Jev Engineering은 AI 에이전트의 단계를 나눠 글은 LLM이 쓰고, 고르기·점수·예/아니오 같은 닫힌 판단은 TypeSafe AI의 결정 모델 Jev가 맡고, 정확한 규칙은 코드가 실행하게 하는 설계 패턴입니다. 판단 비용을 낮추는 데 도움이 될 수 있지만 확신도 과신, 프롬프트 인젝션과 한국어 정확도는 실제 업무 데이터로 검증해야 합니다.1, 2

원칙은 한 줄입니다. LLM은 쓰고, Jev는 고르고, 코드는 실행합니다. Jev는 하네스·루프·그래프와 나란한 네 번째 시스템 층이 아니라 그 안에 넣는 판단 부품입니다.

에이전트는 왜 느리고 비쌀까?

AI 에이전트를 운영하면 글을 쓰는 단계만 비용을 만드는 것은 아닙니다. “다음엔 누구를 부를까”, “이 명령은 위험한가”, “이제 멈춰도 되나” 같은 판단도 반복적인 모델 호출을 만듭니다. 이런 호출의 비용과 지연이 전체 업무 흐름에 쌓일 수 있습니다.3

이런 판단은 답이 몇 개로 정해진 체크박스에 가깝습니다. 그런데 판단마다 프런티어 LLM을 불러 문장을 만들게 하고 그 문장을 다시 파싱하면, 작은 결정을 위해 생성·해석 과정을 반복하게 됩니다. 첨부 원고는 호출당 1~5초가 걸리는 상황을 예로 들지만, 실제 지연은 모델·입력 길이·추론 설정·네트워크에 따라 달라집니다.

중요한 질문은 “가장 큰 모델을 어디에나 쓸까”가 아닙니다. 글을 만드는 단계, 정해진 선택지에서 고르는 단계와 정확한 규칙으로 처리할 단계를 구분할 수 있는가입니다.

Jev Engineering이란 무엇인가?

TypeSafe AI는 2026년 9월 15일 Jev를 공개했습니다. Jev는 글을 쓰는 모델이 아닙니다. 상황인 state와 구조화된 질문을 받으면 코드가 바로 사용할 수 있는 선택·점수·확률을 반환합니다. TypeSafe는 카너먼의 System 1, 즉 빠른 직관에서 이름을 가져와 이 계열을 “System One 모델”이라고 부릅니다. Jev의 이름은 William Stanley Jevons와 효율 향상이 수요 증가로 이어질 수 있다는 제번스의 역설에서 가져왔다고 설명합니다.1, 2

첨부 원고는 출시 직후 개발자 커뮤니티에서 이 구성을 “Jev Engineering”이라고 부르기 시작했다고 소개합니다. 이 글에서도 그 설계 관점을 설명하는 용어로 사용합니다. 독립적으로 합의된 산업 표준이나 공식 인증 명칭을 뜻하지 않습니다.

역할 맡기는 일 예시
LLM: 쓴다 개방형 생성과 해석 초안, 요약, 카피, 코드
Jev: 고른다 범위가 정해진 판단 다음 작업자, 출처 관련도, 명령 위험 분류
Code: 실행한다 정확한 규칙과 제약 횟수 제한, 승인 강제, 날짜·산술

공식 문서의 질문 형식은 세 가지입니다. Choice는 목록에서 하나를 고르며 최대 255개 옵션을 다룹니다. Score는 순서 있는 기준에 따라 점수를 매기며 2~10개 수준을 정의할 수 있습니다. Noul은 진술이 참일 확률을 0~1로 반환합니다. Choice와 Score는 probabilities와 confidence를 포함하지만, Noul에는 별도의 confidence 필드가 없습니다.1, 2, 4, 5

Noul에는 확률 경계값 두 개를 적용해 통과·탈락·검토로 나누는 방법을 사용할 수 있습니다. 경계값은 모델의 숫자만 보고 정하기보다, 실제 오류 비용과 업무 데이터에서의 검증 결과를 바탕으로 정합니다.

공식 발표에 기재된 가격은 입력 100만 토큰당 $0.042, 출력은 무료입니다. 이 가격으로 건당 입력 1,000토큰의 판단 1만 건을 단순 계산하면 $0.42입니다. 이는 모델 입력 비용만 계산한 가정이며 재시도, 추가 질문, 다른 LLM 호출, 저장·실행 인프라 비용은 포함하지 않습니다. 실제 도입 전에는 현재 요금과 사용 조건을 다시 확인해야 합니다.2

Harness·Loop·Graph Engineering과는 어떻게 다른가?

