AX Case Study Podcast

1. 왜 이 사례인가

글로벌 대형 보험 그룹 제네랄리(Generali)의 기업 및 상업 보험 부문인 제네랄리 GC&C(Generali Global Corporate & Commercial)는 전 세계 25개국 이상에서 다국적 기업 고객을 대상으로 복잡한 기업보험 및 재물·배상책임 인수(Underwriting) 서비스를 제공합니다.

전통적인 글로벌 기업보험 심사는 수작업과 지연의 연속이었습니다. 전 세계 브로커가 이메일과 첨부파일로 보내오는 방대한 청약 서류, 국가마다 제각각인 규제 환경, 여러 소프트웨어 벤더의 도구가 뒤엉킨 레거시 IT 인프라 때문에 서류 검토부터 최종 계약 체결(Pre-bind)에 이르기까지 긴 시간이 걸렸습니다.

제네랄리 GC&C는 글로벌 컨설팅·SI 기업 캡제미니(Capgemini)와 손잡고 마이크로소프트 클라우드(Dynamics 365, Power Platform, SharePoint Online) 기반의 차세대 언더라이팅 플랫폼 ‘아고라(AGORA)’를 구축했습니다. 플랫폼 전반에 생성형 AI 어시스턴트를 내장해 서류 데이터 추출과 위험 분석 보강 작업을 자동화하고, Outlook 연동을 통해 심사역이 수신함 안에서 모든 업무를 완결하는 환경을 구현했습니다.

그 결과, 계약 체결 전(Pre-bind) 심사 업무 완료 속도가 80% 빨라졌으며, 분산된 벤더 도구를 통합해 소프트웨어 라이선스 비용을 60% 절감했고, IT 지원 및 유지보수 비용도 75% 줄였습니다.

엄격한 규제와 다국적 운영 복잡성에 직면한 대형 금융·보험사가 레거시 파편화를 걷어내고, AI 에이전트와 통합 SaaS를 실무 핵심에 안착시켜 운영 효율을 극대화한 대표적인 엔터프라이즈 AX 사례입니다.

2. Problem

제네랄리 GC&C가 직면했던 구조적 비효율과 IT 인프라의 한계는 다음과 같았습니다.

* 다중 벤더 파편화와 과도한 비용: 25개국에 걸쳐 국가별·부서별로 서로 다른 서드파티 툴과 레거시 시스템이 난립해 있었습니다. 이에 따라 소프트웨어 라이선스 비용이 과도하게 발생했고, 유지보수와 기술 지원 인력을 운영하는 부담도 컸습니다.

* 청약 전(Pre-bind) 심사 단계의 수작업 지연: 브로커와 고객이 제출하는 청약 서류의 양식이 제각각인 데다, 언더라이터가 위험 프로필을 확인하고 제재(Sanctions) 대상 여부 및 규제 준수 상태를 점검하는 과정이 여러 시스템에 쪼개져 있어 계약 체결 전 심사가 장기간 지연되었습니다.

* 문서 관리 및 데이터 일관성 부재: 각국 지사에 청약 및 계약 관련 문서가 흩어져 보관되면서 데이터 품질이 고르지 못했고, 전사 차원의 위험 관리와 신속한 다국적 프로그램(Multinational programs) 운영에 어려움을 겪었습니다.

확인된 사실: 25개국에 걸친 복잡한 다중 벤더 레거시 IT 환경, 높은 라이선스 및 운영비용, 분절된 심사 절차로 인한 사전 인수 지연, 다국적 문서 분산.

3. Solution

캡제미니와 제네랄리 GC&C는 마이크로소프트 클라우드 에코시스템을 기반으로 엔드투엔드 글로벌 언더라이팅 플랫폼 ‘AGORA’를 설계·배포했습니다.

3.1 생성형 AI 기반 서류 분석 및 실시간 어시스턴트 통합

플랫폼 내부와 언더라이터의 일상 업무 접점에 생성형 AI 기반 어시스턴트를 직접 내장했습니다.

* 문서 데이터 자동 추출 및 위험 데이터 보강(Enrichment): 청약서, 설비 평가서 등 다양한 형태의 비정형 문서에서 핵심 데이터를 AI가 자동 추출하고, 고객의 위험 프로필을 일관된 구조로 정리합니다.

* 온디맨드 플랫폼 어시스턴트: 언더라이터가 복잡한 플랫폼 기능을 탐색하거나 일상 업무를 처리할 때 자연어 질의를 통해 즉각적인 안내와 지원을 받을 수 있도록 구현했습니다.

3.2 Outlook 인박스 연동과 사전 인수 워크플로 일원화

언더라이터들이 대부분의 업무 시간을 보내는 이메일 환경을 벗어나지 않고 심사를 이어갈 수 있도록 맞춤형 Outlook Add-in을 개발했습니다.

* 언더라이터는 수신함 안에서 즉시 영업 기회(Opportunity)를 생성하고, 청약 서류를 AGORA 플랫폼에 바로 첨부하며 심사 워크플로를 시작합니다.

* 국제 제재(Sanctions) 및 규제 심사, 보험료 산정(Pricing & Rating), 증권 문서 생성, 다운스트림 시스템 연동을 단일 플랫폼으로 통합했습니다.

* 위험 엔지니어링 및 손실 방지(RELP: Risk Engineering & Loss Prevention) 기능을 결합해 다국적 프로그램과 프론팅(Fronting) 계약을 일관된 체계로 처리할 수 있도록 지원했습니다.

3.3 1.9TB 문서 마이그레이션과 글로벌 단일 데이터 저장소 구축

각국에 흩어져 있던 1.9TB 규모의 라이브 및 아카이브 문서를 SharePoint Online 단일 클라우드 환경으로 완전히 이전했습니다. 이를 통해 글로벌 전역에서 일관된 버전 관리, 감사 로깅, 엔터프라이즈 보안 및 협업 체계를 구축했습니다.

3.4 단계적 롤아웃 및 하이퍼케어(Hypercare) 거버넌스

* 핵심 Pre-bind MVP 우선 출시: 비즈니스 연속성을 유지하면서 현장의 빠른 적응을 이끌어내기 위해, 계약 체결 전 핵심 심사 기능을 중심으로 MVP를 먼저 배포했습니다.

* 분기별 업데이트 및 3개월 집중 하이퍼케어: 출시 초기 3개월 동안 데이터, 시스템 연동, 가격 산정, 위험 엔지니어링을 전담하는 신속 대응팀을 가동해 현장 안착을 지원했으며, 분기별 정기 업데이트로 완성도를 높였습니다.

* 각국 지사의 특수성과 글로벌 표준화 사이의 균형을 유지하기 위해 ‘AGORA 챔피언’ 네트워크와 데이터 스튜어드십 거버넌스를 함께 운영했습니다.

확인된 사실: Microsoft Dynamics 365 / Power Platform / SharePoint Online 기반 SaaS 플랫폼 구축, 생성형 AI 어시스턴트(데이터 추출 및 작업 자동화), 맞춤형 Outlook Add-in, 1.9TB 문서 단일 이관, RELP 및 다국적 프로그램 지원, MVP 론칭 후 분기별 릴리스 및 3개월 하이퍼케어 운영.

4. Impact

캡제미니 공식 클라이언트 스토리에 공개된 정량적 성과는 다음과 같습니다.

정성적으로는 브로커와 고객의 요청에 대응하는 시간이 대폭 단축되어 신규 보험 상품 출시가 한층 빨라졌으며, 글로벌 데이터 품질과 위험 가시성도 크게 향상되었습니다.

확인된 사실: Pre-bind 활동 80% 가속, 라이선스 비용 60% 절감, 지원/유지보수 비용 75% 절감, 서비스 데스크 티켓 75% 감소, 1.9TB 데이터 이관, 25개국 배포.

5. Insight

복잡한 엔터프라이즈 AX의 출발점은 ‘인박스(Inbox)’ 통합입니다. 보험 심사역들은 기존 업무 시간의 대부분을 이메일 확인과 첨부파일 검토에 씁니다. 새로운 AI 시스템을 별도의 웹 포털로만 분리해 두면 실무자의 적극적인 참여를 이끌어내기 어렵습니다. 제네랄리는 맞춤형 Outlook 플러그인을 통해 주 작업 공간 안으로 AI와 심사 워크플로를 직접 끌어들임으로써 사용자의 거부감을 낮추고 도입률을 극대화했습니다.

파편화된 다중 벤더 정리가 가져오는 확실한 ROI가 입증되었습니다. 기업이 AI를 도입할 때 흔히 추가 비용만을 걱정하지만, 제네랄리는 클라우드 통합 SaaS(AGORA)로 전환하며 기존에 난립하던 서드파티 라이선스를 정리해 라이선스 비용을 60%, 유지보수 인력 비용을 75% 절감했습니다. 기존 비효율을 걷어내어 확보한 예산이 AI 및 플랫폼 구축 투자를 직접 상쇄하는 선순환 구조를 만들어냈습니다.

하이퍼케어와 챔피언 조직을 통한 변화 관리가 필수적입니다. 25개국의 상이한 시장 환경에서 단일 시스템을 성공적으로 안착시킨 원동력은 기술 자체에 그치지 않습니다. 출시 직후 3개월간 가동된 전담 하이퍼케어 팀과 ‘AGORA 챔피언’ 네트워크가 핵심적인 역할을 했습니다. 데이터 품질 문제와 지역별 요구사항을 초기에 밀착 해결함으로써 일선 심사역들의 혼선을 빠르게 잠재웠습니다.

복제 조건과 한계. 이 사례는 Microsoft 중심의 클라우드 스택으로 인프라를 일원화할 수 있는 거버넌스 통제권과, 캡제미니와 같은 대형 SI 파트너의 지원을 투입할 수 있는 엔터프라이즈 환경에 적합합니다. 또한 공개된 자료에는 생성형 AI가 수행한 데이터 추출의 구체적 정확도(Accuracy/F1 score)나 할루시네이션 방지 체계에 관한 기술 사양은 명시되지 않았습니다.

