판단 전용 AI 모델 제브로 LLM 대비 지연·비용을 줄이는 법

TL;DR — 판단 전용 AI 모델 제브는 글을 만들지 않고 미리 정한 선택지 중 하나와 보정된 확률만 한 번에 돌려주므로, 분류·승인 같은 판단 호출의 지연과 파싱 부담을 줄입니다. 다만 속도와 비용 배수는 개발사가 직접 잰 수치라 자사 업무 문장으로 다시 검증해야 합니다.

2026년 프로덕션 운영 환경에서 인프라 담당자와 개발자가 문의 분류나 명령 승인 같은 분기 판단을 채팅형 LLM에 맡기고 있다면, 왜 느려지는지와 어떤 방식으로 판단 전용 AI 모델을 도입해 볼지를 먼저 정리해 두는 편이 안전합니다. 이 글은 클라우드네이티브TV가 공개한 영상 ‘판단만 전문인 AI 모델 제브, LLM 대비 40~200배 빠른 의사결정'(13분 안팎)을 캡처 9장과 함께 주장 단위로 풀어, 영상을 보지 않은 독자도 도입 근거를 얻어 가도록 정리했습니다. 영상은 TypeSafe AI가 공개한 제브의 정의와 구조, 출시 배경, 이름의 유래를 한 편에 담고, 이 글은 판단 전용 AI 모델의 구조부터 도입 기준까지를 그 순서대로 따라갑니다. LLM 지연이 병목인 팀이 가장 먼저 확인할 대목도 함께 짚습니다.

영상은 “ChatGPT가 말 잘하는 비서라면, 제브는 의사결정권자”라는 한 문장으로 시작해, 채팅형 LLM이 판단에서 막히는 이유와 이를 해결하려고 나온 제브의 구조를 차례로 보여 줍니다. 전체 발표 자료는 총 여섯 개 주제 가운데 첫 번째인 등장 배경과 핵심 개념을 다룹니다.

영상에서 다루는 순서는 다음과 같습니다.

• 채팅형 LLM의 판단 병목과 단일 에이전트의 네 가지 문제 (2:08)
• LLM의 순차 토큰 생성 구조 (4:39)
• 제브의 정의와 텍스트 없는 판단 반환 (5:27)
• 시스템 원 모델의 입출력 구조 (7:26)
• 카너먼의 두 사고 체계와 학습 방식 (8:30)
• LLM과 제브의 판단 경로 비교, 이름의 유래 (10:39)

판단 전용 AI 모델에 관한 영상의 설명을 질문으로 바꾸면 여덟 가지입니다. 아래 여덟 개 절이 이 순서대로 답합니다.

1. 판단까지 하나의 모델에 맡기면 왜 병목이 커지는가?
2. LLM은 왜 판단 하나에도 느린가?
3. 제브는 무엇을 돌려주는 모델인가?
4. 시스템 원 모델은 어떻게 입력받고 어떻게 답하는가?
5. 카너먼의 두 사고 체계는 이 모델과 무슨 관계인가?
6. 제브는 어떤 학습 방식과 배경에서 나왔는가?
7. LLM과 제브의 판단 경로는 어떻게 다른가?
8. 제브라는 이름에는 어떤 전망이 담겨 있는가?

채팅과 코드 작성에 쓰던 LLM이 널리 퍼지면서 같은 모델에 판단까지 맡기는 방식이 자리 잡았습니다. 문의를 분류하거나 명령을 승인하는 일은 예·아니오나 선택지 하나면 충분한 판단입니다. 영상은 이를 길만 물었는데 관광 해설사에게 긴 설명을 듣는 것에 빗댑니다. 기다리는 시간과 비용이 쌓이고, 답을 골라내는 코드도 따로 필요해집니다.

영상은 에이전트 하나에 모든 일을 맡길 때의 문제를 네 가지 병목으로 꼽습니다. 첫째는 거대한 컨텍스트 처리로, 읽을 내용이 많아 비용과 지연이 늘고 정확도가 떨어집니다. 둘째는 도구 실행의 불확실성으로, 외부 도구와 API의 동작을 예측하기 어려워 실패가 생깁니다. 셋째는 모델 선택의 어려움으로, 작업과 데이터마다 맞는 모델을 고르는 시행착오 비용이 듭니다. 넷째는 감사·승인 병목으로, 사람의 확인 절차가 실행을 늦춥니다.

