AI 에이전트에게 업무를 넘기는 시도가 기업 현장에서 반복되고 있지만, 결과는 기대에 못 미치는 경우가 많다. 범용 에이전트의 실제 업무 태스크 성공률은 약 50%에 불과하다 — 두 번 맡기면 한 번은 틀린다1. 오하이오주립대(Ohio State University)에서 AI 에이전트를 연구해 온 유 수(Yu Su) 박사가 이 구조적 실패를 정면으로 겨냥했고, 거기에 캄비엄 캐피털·월든 캐털리스트 벤처스가 공동 주도한 4천만 달러(약 520억원) 시드 라운드가 붙었다1.
왜 '에이전트 신뢰성'이었나 — 제너럴리스트가 되려 한 것이 문제였다
현재 시장에 나와 있는 AI 에이전트의 대부분은 제너럴리스트 설계다. 어떤 도메인에서든 똑같은 방식으로 작동하고, 어떤 태스크든 처음 만나는 것처럼 접근한다1. CRM 업무를 시키든, 코드 리뷰를 시키든, 데이터 분석을 시키든 — 에이전트는 매번 백지 상태에서 출발한다. 결과적으로 현장에서 측정된 성공률은 약 50%에 그친다1.
이 수치가 갖는 의미는 단순하다. 에이전트에게 업무를 위임하는 행위가 아직도 일종의 도박이라는 것이다. 인간 직원에게 업무를 맡겼을 때 절반이 실패한다면 그 직원은 채용되지 않는다. AI 에이전트도 같은 기준이 적용될 때, 지금의 범용 접근법은 엔터프라이즈 배포의 문턱을 넘지 못한다.
유 수 박사가 오하이오주립대에서 수행한 AI 에이전트 연구는 바로 이 지점에 집중했다1. 에이전트가 왜 실패하는가, 그리고 특정 업무 환경을 학습했을 때 무엇이 달라지는가. 그 연구 성과를 상용화한 것이 네오코그니션이다. 회사는 스텔스 단계에서 제품 개발에 집중하다 이번 시드 라운드 공개와 함께 처음으로 공개 무대에 나섰다1.
팔로알토에 위치한 본사에는 약 15명이 재직 중이며, 대다수가 박사급 연구자로 구성되어 있다1. 스텔스 해제 시점의 팀 구성이 이미 연구 중심이라는 것은, 이 회사가 단순한 AI 래퍼(wrapper)가 아니라 기초 기술을 직접 쌓고 있다는 신호다.
범용 에이전트 vs 네오코그니션 — 무엇이 다른가
| 비교 영역 | 범용 AI 에이전트 | 네오코그니션 |
|---|---|---|
| 학습 방식 | 사전 학습 고정, 도메인 무관 | 기업 환경 자율 학습, 워크플로우 내재화 |
| 태스크 성공률 | ~50% (현 시장 평균) | 공개되지 않음 (신뢰 가능 수준 목표) |
| 도메인 전문화 | 없음 — 매 태스크 백지 출발 | 제약·구조·워크플로우를 누적 학습 |
| 기업 배포 채널 | 범용 API, 직접 영업 | 비스타 에쿼티 소프트웨어 포트폴리오 활용 |
| 기술 기반 | 빅테크 파운데이션 모델 의존 | 학술 연구(OSU) 기반 에이전트 런타임 엔진 |
세 가지 차별화 요소 — 왜 이 구조가 작동할 수 있나
- 에이전트 런타임 엔진: 자율 학습으로 전문화 네오코그니션의 핵심 기술은 AI 에이전트가 특정 기업 환경의 워크플로우·제약·내부 구조를 스스로 학습해 전문화되는 런타임 엔진이다1. 범용 에이전트가 외부에서 규칙을 주입받는 방식이라면, 이 엔진은 에이전트 자체가 환경을 탐색하고 누적 경험을 쌓는 구조다. 결과적으로 같은 업무를 반복할수록 성공률이 올라가는 학습 루프가 형성된다.
- 박사급 연구팀: 기술 깊이의 해자 팀 대다수가 박사급 연구자로 구성되어 있다1. AI 에이전트 신뢰성 문제는 프롬프트 엔지니어링으로는 해결되지 않는다. 에이전트의 추론·계획·실패 복구 메커니즘에 대한 근본적인 이해가 필요하고, 그 이해는 학술 연구 기반에서 나온다. 유 수 박사의 오하이오주립대 연구 배경은 이 팀이 문제의 깊이를 이미 알고 있다는 신호다1.
- 비스타 에쿼티 파트너스: 배포 채널로서의 투자자 이번 라운드에 비스타 에쿼티 파트너스가 참여했다1. 비스타는 수십 개의 기업용 소프트웨어 회사를 포트폴리오로 보유한 PE 펀드다. 네오코그니션 입장에서 비스타의 포트폴리오 네트워크는 초기 엔터프라이즈 레퍼런스 고객을 확보하는 가장 빠른 GTM 채널이 된다. 투자자가 곧 배포 채널인 이 구조는, 엔터프라이즈 영업의 가장 높은 장벽인 '첫 레퍼런스 고객 확보'를 우회하는 방식이다.
The Bet — 왜 캄비엄과 월든이 이 베팅을 샀나
범용 에이전트의 50% 성공률 한계는 기술적 버그가 아니라 설계 철학의 문제다1. 이 문제를 프롬프트 튜닝으로 해결하려는 스타트업들이 넘쳐나는 반면, 네오코그니션은 에이전트가 환경 자체를 학습하는 런타임 레이어를 만든다. 오하이오주립대 연구 기반의 박사급 팀, 비스타 포트폴리오를 통한 엔터프라이즈 접근성, 그리고 립-부 탄·이온 스토이카 같은 반도체·AI 인프라 업계 인사의 개인 투자 참여1는 이 베팅이 단순한 아이디어 투자가 아님을 시사한다. 캄비엄과 월든이 산 것은 에이전트 신뢰성 시장의 인프라 레이어 선점이다. 엔터프라이즈가 AI 에이전트를 진지하게 배포하기 시작하는 시점에, 그 에이전트들이 공통적으로 필요로 하는 학습 런타임을 먼저 깔아 두겠다는 구조다.
다음 12개월에 지켜볼 지표 3개
- 에이전트 성공률 공개 벤치마크 회사가 주장하는 '신뢰 가능 수준'이 구체적 수치로 공개되는 시점이 중요하다. 현재 범용 에이전트의 50% 한계 대비 얼마나 차이를 만드는지, 어떤 도메인에서 측정된 수치인지가 기술 신뢰성의 핵심 지표가 될 것이다.
- 비스타 포트폴리오 첫 레퍼런스 고객 비스타 에쿼티 파트너스 네트워크를 통해 실제 기업 고객이 등장하는 시점이 GTM 전략 유효성을 가늠하는 첫 데이터다. 배포 채널로서의 투자자 모델이 이론에서 현실로 이동하는 순간이기도 하다.
- Series A 타이밍과 규모 시드 4천만 달러는 딥테크 스타트업 기준으로도 이례적으로 큰 규모다1. 이 자본으로 어느 단계까지 도달한 뒤 Series A를 열지, 그리고 그 규모와 투자자 구성이 기술 성숙도와 시장 반응을 동시에 보여줄 것이다.
그 인프라가 첫 번째 엔터프라이즈 고객의 업무 현장에서 살아남는지가, 다음 이야기다.
