Jevって何ができる？変態AIガチ勢が見つけた活用事例30選
文章目录
海外勢、もうJevにマリオをやらせています。しかもこのAI、文章は書きません。
フライトを探す。ブラウザのクリック先を決める。大量のコメントを振り分ける。コードの変更に危険がないか調べる。チャットで長い回答を返す代わりに、次の処理に必要な判断を返していくAIです。
TypeSafe AIが2026年9月15日に発表した「Jev」。新しいモデルの性能を眺めている間に、開発者たちはゲーム、仕事の道具、取引ボットへと組み込み始めています。
今回まとめたのは、そうした実装・試作を中心とする30本。海外発を中心に、日本の開発者による実験と、仕組みの理解に役立つ関連動画も含めました。完成した市販サービス30個の紹介ではありません。
僕が気になったのは、派手なゲーム動画だけではありません。「このコメントは質問か」「このログは残すべきか」「どのファイルを開きたいのか」。人間が日々さばいている細かな判断に、使いどころが見えてきたことです。
速度や費用は、投稿・開発者が示した条件での報告値です。また、実装の紹介と、そこから考えられる応用は分けて見ていきます。
最初に、Jevは何をするAIなのか
たとえば問い合わせが届いたとき、人間向けのチャットなら「内容を確認したところ、請求に関するご相談のようです」と返してくれます。でも、裏側のプログラムが必要としているのは、その文章ではなく「請求担当に送る」という判断です。
Jevには、状況を表すテキストと、答えられる選択肢や評価基準を渡します。返ってくるのは、選択肢、点数、真偽に関する判断と確率。文章を読み解いて、別のプログラムが使う形へ変換し直す工程を減らす設計です。
ここは混同しやすいのですが、Jev自体は画像や音声を直接理解するモデルではありません。 音声操作なら文字起こし、ゲームなら状態の取得、ブラウザなら画面要素の整理を、周辺の仕組みが担当します。
また、決められた形式で答えることと、判断を絶対に間違えないことは別です。「質問」「感想」「要望」という選択肢を守って返せても、感想を質問に分類する可能性までは消えません。
01｜フライト検索を約7秒で進める
Browser UseとJevを組み合わせ、Google Flightsでチューリッヒからロンドンへの便を探した例です。公開実装では、ページの読み込みや入力処理を含めて7.1秒。投稿では費用約0.0039ドルと紹介されています。
仕組みは、ページ内のボタンや入力欄を一覧にし、Jevに次の操作と対象を選ばせるもの。入力する文章が必要なときは、別の小型言語モデルが担当します。Jevに全部をやらせているわけではありません。
ここで完了するのは、条件に合う検索結果の表示まで。航空券の購入まで済ませるデモではありません。だからこそ、仕事への応用も「候補を探して、人が最後に確認する」形から考えやすいです。
出張の便、宿泊先、必要な商品の候補探し。毎回自分で同じ入力欄を埋めている作業に、こうした分担を持ち込む余地があります。
02｜話しかけてブラウザを操作する
音声の指示を受け取り、Jevの判断からブラウザ操作につなぐデモです。投稿説明では、Jevの判断が約300ミリ秒、1回あたり約0.0002ドルとされています。
便利そうなのは、指示を出すたびにマウスへ持ち替えなくてよいところ。「この項目を開いて」と伝え、その意味に合う操作へ進めるなら、画面を操作するためだけの手間を減らせます。
ただし、この数字は音声認識から画面の反応までを全部合わせた時間とは限りません。話を文字にする処理と、ブラウザを動かす処理は分けて見る必要があります。
手を離しにくい作業中の検索や、画面を見ながらの確認業務と相性がよさそうです。送信や購入には確認を挟めば、任せる範囲も限定できます。
03｜「さっきのPDF」で目的のファイルを探す
ファイル名を覚えていなくても、「さっきダウンロードしたPDF」と入力すると、意図に合う候補を上位に出す予測ランチャーの実験です。ランチャーは、ファイルやアプリを素早く開くための道具です。
