Jev + Claude Will Change How You Work Forever (Real Use Cases)

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Jev로 대량 분류와 판단을 처리하고 Claude로 후속 조사·문서·대시보드를 만드는 역할 분담이 업무 자동화의 속도와 비용을 개선한다는 것이 영상의 핵심이다.

📌 핵심 요점

1. Jev는 대화문을 생성하기보다 미리 정한 선택지 중 하나를 반환하는 모델로 소개된다. 예·아니요·null 또는 다중 선택 방식의 분류와 라우팅이 주요 용도다.
2. 발표자는 기존 모델 대비 20~200배 빠르고 40~400배 저렴하며 출력 토큰은 무료라고 주장한다. 다만 비교 대상과 측정 조건은 제공된 전사에서 확인되지 않는다.
3. 실무 사례로 댓글 분류, 잠재 고객 평가, 고객 이탈 위험 평가, 문의 배정, 상담 전사 분석을 제시한다. 잠재 고객 250건은 4초·1센트, 신규 회원 203명의 이탈 위험 평가는 25초·1센트였다고 보고한다.
4. Jev가 대상을 선별하면 Claude가 추가 조사나 연락 메시지를 작성하는 흐름을 제안한다. 반복 업무는 재사용 가능한 스킬로 만들고, 이탈 위험 평가는 2주마다 실행하도록 설정했다고 설명한다.
5. 브라우저 사례에서는 YouTube 영상 443개를 5분 동안 살펴보고 Claude 관련 영상 99개를 저장했으며 비용은 1센트였다고 한다. 낮은 확률 점수의 오분류도 보여 주므로 결과 검수가 필요하다.

🧩 배경과 문제 정의

발표자는 대량의 댓글·잠재 고객·고객 활동 데이터를 범용 언어 모델로 처리할 때 발생하는 시간과 비용을 문제로 제시한다. 그 대안으로 사전에 정한 선택지를 빠르게 고르는 Jev를 소개하고, Claude와 결합해 실제 업무를 자동화하는 방법을 설명한다.

핵심 구분은 분류 판단과 후속 작업의 역할이다. 전사에 따르면 Jev는 정해진 결정값을 반환하고, Claude는 그 결과를 활용해 조사·메시지·시트·대시보드 등을 구성한다. 아래 수치와 제품 특성은 제공된 전사에 담긴 발표자의 주장과 사례 보고를 정리한 것이다.

🕒 시간순 섹션별 상세정리

1. 결정값을 반환하는 모델의 역할과 한계

• Jev를 Claude와 결합하면 업무 자동화를 더 빠르고 저렴하게 만들 수 있다고 보여준다. 발표자는 속도 20~200배, 비용 40~400배 개선과 출력 토큰 무료를 주장한다. [00:49]
• 일반적인 대화문 대신 미리 정한 결정값을 반환하며, 보정된 결정을 위한 강화학습으로 훈련됐다고 보여준다. 결과는 예·아니요·null 또는 여러 선택지 중 하나가 될 수 있다. [01:39]
• 대량 분류와 라우팅에 적합하지만, 글·미디어 생성이나 계산, 복잡한 추론이 필요한 작업에는 사용할 수 없다고 선을 긋는다. [02:09]

2. API 연결과 댓글·잠재 고객 분류

• 전사상 typeset.ai에서 가입하고 API 키를 만든 뒤, Claude에 API 연결 정보와 문서 링크, 수행할 작업을 제공하는 흐름을 안내한다. 가입 시 5달러를 제공한다고 보여준다. [02:44]
• 1년치 YouTube 댓글을 긍정·부정·건설적 피드백·미응답 질문·답변된 질문으로 나누고 CSV와 대시보드를 요청한다. 비교 실행에서는 전사상 ‘Claude Opus 5’가 약 1,400건을 34분·23달러에 처리하면서 일부 댓글을 누락했다고 보고한다. [03:19]
• 잠재 고객 250명의 의사결정권 보유 여부와 미국 거주 여부를 기준으로 평가하고 점수를 매긴다. 4초·1센트에 처리해 Excel 시트로 받았다고 보여준다. [04:05]

3. 역할 분담, 스킬 재사용과 정기 이탈 위험 평가

• Jev로 잠재 고객을 먼저 선별하고, 적격 대상에 대해 Claude로 추가 조사나 연락 메시지를 만드는 흐름을 제안한다. 이 과정을 스킬로 만들어 실행 때마다 Jev를 사용하도록 했다고 보여준다. [05:07]
• AI 자동화 교육 커뮤니티와 강의를 홍보한 뒤, 가입 후 경과일·게시글 수·최근 로그인·댓글·모임 참석 등 활동 데이터를 활용하는 이탈 위험 평가로 넘어간다. [06:08]
• 신규 회원 203명을 1~10점으로 평가해 시트로 정리하는 데 25초·1센트가 들었다고 한다. 이를 반복하기 위해 스킬과 2주 간격의 예약 작업을 만들었다고 보여준다. [06:55]

