柳谷智宣のAI ウォッチ！
OpenAIも参入、企業システムを変える「判断特化型AI」が急成長 ～なぜ今、文章を生成しないAIが求められているのか
文章すら返さない判断特化型AIとはなにか［後編］
2026年11月10日 09:00
生成AIといえば、文章を書いたり、質問に答えたりするものだと思われがちだ。
しかし、企業の仕事では、文章作成ではなく判断が求められる場面も数多くある。問い合わせをどの部署に振り分けるか、顧客への対応を急ぐべきか、AIエージェントに次の操作を許可してよいかを決める作業だ。こうした判断を高速かつ低コストで処理する「判断特化型AI」が、いま注目を集めている。
前編では、その代表格である米TypeSafe AIの「Jev」を使い、大量の問い合わせやSNS投稿を仕分けてみた。この分野にはOpenAIやCloudflare、Databricksなども相次いで参入し、企業での活用も始まっている。なぜ今、判断に特化したAIが求められているのか。業界動向や導入事例を紹介するとともに、OpenAIの「Decisions API」を実際に使い、Jevとの違いも確かめてみた。
AIエージェントで「判断」の需要が拡大、大手企業も相次ぎ参入
そもそも、AIが文章を分類したり、何らかの判断を下したりすること自体は新しくない。スパムメールの判定や顧客の離反予測などは、以前から機械学習で実現されてきた。ただ、従来の分類モデルでは学習データの準備やモデルの調整に手間がかかる場合がある。
ChatGPTなどの高性能なLLMなら、自然言語で判断基準を指示するだけで、さまざまな分類や評価を行える。一方、判断特化型AIは、文章を生成する代わりに、選択肢やスコアを返す処理に特化しているのが特徴だ。例えば、顧客から届いたメールを「営業」「サポート」「経理」に振り分けたり、SNS投稿に含まれる不満の強さを5段階で評価したりできる。
判断特化型AIが特に役立つのは、AIエージェントに組み込む場合だ。
例を挙げると、AIエージェントに営業活動を任せる場合、見込み客に連絡するかどうか、返信を誰に回すか、次に何をするかなど、仕事の途中で何度も“判断”が必要になる。これらを毎回高性能なLLMに任せていては、処理に時間がかかり、API料金もかさんでしまう。複雑な分析や文章作成は高性能なLLM、単純な分類や選択は判断特化型AIと使い分ければ、AIエージェント全体の処理時間と運用コストを抑えられる。
この新しい市場で先陣を切ったのが、9月15日に最初のモデル「Jev」を公開したTypeSafe AIだ。同社は10月9日、Andreessen Horowitzなどから8億7,000万ドルを調達したと発表した。企業価値の評価額は75億ドルに達している。文章を書く機能を持たないAIの開発企業に、これほど巨額の資金が集まったのは興味深い。
参入企業は新興企業だけではない。Databricksは9月30日、大量のデータをSQLから直接分類・採点できる「ai_decide」を発表。Cloudflareは10月1日に判断モデル「Clef」を公開し、9日には音声や動画も扱える「Clef-omni」を投入した。AWSのStrands Labsも10月1日、約20億パラメーターの小型モデル「Strands Decider 2B」を公開している。
そしてOpenAIは10月6日に「Decisions API」のベータ提供を始め、22日には一般提供へ移行した。GPT-6 Lunaを基盤とし、同じモデルを通常のResponses APIで利用する場合と比べ、最大10倍高速に判断を返せるという。
判断専用モデルを独自開発する企業もあれば、既存のLLMやデータ分析基盤を活用する企業もある。アプローチは異なるものの、業務システムに判断機能を組み込むための選択肢は増えているのだ。
採用選考のコストを88％削減、企業で広がる判断特化型AIの活用
判断特化型AIの活用で面白いのが、人事・財務向けのクラウドサービスを提供する米Workdayの取り組みだ。同社は10月13日、新しい「Workday Home」を発表し、その中心となるAIインターフェース「Sana」にJevを採用した。
この新しいホーム画面では、従業員が次回の給与の金額や支給日を尋ねると、その情報が画面に表示される。休暇を申請したいときにはカレンダーが現れ、必要な日付を選べる。承認が必要なら、申請内容を確認する画面に切り替わる。SanaはJevを活用して用件に合った操作画面を提供し、従業員がメニューを探し回る手間を減らしている。
また、大量の判断を低コストで処理する例として、AIエージェントで求職者と企業をつなぐ人材マッチングサービス「Jack ＆ Jill」が挙げられる。同サービスは求人1件につき約6,000人の候補者を抽出し、最初の選考で約2,000人に絞り込む。この選考には従来、Googleの「Gemini 3.1 Flash Lite」が使用されていた。
TypeSafe AIが公開した導入事例によると、Jevへの切り替えで候補者1,000人あたりの処理費用は0.755ドルから0.092ドルへ減り、約88％のコスト削減につながった。求人1件の選考時間の中央値も、20.3秒から10.3秒に短縮された。採用担当者が面談を希望する候補者を、選考で残せた割合は従来のモデルとほぼ同等だったという。コスト削減が成功したことで、同社はJevの利用を15種類以上の業務に広げている。
