개요
클로드로 작업하다 보면 별로 한 것도 없는데 토큰이 먼저 바닥나곤 합니다. 영상 속 발표자도 맥스 플랜을 쓰는데 모자란 날이 많다고 말합니다. 이 영상이 내놓는 해법은 판단은 제브에게 넘기고 클로드는 글 쓰고 코드 짜는 일에만 쓰는 것입니다. 제브는 글을 쓰지 않고 미리 정해 둔 보기 중에서 고르기만 하는 모델이라, 0.5초 만에 약 0.03원으로 판단 하나를 끝냅니다.
영상은 오늘의 AI 소식을 쉽고 빠르게 전하는 채널 AI투데이가 만들었습니다. 발표자가 자기 클로드 코드에 제브를 직접 붙이고, 메일과 댓글을 실제로 분류한 결과를 공개합니다. 손해가 나는 경우까지 숨기지 않고 보여 준다는 점이 눈에 띕니다.
핵심 내용
제브는 무엇인가: 답을 쓰지 않고 고르는 모델
제브는 타입세이프라는 회사가 만들었습니다. 챗GPT를 만든 연구원이 세운 곳으로, 2년 동안 조용히 개발하다가 영상 기준으로 “이번 달 15일”에 공개했다고 합니다. 우리가 흔히 아는 언어 모델과 달리 긴 글도 쓰지 않고, 코딩도 대신하지 않고, 대화도 나누지 않습니다. 대신 우리가 미리 정해 준 보기 중에서 고릅니다.
영상의 예시는 이렇습니다. “환불은 필요 없고 지난달 결제 내용만 확인하고 싶습니다”라는 문의에 세 가지를 한꺼번에 묻습니다. 환불을 요청하는가? 어떤 요청인가? 얼마나 급한가? 답은 다음과 같았습니다.
- 환불일 확률: 1%
- 요청 갈래: 결제 내역 조회 97%
- 긴급도: 0.1점
“환불”이라는 단어가 버젓이 들어 있는데도 결제 내역 조회로 판단한 것입니다. 발표자는 이것을 두고 “단어를 세는 게 아니라 문장의 뜻을 본다”고 설명합니다. 반대로 “같은 주문으로 돈이 두 번 나갔습니다. 하나는 돌려주세요”라고 물으면 환불일 확률이 98%로 올라가고, 갈래도 환불 요청으로 바뀝니다.
이 구조의 장점은 두 가지입니다. 첫째, 기존 모델은 문장으로 답하기 때문에 프로그램이 그 답이 형식에 맞는지 한 번 더 걸러야 합니다. 제브는 프로그램이 실제로 필요한 한 줄만 돌려줍니다. 둘째, 답이 들어갈 자리를 사람이 먼저 정해 두니 없는 이야기를 지어내는 일이 구조적으로 생기지 않습니다.
다만 발표자는 선을 분명히 긋습니다. 보장되는 것은 형식이지 답의 정답 여부가 아닙니다. 보기를 잘못 주면 잘못된 보기 중에서 정확하게 하나를 고를 뿐입니다.
클로드와 경쟁하지 않고 옆에 두는 이유
회사는 이런 부류를 시스템 원 모델이라고 부릅니다. 혼자 쓰는 도구가 아니라 클로드 옆에 붙이는 보조 도구라는 뜻입니다.
클로드도 이런 판단을 할 수 있습니다. 문제는 느리고 비싸다는 점입니다. 클로드에게 댓글 100건을 분류해 달라고 하면 한 건씩 읽고 문장으로 답하느라 몇 분이 걸립니다. 제브는 같은 일을 몇 초 만에, 비용도 몇 원 수준으로 끝냅니다. 발표자는 이렇게 정리합니다. “경쟁하는 사이가 아니라 같이 쓰는 사이입니다.”
제브가 화제가 된 이유도 여기 있습니다. 그동안 프로그램 안에 AI 판단을 넣고 싶어도 비용과 속도 때문에 넣지 못했는데, 판단 한 번이 0.5초에 0.03원이 되면서 예전에는 엄두도 못 내던 자리에 판단을 넣을 수 있게 됐다는 것입니다. 발표자는 이것이 공개 첫 주부터 개발자들이 열광한 이유라고 봅니다.