▲ 단일 에이전트에서 커지는 네 가지 병목 (영상 2:52)

캡처 제목은 ‘단일 에이전트에 모든 일을 맡기면 병목이 커지는 문제’이고, 네 칸이 거대 컨텍스트 처리 부담, 도구 실행의 불확실성, 모델 선택의 어려움, 감사·승인 병목으로 나뉘어 있습니다. 네 칸 아래 파란 띠는 ‘글을 만드는 일과 판정하는 일을 모델 하나가 모두 떠안는 구조’가 공통 원인이라고 짚습니다. 영상은 이를 주방장 한 사람이 요리도 하고 계산도 하는 식당에 비유합니다.

여기서 얻을 결론은 모델을 키우면 해결된다는 방향이 아니라는 점입니다. 모델을 키워도 비용과 지연, 승인 대기가 함께 늘어납니다. 그래서 영상은 구조를 나누는 쪽이 답이라고 정리합니다. 판단 전용 AI 모델은 이 분리 구조에서 판정만 맡는 부품으로 제안됩니다. 즉 판단 전용 AI 모델의 출발점은 성능 경쟁이 아니라 역할 분리입니다.

우리는 LLM을 기다리는 데 익숙합니다. 코딩 에이전트가 추론하는 동안, 채팅 서비스가 답을 조금씩 내놓는 동안, 직접 만든 에이전트가 요청 한 건에 수십 초가 걸려 시간 초과가 나는 순간에도 기다립니다. 그런데 고객 문의를 경리, 개발, 영업 중 어디로 보낼지 고르는 일처럼 답이 정해진 판단도 있습니다. 이런 질문에도 LLM은 매번 정중한 설명 문단을 돌려줍니다. 영상은 우체국 창구에서 우편번호만 물었는데 긴 편지를 받는 셈이라고 말합니다.

느린 원인은 생성 방식에 있습니다. LLM은 토큰 하나를 만들 때마다 모델 전체를 한 번씩 돌립니다. 제이슨(JSON) 한 줄을 받으려 해도 토큰 수만큼 되풀이하고, 다 쓸 때까지 기다린 뒤에야 형식을 풀고 검증할 수 있습니다. 그래서 수 초에서 수 분이 걸리고, 형식이 깨지거나 필요 없는 설명이 섞일 수도 있습니다.

▲ 토큰마다 모델 전체를 돌리는 순차 생성 (영상 4:47)

캡처는 입력에서 출발해 화살표가 이어지며 중괄호, ‘dep’, ‘art’, ‘ment’ 같은 토큰이 하나씩 만들어지는 모습을 보여 줍니다. 화살표 하나가 모델 전체의 1회 실행이고, 아래에는 세 가지 부담이 붙어 있습니다. 전부 다 쓸 때까지 기다려야 하고, 그 뒤에야 파싱과 검증이 시작되며, 출력이 길어질수록 지연도 비례해 늘어납니다.

영상은 이 구조를 도장 하나 찍으면 될 일에 글자를 한 자씩 붓으로 써 내려가는 것에 빗댑니다. 원하는 것은 부서 이름 하나인데 과정은 글쓰기 전체를 거칩니다. 판단 호출이 자동화 전체를 느리게 만드는 뿌리, 곧 LLM 지연의 원인이 여기 있습니다. 판단 전용 AI 모델이 필요해지는 지점도 이 부분입니다.

그렇다면 제브는 무엇일까요. 영상의 정의는 단순합니다. 제브는 글을 만들지 않고 판단 결과만 돌려주는 모델입니다. 생성형 모델에 판단을 맡기면 문장이 나오고, 그 문장을 풀어서 값을 뽑아야 코드가 다음 단계를 고를 수 있습니다. 제브는 선택지 가운데 하나와 확률을 바로 돌려주기 때문에 문장을 만들고 푸는 단계가 통째로 빠집니다. 영상의 비유는 객관식 시험에서 답안지에 번호만 적어 내는 것입니다.

▲ 문장 대신 타입이 정해진 판단 값을 반환 (영상 6:29)

캡처 왼쪽에는 ‘텍스트를 생성하지 않고 판단 결과를 돌려주는 AI’라는 원 발표의 정의가 있고, 그 아래 생성 모델의 경로(문장, 파싱, 분기)와 제브의 경로(판단 값과 분기)가 나란히 비교됩니다. 오른쪽 표는 TypeSafe 공식 문서를 인용한 스펙으로, 영상은 이를 다음 수치로 읽어 줍니다.

