドローンで役割を分けました(jev-drone)。姿勢の制御は普通のプログラムが1秒に500回。ぶつからないための反射は1秒に50回。Jevは1秒に2.5回、「直進・左の隙間・右の隙間・上昇・ブレーキ・見失った目標を探す」の6択から選ぶだけ。

Jevありは77.5mの障害物コースを約47秒で完走。Jevなしは3回とも17.7m地点で止まりました。

おもしろいのは失敗のほうです。最初、Jevは「上昇」を一度も選ばなかった。障害物の高さを状態の説明に書き足したら、上昇を選ぶ確率が0.93まで上がった。作者は、モデルが悪いのではなく、説明の書き方が悪かったと振り返っています。書いていないことは、選べないんですね。完走は1回だけの記録だと作者自身が断っています。

5ゲームAIの「最後の一手」だけ選ばせたら、勝ち越した

カードゲーム「Magic: The Gathering」の対戦エンジンで試したShiftSadさんの報告です(JevAI for XMage)。全部の判断をJevに任せると、標準のAIに10戦で2勝7敗1分。戦闘の計算ができず、毎回自分の場が空になって負けた。

ところが、標準のAIが読み切った上位の手のうち、点差の小さい候補から最後の1手だけをJevに選ばせたら、6勝3敗1分。先に候補を絞らせる順番では逆に負け越しました。探すのはプログラム、迷ったところだけJev。この順番が効いています。

反応の速さでも差が出ています。1回の判断ごとに球が1コマ進むPongでは、Jevの判断は平均0.227秒。ほかの主要モデルは2.5〜3.5秒かかり、最初の12秒で判断できた回数はJevの47回に対して2〜3回でした(jev-pong)。

6書けないAIに、選択の連続で“書かせる”

文章を書けないなら、1文字ずつ選ばせればいい。そう考えた人が何人もいます。次の1文字を毎回選ばせてチャットにしたjevchatの作者は「費用は非現実的、結果は爆笑もの」と書いています。1万7千語の辞書から1語ずつ選ばせたJevChatは、20語の返事に15〜25秒。「strawberryにRはいくつ?」への答えは「Two.」でした。

遊びだけではありません。ゲーム制作ツールSprite Fusionの作者は、走るゲームの地形をプレイ中にその場で作らせました(開発記事)。足場の種類・幅・隙間・高さをJevが選び、置くのはコード。1回0.3秒台、約0.00057ドル。文章は書けなくても、選択肢の組み合わせで形は作れる、という例です。

7メール1通ごとにAIを呼んでも、月1ドル未満

Jesse Boundsさんは、Gmailに届くメールを1通ずつJevに見せています(記事)。「21分類のどれか」と「公共料金の請求か」「締切が入っているか」など9問のはい/いいえ。答えをPythonのルールでラベルに変えて、Notionに記録し、アーカイブする。

40通で照らし合わせると、ラベルが完全に合ったのはJevが37通、GPT-5.6 Lunaが28通。費用は1,000通あたり0.13ドルで、1日200通なら月に約78セント。「明日終わるセール」を急ぎと判定してしまった件は、Jevのあとのコードで直したそうです。

買い物リストの品目を売り場ごとに自動で分けるアプリの作者は、別のAIで30〜60秒かかっていた分類が1秒未満になったと書いています(Hacker Newsのコメント)。YouTubeの字幕を30秒ごとに判定して、スポンサー部分を飛ばすもの(jev-skip)は、1本あたり0.0008ドルでした。

8文章を直さず、旗だけ立てる

Dan WilloughbyさんのSniff Testは、自分の文章ルールに反する段落を探す道具です。禁止語のように数えられるものは正規表現で。「段落の最後がただの言い換えになっている」のように読まないと分からないものだけ、段落ごとにJevへ聞く。

わざと入れた欠陥80個のうちJevが見つけたのは63個で、きれいな54段落への誤検出は1件。Claude Haiku 4.5は66個見つけたかわりに誤検出が37件ありました。100段落を調べる費用は、Jevが0.0129ドル、Claude Opus 5が3.08ドル。書き直しはしない、旗を立てるだけ、という割り切りが効いています。

報告にあった費用と速さ(各報告者の条件で測ったもの)

使い方Jev比べたモデル
Macの操作、1回の判断◎約0.0002ドルClaude Opus 5:約0.032ドル
メールの仕分け、1,000通◎0.13ドルGPT-5.6 Luna:0.81ドル
文章チェック、100段落◎0.0129ドルClaude Opus 5:3.08ドル
Pongの1回の判断◎平均0.227秒主要モデル:2.5〜3.5秒

9いちばん安いAIを、高いAIの上司にする

作業の種類と難しさをJevに判定させて、どのAIに回すかを決める振り分け役(Philipp Dubachさんの記事)は、5つのタスクで費用が65%減りました。ただし計画づくりの1件が請求の88%を占めていた、と本人が書いています。

作業中のコーディングAIを横で見張り、「完成したか」「行き詰まったか」「脱線したか」「人を呼ぶべきか」など10問を同時に聞くForeman。エージェントが道具を使う前に危なくないか審査するAgent Chaperoneは、公開された1,947件の試験を全部で0.062ドルで回しています。