한 줄로: 글로벌 기업보험처럼 복잡한 규제 산업에서 AX를 실현하려면, 흩어진 벤더를 단일 클라우드로 통합하고 심사역의 주 작업 공간인 인박스에 AI를 자연스럽게 결합해야 합니다.

6. 원문에 없는 추정 (구현 가설)

6.1 비정형 청약 문서 추출 및 위험 프로필 구조화 파이프라인

근거: 원문은 AGORA 플랫폼에 생성형 AI 도구가 도입되어 청약 서류 데이터 자동 추출과 데이터 보강(Enrichment)을 수행하며, 고객의 위험 프로필을 한눈에 확인할 수 있도록 지원한다고 설명합니다.

이 파이프라인은 Azure OpenAI Service(GPT-4o 계열)와 Azure AI Document Intelligence(구 Form Recognizer)를 결합한 OCR-RAG 하이브리드 아키텍처로 구현되었을 가능성이 높습니다. 브로커가 Outlook을 통해 수백 쪽 분량의 기업 자산 명세서나 설비 도면, 과거 사고 이력 PDF를 보내오면, 문서 인텔리전스 엔진이 레이아웃과 표 데이터를 파싱한 뒤 LLM이 사전 정의된 인수 스키마(JSON)에 맞춰 담보물 위치, 자산 가치(TIV: Total Insured Value), 과거 손해율 등의 항목을 구조화된 필드로 자동 변환했을 것입니다. 변환된 데이터는 Dynamics 365 데이터베이스에 직접 적재되고, 신뢰도가 낮은 필드는 언더라이터 UI에 강조 표시되어 육안 검토를 거치는 HITL(Human-In-The-Loop) 검증 게이트를 두었을 것으로 추정됩니다.

6.2 다국적 제재(Sanctions) 심사 및 정책 룰 엔진의 2단계 검증 구조

근거: 원문은 AGORA 플랫폼이 25개국에 걸친 제재 및 규제 준수 선별(Sanctions and compliance screening), 보험료 산정 도구, 다국적 프로그램 프론팅 협약을 중앙 집중식으로 지원한다고 기술합니다.

글로벌 금융 제재(OFAC, EU 등) 준수는 엄격한 법적 책임이 따르므로 단순 LLM의 텍스트 생성에만 의존할 수 없습니다. 따라서 시스템은 결정론적 룰 엔진과 LLM 지원이 결합된 2단계 검증 파이프라인을 구축했을 것입니다. 1단계로 고객 기업명, 대주주 정보, 선박/플랜트 등록 정보에 대해 외부 제재 명단 DB와 유사 검색(Fuzzy matching)을 수행하는 전통적인 룰 엔진을 실행하고, 2단계에서 모호한 명칭 일치나 지배구조 연계성이 발견될 경우 생성형 AI 어시스턴트가 관련 언론 보도, 기업 지배구조 문서, 현지 법인 공시자료를 실시간 요약하여 심사역에게 판단 근거 보고서를 브리핑하는 보조적 에이전트 역할을 수행했을 것으로 추정됩니다.

7. 출처

* Capgemini Client Stories — Generali GC&C transforms its underwriting business to increase efficiency by 80%https://www.capgemini.com/news/client-stories/generali-gcc-transforms-its-underwriting-business-to-increase-efficiency-by-80/발행연도: 2026 (Capgemini & Generali GC&C)

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 왜 이 사례인가

문서 협업 도구 크래프트(Craft Docs)는 100만 명 이상의 활성 사용자와 5만 곳 이상의 유료 고객을 보유한 5년 차 테크 스타트업입니다. 2021년 애플 ‘올해의 Mac 앱(Mac App of the Year)’을 수상할 만큼 높은 제품 완성도와 엔지니어링 역량을 갖춘 팀이지만, 2023~2024년 불어닥친 생성형 AI 열풍 속에서도 실질적인 효용이 없는 ‘보여주기식 기능(Copilot slop)’을 철저히 배제해 왔습니다.

하지만 2025년 말 프론티어 추론 모델과 에이전트의 성능이 임계점을 넘어서자, 창업자 발린트 오로스(Balint Orosz)는 크리스마스 연휴 2주 동안 Claude Code를 활용해 전사 전용 시각적 데스크톱 도구인 ‘Craft Agents’를 직접 개발했습니다. 2026년 1월 5일, 전사 직원에게 이 도구의 사용을 의무화하고 최상위 AI 모델 구독을 무제한 지원하며 전면적인 AI 네이티브 전환을 단행했습니다.

전환의 성과는 수치로 즉각 드러났습니다. 고객 지원팀의 티켓 처리 시간은 20~30분에서 2~3분으로 90% 단축되었고, 5년간 미뤄왔던 60개 백엔드 서비스의 Serverless 마이그레이션(예상 소요 기간 3~4개월)을 단 1명의 엔지니어가 1주일 만에 완결했습니다. 개발팀의 주간 티켓 해결량은 15~20건에서 100건 이상으로 5배 이상 급증했습니다.

기술 조직뿐 아니라 비엔지니어링 부서(고객 지원, 마케팅, HR, 재무)가 코딩 에이전트를 직접 다뤄 개발팀 의존도를 낮추고, 전통적인 소프트웨어 개발 수명 주기(SDLC)를 근본적으로 혁신한 생생한 현장 기록입니다.

2. Problem

Craft Docs가 AI 도입 과정에서 겪은 구조적 장벽과 기존 조직 운영의 비효율은 다음과 같았습니다.

* 초기 AI의 리텐션(Stickiness) 실패: 2022년 GPT-3.5 기반 어시스턴트를 발 빠르게 도입했으나 일회성 유입에 그쳤고, 지속적인 사용자 유지(Retention)를 만들어내지 못했습니다. 실질적인 효용이 검증되지 않은 AI 기능을 섣불리 확장했다가는 브랜드 신뢰도만 깎아먹는다는 교훈을 얻었습니다.

* 비개발 직군의 터미널(TUI) 접근 장벽: Claude Code와 Claude Agent SDK 기반으로 사내 프로토타입(Craft Terminal)을 만들었으나, 텍스트 기반 터미널 환경은 비개발자들에게 심각한 진입 장벽이었습니다. 여러 작업을 병렬로 처리하기 어렵고 장기 실행 계획을 한눈에 검토하기도 불편해 전사적 확산이 불가능했습니다.

* 부서 간 핸드오프와 엔지니어링 병목:

* 마케팅팀의 웹페이지 제작 및 수정 요청에 프론트엔드 엔지니어가 순환 배정되면서 개발자는 단순 작업에 피로를 느끼고 마케팅은 지원 부족을 겪었습니다.

* 고객 지원팀은 버그 제보가 들어올 때마다 코드 재현 여부를 확인하기 위해 엔지니어를 호출해야 했고, 티켓 하나를 처리하는 데 20~30분이 소모되었습니다.

* 장기 기술 부채의 누적: 60개 마이크로서비스의 Serverless 버전 업그레이드처럼 위험도가 높고 기계적인 마이그레이션 작업은 3~4개월 이상의 공수가 예상되어 5년 동안 엄두를 내지 못하고 방치되었습니다.

확인된 사실: 2022~2024년 얕은 코파일럿 유행 거부, 터미널 UI의 비개발자 사용성 한계 확인, 마케팅 웹 배포 지원 피로도 누적, 고객 지원의 엔지니어링 에스컬레이션 병목(티켓당 20~30분 소요), 60개 서비스 업그레이드 5년간 지연.

3. Solution

Craft는 시각적 에이전트 인터페이스를 자체 구축하고, 전사 워크플로를 에이전트 중심으로 전면 재설계했습니다.

3.1 시각적 데스크톱 에이전트 도구 ‘Craft Agents’ 개발

발린트 오로스는 Electron 기반의 크로스 플랫폼 데스크톱 앱 ‘Craft Agents’를 2주 만에 개발해 전사에 배포하고 아파치 2.0 라이선스로 오픈소스 공개했습니다.

* 멀티 에이전트 시각화: 터미널을 탈피해 이메일이나 슬랙 클라이언트와 유사한 UI를 제공하며, 다수의 비동기 작업 창을 한눈에 보며 전환할 수 있도록 했습니다.

* 데이터 소스(Sources) 추상화 및 자격 증명 프록시: Craft Docs뿐 아니라 사내 데이터베이스, Linear, Zendesk, REST API, MCP 서버를 에이전트의 데이터 소스로 연결했습니다. 특히 API 호출 시 에이전트에게 실제 API 키를 노출하지 않고 도구가 중간에서 헤더에 인증 정보를 주입하는 보안 프록시 구조를 취했습니다.

* 3단계 실행 권한 제어: 안전한 프로덕션 작업을 위해 Explore(읽기 전용 기본 모드), Ask to Edit(수정 전 사용자 승인 필수), Auto(자율 쓰기 모드)의 3가지 권한 레벨을 도입했습니다.

3.2 비개발 부서의 자율 워크플로 구축

고객 지원, 마케팅, HR, 재무 부서가 엔지니어링 팀의 개입 없이 슬래시 명령어 형태의 자체 스킬(Skills)을 구축해 업무를 자동화했습니다.

* 고객 지원 (CS):

* /triage: 유입된 수많은 티켓을 3개씩 묶어 병렬 워커 에이전트를 동적으로 기동해 자동 분류합니다.

* /get-user-data: 백엔드 API를 조회해 사용자의 플랜, 결제 상태, 기능 플래그 정보를 Zendesk 티켓에 자동 보강합니다.

