생명과학 실험실은 자동화 장비를 쓰지만, 운영은 여전히 엑셀·전자 실험 노트·기기별 소프트웨어·인벤토리 시스템 사이를 오간다1. 샘플 위치를 찾고, 기기 데이터를 긁어모으고, 감사 대비 문서를 정리하는 시간이 연구자의 하루를 잠식한다1. 사이스팟은 이 단절된 레이어를 하나의 실험실 운영 플랫폼으로 묶겠다고 나선 회사다13. 그리고 그 문제에 애비뉴 그로스 파트너스가 주도한 800만 달러, 약 104억원 규모의 Series A가 붙었다1.
왜 실험실 운영체제였나 — 데이터가 생기는데도 일은 끊겼다
바이오 연구의 병목은 더 이상 장비의 부재만이 아니다. 장비는 많아졌고, 분석 소프트웨어도 늘어났지만, 각각의 시스템은 서로 다른 포맷과 절차로 움직인다1. 그 결과 연구자는 실험을 설계하기 전에 샘플 위치, 실험 이력, 승인 상태, 감사 추적을 다시 맞춰야 한다1.
사이스팟이 겨냥한 지점은 바로 이 사이의 마찰이다. 회사는 250개 이상 실험 기기 타입과 연결해 샘플이 어디서 출발해 어떤 실험을 거쳤는지 자동으로 추적한다고 설명한다1. 데이터 캡처, 인벤토리 관리, 워크플로우 승인, 감사 추적을 하나의 플랫폼에서 처리하는 구조다1. 실험실에서 가장 비싼 자원은 장비가 아니라, 장비 사이에서 사라지는 맥락이다.
이 맥락이 중요한 이유는 규제와 반복성 때문이다. 바이오텍, 제약, 진단, 유전체학, CRO/CDMO, 바이오뱅킹은 모두 실험 결과 자체만큼이나 데이터 계보와 감사 가능성을 요구받는 영역이다1. 사이스팟이 단순 협업툴이 아니라 실험실 운영 플랫폼을 표방하는 이유도 여기에 있다13.
Series A의 의미는 그래서 매출 성장보다 먼저 시장 정의에 있다. 애비뉴 그로스 파트너스가 산 것은 하나의 노트 앱이 아니라, 실험실의 기기·샘플·승인·감사 데이터를 묶는 운영 레이어라는 가설이다1. 이 레이어가 깔리면 AI는 문서 요약이 아니라 실험실의 실제 상태를 읽는 인터페이스가 된다.
무엇이 달랐나 — 전통 실험실 스택과 사이스팟의 차이
| 영역 | 전통 실험실 운영 | 사이스팟 접근 |
|---|---|---|
| 데이터 입력 | 엑셀, 전자 실험 노트, 기기 소프트웨어에 분산 기록1 | 데이터 캡처와 실험 흐름을 하나의 플랫폼으로 통합1 |
| 기기 연결 | 기기별 소프트웨어에서 데이터를 따로 수집1 | 250개 이상 실험 기기 타입 연동1 |
| 샘플 추적 | 샘플 위치와 실험 이력을 사람이 다시 확인1 | 샘플 출발점과 실험 경로를 자동 추적1 |
| 규제 대응 | FDA 감사 대비 문서 정리에 별도 시간 투입1 | 감사 추적과 승인 워크플로우를 운영 데이터에 포함1 |
| AI 활용 | 데이터가 흩어져 자연어 분석의 맥락이 약함 | Scibot이 자연어 기반 조회·분석·워크플로우 추천을 제공1 |
어떻게 락인을 만들 수 있나
- 기기 연결이 먼저다. 실험실 SaaS의 첫 관문은 UI가 아니라 현장 기기와 데이터 포맷이다. 사이스팟은 250개 이상 기기 타입 연동을 전면에 세우며, 연구자가 데이터를 옮겨 적는 구간을 줄이는 데 초점을 둔다1.
- 샘플 흐름이 운영 데이터가 된다. 샘플이 어느 냉동고에 있고 어떤 실험을 거쳤는지를 추적하는 일은 단순 재고 관리가 아니다1. 이 흐름이 쌓이면 실험 결과, 승인, 감사 추적이 같은 테이블 위에서 읽힌다1.
- AI는 마지막 인터페이스다. Scibot은 자연어로 데이터를 조회하고 분석하며 워크플로우를 추천하는 역할을 맡는다1. AI가 연구자를 대체하는 것이 아니라, 흩어진 실험실 상태를 읽을 수 있게 만드는 것이 사이스팟의 순서다.
The Bet — 왜 이 VC는 이 베팅을 샀나
애비뉴 그로스 파트너스의 베팅은 실험실의 다음 소프트웨어 예산이 문서화 도구가 아니라 운영 데이터 레이어로 이동한다는 가설에 가깝다1. 사이스팟은 이미 100개 이상 실험실에서 쓰이고, 월 1,000회 이상의 실험과 수백만 건의 샘플 데이터를 처리한다고 알려졌다1. 이 숫자가 중요한 이유는 단순 고객 수가 아니라 데이터 계보의 축적이다. 실험실은 한 번 운영 데이터가 플랫폼에 묶이면, 샘플·기기·승인·감사 흐름을 쉽게 떼어내기 어렵다. 사이스팟이 목표로 제시한 self-driving lab은 거창한 자동화 구호가 아니라, 이런 운영 데이터가 충분히 연결됐을 때 가능한 다음 인터페이스다1.
다음 12개월에 지켜볼 지표 3개
- 실험실 수의 질적 변화 현재 사용처는 바이오텍, 제약, 진단, 유전체학, CRO/CDMO, 바이오뱅킹 등 100개 이상 실험실로 제시됐다1. 다음 관전 포인트는 고객 수 증가보다 규제 강도가 높은 제약·진단·CRO/CDMO 비중이 얼마나 커지는가다.
- 기기 연동의 깊이 250개 이상 기기 타입 연동은 출발점이다1. 실제 경쟁력은 단순 연결 목록보다 데이터 캡처, 샘플 이력, 감사 추적이 얼마나 자동으로 이어지는지에서 갈린다1.
- AI 제품의 실험실 침투 사이스팟은 Scibot으로 자연어 기반 조회·분석·워크플로우 추천을 제공한다고 설명한다1. 또 오픈소스 과학 AI OpenScience 공개도 알려졌다2. 다음 12개월은 AI가 데모가 아니라 실험실의 반복 업무를 얼마나 줄이는지 확인하는 구간이다.
다음은 이 운영체제가 실험실의 기록 도구를 넘어, 판단 이전의 자동화 레이어가 될 수 있는지다.