• 요금은 입력 100만 토큰당 0.042달러이고, 출력에는 요금이 붙지 않습니다.
• 입력은 텍스트만 받습니다.
• LLM 대비 지연 시간은 70~500밀리초이고, 40배에서 200배 빠르다는 수치도 있습니다.

영상이 곧바로 단서를 붙인다는 점이 중요합니다. 이 수치는 TypeSafe가 직접 평가한 값입니다. 판단 전용 AI 모델의 도입 근거로 쓰려면 이 단서를 함께 가져가야 합니다. 형식을 맞춰 주는 구조와 값이 맞는 정확도는 별개의 문제이기 때문입니다.

영상은 이름의 유래도 이 대목에서 정리합니다. 회사 이름 타입세이프는 소프트웨어 공학의 타입 안전성에서, 제브는 경제학자 제번스의 이름에서, 시스템 원은 카너먼이 말한 빠른 사고에서 왔습니다. 타입 안전성은 값의 형식이 어긋나지 않게 하는 성질이라, 선택지 밖의 답이 나올 수 없는 제브의 출력 구조와 맞닿아 있습니다. 다만 영상은 형식이 맞는다고 값까지 맞는 것은 아니라고 분명히 말합니다.

제브가 속한 부류의 이름이 시스템 원 모델입니다. 입력은 두 가지입니다. 하나는 상황을 적은 글로 스테이트(state)라고 부르고, 다른 하나는 선택지가 정해진 질문인 퀘스천(questions)입니다. 제브는 이 둘을 한 번에 읽고 답과 선택지별 확률을 돌려줍니다. 글을 만들지 않으니 형식이 깨질 일이 구조적으로 없고, 선택지 밖의 답은 처음부터 나올 수 없습니다. 영상은 메뉴판에 없는 음식은 주문할 수 없는 식당에 비유합니다.

▲ state와 questions를 넣으면 답과 확률이 나온다 (영상 7:55)

캡처 왼쪽의 입력에는 ‘도착한 문의 본문’을 예로 든 state와 ‘담당 부서는? (경리·개발·영업)’을 예로 든 questions가 있습니다. 가운데 상자는 단일 병렬 패스로 처리하는 제브이고, 오른쪽 출력에는 답이 경리, 선택지별 확률, 그리고 확신도 0.91이 적혀 있습니다. 확신도는 화면 설명대로 선택지를 고르는 Choice와 점수를 매기는 Score 질문에만 함께 나옵니다.

여기서 영상이 바로잡는 내용이 있습니다. 원 발표는 모든 답에 확신도가 붙는다고 했지만, 공식 문서 기준으로는 Choice와 Score 질문에만 붙습니다. 또 이 모델이 똑똑한 if 문이라는 별명으로 해설 글에서 널리 쓰이지만 공식 블로그 본문에서는 확인하지 못했다고 영상은 밝힙니다.

실무에서 읽어야 할 점은 질문을 어떻게 짜느냐가 곧 품질이라는 것입니다. 선택지가 정해진 구조라서 선택지 설계가 잘못되면 답도 처음부터 어긋납니다. 판단 전용 AI 모델을 도입할 때는 모델을 고르는 일만큼 판단 질문과 선택지를 정리하는 일이 중요합니다.

타입세이프는 심리학의 개념을 빌려 왔습니다. 대니얼 카너먼의 책 『생각에 관한 생각』은 사람의 사고를 둘로 나눕니다. 시스템 투는 수학 문제를 풀거나 코드를 짜는 느리고 신중한 사고이고, 시스템 원은 생각 없이 바로 나오는 판단입니다. 영상은 ‘저 떡볶이 빨갛네’ 하고 보자마자 아는 것을 시스템 원의 예로 듭니다.