* /bug-report: 고객의 장애 보고서를 Craft 실제 소스 코드와 대조해 원인을 분석하고, Linear 이슈를 검색해 중복 여부를 확인한 뒤 코드가 가리키는 파일 경로가 포함된 엔지니어링 티켓을 자동 발행하고 고객 응답 초안을 작성합니다.

* 마케팅: 마케팅 인턴과 기획자가 엔지니어 지원 없이 론칭 페이지, 제품 비교 페이지 등 웹사이트를 직접 구축 및 배포했습니다.

* HR & 재무: 헝가리 노동법 기반 연령별 연차 계산을 위한 BambooHR 연동 도구 자체 제작, Revolut 계좌 내역 CSV와 직원 Slack 영수증 채널을 대조해 회계 양식을 자동으로 변환했습니다.

3.3 엔지니어링의 패러다임 전환과 ‘불가능 미션’ 챌린지

개발 조직(엔지니어 20명)은 직접 코드를 작성하던 방식에서 벗어나 5개 이상의 병렬 에이전트를 관리하는 1인 책임 스쿼드(One-person responsibility squad) 체제로 개편되었습니다.

* ‘불가능한 목표’ 챌린지: 매주 첫 미팅에서 “객관적으로 2~3개월이 걸려 1주일 안에는 절대 불가능한 작업”을 목표로 설정한 뒤 모든 AI 역량을 쏟아붓도록 했습니다.

* 이 방식을 통해 1명의 엔지니어가 5년 묵은 60개 서비스의 Serverless 3→4 마이그레이션과 패키지 매니저(Bun) 전환을 단 1주일 만에 완결했습니다. 배포 시간은 2.5분에서 1분으로 단축되었습니다.

* 코드 리뷰 프로세스 해체: 제품 철학을 공유하는 소수 아키텍트가 직접 머지 권한을 갖고, 일반 개발자의 PR은 기능 제안으로 흡수하여 아키텍처 일관성을 유지했습니다. 복잡한 서드파티 SDK 대신 에이전트가 REST API 엔드포인트를 직접 호출하도록 단순화했습니다.

확인된 사실: Electron 기반 Craft Agents 구축(2주 개발, Apache 2.0 공개), 자격 증명 주입 프록시, 3단계 권한(Explore/Ask to Edit/Auto), CS 전용 스킬(/triage, /bug-report, /get-user-data 등), 마케팅/HR/재무 자체 자동화, 1인 60개 서비스 Serverless 마이그레이션(1주일 소요), 주간 ‘불가능 목표’ 챌린지 운영.

4. Impact

The Pragmatic Engineer에 공개된 주요 정량적 성과는 다음과 같습니다.

정성적으로는 고객 지원팀이 엔지니어를 호출해 코드를 확인하던 에스컬레이션 빈도가 급감했고, 엔지니어링 팀은 마케팅 지원이나 기계적 마이그레이션 부채에서 벗어나 제품의 핵심 아키텍처와 장기 과제에 온전히 집중할 수 있게 되었습니다.

확인된 사실: 티켓 처리 20~30분→2~3분, 60개 서비스 마이그레이션 3~4개월→1주일(1인), 배포 시간 2.5분→1분, 주간 해결 티켓 15~20건→100+건, 마케팅 웹 엔지니어 개입 제로.

5. Insight

비개발 직군이 에이전트를 잡을 때 엔지니어링 병목이 진짜로 풀립니다. 전통적인 기업에서 엔지니어링 리소스는 사내 요청(마케팅 페이지, CS 버그 확인, HR 연동)을 쳐내느라 늘 고갈됩니다. 비개발자가 직접 에이전트를 다뤄 코드 저장소를 조회하고 연동 도구를 만들게 되자, 엔지니어의 집중을 방해하던 컨텍스트 스위칭과 인터럽트가 근본적으로 차단되었습니다.

UI-first SaaS에서 API-first 인프라로 이동하고 있습니다. Craft Docs는 연간 2만 달러를 요구하던 Zendesk의 AI 기능 대신 자체 에이전트 워크플로를 붙였습니다. 에이전트가 데이터 조회와 조작을 주도하는 환경에서는 화려하지만 무거운 SaaS UI의 가치가 급락하며, 빠르고 안정적인 API 엔드포인트를 제공하는 벤더가 살아남습니다.

조직 문화적 마찰과 직무 정체성의 재정의가 필요합니다. 생산성이 5~10배 폭발하는 이면에 심각한 성장통이 뒤따랐습니다. 코드 작성 자체에서 장인 정신을 느끼고 사내 지식의 중심 역할을 하던 창립 멤버급 시니어 엔지니어가 소외감을 느껴 퇴사했습니다. 이제 엔지니어의 핵심 경쟁력은 ‘코드를 직접 쓰는 속도’가 아니라 ‘문제를 정의하고 여러 에이전트를 지휘하는 시스템 아키텍트’로 전환되고 있습니다.

복제 조건과 한계. 이 급진적 모델은 엔지니어 20명 규모의 민첩한 스타트업이며, 창업자가 직접 도구를 코딩하고 전사 문화를 강하게 이끌 수 있었기에 가능했습니다. 엄격한 분업 체계와 복잡한 승인 절차를 가진 대규모 조직에서는 PR 없는 아키텍트 승인 방식이나 비개발자의 프로덕션 코드 접근을 그대로 모방하기 어렵습니다.

한 줄로: AI 전환의 돌파구는 개발자의 코딩 속도를 높이는 데 있지 않고, 시각화된 에이전트 도구로 비개발 부서의 엔지니어링 의존성을 끊어내 조직 전체의 실행 속도를 재정렬하는 데 있습니다.

6. 원문에 없는 추정 (구현 가설)

6.1 비개발 직군 전용의 Git 격리 브랜칭 및 프리뷰 배포 파이프라인

근거: 원문은 마케팅팀 인턴이 엔지니어 없이 웹페이지를 구축하고, HR팀이 BambooHR 연동 도구를 직접 만들어 배포하며, 도구 모드 중 ‘Auto’가 존재한다고 명시합니다.

비개발 직군이 메인 브랜치에 직접 코드를 푸시하거나 프로덕션 데이터베이스를 손상하지 않도록 보호하기 위해, Craft Agents는 백그라운드에서 격리된 Git 워크플로를 강제했을 것입니다. 마케팅이나 HR 담당자가 프롬프트를 입력하면 도구는 로컬이나 원격 저장소에 임시 피처 브랜치를 자동 생성하고 변경 사항을 커밋했을 것입니다. 이후 Vercel이나 Cloudflare Pages의 프리뷰 배포 웹훅을 호출하여 담당자가 브라우저에서 즉시 시각적으로 검증할 수 있는 프리뷰 URL을 생성했을 가능성이 높습니다. 검증이 완료된 변경점만 사전 정의된 린터와 자동화 테스트를 통과한 후 아키텍트의 원클릭 승인(또는 자동 병합 규칙)을 통해 메인에 반영되었을 것으로 추정됩니다.

6.2 CS 버그 분석 스킬의 코드베이스 AST 인덱싱 및 Linear 중복 탐지 메커니즘

근거: 원문은 CS 부서의 /bug-report 스킬이 Craft의 실제 소스 코드를 조회해 기술적 근본 원인 분석(Root cause analysis)을 수행하고, Linear의 기존 이슈와 대조하여 관련 티켓을 연결하거나 새 티켓을 연다고 설명합니다.

대규모 클라이언트 코드베이스 전체를 매 티켓마다 LLM 프롬프트에 통째로 밀어넣는 것은 비용과 지연 시간 면에서 불가능합니다. 따라서 Craft Agents 내부의 소스 코드 연동 계층은 사내 Git 저장소의 최신 커밋을 기반으로 AST(추상 구문 트리) 파싱 및 심볼 인덱싱(ctags/LSP 기반) 또는 의미론적 코드 임베딩 벡터 저장소를 사전 구축해 두었을 것입니다. 고객이 입력한 에러 메시지나 화면 경로 키워드를 바탕으로 관련 파일과 함수 스니펫을 선별 검색한 뒤, Linear API를 통해 유사 키워드를 가진 오픈 상태의 이슈 목록을 조회하여 LLM에게 비교 컨텍스트로 제공하는 2단계 검색-추론 파이프라인을 구축했을 가능성이 높습니다.

7. 출처

* The Pragmatic Engineer — Inside a five-year-old startup’s rapid AI makeovernewsletter.pragmaticengineer.com/p/ai-first-makeover-craft발행일: 2026-01-27 (Gergely Orosz, featuring Balint Orosz, Gyula Halmos, Tamas Fazekas)

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

1. 왜 이 사례인가

미국의 주요 금융 서비스 기업이자 암호화폐 거래소인 코인베이스(Coinbase)는 2,400명 이상의 전사 개발 조직에 커서(Cursor)를 도입하며 소프트웨어 개발 수명 주기(SDLC)를 ‘에이전트 우선(Agent-first)’ 모델로 전면 재편했습니다.

대다수 기업이 기존 개발 프로세스를 그대로 둔 채 AI 코딩 도구를 단순 자동완성 플러그인처럼 덧붙이는 데 머무는 반면, 코인베이스는 기존 시스템과 업무 관행 자체가 소프트웨어 배포의 진짜 병목이라는 점을 직시했습니다. 스프린트 계획 수립, 티켓 할당, 줄 단위(Line-by-line) 코드 리뷰 같은 전통적 관행을 과감히 걷어내고, 엔지니어의 역할을 직접 코드를 타이핑하는 실무자에서 의도를 정의하고 결과를 검증하는 상위 추상화 계층으로 전환했습니다.

2026년 6월 기준, 코인베이스에서 생성되는 전체 PR의 75%는 로컬 및 클라우드 에이전트가 직접 작성하고 있습니다. 개발자 1인당 머지되는 PR 수는 연초 대비 55% 증가했으며, 아이디어 구상부터 프로덕션 배포까지 걸리는 시간은 기존 20일에서 1.8일로 90% 이상 단축되었습니다.