4. 문의 배정과 상담 데이터 분석

• 고객 지원 문의와 영업 요청을 분류해 담당자에게 전달하는 용도를 보여준다. 커뮤니티 게시물은 피드백·기술 질문·영업 질문·사업 질문·자기소개·성과의 여섯 범주로 나누고, 기술 질문을 CTO에게 보내는 예를 든다. [07:25]
• 1년치 게시물 1,300건 이상을 106초·4센트에 분석했다고 보고한다. 실시간 배정도 가능하다고 설명하지만, 자신의 사례는 과거 데이터를 일괄 분석한 것이라고 구분한다. [07:43]
• 고객 지원 통화 전사 227건을 여섯 범주로 분류하는 데 13초·7센트가 들었으며, Claude가 분류 결과를 바탕으로 대시보드를 만들었다고 보여준다. [08:09]

5. 브라우저 선별 자동화와 마지막 시사점

• 무료 GitHub 저장소로 소개한 ‘Jeff Ultra Fast’를 이용해 브라우저 작업을 가속하는 사례를 보여준다. Claude Code에서 YouTube 피드를 탐색하고 Claude 관련 영상의 제목과 링크를 Google Sheets에 모으는 에이전트를 요청한다. [09:21]
• 5분 동안 영상 443개를 확인하고 99개를 저장했으며 비용은 1센트였다고 보고한다. 결과에는 확률 점수가 포함됐고, 낮은 점수인 55의 항목 중 실제로 Claude와 무관한 영상도 있었다고 보여 준다. [10:03]
• 다른 사람들의 활용 예로 방문자 유형에 따른 웹사이트 문구 변경과 적절한 언어 모델로의 작업 라우팅을 언급한다. 사업 자동화의 효율 개선 가능성을 강조하고 교육 커뮤니티와 후속 Claude 영상을 안내하며 마무리한다. [10:37]

🧾 결론

• 적용 여부를 가르는 기준은 업무를 사전에 정의한 선택지로 표현할 수 있는지다.
• 영상에서 제안하는 구성은 Jev의 분류 결과를 Claude의 조사·생성·시각화 작업으로 연결하는 방식이다.
• 사례의 처리 속도와 비용은 매력적이지만, 정확도와 전체 운영 비용까지 검증해야 실제 도입 효과를 판단할 수 있다.

📈 투자·시사 포인트

• 대량 판단의 단가가 낮아지면, 발표자의 정기 이탈 위험 평가처럼 비용 때문에 미뤘던 분석을 반복 업무로 전환할 여지가 생긴다.
• 업무 단계별로 모델의 역할을 나누는 설계가 자동화의 경제성을 좌우할 수 있다. 선별된 대상에 후속 조사와 메시지 작성을 집중하는 사례가 이를 보여 준다.
• 사업적 가치는 처리 건수뿐 아니라 선별 오류, 후속 업무 절감, 실제 고객 대응 성과로 평가할 필요가 있다.
• 제공된 자료는 제품 활용 사례이며, 특정 기업의 실적이나 투자 수익을 판단할 근거는 제시하지 않는다.

⚠️ 불확실하거나 확인이 필요한 부분

• 전사에는 모델명이 Jev와 Jeff로 혼재하고, 접속 주소는 typeset.ai로 표기된다. 정확한 제품명·공식 주소·저장소를 이 자료만으로 확정하기 어렵다.
• 속도·가격 배수, 출력 토큰 무료, 가입 시 5달러 제공은 발표자의 설명이다. 적용 모델, 요금 조건, 측정 환경과 유효 시점은 확인되지 않는다.
• 댓글 비교에서는 전사상 ‘Claude Opus 5’가 약 1,400건을 34분·23달러에 처리하고 일부를 누락했다고 하지만, 동일 작업의 Jev 측 처리량·시간·비용은 제시되지 않는다. 정확한 모델명과 공정한 비교 조건도 확인이 필요하다.
• 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

• 사용 전 공식 제품명, API 문서, 요금표와 브라우저용 저장소를 확인한다.
• 댓글이나 문의처럼 정답을 검수할 수 있는 소규모 데이터로 분류 기준과 선택지를 먼저 정의한다.
• 동일 데이터에서 기존 방식과 처리 시간, 전체 비용, 누락률, 오분류율을 비교한다.
• 낮은 확률 점수와 null 결과의 검수 기준을 정하고, 자동 후속 처리에 넘길 조건을 구분한다.

❓ 열린 질문

• 비용과 속도 우위가 데이터 길이·언어·분류 난도에 따라 얼마나 달라지는가?
• 확률 점수가 실제 정답률을 얼마나 잘 반영하며, 어떤 기준으로 자동 처리와 수동 검수를 나눠야 하는가?
• 고객 이탈 위험 점수는 실제 이탈과 얼마나 일치하고, 후속 대응이 유지율 개선으로 이어지는가?