9월 15일, 한 스타트업이 세상에 처음 모습을 드러냈어요. 당시 기업가치는 약 2억 달러(약 2,750억 원). 그런데 열흘도 안 된 9월 24일, 이 회사가 기업가치 100억 달러(약 14조 원) 이상에 10억 달러가 넘는 투자를 논의 중이라는 보도가 나왔어요. 아직 협상 단계라 확정된 숫자는 아니지만, 열흘도 안 돼 약 50배로 뛰는 셈이죠.

주인공은 TypeSafe AI, 그리고 이 회사의 첫 모델 'Jev'예요. TypeSafe는 2년간 조용히 개발만 해오다, 4,000만 달러(약 550억 원)의 시드 투자 소식과 함께 Jev를 내놨어요. 재밌는 건 이 모델이 글을 한 줄도 쓰지 않는다는 거예요. 질문을 던지면 답만 딱 골라서 돌려줘요. 이게 도대체 뭐가 다르기에 이렇게까지 뜨거운 걸까요?

지금까지 우리가 쓰던 AI는 대부분 '대답하는 AI'였어요. 무언가에 대해 질문하면 문장으로 길게 답하죠. 사람에게는 편하지만, 이 답을 받아서 다음 동작을 해야 하는 업무 시스템의 입장에선 그렇게 효율적이지 않아요. 매번 표현이 다르고, 답을 기다리는 데 시간도 걸리거든요.

Jev는 이러한 AI와 반대로 가요. 상황과 질문이 주어지면 정해진 형식으로만 답하고, 그 답을 얼마나 확신하는지 확률을 같이 붙여줘요. 질문 방식도 세 가지뿐이에요.

• 고르기(Choice): 이 문의는 결제·기술·계정 중 어디에 해당하나요?
• 점수 매기기(Score): 이 고객은 얼마나 화가 났나요? (0~2단계)
• 예/아니오(Noul): 이 고객은 환불을 요청하고 있나요? → "예, 95%"

TypeSafe는 Jev 모델을 '시스템 원(System One) 모델'이라는 새로운 카테고리로 지칭했어요. 대니얼 카너먼의 책 『생각에 관한 생각』에서 따온 말인데요. 카너먼은 사람의 사고를 빠르고 직관적인 '시스템 1'과 느리고 신중한 '시스템 2'로 나눴고, Jev는 그중 '시스템 1'을 맡겠다는 의미죠. (참고로 Jev라는 이름은 기술이 효율적일수록 오히려 그 자원을 더 많이 쓰게 된다는 '제번스의 역설'에서 왔다고 해요)

그래서 정말 Jev가 다른 모델들보다 빠를까요? TypeSafe는 Jev의 응답 시간이 0.07~0.5초로, 기존 프론티어 모델(3~329초)보다 20~200배 빠르고, 비용은 40~400배 저렴하다고 해요. 

차이는 속도만이 아니에요. TypeSafe는 Jev가 할루시네이션(AI 환각)을 일으킬 수 없다고까지 말해요. 문장을 쓰지 않고 미리 정해 둔 선택지 안에서만 답하니, 없는 말을 지어낼 틈이 없다는 거죠. 답마다 확신도가 붙어 있어서, 확신이 낮은 답은 사람이 한 번 더 검토하도록 기준을 정해둘 수도 있어요.

Jev는 공개 24시간 만에 Vercel의 AI Gateway 유료 계정의 약 13%가 쓰면서, 게이트웨이 역사상 가장 빠르게 채택된 모델이 됐어요. 다른 LLM처럼 AI가 일의 주인공이 되는 게 아니라, 판단이 필요한 한 지점에만 끼워 쓸 수 있기에, 출시되자마자 개발자들의 사용률이 높을 수 있었어요.

투자자들의 기대도 같은 지점을 향해 있어요. 시드 투자를 이끈 DCVC는 "점점 똑똑해지는 모델을 개발자가 제품에 안정적으로 넣을 수 있게 만드는 것"을 AI에 남은 가장 큰 과제 중 하나로 꼽았는데요. Jev가 바로 그 빈자리를 채울 수 있어 보이기에 기대가 더 커지고 있어요. TypeSafe AI의 창업자 알메이다 역시 "우리는 신(God)이 아니라 실제 서비스(prod)를 만든다"는 말로 Jev의 방향성을 정리했죠.

