Date: 2026-09-21 Topic: AI · 개발도구 Primary source: TypeSafe AI
AI 스타트업 TypeSafe AI가 9월 15일, 문장을 생성하는 대신 미리 정한 선택지와 점수, 확률을 반환하는 모델 ‘Jev’를 얼리 액세스로 공개했다. 회사는 이를 빠르고 직관적인 판단에 초점을 맞춘 ‘System One 모델’이라고 부른다. 고객 문의 분류나 AI 에이전트의 다음 행동 선택처럼, 소프트웨어 안에서 반복되는 작은 결정을 자동화하는 것이 주된 용도다.
Jev는 자유로운 답변을 만드는 범용 언어 모델과 달리 출력의 형태와 가능한 값을 개발자가 먼저 지정한다. 9월 18일 TechCrunch 보도와 Vercel의 초기 사용 통계가 공개되면서 관심이 커졌지만, 속도와 비용 우위는 아직 회사 측 측정과 제한된 초기 사례에 크게 의존한다. 개발자에게 중요한 변화는 ‘더 잘 쓰는 AI’가 아니라, 코드가 곧바로 사용할 수 있는 판단을 내놓는 별도 모델이 등장했다는 점이다.
What Happened
TypeSafe AI 창업자 디오구 알메이다는 OpenAI에서 ChatGPT 개발과 인간 피드백 기반 강화학습(RLHF) 연구에 참여한 인물이다. 그는 대화형 모델이 사람과 소통하는 데는 뛰어나지만, 자동화 프로그램의 부품으로 쓰기에는 출력이 자유롭고 비용과 지연이 크다는 문제의식에서 Jev를 만들었다고 설명했다.
Jev가 받는 입력은 일반 텍스트나 프로그램 상태지만, 결과는 문장이 아니다. 애플리케이션이 질문과 허용할 답의 형식을 먼저 지정하면 모델은 다음과 같은 구조화된 판단을 확률과 함께 반환한다.
- 여러 후보 가운데 하나를 고르는 분류와 경로 선택
- 위험도나 긴급도를 정해진 척도로 평가하는 점수
- 작업을 계속할지, 사람에게 넘길지 판단하는 참·거짓 값
- 다른 AI의 결과를 검사하거나 다음 도구를 정하는 제어 신호
이 결과는 별도의 문장 해석 과정 없이 조건문이나 작업 흐름에 연결할 수 있다. TanStack AI도 choice, score, boolean 형태의 질문을 Jev에 보내는 어댑터를 문서화했다.
Key Details
TypeSafe는 Jev가 출력 후보를 동시에 계산하며, 각 결과에 확률과 신뢰도 정보를 붙인다고 설명한다. 회사가 공개한 가격은 입력 100만 토큰당 0.042달러이고 출력은 별도로 과금하지 않는다. 응답 시간은 자체 시험에서 70~500밀리초였다고 주장한다. 다만 시험 위치와 입력 구성에 따라 유리한 조건이 포함될 수 있다는 점도 공식 발표에서 인정했다.
초기 이용 신호는 빠르다. Vercel은 Jev가 자사 AI Gateway에 등록된 뒤 24시간 안에 유료 팀의 약 13%에서 사용됐으며, 최근 모델 가운데 가장 빠른 초기 채택률이었다고 밝혔다. TechCrunch가 소개한 개별 개발자 시험에서는 명령 안전성 분류 속도가 기존 모델보다 5~18배 빨랐다는 결과도 나왔다. 이는 특정 작업과 환경의 사례이므로 범용 성능 비교로 확대해서는 안 된다.
TypeSafe는 Jev가 문장을 생성하지 않으므로 “환각할 수 없다”고 표현한다. 정확히는 존재하지 않는 사실을 문장으로 지어내거나 약속한 출력 형식을 깨는 문제를 구조적으로 줄였다는 뜻에 가깝다. 정해진 형식 안에서 틀린 항목을 선택하거나 확률을 잘못 추정하는 판단 오류까지 사라지는 것은 아니다.
Background
기존 LLM을 업무 자동화에 넣으면 결과 문장을 JSON 같은 형태로 바꾸고, 형식이 깨졌는지 검사하고, 애매한 답을 다시 요청하는 보조 코드가 필요하다. 자유롭게 글을 만드는 능력은 대화에서는 장점이지만, 결제 승인이나 고객 문의 배정처럼 선택지가 정해진 과정에서는 오히려 예측하기 어려운 요소가 된다.
Jev는 이 문제를 범용 생성 모델 하나로 해결하지 않는다. 문서 작성과 복잡한 추론은 LLM에 맡기고, 분류·점수화·경로 선택은 판단 전용 모델이 맡는 식으로 역할을 나눈다. 규칙만으로 처리하기에는 예외가 많고, 대형 언어 모델을 매번 호출하기에는 비용이 큰 구간이 목표 시장이다.
Core Lens
Jev의 핵심은 LLM을 대체하는 데 있지 않고, 생성과 판단을 서로 다른 모델에 맡기는 소프트웨어 구조를 제안한다는 데 있다.
What It Means for Developers
이 접근이 자리 잡으면 AI 애플리케이션은 하나의 거대한 모델보다 여러 전문 모델을 연결하는 형태에 가까워질 수 있다. 먼저 Jev 같은 모델이 요청을 분류하고 위험도를 판단한 뒤, 필요할 때만 비싼 생성 모델을 호출하는 방식이다. 처리 비용과 지연 시간을 줄이면서 불확실성이 높은 요청만 사람에게 보내는 설계도 가능하다.
반면 구조화된 출력이 곧 신뢰성을 보장하지는 않는다. 특정 산업의 데이터에서도 확률이 제대로 보정되는지, 입력이 조금 바뀌었을 때 판단이 얼마나 일관적인지, 잘못된 판단을 안전하게 되돌릴 장치가 있는지 따로 검증해야 한다. 모델 구조와 학습 데이터에 관한 공개 정보가 제한적이고 현재 얼리 액세스 단계라는 점도 도입 판단에 포함해야 한다.
What To Watch
- TypeSafe 밖의 독립적인 정확도·확률 보정 평가가 공개되는지
- 초기의 낮은 가격과 응답 속도가 사용량 증가 뒤에도 유지되는지
- 의료·금융·보안처럼 오류 비용이 큰 분야에서 사람의 승인 절차를 어떻게 결합하는지
- API 모델 버전이 바뀌어도 기존 임계값과 업무 흐름이 안정적으로 작동하는지
- 입력 데이터가 외부 API로 전달될 때 보안과 개인정보 요건을 충족할 수 있는지
Jev가 보여준 것은 모든 자동화에 거대한 언어 모델이 필요한 것은 아니라는 점이다. 이제 관건은 빠른 데모가 아니라, 정해진 선택지 안에서 내리는 판단이 실제 운영 환경에서도 충분히 정확하고 예측 가능한지를 입증하는 일이다.