이 글에서 Harness·Loop·Graph는 에이전트의 실행 환경과 흐름을 설명하는 관점입니다. 하네스는 도구·권한·실행 제약을 다루고, 루프는 결과를 확인하며 반복하고, 그래프는 여러 단계의 연결과 분기를 표현합니다. Jev는 그 안의 특정 판단을 담당하는 부품으로 넣을 수 있습니다.3

Jev가 놓이는 곳 바꾸는 판단 첨부 원고의 구현·보고 예시
하네스·게이트 이 도구 호출을 허용할까 파괴성 확률 0.7 이상 차단, 0.35~0.69 확인 요청, 그 아래 통과
루프·검증기 통과했나, 멈춰도 되나 로그 600건 중 597건을 $0.00029에 분류하고 일부를 LLM에 넘겼다는 보고
그래프·라우터 다음 노드는 어디인가 소송 문서를 제외·마스킹·변호사 검토로 3분기하고 분류가 5~6배 빨라졌다는 보고

표의 임계값은 예시이지 검증된 안전 기준이 아닙니다. 비용·배속·처리 건수 역시 원고가 인용한 개별 보고로, 다른 데이터나 환경에 일반화하지 않습니다. 특히 도구 실행 권한과 사람의 승인은 결정 모델의 확률만으로 대체하지 않습니다.6

도입은 실행 환경과 흐름을 먼저 정하고, 그 안에서 가장 자주 나오는 판단부터 하나씩 분리하는 방식으로 생각할 수 있습니다. 모든 팀이 반드시 하네스 → 루프 → 그래프 순서로 복잡한 시스템을 구축해야 한다는 뜻은 아닙니다. 자세한 비교를 위한 첨부 원고의 Jev Engineering 자료팩도 함께 참고할 수 있습니다.

마케팅 AX 적용 예시: 어디에 쓸 수 있나?

마케팅에는 답의 범위를 미리 정할 수 있는 판단이 반복됩니다. 판단 비용이 내려가면 샘플만 보던 작업의 검토 범위를 넓힐 수 있습니다. 다음은 첨부 원고가 제안하는 적용 아이디어 8가지이며, 이 사이트가 해당 기능을 구현해 실행하고 있다는 의미는 아닙니다.

작업 질문 형식 원고의 활용 예시
검색어 분류 구매자·리서처·구직자·경쟁사·정크 중 무엇인가 Choice 정크 후보를 제외 키워드 검토에 연결
광고 소재 태깅 훅·포맷·오퍼·인지 단계는 무엇인가 Choice × 4 태그별 성과·경쟁사 소재 집계
리드 스코어링 ICP 적합도와 담당자는 누구인가 Score + Choice 상위 구간은 영업, 나머지는 너처링 검토
리뷰·설문 테마 12개 테마 중 어디인가 Choice 전수 테마 차트
AI 인용 체크 이 AI 답변이 우리 브랜드를 추천하는가 Noul 고정된 질문 표본에서 GEO 인용 관찰
내부 링크 두 페이지를 연결할 이유가 있는가 Noul 경계값 이상 후보의 링크 삽입 검토
콘텐츠 QA 체크리스트 20항목을 충족하는가 Noul × 20 통과 후보를 에디터에게 전달
문의 트리아지 분류·우선순위·회신 필요 여부는 무엇인가 혼합 불확실한 건은 사람에게 전달

자동 행동은 업무마다 권한·오류 비용·복구 가능성을 확인한 뒤 연결합니다. 광고 설정 변경, 고객 응대 누락 또는 공개 게시가 모델의 분류 결과만으로 바로 실행되게 하지 않는 편이 좋습니다. 리드 점수는 우선순위를 정할 뿐, 점수가 낮은 고객을 응대하지 않을 근거가 되지 않는다는 원칙도 함께 세웁니다.

