Jev, GTM용 의사결정 AI에 관해 알아야 할 것

Jev는 텍스트와 미리 정한 판단 기준을 받아 분류, 점수, 예/아니오 확률을 반환하는 모델임. 글을 생성하는 대신 GTM 업무의 반복적인 판단을 처리함 타입이 정해진 응답과 선택지별 확률, 신뢰도를 제공하며, 한 API 요청의 여러 질문을 각각 병렬로 처리함. LLM이 글을 쓰고 Jev가 판단하는 보완적 구성을 지향함 TypeSafe는 프런티어 LLM 대비 193배 빠르고 445배 저렴하다고 밝히지만, 자체 시험에서 얻은 개선 폭 중 높은 쪽에 해당함. 정해진 선택지만 반환하더라도 오답을 고를 수 있으며, 문맥을 많이 넣으면 정확도가 떨어질 수 있음 Clay에서는 Claygent 조사 → Jev 판단 → 통과한 행만 LLM 작성 순서로 연결할 수 있음. 결정론적 규칙은 수식이나 조회로 처리하고, 판단이 필요한 분류와 점수화에 Jev를 쓰는 방식임 실무 적용에는 명확한 기준과 행동별 신뢰도 임계값이 중요함. 소규모 표본으로 검증하고 불확실한 행은 검토나 재조사로 보내며, 탈락한 행의 유료 데이터 보강과 LLM 실행을 막아 비용을 줄일 수 있음 Jev가 처리하는 판단 ChatGPT 공동 발명자인 Diogo Almeida는 OpenAI를 떠난 뒤 2년간 비공개로 개발한 Jev를 TypeSafe.ai를 통해 공개함 출발점은 지능적인 모델이 등장했는데도 왜 실제 업무 자동화는 적은가라는 질문임 AI에 코드의 속성을 부여하고, 조합 가능한 지능을 통해 지능형 소프트웨어의 폭발적 증가를 촉진하는 것이 목표임 TypeSafe AI는 Jev를 “System One” 모델로 부름 Kahneman의 빠르고 직관적인 판단인 System 1과 느리고 신중한 추론인 System 2 구분에서 이름을 가져옴 LLM이 생각을 풀어내는 데 초점을 둔다면, Jev는 정해진 기준에 따라 결정을 내리는 데 초점을 둠 입력 텍스트인 state 와 질문을 전달하면 타입이 정해진 답을 반환하며, 글을 작성할 수는 없음 Choice: 최대 255개 선택지 중 하나를 고르고, 선택 결과와 각 선택지의 확률, 신뢰도를 반환함 Score: 사용자가 정의한 2~10단계 척도로 평가하고, 점수와 단계별 확률, 신뢰도를 반환함 Noul: 예/아니오 질문에 0~1 사이의 단일 확률로 답함 한 API 호출에 여러 질문을 넣으면 각각 독립적으로 병렬 처리함. 한 행에서 페르소나 분류, 이상적 고객 프로필(ICP) 점수, 구매 신호 확인을 함께 수행할 수 있음 LLM과의...