紹介されているのは、キー入力から意図を約100ミリ秒で判定する使い方。決まった名前を完全に打つのではなく、何を探しているかという説明から候補を選びます。
「最終版」「最終版2」「本当の最終版」。自分で付けた名前なのに、後から自分が困る。そんなファイル探しに効きそうなのは、この方向です。
検索対象となる情報を用意する必要はありますが、正確な名前を思い出せなくても探せる。この実験で魅力を感じるのは、そこです。
04｜列名を書いたら、表の意味を読んで分類する
同じ開発者による予測スプレッドシートです。「Urgency」、つまり緊急度という列を作ると、各行の内容をもとに緊急度を付ける使い方が紹介されています。
表計算で面倒なのは、計算式そのものより「この文章はどの区分か」を一行ずつ読む作業だったりします。問い合わせ、作業メモ、依頼内容。数字になっていない情報を、人が読んで整理している部分です。
応用するなら、依頼一覧の対応順や、自由記述アンケートの分類が候補になります。文章を別のチャットへ貼り付けず、表の中で処理できると作業の行き来を減らせそうです。
一方、「緊急」の基準は職場によって違います。返信希望日だけを見るのか、業務への影響も見るのか。列名だけで任せきらず、判定基準をそろえるところまでが実用化の仕事になります。
05｜ライブコメントを質問・感想・要望に分ける
流れてくるコメントの意味を読み、質問、感想、要望などに振り分けるワークフローです。配信中のコメントを、すべて同じ箱にためるのではなく、内容によって行き先を変えます。
たとえば説明用の例なら、「それは無料ですか」は質問、「この機能は助かる」は感想、「スマホ版も欲しい」は要望。同じ画面に流れてきても、その後に必要な対応は違います。
質問だけを拾って回答待ちにする、要望を後で見返せる一覧にためる。こうした運用を考えると、配信者が話しながら全部を覚えておく必要を減らせそうです。
06｜話している内容に合わせてスライドを出す
発話内容に合うスライドを選び、表示を切り替えるプレゼン補助の例です。PCを触る操作と、話すことを切り離す使い方として紹介されています。
発表中に質問が入り、説明する順番が前後する。「その話なら、少し前のページにありましたね」と探し始める。ここを発話内容から補助できれば、話の流れを止めずに資料を示しやすくなります。
Jevが資料を一から作るのではなく、用意されたページから合うものを選ぶ用途です。スライドの操作より、相手への説明に集中できるかが気になります。
応用を考えるなら、営業説明や社内研修。順番どおりに読み上げる場面より、相手の質問に合わせて資料を行き来する場面で、使いどころが分かりやすい例です。
07｜投稿を複数の観点から一気に採点する
投稿のバイラル度を、61の質問を使って約1秒で評価するというスコアリングの例です。
発信する側として考えたいのは、点数そのものより、何を評価しているのか。高得点だから投稿する、低得点だから捨てる、だけでは自分の読者に合う文章かどうかが抜けてしまいます。
応用案としては、複数のタイトル案を同じ基準で比較する使い方。「誰向けか分かるか」「本文の内容と一致するか」など、評価項目を明示すれば修正の材料にできます。
投稿の表示数を当てられると確認された事例ではないので、未来の数字を予言する道具として扱わない。書き手の代わりに採用を決めるより、見落としを点検する補助として見るのがよさそうです。
08｜データベースを文章の意味で絞り込む
SQLというデータベース操作の言語に、自然文による判定を組み込む例です。行ごとにJevが内容を評価し、条件に当てはまるデータを取り出す使い方として紹介されています。
「金額が1万円以上」のような数値条件は、普通の処理で十分です。一方、「返金を求めている問い合わせ」のように、表現が人によって違う条件は、意味を読む必要があります。
この事例を応用するなら、自由記述の問い合わせや作業記録から、対応が必要なものを探す用途が考えられます。特定の単語があるかどうかだけでは拾いにくい内容が対象です。
