업무 자동화를 만들다 보면 AI에게 긴 답변이 필요하지 않은 순간이 많다. 문의 메일을 읽고 담당 팀을 고르거나, 게시 전 검수가 필요한 글만 걸러내거나, 결제 문의 중 사람이 바로 봐야 할 건을 찾는 일이다. 필요한 답은 문장이 아니라 분류·점수·예/아니오다.

TypeSafe AI가 2026년 9월 공개한 Jev는 이 좁은 판단에 집중한다. 회사는 이를 첫 번째 ‘System One’ 모델이라고 설명한다. 이름은 거창하지만, 실제 사용 관점에서는 자연어를 읽는 똑똑한 조건문에 가깝다.

Jev가 하는 일은 답변 작성이 아니라 다음 단계 결정이다

일반 생성형 AI에 “이 문의를 분류해줘”라고 요청하면 설명 문장과 함께 결과를 돌려줄 수 있다. 자동화에서는 그 문장에서 다시 부서명이나 숫자를 꺼내고, 예상하지 못한 형식이 나오지 않았는지 검사해야 한다.

Jev는 처음부터 가능한 답의 형태를 정해 둔다. 공식 문서에서 제공하는 판단 방식은 세 가지다.

판단 방식	업무에서 묻는 질문	돌려받는 값
Choice	이 문의는 결제·기술·영업 중 어디로 보내야 하나	선택한 항목과 각 항목의 확률
Score	고객의 불편이 어느 정도로 심한가	미리 정한 단계 안의 점수와 확률
Noul	고객이 환불을 요구하고 있는가	‘예’일 확률 0~1

Jev가 고른 결과를 보고 실제로 메일을 보내거나 환불을 처리하는 일은 여전히 코드가 맡는다. 이 구분이 중요하다. Jev는 행동을 실행하는 에이전트가 아니라, 행동 직전에 좁은 판단을 내리는 부품이다.

고객 문의 분류에 넣으면 흐름이 이렇게 달라진다

쇼핑몰이나 구독 서비스의 공용 메일함을 예로 들어보자. 한 문의를 읽고 담당 부서, 긴급도, 환불 요청 여부를 동시에 판단하게 만든다.

입력: 고객이 보낸 제목과 본문

Choice: 결제 / 기술 / 영업 / 기타 중 어디로 보낼까?
Score: 긴급도를 낮음 / 보통 / 높음으로 나누면?
Noul: 고객이 환불을 요청했나?

코드 규칙:
- 부서 판단 신뢰도가 낮으면 사람이 확인
- 긴급도가 높으면 우선 처리함으로 이동
- 환불 확률이 기준을 넘으면 결제 담당자에게 표시
- 그 밖의 문의만 자동 분류

핵심은 Jev의 판단만 믿고 끝내지 않는 데 있다. 예를 들어 담당 부서의 확률이 비슷하게 갈리면 자동 배정하지 않고 검토함으로 보낸다. 환불처럼 금전이 걸린 업무는 Jev가 ‘환불 요청 같다’고 판단해도 실제 환불 실행 전에는 사람이 주문 내역과 정책을 확인해야 한다.

기존 조건문이나 ChatGPT로도 되는데 Jev가 필요한 이유

‘환불’이라는 단어가 있으면 결제 팀으로 보내는 정도라면 일반 조건문이 더 싸고 정확하다. 반대로 답변 초안이나 상담 문장을 써야 한다면 ChatGPT나 Claude 같은 생성형 AI가 맞다. Jev는 단어 하나로 규칙을 만들기 어렵지만 답의 범위는 정해져 있는 중간 구간에 들어간다.

방법	잘 맞는 일	피해야 할 일
일반 조건문	금액·날짜·특정 단어처럼 기준이 명확한 검사	문맥과 표현이 자주 달라지는 분류
Jev	부서 선택, 위험 점수, 예·아니오 판단	답변 작성, 긴 설명, 복잡한 추론
생성형 AI	메일 초안, 요약, 코드, 설명	아주 많은 건을 고정 형식으로 빠르게 판정하는 일

세 가지 중 하나만 고를 필요도 없다. 조건문으로 명확한 사례를 먼저 거르고, Jev로 애매한 문의를 분류한 뒤, 생성형 AI가 답변 초안을 쓰게 하는 식으로 나누면 된다.

Jev는 무료가 아니다

공식 발표 기준 가격은 입력 100만 토큰당 0.042달러이고 출력 토큰은 무료다. 여기서 ‘출력 무료’는 Jev 서비스 전체가 무료라는 뜻이 아니다. API를 사용하려면 TypeSafe 계정과 키가 필요하며, 공개 당시에는 얼리 액세스로 안내됐다.

긴 문장을 만들어내지 않기 때문에 출력 비용 부담이 없고, 같은 입력에 여러 질문을 한 번에 묶을 수 있다는 점은 장점이다. 다만 실제 월 비용은 문의 길이, 처리 건수, 재시도 횟수에 따라 달라진다. 무료 체험 화면이 있더라도 운영 자동화에 넣기 전에는 콘솔의 최신 이용 조건과 한도를 다시 확인해야 한다.

바로 도입하기 전에 작은 표본으로 확인할 것

새 모델이라는 이유만으로 전체 문의함에 연결할 필요는 없다. 최근 문의에서 개인정보를 지운 표본 50~100건을 모아 사람이 붙인 정답과 Jev의 판단을 비교하는 편이 안전하다.

• 한국어 줄임말과 오타가 섞인 문의에서도 부서가 맞는지
• 확신이 낮은 문의를 실제로 낮은 확률로 표시하는지
• ‘환불은 원하지 않는다’ 같은 부정문을 잘 구분하는지
• 새 카테고리가 생겼을 때 ‘기타’로 빠지는지
• 같은 기준으로 다시 실행했을 때 결과가 크게 흔들리지 않는지

틀린 결과보다 더 위험한 것은 틀렸는데도 높은 확률을 보이는 경우다. 이 사례를 따로 모아 자동 처리 기준을 낮추거나, 질문을 더 좁게 쪼개야 한다. 공급사가 제시한 속도와 비용 수치는 참고하되 우리 데이터에서의 정확도는 직접 측정해야 한다.

Jev가 잘 맞는 팀과 아직 필요 없는 팀

매일 수백 건의 문의·리뷰·문서를 정해진 기준으로 분류하고, 그 결과를 다른 자동화 단계가 바로 받아야 한다면 검토할 가치가 있다. 반면 하루에 문의가 몇 건뿐이거나 사람이 읽는 시간이 거의 들지 않는다면 도입과 검증 비용이 더 클 수 있다.

한 줄로 정리하면 Jev는 ‘더 짧게 대답하는 챗봇’이 아니다. 문장을 만드는 AI 옆에서 어느 길로 보낼지 판단하는 모델이다. 이 역할이 분명한 업무를 먼저 골라야 빠르고 저렴하다는 장점도 의미가 생긴다.

Jev의 구조와 가격은 TypeSafe AI 공식 발표, 세 가지 질문 방식과 API 예시는 공식 빠른 시작 문서와 Primitives 문서에서 확인할 수 있다.

검증 범위: 2026-09-21 기준 공식 발표와 공식 문서를 대조했다. 실제 API 정확도와 한국어 성능은 운영 데이터로 별도 검증이 필요하다. 작성: 노트지기.