ChatGPTの共同開発者ディオゴ・アルメイダ（Diogo Almeida）氏が率いる米TypeSafe AIは2026年9月15日、テキスト生成を行わず機械向けに型付き構造化データを出力する新モデル「Jev」を発表し、GPT-5.6 Terraと同等のタスク精度を約100分の1のコストで提供開始した。
機械向けモデル「Jev」の発表と米AIインフラ市場の資金動向
米TypeSafe AIは2026年9月15日、約2年間のステルス期間を経て公式に事業を立ち上げました。同社はベンチャーキャピタルのDCVC主導による4,000万ドル（約62億円）の資金調達を実施しています。評価額は2億ドル（約310億円）に達しており、シードステージのスタートアップとしては極めて大きな規模です。
創業者のディオゴ・アルメイダCEOは、OpenAI在籍時に「InstructGPT」やRLHF（人間のフィードバックによる強化学習）の研究開発を共同で牽引した技術者です。同氏はエリック・ガフニ（Erik Gafni）氏やサーシャ・シェン（Sasha Sheng）氏とともに、人間向けチャットではなくソフトウェア内部の意思決定に特化したモデル基盤の構築を進めてきました。
TypeSafe AIが公開したモデル「Jev」は、「System One Models」と名付けられた新カテゴリの第1弾です。従来のフロンティアモデルが自然言語テキストを生成するのに対し、Jevはソフトウェアが直接解釈できる構造化データを出力します。
米市場では2026年7月9日にOpenAIが日常業務向け中位モデル「GPT-5.6 Terra」を発表し、API利用料を大幅に引き下げていました。しかしTypeSafe AIは、そのGPT-5.6 Terraと比較しても2桁低いコスト体系を提示しています。
JevのAPI料金は、入力100万トークンあたり0.042ドル（10億トークンあたり42ドル）に設定されています。さらに出力トークンに対する課金は0ドルとなっており、従来のAPI価格構造とは一線を画す体系です。
| 比較項目 | TypeSafe AI「Jev」 | OpenAI「GPT-5.6 Terra」 | 性能・コスト差 |
|---|---|---|---|
| 入力コスト（100万トークン） | 0.042ドル | 2.00ドル | 約47.6分の1 |
| 出力コスト（100万トークン） | 0ドル（無料） | 12.00ドル | 完全無料 |
| 応答レイテンシ | 70〜500ms（実測0.114秒） | 実測8.566秒（非推論時） | 最大193.6倍高速 |
| 出力形式 | 型付き確率分布・決定データ | 自然言語テキスト | ソフトウェア直接連携 |
公開された比較検証データによれば、Jevの応答レイテンシは70ミリ秒から500ミリ秒の範囲に収まります。同一タスクにおける公式デモの実測値では、GPT-5.6 Terraが8.566秒を要した処理を、Jevはわずか0.114秒で完了させました。
タスク完了全体のコスト比較においては、1回の処理あたり0.000081ドル対0.013880ドルとなり、444.6倍のコスト削減が確認されています。競合の最上位モデルであるFable 5.1との比較でも、タスク精度を同等に維持したまま238分の1の低コストを達成したと公表されました。
この価格破壊の背景には、次に来るテキストトークンを順次計算する処理の排除があります。機械同士が連携するシステムにおいて、自然言語の装飾文は不要であり、純粋な判定結果のみを返す設計が圧倒的な計算リソース削減をもたらしました。
並列処理アーキテクチャと型付き確率的決定の技術基盤
Jevが従来のフロンティアモデルと根本的に異なる点は、推論の処理プロセスと出力の構造にあります。これまでの大規模言語モデル（LLM）は、テキストを左から右へと1トークンずつ逐次的に予測する自己回帰モデル（Autoregressive Model）を採用していました。
自己回帰モデルでは、文脈の長さと出力文字数に比例して計算時間が増加します。そのため、ツール呼び出しを行う際も、JSON文字列を先頭から順に生成するオーバーヘッドが避けられませんでした。
これに対しJevは、クエリに対するすべての判定を並列処理で一括生成するアーキテクチャを採用しています。アルメイダ氏はこれを、RNN（再帰型ニューラルネットワーク）からTransformerへの進化と同様の並列化アプローチであると説明しました。
