
Jev, 전 세계 프로그래머를 열광하게 만들다
저자 | 우주원
편집 | 정위
스마트 홈 커뮤니티 Home Assistant에 최근 HA-Jev라는 플러그인이 등장했습니다.
논리는 매우 간단합니다. 센서가 세탁기의 전력 변화와 문 상태 데이터를 읽어 들이고, 이를 모델에 질문으로 던집니다. 「세탁이 끝났는데, 옷을 안에 잊어버렸나요?」 모델은 어떠한 텍스트 분석도 출력하지 않고 확률 값 하나만 반환합니다. 신뢰도가 0.8을 초과하면 휴대폰에 빨래를 꺼내라는 알림이 팝업됩니다.

HA-Jev는 씻긴 옷이 세탁기 안에 남아있는지 사용자에게 알려주는 데에만 사용됩니다|이미지 출처: pitchhut
한 번의 판단에 몇십 밀리가소 소비되며 비용은 0.000015달러에 불과합니다.
플러그인 개발자는 포럼에 의미심장한 한 마디를 남겼습니다. 「과거에는 거대 언어 모델이 필요 없는 질문에 답하는 데 써왔죠. 옷을 빼먹었는지 체크하는 건 판단이지, 쓸데없이 길고 딱딱한 글이 아닙니다.」
이 대목은 현재 생성형 AI의 핵심적 한계를 정확히 꿰뚫습니다. 지난 4년간 전 산업은 거의 모든 연산 자원, 자본과 엔지니어링 역량을 「모델에게 더 유창하고 자연스러운 인간어 구사법을 가르치는 것」에 쏟았습니다. 업계는 수백억에서 수천억 파라미터 규모의 막대한 모델을 당연시하며 사용해 왔죠. 모델은 먼저 긴 추론 과정을 뱉어내고, 이를 예의 바르고 친절한 자연어로 포장한 뒤, 최종적으로 개발자가 복잡한 정규 표현식을 이용해 필요한 답만 뽑아냈습니다.
구 OpenAI 연구원 디고 알메이다(Diogo Almeida)가 새로운 모델 Jev를 들고 등장할 때까지 말입니다. 「시스템 원(System One)」이라 불리는 이 모델은 입이 없습니다. 어떠한 텍스트도 생성하지 않으며, 오직 확률적 판단만을 출력하죠.
공개된 지 며칠 지나지 않아 전 세계 개발자들이 이를 중심으로 열렬한 개발 열기를 이어며 무려 500개 가까운 오픈소스 프로젝트를 쏟아냈습니다. 이는 Openclaw 이후 사람들이 가장 기대하는 신작일지도 모릅니다.
사람들은 문득 깨달았습니다. 거대 모델의 표현欲을 걷어내면, 기존엔 비싸고 무거웠던 AI 애플리케이션이 순식간에 바람처럼 가볍게 변한다는 것을요.
01 거대 모델의 「뉴런」
과거 GPT-5나 Claude를 호출하는 것을 지혜롭고 전지전현한 철학자를 고용해 감시 카메라를 대신 보게 하는 것에 비유한다면, 개발자들이 지금 Jev로 하고 있는 일은 파이프라인에 저렴하고 반응이 민감한 무수히 많은 뉴런을 달아준 것과 비슷합니다.
가장 많은 연산력을 소모하는 에이전트(Agent) 인프라 분야에서 이러한 변화는 거의 혁명적입니다.
과거 개발자들이 초장문 컨텍스트를 처리할 때 가장 많이 썼던 방법은 거대 모델에게 요약을 맡기는 것이었습니다. 개발자 타마라 트란(Tamara Tran)은 방향을 바꿔 Jev 플러그인을 작성해 Claude Code의 컨텍스트를 압축했습니다. 이 플러그인은 그 어떤 요약이나 추상화도 하지 않고, 과거 도구 호출 기록 하나하나에 관련성 점수를 매깁니다. 기준 미달이면 해당 기록을 통째로 삭제하죠.

Jev 플러그인을 활용해 Claude Code 컨텍스트를 압축하는 모습|이미지 출처: X
결과는 극도로 파격적이었습니다. 약 100만 토큰에 달하던 무거운 컨텍스트가 단 1초 만에 8.6만으로 줄어드는 데, 그 과정에서 모델은 문자 한 자도 타이핑하지 않았습니다. 여기서 얻을 수 있는 통찰은 매우 소박합니다. 요점은 비싼 생성 행위이지만, 필터링은 냉혹한 판단 한 번으로 끝나기 때문이죠.
비슷한 파괴적 변화는 모바일 자동화 분야에서도 일어나고 있습니다.

