요약
타입세이프 AI가 앤드리슨 호로위츠 주도로 기업가치 75억 달러에 8억 7000만 달러를 투자받았습니다.
타입세이프 AI는 소프트웨어 안에서 결정을 내리는 모델 Jev를 만든 AI 연구소입니다. 회사 블로그에 시리즈 A 투자 소식과 이 돈을 어디에 쓸지를 밝혔습니다.
왜 중요한가
- 범용 언어 모델이 아니라 정해진 선택지 안에서 판단만 하는 좁은 모델에 대형 투자가 들어갔습니다.
- 회사는 Jev 하나에 머물지 않고 모델과 개발 인프라, 기업용 기능까지 사업을 넓히겠다고 했습니다.
핵심 내용
- 앤드리슨 호로위츠가 투자를 이끌었고 세쿼이아 캐피털, 기존 투자사 DCVC, 엔젤 투자자들이 참여했습니다.
- 마틴 카사도가 이사회에 합류합니다.
- 회사는 포춘 500 기업의 3분의 1이 Jev를 쓰고 있다고 주장했습니다.
- 실제 서비스에서 고객 비용을 수백만 달러 줄였다고도 했습니다.
- 개발자에게는 '기계 친화적(machine-native)' 모델을 더 내놓고 소프트웨어 개발 인프라를 넓혀 주겠다고 약속했습니다.
HN 반응
- Jev 공개 몇 주 만에 비슷한 오픈소스 모델과 OpenAI·마이크로소프트의 모델이 나와 해자(따라잡기 어려운 우위)가 없다는 지적이 많았습니다.
- 반면 모델보다 그 위에 얹는 제품과 브랜드가 중요하다는 반론과, 투자자들이 대형 AI 연구소의 인수를 노린다는 해석도 나왔습니다.
이상하죠. Jev가 나오고 이틀 만에 의사결정 모델이 열두 개쯤 나왔고, 일주일 뒤에는 수십 개가 됐는데 대부분 오픈소스예요. 오픈AI의 Decisions API [1]는 Jev보다 성능이 좋고, 직접 파인튜닝하기도 쉽고요 [2]. 그래도 다른 분들이 말씀하셨듯 그건 중요하지 않습니다.
EDIT: 이 글을 쓰는 사이에 마이크로소프트가 자체 Decision-1 모델을 내놨네요 [3].
[1] https://developers.openai.com/api/docs/guides/decisions
[2] https://unsloth.ai/docs/basics/train-your-own-decision-model-with-unsloth
[3] https://commandline.microsoft.com/microsoft-decision-1-model-foundry/
의사결정 모델은 지금까지 LLM이 현실 세계에 준 영향(이미 상당히 크죠)보다 더 큰 영향을 줄 가능성이 있습니다. 하지만 모델 자체보다 모델을 중심으로 만드는 제품 경험이 더 중요합니다. 기존 업체들은 이 분야를 "아, 그런 것도 하나 내놓고 잊어버리면 되겠지" 정도로 대하고 있을 가능성이 아주 높고, 의사결정 모델 위에 업무 프로세스를 구축하는 일이 어떤 모습일지에는 투자하지 않고 있습니다. 완전한 언어 모델과 달리 타입세이프의 주력 사업은 API 가격으로 Jev를 제공하는 일이 아닐 것으로 봅니다. 훨씬 더 비싼 소프트웨어 제품군의 중심에 Jev를 두는 모습에 가까울 겁니다.
LLM과는 정반대의 판이 될 수도 있습니다. LLM은 모델만 중요해 보이고, 각 연구소가 모델 위에 만드는 제품은 하나같이 비슷하고 따분합니다. 왼쪽 패널에 에이전트 목록, 가운데 에이전트 대화창, 오른쪽에 추가 맥락이 있고, 이제는 다들 이 기술 위에 똑같은 앙증맞은 털북숭이 친구를 얹는 시대가 됐죠.
이건 아주 중요한 통찰입니다. 그리고 LLM에도 똑같이 적용됩니다. GPT 3의 성능에 감탄한 사람은 거의 없었고, 기술에 밝은 사람들 사이의 신기한 물건 정도에 그쳤습니다.
그런데 gpt 3.5 위에 채팅을 얹자 갑자기 엄청난 인기를 끌었습니다. 물론 3에서 3.5로 넘어오며 모델도 개선됐지만, 가장 큰 영향은 채팅 경험에서 나왔습니다.
반대로 50여 년 전에 만들어진 기본적인 챗봇 Eliza는 AI 모델이 지금과 비교하면 극히 초보적이고 단순했는데도 중독되는 사람들이 있었습니다. 모델의 성능보다 채팅이 만들어 낸 경험이 더 중요했던 겁니다.
왜요?
기업 환경(또는 그 밖의 중요도가 높은 환경)에서 "시스템 1 의사결정 모델"(로지스틱 회귀나 출력/로짓 공간 위의 보정되지 않은 분류기 등)을 그대로 쓸 때 큰 한계가 있습니다. 이런 추정기는 공변량 이동(covariate shift)이 있을 때 예측 불확실성을 믿을 만하게 추정하지 못하고, 인스턴스 단위의 데이터 귀속(즉 예시 기반 해석 가능성)을 제공할 방법도 없습니다. 그래서 검증, 라우팅, 검색과 도구 호출에 대한 불확실성 판단 등에는 이상적인 추정기가 아닙니다.
