Jev 활용 사례: 사람들이 TypeSafe의 의사결정 모델로 이미 만들고 있는 7가지

Jev가 무엇을 말할 수 있는지 묻는 대신, 소프트웨어가 무엇을 결정하도록 맡길 수 있는지 묻기 시작하면 Jev를 더 쉽게 이해할 수 있습니다. 개발자들은 이미 에이전트 스택, 브라우저 자동화, 광고 분석, 잠재 고객 점수 산정, 게임, 콘텐츠 평가, 연구 검토 및 분류에 TypeSafe의 의사결정 모델을 사용하고 있습니다.

이 패턴은 개별 데모보다 더 중요합니다. Jev는 코드나 최첨단 LLM을 대체하지 않습니다. 단순한 규칙을 적용하기에는 너무 주관적이고, 사람이 처리하기에는 너무 반복적이며, 매번 값비싼 생성을 정당화하기에는 너무 사소한 의사결정, 즉 모호한 중간 영역을 겨냥합니다. 기반이 되는 모델 아키텍처와 한계는 이전에 설명한 AI 에이전트용 의사결정 모델을 참고하세요.

Jev 활용 사례로 적합한 조건은 무엇일까요?

가장 성공적인 공개 Jev 구현 사례에는 몇 가지 공통점이 있습니다. 추론 전에 유효한 출력값이 정해져 있고, 같은 판단이 반복해서 이루어지며, 지연 시간이 중요하고, 자유 형식 텍스트가 제공하는 가치가 거의 없으며, 불확실한 사례를 다른 곳으로 넘길 수 있습니다.

유용한 판단 기준은 간단합니다. 모델을 실행하기 전에 유효한 답의 범위를 정의할 수 있다면, 의사결정 모델을 평가해 볼 가치가 있습니다.

사람들이 이미 만들고 있는 프로젝트를 살펴보면 이 차이가 더욱 명확해집니다.

1. OpenClaw: 에이전트 스택 안의 전용 의사결정 모델

OpenClaw는 Jev가 실험적인 데모 단계를 넘어 발전하고 있음을 보여주는 가장 강력한 신호 중 하나입니다. 현재 의사결정 모델 문서에서는 기본 대화 모델과 전용 의사결정 모델 역할을 구분합니다.

번들로 제공되는 TypeSafe 플러그인을 사용하면 개발자가 주 LLM과 별도로 Jev를 선택할 수 있습니다. 더 큰 모델은 계속 계획 수립, 코딩, 설명, 도구 사용을 담당하고 Jev는 어떤 에이전트에 작업을 맡길지, 근거가 조건을 충족하는지, 워크플로를 계속 진행해야 하는지와 같은 더 구체적인 질문을 처리할 수 있습니다.

이는 중요한 아키텍처의 변화입니다. 모호한 단계마다 주 LLM에 프롬프트를 추가하는 대신, 에이전트는 하나의 모델을 제한된 판단 전용으로 지정할 수 있습니다.

OpenClaw는 의사결정과 실행을 분리하는 중요한 원칙도 지킵니다. Jev의 결과는 어떤 작업이 적절해 보인다는 근거가 될 수 있지만, 그렇다고 콘텐츠 게시, 메시지 전송 또는 지속적으로 유지되는 상태 변경 권한이 자동으로 부여되어서는 안 됩니다. 이러한 작업은 여전히 별도의 도구 실행 신뢰 경계를 통과해야 합니다.

이렇게 하면 의사결정 모델은 축소된 챗봇이라기보다 주 에이전트 모델 옆에 놓인 또 하나의 인프라 구성 요소에 가까워집니다.

2. 브라우저 에이전트: 페이지 설명 대신 다음 클릭 선택하기

브라우저 자동화는 본질적으로 의사결정이 많은 작업입니다. 여러 단계에서 에이전트는 이미 어떤 요소를 사용할 수 있는지 알고 있으며 다음 행동만 선택하면 됩니다.

Gregor Zunic은 브라우저가 DOM 상태를 제공하고, Jev가 다음 행동을 선택하며, 실제로 텍스트가 필요한 경우에는 더 작은 생성형 모델이 처리하는 Browser Use 실험을 공개했습니다. 공개 항공편 검색 데모에서 작성자는 총 비용 약 0.0039달러와 실행 시간 약 7초를 보고했습니다. 이는 독립적인 벤치마크가 아니라 개발자가 보고한 수치입니다. Browser Use + Jev 예시를 확인하세요.

이 구분이 중요한 이유는 브라우저 작업 흐름의 상당 부분에서 모델에 언어 생성을 요청하지 않기 때문입니다. 현재 목표를 가장 잘 달성할 행동이 무엇인지 반복해서 묻는 과정입니다.