물론 "실제로 써봐야 안다"는 신중한 목소리도 있어요. 한 IT 매체는 Jev가 챗봇처럼 없는 말을 지어내진 않더라도, 정보를 잘못 분류하거나 의도 대신 문장 표면만 읽고 답을 찍을 수 있다고 짚었어요. Jev가 내놓는 확률이 잘 맞지 않는 영역이 이미 발견됐다는 분석도 있고요.

"OpenAI가 금방 따라 하지 않을까?"라는 의견도 있어요. LLM은 애초에 다음에 올 단어마다 확률을 매기는 구조라 OpenAI도 이미 툴 선택이나 답변 종료 같은 판단에 같은 확률 구조를 쓰고 있기 때문이에요.(GitHub에는 벌써 기존 LLM으로 Jev의 질문·답 방식을 흉내 낸 오픈소스 프로젝트들이 올라와 있어요)

그래서 Jev의 진짜 차별점은 아키텍처가 아닌 다른 곳에 있다는 의견도 있어요. 바로 학습 데이터예요. 질문·답 형식은 흉내 낼 수 있어도, Jev가 내놓는 확률이 얼마나 잘 맞는지는 무엇을 어떻게 학습시켰느냐에 달려 있거든요. 실제로 TypeSafe 공동창업자는 회사를 '데이터 연구소'라 부르며, 여러 분야에 두루 통하는 데이터를 만드는 데 연구 대부분을 쏟았다고 밝혔어요.

Jev는 '더 똑똑한 AI'라기보다, AI가 할 일을 쪼개 판단만 따로 맡기기 좋은 AI예요. 그래서 ThinkingAI도 기업 실무에서 반복되는 판단 시나리오 세 가지를 Jev에게 직접 맡겨 봤어요.

첫째, 고객 피드백 분류. "이번 이벤트 보상은 괜찮은데, 업데이트 후로 로그인이 안 돼요. 이것부터 해결해 주실 수 있나요?"처럼 칭찬과 불만, 요청 사항이 한 줄에 섞인 문의를 Jev가 어떻게 나누는지 확인했어요.

둘째, 이탈 유저 복귀 캠페인. 사용법을 모르는 유저, 오류를 겪은 유저, 메시지를 그만 받고 싶은 유저. 같은 이탈 유저라도 복귀 유도를 위한 캠페인 내용은 다를 수 있는데요. Jev에게 각자 맞는 대응 경로를 고르게 했어요.

셋째, 자연어 데이터 조회. "요즘 신규 사용자 결제율은 어때?" 여기서 '신규 사용자'는 가입 기준일까요, 첫 로그인 기준일까요? '요즘'은 언제부터일까요? Jev가 이런 모호함을 어디까지 잡아내는지 살펴봤어요.

Jev에게 어디까지 맡길 수 있었는지, 뜨거운 기대만큼의 실력을 보여줬는지, 테스트 결과를 블로그 아티클에서 만나보세요.

Jev가 기존 모델보다 최대 200배 빠르다며 등장했고, GPT와 Claude도 잇달아 새 모델을 내놓았어요. AI는 하루가 다르게 발전하는데, 우리 비즈니스도 그 속도를 따라가고 있을까요?

ThinkingAI가 이 질문의 답을 함께 찾아보려 해요. AI 자체보다, AI로 비즈니스가 실제로 어떻게 달라지는지를 이야기하는 자리로요.

그래서 에이전틱 AI를 현업 곳곳에 도입하고 있는 전문가들을 모셨어요.

• 넥스트증권 서동진 AI 데이터플랫폼팀 팀장 — 금융 데이터 조직에서 AI 에이전트를 업무에 참여시키기 위해 어떤 데이터와 맥락, 원칙과 경계를 설계했는지
• 클래스101 하길우 제품전략팀 리드 — AI로 분석은 빨라졌는데 팀도 빨라졌을까? 실제 실험 사례로 본, AI가 줄이는 것·줄이지 못하는 것·오히려 늘리는 것
• '빌더 조쉬' 김승권 조슈아앤컴퍼니 대표 — AI에게 일을 맡긴 뒤, 개인과 조직은 어떻게 일해야 할까요?
• 언더독스 강민석 Co-founder — 작은 조직도 AI로 큰 기업처럼 데이터를 읽고, 운영과 의사결정에 연결하는 법

ThinkingAI가 준비한, AI가 움직인 비즈니스 이야기를 지금 만나보세요.