신경망으로 의사결정을 하려면 오히려 더 오래된 발상이 필요합니다. 유사도-거리-크기(Similarity-Distance-Magnitude) 추정기처럼, (추정기의 학습/지지 집합에 대해) 특징 표현 공간에 제약을 두고 예측 불확실성을 추정하는 방식입니다: https://pypi.org/project/reexpress-sdm/
최근 대기업 안에서 "AI 솔루션"을 구현하는 당사자이거나 그런 사람과 이야기해 보셨다면 아실 텐데, 상당 부분이 아주 기초적인 맥락만 가지고 하는 소프트 정책 집행입니다. 그런 곳들이 gemini 2.5 flash lite 같은 모델에서 Jev로 옮겨 갔어요. 트위터에서 "GPT Astra"와 가격을 비교하는 게 좀 웃겼던 것도 그래서입니다.
맞아요, 이런 범용 분류기는 똑똑한 switch 문이라고 생각하는 게 가장 좋습니다. "JEV" 같은 것이 일종의 프로그래밍 기본 요소(primitive)가 되는 거죠. 이걸 알아보고 나면 흥분하지 않기가 어렵습니다.
하지만 다른 곳들이 이를 넘어서고 더 나은 솔루션을 내놓는다 해도, 타입세이프 이전에는 아무도 이걸 보지 못했다는 사실이 그들이 다음에 무엇을 내놓을지를 보여 주는 증거라고 생각합니다.
팬보이처럼 들리겠지만, 맹세코 저는 타입세이프와 아무 관련이 없습니다. 저도 JEV가 발표되기 훨씬 전부터 비슷한 것을 만들고 있었습니다(제 건 ALE였고 HN에서 잠깐 언급된 적도 있습니다). VR 게임에서 쓰고 있었고, 음성으로 NPC에게 명령을 내릴 수 있고 여러 명령을 한 번에 순서대로 처리합니다. 하지만 저는 다른 모든 사람처럼 새로운 기본 요소라는 "킬러 유스케이스"를 놓쳤습니다.
요약하면, 앞서 생각하고 미래를 내다보는 데는 큰 가치가 있습니다. 복제품들도 멋지고 흥미롭지만, 제게는 "내가 먼저 만들 수도 있었어, 하지만 넌 안 만들었잖아" 하는 느낌을 줍니다. 이들이 계속 이어 가며 이 분야를 다시 한번 앞으로 밀고 나가기를 바랍니다.
반론을 하나 들자면, 한 방으로 끝난 사람은 정말 많고, 아이디어를 계속 뽑아내는 사람보다 훨씬 많습니다. 그런 사람들을 깎아내리려는 건 아닙니다. 아이디어 하나로 크게 성공할 수 있으니까요(저커버그를 보세요). 하지만 그다음 아이디어도 훌륭하리라는 뜻은 아닙니다(저커버그를 보세요).
당신 블로그 글 기억나요! 써 주셔서 고맙습니다. 꽤 멋지고 실용적인 활용 사례였어요.
관심 있는 분이 있을까 봐 링크 남깁니다: https://pantel.is/projects/ai-gaming-companion/
솔직히 저는 여기서 조금도 흥분되지 않네요. 평소에는 AI에 열광하는 편인데도요.
네, 전체 토큰 어휘가 아니라 주어진 선택지 집합에 대한 확률을 생성하는 거죠.
구조화된 출력 옵션을 API로 지원하는 기존 LLM과 비교해서 뭐가 그렇게 흥분할 일인지 모르겠어요.
맞는 말씀입니다. 아주 낮은 지연 시간이 필요한 대량 분류 작업이라는 아주 좁은 영역에는 훌륭한 솔루션이에요. 하지만 그게 전부입니다.
저는 과대광고 때문에 제 제품에 Jev를 계속 평가해 보고 있습니다. 하지만 제 작업에는 Luna가 더 정확하고 가격도 조금밖에 안 비싸며 지연 시간은 상관이 없습니다. 추론 수준을 바꾸거나 평가용으로 추론 요약을 받을 수 없게 되는 데다 API와 공급자를 하나 더 억지로 끼워 넣느니, 한 달에 50달러쯤 더 내는 쪽을 택하겠습니다.
셀프 호스팅 오픈소스 의사결정 모델은 살펴보셨나요? 성능도 꽤 괜찮고, 훨씬 빠르고 통합하기도 훨씬 쉬운 데다 돈도 안 들거든요.
하지만 Jev가 브랜드를 확립했고, 투자자들은 Jev가 곧 대형 연구소 중 한 곳에 인수될 거라는 쪽에 걸고 있습니다. 인수되지 않더라도 그 돈 자체가 Jev가 뛰어난 인재를 영입하고 회사를 빠르게 키우게 해 줘서 좋은 결과를 만들 수 있고요.
