This NEW Jev + Claude OS Just Changed Every AI Workflow

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

Jev와 Claude OS를 결합한 AI 워크플로의 핵심은 요청별 모델 라우팅, 반복 업무의 스킬화, 구조화된 기억, 맞춤형 화면을 하나의 작업 시스템으로 연결하는 데 있다.

📌 핵심 요점

1. 에이전틱 OS는 시각 인터페이스·메모리·스킬의 세 층으로 구성된다. 발표자는 이 가운데 실제 업무를 수행하고 결과물을 만드는 스킬 구조를 가장 중요하게 본다.
2. Jev는 요청을 세 단계로 분류한다. 단순 화면 조작은 직접 실행하고, 가벼운 질문은 소형 모델에 보내며, 복잡한 작업은 Claude Code나 Codex를 실행해 처리한다.
3. 음성 입력과 출력에는 로컬 Whisper와 Kokoro를 사용한다. 다만 음성 처리가 로컬이라는 설명과 전체 AI 추론이 로컬이라는 주장은 구분해야 한다.
4. Obsidian의 역할은 파일과 폴더를 탐색하고 정리하는 것이다. 메모리의 실효성은 앱 자체보다 자료 구조와 새 정보를 저장하는 규칙에 달려 있다는 설명이다.
5. 최근 대화 기록과 일상 업무 설명에서 스킬 후보를 찾고, 적합한 작업을 자동화한 뒤 결과를 대시보드에 모은다. 버튼형 인터페이스는 이를 팀원과 고객에게 전달하는 수단이 된다.

🧩 배경과 문제 정의

영상은 AI를 개별 작업의 보조 도구로 사용하는 상태에서, 일상 업무를 지속적으로 위임하는 맞춤형 시스템으로 옮겨가는 방법을 설명한다. 여기서 에이전틱 OS 또는 Claude OS는 시각 인터페이스, 메모리, 스킬을 연결한 작업 환경을 뜻한다.

문제는 반복 업무가 스킬로 정리되지 않고, 결과물이 여러 곳에 흩어지며, 터미널 중심의 사용 방식을 팀원이나 고객에게 전달하기 어렵다는 데 있다. 발표자는 Jev의 요청 분류, Claude Code·Codex의 작업 실행, Obsidian의 자료 정리, 로컬 음성을 결합하는 구조를 제시한다. 내용은 개인 시스템 시연과 설계 설명이며, 중간과 마지막에 자신의 교육·설정 제공 서비스가 소개된다.

🕒 시간순 섹션별 상세정리

1. 개인 업무에 맞춘 에이전틱 OS의 목적

• 발표자는 사용 가능한 AI 도구를 개인의 업무에 맞게 연결하는 시스템을 제안하고, 로컬 음성·Jev 라우팅·스킬 구조·Obsidian 메모리를 소개할 것이라고 예고한다. [00:53]
• 개인용 시스템을 팀원과 고객에게 제공하는 가능성까지 다루며, 시각적 외형을 넘어 실제 업무 가치를 만드는 것이 목표라고 보여준다. [01:06]

2. 웹 앱과 Obsidian에 담는 시각 인터페이스

• 시스템의 세 층 중 첫 번째인 화면에서 소셜 계정, 일정, 스킬, 자동화를 확인하고 실행한다. 브라우저 웹 앱에서 Claude Code나 Codex를 사용할 수 있다고 시연한다. [01:35]
• 같은 구성을 Obsidian 플러그인으로 옮겨 터미널과 업무 버튼을 제공하고, GitHub·YouTube·Hacker News 등을 살펴보는 연구 탭도 보여준다. 화면은 개인·팀·고객별로 조정할 수 있다고 보여준다. [02:20]

3. 메모리와 스킬이 만드는 작업 순환

• 메모리의 목적은 사람과 AI가 자료를 빠르게 찾도록 파일·폴더를 구성하는 것이다. Obsidian의 그래프 표시 자체를 RAG로 보아서는 안 된다고 강조한다. [02:53]
• 스킬과 자동화가 보고서·차트 등의 결과물을 만들고, 그 결과가 다시 시스템으로 들어오는 순환을 보여준다. 세 층 가운데 스킬 구조를 핵심으로 꼽는다. [03:50]