mobile-jev를 활용한 스마트폰 조작|이미지 출처: jevfast.com
Droidrun 팀은 mobile-jev라는 이름의 스마트폰 작업 대리인(Agent)을 만들었습니다. 외부로 유출된 시연 영상에서 이 에이전트는 실제 안드로이드(Android) 기기를 조종해 우버(Uber) 앱을 실행하고 출발지와 도착지를 입력한 뒤, 결제 화면까지 정확한 클릭을 이어갑니다. 전체 9단계 작업 과정이 단 21초 만에 완료되는 것입니다.
전체 프로세스 중 전통적인 텍스트 생성 거대 모델을 단 한 번도 호출하지 않았습니다. 텍스트 입력은 사용자 명령어에서 직접 발췌한 순수 문자열 조각이며, 각 화면에서 다음에 누를 버튼, 슬라이드 여부, 확인 여부는 전부 Jev가 초고속 확률 매칭을 통해 결정합니다.
UI 조작 영역을 넘어, 개발자들은 심지어 가장 오랜 된 레거시 인프라 안에도 이를 심어놓았습니다.
Github에서는 곧 pg-jev와 duckdb-jev가 쏟아져 나오기 시작했습니다. 개발자들은 이제 자연어를 사용해 데이터베이스 행(ROW) 데이터에 실시간 확률 기반 필터링 및 정렬을 직접 적용합니다. 루비(Ruby) 커뮤니티에서는 어떤 이가 해당 판단 로직을 기존 제어 흐름 구문으로 바로 패키징했으며, 코드 구조는 마치 프로그램에 직관이 스며든 듯한 느낌을 줍니다.

Jev를 활용한 『스타크래프트』 플레이는 Github 상 일련의 프로젝트로 확산되고 있습니다|이미지 출처: Github
게임 분야에서는 Jev를 에뮬레이터 상태로 연결해 슈퍼 마리오를 플레이하게 하거나, 둠(Doom)의 적병을 구동시킨 사례가 있고, 심지어 어느 팀은 이를 『스타크래프트』에 연결해 첫 전투 임무까지 완수했습니다. 게임은 수십 밀리초 내의 신속한 조작 결단을 요구하는데, 과거 거대 모델은 첫 번째 프레임의 추론조차 정리하기 전에 이미 게임 캐릭터가 전사했을 테니까요.
데이터 정제 같은 고된 단순 노동을 다루는 영역에서의 격차도 놀라울 정도로 큽니다.
어느 개발자의 손에는 3개월 치 제품 매칭 데이터 9,081건이 쌓여 있었습니다. 그는 이미 지난 6월에 주류 거대 모델을 사용해 비용을 계산했지만, 터무니없이 높은 API 요금 때문에 즉시 포기를 했었습니다. Jve로 전환한 후 그는 단 하루 밤에 150줄짜리 스크립트를 작성했고, 전체 업무는 13분에 완수했으며 총 청구 금액은 단 32센트에 불과했습니다.
거대 모델이 스스로를 박학다식한 인간처럼 연기하기를 멈출 때, 비로소 AI는 자동화 소프트웨어의 모세혈관 속까지 깊숙이 침투할 수 있습니다.
02 제본스 역설(Jevons Paradox)
Jev라는 명칭은 19세기 영국의 경제학자 윌리엄 스탠리 제본스(William Stanley Jevons)에게서 차용되었습니다.
경제학계의 유명한 「제본스 역설」은 기술 발전으로 인해 특정 자원의 활용 효율이 높아져 사용 비용이 급감할 경우, 해당 자원의 총 소모량은 줄어드는 게 아니라 오히려 폭발적으로 증가한다고 지적합니다.
TypeSafe AI가 Jve에 제시한 가격은 토큰 입력 100만 개당 단 0.042달러, 출력은 무료입니다. 이 요금 체계에 따라 하루 1만 건의 비즈니스 의사 결정을 수행해도 월 비용은 약 120달러 수준입니다. 반면 이전에는 동일한 정확도를 갖춘 최고급 추론 전용 거대 모델을 사용해 동일한 프로세스를 돌릴 경우, 월 청구서는 무조건 3만 5천 달러를 훌쩍 뛰어넘었습니다.
폭락한 비용은 이전에 「상업적 가치가 전혀 없다」고 치부되었던 틈새 시나리오들을 순식간에 깨워버렸습니다.