싸고 빠른 이유, 그리고 맡기면 안 되는 일
제브가 돌려주는 답의 모양은 앞서 본 세 가지뿐이고, 그 밖의 것은 아예 내놓지 못합니다. 글을 쓰지 않으니 시간이 걸리지 않고, 받을 돈도 없습니다. 회사는 기존 모델보다 수십 배에서 수백 배 빠르다고 주장하는데, 발표자가 직접 써 보니 “기다린다는 느낌이 아예 없고 누르면 답이 이미 나와 있다”고 합니다.
가격은 입력 100만 토큰에 4센트이고, 답으로 나가는 토큰에는 돈을 받지 않습니다. 발표자 표현으로는 5,000원어치만 넣어도 웬만큼 써서는 다 쓰지 못합니다. 다만 이 가격이 계속 유지된다는 보장은 회사도 할 수 없다고 적어 두었다고 합니다.
맡기면 안 되는 일도 분명합니다. 회사가 직접 약점이라고 밝힌 여섯 가지는 글쓰기, 대화, 추론, 세기, 계산, 날짜입니다. 이 점을 모르고 쓰면 실망하게 됩니다. 발표자의 요약은 간단합니다. “판단은 제브가 하고 글은 클로드가 씁니다.”
클로드 코드에 제브 붙이기
설치 과정은 1분도 걸리지 않았다고 합니다.
- 브라우저에서 타입세이프 AI를 검색해 사이트에 들어갑니다. 카드 등록이나 선충전은 필요 없고, 구글 계정으로 몇 초 만에 시작할 수 있습니다.
- 개발자 콘솔 화면 왼쪽에 API 키, 사용량, 바로 시험해 보는 플레이그라운드가 나란히 있습니다. API 키 메뉴에서 키 생성 버튼을 누르고 이름을 적으면 키가 나옵니다. 키는 나중에 지우거나 잠시 꺼 둘 수도 있습니다.
- 발급한 키는 프로젝트 안에 따로 저장해 둡니다.
- 홈 화면의 “카피 에이전트 프롬프트” 버튼을 눌러 복사한 뒤 클로드 코드에 붙여 넣으면, 클로드가 타입세이프 공식 스킬을 설치합니다. 코드나 설정 파일을 만들 필요가 없습니다.
여기서 키를 묻지 않는 이유도 설명합니다. 이 공식 스킬은 실행되는 프로그램이 아니라 안내서입니다. 클로드가 제브를 쓸 때 공식 문서를 어디서 읽고 어떻게 설계할지 알려 줄 뿐이고, 키는 실제로 제브를 부르는 코드를 만들 때 넣습니다.
마지막 단계로 발표자는 원하는 방향을 적은 문서 한 장을 준비했습니다. 어떤 판단을 시킬지, 답을 어떤 모양으로 받을지 같은 내용만 담긴 평범한 문서입니다. 이 문서와 키를 함께 건네자 클로드가 공식 스킬을 따라 문서부터 읽고, 필요한 것을 만들고, 시험까지 직접 돌렸습니다. 발표자가 직접 친 코드는 한 줄도 없었다고 합니다.
이렇게 만든 스킬은 두 가지입니다.
- 모델 고르기 스킬: 일의 무게를 재서 그 일에 맞는 모델을 자동으로 고릅니다.
- 대량 분류 스킬: 메일처럼 쌓인 정보를 한꺼번에 분석해 급한 건과 갈래를 나눕니다.
여기에 “제브 온”이면 켜지고 “제브 오프”면 꺼지는 슬래시 명령어도 만들어 두었습니다.