4. 서비스 안내와 세 가지 요청 시연

• Chase AI Plus에서 자신의 Claude OS 설정과 Claude Code·Codex 교육을 제공한다고 홍보한 뒤, 세 층이 실제로 연결되는 방식을 설명하기 시작한다. [04:28]
• 아침 브리핑 열기, 오늘의 AI 뉴스 질문, Jev와 언어 모델의 차이를 설명하는 자료 생성이라는 세 요청을 시연한다. 복잡한 세 번째 요청에서는 터미널이 열린다. [05:36]

5. 음성 요청을 기록하고 텍스트로 바꾸는 경로

• 음성 요청은 Obsidian 플러그인 또는 Jarvis 웹 화면에서 브리지로 전달된다. 브리지는 요청을 Obsidian에 기록하고 로컬 음성 시스템을 작동시킨다. [06:26]
• Whisper가 음성을 텍스트로 바꾸고 Kokoro가 응답 음성을 생성한다. 발표자는 두 음성 처리 과정이 기기에서 실행되며, 변환된 텍스트가 Jev로 전달된다고 보여준다. [07:01]

6. 요청 복잡도에 따른 세 단계 실행

• 1단계는 브리핑 표시나 터미널 열기 같은 직접 실행 명령이다. Jev가 분류한 뒤 별도의 생성 모델 처리를 거치지 않는 경로로 설명하며 빠른 반응을 강조한다. [07:43]
• 2단계는 Haiku·Luna 같은 소형 모델이 맡고, 3단계의 복잡한 작업은 터미널에서 Claude Code·Codex를 실행한다. 대화와 결과물은 Obsidian에 기록하며, 소형 모델을 로컬 모델로 바꾸는 선택지도 언급한다. [08:47]

7. Jev를 분류기로 사용하는 이유

• 발표자는 Jev를 일반적인 대화형 LLM과 구분한다. 구독 해지 후 재청구 문의를 예로 들어, 문장형 답변 대신 청구 부서로 보낼 확률 92%를 반환하는 방식을 보여준다. [09:59]
• 정해진 선택지 중 경로를 고르는 작업에 적합하며 약 200배 빠르고 저렴하다고 주장한다. 이 특성을 세 단계 모델 라우팅에 적용하지만 비교 실험의 조건은 제시하지 않는다. [10:40]

8. 대화 기록에서 반복 업무와 스킬 찾기

• 매일·매주 하는 생산성, 연구, 고객, 영업, 재무 관련 업무를 체계적으로 검토해 스킬로 만들고, 적절한 경우 자동화하자고 제안한다. [11:58]
• 첫 번째 방법은 최근 약 30일의 대화 기록을 분석하도록 요청하는 것이다. 실제 사용 이력을 보고 만들 수 있는 스킬을 제안받는 간단한 프롬프트를 보여준다. [12:39]

9. 업무 설명을 자동화와 결과물 집약으로 연결하기

• 두 번째 방법은 마이크 앞에서 10~20분 동안 일상 업무를 자유롭게 설명하고, 위임 가능한 스킬과 자동화를 제안받는 것이다. 예약 작업이나 기기 자체에서 실행하는 자동화도 언급한다. [14:07]
• 자동화로 생성한 보고서와 결과물을 한곳에 모으고, 일정·업무·뉴스·지표·연구 자료를 자신에게 맞게 구성하는 것이 대시보드의 가치라고 보여준다. [15:14]

10. Obsidian 메모리의 역할과 한계

• 모든 입력과 출력을 저장소에 기록하고, Markdown 파일을 Obsidian으로 탐색하는 구성을 보여준다. 저장소 폴더 안에서 AI 도구가 개인·업무 자료에 접근하는 방식을 보여준다. [16:01]
• Obsidian 사용만으로 모델의 기억력이 향상되는 것은 아니라고 강조한다. 자료를 무작위로 쌓아두는 대신 논리적인 폴더 구조를 마련해야 한다는 주장이다. [17:14]

11. raw·wiki·outputs로 자료의 단계를 구분하기

• 예시 저장소는 원자료를 담는 raw, 자료를 정리한 문서를 담는 wiki, 최종 결과물을 담는 outputs로 나뉜다. AI 에이전트 연구 자료를 정리해 발표 자료로 만드는 흐름을 보여준다. [18:30]
• 이 구조가 AI와 사람 모두에게 탐색 경로를 제공한다고 보여준다. 세 폴더 이름을 그대로 따를 필요는 없으며, 사용자가 이해하고 AI도 탐색할 수 있는 구성이 중요하다. [19:25]