Jve를 활용한 SEO 작업 속도가 놀라울 정도로 빠름|이미지 출처: X
콘텐츠 분석 분야에서는 Distribb의 창업자가 Jve를 활용해 600여 개의 웹사이트를 탐색한 결과, 45초 만에 내부 링크 맵 구조를 재편하고 500개 이상의 링크를 설치하는 데 성공했습니다. 총 비용은 단 21센트였습니다. 과거라면 최정상급 거대 모델에게 이 일을 맡겼을 때, 동일한 시간 내에 20페이지도 제대로 읽어 넘기지 못했을 터입니다.
해당 창업자의 탄식은 본질을 정확히 짚습니다. 「이것은 콘텐츠 크리에이션이 아닙니다. 그냥 8,790번의 '연결할 것인가, 말 것인가'에 대한 의사결정 과제일 뿐이죠.」
이는 창업자인 디고 알메이다가 구 OpenAI를 떠나며 남긴 「우리는 손안에 번개를 쥐고 있었으나, 그것이 그리 유용하지 않았다」라는 탄식의 배경을 설명해주기도 합니다.
ChatGPT 구축에 기여하고 RLHF를 공동 발명한 핵심 연구원으로 근무했던 Almeida의 성찰에는 업계 인사이기에 가능한 냉철함이 서려 있습니다. 그에게 있어 전 산업체는 이미 「인간 자연어 최적화」라는 막다른 골목에 너무 오랫동안 갇혀 있었던 셈이죠.
컴퓨터 간의 협동에는 리듬감 있는 수사학이 필요 없으며, 기계가 진정으로 필요로 하는 것은 명확한 명령과 확률입니다. 지난 4년간 AI 업계가 수조 달러를 투입해 다듬어 온 자연어 구사 능력은, 엄격한 시스템 공학 앞에서는 오히려 대부분 비효율적인 장애물로 작용하곤 했습니다.
Pi 프레임워크의 CTO인 아민 로나커(Armin Ronacher)는 이 현상을 언급하며 가감 없이 말했습니다. 「우리는 이것을 훨씬 일찍 깨달았어야 합니다. 단지 과거 주류 거대 모델들이 풍자 투자자의 보조금 덕분에 지나치게 싸게 공급되다 보니, 모두가 낭비를 습관화했고 진정으로 창의적인 사고를 할 사람은 아무도 없었거든요.」
이러한 저가 환상이 깨지면, 아키텍처 설계의 방향 전환은 되돌릴 수 없게 됩니다.
거대 모델은 제자리로 돌아가고 있습니다.
중앙 처리 장치(CPU)처럼 행동해서는 안 되며, 오히려 프론트엔드의 홍보 대변인으로 기능하는 것이 더 적합합니다. 미래의 시스템 아키텍처에서는 방대한 양의 밀리초 단위 판단 작업을 물가처럼 저렴한 직관 모델(intuition model)에게 맡기고, 사람이 필요한 대문장을 생성하거나 복잡한 문서를 작성해야 하는 극소한 노드에 있을 때만 비로소 그 고가의 생성형 모델을 깨우는 방식이 될 것입니다.
03 「판단」과 「생성」의 분업
지난 3년간의 AI 서사를 돌아보면 중심 축은 항상 「거대 모델이 점점 더 커지고, 똑똑해지고, 만능에 가까워진다」는 것이었습니다. 하나의 모델이 채팅도 하고 코딩도 하며 이미지를 보고 표를 작성하는 등 무엇이나 할 수 있어야 한다는 인식이었죠. 전반 산업계는 「지능」이 분리 불가능한 덩어리로 고정되어 있다고 암묵적으로 가정해 왔습니다.
Jve의등장은 이러한 굳어진 틀을 찢어버립니다. Jve는 어떤 작업에는 추론과 표현이 필요하지만, 다른 작업은 빠른 판단만으로 충분하다는 사실을 입증했습니다. 이 둘을 강제로 묶어두는 것은 구조적인 낭비임이 분명합니다.

Jve의 큰 인기는 오픈소스 커뮤니티의 열기를 불러일으켰습니다|이미지 출처: Google DeepMind
Jve 공개 후 단 하루 만에 오픈소스 커뮤니티는 즉각적으로 대응에 나섰습니다. vLLM 기여자는 구글(Google)의 DiffusionGemma를 기반으로 오픈소스 버전을 빠르게 완성했으며, 초기 테스트에서 정확도는 공식 버전과 근접했습니다. 이는 「판단 모델」이 단일 기업의 제품 혁신을 넘어 하나의 독립적인 카테고리로서 자리잡았음을 방증합니다.
보다 주목할 만한 점은 하위 계층 아키텍처의 변화입니다. Jve가 촉발한 새로운 패러다임 하에서, 하나의 AI 시스템은 더 이상 「하나의 뇌」를 가졌다고 말할 수 없게 되었으며 분업화가 도래했습니다: 막대한 양의 밀리초 단위 판단 작업은 물가처럼 저렴한 직관 모델에게 맡기고, 사람이 필요한 대문장을 생성하거나 복잡한 문서를 작성해야 하는 극소한 노드에 이르러야 비로소 그 고가의 생성형 모델을 깨우는 식이죠.
이는 단순한 비용 절감과 생산성 향상을 의미하지 않습니다. 이는 AI 기초 아키텍처가 「중앙집권적」 구조에서 「분산적 분업」 구조로 이동하는 시작점임을 의미합니다.
한 번의 판단 비용이 몇 센트에서 만분의 일 센트로 떨어질 때, 개발자들이 이전의 100회 판단 작업을 단순히 저렴하게 만든 것은 아닙니다. 그들은 이전에 시도조차 하지 않았을 1만 번의 판단을 수행하기 시작합니다. 데이터베이스 레코드마다 의미론적 필터를 추가하고, 도구 호출 때마다 안전 검증을 덧붙이며, 세탁기에 「옷을 빼먹었는가」라는 판단 로직을 심는 식이죠.
이것들은 기존 업무를 단순하게 최적화한 버전이 아닙니다. 완전히 새로운 지능 소비 시나리오입니다.
그렇다면 당신이라면 Jve를 활용해 어떤 혁신을 이끌어낼까요?