엔터프라이즈 규모의 금융 기술 조직이 조직 구조, 스프린트 운영 방식, 코드 리뷰 문화, 사내 변화 관리까지 전방위로 혁신해 에이전트 자율성을 프로덕션 환경에 성공적으로 안착시킨 대표적인 엔지니어링 전환 사례입니다.

2. Problem

코인베이스 기술 리더십이 진단한 엔지니어링 병목의 본질은 개발자의 타이핑 속도가 아니라 ‘레거시 프로세스와 조직 내 마찰’이었습니다.

* 전통적 스프린트의 인위적 지연: 스프린트 주기에 맞춰 백로그를 정리하고 우선순위를 정해 티켓을 엔지니어에게 할당하기까지 불필요한 대기 시간이 길어졌습니다. 아이디어가 나와도 첫 코드 PR이 생성되기까지 평균 8일이 소요되었습니다.

* 줄 단위 코드 리뷰의 비효율: 시니어 엔지니어들이 세부 구현 코드를 한 줄씩 일일이 수동 검토하느라 상당한 시간을 소모했으며, 이는 전체 배포 주기를 늘리는 핵심 요인이었습니다.

* 전문 분야(Silo) 중심 팀 구성의 한계: 프론트엔드, 백엔드, 인프라 등 세부 도메인별로 역할이 분절되어 있어, 하나의 기능을 개발해 배포하려면 다수의 엔지니어로 구성된 풀 스쿼드가 필요했습니다.

* 인풋 중심 지표의 부작용: 작성한 코드 라인 수(Lines of Code) 같은 전통적 인풋 지표는 불필요한 코드 양산을 부추기고, 시스템 복잡도와 위험을 키우는 부작용을 낳았습니다.

확인된 사실: 기존 시스템에 AI를 덧붙이는 방식으로는 최대 잠재력을 끌어낼 수 없다는 경영진 판단, 아이디어에서 첫 PR까지 8일 소요, 전통적 스프린트 및 줄 단위 코드 리뷰가 핵심 병목으로 지목됨.

3. Solution

코인베이스는 도구 도입을 넘어 개발 워크플로와 조직 운영 체계를 ‘에이전트 우선’으로 재설계했습니다.

3.1 스프린트 계획 해체와 ‘Plan Mode’ 기반 즉각 위임

스프린트 주기마다 티켓이 할당되기를 기다리던 전통적 방식을 폐기했습니다. 엔지니어는 Linear 티켓이 등록되는 즉시 작업을 시작해 Cursor의 Plan Mode로 실행 계획을 세우고, 실제 코드 구현을 에이전트에 위임합니다. 이로 인해 아이디어 구상에서 첫 PR 생성까지 걸리는 시간이 8일에서 30분 이내로 단축되었습니다.

3.2 고수준 추상화와 에이전트 맞춤형 요구사항 문서화

사람이 주도하는 줄 단위 코드 리뷰는 점차 제로(0)에 수렴할 것이라는 전제 아래, 엔지니어의 책임을 상위 계층으로 끌어올렸습니다.

* 엔지니어는 ‘무엇을 만들지 정의하고’, ‘적절한 아키텍처를 선택하며’, ‘에이전트가 내놓은 최종 결과물을 평가’하는 작업에 집중합니다.

* 제품 요구사항(PRD)과 기술 명세를 에이전트가 직접 읽고 실행할 수 있는 ‘살아있는 문서(Living docs)’ 형태로 작성합니다. 이 문서는 에이전트의 작업 지침이자 구현 완료 후 적합성을 판별하는 평가 프레임워크 역할을 겸합니다.

3.3 1~2인 소규모 조직과 1인당 5~7개 병렬 에이전트 운용

에이전트가 인접 기술 도메인의 코드 작성과 검증을 보조하면서 엔지니어들은 기존 전문 분야의 칸막이를 넘어 풀스택으로 일하게 되었습니다.

* 엔지니어 한 명이 여러 프로젝트에 걸쳐 5~7개의 비동기 에이전트를 동시에 병렬로 오케스트레이션하는 업무 방식이 자리 잡았습니다.

* 과거에는 전담 스쿼드 전체가 매달려야 했던 기능 개발을 단 1~2명의 엔지니어가 직접 완결 짓는 구조로 전환되었습니다.

3.4 강력한 변화 관리: ‘Agent Speedrun’과 ‘슈퍼빌더(Superbuilders)’

새로운 방식에 대한 문화적 수용성을 높이기 위해 리더십이 직접 솔선수범하며 전사적 실행 체계를 구축했습니다.

* Agent Speedrun: 모든 엔지니어가 30분 동안 Cursor를 사용해 반드시 1개 이상의 PR을 배포하도록 하는 집중 실습 세션입니다. 초기 세션에서 50~70개 수준이던 생성 PR 수는 정기 세션에서 회당 500개 이상으로 급증했습니다.

* 슈퍼빌더(Superbuilders) 전담팀: 일반 제품 로드맵 업무에서 완전히 배제된 채 오직 엔지니어링 생산성 도구 개발에만 매진하는 전담 엔지니어 조직입니다. 이들은 Slack 내에서 아이디어 구상부터 코드 구현까지 수동 핸드오프 없이 코드를 생성할 수 있는 사내 코딩 에이전트 등을 구축했습니다.

확인된 사실: 2,400명 이상 사용, 스프린트 구조 개편(Plan Mode 활용), 에이전트용 명세 작성, 1인당 5~7개 비동기 에이전트 병렬 운용, 30분 에이전트 스피드런(500+ PRs 달성), 슈퍼빌더 전담팀 운영, Slack 연동 내부 코딩 에이전트 구축.

4. Impact

공식 고객 사례에 공개된 코인베이스의 정량적 성과는 다음과 같습니다.

정성적으로는 엔지니어들이 반복적인 타이핑 작업에서 벗어나 시스템 설계와 비즈니스 핵심 가치 창출에 집중하면서 개발자 만족도(Developer satisfaction)가 크게 향상되었습니다.

확인된 사실: 전사 2,400+ 개발자 도입, 아이디어→프로덕션 20일→1.8일(−90%), 아이디어→첫 PR 8일→30분 미만, 에이전트 작성 PR 75%, 1인당 머지 PR +55%, 주당 7시간 절약, 스피드런 500+ PRs.

5. Insight

레거시 프로세스 해체 없는 AI 도입은 실패합니다. 코인베이스 사례의 핵심은 AI 도구 성능 그 자체보다 ‘업무 방식을 AI에 맞춰 전면 재설계한 결단’에 있습니다. 기존의 긴 티켓 백로그, 스프린트 할당 대기, 시니어의 줄 단위 수동 리뷰를 유지한 채 코딩 도구만 쥐여줘서는 전체 사이클 타임을 단축할 수 없습니다.

‘명세서(PRD)의 수신자’가 인간에서 에이전트로 변경되었습니다. 개발 명세서는 이제 동료 개발자가 읽는 문서에 머무르지 않고, 에이전트가 컨텍스트로 소비해 스스로 구현하고 검증하는 프롬프트이자 평가 프레임워크(Evaluation framework)로 기능합니다. 요구사항을 명확히 정의하는 역량이 코드 문법을 암기하는 역량보다 중요해졌습니다.

인풋 지표(Lines of Code)에서 아웃풋 지표(Idea to Production)로 전환해야 합니다. 코드를 얼마나 많이 작성했는가는 생산성의 척도가 아니라 기술 부채와 결함 위험을 가리키는 지표일 수 있습니다. 진정한 북극성 지표는 아이디어가 가치로 실현되어 프로덕션에 도달하는 소요 시간이며, 이를 극단적으로 압축하는 것이 에이전트 조직의 목표입니다.

도입 조건과 한계. 이 모델이 안정적으로 작동하려면 자동화된 CI/CD 파이프라인과 높은 테스트 커버리지, 그리고 오류 발생 시 즉각 롤백할 수 있는 견고한 배포 플랫폼이 뒷받침되어야 합니다. 또한 벤더 공식 고객 사례의 특성상 에이전트가 생성한 75%의 PR 중 버그 발생률이나 롤백 빈도, 세부 인프라 비용 증감에 대한 구체적 데이터는 공개되지 않았습니다.

한 줄로: 코딩 에이전트의 효과를 극대화하려면 단순 타이핑 보조에 그치지 않고 스프린트 주기와 코드 리뷰 관행을 해체하여 ‘의도 정의와 결과 평가’ 중심으로 조직을 재편해야 합니다.

6. 원문에 없는 추정 (구현 가설)

6.1 에이전트용 ‘살아있는 요구사항(Living Docs)’과 CI 자동 평가 파이프라인

근거: 원문은 PRD와 기술 요구사항을 에이전트 전용의 ‘Living Docs’로 작성하여 에이전트의 실행 가이드이자 구현 후 평가 프레임워크로 활용한다고 기술합니다.

이 문서는 마크다운(Markdown)이나 구조화된 YAML 형태로 코드베이스와 함께 Git 저장소에 커밋되어 버전 관리되었을 것입니다. 에이전트가 로컬 또는 클라우드 환경에서 작업을 시작할 때 이 문서를 시스템 컨텍스트로 주입받으며, 문서에 정의된 기능적 인수 기준(Acceptance Criteria)은 에이전트가 자체적으로 엔드투엔드(E2E) 테스트나 통합 테스트 코드를 자동 생성하는 기반으로 작동했을 것입니다. 에이전트가 PR을 열면 CI 파이프라인에서 Living Docs에 명시된 성공 조건 매트릭스를 기반으로 자동 테스트 스위트가 실행되고, 기준 미달 시 에이전트가 피드백 루프를 돌아 스스로 코드를 수정하는 자기 치유(Self-healing) 단계가 포함되었을 가능성이 높습니다.