Jevの入力と出力は、プログラミングにおける厳格な型定義（Type Safety）に基づいて設計されています。開発者はJSONオブジェクトや文字列としてシステムの状態を渡し、以下の質問プリミティブを組み合わせて問い合わせを行います。
- Choice：複数の候補から最適な選択肢を選定し、各選択肢の確率分布を返す。
- Score：特定の条件や入力に対する適合度を0から1の実数値で評価する。
- Noul：特定エンティティの抽出やカテゴリ判定を構造化データとして取得する。
例えば、顧客からの問い合わせテキストを適切なサポート部署へ振り分けるタスクを考えます。従来のLLMでは「問い合わせ内容を分析した結果、技術サポートが適切です」といったテキストを出力させ、それを正規表現やパーサーで抽出していました。
Jevに対してChoiceプリミティブを使用した場合、モデルは即座に「請求：0.08、技術：0.85、営業：0.07」という確率分布と、総合的な信頼度スコア「0.82」を直接返します。ソフトウェア側は追加の構文解析を行うことなく、条件分岐処理へそのまま値を受け渡すことが可能です。
TypeSafe AIは、出力スキーマが事前に固定されているため、ツール呼び出しにおける型エラー率は0%であると標榜しています。従来のLLMでは、指定したJSONスキーマから外れたキー名を出力する構文エラーが頻発し、システム停止の要因となっていました。
ただし注意すべき点として、型安全性の保証は「事実関係の正しさ（ファクトチェック）」を保証するものではありません。構造的に正しいJSON形式で誤った判断（不正な確率分布）を出力するリスクは依然として残ります。The Registerなどの技術メディアも、自然言語を出力しない設計を理由に「ハルシネーションが存在しない」と結論づけるのは正確ではないと指摘しました。
実証実験としてTypeSafe AIは、古典的FPSゲーム「DOOM」をJevによって自律制御するデモを公開しています。この検証では、ゲームの画面状態から行動を決定するAPIコールを1秒間に約10回実行しました。1時間の連続プレイにかかった推論コストはわずか7ドル（約1,100円）であり、従来のLLMでは採算が合わなかった超高頻度の制御ループが現実的な費用で動作することを証明しています。
参考記事: AI推論インフラとは？CTOが知るべきアーキテクチャ設計とROI最大化戦略
ソフトウェア連携を前提とした推論コストの構造改革
Jevの登場は、AI業界が長年抱えてきた「トークン消費の非効率性」に対する根本的な解決策を提示しています。ソフトウェア開発現場では、API連携のためにLLMへ「JSON形式のみで出力してください」と指示するプロンプト設計が日常的に行われてきました。
このアプローチは、自然言語を出力するために最適化された巨大な計算基盤を、単なるデータ変換機として浪費する行為でした。無駄なトークン生成によって課金が膨らみ、レイテンシが秒単位まで悪化する原因となっていたのです。
Jevが提示する構造化推論は、既存のプロンプトエンジニアリングやガードレール製品の役割を再定義します。非構造化テキストから無理やり構造化データを引き出すためのラッパーライブラリは、モデル自体が型を保証する環境下では不要になります。
| 開発アプローチ | 従来のLLM（JSONモード） | TypeSafe AI「Jev」 |
|---|---|---|
| 生成処理 | トークン単位の逐次自己回帰生成 | スキーマに合わせた並列決定生成 |
| エラー処理 | 正規表現による再パースとリトライ | スキーマ準拠100%（パース不要） |
| 判断の根拠 | 自然言語の思考プロセス（CoTなど） | 確率分布と信頼度スコアの実数値 |
| 最適な用途 | 人間との対話、長文作成、コード記述 | リアルタイム制御、API振り分け、検証 |
アルメイダ氏がモデル名に採用した「Jev」は、19世紀の英国の経済学者ウィリアム・スタンレー・ジェボンズに由来します。ジェボンズは、石炭利用の技術効率が向上した結果、全体の石炭消費量が減少するのではなく、用途が爆発的に拡大して消費総量が増加した現象（ジェボンズのパラドックス）を提唱しました。
TypeSafe AIの狙いも同様です。推論単価を極限まで引き下げることで、これまでコスト面からAI適用が見送られていたマイクロタスクの領域へ進出することを目指しています。
1回の呼び出しが0.00008ドル水準まで下落すれば、データベースのインデックス作成時の自動タグ付けや、リアルタイムのパケット検査、ログのリアルタイムフィルタリングなどにAIを常駐させることが可能です。知性の消費者が人間からソフトウェアへと移行することで、機械同士のトランザクションが急増します。
