요즘 가장 핫한 AI모델 Jev, AI 자동화에 적용하기!

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Jev를 AI 자동화에 적용하려면 대량의 단순 판단·분류를 맡기고, 답변 작성과 최종 분석은 별도 생성형 모델로 연결하는 구성이 유용하다.

📌 핵심 요점

1. Jev는 긴 서술형 답변 대신 사전에 정한 평가표에 따라 선택형, 예·아니요형, 점수형 결과를 반환하는 모델로 소개된다.
2. 여러 평가를 병렬로 처리하는 구조가 강점이다. 영상은 회사 측의 40~200배 속도 주장과 입력 100만 토큰당 0.042달러, 출력 무료라는 가격을 소개하지만, 실제 업무 성능은 별도 검증이 필요하다.
3. 도입에는 API 키, 사용법을 알려 주는 공식 스킬, 호출 코드가 필요하다. 영상에서는 코덱스와 에이전트에 스킬을 설치하고 API 응답을 확인한다.
4. 고객 문의 라우팅, 불필요한 메일 제외, 리뷰 분석 대상 선별, 뉴스 큐레이션, 콘텐츠 레퍼런스 수집에 활용한다. 공통 구조는 Jev로 먼저 분류하고 필요한 항목만 후속 모델에 전달하는 것이다.
5. 복잡한 추론·문맥 해석·정확한 숫자 처리에는 한계가 있다. 평가표를 수정하며 검증하고, 실시간 업무에는 직접 호출하는 앱을, 반복 업무에는 예약 실행을 활용하는 방향을 제안한다.

🧩 배경과 문제 정의

대량의 문의, 리뷰, 뉴스, 소셜 콘텐츠를 모두 고성능 생성형 모델에 전달하면 시간과 토큰 사용량이 늘어난다는 문제에서 출발한다. 영상은 사전에 정한 기준으로 빠르게 판단하는 Jev를 업무 흐름 앞단에 배치하고, 선별된 데이터만 다른 모델에 전달하는 구성을 제안한다.

시연은 가상의 홈트 기업 모노핏을 중심으로 전용 앱과 에이전트 스킬을 비교한다. 핵심은 API 연결 자체보다 어떤 판단을 분리할지, 평가 기준을 어떻게 다듬을지, 직접 실행과 예약 실행을 어떻게 선택할지에 있다. 아래 내용은 제공된 전사에 근거하며, 성능과 가격은 영상에서 소개한 주장으로 구분한다.

🕒 시간순 섹션별 상세정리

1. Jev 소개와 업무 자동화의 출발점

• 화자는 Jev를 빠르고 저렴한 AI 모델로 소개하며, 일반적인 생성형 모델과 사용 방식이 달라 업무 적용 사례를 보여 주겠다고 보여준다. [00:29]
• 반복 업무를 처리하려는 사용자를 대상으로 모델의 개념, 설정, 워크플로우 적용을 다룬다. [00:40]

2. 평가표에 따른 세 가지 응답 형식

• Jev는 서술형 답변 대신 제공된 평가표에 따라 결과를 반환한다. 선택형은 후보 중 하나를 고르며 문의 유형 분류를 예로 든다. [01:22]
• 예·아니요형은 두 가능성 중 하나를 판단하고, 점수형은 순서가 있는 단계에서 해당 수준을 평가한다. [01:48]

3. 병렬 평가의 장점과 정확도 한계

• 하나의 입력에 여러 평가를 병렬로 수행하는 구조를 빠른 처리의 장점으로 보여준다. 화자의 테스트에서는 프런티어 모델보다 지식 수준과 결과 신뢰도가 낮았다고 덧붙인다. [02:35]
• 복잡한 추론, 문장을 문자 그대로 받아들이면 안 되는 상황, 정확한 숫자 처리는 취약 영역으로 보여준다. 질문을 쉽게 나누고 계산은 코드로 처리하는 우회책을 제안한다. [03:14]

4. 속도·가격·입력 한도

• 긴 문장을 순차 생성하지 않고 구조화된 판단을 반환하는 설계라고 보여준다. 회사 측의 40~200배 속도 주장을 소개하면서 실제 테스트를 권한다. [03:56]
• 영상이 소개한 가격은 입력 100만 토큰당 0.042달러이며 출력은 무료다. 요청 한도는 입력과 모든 문항 합계 64,000토큰, 입력과 가장 긴 문항 합계 32,000토큰이다. [04:26]

5. 전용 앱과 에이전트의 두 가지 실험 경로

• 미리 제작한 전용 앱에서 판단·분류 작업을 진행하고, 동일한 작업을 에이전트의 스킬로도 실행하는 구성을 보여준다. [05:22]
• 설정의 세 요소는 API 키, 사용법을 제공하는 스킬, 실제 모델을 호출하는 코드다. 호출 코드는 사용 중인 생성형 모델에 작성을 요청하는 방식이다. [06:09]

