기업 소프트웨어 개발은 오랫동안 사람과 문서와 회의 사이에서 굴러갔다. 코드 생성 AI는 등장했지만, 대기업 프로젝트의 진짜 병목은 코드 몇 줄이 아니라 조직마다 다른 업무 구조와 누적된 암묵지였다. 오토메타는 이 레이어를 온톨로지로 모델링해 소프트웨어 개발 전 과정을 자동화하겠다고 나섰고, 거기에 시리즈 A 105억원이 붙었다1. 투자자들이 산 것은 개발자 보조 도구가 아니라, 기업의 프로젝트 경험이 반복될수록 자산화되는 AI 인프라라는 가설이다.
왜 엔터프라이즈 개발 인프라였나
생성형 AI가 개발 현장에 들어온 뒤 가장 빨리 확산된 사용법은 코드 생성이었다. 그러나 대기업과 중견기업의 소프트웨어 프로젝트는 단순히 코드를 빨리 쓰는 문제로 끝나지 않는다. 요구사항은 부서별 규칙과 승인 체계, 기존 시스템의 제약, 과거 프로젝트의 예외 처리에 묶여 있다. 그래서 엔터프라이즈 개발의 핵심 비용은 코드를 생산하는 시간이 아니라 조직의 업무 맥락을 다시 해석하는 시간에서 나온다.
오토메타가 내세우는 Zenith AI의 출발점도 이 지점이다. 회사는 자체 개발한 온톨로지 기반 엔진으로 소프트웨어 개발 전 과정을 자동화한다고 설명한다1. 온톨로지는 단어와 문서를 단순 저장하는 방식이 아니라, 업무 개념과 관계를 구조화하는 접근이다. 기업 프로젝트에서 반복적으로 등장하는 업무 구조를 기계가 참조할 수 있는 형태로 축적한다는 점에서, 일반적인 코드 어시스턴트와 방향이 다르다.
이 차이는 데이터의 성격에서 갈린다. 오토메타는 8년 이상 7개국 80여 개 기업을 대상으로 프로젝트를 수행하며 데이터를 축적해왔다고 밝혔다1. 공개된 자료만으로 고객명이나 매출 규모까지 확인되지는 않았지만, 적어도 이 회사가 말하는 AI는 실험실 데모가 아니라 실제 기업 프로젝트 수행 과정에서 나온 업무 구조를 전제로 한다. 투자자가 본 신호는 모델 성능 자체보다, 현장 데이터가 쌓이는 구조가 이미 존재한다는 점에 가깝다.
이번 투자는 아이엠투자파트너스, SBI인베스트먼트, IBK캐피탈, 삼성증권, 리니어벤처캐피탈, 위벤처스 등 6개 기관이 참여한 시리즈 A다1. 리드 투자자는 공개되지 않았다. 대신 참여 기관의 폭은 오토메타가 단일 기능 SaaS보다 큰 범주, 즉 AI 네이티브 엔터프라이즈 IT 인프라로 읽히고 있음을 보여준다. 지금 기업들은 AI 도입의 첫 단계를 지나, 실제 운영 프로세스에 어떤 시스템을 꽂을지 결정해야 하는 국면에 들어섰다.
무엇이 전통 개발 방식과 달랐나
| 영역 | 전통 엔터프라이즈 개발 | 오토메타 방식 |
|---|---|---|
| 지식 레이어 | 요구사항 문서와 담당자 기억에 의존 | 프로젝트 수행 과정의 지식과 업무 구조를 온톨로지로 축적1 |
| 자동화 범위 | 일부 코드 작성이나 테스트 보조에 머무름 | 소프트웨어 개발 전 과정을 자동화하는 Zenith AI 플랫폼 지향1 |
| 반복 프로젝트 | 새 프로젝트마다 맥락을 다시 설명 | 프로젝트가 반복될수록 조직 업무 지식이 확장되는 구조1 |
| 고객 기반 | 개별 SI 경험이 회사 내부에 흩어짐 | 8년 이상 7개국 80여 개 기업 프로젝트 수행 데이터 축적1 |
| 사업 방향 | 납품형 프로젝트 또는 단일 생산성 도구 | AI 에이전트 플랫폼 고도화와 글로벌 시장 진출 계획1 |
오토메타의 축적은 어디서 생기나
- 현장 프로젝트가 원천 데이터다. 오토메타는 8년 이상 기업 프로젝트를 수행하며 데이터를 축적해왔다고 밝혔다1. 이 데이터가 의미 있으려면 단순 산출물 저장이 아니라, 요구사항과 업무 흐름과 시스템 제약이 재사용 가능한 형태로 남아야 한다. 회사가 온톨로지를 전면에 두는 이유가 여기에 있다.