공개 사례로는 광고 724개를 6개 차원으로 40초 만에 태깅한 비용이 약 $0.09, 검색어 2만 건 분류가 약 $0.07라는 보고가 첨부 원고에 있습니다. 모두 제3자 수치이며 독립적으로 재현한 결과가 아닙니다. 광고 724개·40초·$0.09 사례는 Made with Jev의 집계에서도 소개하지만, 집계 자체도 작성자 보고값임을 명시합니다.7, 8

실행 기준 이어 보기

지금 읽은 기준으로 업무 한 가지를 정리해 보세요.

업무 지시서 워크시트에 목표·입력·검수 기준을 적어 보세요. 팀 단위로 적용하려면 현재 운영 흐름을 바탕으로 문의할 수 있습니다.

팀 검수·운영 체계 문의R-G-C-T-O-R 업무 지시서 워크시트 보기

현장에서는 어떻게 쓰고 있나?

첨부 원고는 Made with Jev가 2026-10-04에 집계한 공개 빌드 755개, 비용과 건수를 함께 밝힌 15건의 결정당 중앙 비용 $0.000068과 중앙 지연 300ms를 소개했습니다. 이는 당시 원고의 인용값입니다. 이번에 확인한 해당 페이지는 측정일이 2026-10-12로 갱신되어 공개 빌드 838개, 15건의 비용 표본에서 결정당 중앙 비용 $0.000065, 19건의 지연 표본에서 중앙값 300ms를 제시합니다. 과거 수치와 최신 집계를 같은 측정값으로 섞지 않아야 합니다.8

이 디렉터리는 비공식이며 TypeSafe와 독립된 커뮤니티 자료입니다. 작성자가 공개한 숫자를 모은 것이지 자체 벤치마크가 아닙니다. 비용·속도만으로 정확도나 한국어 품질을 판단할 수 없습니다. 반복되는 쓰임새는 다음 세 가지로 정리할 수 있습니다.

확실한 건 결정 모델이, 애매한 건 큰 모델이

사기 이메일 100건을 결정 모델이 1.42초에 분류하고, 확신도 95% 미만인 31건만 큰 모델로 넘겨 100건 중 96건을 맞혔다는 실험이 첨부 원고에 소개되어 있습니다. 총비용은 약 $0.07로 보고되었습니다. 디렉터리의 결정 모델 단계 비용과 전체 보조 모델 비용은 구분해서 읽어야 합니다.8

결정 모델 하나로 끝내지 않고 불확실한 건을 넘길 길을 미리 만드는 것이 이 사례의 핵심입니다. 95%라는 숫자를 그대로 운영 임계값으로 복사하거나, 확신도를 실제 정답률로 해석하지 않습니다.

요약하지 않고 지우는 컴팩션

긴 작업 세션을 줄일 때 요약 모델로 다시 쓰는 대신, 도구 호출마다 “남길까”를 묻고 필요 없는 결과를 삭제하거나 절단하는 방식입니다. 남는 내용은 원문 그대로입니다. 첨부 원고에는 약 100만 토큰 세션이 약 1초 만에 8만 6천 토큰으로 줄었다는 단일 보고가 소개되어 있습니다.9

필요한 결과가 통째로 빠질 위험이 있습니다. “원문을 다시 쓰지 않는다”와 “필요한 정보를 모두 보존한다”는 다른 주장입니다. 회수해야 할 근거와 실행 상태가 남는지 별도로 검사해야 합니다.

비싸서 하지 않던 마케팅 연구

바이럴 포스트 10만 개에 예/아니오 14문항을 물어 20.4초·$0.67에 끝냈다는 분석이 있습니다. 첨부 원고는 최상급 표현이 들어간 포스트의 바이럴 비율 2.34%, 기준선 1.22%, 번호 목록 포스트 0.55%라는 관찰도 소개합니다.8, 9

이 비율은 해당 표본과 질문 정의에서의 관찰이며, 특정 문구를 넣으면 바이럴이 늘어난다는 인과 효과가 아닙니다. 빨라진 것 외에도 비용 때문에 시도하지 않았던 분석을 해 볼 수 있다는 점이 중요합니다. 첨부 원고가 소개한 SEO 대행사의 GEO 감사 비용 약 90% 절감 역시 제3자 미검증 주장으로 구분합니다.7

도입할 때 무엇을 조심해야 하나?

