생성형 AI 시장은 오랫동안 모델 성능 경쟁으로 움직였다. 더 큰 모델, 더 높은 점수, 그리고 그 모델을 돌릴 GPU 확보전이 뒤따랐다. 그런데 모델을 실제 서비스에 올린 기업이 먼저 부딪친 벽은 성능이 아니라 운영 비용과 전력이었다1. GPU 와 NPU, PIM 을 한 런타임에서 섞어 쓰면 추론 비용을 40~70% 깎을 수 있다고 말하는 KAIST 교수 창업팀에, 더벤처스가 시드 머니를 넣고 정부가 팁스로 최대 8억원을 더 얹었다123.
왜 '런타임'이었나 — 모델이 아니라 청구서가 병목이 됐다
최근 생성형 AI 시장의 무게중심은 모델 성능 경쟁에서 운영 효율로 옮겨가고 있다1. 어떤 모델을 고르느냐보다, 고른 모델을 어느 하드웨어에서 얼마에 돌리느냐가 사업성을 결정하는 단계다. 그런데 대규모 언어 모델 구동 환경은 여전히 특정 하드웨어, 사실상 GPU 에 고정돼 있고, 그 비용과 전력 소모가 한계로 지적되고 있다1. 모델은 상품이 됐지만, 모델을 돌리는 자리는 아직 한 종류의 칩이 독점하고 있다.
애니브릿지의 출발점은 이 독점 구조에 대한 질문이다. GPU 와 NPU, 지능형 메모리 반도체 PIM 은 각각 잘하는 일이 다르다. 모든 추론 요청을 같은 칩에 밀어넣는 대신, 서비스 특성에 맞는 가속기로 요청을 보내면 비용과 전력이 달라진다는 것이 이 팀의 가설이다1. 그 가설을 소프트웨어로 구현한 것이, 하드웨어 종속 없는 공통 인터페이스 위에서 응답 속도와 비용 조건에 맞춰 적합한 반도체를 자동 할당하는 멀티 가속기 런타임이다1. 목표 수치는 GPU 단독 인프라 대비 추론 비용 40~70% 절감이다1.
이 문제를 들고 나온 팀의 배경이 투자 판단의 절반이다. 애니브릿지는 KAIST 박종세 대표와 권영진 교수가 공동 창업한 회사다2. 하드웨어와 시스템 소프트웨어의 경계를 다루는 연구는 논문으로 끝나기 쉬운 영역인데, 이 팀은 산업 쪽 접점을 먼저 확보했다. 카카오 AI 육성 프로젝트에서 대상을 받았고, 2026년 9월에는 국산 AI 반도체 기업 퓨리오사AI·하이퍼엑셀과 NPU 기반 엔터프라이즈 AI 에이전트 플랫폼 공동 개발 업무협약을 맺었다1. 수요 쪽에는 카카오, 공급 쪽에는 국산 NPU 두 곳이 시드 단계에 이미 붙어 있다는 뜻이다.
더벤처스는 이 지점에서 시드를 넣었다. 투자 금액과 기업가치는 비공개다1. 대신 중소벤처기업부 팁스 선정으로 확보한 최대 8억원의 연구개발 자금이 따라붙었고, 두 자금은 기업용 AI 에이전트와 멀티 가속기 런타임 제품 고도화에 투입된다13. 금액이 비공개인 시드에서 읽을 것은 숫자가 아니라, 이 팀이 어떤 검증 일정을 약속했는가다. 연내 고객사 2~3곳 파일럿, 카카오클라우드 기술 실증, 그리고 2027년 정식 제품 출시가 그 일정이다1.
GPU 단독 서빙 vs 멀티 가속기 런타임 — 바뀌는 것은 칩이 아니라 칩을 고르는 권한이다
표로 놓고 보면 애니브릿지가 바꾸려는 것은 하드웨어 자체가 아니라 하드웨어를 결정하는 시점이다. 지금은 인프라를 사는 순간 칩이 정해지고 소프트웨어가 거기에 맞춘다. 애니브릿지 구조에서는 요청이 들어오는 순간 런타임이 칩을 고른다1.
| 영역 | GPU 단독 LLM 서빙 | 애니브릿지 멀티 가속기 런타임 |
|---|---|---|
| 하드웨어 레이어 | 특정 GPU 에 고정, 구매 시점에 결정 | GPU·NPU·PIM 이종 가속기 풀1 |
| 워크로드 배치 | 모든 요청을 같은 칩으로 | 응답 속도·비용 조건에 맞춰 자동 할당1 |
| 비용·전력 | GPU 단가와 전력 소모에 그대로 노출1 | 추론 비용 40~70% 절감 목표1 |
| 개발자 인터페이스 | 하드웨어별 스택에 맞춰 재작업 | 오픈AI·제미나이 호환 API, 7개 계층 단일 시스템1 |
| 도입 형태 | 자체 구축 또는 클라우드 종량, 단일 선택 | 라이선스형·매니지드형·토큰팩토리형 3종1 |
결정적인 행은 네 번째다. 오픈AI, 구글 제미나이와 호환되기 때문에 개발자는 기존 개발 방식을 바꾸지 않고 도입할 수 있다1. 하드웨어를 바꾸는 결정이 개발팀의 재작업을 요구하지 않는다는 점이, 이 제안이 비용을 보는 경영진과 코드를 보는 개발팀 양쪽 테이블에 동시에 올라갈 수 있는 이유다.
