생성형 AI 를 도입하려는 기업들은 지난 2년간 같은 벽에 부딪혀 왔다. 모델에 정보를 많이 넣으면 토큰·연산 비용이 치솟고, 정보를 줄이면 정확도가 무너진다. 이 트레이드오프를 모델이 아니라 추론 이전 단계에서 풀겠다는 회사가 나왔고, 거기에 딥테크 액셀러레이터 블루포인트파트너스가 프리시드 수표를 끊었다145. 금액은 비공개지만, 설립 13개월 차 팀이 이미 국내 대형 금융사 PoC 를 마쳤다는 사실이 금액보다 먼저 읽힌다15.
왜 '추론 이전'이었나 — 모델의 경쟁이 아니라 입력의 경쟁이다
생성형 AI 의 비용 구조는 단순하다. 모델에 넣는 정보가 길수록 토큰이 늘고, 토큰이 늘수록 연산 비용과 응답 지연이 함께 오른다. 그래서 대부분의 기업은 검색으로 문서를 추려 넣거나 요약본을 만들어 투입량을 줄인다. 문제는 줄이는 순간 빠지는 정보가 생기고, 빠진 정보만큼 답의 정확도가 깎인다는 점이다. 커넥셔너리가 겨냥하는 지점이 정확히 여기다. 회사는 이를 “정보량 증대에 따른 비용 상승과 정보 축소에 따른 정확도 저하라는 고질적인 트레이드오프” 로 정의한다1.
해법으로 내놓은 것이 AID(Atomic Intelligence Decomposition) 플랫폼이다. 비정형 데이터를 AI 추론에 넣기 전에 의사결정이 가능한 최소 단위로 분해해 구조적 인텔리전스로 바꾼다14. 벤처스퀘어는 이를 “AI 추론 전 ‘생각의 뼈대’ 를 만든다” 고 표현했다4. 모델을 바꾸는 게 아니라 모델이 읽을 재료를 먼저 정리해, 적게 넣고도 틀리지 않게 만들겠다는 접근이다. 회사는 이 방식으로 연산 비용은 낮추고 정확도는 유지한다고 주장한다1.
다만 수치는 아직 없다. 절감률이 몇 퍼센트인지, 어떤 벤치마크에서 정확도를 비교했는지는 공개되지 않았다. 지금 시점에서 이 주장을 뒷받침하는 외부 증거는 두 가지다. “높은 수준의 보안과 정확성이 요구되는” 국내 대형 금융사들과의 사업실증을 마쳤다는 사실, 그리고 신한금융그룹의 액셀러레이터 프로그램 신한퓨처스랩에 선정됐다는 사실이다15. 금융사가 PoC 를 끝까지 돌렸다는 건 최소한 보안 심사와 정확도 검증의 1차 관문은 통과했다는 뜻이다. 그 이상은 아직 회사의 말이다.
왜 이 문제를 이 팀이 풀 수 있다고 보는가. 창업자 이지원 대표는 S2W 부대표 출신으로 비즈니스 전략과 프로덕트 디자인을 맡는다15. S2W 에서 AI R&D 를 이끌었던 정진우 CTO 가 고성능 AI 엔진 개발을, 국가정보원 3차장을 역임한 김선희 총괄이 글로벌 정책과 규제 인텔리전스 체계 구축을 맡았다1. AI R&D 리더십과 국가 단위 정보·규제 경험이 한 팀에 묶인 구성은 프리시드 단계에서 흔치 않다. 블루포인트가 투자 사유에 팀 역량을 기술적 접근과 나란히 적은 배경이다1.
범용 LLM 직접 투입 vs 커넥셔너리 AID — 무엇이 다른가
| 영역 | 범용 LLM 직접 투입 · RAG | 커넥셔너리 AID |
|---|---|---|
| 데이터 투입 방식 | 원문 또는 검색 결과를 컨텍스트에 그대로 적재 | 추론 전 원자 단위로 분해해 구조적 인텔리전스로 변환14 |
| 비용 구조 | 정보량에 비례해 토큰·연산 비용 증가 | 구조화로 투입량을 줄여 연산 비용 절감 주장 · 절감률 미공개1 |
| 정확도 | 정보를 줄이면 누락이 생겨 정확도 하락 | 구조화된 정보로 정확도 유지 주장 · 벤치마크 미공개1 |
| 첫 검증 시장 | 사내 검색·범용 챗봇 등 오류 허용도 높은 영역 | 보안·정확성 요구가 높은 국내 대형 금융사 PoC 완료15 |
| 확장 축 | 모델 교체·파인튜닝 | 반도체·항공우주·보안의 리스크 관리·글로벌 규제 분석1 |
표에서 눈여겨볼 것은 두 번째·세 번째 행이다. 커넥셔너리의 가치 제안은 비용과 정확도를 '둘 다' 잡는다는 데 있는데, 두 칸 모두 아직 숫자가 비어 있다. 반대로 네 번째 행은 채워져 있다. 금융사 PoC 완료라는 사실이 비어 있는 두 칸을 간접적으로 보증하는 구조다. 이 회사의 서사는 당분간 “수치 대신 레퍼런스” 로 읽어야 한다.
