챗GPT와 정반대의 AI, 새로운 모델 'Jev'는 왜 주목받고 있을까?

최근 개발자와 AI 업계에서 Jev라는 특이한 AI가 큰 화제를 모으고 있습니다.
신생 스타트업 TypeSafe AI가 공개한 첫 번째 모델인데, 우리가 익숙한 챗GPT나 제미나이와는 상당히 다릅니다.
사람과 대화하지도 않고, 글이나 코드를 쓰지도 않습니다. 이미지 역시 만들 수 없습니다.
그렇다면 대체 무엇 때문에 주목받고 있는 걸까요?
Jev는 AI가 꼭 사람에게 무언가를 만들어주는 도구일 필요는 없다는 생각에서 출발합니다.
‘생성하는 AI’가 아니라 ‘판단하는 AI’에 가깝습니다.
오늘은 Jev가 기존 AI와 무엇이 다른지, 그리고 이런 형태의 AI가 왜 주목받고 있는지 살펴보겠습니다.
챗GPT가 ‘답을 쓰는 AI’라면, Jev는 ‘판단하는 AI’
먼저 우리가 익숙하게 사용하는 챗GPT와 같은 거대언어모델(LLM)은 답을 한꺼번에 만들어내지 않고, 앞의 내용을 보고 다음에 올 단어나 글자 조각을 하나씩 예측하며 문장을 이어갑니다.
“오늘 서울의 날씨는…”
이라고 시작했다면, 그 뒤에 올 말을 차례로 만들어 문장을 완성하는 식입니다. 답변이 길어질수록 이 과정을 계속 반복해야 하기 때문에 시간과 비용도 늘어나죠.
Jev는 처음부터 목적이 다릅니다.
긴 답변을 만드는 대신, 정해진 질문에 짧은 판단을 내리는 데 집중합니다.
예를 들면 이런 식입니다.
이 문의는 환불 요청인가? → 예 / 아니오
어느 부서가 담당해야 하는가? → 영업 / 기술지원 / 홍보 / 고객센터
위험도가 어느 정도인가? → 1~5점
Jev는 긴 주관식 답변을 하지 못하는 대신 객관식 문제를 빠르게 반복해서 푸는 AI입니다.
한 번에 여러 가지를 처리할 수 있다
Jev의 또 다른 특징은 여러 판단을 한꺼번에 처리할 수 있다는 점입니다.
예를 들어 고객 문의 하나를 보고,
- 환불 문의인가?
- 고객이 화가 난 상태인가?
- 긴급하게 처리해야 하는가?
- 어느 부서로 보내야 하는가?
같은 질문을 하나의 요청에서 함께 판단할 수 있습니다.
일반적인 LLM은 답을 순차적으로 생성하지만, Jev는 여러 판단을 동시에 처리하는 데 유리합니다.
TypeSafe AI의 자체 측정에 따르면 특정 테스트에서 기존 LLM보다 최대 193.6배 빠르고, 444.6배 저렴한 결과를 보였다고 합니다.
문장을 만드는 대신, 확률을 판단한다
여기서 중요한 점은 단순히 “정해진 선택지 가운데 하나만 고른다”는 것이 아닙니다.
최신 LLM도 결제·배송·환불처럼 몇 가지 항목 가운데 하나만 고르도록 설정할 수 있습니다.
차이는 처음부터 무엇을 하도록 만들어진 모델인가에 있습니다.
일반적인 LLM은 기본적으로 다음에 올 말을 예측하며 문장을 만드는 모델입니다. 반면 Jev는 문장을 만드는 대신, 각각의 선택지가 얼마나 가능성이 높은지를 직접 판단하는 데 초점을 맞춥니다.
예를 들어 고객 문의를 보고
환불 82% · 결제 15% · 배송 3%
처럼 확률적인 판단 결과를 내놓는 식입니다.
챗지피티 이전 시절부터 사용되던 ‘전통적인 분류 AI’도 비슷한 일을 할 수 있지만 보통 ‘스팸 메일 판별’, ‘불량품 판별’처럼 정해진 업무마다 별도로 학습시켜야 합니다. 반면, Jev는 LLM처럼 인간의 언어를 이해하기 때문에 그때그때 새로운 질문과 선택지를 지정할 수 있다는 점이 다릅니다.
