Power Automateテキスト分類：AI Builderカテゴリモデル vs HTTP → Jev

Power Automateでは分類は多くの場合ルーティング工程です。入カテキスト（SharePoint、Outlook本文、Teams、Forms）を取り、モデルにカテゴリを選ばせ、Dataverse／Service Bus／チケットへの書き込み前に条件／スイッチで分岐します。ドキュメント上の主なAI Builder経路は(1)ラベル付き例で学習するカスタムテキスト分類、(2)標準の事前構築カテゴリ分類。第三はHTTPコネクタでJevModelなど外部意思決定APIへPOST。どれも自前トラフィックのラベル付きholdoutの代わりにはなりません。

Microsoft Learnは「カスタムモデルでテキストをカテゴリ分類」アクションを説明します。公開済みAIモデルを選び、TextとLanguageをマップすると、Classificationと0–1のConfidenceが返ります。強みはラベルと学習データがテナント内に留まること、メーカーポータル内で条件を組めること。限界はラベル付け・品質・カテゴリ漂移時の再公開を自前で担うこと、信頼度がPower外で使えるChoice/Score/Noul契約ではないこと、高度テキスト分析のクレジット（1k文字単位）とプレミアムフロー。自前サンプルで校正するまでスコアはベンダー信号として扱ってください。

標準アクション「標準モデルでテキストをカテゴリ分類」はTextとLanguageだけを取り、同じClassification＋Confidenceを返します（カスタム公開不要）。プロトタイプや粗い振り分け、標準カテゴリで足りるときに。ドメイン固有の分類で誤振り分けが高いときはカスタムを。どちらも高度テキスト分析のクレジット（1k文字）とプレミアムフローは変わりません。Microsoft 365外ならZapier／Make／n8n／Pipedreamも比較してください。

下表はワークフロー形と意思決定契約の対比であり、宣伝精度ではありません。信頼度は自前のラベル付きサンプルで校正してください。

ラベルが少なく安定、誤振り分けの損失が小さく、自動化がPower Platform内で完結し、メーカーポータルのフィールドマップとMicrosoftクレジット集計が主目的ならAI Builderで十分。Other/曖昧分岐を残し、ClassificationとConfidenceをログ、分類や再公開の後に再校正。速さなら標準、学習データをテナント内に留めるならカスタム。

典型パターン：トリガー→Compose/Parseで本文をstateへ→HTTP POSTでJevModel /api/v1/systemoneへChoice（2–12）と任意Score/Noul→条件分岐→高信頼のみ副作用→それ以外は人手。鍵はKey Vaultまたは安全な接続参照へ。検証後state約8000文字、1–8問、無料検証枠はUTC日あたり成功 5 回。JevModelはOpenRouter経由でtypesafe/jev-1.13をホストし、TypeSafe AI（Jev開発）とは独立。マルチモーダルでも重み配布でもありません。イベント駆動の類似HTTPパターンはpipedream-text-classificationを参照。

// Illustrative only — configure the HTTP action in Power Automate; keep secrets in Key Vault.
POST https://jevmodel.app/api/v1/systemone
Authorization: Bearer <API_KEY_FROM_CONSOLE>
Content-Type: application/json

{
  "state": "Customer asks for a refund on order #1842 after late delivery.",
  "questions": [
    {
      "id": "route",
      "type": "choice",
      "prompt": "Support route",
      "labels": ["billing", "shipping", "product", "other"]
    }
  ]
}

AI BuilderのConfidence（0–1）でもJevのScore/Noulでも、自動適用前にラベル付きサンプルで校正します。高帯は安全ラベル自動、中帯は人手キュー（上位ラベル提示）、下限未満は強制レビュー。書き込み前に中・低条件を配線。TypeSafeのChoice信頼度は(p−1/n)/(1−1/n)で、校正済み精度ではありません。confidence-and-abstentionとsupport-triageを参照。

1）境界例付きラベル辞書を固定。2）不一致はOtherか破棄か。3）再利用・テナント方針・棄権要件でAI Builderカスタム／標準／共有Jev APIを選ぶ。4）鍵はKey Vault／安全参照のみ。5）クレジットとプレミアムフローを管理者と確認（ドキュメントは変わる；ドル単価を固定しない）。6）モデルや分類変更後はholdoutで精度・再現率。7）破壊的操作はしきい値＋人手分岐の後ろ。8）未測定の順位や精度向上を謳わない。