なお、JevがSQLの文章を生成するという話とは分けてください。中心にあるのは、各行が条件に合うかの判断です。大量データでは、先に通常の条件で候補を減らす設計も検討したいところです。
09｜Chrome拡張に判断役を組み込む
Chrome拡張の中でJevを使い、クリック先や操作を決めるエージェントブラウジングの例です。紹介では、Vercel AI Gatewayを経由してJevを呼び出しています。
Gatewayは、外部のAIモデルへ接続するための窓口です。Vercel側でもJevへの対応が案内されていますが、それだけで、この投稿のChrome拡張が誰でも完成品として使えるという意味にはなりません。
この形の面白さは、普段使うブラウザの近くに判断処理を置けること。別のチャットへ内容を運ぶより、今見ているページの操作を補助する発想です。
導入時には、読んでよいサイトと許可する操作を限定する。普段のブラウザに近い道具だからこそ、アクセス範囲は分けておきたいところです。
10｜画面を文字にして、クリック先を決める
画面上の要素をOCRで文字情報にし、その情報をJevへ渡して操作先を選ぶコンピュータ操作の例です。OCRは、画像の中にある文字を読み取る処理を指します。
投稿説明では、Jevの判断が約90ミリ秒。「スクリーンショットなし」と聞くと、画面を一切取得していないように思えますが、正確にはJevへ画像を直接渡さない構成として理解したいところです。
応用のヒントは、AIに見せる情報の作り方です。画面を丸ごと理解させる以外にも、必要な要素を整理して渡す方法がある。ただし、読み取りを間違えた文字を前提に判断してしまう点には注意が必要です。
11｜コンピュータ操作の待ち時間を比較する
Jevを使ったコンピュータ操作と、言語モデルを使う操作の速度を比較するデモです。ここでは、特定の倍率より「どの工程で待っているのか」に注目したいところです。
操作には、画面の情報を取る時間、判断する時間、入力やクリックを実行する時間、次の画面を待つ時間があります。Jevが担当する判断部分を短くしても、サイトの読み込みまで消えるわけではありません。
この事例を自分の自動化へ応用するなら、まず処理時間を工程ごとに分ける。判断が遅いのか、画面取得が重いのか。それが分かると、モデルを替える意味も判断しやすくなります。
比較するモデルの設定や課題がそろっているかも見たいところ。「全体が速い」で終わらせず、自分の作業で減らせる待ち時間を探す参考になります。
12｜iOSシミュレータを操作する
JevとAXeを組み合わせ、iOSシミュレータを操作する例です。シミュレータは、開発用PC上でスマートフォンの動作を確かめるための環境です。
AXeは、シミュレータ上のアプリを調べたり、ボタン操作や文字入力を行ったりする道具。この操作部分にJevの判断をつなぐ使い方として紹介されています。
応用として想像しやすいのは、アプリの動作確認です。用意した確認項目に沿って画面を進め、途中で想定外の状態になったら止める。人が毎回同じ操作をする負担を減らせるか、試す価値のある方向です。
ただし、シミュレータでの実験と、手元のiPhoneを自由に操作できることは別です。実機の権限や接続条件まで解決済みだと受け取らず、開発環境内の操作デモとして見てください。
13｜コード変更を14項目で点検する
PR、つまりコード変更の提案を、14項目の確率判定で点検する例です。秘密情報の混入、データベースへの不正な命令につながる問題、テストの削除などが確認対象として紹介されています。
投稿説明では、1PRあたり約0.00007ドル。これは、その投稿で扱った入力や構成での数字であって、大きな変更も同じ費用になるという意味ではありません。
この用途を考えるときは、「コードレビューを全部置き換える」より、「人が読む前に危険そうな変更を拾う」と捉えるほうが具体的です。注意して見るべき箇所を絞る補助にできます。
既存の検査やテスト、人によるレビューは残したうえで、点検の補助として使う。確認を省くためではなく、見落としを減らすための導入です。
