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)
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)
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。