AIピープルサーチ×Jev：メール検索に課金する前に候補者をICPで絞り込む

AIピープルサーチとは、エージェントが「北米のシリーズAソフトウェア企業のマーケティング責任者」のような自然文の依頼を、氏名・役職・会社つきの人物リストに変えることです。このリストがきれいなことはありません。検索は近いけれど違う役職、規模の合わない会社、販売していない地域、情報の古い人物を返します。全行をそのまま業務メール検索に送れば、連絡するはずのない人の検索料金を払い、合わない連絡先がアウトリーチツールに流れ込みます。安く済む順番は「絞り込んでから補完」です。エージェントが探し、Jevが各候補者について理想顧客像（ICP）に照らした短い型付きの質問に答え、通過した候補者だけをTregのようなリード補完（lead enrichment）ツールに渡してメール検索と検証をさせます。Jevは閲覧も検索もメール探しもしません。テキスト専用の判定レイヤーで、送られたフィールドを読んで確率を返すだけなので、有料のステップには最初から欲しい行だけが届きます。本ガイドはこの「Jevピープルサーチ」のパターンを最初から最後まで書いたもので、インバウンドリード向けのリードスコアリングや、多段階エージェント向けのエージェントルーティングと組み合わせられます。

ICPは1つの長いプロンプトではなく、3つの質問に分けます。Noulの質問で残すか落とすかを決めます（この人は合うか）。2〜10段階の順序付きScoreで、その人が予算の決定者にどれだけ近いかを測ります。2〜12個の選択肢を持つChoiceで不適合の主な理由を選ばせ、情報の少ないプロフィールの正直な行き先として必ずunclearを入れます。理由を尋ねる価値はあります。落とした人の多くがwrong_company_sizeなら、毎日同じ行を有料で落とし続けるのではなく、検索条件を直すべきだと分かるからです。stateには判定に必要なフィールドだけを入れます。役職、会社、規模帯、業種、地域、1行のプロフィール要約です。メール、電話番号、メモ、機微な情報は入れず、年齢・性別・民族などの保護される属性は決して尋ねないでください。stateは8,000文字以内、1リクエストの質問は1〜8個、質問IDは小文字で始まり小文字・数字・アンダースコアだけを使います。下のブロックはコピーして使えるICPの例です。stateとしての候補者1人、3つの質問、例示のレスポンス、そして期待される結果つきの4人のテスト候補者です。公開のJev Playground（jevmodel.app/jev-playground）ではアカウントなしで組み込みの例を試せます（UTC日あたり3回）。この3つの質問をそのまま実行するには、サインインしてConsole → Playgroundを開き、stateを貼り付けて質問を追加するか、同じボディをAPIに送ります。

// Copy-paste ICP screen. POST https://jevmodel.app/api/v1/systemone
// Header: Authorization: Bearer <JEVMODEL_API_KEY>  (key from a verified-email account)
{
  "state": {
    "title": "Head of Growth Marketing",
    "company": "Example Analytics Inc.",
    "company_size": "120 employees",
    "industry": "B2B SaaS, product analytics",
    "region": "Toronto, Canada",
    "summary": "Runs paid acquisition and lifecycle email; reports to the CEO."
  },
  "questions": {
    "icp_fit": {
      "type": "noul",
      "instructions": "Does this person match our ICP: someone who owns or directly influences the marketing budget at a B2B software company with 50-500 employees in the US or Canada?",
      "criteria": {
        "true": "Owns or directly influences marketing spend at a B2B software company of 50-500 people in the US or Canada.",
        "false": "Wrong role, company type, size or region, or not enough information to tell."
      }
    },
    "buying_power": {
      "type": "score",
      "instructions": "Rate how close this person is to the marketing budget decision.",
      "criteria": [
        "Individual contributor with no budget",
        "Manages one marketing channel",
        "Leads a marketing function",
        "VP, CMO or founder who signs marketing spend"
      ]
    },
    "reject_reason": {
      "type": "choice",
      "instructions": "What is the main reason this person does or does not fit the ICP above?",
      "criteria": {
        "fit": "Matches role, company type, size and region.",
        "wrong_role": "Not in marketing or has no say over marketing spend.",
        "wrong_company_size": "Company is outside 50-500 employees.",
        "wrong_industry": "Company is not a B2B software business.",
        "wrong_region": "Based outside the US and Canada.",
        "unclear": "The profile does not give enough information to decide."
      }
    }
  }
}