14｜Claude Codeへ渡すログを選別する
Claude Codeのような開発支援AIに対し、不要になったログを整理するコンテキスト圧縮の使い方です。コンテキストは、AIがその時点で参照する指示や作業履歴を指します。
長い作業では、エラー出力や何度も実行した確認結果が積み重なります。そこで、「今後の判断に必要か」を評価し、次に渡す情報を絞るという方向です。
ただ短くすればよいわけではありません。直前の失敗原因や、ユーザーが指定した条件まで落とすと、AIは同じ失敗を繰り返しかねません。残す情報を選ぶ基準のほうが重要になります。
実用化を考えるなら、元ログを消すのではなく、参照用の原本を残したまま入力を整理する形がよさそうです。次の事例と同じ題材ですが、こちらは開発作業の中での使いどころとして見ています。
15｜要約する前に、残す履歴を決める
「instant compaction」として紹介された、Jevによる文脈整理の投稿です。ツール呼び出しなどを評価し、残す必要のある情報を選ぶという発想が中心にあります。
前の事例とテーマは重なります。別々の圧縮技術が実証されたという意味ではなく、ここでは「要約文を作る処理」と「必要な情報を選ぶ処理」の違いに注目します。
Jevは自由な文章を書かないので、長いログを読んで美しい要約文を生成する役ではありません。どの記録を残すかを判定し、必要なら別のモデルが、その後の要約や説明を担当する分担が考えられます。
この考え方は、開発ログ以外の整理にも応用を検討できます。ただし、何を落としても困らないかは用途次第。圧縮した後に、必要な判断を続けられるかまで確認したい例です。
16｜どのボット・モデルへ任せるかを選ぶ
届いたタスクを読み、担当するボットやモデルを割り当てる司令塔の例です。Jevが最終的な成果物を作るのではなく、仕事をどこへ渡すかを判断します。
複数のAIを使う仕組みを作ると、単純な確認と、深く検討すべき依頼が同じ入口に届きます。全部を同じモデルへ送る以外に、依頼の種類を見て振り分ける構成が考えられます。
応用するなら、調査、文章作成、コード修正などの担当分け。ただし「安いモデルに回せた件数」だけで成功を判断すると、難しい仕事を軽く扱う危険があります。
担当を選べなかった場合や、情報不足の場合の行き先も必要です。分からないものを無理に分類せず、人の確認へ回す。振り分けの自動化には、保留の選択肢も用意しておきたいところです。
17｜Slay the Spire 2の一手を高速に選ぶ
カードを選んで戦うSlay the Spire 2で、Jevに行動を判断させる例です。紹介されている判断時間は約0.7秒。次の一手を短い間隔で返す使い方です。
ゲームでは、同じ選択肢でも状況によって意味が変わります。目先の行動だけでなく、現在の状態と候補を合わせて判断させる必要がある。その点で、単なるボタン連打とは違います。
ただ、速くカードを選べることと、長期的に優れた戦略を取れることは別です。比較するなら、判断時間だけでなく、成功率や同じ条件での結果も見たいところです。
18｜Subway Surfersを動かし、並列実行も試す
走りながら障害物を避けるSubway Surfersを、Jevで制御するデモです。高速プレイに加え、50ゲームを同時に動かす試みも紹介されています。
ここで気になるのは、一回の賢い回答より、判断を何度も繰り返したときの振る舞いです。一つの操作で成功しても、連続すると遅延や判断ミスが積み重なります。
大量の対象へ同時に判断を返したとき、どこまで安定して回せるのか。プレイの速さだけでなく、並列処理の実験としても気になる例です。
19｜Super Mario Bros.をプレイする
Jevによるマリオのプレイです。公開リポジトリでは、エミュレータから取得した構造化されたゲーム状態を使うエージェントとして説明されています。
人間と同じように動画を見て、そのまま遊んでいるわけではありません。ゲームの状態をJevが扱える情報へ変え、操作の判断につなげています。
動かせたことと、毎回安定してクリアできることは別ですが、リアルタイムの操作を試す題材として分かりやすい例です。