ほかにも、AIエージェントの安全確認に活用しているのが、システム監視サービスを手がける米Datadogだ。同社は、障害を自動で復旧させるためにAIエージェントが作成したコマンドのリスクを、実行前にOpenAIのDecisions APIで評価している。OpenAIによると、高性能な汎用モデルと同程度の精度を保ちながら、応答時間の95パーセンタイル値で40倍の高速化を実現したとのこと。
国内でも活用が始まっている。ライトアップは10月1日から提供を開始した営業支援サービス「Elliot Sales Engine」にJevを採用した。顧客の優先順位や担当者への振り分け、失注理由の分類をJevに任せ、文章の作成には生成AIを使う。
操作画面の切り替え、大量の候補者選考、AIエージェントの安全確認、営業活動の自動化と、用途は幅広い。いずれも判断結果を受けて別の処理が動く仕組みであり、判断特化型AIが業務システムの一部として使われ始めていることがわかる。
OpenAIも200件を6.2秒で判定、Jevとの仕組みや料金の違いは？
続いて、OpenAIのDecisions APIを実際に試してみよう。
基本的な使い方は前編で紹介したJevとよく似ている。判断材料と質問を設定すると、決められた形式で答えが返ってくる。「Decisions Playground」なら、プログラムを書かずに試用可能だ。
Decisions APIでは、判定したい内容に応じて3種類の形式を選べる。「choice」は投稿内容を「不具合」「要望」「その他」などに分類し、「score」は好意度などを数値で評価する。「predicate」は「運営側の対応が必要か」といった条件が成立する確率を返す仕組みだ。JevのChoice、Score、Noulにそれぞれ近い機能で、判定結果に加えて確信度も取得できる。
今回は、前編で使ったExcel一括判定用のWebアプリをOpenAIにも対応させ、Decisions APIへ直接接続した。
判定するのは、学習サービスに関するSNS投稿200件だ。Excelからデータを読み込み、内容の分類、感情の評価、対応の要否という3項目を判定させた。最初の10件で動作を確かめ、続けて全件を実行する。
200件すべての判定が6.2秒で完了し、エラーは0件だった。設定した確信度の基準を満たした155件は「確信度OK」、残る45件は「要確認」と表示された。分類結果やスコア、それぞれの確信度も元のExcelに書き戻せた。
前編のJevでは同じ200件を4.6秒で処理できており、今回のOpenAIも数秒で一括判定を終えた。どちらも短い文章を大量に仕分けられ、確信度を使って人間が確認する案件を絞り込む仕組みも構築できた。
使い勝手は似ているが、JevとDecisions APIではモデルの仕組みが異なる。
Jevは、TypeSafe AIが「System Oneモデル」と呼ぶ判断専用AIの第1弾で、文章生成機能を持たない。一方、OpenAIは文章生成もできる汎用モデル「GPT-6 Luna」を利用する。ただし、Decisions APIでは自由な文章を生成させず、選択肢やスコア、確率といった判断結果だけを返す。つまり、Jevはモデル自体が判断専用で、OpenAIは汎用モデルを判断専用のAPIで動かしているのだ。
料金にも差がある。入力100万トークンあたり、Jevは0.042ドル、Decisions APIは0.10ドルで、どちらも出力トークンには料金がかからない。入力単価ではJevが約58％安い。一方、OpenAIは画像や会話履歴を判断材料にでき、音声AI「GPT-Live」との連携にも対応する。Jevも画像入力を実験機能として提供しているが、利用には特別な設定が必要だ。
どちらを選ぶかは、利用環境によって変わる。大量の判断をできるだけ安く処理したいならJevが有力だし、すでにOpenAIのAPIを利用しているならDecisions APIを組み込む方が手軽だ。画像や音声との連携を重視する場合も、OpenAIの機能が役立つだろう。
まずは過去案件で精度を検証、身近な判断業務から自動化へ
企業で判断特化型AIを導入するなら、まずは担当者が文章を読んで、振り分けや優先順位付けを繰り返している仕事を探したい。例えば、問い合わせの内容から担当部署や緊急度を決める作業だ。金額や期限など、明確な条件で決まる処理は従来のプログラムに任せ、文章の意味や状況を理解する必要がある判断にAIを活用するとよい。
対象となる業務が決まったら、過去の案件を100件ほど集め、担当者の判断とAIの結果を照合してみよう。間違えやすい案件を調べて判断基準を調整し、どこまで自動化できるかを見極める。判断が難しい案件だけ人間に回す仕組みにすれば、確認作業の負担を減らせる。
効果が確認できたら、判断結果を既存の業務システムに渡し、担当者への振り分けや対応依頼まで自動化する。これまで担当者が一つひとつ下していた判断をAIに任せ、その結果を次の処理につなげれば、人間が指示を出す手間も減らせる。まずは身近な業務を1つ選び、判断の精度と削減できる時間を検証してみてほしい。
著者プロフィール：柳谷 智宣
IT・ビジネス関連のライター。キャリアは26年目で、デジタルガジェットからWebサービス、コンシューマー製品からエンタープライズ製品まで幅広く手掛ける。近年はAI、SaaS、DX領域に注力している。日々、大量の原稿を執筆しており、生成AIがないと仕事をさばけない状態になっている。
・著者Webサイト：https://prof.yanagiya.biz/