▲ 빠른 직관과 느린 숙고, 두 사고 체계 (영상 8:31)

캡처 위쪽 노란 띠는 ‘지금까지의 LLM·추론 모델은 모두 느린 숙고(System 2) 쪽을 흉내 냄, 반사처럼 즉시 끝나야 하는 판단은 맡길 모델이 없었음’이라고 요약합니다. 아래에는 느리고 신중한 System 2와 빠른 직관의 System 1이 좌우로 놓여 있고, 오른쪽 System 1 칸에 제브가 들어갑니다. 하단 문구는 ‘지금까지의 AI가 뇌라면, 제브는 처음 나온 반사신경’이라는 비유입니다.

이 비유가 말하는 바는 판단 전용 AI 모델인 제브를 새 도구가 아니라 새 역할을 맡은 AI로 보라는 것입니다. 뇌가 하는 숙고를 대체하는 것이 아니라, 반사처럼 끝나야 하는 판단을 따로 떼어 맡는다는 뜻입니다. 앞 절의 구조 분리와 같은 이야기를 심리학 용어로 옮긴 셈입니다.

이 모델을 만든 회사와 학습 방식도 영상이 짚습니다. 화면의 계보에서 출발점은 사전학습 LLM, 곧 다음 토큰을 예측하는 텍스트 생성기입니다. 여기에 사람의 피드백으로 학습시켜 채팅 모델이 나왔고, 이 학습법이 RLHF입니다. 이어서 검증할 수 있는 보상으로 학습시켜 추론 모델이 나왔습니다. 타입세이프는 여기에 보정된 결정을 위한 강화학습, 줄여서 RLCD를 더했습니다. 사람의 선호가 아니라 판단 확률이 얼마나 정확한지에 맞춰 학습시키는 방식입니다.

▲ 학습 방식으로 갈라진 모델 계보 (영상 10:39)

캡처 위쪽 띠는 ‘사람의 선호보다 판단 확률의 정확도에 맞춰 학습, 채팅 모델의 과신 문제를 모델 학습 단계에서부터 겨냥’이라고 적습니다. 왼쪽에는 사전학습, RLHF, RLVR, RLCD로 이어지는 계보가 있고, 아래 왼쪽에는 TypeSafe의 창업자 정보가, 아래 오른쪽에는 2026년 9월 15일 공개 사실과 4천만 달러 투자 유치 동시 발표가 강조돼 있습니다.

영상은 확률 보정을 일기예보로 설명합니다. 비 올 확률이 70퍼센트라고 했다면 실제로도 그만큼 비가 와야 합니다. 창업자 디오고 알메이다는 구글 브레인과 오픈에이아이에서 연구했고 RLHF 연구에도 참여했습니다. 영상은 채팅 모델 학습법의 한계를 잘 아는 사람이 반대 방향의 모델을 만든 셈이라고 풀이합니다.

보정(calibration)이라는 말은 모델이 내놓는 확률이 실제 적중률과 맞아떨어지는 정도를 뜻합니다. 판단을 사람의 승인 단계와 이어 붙이는 자동화에서는 이 성질이 중요합니다. 확률이 보정돼 있다면 확신도가 높은 건은 자동 처리하고 낮은 건은 사람에게 넘기는 기준을 숫자로 세울 수 있습니다. 반대로 확률이 과신돼 있으면 높은 숫자가 나와도 신뢰할 수 없어, 기준선을 정하는 의미가 사라집니다.

이 표는 영상이 말한 내용을 도입 점검 관점으로 다시 놓은 것입니다. 실제 도입 전에는 다음 순서로 점검해야 합니다. 먼저 자동화할 판단을 골라 선택지를 닫힌 목록으로 적습니다. 다음으로 사람이 정답을 붙인 문의 100건 안팎을 모아 판단 전용 AI 모델의 정답률과 지연을 직접 측정합니다. 그 결과에 따라 확신도 임계값을 정하고, 임계값 아래의 건은 사람 승인으로 넘기도록 설정하세요. 사람의 피드백으로 학습하는 방식의 배경은 RLHF 개요에서, 타입 안전성의 일반적 의미는 타입 안전성 문서에서 확인할 수 있습니다. 판단 전용 AI 모델이 에이전트 구조 안에서 어디에 놓이는지는 AI 에이전트란 무엇인가와 에이전틱 AI 개념을 함께 보면 이해가 쉽습니다. LLM이 생성하는 원리 자체는 LLM이란 무엇인가에 정리돼 있습니다.