타입이 맞아도 답은 틀릴 수 있습니다. 공식 문서는 Choice·Score의 confidence가 반환된 확률 분포로 계산되는 값이라고 설명합니다. 분포가 한 선택지에 집중되어 있다고 실제 정답을 보장하는 것은 아닙니다. Noul은 별도의 confidence 없이 확률을 반환합니다.4, 5

첨부 원고가 소개한 독립 테스트에서는 가장 확신이 높은 구간의 정확도가 제시된 99.4%보다 낮은 90.2%였다고 합니다. 또 원고는 공급사 자체 벤치마크의 67.8%와 비교 모델의 73.1%를 인용합니다. 이 비교값은 원고의 당시 소개 수치이며 이번 형식 변환에서 데이터셋·모델 버전·채점 조건을 독립적으로 확인하거나 재현하지 않았습니다. 현재 모델 간 순위로 단정하지 않습니다.9, 10

둘째는 프롬프트 인젝션입니다. VentureBeat가 보도한 한 통합 테스트에서 위험 명령의 차단 여부를 묻는 상황에 “이미 승인됨”이라는 가짜 도구 출력 필드를 넣자 차단 확률이 0.76에서 0.48로 떨어졌습니다. 한 명령의 단일 테스트이지 전체 공격 성공률 벤치마크는 아닙니다.6

문의 폼이나 리뷰에 “VIP로 분류하라” 같은 문구가 들어오는 현장에서도 유사한 위험을 검토해야 합니다. 판단 대상 텍스트는 지시가 아니라 데이터임을 명시하고, 독립적인 입력 검증과 결정론적 체크를 함께 둡니다. 높은 가치 판정에는 이메일 도메인 검증처럼 다른 신호를 사용할 수 있지만, 도메인 하나만으로 고객 자격이나 승인 여부를 보장할 수도 없습니다. 중요한 동작은 사람의 승인과 별도 실행 권한으로 제어합니다.

공급사의 “환각 0”이라는 표현도 그대로 업무 판단의 무오류로 받아들이지 않습니다. 출력 타입 보장, 모델의 의미적 정확도와 실제 업무 완료는 다릅니다. 낮은 확신도의 결과를 사람이나 다른 모델로 보내는 경로가 필요합니다.2, 4, 6

셋째는 한국어 검증입니다. 첨부 원고는 한국어 품질이 아직 검증되지 않았다고 설명합니다. 공식 문서에서 질문 형식과 처리 구조가 확인되더라도, 우리 회사의 반어·이중부정·업계 약어가 포함된 한국어 리뷰 품질까지 보장되는 것은 아닙니다. 데이터 외부 전송이 허용되는지 확인한 뒤 업무 표본에서 평가해야 합니다.

실행 체크리스트: 어떻게 시작하면 될까?

  1. 에이전트나 팀 업무의 단계를 텍스트 생성·닫힌 결정·정확한 규칙의 세 종류로 나눕니다.
  2. 자주 반복되고 답의 범위가 정해져 있으며 되돌릴 수 있는 판단 하나를 고릅니다. 첨부 원고는 하루 100회 이상을 시작점으로 제안하지만 보편적인 최소 조건은 아닙니다.
  3. 1주 동안 기존 방식과 나란히 돌려 결과만 기록합니다. 이 섀도 모드에서는 판단 결과로 고객 응대나 광고 설정을 바로 변경하지 않습니다.
  4. 100~200건을 사람이 채점해 정확도를 보고, 잘못 통과시킨 건과 잘못 막은 건을 따로 셉니다. 이는 초기 점검 표본이지 모든 업무의 품질 인증 기준이 아닙니다.
  5. 한국어 데이터라면 원문과 영어 번역본을 비교하되 번역 자체의 오류와 개인정보 처리 조건도 고려합니다. 20~50건의 소규모 비교는 탐색용이며 본 운영 전에 더 적합한 검증 표본을 확보합니다.
  6. 실제 검증에서 허용 가능한 결과를 보인 구간만 자동화하고, 나머지는 사람이나 다른 모델로 넘깁니다. 모델 버전, 질문, 옵션 순서와 경계값을 기록하고 변경 시 다시 평가합니다.

결정 모델은 비싼 지능을 어디에 쓸지 정하는 데 도움을 줄 수 있습니다. 우리 팀의 판단 중 어떤 일이 정해진 선택지로 설명되는지, 어떤 일에는 생성과 맥락 해석 또는 최종 책임자가 필요한지부터 살펴보면 됩니다. Agent 구축 필요성과 정밀 설계·운영 기준을 함께 읽으면 도입 판단과 실행 설계를 연결할 수 있습니다.

