2026년 9월 15일, 샌프란시스코의 AI 연구기업 TypeSafe AI가 첫 모델 ‘Jev’를 공개했습니다. 자체 훈련법 RLCD(Reinforcement Learning for Calibrated Decisions)로 학습한 이 모델은 소프트웨어가 바로 사용할 수 있는 판단값을 반환한다는 특징으로 개발자들의 관심을 모았습니다.
Jev가 완전히 새로운 기술을 발명한 것은 아닙니다. 확률을 실제 결과에 맞게 보정하는 기술, 확신이 없으면 판단을 보류하는 방식, 문장을 생성하지 않고 분류만 하는 모델은 모두 오래 연구돼 온 아이디어입니다. 대신 TypeSafe는 흩어져 있던 연구를 하나의 모델로 묶고 ‘에이전트의 내부 판단’이라는 분명한 쓰임새를 붙여 새 용어로 정리했습니다.
출시 시점도 관심을 끄는 데 영향을 미쳤습니다. 에이전트를 만드는 과정에서는 어떤 도구를 사용할지, 현재 결과가 충분한지, 작업을 계속할지 등을 수시로 판단해야 합니다. 이때마다 대형 생성 모델을 호출하면 비용이 늘고 처리도 늦어집니다. TypeSafe는 이러한 판단을 빠르고 저렴하게 처리하는 데 초점을 맞췄습니다.
이 글에서는 Jev와 RLCD가 무엇인지, 왜 주목받는지, 기업에는 어떤 의미가 있는지 차례로 살펴보겠습니다.
1. Jev와 RLCD는 무엇인가
Jev: 정해진 범위에서 분류하고 선택하는 AI
Jev는 글을 쓰지 않습니다. 대신 정보와 판단 기준을 입력받아 선택값이나 점수, 확률을 반환합니다. 사용자가 검토할 정보와 질문을 전달하면 다음 세 가지 형태로 답합니다.
– Noul: 예·아니오 질문에서 ‘예’일 확률을 제공합니다.
– Choice: 미리 정한 후보 중 하나를 고르고, 후보별 확률을 제공합니다.
– Score: 정해진 평가 기준에 따라 점수를 매깁니다.
예컨대 고객 문의를 입력하면 환불 요청 여부, 담당 부서, 긴급도 등을 함께 판단할 수 있습니다. 여러 질문을 같은 정보에 적용할 수 있으므로, 업무마다 별도 모델을 준비할 필요 없이 질문과 기준을 바꿔 사용할 수 있습니다.
Jev가 판단한 뒤에는 연결된 소프트웨어가 실행을 맡습니다. 담당 부서를 선택하면 업무 시스템이 문의를 배정하고, 추가 확인이 필요하다는 결과가 나오면 담당자에게 검토를 요청하는 식입니다. 고객에게 보낼 답변 작성은 생성 모델에 맡길 수 있습니다.
RLCD: 판단에 붙이는 확률까지 훈련하는 방법
기존 강화학습은 모델이 내놓은 답이 얼마나 좋은지에 보상을 줍니다. RLHF(Reinforcement Learning from Human Feedback)는 사람이 선호하는 응답에, RLVR(Reinforcement Learning with Verifiable Rewards)은 테스트 통과처럼 검증 가능한 결과에 보상을 줍니다. RLCD는 답의 정확성과 함께, 그 답에 붙인 확률이 실제 결과와 맞는지까지 훈련합니다.
판단을 잘하는 능력과 그 판단에 적절한 확률을 붙이는 능력은 다릅니다. 답을 자주 맞히더라도 틀릴 수 있는 상황에서 지나치게 높은 확률을 내놓으면, 소프트웨어가 그 값을 믿고 자동으로 처리하기 어렵습니다.
확률 보정은 예측한 확률이 실제 결과와 얼마나 맞는지를 다룹니다. 비슷한 확률을 낸 사례들을 모았을 때, 예측한 비율에 가깝게 해당 결과가 나타나야 합니다. RLCD는 판단의 정확성과 확률의 품질을 함께 높이는 것을 목표로 합니다.
다만 이 목표가 모든 업무에서 달성됐다는 뜻은 아닙니다. Jev가 제공하는 확률을 자동 처리에 활용하려면, 실제 업무 데이터에서도 믿을 만한지 확인해야 합니다.
2. Jev가 주목받는 이유
반복 호출에 드는 비용을 줄일 수 있다
에이전트가 작업 하나를 끝내려면 중간에 여러 번 판단해야 합니다. 정보를 더 찾거나 도구를 바꾸고, 결과를 확인하는 과정에서도 모델을 호출합니다. 사용자 수와 업무량이 늘면 이런 호출에 드는 비용도 누적됩니다.
TypeSafe는 Jev를 출시하면서 낮은 사용료와 짧은 응답 시간을 내세웠습니다. TypeSafe가 공개한 가격은 입력 100만 토큰당 0.042달러이며 출력에는 과금하지 않습니다. 응답 시간은 70~500밀리초로 제시했습니다. 회사는 프런티어 LLM보다 수십 배에서 수백 배 빠르고 저렴하다고 주장합니다.
반복적인 분류와 선택에 대형 생성 모델을 사용하던 기업이라면 비용을 줄일 여지가 있습니다. 그동안 비용 때문에 적용하지 못했던 처리 단계에 AI를 추가하는 것도 검토할 수 있습니다.