6.2 5~7개 비동기 에이전트의 병렬 컨텍스트 브랜칭 및 충돌 회피 구조

근거: 원문은 개발자 1인이 여러 프로젝트에 걸쳐 5~7개의 비동기 에이전트를 동시에 병렬로 운용한다고 밝힙니다.

단일 개발자가 로컬 머신에서 5~7개의 브랜치를 직접 관리하며 빌드 충돌과 환경 오염을 해결하는 것은 현실적으로 불가능합니다. 따라서 코인베이스 엔지니어들은 원격 클라우드 개발 환경(Remote Cloud Agent)이나 Git Worktree 격리 기술을 활용했을 것입니다. 각각의 비동기 에이전트는 독립된 클라우드 샌드박스에서 별도의 피처 브랜치(Feature branch)를 생성해 격리된 채 작업하며, 작업이 완료되면 Slack 알림이나 웹훅을 통해 엔지니어에게 시연용 프리뷰 환경 URL과 요약 리포트를 전달했을 것으로 추정됩니다. 엔지니어는 로컬 에디터에서 빈번한 컨텍스트 스위칭 없이 웹 브라우저나 Slack 인터페이스에서 에이전트의 작업 결과를 비동기적으로 검토하고 승인·머지하는 오케스트레이터 역할을 수행했을 것입니다.

7. 출처

* Cursor Customer Stories — Coinbase reduces time from idea to production by 90% with Cursorhttps://cursor.com/blog/coinbase발행일: 2026-06-23 (Featuring Chintan Turakhia, Kyle Cesmat)

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

핵심

* 품질 에이전트가 모든 대화를 평가하며, 낮은 평가를 받은 대화는 요금에서 크레딧으로 차감됩니다.

* 수정 사항은 에이전트가 초안을 작성하고 시뮬레이션한 후 배포 전에 사람의 승인을 받습니다.

* 새로운 직무들이 고객사별 AI를 배포하고 오류에 대응하며 성능을 조율합니다.

1. 겨냥하는 산업

Crescendo는 고객 지원 아웃소싱 시장을 겨냥합니다. 흔히 BPO라 불리며 전화, 채팅, 이메일로 고객 응대를 대신하는 콘택트센터 기업들입니다. 제너럴 캐털리스트는 2024년 1월 25일 Crescendo를 공개하며 “수직 통합된 최초의 AI 네이티브 콘택트센터 기업 중 하나”라고 소개했습니다. 공동 창업자들은 이 산업 출신입니다. 앤디 리는 대형 콘택트센터 아웃소싱 업체인 알로리카를 세웠고, 맷 프라이스는 Zendesk에서 제품과 시장 진출을 총괄했으며, 슬라바 자코프는 콘택트센터 소프트웨어 기업 제네시스의 CTO였습니다.

초기 계획은 반복되는 요청을 처리하는 플레이북을 작성해 주는 AI 레이어였습니다. Crescendo는 이 플랫폼이 2023년 말부터 실제 운영 환경에서 쓰였다고 밝힙니다. 2024년 10월 2일, 회사는 5억 달러의 기업 가치로 5,000만 달러를 투자받고 아이다호주 보이시에 본사를 둔 고객 지원 아웃소싱 기업 PartnerHero를 인수했습니다. PartnerHero는 약 3,000명의 지원 인력과 함께 에어테이블, 칸 아카데미, 유데미를 포함한 200여 개 고객사를 보유하고 있었습니다. 맷 프라이스는 이후 Pulse 2.0과의 인터뷰에서 당시 Crescendo가 “직원 스무 명의 스타트업”이었다고 회고했습니다.

사업의 전개 순서가 독특합니다. Crescendo는 AI를 도입한 콜센터로 시작하지 않았습니다. AI 기업으로 출발해 콜센터를 사들였습니다. 인수 발표 공동 서한에서 두 CEO는 그 결과물을 “독립형 AI SaaS 툴도, BPO도 아니며 둘의 장점을 결합한 형태”라고 설명했습니다.

2. 운영 방식

최전선에는 AI가 있습니다. Crescendo의 Concierge 에이전트는 음성, 채팅, 이메일, 문자 전반에서 고객을 응대합니다. 문제를 해결하지 못하면 회사 웹사이트 설명대로 “전체 대화 맥락을 온전히 보존한 채” 상담원에게 케이스를 넘깁니다. 반대편에서 대기하는 인력은 Crescendo 소속 상담원으로, 회사는 이들을 “Superhumans(슈퍼휴먼)”이라 부릅니다. 2025년 10월 요금 조건에 따르면 이 인계 팀은 기본적으로 여러 고객사가 공유하며 영어와 스페인어를 지원했습니다. 전담 팀 구성이나 다른 언어 지원, 타국 소재 인력 배치는 추가 비용이 들었습니다.

상담원은 AI 초안을 기반으로 일합니다. Expert Assist는 고객사의 업무 절차, 규정, 과거 처리 내역을 바탕으로 상담원이 바로 보낼 수 있는 답변 초안을 작성합니다. 회사 제품 페이지는 이 단계를 간단히 요약합니다. “상담원은 검토하고, 전송하고, 다음 건으로 넘어갑니다.” Crescendo는 상담원들이 “AI 응답을 다듬고, 에스컬레이션을 처리하며, 고객 경험(CX)을 최적화”하는 동시에 AI가 참조하는 지식 베이스를 갱신한다고 설명합니다.

모든 대화의 품질을 전수 검사합니다. Quality Agent는 “표본이 아니라 모든 상호작용을 평가”합니다. 인사이트 에이전트는 실패 사례를 유형별로 묶어 원인을 추적합니다. 최적화 에이전트가 개선안 초안을 작성하면, 시뮬레이션 에이전트는 실제 고객에게 적용하기 전 “1,000 고객 일(1K customer days)” 규모의 데이터를 기반으로 변경 사항을 시험합니다. IT Brief에 따르면 변경 사항이 배포되기 전에는 여전히 사람이 승인해야 합니다. Crescendo의 최고제품책임자(CPO) 토드 페이머스는 “스스로 개선된다고 해서 스스로 승인하는 것은 아니다”라고 말했습니다. 회사 웹사이트는 AI가 독자적으로 수행할 수 있는 작업과 사람의 승인이 필요한 작업을 나누는 “Safe Action Framework”를 명시하고 있습니다.

AI와 고객사 사이에 새로운 직무가 생겼습니다. Crescendo의 채용 공고를 보면 구체적인 역할을 확인할 수 있습니다.

* AI Platform Support Specialist (온두라스 원격 근무, 미국 채용 공고도 존재): AI 문제가 고객에게 영향을 미칠 때 가장 먼저 대응합니다. AI 설정, 워크플로, 라우팅, 그리고 Zendesk나 Salesforce 같은 도구와의 연동 전반에서 원인을 추적합니다. 이후 AI를 튜닝하고 검증 절차를 추가해 같은 실패가 반복되지 않도록 조치합니다. 공고에서는 이 역할을 “운영 AI 시스템, 파트너 환경, 내부 팀 사이의 제어 레이어”로 정의하며, 장차 “파트너 AI 어시스턴트 포트폴리오를 총괄”하는 위치로 성장한다고 설명합니다.

* AI Deployment Specialist: 계약 체결 후 고객사의 AI 어시스턴트를 구축하고 연동하며, 고객사와 함께 테스트를 진행하고 인간 상담 인력을 위한 절차와 교육 자료를 마련합니다.

* Real-Time Coordinator (온두라스): 채팅, 이메일, 음성 전반에서 상담원의 일정, 휴식 시간, 대기열 수요를 추적합니다. 전통적인 콜센터의 인력 관리 업무이며, 지금도 운영의 한 축으로 남아 있습니다.

도입은 단계별로 빠르게 진행됩니다. Crescendo는 30일 이내 서비스 개시를 약속합니다. 서비스 페이지에 안내된 순서는 이렇습니다. 유스케이스 범위를 설정하고, 고객사의 지식 자산을 정비하며, 어시스턴트를 훈련하고 테스트한 뒤, 채널별로 순차 배포하면서 모니터링과 재학습을 이어갑니다.

시간이 아니라 성과에 따라 비용을 청구합니다. 2025년 10월 Crescendo 요금 페이지는 24시간 연중무휴 인간 상담원 인계, 전수 품질 검사, 지식 베이스 관리를 포함해 해결 건당 2.99달러부터 시작했습니다. 2026년 5월에는 요금제가 두 단계로 나뉘었습니다. “Managed AI”는 월 2,900달러부터 시작하는 서비스 수수료에 해결 건당(solve) 1.25달러가 붙었습니다. 상담원이 포함된 “Managed AI & Superhumans” 요금은 공개되지 않았습니다. 현재 웹사이트에는 가격이 표시되어 있지 않습니다. 여기에 보증 정책이 더해집니다. 서비스 개시 30일 이내에 AI 해결 대화의 CSAT가 이전 업체의 수치를 넘지 못하면 해당 월 비용은 무료입니다. Crescendo 자체 모델이 고객 만족도(”Predictive CSAT”)를 2점 이하로 매긴 대화는 다음 달 요금에서 크레딧으로 차감됩니다. 회사는 이 보증이 “AI와 Superhumans의 해결 건 모두에 적용된다”고 밝힙니다.

공개되지 않은 영역도 있습니다. Crescendo는 전체 처리량 중 AI와 사람의 비중이 어떻게 나뉘는지, PartnerHero의 약 3,000명 인력 중 대다수가 현재 어떤 업무를 맡고 있는지 공개하지 않았습니다. 웹사이트에 소개된 한 고객사는 AI가 케이스의 70%를 해결하고 전문 상담원이 30%를 처리했다고 전했습니다. 이는 단일 고객사의 수치이며 회사 전체 통계는 아닙니다.