この例から見たいのは、画面を操作するAIの作り方です。視覚モデルへ全部を見せるだけでなく、必要な状態を取り出して判断モデルへ渡す。環境側を整えることで、違うモデルの使い方が生まれています。
20｜Doomで短い判断を連続させる
TypeSafe AIの公式発表に登場したDoomのデモです。公式説明では、毎秒およそ10回の問い合わせを行い、ゲームの状態に合わせて動作を決めています。
入力は画像ではなく、テキストを含む構造化データ。公式自身も、専用の従来型ボットのほうが上手に遊べる場合があると説明しており、「ゲームAIの強さで頂点を取った」という発表ではありません。
費用についても、公式が示すこのデモは約7ドル／時間です。「Jevは安い」という話から、何時間でもほとんど無料で動かせると広げるのは危険です。
見るべきは、状況を受け取り、短い判断を連続して処理へつなぐ構成。単発の回答ではなく、何度も呼び出す使い方になると、速度と総費用をセットで考える必要がよく分かります。
21｜飛んでくるロケットから逃げる
安全なタイルを約330ミリ秒ごとに判断し、ロケットを回避するゲームの例です。投稿説明では、26回のうち25回を回避したとされています。
見る対象を絞りやすいデモです。今いる場所と危険な範囲を受け取り、移動できる候補から次の位置を選ぶ。複雑な会話をするのではなく、その瞬間の判断に処理を集中させます。
ただし、25回避けたという結果だけでは、別の配置や速さでも同じ成功率になるとは言えません。少数の試行結果を、一般的な精度として扱わないことが必要です。
安全な候補の選び方を、ゲーム内で繰り返し試す。入力と選択肢をどう整理するかを見る題材になります。
22｜GPT-6 Astraと組み合わせてMinecraftを動かす
JevとGPT-6 Astraを組み合わせたMinecraftのデモです。一つのモデルにすべてを任せるのではなく、複数のモデルを同じ仕組みで使う例として紹介されています。
提供されている説明だけでは、それぞれがどの操作を担当したかまで断定できません。ただ、ここから考えられる設計として、大きな計画と短い判断を分ける方法があります。
たとえば応用案なら、言語モデルが作業の段取りを考え、Jevが決められた候補から次の行動を選ぶ。これは役割分担の考え方であって、この投稿の内部構成を確認したという意味ではありません。
大事なのは、モデルを二つ使うこと自体ではなく、境界を決めること。何を渡し、何が返れば先へ進めるのか。複数AIの連携を考える人にとって、参考になる題材です。
23｜Jevを判断役にしてMinecraftを操作する
クラウドPC上のMinecraftを、Jevを使って操作する例です。前の事例が別モデルとの組み合わせなのに対し、こちらはJevを判断役に据える使い方として紹介されています。
ただし、「Jev単体」という言葉には注意が必要です。ゲームとの接続や状態の取得、入力の実行まで、AIモデルが何もないところから担当するわけではありません。周辺のプログラムは必要です。
この比較から考えたいのは、どの段階で別のモデルが必要になるか。用意された行動の選択で進められる範囲と、計画の作り直しや説明が必要になる範囲を分けて見ると、用途が整理できます。
24｜感情が周囲へ伝わる様子をシミュレーションする
セルオートマトンという、マスごとの状態を繰り返し更新する仕組みにJevを組み合わせた例です。周囲の感情によって、自分の感情が変わるというルールを使った実験として紹介されています。
一つの文章を評価するだけでなく、複数の対象がそれぞれ状態を持ち、周辺の変化を受けて次の判断をする。その様子をまとめて扱うところに面白さがあります。
ただし、これは人間の心理を実証した研究として紹介できるものではありません。人の感情が実際にこのルールで動く、という証拠とは分ける必要があります。
ゲーム内の登場人物や、仮想空間の集団表現への応用が考えられます。設定した条件で振る舞いがどう変わるかを試す、創作寄りの使い道です。