영상은 LLM과 제브가 판단 하나를 내리는 길을 나란히 놓습니다. LLM은 분류 하나에도 글을 토큰 하나씩 만들고 그 글을 제이슨으로 풀어야 합니다. 제브는 미리 정한 선택지 위에서 한 번에 답합니다. 영상은 이를 한 줄로 서서 차례를 기다리는 것과 창구를 한꺼번에 여는 것의 차이로 설명합니다.

▲ LLM과 제브의 판단 경로 비교 (영상 11:25)

캡처 위쪽 띠는 ‘분류형 판단은 제브가 빠르고 저렴하나 정답률은 별개, 배수 광고가 아닌 실측 정확도로 판단’이라고 적고 있습니다. 표에는 생성 방식, 지연, 단가가 LLM과 제브로 나뉘고, 제브의 지연은 70~500밀리초, 단가는 입력 100만 토큰당 0.042달러에 출력 무료로 표시됩니다. 영상은 공식 자료의 40~400배 저렴이라는 표현이 실제 계산으로는 4.8배에서 238배라고 바로잡고, 공식 자료의 444.6배는 자사 업무 흐름 기준으로 낸 회사 쪽 수치라고 밝힙니다.

이 대목에서 챙길 판단 기준은 셋입니다. 첫째, 형식 오류가 없다는 것은 구조상 당연한 결과이므로 정답률과는 다른 이야기입니다. 둘째, 배수는 비교 대상과 업무 흐름에 따라 크게 달라집니다. 셋째, 도입 판단은 개발사의 배수가 아니라 우리 업무 문장으로 잰 정확도와 지연으로 해야 합니다. 판단 전용 AI 모델의 이점은 속도 광고가 아니라 구조 설명에서 먼저 확인하는 편이 안전합니다.

영상은 앞의 내용을 표로 묶어 기존 LLM과 제브를 나란히 놓습니다. 학습 목표는 사람의 선호 대신 보정된 결정입니다. 돌려주는 것은 글 대신 형식이 정해진 값과 확률입니다. 호출은 한 번에 모든 답을 냅니다. 속도와 요금 행은 타입세이프가 자사 비교표에 실은 수치이고, 확신도 행은 공식 문서에 맞춰 Choice와 Score 답에만 붙는다고 좁혀 적었습니다.

▲ 기존 LLM과 제브의 비교표 (영상 12:27)

캡처 표의 열은 항목, 기존 LLM, 제브입니다. 학습 방식은 RLHF와 RLCD, 돌려주는 것은 문자열과 타입이 정해진 값으로 대비되고, 속도와 요금 행에서 제브의 요금은 입력 100만 토큰당 0.042달러로 표시됩니다. 표 위에는 ‘TypeSafe 자체 평가’라는 표기가 붙어 있습니다.

영상은 RLCD가 논문이나 데이터가 공개되지 않은 이 회사 고유의 용어라는 점도 짚습니다. 그래서 결론은 신중합니다. 자동차 광고의 연비와 내가 실제로 달려 본 연비가 다른 것처럼, 우리 업무 문장으로 다시 재기 전까지 이 표의 수치는 가설로 다뤄야 한다는 것입니다.

영상은 이름에도 의도가 담겼다고 말합니다. 시스템 원은 카너먼의 책에서 빠르고 직관적인 쪽을 가리키는데, 책에서는 성급하게 결론을 내는 쪽입니다. 그럼에도 타입세이프는 확률 보정으로 믿을 만하게 만들 수 있다고 주장합니다. 제브는 제번스 역설에서 왔습니다. 증기기관 효율이 오르자 석탄 소비는 오히려 늘었듯, 판단이 싸지면 쓰임새가 늘어난다는 전망입니다. 영상은 통화료가 싸지면 전화를 더 자주 거는 것과 같은 이치라고 설명합니다.

▲ 제브 이름에 담긴 두 가지 유래 (영상 13:06)

캡처 왼쪽에는 카너먼의 『Thinking, Fast and Slow』와 시스템 1, 시스템 2의 특징이, 오른쪽에는 제번스 역설의 설명이 있고 ‘증기기관 효율이 오르자 석탄 소비가 오히려 늘고 줄지 않음’이라는 문구가 강조돼 있습니다. 제번스 역설의 원래 의미는 제번스 역설 문서에서, 카너먼의 책은 Thinking, Fast and Slow 개요에서 확인할 수 있습니다.