12. 저장 규칙과 팀용 실행 화면

• AI에 저장소 구조 정리를 요청할 수 있다고 설명하고, CLAUDE.md나 AGENTS.md에 폴더 구성과 신규 자료 저장 규칙을 명시하라고 권한다. [20:05]
• 맞춤 대시보드는 스킬 결과물과 지표를 모으는 동시에 팀원·고객에게 실행 기능을 전달한다. 버튼 뒤에서 Claude나 Codex를 헤드리스 방식으로 호출하는 구조를 보여준다. [21:12]

13. 맞춤형 시스템의 확장과 마무리

• 발표자는 웹 앱이나 Obsidian 화면으로 비전문가도 스킬을 실행할 수 있어 온보딩과 고객 제공에 도움이 된다고 주장한다. 사용자별로 필요한 자료와 기능을 모으는 맞춤성이 강점이라고 정리한다. [21:57]
• 전체 구조 설명을 마치고 웹 앱·Obsidian 플러그인의 정확한 설정은 Chase AI Plus에서 제공한다고 안내하며 영상을 끝낸다. [22:13]

🧾 결론

• 구축의 출발점은 반복 업무를 파악하고 재사용 가능한 스킬로 만드는 것이다. 화면은 그 실행과 결과 확인을 돕는 역할을 맡는다.
• 자료 저장·검색 규칙과 작업 결과의 재기록을 연결하면 개별 AI 대화를 지속적인 업무 흐름으로 확장할 수 있다는 것이 영상의 주장이다.
• 웹 앱과 Obsidian 플러그인은 같은 실행 구조를 담는 선택지다. 폴더 구성과 화면 구성 모두 사용자의 실제 업무에 맞춰 조정하도록 권한다.
• 제공된 영상은 구조 설명과 시연 중심이다. 소개된 시스템 전체를 재현할 수 있는 코드·설치 절차까지 제시하지는 않는다.

📈 투자·시사 포인트

• 업무용 AI의 가치 제안으로 요청 분류, 모델 선택, 자료 정리, 결과 전달을 묶는 통합 설계가 부각된다.
• 단순 요청에는 직접 실행이나 소형 모델을 배정하는 방식이 비용과 응답 시간을 줄이는 설계 방향으로 제시된다. 실제 절감 폭은 영상에서 검증되지 않는다.
• 기존 스킬과 자동화를 버튼으로 제공하는 방식은 팀 온보딩과 고객용 맞춤 시스템의 상품화 가능성을 보여준다. 매출이나 수익성 자료는 제시되지 않는다.
• 특정 종목에 대한 투자 근거보다는, AI 도입 시 반복 업무 처리와 결과물 접근성이 얼마나 개선되는지 평가하는 사례로 읽을 수 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• Jev의 약 200배 속도, 낮은 비용, 도입부의 무료·거의 즉시 응답이라는 설명에는 비교 대상, 실행 환경, 요금 조건이 붙어 있지 않다.
• 청구 문의의 92%는 분류 확률을 설명하는 예시다. 실제 정확도나 확률 보정 성능을 입증하는 평가 결과로 볼 수 없다.
• Whisper·Kokoro의 로컬 음성 처리와 별개로, 예시의 소형 모델 및 Claude Code·Codex 실행 경로까지 모두 로컬이라고 확인되지는 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

• 접근 가능한 최근 대화 기록을 확인하고, 반복 요청에서 스킬로 묶을 후보를 추린다.
• 하루·일주일의 업무를 10~20분 동안 설명한 뒤, 스킬화와 자동화가 가능한 작업을 제안받는다.
• 대표 요청을 직접 실행·소형 모델·복잡한 에이전트 작업의 세 부류로 나누고, 실제 분류 결과와 응답 시간을 확인한다.
• 자료 저장소에 raw·wiki·outputs 또는 업무에 맞는 폴더 구조를 정하고, 구조와 저장 규칙을 CLAUDE.md나 AGENTS.md에 기록한다.

❓ 열린 질문

• Jev의 분류 확률이 낮거나 요청이 여러 단계에 걸칠 때 어떤 경로로 처리할 것인가?
• 대화와 결과물이 누적될 때 wiki의 갱신, 중복 자료, 상충하는 정보를 어떻게 관리할 것인가?
• 팀원·고객에게 배포할 때 개인별 자료 접근과 실행 환경을 어떻게 구성할 것인가?