금융에서 시작해 규제 인텔리전스로 — 세 단계 전개
- 가장 까다로운 고객부터 뚫는다 첫 타깃을 금융으로 잡은 건 시장이 커서가 아니라 검증이 가장 혹독해서다. 보안·정확성 요구가 가장 높은 국내 대형 금융사들과 PoC 를 마쳤고, 신한퓨처스랩에 이름을 올렸다15. 금융에서 통과한 레퍼런스는 다른 규제 산업으로 옮길 때 그대로 신뢰 자산이 된다.
- 팀으로 신뢰를 산다 프리시드 단계 스타트업이 대형 금융사 PoC 를 따낸 데는 팀 이력이 작동했다고 봐야 한다. S2W 출신 대표·CTO 의 AI R&D 경험과 국정원 3차장 출신 총괄의 정책·규제 경험은, “이 회사에 민감한 데이터를 맡겨도 되는가” 라는 금융사의 첫 질문에 대한 답이 된다1.
- 규제 인텔리전스로 수평 확장한다 다음 타깃은 반도체·항공우주·보안이다. 세 산업 모두 극도의 정밀함이 요구되는 리스크 관리와 글로벌 규제 분석 수요를 갖고 있다1. 금융에서 다듬은 AID 구조화 엔진을 규제 문서라는 새 비정형 데이터에 적용하는 것이 확장의 골격이다. 김선희 총괄의 역할이 ‘글로벌 정책·규제 인텔리전스 체계 구축’ 으로 명시된 이유도 여기에 있다1.
The Bet — 블루포인트는 무엇을 산 것인가
프리시드는 매출을 보고 들어가는 라운드가 아니다. 금액조차 공개하지 않은 이번 투자에서 딥테크 AC 가 본 것은 두 가지로 압축된다.
하나는 문제의 보편성이다. 블루포인트 스스로 “AI 도입을 검토하는 기업들의 공통된 당면 과제” 라고 규정했듯, 비용과 신뢰성의 딜레마는 특정 산업이 아니라 생성형 AI 를 쓰려는 모든 기업의 문제다1. 다른 하나는 팀의 희소성이다. AI R&D 리더십과 국가 단위 규제 인텔리전스 경험이 프리시드 단계에 함께 있는 경우는 드물고, 그 조합이 금융사 PoC 라는 첫 관문을 실제로 열었다1. 리스크도 분명하다. 모델 벤더들이 컨텍스트 비용을 계속 낮추면 ‘적게 넣는다’ 는 가치 제안의 일부는 희석될 수 있고, 절감률·정확도 수치가 공개되지 않은 지금은 PoC 완료 외에 기술 우위를 외부에서 확인할 방법이 없다. 블루포인트의 베팅은 결국 “토큰이 싸져도 정확도와 규제 해석은 여전히 기업이 기계에 못 맡기는 영역으로 남는다” 는 판단이다. 그 영역이 남아 있는 한, 추론 이전의 구조화는 비용 절감 도구가 아니라 신뢰 인프라로 팔린다.
다음 12개월에 지켜볼 지표 3개
- PoC 가 계약으로 바뀌는가 대형 금융사 PoC 완료는 공개됐지만 유료 전환 여부는 공개되지 않았다1. 첫 유료 계약이 나오는지, 그 계약이 일회성 프로젝트가 아니라 반복 매출 구조인지가 1번 지표다.
- 절감률·정확도 수치가 나오는가 현재 AID 의 비용 절감 폭과 정확도 유지 수준은 숫자로 공개된 것이 없다14. 고객 사례든 벤치마크든 첫 공개 수치가 나오는 순간, 이 회사의 서사는 ‘주장’ 에서 ‘검증’ 으로 넘어간다.
- 금융 밖 첫 레퍼런스 반도체·항공우주·보안 중 어디서 첫 고객이 나오는지다1. 규제 인텔리전스 확장 가설의 첫 증거이자, 다음 라운드의 명분이 될 지표다.
그 뼈대가 금융 밖 규제 산업에서도 서는지가, 다음 이야기다.