TypeSafe는 Jev가 내놓는 확률이 실제 정답률과 가까워지도록 학습한다고 설명하며, 이를 RLCD(Reinforcement Learning for Calibrated Decisions)라고 부르고 있습니다.
“AI는 말을 해야 한다”는 전제를 버리다
Jev에서 가장 흥미로운 부분은 성능보다 이 발상 자체에 있습니다.
지금까지 생성형 AI는 대부분 “사람과 얼마나 자연스럽게 대화할 수 있는가”를 중심으로 발전해왔습니다.
Jev는 반대로 생각합니다.
사람과 대화할 필요가 없는 일이라면 굳이 긴 문장을 만들 이유도 없다는 것이죠.
만약 우리가 알고 싶은 것이
“이 거래가 사기일 가능성이 높은가?”
라면 AI가 세 문단에 걸쳐 이유를 설명할 필요가 없습니다.
사기 가능성 82%
라는 확률 판단을 빠르게 답하는 것이 훨씬 더 실용적일 수도 있습니다.
어디에 활용할 수 있을까?
Jev가 노리는 영역은 글쓰기나 이미지 생성처럼 눈에 잘 띄는 작업이 아닙니다. 오히려 우리가 평소 거의 의식하지 않는 작고 반복적인 판단입니다.
예를 들어 고객센터에 하루 10만 건의 문의가 들어온다고 생각해봅시다.
단순하게는
‘환불’이라는 단어가 있으면 환불팀으로 보낸다.
같은 규칙을 만들 수 있습니다.
하지만 사람은 같은 뜻도 아주 다양하게 표현합니다.
“결제한 돈을 다시 돌려받고 싶어요.”
“구매를 취소하면 돈은 언제 들어오나요?”
“이 서비스 더 이상 쓰고 싶지 않습니다.”
이런 표현을 하나하나 규칙으로 만드는 것은 어렵습니다. 그렇다고 모든 문의를 고성능 LLM에 보내자니 비용과 속도가 부담될 수 있습니다.
Jev가 노리는 것이 바로 이 사이입니다.
단순한 규칙으로 처리하기에는 애매하지만, 긴 답변까지 만들 필요는 없는 일.
고객 문의 분류, 사기 거래 탐지, 위험도 평가, 콘텐츠 검토, AI 에이전트의 다음 행동 선택, 여러 AI 가운데 어떤 모델을 사용할지 결정하는 작업 등이 여기에 해당합니다.
개인이 직접 Jev를 사용할 일은 많지 않을 수 있습니다. 하지만 이런 판단형 AI가 각종 서비스와 업무 시스템 안에 들어가기 시작하면, 우리는 모르는 사이에 매일 수많은 Jev와 비슷한 모델의 판단에 간접적으로 영향을 받게 되겠죠.
게임 플레이에서 실제 업무까지
TypeSafe가 자칫 지루해 보일 수 있는 용도의 AI 모델 Jev를 공개하며 가장 먼저 선보인 데모는 의외로 게임이었습니다. 꽤 재미있는 마케팅 전략입니다.
Jev는 실시간으로 고전 슈팅 게임 Doom을 플레이했는데, 게임 화면을 보고 이동할지, 공격할지, 어느 방향으로 갈지를 짧은 시간 안에 계속 판단하며 게임을 진행합니다.
이세돌 9단과 대결했던 알파고 시절부터, AI가 인간보다 게임을 잘하는 것은 더 이상 놀라운 일이 아니죠. 하지만 이는 대부분 속도보다는 사고가 중요한 게임에 한정되어 있었습니다. FPS나 실시간 전략 게임처럼 판단과 동시에 속도가 매우 중요한 게임에서는 기존 LLM이 속도와 비용 문제로 활약하는 데 한계가 있었습니다.
TypeSafe의 데모에서는 Jev를 초당 약 10번 호출했는데, 시간당 36,000번 AI를 연속으로 호출해도 비용은 약 7달러 수준이었습니다. 여기서 중요한 것은 Jev가 기존 LLM보다 더 똑똑한 판단을 내린다는 점이 아닙니다. 훨씬 빠르고, 훨씬 저렴하게, 판단을 연속해서 내릴 수 있다는 것이 핵심입니다. 이미 Jev를 활용해 ‘국민 게임’, 스타크래프트를 플레이하는 사용자 영상도 공개되고 있습니다.
NOTE
비즈니스 현장에서도 빠르게 활용법을 찾기 시작했습니다.