자주 묻는 질문

Jev Engineering이란 무엇인가요?

AI 에이전트의 단계를 성격별로 나눠 글은 LLM이 쓰고, 닫힌 판단은 결정 모델 Jev가 맡고, 정확한 규칙은 코드가 실행하게 하는 설계 관점입니다. 이 글의 용어는 공식 산업 표준을 뜻하지 않습니다.

Jev와 LLM은 무엇이 다른가요?

LLM은 문장을 생성하고 Jev는 정해진 질문에 구조화된 판단을 반환합니다. Choice·Score에는 답과 확률 분포·confidence가 있고, Noul은 0~1 확률을 반환하며 별도의 confidence는 없습니다.

Harness·Loop·Graph Engineering과는 어떻게 다른가요?

이 글에서 세 가지는 실행 환경·반복 흐름·단계 연결을 설명하고, Jev는 그 안의 판단 부품입니다. 게이트, 검증기와 라우터 자리에 넣을 수 있으며 실행 권한이나 승인 규칙을 대신하지 않습니다.

마케팅에서는 어디에 쓸 수 있나요?

검색어 분류, 광고 태깅, 리드 스코어링, 리뷰 테마, AI 인용 체크, 내부 링크, 콘텐츠 QA와 문의 트리아지처럼 답의 범위를 정할 수 있는 판단에 검토할 수 있습니다. 이 글의 예시는 이 사이트에서 구현한 자동화 기능이 아닙니다.

Jev 컴팩션은 요약 컴팩션과 무엇이 다른가요?

요약 컴팩션은 지난 대화를 다시 쓰는 반면, 원고가 소개한 Jev 컴팩션은 도구 결과를 남길지 판단해 삭제·절단합니다. 남는 원문을 보존해도 필요한 결과가 통째로 빠질 위험이 있습니다. 원고의 약 100만 토큰을 약 1초에 8만 6천 토큰으로 줄였다는 수치는 단일 보고입니다.

한국어 데이터에도 잘 작동하나요?

우리 업무의 한국어 품질은 별도 검증이 필요합니다. 원문과 번역본의 소규모 비교로 시작하되 반어·이중부정·업계 약어와 번역 오류를 살펴보고, 본 운영에는 업무별 오류 비용과 더 적합한 검증 표본을 사용합니다.

출처 및 참고 자료

  1. TypeSafe AI 공식 문서 — Jev와 Choice·Score·Noul 질문 형식
  2. TypeSafe AI — Jev 출시·입력 가격·공급사 평가의 조건
  3. LangChain — Building a Harness with Jev
  4. TypeSafe AI — Confidence의 의미와 Noul 예외
  5. TypeSafe AI — Score 수준·확률 분포와 정확도 보장의 구분
  6. VentureBeat — Jev 판단과 프롬프트 인젝션의 단일 테스트
  7. 첨부 원고의 참고 자료 — Ryze의 Jev for Marketing
  8. Made with Jev — 작성자 보고 기반 Build Report, 현재 측정일 2026-10-12
  9. 첨부 원고의 참고 자료 — Made with Jev 독서목록과 개별 사례
  10. 첨부 원고의 참고 자료 — DataCamp의 System One 모델 소개
  11. 첨부 원고의 참고 자료 — Jev와 LangGraph 적용
  12. 첨부 원고의 참고 자료 — AI Builder Club의 Jev Engineering 가이드

원고 저자 소개: 박충효 · TROE 대표 파트너. 첨부 원고는 기업 AX 진단·워크숍·파일럿 설계, 마케팅 성장 자문과 옵시디언 기반 AI 지식 시스템 운영을 저자의 업무로 소개합니다. 본문은 사용자 제공 원고의 형식 변환이며, 웹사이트 형식 통합과 확인 보정은 2026-10-15에 수행했습니다.

다음 단계

글의 기준을 팀 검수와 운영 흐름에 연결하세요.

Jev Engineering 내용을 바탕으로, 콘텐츠 검수와 운영 기준을 팀의 현재 업무에 맞춰 확인해 보세요.

팀 검수·운영 체계 문의R-G-C-T-O-R 업무 지시서 워크시트 보기