75억 달러, 출시 수주 만에 도달한 비정상적 밸류에이션
2026년 9월 15일. TypeSafe AI가 공개한 비텍스트(non-text) AI 모델 ‘제브(Jev)’는 공개 직후 바이럴 확산을 거쳐, 한 달여 만인 10월 초 Andreessen Horowitz가 주도한 라운드에서 8억 7,000만 달러를 75억 달러 가치평가로 유치했다. Sequoia와 기존 투자자 DCVC가 함께 참가한 이번 라운드는 테크크런치 보도를 기준으로, 일반적인 AI 스타트업의 자금 조달 궤적을 크게 앞서는 수치다. TypeSafe 측은 ‘포춘 500 기업의 3분의 1이 이미 제브를 사용 중’이라고 자진 보고했으나, 이 수치는 외부 검증이 완료되지 않은 벤더 자체 주장으로 분류된다.
특히 시선이 집중된 부분은 ‘속도’다. 출시 시점부터 8억 7,000만 달러 규모의 라운드 마감까지 걸린 기간은 몇 주에 불과하다. 일반적인 시리즈 단계 AI 스타트업이 동일한 규모의 자금을 모금하는 데는 통상 6~12개월 이상이 소요되는 것을 감안하면, 이번 밸류에이션은 시장이 ‘텍스트 생성’ 중심의 LLM 패러다임을 넘어서는 대안 모델에 베팅하고 있음을 시사한다.
LLM의 자동화 한계와 제브 모델의 비텍스트 설계
TypeSafe AI 공동 창업자 Diogo Almeida는 공개 직후 인터뷰에서 ‘컴퓨터는 인간 언어와 다른 언어를 사용하기 때문에, 4년간의 LLM 성과만으로는 자동화에 충분하지 않다’고 진단했다. 이 진단은 LLM의 구조적 한계에서 비롯된다. LLM은 다음 토큰을 확률적으로 이어 붙여 텍스트를 생성한 뒤, 이를 다시 파싱해 시스템 신호로 변환하는 2단계 과정을 거친다. 이 과정에서 토큰 사용량과 추론 지연(latency)이 누적되며, 자동화 워크플로우가 고도화될수록 비용 곡선이 비선형적으로 증가하는 특성을 보인다.
반면 제브 모델은 트랜스포머 아키텍처를 계승하면서도 텍스트를 출력하지 않는다. 자연어 토크나이저 단계와 ‘텍스트 생성용 디코딩 루프’를 최소화하고, 태스크에 필요한 결정값—확률 분포 혹은 단일 보정값(calibrated decisions)—을 직접 반환한다. TypeSafe 측은 이를 통해 LLM 대비 토큰 소비량과 추론당 컴퓨트 비용이 모두 감소한다고 설명한다. 출력 자체가 결정 신호이므로, 다운스트림 RPA·분류기·의사결정 엔진은 텍스트 사후 파싱 단계 없이 입력을 받을 수 있다.
75억 달러 라운드의 의미와 ‘포춘 500 3분의 1’ 검증 과제
이번 라운드 구성이 시사하는 바는 적지 않다. Andreessen Horowitz는 LLM 후세대 영역에 대한 일관된 투자 기조를 유지해온 가운데, ‘비텍스트’라는 명확한 차별점을 내세운 모델에 75억 달러 가치평가를 부여했다. Sequoia의 동참은 모델 자체의 잠재력뿐 아니라, ‘LLM 보완재’와 ‘LLM 대체재’ 사이에서 시장이 어디에 무게를 두고 있는지를 보여주는 지표로 읽힌다.
다만 ‘포춘 500 기업의 3분의 1 도입’이라는 수치는 TypeSafe 측의 자기보고에 기반한다. 실제 도입 기업의 수, 활용 워크플로우의 깊이, 그리고 기존 자동화 시스템 대비 정량적 성과는 독립 검증이 필요한 영역으로 남아 있다. 업계에서는 ‘출시 직후의 급격한 자금 조달은 기술 자체의 신호가 아니라, 시장이 LLM 이후의 다음 카테고리를 선점하려는 경쟁의 신호’라는 해석도 제기된다. 같은 시기 OpenAI가 수학 분야 700여 편의 논문과 400여 개의 AI 생성 결과를 한꺼번에 공개한 더버지 보도와 교차해 보면, 빅테크와 신규 스타트업 모두 ‘결정·증명 출력’ 모델 영역을 탐색하는 움직임이 동시다발적으로 가속화되고 있음을 확인할 수 있다.
차세대 스핀아웃 흐름과 2026~2027년 자동화 시장 재편
제브 모델의 창업진 구성은 LLM 후세대 경쟁의 인력 흐름을 상징적으로 보여준다. Diogo Almeida(전 OpenAI 연구원), Sasha Sheng(전 Meta 연구 엔지니어), Erik Gafni(엔지니어·기업가)로 구성된 창업팀은 2024년 결성 이후 약 2년 만의 제품 공개와 대규모 자금 조달까지 이른 사례다. 빅테크 연구 조직 출신 인력이 LLM 본진의 설계 사상(다음 토큰 예측)을 그대로 계승하지 않고, ‘비텍스트 출력’이라는 다른 설계 사상을 선택해 스핀아웃했다는 사실은, 차세대 모델 경쟁이 아키텍처 다양화 국면으로 진입했음을 방증한다.
자동화 시장 관점에서 비텍스트 트랜스포머가 제시하는 변화는 비용 구조와 평가 기준 양쪽에 걸쳐 있다. 전통적인 LLM 기반 자동화는 ‘자연어를 흉내 내는 자동화’에 머물러 텍스트 파싱과 사후 검증에 상당한 운영 비용을 요구했다. 결정값을 직접 반환하는 모델은 이 구간을 압축해, ROI 산출 방식과 거버넌스 검토 항목 자체를 재정의할 잠재력을 가진다. 멀티에이전트 스웜(에이전트 swarm) 같은 다른 자동화 패러다임과 결합될 경우, 에이전트 간 핸드오프 단계에서 비텍스트 결정 모델이 핵심 컴포넌트로 자리 잡는 시나리오도 실무 차원에서 검토되고 있다. 멀디아의 ‘에이전트 스웜’ 승부수와 같이 자동화 영역의 다양한 접근이 병렬로 진화하는 국면이다.
도입 기업과 실무자 관점에서 주시할 지표는 크게 두 가지다. 첫째, 자동화 정확도 지표다. LLM 기반 워크플로우가 ‘문장형 응답의 정확도’로 평가되어 왔다면, 비텍스트 모델은 expected calibration error, reliability diagram, A/B 실험 프레임 같은 보정 품질 지표로 평가 기준이 이동한다. 둘째, 비용 곡선이다. 토큰 사용량과 추론 지연이 단일 워크플로우 단위에서 어느 정도 감소하는지에 대한 정량 데이터가 공개될 경우, 도입 기업의 의사결정 속도가 한층 빨라질 것으로 분석된다.
2026년에서 2027년으로 이어지는 기간은 비텍스트 트랜스포머가 LLM의 보조 도구를 넘어 기업용 자동화의 표준 인터페이스로 자리 잡는지가 검증되는 시점이 될 가능성이 높다. 제브 모델의 75억 달러 가치평가는 그 첫 번째 베팅이다.
참고 원문
이 기사는 다음 원문을 확인해 작성했습니다: TechCrunch — The maker of non-text AI model Jev valued at $7.5B just weeks after launch

답글 남기기