빠르게요? 2년간의 스텔스 모드를 2주 만에 따라잡혔는데요.
화제를 만든 건(마케팅을 잘했죠) 인정하고, 쓸 만한 분류기를 만든 것도 인정합니다. 하지만 뭘 빠르게 키운다는 건지는 모르겠네요.
요즘은 게임의 절반이 마케팅이라는 생각이 들어서, 투자자에게 매력적으로 보일 만하다는 건 이해가 돼요. 규모를 키우면 뭔가 내놓을 수도 있겠죠.
제 생각엔 원래부터 그랬어요.
피트니스 앱은 뭐든 금방 복제할 수 있지만 그래 봐야 거의 한 푼도 못 법니다. 브랜드 인지도가 정말 중요해요.
100% 맞습니다. 이제는 제품의 완성도와 마케팅이 "해자"예요.
그렇긴 한데 피트니스 앱을 쓰는 데도 네트워크 효과가 있잖아요. 제가 아는 엔지니어들은 Codex와 Claude Code 중 한쪽이 더 나아지면 쉽게 갈아탑니다.
Jev는 나온 지 몇 주밖에 안 됐어요. 비용과 성능이 무엇보다 중요하고요. 기존 공급자를 계속 쓰는 게(프런티어 API 키가 이미 있는데 Jev를 고르는 사람은 아마 0명이겠죠?) 이쪽으로 옮기는 것보다 훨씬 쉽습니다.
대체 우리가 무슨 얘기를 하고 있는 겁니까.
기업은 한번 쓰면 잘 안 바꾸는데, Claude와 Codex 중에서 고르고 있지도 않아요. 많은 기업이 Kiro 같은 걸 보고 있습니다.
실리콘밸리의 전형적인 되팔기 수법이에요. 투자자, 경영진, 영업 인력을 키우고, 필요하지도 않은 엔지니어를 잔뜩 뽑은 다음 회사를 팝니다. 회사의 제품은 중요하지 않아요. 회사 자체가 제품이니까요.
대부분은 그 역할에 맞게 파인튜닝한 작은 LLM으로 보입니다.
그건 크기, 비용, 지연 시간 면에서 성질이 다른 물건입니다. Jev는 (제가 내부를 본 건 아니니 겉보기로는) 극도로 저렴하고 극도로 빠르고, 출력을 기본 형식 그대로 말하기 때문에 출력 토큰 비용이 들지 않고, 형식을 기본으로 말하니 출력을 틀릴 수도 없습니다. 그리고 (문서로 보건대) 맥락이 질문과 분리되어 있어서 프롬프트 인젝션 공격에 면역이거나 적어도 매우 강할 겁니다.
결과의 정확도만 문제가 아니라, Jev를 흥미롭게 만드는 건 이런 특성들의 총합입니다.
Jev는 개발에 수년이 걸렸습니다. 출시 며칠 만에 급조된 모방품이 그 특성들의 합계를 따라올 수 있을지는 강하게 의심스럽습니다. 파인튜닝한 LLM이 순수 정확도에서는 앞서더라도요.
Jev는 몇 달 전에도 여러분이 좋아하는 LLM에게 알맞은 arXiv 논문(이 글타래에 링크된 것들 중 일부)을 알려 주기만 하면 제로샷으로 만들어 낼 수 있었던 물건입니다.
그래서 Jev 발표 며칠 만에 경쟁자가 그렇게 많이 나온 걸 수도 있겠네요. 처음부터 해자가 없었고, 앞으로도 해자가 보이지 않습니다. 모두가 "jev"와 비교하니 유행어로서의 인지도만 있을 뿐이에요.
LLM이 있어도 뭔가를 발굴하고 만들고 싶어 하는 사람은 항상 극소수일 뿐이고, 대부분은 기성품 솔루션을 원합니다.
그리고 Jev의 목적은 독자적인 무언가가 되는 게 아닙니다. 18개월 안에 앤드리슨 호로위츠의 끼리끼리 돌아가는 회사들 중 한 곳이 인수할 거고, 모두가 돈을 벌 겁니다. 인수하는 쪽도 Jev 자체로 큰돈을 벌든 말든 신경 쓰지 않을 거예요. 그냥 칩을 테이블 위에서 돌려 가며 주고받는 겁니다.
Jev는 개발에 수년이 걸리지 않았습니다. Jev가 하는 일은 2025년에 이미 arxiv에 발표됐어요. 타입세이프는 그걸 마케팅했을 뿐입니다.
구체적으로 어느 arxiv 논문을 말씀하시는 건가요?
https://arxiv.org/abs/2503.23303
그리고 https://arxiv.org/abs/2510.01237
네, 이 논문일 줄 알았어요.
"SalesRLAgent: A Reinforcement Learning Approach for Real-Time Sales Conversion Prediction and Optimization"
Jev는 범용이에요. 이건 특정 목적용이고요. 범용인 것과 특정 목적용인 것은 같은 게 아니잖아요. 왜 사람들이 이 둘을 같은 거라고 생각하는지 모르겠어요.
무슨 말씀이세요? Jev는 이 논문에 설명된 것과 사소하게 다를 뿐인데요.