25｜運転判断をJevに組み込む
Jevを使った運転判断のデモです。投稿者は、TeslaのFSDを1時間以内で再実装したという強い表現で紹介しています。
ここは、その言葉をそのまま実証済みの成果に変えてはいけません。Teslaの実車用システムを同等の安全性で再現したことや、公道で使えることを確認したわけではありません。
記事で扱えるのは、運転に関する判断をJevへ組み込む試作としての面白さです。短い間隔で状態を受け取り、行動へつなげる方向を試していると捉えます。
「動くものを短時間で作った」と「安全に使える製品を作った」は別です。派手な投稿文と、試作で確かめた範囲を分けて見たい題材です。
26｜売買判断を注文処理へつなぐ
市場の注文情報を見て、Jevが売買の方向を判断する取引ボットです。公開実装では、約300ミリ秒のブロック間隔に合わせて、判断と注文処理を回す構成が説明されています。
ただし、公開リポジトリには模擬モデルと模擬約定の設定もあります。画面が動いているから、必ずJevが本物のお金で取引しているとは限りません。モデルの設定と実注文の有無は別に確認する必要があります。
技術として見るなら、更新され続ける情報に判断処理を接続した例です。一方、速く注文できることと、利益が出ることは別問題。損益の検証なしに「稼げるボット」とは紹介できません。
27｜複数の取引シグナルをまとめて判断する
複数の構造化されたシグナルを入力し、Jevから売買判断を得る例です。シグナルとは、判断材料になる数値や状態の情報を指します。
この使い方では、何を材料として渡したかが結果に直結します。一つの数字だけで決めるのか、複数の情報を比較するのか。モデル名より先に、入力と判断基準を見る必要があります。
他の業務へ応用を考えるなら、複数の条件が絡む優先順位付けが候補です。たとえば、納期、対応状況、影響範囲を整理したうえで、確認すべき案件を選ぶ。これは取引デモから考えられる別用途の例です。
ただし、材料が増えれば必ず判断が正しくなるわけではありません。情報が食い違ったときの扱いまで決める必要があります。
28｜市場データやニュースを判断材料にする
暗号資産や株式の分析で、予測、指標、ニュースなどを整理し、Jevの判断へつなぐ例です。元の説明では、こうした情報を判断用の特徴量として扱っています。
Jevがインターネットから最新情報を勝手に集め、すべての市場を理解しているという意味ではありません。何を取得し、いつのデータを使い、どう整理して渡すかは、周辺システムの仕事です。
仕事への応用を考えるなら、複数の情報源から届く材料を一定の基準で整理する発想が参考になります。新しい情報が入るたびに、人が同じチェックを繰り返している場面です。
ただ、情報源が誤っていたり、更新が遅れていたりすれば、判断もその影響を受けます。高速なモデルを置けばデータの品質まで上がるわけではない。この点を切り分けて見たい実験です。
29｜「Jev is the future」と紹介されたデモ
「Jev is the future」という言葉で紹介された動画です。この投稿は、詳細な実装手順や独立した評価結果を示す事例とは分け、関連デモとして取り上げます。
この短い紹介だけで具体的な用途や成功率を補わず、動き方をつかむための一本として見てください。
デモを見るなら、「入力は何か」「何を選んだか」「その後に何が動いたか」の順で追う。反応の速さを楽しみつつ、詳しい構成が公開されている実装と見比べたい一本です。
30｜45秒の解説で、生成と判断の違いをつかむ
Jevの仕組みを短く説明する動画です。こちらも新しいアプリの実装例ではなく、判断に特化したモデルが何を変えるのかを理解するための関連解説として入れています。
ブラウザ、コメント分類、ゲーム、ログ整理。ここまでの用途はばらばらに見えますが、どれも「状況を受け取って、処理に必要な判断を返す」という部分でつながります。
この違いが分かると、「自分の仕事では、どの判断を切り出せそうか」と考えやすくなります。
非エンジニアが持ち帰るなら、この3つ