// Illustrative response shape (example values, not measurements):
// { "code": 0, "data": { "answers": {
//   "icp_fit":       { "noul": 0.9 },
//   "buying_power":  { "score": ... },   // check the returned scale on real responses
//   "reject_reason": { "choice": "fit", "probabilities": { "fit": 0.86, ... } } } } }

// Four test candidates (one request each) and the outcome to expect:
// 1. Head of Growth Marketing, 120-person B2B SaaS, Toronto    -> keep (fit)
// 2. Marketing intern, 120-person B2B SaaS, Austin             -> drop (wrong_role)
// 3. CMO, 8,000-person retail bank, New York                   -> drop (wrong_company_size / wrong_industry)
// 4. VP Marketing, 200-person B2B software company, Berlin     -> drop (wrong_region)

候補者ごとに同じ3つの質問で1リクエストずつ送り、しきい値は自分のコードで適用します。下のスクリプトはcandidates.json（上のstateと同じ形の候補者オブジェクトの配列）とicp-questions.json（ステップ1のquestionsオブジェクト）を読み、APIを呼び、icp_fitが0.8以上で理由がfitの行を残し、unclearや境界上の行は推測せずレビュー用ファイルに回します。0.8は仮の値です。評価ガイドの説明どおり、ラベル付きサンプルから自分の値を決めてください。各呼び出しはトークン課金の通常のAPIリクエストなので、通過してもしなくても1行あたりの判定コストは同じです。認証済みアカウントは100,000トークン無料から始まり、失敗した実行は返金されます。APIには冪等キーがないため、ネットワークエラー後に再試行する前に、どの行にすでに回答があるかを記録してください。コードを書きたくない場合は、Console → BatchでCSVやJSONLのリストに同じ質問を流せます。購入前は1バッチ最大50行、購入後は最大1,000行です。

// screen.mjs  (Node 18+: built-in fetch)
// Usage: JEVMODEL_API_KEY=... node screen.mjs
import { readFileSync, writeFileSync } from 'node:fs';

const candidates = JSON.parse(readFileSync('candidates.json', 'utf8'));
const questions = JSON.parse(readFileSync('icp-questions.json', 'utf8'));
const FIT_THRESHOLD = 0.8; // placeholder: set it from a labeled sample

const shortlist = [];
const review = [];

for (const person of candidates) {
  const res = await fetch('https://jevmodel.app/api/v1/systemone', {
    method: 'POST',
    headers: {
      Authorization: 'Bearer ' + process.env.JEVMODEL_API_KEY,
      'Content-Type': 'application/json',
    },
    body: JSON.stringify({ state: person, questions }),
  });
  const json = await res.json();
  if (json.code !== 0) {
    review.push({ person, error: json });
    continue;
  }
  const a = json.data.answers;
  const fit = a.icp_fit.noul; // probability that the candidate fits
  const reason = a.reject_reason.choice;
  if (fit >= FIT_THRESHOLD && reason === 'fit') {
    shortlist.push({ ...person, fit, buying_power: a.buying_power.score });
  } else if (reason === 'unclear' || (fit > 0.4 && fit < FIT_THRESHOLD)) {
    review.push({ person, fit, reason });
  }
  // everything else is a confident reject: no paid lookup
}

writeFileSync('shortlist.json', JSON.stringify(shortlist, null, 2));
writeFileSync('review.json', JSON.stringify(review, null, 2));
console.log('shortlist', shortlist.length, 'review', review.length, 'of', candidates.length);