이는 더 효율적인 브라우저 에이전트 설계를 시사합니다. 브라우저에서 새 텍스트가 실제로 필요할 때는 생성을 사용하고, 다음 단계가 이미 정해진 행동 목록에 포함되어 있다면 범위가 제한된 의사결정을 사용하세요.

3. 광고 분석: 샘플링 대신 전체 데이터 세트 점수화

Matthew Berman은 훅, 형식, 제안, CTA, 인지도 단계, 랜딩 페이지 불일치 등의 기준으로 37개 브랜드의 실시간 광고 724개를 분류하는 데 Jev를 사용했다고 보고했습니다. 보고된 실행 시간은 약 40초, 비용은 약 0.09달러였습니다. 이 수치는 작성자가 보고했으며 공개 광고 분석 사례에서 수집했습니다.

더욱 흥미로운 결과는 1차 판단 비용이 충분히 낮아졌을 때 나타납니다.

모든 레코드를 평가하는 비용이 너무 높아 분석가들은 흔히 샘플링을 합니다. 의사결정 모델이 동일한 기준으로 모든 광고의 점수를 저렴하게 매길 수 있다면 작업 흐름이 달라집니다. AI로 소규모 샘플만 살펴보는 대신, 사람이 가장 흥미로운 군집을 검토하기 전에 전체 데이터 세트를 1차 분류할 수 있습니다.

이는 광고 분석 비용을 낮추는 것보다 더 큰 변화입니다. 일부 샘플링 문제를 전체 항목 점수화 문제로 바꿀 수 있습니다.

4. 리드 스코어링: 비용이 많이 드는 생성보다 저렴한 의사결정을 먼저 수행하기

리드 스코어링에서도 비슷한 양상이 나타납니다. Romàn은 약 0.09달러로 약 40초 만에 리드 700개를 처리하고, 적합도, 신뢰도, 불일치 여부를 점수화한 다음 어떤 레코드를 더 자세히 살펴볼지 결정했다고 보고했습니다. 공개된 리드 스코어링 실험을 확인하세요.

실질적인 가치는 고비용 생성이 일어나는 지점을 바꾸는 데 있습니다. 유능한 LLM에 모든 기록을 심층 분석하고 맞춤형 아웃리치를 작성하도록 요청하는 대신, 시스템이 먼저 가치가 높아 보이거나 불확실한 소수의 항목을 찾아낼 수 있습니다.

이것이 하이브리드 AI 비용 전략에서 라우팅이 점점 더 중요해지는 이유 중 하나입니다. 비용 최적화는 더 저렴한 모델을 찾는 데 그치지 않습니다. 어떤 요청에 고비용 모델이 필요한지를 판단하는 것도 중요합니다.

이 아키텍처에서 Jev는 최종 지능 계층보다는 사전 필터로 사용할 때 가장 유용합니다.

5. 실시간 게임: 의사결정 빈도가 경제성을 바꿉니다

실시간 게임은 재미 위주의 데모처럼 보이지만, 지연 시간이 중요한 이유를 잘 보여 줍니다.

Max Blade는 Jev를 사용해 게임 50개를 동시에 실행하는 Subway Surfers 실험을 공개했으며, 작성자는 추론 비용 총액이 1센트 미만이라고 밝혔습니다. 수치는 공개 게임 데모에 게시된 자체 보고 자료입니다.

선택지는 단순합니다. 왼쪽으로 이동, 오른쪽으로 이동, 점프, 숙이기 또는 계속 진행입니다. 이러한 행동 중 하나를 선택하기 전에 매 프레임을 자연어로 자세히 설명해도 얻는 이점은 거의 없습니다.

이를 통해 의사결정 모델을 평가하는 유용한 기준인 의사결정 빈도를 살펴볼 수 있습니다.

하루에 한 번 판단하는 데 수백 밀리초를 아껴 봐야 실용적 가치는 거의 없습니다. 초당 여러 번 내리는 결정마다, 수십 개의 병렬 환경에서 그 지연 시간을 줄이면 응답 시간과 추론 비용이 모두 달라집니다.

이 때문에 동일한 범위가 정해진 판단을 더 자주 반복할수록 빠른 의사결정 모델의 가치가 커집니다.

6. 콘텐츠 점수 매기기: 동일한 초안에 여러 질문 던지기

SuperX는 문제의 또 다른 측면을 보여 줍니다. 동일한 결정을 매우 자주 내리는 대신, 시스템은 동일한 입력에 대해 여러 가지 질문을 합니다.