3. 격차

품질 검사의 주체와 범위. 기존 콘택트센터에서는 관리자나 품질 담당 직원이 각 상담원의 통화 중 일부를 골라 듣습니다. ISG Research는 2022년 보고서에서 이러한 평가 방식이 “전체 대화의 1%에서 3%에 불과한 수준”을 점검한다고 짚었습니다. 2016년 Call Centre Helper가 응답자 113명을 대상으로 진행한 설문에서도 약 3분의 2가 2% 이하를 검토한다고 답했습니다. Crescendo에서는 기계가 모든 대화를 채점하고, 사람이 패턴을 검토해 해결책을 승인합니다. 낮은 평가를 받은 대화는 요금에서 공제되므로, 이 점수는 청구서에도 직접 반영됩니다.

비용 청구의 기준. 여전히 많은 BPO 계약이 상담원 수나 작업 시간을 기준으로 청구됩니다. 2026년 2월 Analytics India Magazine이 인용한 HFS Research 설문에 따르면, FTE 기반 상업 모델에 대한 의존도는 현재 42% 수준이며 3년 이내에 28%로 떨어질 것으로 예상됩니다. 해당 보고서는 “조달 부서들이 예측 가능한 FTE 기반 요금제를 여전히 선호한다”고 덧붙였습니다. Crescendo는 상담원 지원을 서비스 안에 포함시키고 해결 건당 또는 solve 건당 요금을 매깁니다. 회사는 이를 “수십 년간 이어진 노동력 기반 과금 정책”과의 결별로 규정합니다. 시간제 청구 모델에서는 일감이 늘어날수록 공급업체의 수익이 커집니다. 반면 Crescendo 모델에서는 문제를 해결해야 수익이 발생하며, 고객이 불만을 표한 건에 대해서는 손실을 보게 됩니다.

인간 상담원의 역할. 전통적인 BPO에서 상담원의 일은 인입된 대기열을 순서대로 처리하는 것입니다. Crescendo에서는 AI가 모든 접촉을 먼저 처리합니다. 사람은 AI가 넘긴 건을 해결하고, AI가 작성한 초안을 다듬어 전송하며, 지식 베이스를 최신 상태로 유지합니다. AI 자체를 운영하는 새로운 직무군도 등장했습니다. 고객사별로 AI를 구축하고, 장애에 대응하며, 성능을 튜닝하는 일입니다. Crescendo는 상담 인력을 “숙련된 AI 실무자”로 교육하고 있다고 밝혔으나, 실제로 전환된 인원수는 공개하지 않았습니다.

회사를 구축한 방식. 이 분야의 대다수 AI 스타트업은 콘택트센터에 소프트웨어를 판매하거나 이들과 경쟁합니다. Crescendo는 직원 20여 명 규모의 회사였음에도 3,000명의 인력과 200곳 이상의 고객사를 거느린 업체를 인수했습니다. 제너럴 캐털리스트는 이러한 접근법을 벤처 바이아웃 모델(Venture Buyout Model)이라 부릅니다. AI 부문은 첫날부터 훈련된 인력과 고객사, 글로벌 운영 체계를 확보했고, 인력 부문은 AI를 전면에 내세워 설계된 제품을 얻었습니다.

4. 파급

시간제 및 인력 기준 과금 방식이 압박을 받을 수 있습니다. 품질 연동 크레딧을 갖춘 해결 건당 요금제가 시장에서 받아들여진다면, 상담원 작업 시간에 비례해 매출을 올리던 업체들은 결과가 아닌 시간에 대가를 받아야 하는 이유를 설득해야 할 것입니다. HFS 데이터는 이러한 전환이 진행 중이지만, 기존 기업 조달 관행에 묶여 속도가 더딜 수 있음을 보여줍니다.

분절된 설루션 스택이 하나로 합쳐질 수 있습니다. 오늘날 많은 기업이 챗봇, BPO, 품질 평가, 인력 관리 도구를 각각 다른 공급업체로부터 도입해 운영합니다. Crescendo 창업자들은 챗봇과 콜센터가 동일한 케이스를 두고 경쟁하기 때문에, 챗봇에 콜센터를 덧붙인 구조를 “적대적 운영 모델”이라 불렀습니다. Crescendo는 현재 챗봇, 콘택트센터 소프트웨어, 티케팅, 품질 관리, 인력 관리 도구를 통합 플랫폼 하나로 대체하자고 제안합니다. 이 방식이 안착한다면 BPO와 계정당 라이선스를 판매하는 소프트웨어 업체 모두 입지가 좁아질 수 있습니다.

AI 기업이 서비스 기업에 제품을 파는 대신 기업 자체를 인수할 수 있습니다. 벤처 바이아웃 모델은 다른 산업에서도 나타날 수 있는 형태입니다. AI 기업이 인력과 고객사, 운영 노하우를 확보하기 위해 서비스 업체를 인수한 뒤, AI를 중심으로 업무 전반을 재편하는 방식입니다.

다른 서비스 조직이 참고할 만한 교훈은 다음과 같습니다.

* 성과 기반 요금을 매기기 전에 전수 검사 체계를 갖춰야 합니다. Crescendo가 요금을 품질과 연동할 수 있었던 것은 모든 대화를 전수 채점하기 때문입니다. 업무량의 2%만 표본 검사하는 조직은 이러한 약속을 지키기 어렵습니다.

* 변경 승인 권한은 사람에게 두어야 합니다. AI가 개선안을 제안하고 시뮬레이션하더라도 배포 전 최종 승인은 사람이 맡아야 합니다. 스스로 개선되는 루프라 해도 결과물의 배포 여부를 결정할 책임자는 필요합니다.

* 새로운 인간의 역할을 구체적으로 정의해야 합니다. 에스컬레이션 처리, AI 장애 대응, 배포, 지식 베이스 관리는 각기 다른 채용 공고로 구분되는 독립된 직무입니다. 단순히 “인간 개입(human in the loop)”이라고만 뭉뚱그려서는 역할을 명확히 설계할 수 없습니다.

* 채점 모델의 운영 주체를 확인해야 합니다. 과금 체계가 공급업체의 품질 모델에 의존한다면, 고객사는 그 모델이 대화를 어떻게 평가하는지 투명하게 확인할 수 있어야 합니다.

5. 한계

* 첫날 기준 70% 해결률, 0.68점의 평균 불만족률, 99.8%의 응답 정확도 등 주요 수치 대부분은 Crescendo 자체 발표에 근거합니다. 회사는 이를 측정하는 구체적 방식을 밝히지 않았으며, 크레딧 산정 기준이 되는 “Predictive CSAT” 역시 자체 모델입니다.

* Crescendo는 전사 차원에서 AI와 인력이 처리하는 업무 비율, 현재 총직원 수, PartnerHero 인수 인력 3,000여 명의 현재 업무 현황을 공개하지 않았습니다.

* Crescendo를 AI 네이티브 기업으로 볼 것인지, 체질을 개선 중인 BPO로 볼 것인지는 논쟁의 여지가 있습니다. AI 기업으로 출발했으나, 인력 상당수와 초기 대형 고객 기반은 인수한 BPO에서 비롯되었습니다.

* 품질 관리 기준 데이터는 2022년 애널리스트 보고서와 2016년 소규모 설문 결과에 기초합니다. HFS 설문의 표본 크기와 조사 방법론 역시 구체적으로 공개되지 않았습니다.

6. 출처

* General Catalyst — Our Creation of Crescendo — https://www.generalcatalyst.com/stories/our-creation-of-crescendo — 2024-01-25

* Crescendo — Crescendo – the next episode! — https://www.crescendo.ai/news/crescendo-the-next-episode — 2024-10-02

* Crescendo — Crescendo Closes $50M in Financing with Latest Round Led by General Catalyst (보도자료) — https://www.crescendo.ai/news/crescendo-closes-50-million-in-total-financing-with-latest-round-led-by-general-catalyst — 2024-10-02

* Crescendo — PartnerHero + Crescendo = Augmented AI (Wayback Machine 스냅숏, 2025-02-16) — http://web.archive.org/web/20250216213912/https://www.crescendo.ai/news/partnerhero-crescendo-augmented-ai — 2024-10-02

* Crescendo — Pricing (Wayback Machine 스냅숏) — http://web.archive.org/web/20251010003209/https://www.crescendo.ai/pricing — 2025-10-10

* Crescendo — Pricing (Wayback Machine 스냅숏) — http://web.archive.org/web/20260510091409/https://www.crescendo.ai/pricing — 2026-05-10

* Crescendo — Human in the loop (Wayback Machine 스냅숏) — http://web.archive.org/web/20260615023353/https://www.crescendo.ai/product/human-in-the-loop — 2026-06-15

* Crescendo — AI Optimization (Wayback Machine 스냅숏) — http://web.archive.org/web/20260510074519/https://www.crescendo.ai/product/managed-service — 2026-05-10

* Crescendo — Operational AI (Wayback Machine 스냅숏) — http://web.archive.org/web/20260510080817/https://www.crescendo.ai/product/operational-ai — 2026-05-10

* Crescendo — 홈페이지 — www.crescendo.ai/ — 2026-10-22 확인

* Crescendo — Total Outcome Guarantee — https://www.crescendo.ai/total-…

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

핵심

* 실험 결과를 판독하는 일부터 자동화가 시작되지만 실험 선택은 여전히 사람이 함께 결정합니다.

* 테크니션은 지침서에 적힌 내용이 아니라 실제로 수행한 작업을 기록합니다.

* 전문가 간 일치도를 기준으로 벤치마킹한 AI 심사관이 모델을 채점합니다.