- 자동화의 단위가 코드가 아니라 프로세스다. Zenith AI는 단순한 코드 생성 수준을 넘어 실제 기업 프로젝트 수행 과정에서 축적된 지식과 업무 구조를 반영하는 플랫폼으로 소개됐다1. 이는 개발자의 타이핑 시간을 줄이는 도구가 아니라, 프로젝트가 시작되고 설계되고 구현되고 운영되는 흐름 전체를 겨냥한다.
- 투자금의 용처가 제품보다 적용 현장에 가깝다. 오토메타는 이번 투자금을 AI 에이전트 플랫폼 고도화, 엔터프라이즈 현장 적용 확대, 글로벌 시장 진출에 사용할 계획이라고 밝혔다1. 기술 고도화만이 아니라 현장 적용 확대가 명시됐다는 점이 중요하다. 엔터프라이즈 AI는 데모보다 도입, 도입보다 반복 사용에서 가치가 검증된다.
왜 이 투자자들은 이 베팅을 샀나
이번 라운드의 핵심은 105억원이라는 금액보다, 오토메타가 AI 시대의 엔터프라이즈 개발 병목을 어디로 정의했는지에 있다1. 코드는 점점 싸지고 있다. 그러나 기업의 업무 구조, 승인 체계, 시스템 의존성, 프로젝트 히스토리는 여전히 비싸다. 오토메타의 베팅은 이 비싼 맥락을 온톨로지로 축적하면, AI 에이전트가 기업 내부에서 실제로 일할 수 있는 기반이 생긴다는 것이다.
투자자 관점에서 이 가설은 두 가지 조건을 필요로 한다. 첫째, 현장 데이터가 충분히 축적되어야 한다. 오토메타는 7개국 80여 개 기업 프로젝트 수행 경험을 공개했다1. 둘째, 그 데이터가 단발성 SI 노하우로 사라지지 않고 제품화되어야 한다. 회사가 Zenith AI를 기업의 지식 자산을 고도화하는 인프라로 설명하는 이유도 이 조건과 맞닿아 있다1.
물론 공개된 자료만으로는 아직 확인되지 않은 부분도 있다. 고객별 반복 매출, 도입 후 생산성 개선률, 글로벌 매출 비중은 공개되지 않았다. 따라서 오토메타의 현재 가치는 완성된 지표보다 엔터프라이즈 AI가 실제 업무 시스템으로 들어가기 위해 필요한 지식 레이어를 선점할 수 있느냐에 걸려 있다. 시리즈 A는 그 질문에 대한 중간 판정이다.
다음 12개월에 지켜볼 지표 3개
- 현장 적용 확대의 질. 회사는 엔터프라이즈 현장 적용 확대를 투자금 사용처로 제시했다1. 단순 PoC 수보다 중요한 것은 실제 운영 프로젝트에서 Zenith AI가 어떤 단계까지 들어가는지다. 요구사항 분석, 설계, 구현, 운영 중 어디까지 자동화되는지가 제품의 깊이를 가른다.
- 반복 사용 데이터의 제품화. 오토메타는 프로젝트가 반복될수록 조직의 업무 지식이 지속적으로 축적되고 확장되는 구조를 강조한다1. 다음 검증 포인트는 이 축적이 고객별 커스터마이징에 머무는지, 아니면 플랫폼의 공통 성능 개선으로 이어지는지다.
- 글로벌 진출의 첫 시장. 오토메타는 글로벌 시장 진출에 속도를 낼 계획이라고 밝혔다1. 이미 7개국 프로젝트 경험을 언급한 만큼, 다음 단계는 어느 지역과 산업에서 반복 가능한 판매 모델을 만들 수 있느냐다. 공개된 자료에는 구체 국가와 매출 목표가 제시되지 않았다.
다음은 그 지식 레이어가 실제 대기업 운영 환경에서 얼마나 오래, 얼마나 깊게 남는지다.