공개 실험에서는 소셜 게시물 하나를 61개의 개별 질문으로 평가합니다. 작성자는 초안당 약 1초와 0.0004달러가 든다고 밝혔으며, 과거 게시물을 사용해 성과가 더 좋은 게시물과 관련된 신호를 파악합니다. 이 결과는 제품 개발자의 주장이지 독립적으로 검증된 벤치마크는 아닙니다. 이 프로젝트는 콘텐츠 및 성장 사례 디렉터리에 소개되어 있습니다.

“좋은 게시물인가요?”처럼 모호한 질문을 하는 대신, 애플리케이션은 초안을 더 명확한 판단 항목으로 나눌 수 있습니다.

• 후킹이 구체적인가요?
• 호기심을 자극하는 여지가 있나요?
• 주장이 구체적인가요?
• 문구가 지나치게 홍보성으로 들리나요?
• CTA가 너무 강압적인가요?

그 결과는 불투명한 AI 점수 하나가 아닙니다. 소프트웨어가 어느 차원을 다시 작성해야 하는지 파악하고, 두 초안을 비교하거나 사람의 검토가 필요한지 결정하는 데 활용할 수 있는 구조화된 프로필입니다.

따라서 의사 결정 차원 수도 중요한 변수입니다. 같은 판단을 자주 해야 해서뿐 아니라, 하나의 상태에 수십 가지 한정된 판단을 저렴하게 적용할 수 있어서도 모델이 유용해질 수 있습니다.

7. 연구 분류: 모든 항목을 먼저 선별하고 중요한 내용 읽기

1kpapers라는 공개 프로젝트는 Jev를 사용해 AI 연구 논문 1,018편을 분류했습니다. 공개된 수치에 따르면 총비용은 약 $0.08이고, 논문당 종단 간 지연 시간 중앙값은 약 256ms입니다. 이 프로젝트는 Jev로 제작된 사이트 디렉터리에 등록되어 있습니다.

이 사례는 실용적인 예시 중 하나일 수 있습니다. 많은 실제 워크플로는 논문, 이메일, 지원 티켓, 리뷰, 문서, 로그 또는 검색어처럼 너무 많은 레코드에서 시작하기 때문입니다.

대개 비용이 많이 드는 부분은 개별 항목 하나를 이해하는 일이 아닙니다. 더 깊이 살펴볼 가치가 있는 항목을 가려내는 일입니다.

원본 데이터가 비공개인 경우 특히 유용합니다. 비공개 AI 어시스턴트를 사용하면 검색과 원본 문서 라이브러리를 로컬에 보관하면서, 필요한 경우에만 선별된 증거나 그로부터 도출한 정보만 외부 서비스로 보낼 수 있습니다.

모델이 깊이 있는 읽기를 대체할 필요는 없습니다. 깊이 있는 읽기를 선별적으로 수행하도록 돕는 것이 모델의 역할입니다.

실제 패턴: 의사 결정 밀도

일곱 가지 사례는 서로 무관해 보이지만 구조적으로는 매우 비슷합니다. 모두 복잡한 상태에서 시작해, 답의 범위가 이미 제한된 질문을 반복해서 던집니다.

이를 설명하는 유용한 방법은 의사 결정 밀도입니다. 즉, 시스템이 주어진 워크로드에서 내려야 하는 한정된 판단의 수입니다.

가장 중요한 요소는 두 가지입니다.

• 빈도: 애플리케이션이 판단을 필요로 하는 횟수;
• 차원 수: 각 상태에 대해 내려야 하는 판단의 수.

단 한 번의 이진 의사 결정만으로 AI 스택을 재설계할 이유는 거의 없습니다. 모호한 의사 결정이 수천 건이거나 각 입력을 두고 수십 가지 판단을 내려야 한다면 이야기가 달라집니다.

의사 결정 밀도가 높을수록 전문화된 의사 결정 계층의 매력이 커집니다.

가장 강력한 아키텍처는 Jev를 먼저 쓰고 대형 모델을 다음에 쓰는 방식일 수 있습니다.

판단 모델이 모든 사례를 해결할 필요는 없습니다. 확신도를 기준으로 더 뛰어난 모델이 언제 이어받을지 정할 수 있습니다.

공개된 사기 탐지 실험은 이러한 패턴을 보여줍니다. 개발자는 먼저 이메일 100건에 Jev를 사용한 뒤, 확신도가 95% 임계값 미만인 예측을 더 큰 Kimi K3 모델로 전달했습니다. 작성자는 31건의 상위 모델 전달, 최종 정확도 96/100, 총비용 약 0.07달러를 보고했습니다. 이 수치는 여전히 실험 단계이며 작성자가 직접 보고한 것입니다. 해당 사례는 Jev 엔지니어링 디렉터리에 나와 있습니다.