6. API 발급과 공식 스킬 설치

• 공식 플랫폼과 서드파티 API 제공 경로를 소개한 뒤, 공식 사이트의 콘솔에서 API 키를 발급하는 과정을 보여 준다. [07:06]
• 퀵스타트의 설치 프롬프트를 활용해 코덱스의 현재 프로젝트에 공식 스킬을 설치하고 최신 문서를 참고하도록 요청한다. 에이전트에도 같은 취지의 설정을 적용한다. [08:58]

7. API 키 입력과 연결 확인

• API 키를 넣을 파일과 위치를 안내받아 사용자가 직접 입력하도록 권한다. 에이전트에도 설정 파일의 키를 참조해 연결 테스트를 수행하게 한다. [10:04]
• 코덱스에서 인증과 응답 확인에 성공하고, 이어 에이전트에서도 API 연결 테스트가 통과했다고 확인한다. [10:57]

8. 직접 호출 앱을 권하는 이유

• 메인 모델이 요청을 이해한 뒤 Jev를 호출하면 준비 시간이 추가되어 Jev의 속도 이점이 제한될 수 있다고 보여준다. 반복 업무는 미리 만든 앱에서 실행하는 방식을 권한다. [11:47]
• 가상의 홈트 기업 모노핏을 설정하고, 1,000개의 샘플 문의를 바탕으로 후속 모델을 나누는 사례를 준비한다. [12:13]

9. 고객 문의 분류와 답변 모델 배정

• 문의를 먼저 분류해 단순한 건은 루나, 복잡한 건은 솔에 전달하는 구성을 제안한다. Jev가 대량 분류를 맡아 후속 모델 사용량을 줄이는 방식이다. [13:00]
• 실제 시연에서는 200건을 두 개씩 병렬 처리하며 문의 유형과 난이도별 배정 결과를 확인한다. 동시 처리를 더 늘리면 제한에 도달할 수 있다고 보여준다. [13:56]

10. 오분류 점검과 답변 초안 생성

• 사용법, 상품 사양, 반품·환불 문의의 세부 결과를 살펴본다. 원하는 분류가 나오지 않으면 질문지와 평가표를 수정하도록 권한다. [15:38]
• 분류된 문의를 선택한 뒤 해당 모델에 답변 초안을 요청한다. Jev의 판단과 생성형 모델의 작성 작업을 나누는 흐름을 보여 준다. [16:11]

11. 에이전트 스킬과 예약 실행

• 같은 고객 응대 흐름을 스킬로 만들고 100건의 분류를 요청한다. 메인 모델이 스킬과 요청을 해석하는 데 시간이 들어 실시간 응답이 늦어질 수 있다고 지적한다. [17:43]
• 오전 9시 분류, 10시 단순 문의 답변, 11시 복잡 문의 답변처럼 예약 작업을 나누는 예를 제안한다. 분류와 초안 생성의 정상 동작을 확인한 뒤 스케줄로 자동화하도록 권한다. [19:07]

12. 메일의 초안 작성 필요 여부 선별

• 100건의 메일을 대상으로 답변 초안이 필요한 건과 스팸·비사업 문의처럼 작성이 필요 없는 건을 구분한다. [19:42]
• 실제 활용 방안으로 메일 서비스에 연결해 불필요한 항목을 보관 처리하고, 남은 항목만 생성형 모델에 전달하는 흐름을 제시한다. [20:08]

13. 고객 리뷰에서 개선 과제 도출

• 리뷰 500개를 가정하고 약 30개를 먼저 참고해 생성형 모델로 분류 기준을 만든다. 사용자의 도메인 지식으로 기준을 수정할 수 있다고 보여준다. [21:05]
• Jev로 전체 리뷰를 분류한 뒤 부정·혼합 의견을 추려 개선 과제를 생성한다. 최종 인사이트는 별도 생성형 모델에 맡기고 Jev는 대량 선별에 활용한다. [22:37]

14. 관심사 기준으로 뉴스 선별

• 미리 수집한 실제 뉴스에 관심사와 제외 기준을 적용해 분류한다. 처음에는 100건 요청을 언급하고 이후에는 500건 결과를 보여준다. [23:26]
• 조직에 중요한 기준을 세분화해 뉴스레터나 내부 정보 공유에 필요한 기사만 남기는 방법을 보여 준다. [24:07]

15. 뉴스 요약과 보고서 자동화로 확장

• 최종 설명에서는 기사 500건을 42건으로 줄인 뒤 선택한 기사의 요약을 요청한다. 상위 10개를 골라 PDF 보고서로 만드는 활용도 제안한다. [24:52]
• 실시간 사용은 Jev를 바로 호출하는 앱으로, 정기 자동화는 에이전트 스킬과 예약 실행으로 구성할 수 있다고 보여준다. [25:13]