여러 판단을 함께 처리하고, 결과를 시스템에 연결한다
TypeSafe의 설명에 따르면 Jev는 같은 정보에 대한 여러 질문을 병렬로 평가합니다. 고객 문의의 유형과 긴급도, 담당 부서를 한 요청에서 판단하도록 구성할 수 있습니다.
결과가 정해진 형식으로 나오기 때문에 후속 처리 규칙도 작성하기 쉽습니다. 답변 문장에서 필요한 내용을 다시 추출하는 대신, 반환된 선택값과 점수를 배정·검토 절차에 연결할 수 있습니다.
이러한 특성을 활용하려면 업무를 단계별로 살펴야 합니다. 문서 작성이나 복잡한 설명이 필요한 단계에는 생성 모델을, 분류와 선택이 필요한 단계에는 판단 모델을 배치하는 방식입니다. 규칙만으로 처리할 수 있는 단계는 기존 코드로 유지하면 됩니다.
다만 형식이 맞는 답도 내용은 틀릴 수 있습니다. Jev가 정해진 후보 안에서만 답하더라도 담당 부서를 잘못 고를 가능성은 남습니다. 처리 속도와 함께 판단의 정확성도 평가해야 합니다.
3. 기업에서는 어디에 적용할 수 있을까
기업 업무에는 들어온 정보를 보고 다음 처리 경로를 정하는 일이 반복됩니다. 예컨대 고객 문의 하나를 받으면 환불 요청인지 기술 문의인지, 급한 건인지, 자동으로 처리해도 되는지 담당자에게 넘겨야 하는지를 판단해야 합니다. 문서의 추가 검토 여부를 정하고, 요청에 맞는 도구나 모델을 고르는 일도 마찬가지입니다.
Jev와 같은 판단 모델은 선택지와 기준을 정할 수 있고, 같은 판단이 자주 반복되는 업무에서 검토할 만합니다.
– 고객 지원 분류: 문의 유형과 긴급도를 판단하고 담당 부서에 배정합니다.
– 콘텐츠·문서 검토: 정해진 기준에 따라 추가 검토가 필요한 항목을 선별합니다.
– 모델·도구 선택: 요청의 성격에 맞는 AI 모델이나 처리 도구를 고릅니다.
기업이 얻을 효과는 판단 한 번의 속도에 그치지 않습니다. 문의가 적절한 부서로 바로 전달되면 재배정에 드는 시간이 줄고, 검토할 항목을 미리 선별하면 담당자가 모든 자료를 확인하는 부담도 줄일 수 있습니다.
도입 전 확인할 세 가지
1) 판단 기준과 처리 범위를 정할 수 있는가
무엇을 보고 어떤 결정을 내려야 하는지 먼저 정해야 합니다. 분류 기준이 불명확하거나 담당자마다 처리 방식이 다르면 모델의 결과를 평가하기도 어렵습니다. 자동으로 처리할 범위와 사람에게 넘길 상황을 함께 정리해야 합니다.
2) 실제 업무에서도 판단과 확률을 믿을 수 있는가
과거 업무 데이터로 시험하면서 오분류, 중요한 항목의 누락, 담당자의 수정량을 확인해야 합니다. 입력 표현이나 선택지 구성이 달라져도 결과가 안정적인지 살펴볼 필요가 있습니다. 높은 확률이 나왔다는 이유만으로 자동 실행하기보다, 이러한 검증을 거쳐 처리 기준을 정하는 편이 적절합니다.
3) 전체 처리 시간과 운영비가 줄어드는가
모델 사용료가 낮아져도 시스템 연동과 유지보수, 오류 수정에 드는 비용이 늘면 도입 효과가 작아집니다. 기존 방식과 비교해 처리 시간, 오류율, 사람의 검토량이 어떻게 달라지는지 확인해야 합니다. 외부 API로 전달할 데이터의 범위와 처리 조건, 서비스 장애 시 대응 방식도 검토 대상입니다.
4. 마무리: 판단을 어디에 맡길 것인가
Jev는 기존의 분류와 확률 보정 연구를 바탕으로, 에이전트 안에서 반복되는 판단을 빠르고 저렴하게 처리하려는 모델입니다. 판단 결과에 확률을 함께 제공해 소프트웨어가 후속 처리를 결정하도록 돕습니다. 실제 운영 환경에서도 속도와 정확성이 유지되고, 그 확률을 믿고 사용할 수 있는지는 더 많은 검증과 도입 사례가 쌓여야 알 수 있습니다.
다만 기업이 AI를 설계할 때 던지는 질문은 달라지고 있습니다. ‘어떤 모델이 가장 똑똑한지’보다, ‘이 업무를 끝내려면 어떤 판단을 어떤 모델에 맡길지’를 따져보는 것입니다. 글을 작성하는 단계에는 생성 모델을, 반복적으로 분류하고 선택하는 단계에는 판단 모델을 활용할 수 있습니다. 각 단계의 처리 시간과 품질을 확인하면서 역할을 조정하면, 필요한 성능을 유지하면서도 전체 업무의 비용과 지연을 줄일 수 있습니다.
Writer: Turing Post – Ksenia Se & Ben Eum
Edit: Metanet