まずは「読むだけなのに時間がかかる作業」を探す
フライト検索やゲームより、コメント分類や緊急度付けのほうが自分の仕事に近い人もいると思います。最初の候補にしやすいのは、文章を読んで決まった区分へ分ける作業です。
たとえば、依頼を「今日確認」「通常対応」「情報不足」に分ける仕組み。過去の例と照らし合わせれば、どこで人の判定とずれるかを確認できます。
最初から返信文の作成と送信までつなげる必要はありません。分類だけを試し、人の判断と比べる。それでも使いものになるかが分かれば、次に任せる範囲を決められます。
「何でも判断して」ではなく、選択肢を決める
たとえば開発を依頼するなら、「問い合わせ対応を自動化して」より、「問い合わせ文を指定の3区分へ分類し、確認が必要なものは人に戻す。送信や削除はしない」のほうが、作る範囲が明確です。
何を読み、何を答え、どこまで実行してよいのか。特に、どの区分にも当てはまらない場合を用意しておくことが大切です。
TypeSafeの公式ガイドも、通常の処理はコード側に置き、AIへ渡す判断を狭く分解する構成を案内しています。全部をモデルへ任せるのではなく、必要な箇所だけを任せる考え方です。
精度・総費用・止め方をセットで見る
安い数字が並ぶと、費用を気にせず呼び出せるように感じます。ただ、短い入力を一度判定する処理と、長い履歴を毎秒送り続ける処理では、総費用が違います。
2026年9月18日に確認した公式API料金は、入力100万トークンあたり0.042ドルで、出力は無料です。音声認識、別モデル、外部サービスなどを組み合わせる場合は、それらの費用も分けて考えます。
日本語の精度にも確認が必要です。公式は英語で最も精度が高く、日本語を含む他言語は自分のデータで検証するよう案内しています。海外のデモの数字を、そのまま日本語業務へ当てはめないほうが安全です。
確率や信頼度が返ることも、間違いがなくなることを意味しません。判断が曖昧なら止める、送信前に確認する、元データを残す。こうした運用まで含めて、どこまで任せられるかを決めます。
最初の一回を試したい方へ、オープンチャット「にくのAI爆速攻略」で、次の5点を無料配布しています。
① Codex・Claude Code導入ガイド ② 初回コピペ3本 ③ 困ったときの早見表 ④ 作って遊べるミニアプリ50本 ⑤ GPT Image 2.5向け画像プロンプト50本
👇５点セットの受け取りはこちら👇
僕が注目しているのは、ゲーム以外の使い道
マリオやDoomは、Jevの速い判断を直感的に理解しやすい題材です。ただ、自分の仕事へ持ち帰るなら、ログを整理する、依頼を分類する、開くファイルを選ぶといった例のほうが参考になります。
人間が毎回やっているけれど、一つひとつは小さい。その判断を文章で説明してもらう必要はなく、次に進める形で返ってくればいい。Jevの事例から考えたいのは、そういう作業です。
「これは毎回、人が読まないと無理だろう」と思っていた作業に、試せる選択肢が増えるのは面白い。今日、自分が何度も繰り返した判断を一つ思い出してみてください。
Jevなら何を選ばせればよいか。そこまで具体的にできると、面白いデモが自分の作りたい道具に変わります。
参照した主な一次資料
確認日：2026年9月18日。個別の事例は各項目の紹介ポストに対応しています。
TypeSafe AI「Introducing System One Models & Jev」
公開日：2026年9月15日。モデルの位置付け、公式デモ、評価条件を確認。
TypeSafe AI公式ドキュメント「System One」
、
、
、
確認したページ上に公開・更新日の明記なし。入力形式、料金、日本語を含む言語対応、判断の扱いを確認。
、
、
公開リポジトリの説明を確認。ブラウザ操作の分担、マリオの入力方式、売買ボットの実行設定を参照。
Vercel「TypeSafe AI’s Jev now available on AI Gateway」
公開日：2026年9月16日〈公式ページ表記〉。AI Gateway経由の対応を確認。