활용 1: 일의 무게에 따라 모델 자동으로 고르기
클로드 코드는 세션을 열 때마다 쓸 모델이 미리 정해져 있습니다. 어려운 설계를 맡길 때는 페이블이나 오퍼스로 올리고, 파일 하나 찾을 때는 하이쿠로 내리는 게 맞습니다. 하지만 발표자는 솔직하게 말합니다. “저는 못 바꿉니다. 귀찮고 무엇보다 까먹어요.” 올려 둔 걸 안 내려서 잔일에 오퍼스가 나가고, 내려 둔 걸 안 올려서 어려운 일을 작은 모델이 맡습니다. 어느 쪽으로 맞춰 둬도 손해입니다.
제브를 붙이면 요청이 들어올 때 제브가 먼저 읽고, 1초도 안 돼 무게를 정합니다.
| 일의 무게 | 배정 모델 |
|---|---|
| 가벼운 일 | 하이쿠 |
| 일상적인 일 | 소넷 |
| 무거운 일 | 오퍼스 |
| 아주 중요한 일 | 페이블 |
실제 시연에서 “지난달 정산 파일이 어느 폴더에 있는지 찾아 달라”고 하자 제브는 가벼운 일로 보고 하이쿠 담당에게 넘겼습니다. 반대로 “운영 중인 백엔드 코드를 고쳐 달라”고 하자 같은 제브가 페이블 담당에게 넘겼습니다.
얼마나 아낄 수 있나: 정직한 계산
이 부분이 영상에서 가장 신뢰가 가는 대목입니다. 발표자는 절감 효과의 한계를 스스로 짚습니다.
- 읽는 값은 그대로입니다. 일은 싼 모델로 넘어가지만, 사용자가 친 요청을 읽는 것은 원래 세션 모델이 합니다. 아껴지는 것은 읽는 값이 아니라 일하는 값입니다.
- 판단 비용은 0.03원입니다. 이 값을 내면 그 일이 오퍼스 대신 하이쿠로 가고, 남는 것은 두 모델의 가격 차이만큼입니다.
- 판단 한 번에 0.7초가 붙습니다. 잔일 한두 개만 하는 날은 오히려 손해일 수 있습니다. 쉬운 일이 많이 섞인 날일수록 이득이 큽니다.
- 왕복 비용도 따져야 합니다. 싼 모델에 넘겼는데 결과가 시원찮아 다시 큰 모델을 부르면, 그 왕복까지 더해야 진짜 절감액이 나옵니다.
그래도 확실한 것은 모델을 고르는 판단을 사람이 하지 않아도 된다는 점입니다. 한 달 동안 돌려 본 것은 아니지만, 발표자는 비용이 확실히 크게 줄어든다고 보고 시청자에게도 직접 시험해 보길 권합니다.
활용 2: 쌓인 메일과 댓글 한꺼번에 분류하기
시작 전에 발표자가 짚는 주의점이 있습니다. 이 모델이 주로 배운 언어는 영어이고, 다른 언어는 품질이 같지 않다고 회사가 직접 밝혔습니다. 그래서 발표자는 한국어 자료로 직접 돌려 봤습니다.
메일: 쌓여 있던 메일에 세 가지를 물었습니다. 답장이 필요한가? 얼마나 급한가? 어느 갈래인가? 그 결과 까맣게 잊고 있던 메일 하나가 걸려 나왔습니다. 보낸다고 해 놓고 보내지 않은 답장이었습니다. 안 읽은 게 아니라 쌓여 있어서 보이지 않았던 것입니다. 발표자는 이것을 가장 큰 수확으로 꼽습니다.
댓글: 코드는 한 줄도 고치지 않고 묻는 내용만 바꿨습니다. 직전 영상 댓글 중 발표자가 단 답글을 뺀 81건을 여섯 갈래(자료 신청, 질문, 칭찬, 제안, 불만, 홍보)로 나눴습니다. 81건 처리에 5.3초, 비용은 2.7원이 들었습니다.
결과는 칭찬 35%, 자료 신청 20%, 불만 20%였습니다. 좋은 점은 댓글창을 위에서부터 훑으며 무엇부터 볼지 고를 필요가 없어진다는 것입니다. 답해야 할 불만이 16건 쌓여 있다는 사실이 먼저 보이니, 불만부터 열고 자료 신청, 칭찬 순으로 처리했습니다. 답이 빨라지니 불만이 쌓이는 일도 줄어듭니다.