이 아키텍처는 Jev의 단독 정확도를 극대화하려는 것보다 더 흥미롭습니다. 더 저렴한 모델이 대부분의 쉬운 사례를 처리하고, 더 비싼 모델은 모호한 일부 사례만 처리할 수 있습니다.

그런 경우에도 확신이 곧바로 권한으로 이어져서는 안 됩니다. 분류 결과가 궁극적으로 현실의 작업을 실행할 수 있다면 읽기 전용 에이전트 도구와 범위가 제한된 권한은 여전히 중요합니다.

저렴한 판단이 나쁜 신호를 좋은 신호로 바꾸지는 않습니다

초기 Jev 논의는 이미 자동 레이블링과 트레이딩 같은 분야로 확장되었습니다. 둘 다 판단 모델 인터페이스에 적합하지만, 그렇다고 관련된 모든 주장이 똑같이 신뢰할 만한 것은 아닙니다.

데이터 레이블링에서는 인간 주석자를 대체하는 것이 반드시 가장 유망한 단기 설계는 아닙니다. 확신도가 높은 사례는 자동으로 레이블을 지정하고, 확신도가 중간인 사례는 두 번째 모델의 검토를 거치게 하며, 모호한 데이터는 계속 사람에게 맡길 수 있습니다.

이로써 인간이 워크플로에서 사라진다고 가정하는 대신, 인간이 시간을 들이는 사례가 달라집니다.

트레이딩에는 더 명확한 한계가 있습니다. 매수, 매도 또는 보유를 빠르게 내놓는 것은 범위가 한정된 판단으로 쉽게 설명할 수 있습니다. 어려운 문제는 입력 데이터에 실제 예측 우위가 있는지 여부입니다.

Jev는 시장 판단 비용을 낮출 수 있습니다. 하지만 약한 신호를 예측력 있게 만들 수는 없습니다.

같은 구분은 위에 나온 대부분의 사례에도 적용됩니다. 낮은 지연 시간과 낮은 추론 비용은 판단 계층이 효율적이라는 것을 보여줍니다. 하지만 그것만으로는 기반이 되는 판단이 비즈니스 가치를 창출한다는 사실을 입증할 수 없습니다.

로컬 AI 에이전트에서 Jev의 역할

Jev 자체는 현재 공개된 셀프 호스팅 체크포인트가 아니라 호스팅 서비스입니다. 이는 로컬 AI에서 중요한 경계가 됩니다.

로컬 에이전트는 파일, 메모리, 검색 및 도구를 홈 서버에 보관할 수 있지만, 분류를 위해 문서 내용이 Jev에 전송되면 해당 정보는 네트워크 경계를 넘어간 것입니다.

로컬 파일을 사용하는 클라우드 도구에도 같은 원칙이 적용됩니다. 로컬 런타임이라고 해서 데이터가 반드시 로컬 경로를 거치는 것은 아닙니다.

더 나은 하이브리드 설계는 비공개 검색, 전처리, 비식별화, 일상적인 로컬 작업을 데이터 가까이에 두고, 호스팅된 의사결정 또는 추론 모델에 필요한 최소한의 근거만 보냅니다.

첫 Jev 빌드가 실제로 알려주는 것

첫 번째 Jev 실험 물결이 보여주는 것은 소형 의사결정 모델이 최첨단 AI를 대체할 수 있다는 점이 아닙니다.

이 사례가 보여주는 더 유용한 점은, 많은 AI 애플리케이션이 생성할 필요가 없는 작업에 생성형 모델의 연산 자원을 쓰고 있다는 것입니다.

브라우저, 광고, 잠재 고객, 게임, 콘텐츠, 연구, 에이전트 오케스트레이션 전반에서 동일한 구조가 반복해서 나타납니다. 입력은 복잡하지만 가능한 출력은 제한되어 있습니다. 판단은 반복적으로 이뤄지고, 불확실한 사례는 상위 단계로 넘길 수 있습니다.

따라서 가장 유용한 Jev 데모는 Jev가 모든 것을 할 수 있다는 점을 증명하려는 데모가 아닙니다.

이 사례들은 범용 LLM을 전혀 사용하지 않아도 되는 지점을 보여줍니다.

소프트웨어가 모호하지만 범위가 정해진 판단을 수천 번 내려야 하고, 단어는 거의 필요하지 않은 곳에서 Jev가 가장 유용합니다.