1. 겨냥하는 산업

Periodic Labs는 2025년 9월 30일에 출범했습니다. 공동 창업자는 ChatGPT 개발에 참여한 전 OpenAI 연구 부사장 리엄 페더스와 Google DeepMind에서 재료 연구를 이끌었던 에킨 도우쉬 추북입니다. TechCrunch 보도에 따르면 a16z, DST, Nvidia, Accel 등이 참여한 시드 투자에서 3억 달러를 유치했습니다. 출범 당시 글에서 밝힌 목표는 분명합니다. “우리의 목표는 AI 과학자를 만드는 것입니다.” 아울러 “지능은 필요조건이지만 충분조건은 아닙니다”라고 덧붙였습니다. 새로운 지식은 아이디어를 현실에 부딪혀 검증하는 과정에서 나온다는 것이 회사의 시각이며, 이에 따라 “AI 과학자와 이들이 운영할 자율 실험실”을 함께 구축하고 있습니다.

Periodic Labs가 파고드는 분야는 신소재 발굴과 재료 공학입니다. 1차 목표는 더 높은 온도에서 작동하는 초전도체와 새로운 자석입니다. 전형적인 재료 연구실에서는 사람이 무엇을 만들지 고르고, 합성법을 찾고, 가열로와 측정 장비를 다룬 뒤, 실제로 무엇이 합성되었는지 밝혀내느라 몇 시간씩 씨름합니다. Periodic Labs는 이 순환 과정의 더 많은 부분을 AI에 맡기려 합니다. 또한 반도체 제조사를 시작으로 같은 도구를 산업계에 판매하고 있습니다.

2. 운영 방식

연구 순환 구조. 2026년 9월 15일 글에서 Periodic Labs는 신소재 발굴 과정을 반복되는 세 단계로 나누어 설명합니다. 첫째, 안정성과 물성 시뮬레이션을 바탕으로 무엇을 만들지 예측합니다. 둘째, 그것을 어떻게 만들지 예측합니다. 셋째, 실제로 무엇이 만들어졌는지, 원하던 특성을 띠는지 확인합니다. 2026년 10월 8일 Latent Space 팟캐스트 인터뷰에서 리엄 페더스는 세 번째 단계를 간단히 요약했습니다. 시료는 “라벨이 붙은 채로 나오지 않는다”는 것입니다. 시뮬레이션으로 후보를 좁히고, 자체 실험 데이터로 이를 보정합니다.

가장 먼저 자동화한 영역. Periodic Labs는 다음 실험을 고르는 일부터 모델에 맡기지 않았습니다. 추북은 무엇이 합성되었는지 알아내는 특성 분석이 병목이라는 것이 처음부터 팀의 판단이었다고 밝혔습니다. “가루를 섞는 일 자체는 그리 어렵지 않지만”, 분석이 빠르지 않으면 정보에 기반한 다음 결정을 내릴 수 없기 때문입니다. 페더스는 시간의 흐름에 따른 비중 변화를 설명했습니다. 연구 캠페인의 방향 제시는 초기에 “완전히 사람이 주도”했으나 현재는 “AI 주도와 사람 주도의 혼합” 형태를 띱니다. 반면 특성 분석은 “AI 주도로 크게 전환”되었으며, 과학자들은 일상적인 데이터 피팅 작업에서 벗어나 “업무 수준을 높일 수” 있게 되었습니다.

가장 대표적인 사례가 분말에 무엇이 들었는지 확인하는 핵심 검사인 X선 회절(XRD)입니다. Periodic Labs에 따르면 복잡한 패턴을 해석하는 데는 전문가도 몇 시간씩 걸립니다. 회사는 “자율 실험실 규모가 커지면서 과학자들이 XRD 결과를 수작업으로 분석하는 속도를 더 이상 따라갈 수 없게 되었다”고 적었습니다. 그 해결책이 1조 개 매개변수를 갖춘 모델 Periodic Neon입니다. Periodic Labs는 오픈 웨이트 모델인 Kimi K2.6을 기반으로 삼아 과학 문헌과 자체 실험실 데이터로 추가 학습을 진행했습니다. Periodic Neon은 현재 실험실에 배치되어 실험 데이터를 분석하고 있습니다. 회사는 이를 통해 과학자들이 “훨씬 더 많은 실험을 감독”할 수 있게 되었다고 설명합니다. 동일한 접근법이 다른 장비에도 적용되었습니다. 전자현미경 이미지를 판독하던 기술자와 과학자들의 업무가 밀리자, 팀은 처음에 단순 스크립트를 시도했으나 페더스의 표현대로 “다소 둔한” 방식이었습니다. 결국 각 실험이 무엇을 만들려 했는지 맥락을 파악하는 AI를 장비에 직접 탑재했습니다.

AI를 검증하는 방식. XRD 분석에는 정해진 모범 답안이 없습니다. Periodic Labs는 과학이란 “반증할 수는 있지만, 쉽게 검증하기는 어렵다”고 썼습니다. 그래서 전문가의 판단 자체를 자동화된 평가자로 바꿨습니다. 박사 학위를 가진 재료 전문가들이 패턴 하나당 3명씩 배정되어 수천 개의 패턴에 라벨을 달았습니다. 전문가들 사이의 일치율은 77.2%였습니다. AI 평가자 한 쌍은 전문가와 74.6% 일치했고, 전문가 합의 결과와는 84% 일치했습니다. 이 AI 평가자가 학습과 평가 과정에서 모델을 채점합니다. 회사는 또한 전체 데이터를 조망하는 AI가 실험실 오류도 잡아낸다고 말합니다. 한 번은 여러 실험에 걸친 결과의 불일치를 AI가 감지해 특정 장비에 시료가 잘못 들어간 사실을 밝혀내기도 했습니다.

실험실 운영과 구성원. 멘로파크에 자리한 Periodic Labs의 실험실은 회사 설명에 따르면 “연중무휴 24시간” 돌아갑니다. 자동화는 여전히 단계적으로 진행 중입니다. 2025년 12월 MIT Technology Review는 Periodic Labs가 “AI 예측을 바탕으로 사람이 직접 합성하는 방식에서 출발”하고 있다고 보도했습니다. 2026년 5월 분말 공정 엔지니어 채용 공고에도 “향후 구축할 자동화된 대규모 실험실”의 밑거름이 될 “수작업 실험실”이라는 표현이 남아 있습니다. 페더스는 실용적인 접근 방식을 취하고 있다고 설명합니다. 과학자와 기술자의 시간을 많이 잡아먹는 반복 작업부터 자동화하고, 자동화에 몇 달씩 걸릴 까다로운 수작업은 건너뜁니다. 그는 “완전한 자율성은 목표가 아니며”, 고품질의 다양한 데이터를 대량으로 확보하는 것이 목표라고 말했습니다.

채용 공고는 데이터 주변에서 사람들이 어떤 일을 하는지 잘 보여줍니다. 계약직 기술자는 표준 절차에 따라 증착 장비를 다루고 시료를 준비하며 장비 교정을 유지합니다. 한 공고에는 “모든 실험 실행이 모델을 위한 잠재적 데이터 포인트”라며 “레시피에 적힌 내용이 아니라 실제로 수행한 작업을 기록하라”고 안내합니다. 자동화 엔지니어는 장비 드라이버를 개발하고 로봇과 기기를 실험실 데이터 시스템 및 AI 모델에 연결해 “실험 분석과 계획 수립”을 돕습니다. 재료 데이터 담당 직무는 연구 절반, 데이터 정제 절반으로 구성되며 “에이전트 로그를 조사해 데이터 오류와 에이전트 실패 양상을 규명”하는 일을 맡깁니다. 이 밖에도 과학 워크플로를 바탕으로 평가 및 학습 환경을 구축하고 모델을 직접 훈련하는 직무들이 있습니다.

조직 구조. 페더스는 직무를 AI 연구 및 인프라, 계산, 실험, 하드웨어 엔지니어링, 제품 등 다섯 가지로 구분했습니다. 추북은 벨 연구소처럼 수석 전문가들도 현장 실무를 직접 챙겨야 한다고 말합니다. 실험실 총괄은 휴직 중인 MIT 물리학자 조 체켈스키가 맡고 있습니다. 페더스에 따르면 OpenAI에서 Operator 에이전트 기술 개발을 이끌었던 레이 나카노가 실험실에 상주하며 장비 자동화를 담당하고 있습니다. 느린 계량기나 혼합 시료 상단에 멈춰 오염 위험을 부르는 로봇 팔처럼 기성 부품이 병목을 일으킬 때는 하드웨어도 자체 제작합니다.

3. 격차

기존 재료 연구실과의 차이는 로봇의 유무보다 실험실이 존재하는 목적에 있습니다.

기존 연구실에서는 실험이 결과를 낳고, 그중 유용한 부분만 논문에 실립니다. Periodic Labs에서는 모든 실험 실행이 자체 모델을 위한 학습 데이터가 됩니다. 페더스는 이를 “과학을 수행하는 과정 자체를 학습시키는 일”이라고 불렀습니다. 이는 대화 내용, 직관, 실험실에서 실제로 돌아간 과정, 코드까지 연구 캠페인의 전체 기록을 보존한다는 뜻입니다. 실패한 실험이 중요한 이유도 여기에 있습니다. 출범 당시 글에서는 연구실에서 만들어내는 실패한 결과(부정적 결과)가 “거의 출판되지 않는다”고 언급합니다. Periodic Labs는 이를 버리지 않고 학습에 사용합니다.

두 번째 차이는 사람의 손길이 닿는 위치입니다. 본 시리즈의 다른 사례인 Lila Sciences에서는 모델이 다음 실험을 결정하고 과학자의 검토는 안전 점검 수준으로 축소된 연구 캠페인을 다루었습니다. 반면 Periodic Labs의 기록에서 나타난 첫 번째 큰 변화는 다른 지점에서 일어났습니다. 과학자들은 회절 패턴을 맞추느라 몇 시간씩 소모하는 일을 멈추고 더 많은 실험을 감독하기 시작했습니다. 다음에 무엇을 시도할지는 여전히 사람과 AI가 함께 결정합니다. 또한 Periodic Labs는 사람이 전혀 없는 실험실을 지향하지 않는다고 공개적으로 밝히고 있습니다.