처음 돌렸을 때는 자동 처리 비율이 35%에 그쳤습니다. 원인을 보니 홍보로 잡힌 22건이 전부 발표자 본인이 단 답글이었습니다. 그것을 빼고 다시 돌리자 자동 처리 비율이 74%로 올라갔습니다.
실전 가이드
영상 내용을 바탕으로 따라 해 볼 수 있는 시나리오 세 가지입니다.
시나리오 1: 제브 연결하기 (소요 시간 약 5분)
- 타입세이프 AI 사이트에 구글 계정으로 가입합니다. 카드 등록은 필요 없습니다.
- API 키 메뉴에서 키를 만들고, 프로젝트 안에 따로 저장합니다.
- 홈 화면의 “카피 에이전트 프롬프트”를 복사해 클로드 코드에 붙여 넣고 공식 스킬을 설치합니다.
- 이 단계에서는 키를 묻지 않는 게 정상입니다. 공식 스킬은 안내서일 뿐입니다.
시나리오 2: 모델 자동 고르기 스킬 만들기
- “요청의 무게를 가벼움, 일상, 무거움, 아주 중요함으로 나누고 각각 하이쿠, 소넷, 오퍼스, 페이블에 배정한다”처럼 원하는 방향을 문서 한 장에 적습니다.
- 이 문서와 API 키를 클로드 코드에 함께 건네 스킬을 만들고 시험하게 합니다.
- “제브 온”, “제브 오프” 같은 슬래시 명령어로 켜고 끌 수 있게 만듭니다.
- 파일 찾기 같은 가벼운 요청과 운영 코드 수정 같은 무거운 요청을 각각 던져 제대로 갈리는지 확인합니다.
- 잔일이 한두 개뿐인 날은 판단 지연 0.7초 때문에 오히려 손해일 수 있으니 꺼 두는 것도 방법입니다.
시나리오 3: 쌓인 메일과 댓글 분류하기
- 묻고 싶은 질문을 정합니다. 메일이라면 “답장이 필요한가? 얼마나 급한가? 어느 갈래인가?”, 댓글이라면 갈래 여섯 가지처럼 보기를 분명히 정의합니다.
- 분류 전에 내가 쓴 답글처럼 대상이 아닌 데이터를 먼저 빼세요. 영상에서는 이것 하나로 자동 처리 비율이 35%에서 74%로 올라갔습니다.
- 결과를 갈래별로 모아 불만이나 급한 건부터 처리합니다.
- 한국어는 품질이 영어와 같지 않다고 회사가 밝혔으니, 처음 몇 번은 결과를 직접 확인합니다.
비판적 검토
영상의 강점은 정직함입니다. 제브의 약점 여섯 가지, 형식만 보장되고 답은 보장되지 않는다는 점, 읽는 값은 줄지 않는다는 점, 판단마다 0.7초가 붙어 손해 보는 날도 있다는 점까지 스스로 짚습니다. 첫 분류에서 자동 처리 비율이 35%에 그쳤다가 원인을 찾아 74%로 올린 과정을 그대로 보여 준 것도 실무자에게 유용합니다.
다만 아쉬운 점도 있습니다. 첫째, 절감 효과는 한 달 동안 측정한 결과가 아니라 발표자의 판단에 기댄 것입니다. 발표자 스스로 “한 달을 돌려 본 건 아니”라고 밝혔습니다. 둘째, 모델 고르기 스킬이 무게를 잘못 판단한 사례나 그 비율은 나오지 않습니다. 싼 모델로 보냈다가 다시 큰 모델을 부르는 왕복 비용도 언급만 했을 뿐 수치로 보여 주지 않았습니다. 셋째, 개인 자료라는 이유로 메일 분류 화면은 공개되지 않았습니다. 넷째, 가격은 회사도 유지를 보장하지 않는다고 했으니 도입 시점의 가격을 다시 확인해야 합니다.