영상은 여기서 한 줄의 전망을 읽어 냅니다. 호출 단가가 도입 범위를 정한다는 가설입니다. 판단 하나의 비용이 낮아질수록 사람이 하던 작은 판단까지 자동화 대상이 넓어진다는 이야기입니다. 이어 영상은 정리 문장으로 끝납니다. 제브는 글 대신 판단만 빠르게 돌려주려고 나온 모델이라는 것입니다.

판단 전용 AI 모델은 글을 만들지 않고 선택지 하나와 보정된 확률만 한 번에 돌려주는 모델이고, 속도 수치는 개발사 자체 평가라 검증이 필요합니다.

판단 전용 AI 모델이란 무엇인가요?

글을 만들지 않고 미리 정한 선택지 중 하나와 보정된 확률만 돌려주는 모델입니다. 영상은 TypeSafe AI의 제브를 예로 들어, 문장을 만들고 푸는 단계가 통째로 빠지는 구조라고 설명합니다.

제브는 일반 LLM과 무엇이 다른가요?

LLM은 글을 토큰 단위로 순차 생성하지만 제브는 선택지 위에서 한 번에 답합니다. 그래서 제이슨 파싱과 검증, 재시도 같은 후처리가 필요 없고, 출력이 미리 정한 선택지 밖으로 나가지 않습니다.

시스템 원 모델의 입력과 출력은 무엇인가요?

입력은 상황을 적은 state와 선택지가 정해진 questions이고, 출력은 답과 선택지별 확률입니다. 확신도는 공식 문서 기준으로 Choice와 Score 질문에만 함께 나옵니다.

40배에서 200배 빠르다는 수치는 믿어도 되나요?

아니요. 개발사가 직접 평가한 값이라 자사 업무 문장으로 다시 측정해야 합니다. 영상은 공식 자료의 40~400배 저렴이라는 표현도 실제 계산으로는 4.8배에서 238배라고 바로잡고, 정답률과 속도는 별개라고 강조합니다.

RLCD는 어떤 학습 방식인가요?

사람의 선호가 아니라 판단 확률이 실제와 얼마나 맞는지에 맞춰 학습시키는 방식입니다. 보정된 결정을 위한 강화학습의 줄임말이며, 영상은 논문이나 데이터가 공개되지 않은 이 회사 고유의 용어라고 밝힙니다.

형식이 맞으면 결과도 맞는다고 볼 수 있나요?

아닙니다. 형식을 보장하는 것과 정확도를 보장하는 것은 다른 문제입니다. 선택지 밖의 답이 나오지 않아도 선택지 안에서 틀린 값이 나올 수 있어서, 도입 전에 우리 업무 문장으로 정답률을 재야 합니다.

제브라는 이름은 어디서 왔나요?

경제학의 제번스 역설에서 왔고, 판단이 싸지면 쓰임새가 늘어난다는 전망을 담았습니다. 증기기관 효율이 오르자 석탄 소비가 오히려 늘었다는 이야기에 빗대어, 호출 단가가 도입 범위를 정한다는 가설이 이름에 들어 있다고 영상은 설명합니다.

판단 전용 AI 모델을 더 깊이 살펴볼 때 볼 원 영상과 이어서 읽을 글, 개념 문서를 모았습니다.

• 판단전용 AI 모델 Jev 입문 — 발표 자료 전문 — 영상의 전체 발표 자료
• 판단 전용 AI 모델 제브 — 판단만 전문인 AI 모델, LLM 대비 40~200배 빠른 의사결정 — 클라우드네이티브TV, 이 글이 정리한 원 영상
• AI 에이전트란 무엇인가 — 에이전트 구조의 기본 개념
• 에이전틱 AI란 무엇인가 — 에이전트가 판단과 실행을 나누는 방식
• 에이전틱 AI 거버넌스 가이드 — 승인과 감사 절차 설계
• LLM이란 무엇인가 — 토큰 순차 생성의 원리
• MSAP.ai 솔루션 문의 — 도입 검토 상담
• MSAP.ai 홈페이지 — 제품과 자료 모음
• Reinforcement learning from human feedback — RLHF의 일반 개념
• Type safety — 타입 안전성의 일반 개념
• Jevons paradox — 효율이 오르면 소비가 늘어나는 현상
• Thinking, Fast and Slow — 카너먼의 두 사고 체계