7개 계층을 하나로 — 런타임은 어떻게 동작하나
애니브릿지가 공개한 구조는 세 단계로 읽힌다. 하드웨어를 가리고, 요청마다 칩을 고르고, 그 결과를 세 가지 계약 형태로 판다1.
- 하드웨어를 공통 인터페이스로 가린다 애니브릿지는 하드웨어부터 개발자용 API 까지 7개 계층을 단일 시스템으로 통합했다1. GPU·NPU·PIM 이 각자 다른 실행 방식을 갖고 있어도 상위 계층에서는 하나의 가속기 풀로 보인다. 하드웨어 종속이 사라지는 지점이 여기다1.
- 요청마다 칩을 고른다 런타임은 응답 속도와 비용 조건에 맞춰 적합한 반도체를 자동 할당한다1. 지연에 민감한 요청과 배치성 요청이 같은 칩에서 경쟁하지 않도록 나누는 것이 비용 절감의 실체다. 목표치인 40~70% 는 이 배치가 얼마나 공격적으로 작동하느냐에 달려 있다1.
- 세 가지 형태로 판다 고객이 직접 운영하는 라이선스형, 애니브릿지가 전담하는 매니지드형, 사용량 기반의 토큰팩토리형으로 나눠 제공할 계획이다1. 보안 수준과 인프라 여건이 다른 초기 스타트업부터 공공·금융기관, 대기업까지 같은 런타임을 다른 계약으로 파는 구조다1.
The Bet — 더벤처스는 무엇을 샀나
더벤처스가 산 것은 특정 칩이 아니라 칩이 여러 개가 되는 세계다. 생성형 AI 를 실제 서비스에 쓰는 기업이 늘수록 모델 성능보다 운영 비용이 의사결정을 지배하고, 그 순간 GPU 에 집중된 LLM 구동 환경을 다양한 AI 반도체로 확장할 수 있는 팀이 필요해진다는 논리다1. 이 베팅이 맞으려면 두 가지가 동시에 성립해야 한다. 첫째, 국산 NPU·PIM 이 실제 서빙 워크로드를 받을 만큼 성숙해야 한다. 퓨리오사AI·하이퍼엑셀과의 업무협약은 그 공급 쪽 파트너를 미리 묶어둔 조치다1. 둘째, 이종 하드웨어를 묶는 소프트웨어 레이어가 개별 하드웨어 벤더의 자체 스택보다 고객에게 더 가치 있어야 한다. 오픈AI·제미나이 호환 API 로 도입 장벽을 없앤 것은 이 두 번째 조건을 위한 설계다1. 반대로 GPU 단가와 전력 문제가 빠르게 해소되거나, 하드웨어 벤더가 직접 이종 오케스트레이션을 흡수한다면 독립 런타임 레이어의 자리는 좁아진다. 더벤처스는 그 가능성보다 비용 압박이 먼저 온다는 쪽에 돈을 놓았다.
시드 단계에서 이 베팅의 리스크는 분명하다. 절감률은 아직 목표치이고, 고객은 아직 파일럿 단계이며, 정식 제품은 2027년이다1. 그러나 수요 쪽 카카오와 공급 쪽 국산 NPU 두 곳이 시드 시점에 이미 붙어 있는 인프라 소프트웨어 팀은 흔하지 않다. 더벤처스가 금액을 비공개로 둔 채 발표를 서두른 이유도, 검증 일정이 이미 잡혀 있기 때문이라고 읽는 편이 자연스럽다1.
다음 12개월에 지켜볼 지표 3개
- 카카오클라우드 실증의 실측 절감률 애니브릿지는 카카오클라우드 기술 실증으로 성능과 운영 안정성을 검증한 뒤 2027년 정식 제품을 내놓을 계획이다1. 40~70% 는 아직 목표치다1. 어떤 워크로드에서 몇 퍼센트가 나왔는지 공개되는 순간, 이 회사의 밸류에이션 논리는 가설에서 데이터로 바뀐다.
- 파일럿 2~3곳의 유료 전환 연내 고객사 2~3곳과 파일럿을 추진한다1. 파일럿이 라이선스형·매니지드형·토큰팩토리형 중 어떤 계약으로 전환되는지가 사업 모델의 첫 검증이다1. 공공·금융처럼 보안 요건이 높은 고객이 들어오면 라이선스형 수요가, 초기 스타트업이 들어오면 토큰팩토리형 수요가 먼저 확인된다1.
- 업무협약이 제품에 올라오는 시점 퓨리오사AI·하이퍼엑셀과 맺은 NPU 기반 엔터프라이즈 AI 에이전트 플랫폼 공동 개발 협약이 실제 런타임에 어느 NPU 를 올리는 결과로 이어지는지 봐야 한다1. 멀티 가속기 런타임의 가치는 지원하는 가속기 수에 비례한다. 지원 목록이 늘지 않으면 GPU 단독 스택과의 차이는 좁아진다.
카카오클라우드 실증에서 나올 첫 숫자가, 다음 이야기다.