데이터 기반 인사이트
영상에서 언급된 수치를 정리하면 다음과 같습니다.
| 항목 | 수치 | 출처 |
|---|---|---|
| 판단 1회 응답 시간 | 약 0.5초 | 발표자 |
| 판단 1회 비용 | 약 0.03원 | 발표자 실측 |
| 판단 1회 추가 지연 | 0.7초 | 발표자 실측 |
| 입력 가격 | 100만 토큰당 4센트 | 회사 가격 정책 |
| 출력 가격 | 무료 | 회사 가격 정책 |
| 기존 모델 대비 속도 | 수십 배에서 수백 배 | 회사 주장 |
| 환불 문의 예시 | 환불 1%, 결제 내역 조회 97% | 시연 |
| 반대 예시 | 환불 98% | 시연 |
| 댓글 분류 | 81건, 5.3초, 2.7원 | 발표자 실측 |
| 1,000건 환산 비용 | 32원 | 발표자 추산 |
| 댓글 분포 | 칭찬 35%, 자료 신청 20%, 불만 20% | 발표자 실측 |
| 불만 댓글 수 | 16건 | 발표자 실측 |
| 자동 처리 비율 | 35%에서 74%로 향상 | 발표자 실측 |
| 잘못 잡힌 홍보 | 22건(모두 본인 답글) | 발표자 실측 |
81건에 2.7원이면 한 건당 약 0.033원으로, 판단 1회 비용 0.03원과 맞아떨어집니다. 1,000건을 32원으로 잡은 추산도 같은 단가로 계산한 값입니다. 대량 분류에서는 건수가 늘어도 비용이 건수에 비례해서만 늘고, 절대 금액 자체가 매우 작습니다.
핵심 요점
- 판단과 생성을 나눠 쓰세요. 제브는 정해 둔 보기 중에서 고르기만 하고, 글과 코드는 클로드가 맡습니다. 둘은 경쟁 관계가 아니라 같이 쓰는 도구입니다.
- 형식은 보장되지만 정답은 보장되지 않습니다. 보기를 잘못 주면 잘못된 보기 중에서 고릅니다. 결과의 질은 보기를 얼마나 잘 설계하느냐에 달려 있습니다.
- 모델 자동 고르기는 쉬운 일이 많은 날에 이득입니다. 읽는 값은 그대로이고 판단마다 0.7초가 붙으니, 잔일이 적은 날은 손해일 수 있습니다. 가장 확실한 효과는 사람이 모델을 바꾸는 수고와 깜빡하는 실수가 사라진다는 점입니다.
- 대량 분류 전에는 데이터부터 정리하세요. 본인 답글 22건을 빼는 것만으로 자동 처리 비율이 35%에서 74%로 올랐습니다.
- 가장 큰 가치는 놓칠 뻔한 것을 잡는 일입니다. 발표자가 꼽은 최고의 성과는 비용 절감이 아니라, 보내기로 해 놓고 잊었던 답장 메일을 찾아낸 것이었습니다.
요약자 노트
- 이 요약은 영상 자막만을 근거로 작성했습니다. 자동 생성 자막이라 “제브”가 “재부”, “제부”로, “74%”가 “7시 14%”로 표기되는 등 오인식이 많아 문맥에 맞게 해석했습니다.
- 환불 문의 예시의 긴급도 점수는 자막상 “0.1점”으로 읽히지만 만점 기준 표기가 불분명합니다.
- 입력 가격 설명 중 “5,000원어치만 넣어도” 이어지는 구체적인 토큰 수가 자막에서 누락되어 수치를 적지 않았습니다.
- 공개 시점은 영상 속 “이번 달 15일”이라는 표현만 있고 정확한 연월은 자막에 나오지 않습니다.
- 모든 비용과 시간 수치는 발표자 개인 환경에서 측정한 값이며, 가격 정책은 바뀔 수 있습니다.
- 추출 일자: 2026-09-26
참고자료
- 타입세이프 AI 홈페이지: https://typesafe.ai
- 영상 원본: https://youtube.com/watch?v=5LFwLd7ZPvY