사기 문자 10건 판단, Jev와 클로드·GPT·제미나이 붙여 봤더니 (최지웅 유캔랩스 대표)

한 줄 핵심

Jev는 글을 쓰는 범용 AI가 아니라 빠르고 저렴하게 예스/노, 분류, 점수화 같은 판단만 맡는 특화 모델이며, 실제로 사기 문자 판별과 업무 필터링에서 범용 모델보다 훨씬 효율적으로 쓸 수 있다.

시간별 요약

1. 0:00
   ‘멀티 AI 에이전트를 고용하라’ 강좌 오픈 멀티 에이전트를 팀처럼 운용하고 하네스와 루프 설계까지 실습하는 강좌를 소개한 뒤, 같은 작업을 여러 AI 모델에 돌려 속도와 결과를 비교해 보겠다는 문제의식이 제시된다.
2. 0:26
   핵심 장면 여러 모델이 동시에 달리듯 결과를 내고, Jev가 가장 먼저 끝나면서 속도와 비용 면에서 압도적으로 유리하다는 점이 하이라이트로 드러난다.
3. 1:01
   한 가지에 특화된 AI가 뜬다, Jev 사람처럼 모든 일을 잘하는 AI보다 한 가지를 매우 잘하는 특화 모델이 유리하다는 관점에서 Jev를 설명한다. 비가 올지 말지 예측하듯, 본질은 이미 있던 분류·판단 문제를 더 빠르고 싸게 푸는 데 있다.
4. 2:49
   글은 못 쓰고 판단만 한다, Jev의 역할 Jev는 텍스트를 생성하는 AI가 아니라 예스/노, 점수, 확률처럼 정해진 형식으로만 답하는 판단용 AI다. 감정 인식, 게임 조작 같은 사례를 통해 실시간 상황 판단에 강한 뇌로 활용할 수 있음을 보여준다.
5. 6:51
   길을 건널지 말지까지 비싼 AI가 해야 할까 횡단보도 판단이나 폴더 분류처럼 단순하지만 반복되는 결정은 고성능 범용 모델 대신 저렴한 판단 모델이 맡는 편이 합리적이다. 결국 많은 업무는 복잡한 생성이 아니라 여러 선택지 중 하나를 고르는 일로 환원된다.
6. 8:37
   AI에도 ‘직관’이 생겼다, 시스템 1과 시스템 2 빠르게 반응하는 직관형 사고를 시스템 1, 느리지만 꼼꼼한 사고를 시스템 2로 나누고, Jev는 시스템 1에 해당하는 판단을 전문적으로 처리한다고 설명한다. 메일 스팸 처리나 문의 초반 분기처럼 즉시 결정되는 업무에 특히 적합하다.
7. 9:52
   메일 100통을 10통으로, 일을 쳐내는 AI 이메일이나 리뷰처럼 한 번에 전부 읽지 않아도 되는 업무에서 Jev가 먼저 거를 수 있다고 본다. 범용 LLM은 애매한 것만 최종 판단하고, Jev는 대량의 문서를 확률로 압축해 일감 자체를 줄여 준다.
8. 13:29
   머신러닝 시절의 분류와 무엇이 달라졌나 겉보기에는 예전 머신러닝 분류와 비슷하지만 내부 엔진이 달라졌고, 더 빠르고 저렴하게 판단을 제공하는 점이 새롭다. 오래된 분류 문제를 최신 AI 엔진으로 다시 포장해 실용성을 높인 것으로 볼 수 있다.
9. 14:18
   기업 AI 에이전트의 판단 부품으로 끼운다 Jev는 오픈소스가 아니라 API로 제공되며, 기업이 에이전트나 자동화 시스템의 일부 판단 단계에 끼워 쓰는 방식이 적합하다. 룰 기반으로 처리하던 예외적인 분기나 키워드 판정에 특히 유용하다.
10. 15:42
    ChatGPT 연구자는 왜 판단 AI를 만들었나 OpenAI 연구자 출신인 Diogo Almeida가 만든 모델로, 대화와 추론이 발전한 뒤에는 실제 업무를 빨리 분기하는 AI가 필요하다고 봤다. 그래서 정해진 형식 안에서만 답하는 타입세이프한 판단 AI를 따로 만든 것이다.
11. 17:52
    다음은 이미지·영상 판단, OpenAI도 뛰어들었다 텍스트와 숫자뿐 아니라 이미지와 영상으로도 판단 범위가 확장될 가능성이 높다고 본다. OpenAI의 Decision API처럼 경쟁사도 같은 방향으로 움직이고 있어, 이 영역이 새로운 트렌드가 되고 있다.
12. 19:47
    시연: 사기 문자 10건, Jev는 얼마나 맞힐까 실제 사기 문자·스팸 사례 10건을 넣어 Jev가 사기 여부, 위험도, 유형을 얼마나 잘 가리는지 시연한다. 대체로 사람의 직관과 비슷한 결과를 내지만, 일부 애매한 사례에서는 틀릴 수 있음도 함께 확인한다.
13. 24:00
    Jev vs Claude·GPT·Gemini, 속도와 비용 대결 같은 판단 작업을 여러 모델에 돌려 보니 Jev가 가장 빠르고 비용도 가장 낮았고, 고성능 모델일수록 더 느리고 비쌌다. 기업 입장에서는 정확도 차이보다도 운영비와 처리량 차이가 훨씬 크게 체감될 수 있다.
14. 27:03
    Cloudflare까지, 판단 AI가 트렌드가 되는 이유 Cloudflare 같은 인프라 기업까지 이 계열의 모델을 내놓는 것을 보면 판단 AI가 큰 흐름이 되고 있다. 이미지 판독이나 구조 기반 판단처럼 데이터가 없어도 즉시 분류할 수 있다는 점이 강점이다.
15. 28:56
    아직 완벽하지 않다, Jev의 약점 숫자 계산, 날짜 처리, 반어적 표현, 순서가 바뀐 질문에는 약하고 완벽한 모델은 아니다. 나온 지 얼마 안 된 만큼, 앞으로의 성능 개선과 시장 변화는 더 지켜봐야 한다.
16. 30:11
    AI 서비스는 모든 부품이 명품일 필요가 없다 전체 시스템에서 중요한 부분만 좋은 부품을 쓰고, 단순한 판단 단계는 싸고 빠른 모델로 대체하는 전략이 더 현실적이다. Jev는 복잡한 AI를 모두 대체하는 것이 아니라, 서비스의 일부를 효율적으로 최적화하는 도구로 이해하는 편이 맞다.

실무 인사이트

• 범용 LLM을 모든 단계에 쓰기보다, 초반 필터링·분류·위험도 산정 같은 단계는 별도 판단 모델로 분리하면 비용과 지연 시간을 크게 줄일 수 있다.
• 판단 AI는 정답 생성보다 선택지 압축에 강하므로, 운영에서는 사람이 최종 확인해야 할 애매한 케이스만 남기는 구조로 설계하는 것이 효율적이다.
• 이미지·영상·문서 구조 판단으로 확장되면, AI 적용 범위는 ‘대화’보다 ‘업무 분기와 검수’ 쪽에서 더 빠르게 커질 가능성이 높다.