Tregは自社のピープルサーチを「エージェント向けの人物検索とリード補完」と説明しています。1つのトークンと1つのCLIの裏に多数のデータプロバイダーがあり、呼び出しごとに支払います。エージェントはカタログからプロバイダーを選ぶか、Tregがプロバイダーを選んで名前を示すルーティング型エンドポイントを呼びます。呼び出すのはtreg.toのホスト型サービスで、本ガイドはTregの自前運用を扱いません。TregのREADMEによると、エージェントはCLIをインストールしてログインし、カタログで機能を検索し、その機能のスキーマを読んでから呼び出します。業務メールの検索はルーティングされる機能（treg.people.email.find）で、検証は別料金の別ステップです。Tregによれば、LinkedInプロフィールURLからのメール検索は1回$0.0005からで、見つからなければ課金されません。LinkedInのメール検索ツール（linkedin email finder）として探されることが多いのはこのためです。料金はルートごとに違うので、予算を組む前に料金表を確認してください。Tregはまた、新規の認証済みアカウントが条件を満たすチームを作成すると、$1.00の無料クレジットが1回付与されるとしています。渡すのはshortlist.jsonだけです。review.jsonの行は人の判断を待ち、確実に不適合な行は有料検索に届きません。各連絡先の横にJevの回答を残しておけば、buying_powerの高い人が実際に返信したかを後で確かめられます。TregのリポジトリはApache 2.0に追加条項を付けて公開されており、Tregはホスト型のtreg.to APIの呼び出しは許可されているとしています。JevModelはTregと提携していません。

# Treg CLI, as documented in Treg's README (hosted service at treg.to)
curl -fsSL https://treg.to/install.sh | sh
treg login
treg catalog search "find a work email"
treg catalog get treg.people.email.find   # read the input schema before calling
treg balance

# Pass only the rows in shortlist.json produced in Step 2.
# Rows in review.json go to a person; confident rejects are never looked up.
# Verification is a separate, separately billed step in Treg's docs.

Clayの代替（clay alternatives）やApolloの代替（apollo alternative）を探す人が求めるのは、たいてい2つです。連絡先1件あたりのコストを下げること、そして最初から合わない連絡先に時間を使わないことです。下の表はリストを作る3つの方法を比べたもので、ベンチマークではなくトレードオフの整理です。ベンダー料金だけで見ると、ここで公開されている数字はTreg自身のものだけです。Tregが公表したテストでは、同じ100件のリード（氏名と会社ドメイン）を5つの業務メールツールに通し、各社が公開しているアドレスと照合しました。Tregの発表では、Tregは正しいメール92件で$0.53、Clayは84件で約$3.35、Apolloは77件で約$2.24、Deeplineは80件で$2.74、Hunterは84件で$2.21でした。正しいメール100件あたりではTregが$0.58、Clayが$3.77で、これが「Clayより85%安い」という主張の根拠です。これはベンダーが自社テストで出した数字で、Jevはこのテストに関わっておらず、あなたのリストでは結果が変わります。どの補完ベンダーを使っても、先に絞り込めば有料ステップに届く行が減るのでコストは下がります。

判定を信頼する前に、自社の検索結果から100〜200人を「合う／合わない」でラベル付けし、3つの質問を流して、本当に合う人がどれだけしきい値を下回り、合わない人がどれだけ通過するかを確認します。そのうえで端から端まで1つの数字を追います。総支出（Jevトークン＋検索料金＋検証料金）を、ICPに合い、かつ検証済みメールのある連絡先の数で割った値です。Tregはこの種の実行のレシートを1件公開しています（日付2026-09-23）。シリーズAのソフトウェア企業50社を挙げ、JevにICPに合う27社を残させ、各社のマーケティング責任者を特定し、業務メールを検索・検証して、合計$0.58で検証済みメール20件、つまり使える結果1件あたり$0.029、見つからなかった分はすべて$0.00で精算されています。これはTregが公開した実行結果で、JevModelの測定ではありません。検索品質については、TregによるとLessieAIのPeople Search Benchで、B2Bプロスペクティングの正答率はClaude Code単体で43%、Treg併用で78.2%でした。重要なのは自社のラベル付きサンプルでの数字です。

エージェントが大量にリストを作り、ICPを数文で書け、補完ステップが1行ごとに課金される場合に使います。名指しの数社だけなら、自分でプロフィールを読む方が速いので不要です。判定は狭く保ちます。役職、会社、規模、業種、地域といった職業上の事実だけで判断し、保護される属性は決して使わないこと。個人のメールや電話番号はJevに送らないでください。必要ありません。連絡先の所在地で適用されるプライバシーとアウトリーチのルールに従ってください。Jevはテキスト専用でオープンソースではありません。JevModelは常に自社のAPI経由でJevモデルを呼ぶため、設定するmodelフィールドはありません。jevmodel.app/use-casesのグロースのセクションにはリード選別の例があり、jevmodel.app/jev-apiにはリクエストの上限が載っています。JevModelは独立したサイトで、Jevを開発するTypeSafe AIとも、Tregとも提携していません。