しかし、この市場拡大シナリオが直ちに成立するかどうかについては慎重な見方も存在します。現在の企業システムの多くは、高頻度な推論リクエストを投げるアーキテクチャ自体が整っていません。自律エージェントの商用利用が限定的な段階では、単価下落がそのままインフラベンダーの売上減少につながるリスクもはらんでいます。
参考記事: AIエージェントとは？自律型AIの仕組みから2030年のマシンエコノミー予測まで徹底解説
国内エンタープライズにおけるエージェント基盤の再設計指針
TypeSafe AIの技術公開は、日本のエンタープライズシステムや受託開発企業のアーキテクチャ設計に直接的な影響を与えます。国内のDXプロジェクトでは、生成AIを社内FAQや要約などの「情報閲覧ツール」として導入する事例が主流でした。
しかし、業務プロセスの真の自動化を実現するためには、基幹系システムやSaaSと連携して自律的にタスクを遂行するエージェント機能が不可欠です。これまで日本企業がエージェント実装をためらってきた最大の理由は、LLMの応答遅延とJSONパースエラーによるシステム障害リスクでした。
Jevのような「型付き決定エンジン」を導入することで、障害リスクを抑えながら自律的なワークフローを構築できるようになります。例えば金融機関における不正取引検知では、ミリ秒単位のトランザクション判定が求められます。Jevの70ミリ秒という応答速度と確率分布出力は、従来のバッチ処理をリアルタイム判定へと刷新する要件を満たします。
また、工場の生産ラインにおける外観検査やロボット制御への応用も視野に入ります。DOOMデモが示した「1秒あたり10回」の判断ループが低コストで維持できるならば、センサーデータに基づいた機器のリアルタイム制御に機械学習判断を組み込むハードルは大幅に下がります。
一方で、日本企業がこのアーキテクチャへ移行するには、越えなければならない設計上のハードルがあります。従来のシステム開発では、外部APIとの連携において確定的なロジックを前提としてきました。
Jevが出力するのは確定的な真偽値ではなく、信頼度スコアを伴う確率分布です。したがって、アプリケーション側には「信頼度が0.8未満の場合は人間にエスカレーションする」「スコアが拮抗している場合は再検証タスクを呼び出す」といった、確率的判断を制御するフォールバック設計が求められます。
さらに、プロンプトによって出力フォーマットを微調整していた従来の開発手法から、型定義ファイル（TypeScriptやProtocol Buffersなど）を起点としたスキーマ駆動開発への転換が必要です。自然言語のプロンプトを管理するミドルウェアから、モデルの確率的出力をハンドリングするバックエンド基盤へと投資対象を移行させることが肝要となります。
参考記事: AIトークン管理の終焉｜OpenAI会長が予言する「成果ベース課金」への移行と3つの技術的背景
機械間連携を見据えた技術スタックの刷新手順
機械向け推論モデルの普及に備え、技術責任者が自社のアーキテクチャ戦略において進めるべき移行手順は以下の3点です。
- 社内AIワークフローの「テキスト生成」と「決定処理」の分離
現在運用しているLLMパイプラインを総点検し、自然言語の読解・生成が必要な処理と、単なる分類やツール呼び出しなどの決定処理を明確に切り離します。後者の処理に対して構造化出力特化型モデルへの差し替えを検証し、APIコストとレイテンシの削減余地を定量化します。
- スキーマ駆動によるエージェントインターフェースの再設計
プロンプトによる出力制御を廃止し、JSONスキーマや型定義を直接モデルへバインドするインターフェースへ移行します。型エラーの例外処理に割いていた実装リソースを削減し、モデルが返す信頼度スコアに応じた条件分岐やフォールバック処理の設計に集中させます。
- 高頻度推論を前提としたマイクロエージェントの検証
1秒間に複数回の推論呼び出しが発生するリアルタイム制御やデータスクリーニングのプロトタイプを立ち上げます。トークン単価の激減によって可能になる新しい業務自動化領域を特定し、成果ベースのROI（投資対効果）を早期に検証します。
参考記事: 中国AI格安化の仕組みとは？DeepSeekとKimi K3が変える推論コストとAI実装のロードマップ
出典: BigGo ファイナンス
出典: Business Wire
出典: SiliconANGLE
出典: Forbes
出典: TypeSafe AI 公式ブログ