16. 크롬 확장 프로그램으로 레퍼런스 수집

• 홈트·패션·뷰티 등 업무에 필요한 콘텐츠를 모으는 크롬 확장 프로그램을 보여준다. 제작 모델에 원하는 동작과 Jev 기반 분류 방식을 설명해 구현하는 과정이다. [26:20]
• 인스타그램 자동 스크롤 중 비대상은 빨간색, 대상은 초록색, 판단 보류는 노란색으로 표시한다. 적합한 콘텐츠는 라이브러리에서 확인한다. [27:14]

17. 탐색 중 자동 분류와 스크랩

• 라이브러리에는 캡션, 채널 식별 정보, 링크, 주요 지표를 모아 보여 준다. 사용자가 원문으로 이동해 확인할 수도 있다. [27:32]
• 직접 스크롤하는 동안에도 콘텐츠를 판정하고 필요한 항목을 스크랩한다. 유튜브와 X에도 같은 방식의 작업을 설정할 수 있다고 제안한다. [28:30]

18. 대량 판단 업무에 맞춘 도입과 마무리

• 화자는 저렴한 API 비용과 빠른 판단을 다시 강조하고, 가입 시 5달러 무료 이용 금액이 제공될 가능성을 언급하며 테스트를 권한다. [28:57]
• 소량 데이터는 기존 생성형 모델로 처리할 수 있지만, 대량 콘텐츠나 고객 문의를 분류할 때는 Jev 도입을 권한다. 시청자의 활용 아이디어를 요청한 뒤 영상을 마친다. [29:51]

🧾 결론

• Jev의 적합한 역할은 명확한 기준에 따른 대량의 판단과 분류다. 최종 답변이나 인사이트 생성은 다른 모델이 담당한다.
• 자동화 품질은 질문지와 평가표의 명확성에 달려 있다. 실제 분류 결과를 확인하면서 기준을 조정해야 한다.
• 모델 자체의 속도가 빨라도 이를 호출하는 메인 에이전트의 처리 시간이 전체 대기 시간을 늘릴 수 있다.
• 소량 작업보다 대량 문의·리뷰·뉴스·콘텐츠를 반복해서 선별하는 업무에서 도입 효과를 검토할 만하다.

📈 투자·시사 포인트

• AI 운영비를 평가할 때 개별 모델의 단가뿐 아니라 분류 후 상위 모델에 전달되는 데이터량까지 살펴볼 필요가 있다.
• 모든 작업을 하나의 고성능 모델에 맡기는 방식에서, 분류와 생성에 서로 다른 모델을 배치하는 설계로 업무 시스템을 개선할 수 있다.
• 뉴스 500건을 42건으로 줄인 시연은 사전 선별의 가능성을 보여 준다. 다만 제외된 정보의 중요도와 선별 정확도까지 확인해야 업무 가치를 판단할 수 있다.
• 영상에는 기업 실적이나 자산 가치에 대한 근거가 없다. 투자 판단보다는 AI 도입 비용과 업무 생산성을 검토하는 자료로 활용하는 것이 적절하다.

⚠️ 불확실하거나 확인이 필요한 부분

• 40~200배라는 속도는 영상이 인용한 회사 측 벤치마크다. 비교 모델, 입력 조건, 측정 방식과 실제 업무의 전체 처리 시간은 제시되지 않았다.
• 입력 100만 토큰당 0.042달러, 출력 무료, 요청별 토큰 한도는 영상에서 소개한 조건이다. 현재 적용 가격과 이용 플랫폼별 조건은 확인이 필요하다. 가입 시 5달러 제공도 화자가 가능성으로 언급한다.
• 분류 사례는 주로 샘플 데이터와 화면 시연에 기반한다. 정답 데이터 대비 정확도나 중요한 항목을 잘못 제외한 비율은 제시되지 않는다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 반복 업무 하나를 골라 Jev가 판단할 항목과 후속 모델이 작성할 결과물을 구분한다.
• 선택형·예/아니요형·점수형으로 답할 수 있도록 질문과 평가 기준을 단순하게 작성한다.
• 공식 스킬과 최신 문서를 확인하고, API 키를 안내받은 설정 파일에 직접 입력한 뒤 연결을 테스트한다.
• 소규모 샘플의 분류 결과를 사람이 검토하고, 오분류 사례를 바탕으로 평가표를 수정한다.

❓ 열린 질문

• 우리 업무에서 잘못 분류하거나 제외했을 때 손실이 큰 항목은 무엇이며, 어떤 결과를 사람이 재검토해야 하는가?
• 분류 기준을 단순화하면서도 필요한 문맥과 예외 조건을 충분히 담을 수 있는가?
• 에이전트의 준비 시간까지 포함하면 직접 호출 앱과 예약 실행 중 어느 방식이 더 적합한가?