10失敗した使い方も、同じくらい面白い

絵を座標の文字に直して10択で当てさせた実験では、正解は400枚中35%(記事)。半分以上を「飛行機」と答え、猫は40枚中0枚でした。ポーカーでは、最強の手を持って様子を見るべき局面で、16回中16回オールイン(記事)。

実際の銀行取引1,000件の分類は40.7%で、自前で学習させた小型モデルの85.3%に届きませんでした。「同じ牛乳でも、レストランで買うのと医院で買うのでは意味が違う」という、文脈が要る分類が苦手です(投稿)。「サイコロで3が出た。奇数か?」に、聞き方を変えても「いいえ」寄りで答えた報告もあります。

もう1つ、軽く書けない話があります。チャットで聞かれたら拒否するような差別的な序列を、「どの集団が一番か選べ」という形で聞くと、選んでしまった、という検証です(記事)。安全対策が会話の形に合わせて作られていて、選択式の質問には効いていなかった。判定係としてAIを使う側が、知っておくべき結果だと思います。

73万件以上の回答を調べた人は、Jevが返す「確信度」は答えの正しさではなく、確率の分布から計算した値にほぼ一致すると書いています(記事)。高いから正しい、とは限らない。

11うまくいった人たちに共通していたこと

報告を並べると、うまくいった使い方には型がありました。

1つめ。選択肢を作るのはプログラムで、Jevは選ぶだけ。ゲームの合法手も、画面のボタンも、ドローンの6択も、先にコードが用意しています。2つめ。1回で10問前後を同時に聞き、どう動くかはコード側の基準値で決める。3つめ。数字は言葉に直して渡す。NASAの惑星候補8,054件を分類した人は、測定値をそのまま渡すと54.2%、言葉の区分に直すと72.5%まで上がったと書いています(記録)。

逆に、計算・比較・駆け引き・文脈の読み取りを丸ごと任せると崩れる。人間の早押しクイズ係に近い使い方だな、という気がしています。

12正直に言うと

ここまで全部、海外の人たちの報告です。自分ではまだ動かしていません。

数字も、報告者それぞれの条件で測ったものです。ドローンの完走は1回、ポケモン対戦でClaude Opus 5に勝ったという報告(投稿、Jevは0.0029ドル・37秒、Opus 5は2.35ドル・6分29秒)も1試合だけ。企業が自社製品の宣伝として出した比較データ(データベースの分類で他社AIより何倍速い、など)は使っていません。

そして日本語で使う人にとって一番大事な点。公式の説明には、英語が主で、日本語・中国語・韓国語では精度が落ちると書いてあります(公式の注意書き)。日本語の問い合わせやメールで、上の例と同じ精度が出るかは分かりません。

13うちならこう使ってみたい(まだ試していないアイディア)

1つめは、買い物メモの品目を売り場ごとに並べ替えること。自分で作った買いノートでも、同じことをやってみたいと思っています。2つめは、このブログの「AIっぽさ」の採点。いまは正規表現で数えられるものしか見ていないので、Sniff Testのように、読まないと分からないところだけJevに聞く形は相性がよさそうです。3つめは、お問い合わせの振り分け。

どれも日本語で使うことになるので、まず精度を測るところからです。試したら、数字を付けてまた書きます。

14ついでに、9月に出たほかのモデル

9月に話題になったモデル(公式発表で確認できた日付)

モデル出た日使った人の報告で目立ったこと
GPT-6 Astra(OpenAI)9月3日何か月も失敗していた作業が1回の指示でできた、という報告。攻撃用のコードを頼むと、モデルに届く前に止められて課金0
Claude Opus 5.5(Anthropic)9月22日ゲームを1回頼んだら、自分で7体のチームを組んで1時間52分動き続けた。一方で、見た目もテストも合格したのに肝心の機能が動かないアプリもあった
Jev(TypeSafe AI)9月15日この記事のとおり
Gemini 4 Pro(Google)✕未発表9月23日時点で公式発表なし。出回っているのは推測の記事だけ

GPT-6 Astraの報告はLenny's NewsletterとStationX、Opus 5.5の7日間の試用はEveryにあります。Gemini 4は、Googleの8月の公式ブログで名前が一言出ただけで、仕様も日付も出ていません。

話すAIと話さないAIを、どこで分けて使うか。自分の仕事に当てはめてみると、意外と「選ぶだけ」で済む場面は多い気がします。AIを業務に組み込みたい、という相談はお問い合わせからどうぞ。ほかの記事はブログ一覧にあります。

この記事を書いた人

NextCode(沖縄県宜野湾市)は、iOSアプリ・ホームページ/LP・NFCデジタル名刺・AI業務自動化を作っている開発スタジオです。ここで書いているのは、実際に作って公開したものと、その過程で詰まったことだけです。

お問い合わせフォームは24時間受け付けています。

この記事が役に立ったらシェアしてください

いま何に困っているかを伺うところから始めます。フォームは24時間受け付け、お返事は2営業日以内です。

無料で相談する

LINEで相談する