-
영국의 지역 이벤트 서비스 Near Here는 등록된 이벤트가 조건에 맞는지 판단하는 작업에 Jev를 사용했습니다. 50개 사례를 대상으로 한 테스트에서 48개를 맞혔습니다. 표본이 작아 모델 전체의 성능을 판단하기에는 부족하지만, 실제 서비스 업무에 적용한 사례라는 점은 흥미롭습니다.
-
브라우저 자동화 프로젝트 Jev Ultrafast에서는 화면에서 다음에 어디를 클릭할지를 Jev가 판단합니다. 반면 검색어처럼 새로운 문장을 직접 만들어야 할 때만 별도의 LLM을 호출합니다.
-
마케팅 분석 서비스 Notra는 기존 LLM이 담당하던 일부 브랜드 분류 작업을 Jev의 예·아니오 판단으로 교체했습니다.
-
Clean Code Judge는 코드에서 여러 문제점을 Jev가 하나씩 판별하고, 사람이 읽을 리뷰 문장을 작성하는 작업만 별도의 언어 모델에 맡깁니다
-
논문의 인용문이 실제 주장을 뒷받침하는지 검사하는 citation-verifier에서는 Jev가 인용문의 근거 수준을 평가하고, 최종 판단은 사람이 내리는 구조를 사용합니다.
-
유명 서버 운영 업체인 Vercel도 Jev를 자사의 AI Gateway에 추가했습니다. Vercel에 따르면 공개 후 24시간 동안 유료 팀의 약 13%가 Jev를 사용했습니다.
AI는 점점 더 실생활 속으로
Jev가 흥미로운 또 하나의 이유는 이 특이한 모델을 만든 사람의 이력에 있습니다.
TypeSafe의 CEO 디오고 알메이다(Diogo Almeida)는 OpenAI의 InstructGPT 논문 공동저자이며, GPT-4 개발에도 기여했습니다. 그 이전에는 Google Brain에서도 일했습니다.
사람과 자연스럽게 대화하는 AI의 발전에 참여했던 연구자가 이번에는 정반대로 ‘사람과 대화할 필요가 없는 AI’를 만들고 있는 셈입니다.
Jev가 앞으로 새로운 AI의 표준이 될지는 아직 알 수 없습니다. 다만 Jev가 던지는 질문은 분명합니다.
지금까지 우리는 AI를 ‘무엇이든 대답해주는 하나의 거대한 모델’로 생각해왔습니다. 하지만 실제 소프트웨어에는 글을 쓰는 AI보다, 작은 판단 하나를 빠르고 저렴하게 반복해주는 AI가 필요한 곳이 훨씬 많을지도 모릅니다.
AI는 점점 ‘신기한 기술’에서 ‘우리 일상과 업무의 보이지 않는 곳에서 끊임없이 판단하는 기술’로 진화하고 있습니다.
함께 읽어보기
AI 모델 비교·리뷰와 관련된 글 더 보기 →
국산 AI 3종 vs 글로벌 AI, '글쓰기'와 '코딩'으로 직접 비교
안녕하세요. 에이아이비(AIB)입니다. 지난 8월 18일 과학기술정보통신부는 ‘독자 AI 파운데이션 모델’ 프로젝트, 이른바 ‘독파모’의 2차 단계평가 결과를 발표했습니다. 참여 기업 가…

AI 에이전트는 어떻게 만들고 서로 연결할까? Google Agentic AI Night 참관기
AI 에이전트는 어떻게 만들고, 서로 연결해 하나의 일을 맡길 수 있을까요? 에이전트마다 역할을 정하고, 참고할 지침과 사용할 도구를 갖춰 주는 것부터 시작합니다. 여러 에이전트가 함께…

역사로 알아보는 AI 상식 「기계는 스스로 배울 수 있을까?」
먼저 기사 한 줄을 읽어볼까요? “걷고, 말하고, 보고, 쓰고, 스스로를 복제하며, 자기 존재를 인식하게 될 것” > “Walk, talk, see, write, reproduce its…

AI 교육은 적극적으로, AI 사용은 제한적으로
지난 글에서는 “AI가 일하는 시대, 우리 아이는 무엇을 배워야 할까?”를 살펴봤습니다. 이번에는 가정에서 실천할 수 있는 방법을 알아보겠습니다. 2026년 9월 4일, 미국의 소아과 전…