세 번째 차이는 AI를 검증하는 방식입니다. Periodic Labs는 프런티어 모델이나 단일 실험 결과에만 의존하지 않습니다. 사내 전문가들의 의견 일치율을 측정하고, 그 수준에 근접하는 AI 평가자를 구축한 뒤, 이를 활용해 자체 모델을 훈련했습니다. 회사 발표에 따르면 자체 모델은 가장 까다로운 내부 XRD 테스트에서 주요 범용 모델들을 제쳤으며 분석당 비용도 더 낮았습니다. 또한 동일한 프런티어 모델이라도 공개 데이터베이스와 표준 XRD 소프트웨어를 결합한 Claude Code 환경보다 실험실 맥락과 사내 데이터베이스를 갖춘 Periodic Labs의 도구 환경 안에서 3.8배 더 나은 성능을 냈다고 밝혔습니다.

네 번째 차이는 사업 방식에서 드러납니다. 페더스는 Periodic Labs가 자체 도구의 “첫 번째 고객”이었으며 이제 그 도구를 반도체 기업들에 공급하고 있다고 설명했습니다. API만 판매하는 대신, 현장 배치 엔지니어가 고객사에 상주하면서 모델을 로컬 환경에서 구동하고 파트너의 데이터로 재학습시킵니다. 이를 통해 파트너가 “자신만의 인텔리전스를 소유”할 수 있게 돕습니다. 채용 공고에는 대만 장기 체류 조건도 명시되어 있습니다. 페더스는 시스템의 자율성이 높아질수록 도구 사용료 대신 목표 달성에 비용을 청구하는 “성과 기반 요금제”를 도입할 수 있다고 언급했습니다.

4. 파급

연구개발 연구실의 희소 자원은 연구 벤치에 머무는 시간에서 정제되고 연결된 데이터로 이동할 수 있습니다. 추북은 발표된 실험 데이터 상당수에 노이즈가 많아 흔히 쓰이는 시뮬레이션 기법인 “DFT 정확도보다 대개 못하다”고 말했습니다. 모든 단계를 표준화된 방식으로 기록하는 연구실이 범용 모델보다 결과를 더 잘 판독하는 모델을 훈련할 수 있다면, 해당 데이터는 다른 연구실이 쉽게 사거나 흉내 낼 수 없는 자산이 될 것입니다.

재료 및 공정 컨설팅 분야는 새로운 유형의 경쟁자를 마주할 수 있습니다. Periodic Labs는 시뮬레이션, 훈련된 모델, 자체 엔지니어를 고객사의 공정 현장에 직접 투입합니다. 이 방식이 안착하고 향후 성과 기반 과금으로 전환된다면, 현재 이 업무를 수행하는 사내 조직이나 외부 전문 기관과 경쟁하게 될 수 있습니다. 다만 아직은 초기 사례에 해당합니다.

다른 연구개발 조직을 위한 교훈은 순서와 검증 방식에 있습니다.

* 결정하기 전에 판독부터 자동화해야 합니다. Periodic Labs는 사람이 분석할 수 있는 양보다 더 많은 실험을 수행할 수 있다는 점을 깨달았습니다. 아무도 읽지 않은 결과로는 올바른 다음 선택을 내릴 수 없으므로, 빠르고 신뢰할 수 있는 분석 체계가 먼저 갖춰져야 했습니다.

* AI 평가자를 만들기 전에 전문가 사이의 일치율부터 측정해야 합니다. Periodic Labs는 전문가 간 일치율을 자동화 평가자의 기준으로 삼았습니다. 이 수치가 없으면 어디까지가 “충분히 좋은지” 알 방법이 없습니다.

* 기술자의 작업 기록을 실험의 일부로 다루어야 합니다. 규정집에 적힌 절차가 아니라 실제로 수행한 내용을 기록하도록 요구하는 것이 데이터를 학습에 활용하고 오류를 잡아내는 핵심 열쇠가 됩니다.

* 모든 곳이 아니라 가치가 있는 곳부터 자동화해야 합니다. Periodic Labs는 까다로운 수작업은 의도적으로 사람에게 남겨두고, 시간이 많이 걸리는 일상적인 반복 작업부터 자동화하고 있습니다.

5. 한계

* 워크플로와 관련된 대부분의 내용은 Periodic Labs의 블로그 글, 창업자 인터뷰, 채용 공고에서 나왔습니다. XRD 분석 성과 역시 내부 테스트 데이터와 자체 제작한 AI 평가자를 기준으로 측정된 결과입니다.

* 확인된 자료에는 직원 수, 실험실 처리량, 합성 작업 자체의 구체적인 자동화 수준이 나와 있지 않습니다. 연구 캠페인 전체를 AI가 이끌도록 하겠다는 구상은 향후 과제로 언급되어 있습니다.

* 확인된 자료 기준으로 Periodic Labs는 아직 새로운 초전도체나 자석을 발견했다고 발표하지 않았습니다. 반도체 관련 작업 역시 성과 없이 소개되어 있습니다.

6. 출처

* Periodic Labs — Introducing Periodic Labs — https://periodic.com/news/introducing-periodic-labs — 2025-09-30

* Periodic Labs — Building Labs that Learn — https://periodic.com/news/building-labs-that-learn — 2026-09-15

* Periodic Labs — Nature Is Our Learning Environment — https://periodic.com/news/nature-is-our-learning-environment — 2026-09-15

* Periodic Labs — AI Infrastructure at Periodic — https://periodic.com/news/ai-infrastructure-at-periodic — 2026-09-15

* Latent Space — Synthesis Superintelligence: from Semiconductors to Superconductors — Periodic Labs’ Liam Fedus and Ekin Dogus Cubuk — www.latent.space/p/periodic — 2026-10-08

* Periodic Labs — 채용 공고: Automation Engineer; Process Engineer, Powder; Process Technician, Thin Films; Research Scientist/Research Engineer, Materials Data; Research Scientist, Data; Research Scientist/Research Engineer, Midtraining; Research Scientist, Scaling RL; Forward Deployed Engineer, Physics & Simulation — https://jobs.ashbyhq.com/periodic-labs — 2026-10-22 확인

* MIT Technology Review — AI materials discovery now needs to move into the real world — https://www.technologyreview.com/2025/12/15/1129210/ai-materials-science-discovery-startups-investment/ — 2025-12-15

* TechCrunch — Former OpenAI and DeepMind researchers raise whopping $300M seed to automate science — https://techcrunch.com/2025/09/30/former-openai-and-deepmind-researchers-raise-whopping-300m-seed-to-automate-science/ — 2025-09-30

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

핵심

* 메시지가 발송되기 전에 탤런트 엔지니어가 에이전트의 파이프라인을 검토하고 승인합니다.

* 아웃리치는 고객사의 창업자나 채용 관리자의 이름으로 발송됩니다.

* 이 회사는 무제한 채용을 지원하며 직무당 월정액 요금을 청구한다고 밝힙니다.

1. 겨냥하는 산업

Jooba는 스타트업과 빠르게 성장하는 기술 기업을 위한 채용 전문 회사입니다. 2025년 CEO인 마크 벤리얀과 부르한 드락 시바이가 공동 설립했습니다. 벤리얀은 넷플릭스와 Figma에서 소프트웨어를 개발해 출시했고, 채용 분야를 중심으로 많은 LinkedIn 팔로워를 모았습니다. 그의 a16z speedrun 프로필에서 그는 “대형 채용 대행사를 곁에서 지켜보며 운영 방식에 관한 모든 것을 배우기 위해” Figma를 그만두었다고 밝혔습니다. Jooba는 채용 담당자에게 소프트웨어를 파는 곳이 아니라, 채용 업무를 직접 수행하는 채용 회사로 설립되었습니다. 2026-10-20에는 정식 출시와 함께 a16z speedrun, Scribble Ventures, Genius Ventures로부터 시드 투자금 400만 달러를 유치했다고 발표했습니다.

Jooba가 맡는 업무는 아웃바운드 채용 탐색입니다. 지원하지 않은 인재를 직접 찾아내 연락하고, 관심을 보이는 후보자를 채용 담당 관리자에게 연결하는 채용 단계입니다. 기업들은 보통 이를 사내에서 처리하거나 대행사에 맡깁니다. 상장 인력 공급 기업인 Robert Half는 연차 보고서(Form 10-K)에서 정규직 채용 알선 수수료를 이렇게 설명합니다. 고용주는 채용이 성사되었을 때만 비용을 지불하며, 수수료는 “일반적으로 신규 입사자 연봉의 일정 비율”입니다. Jooba 웹사이트에 따르면 전통적인 채용 대행사는 채용 1건당 20~30%의 채용 성사 수수료를 부과합니다. Jooba의 보도자료에서 a16z speedrun의 파트너 트로이 커윈은 대행사들이 스타트업에 “채용 1건당 3만~5만 달러”를 청구한다고 말했습니다.

Jooba는 보도자료에서 또 다른 경쟁 상대로 셀프서브 AI 채용 도구를 언급합니다. 이런 도구들은 “운영 부담 전체를 다시 회사로 떠넘긴다”는 설명입니다. Jooba는 도구가 아니라 서비스를 판매합니다.

2. 운영 방식

Jooba의 웹사이트, 보도자료, 7건의 고객 사례는 모두 동일한 흐름을 설명합니다.

사람과 진행하는 사전 인터뷰. 모든 탐색은 고객사와 사람인 “탤런트 엔지니어” 간의 통화로 시작합니다. 고객 사례 중 두 곳에서는 30분짜리 단 한 차례의 통화였습니다. 웹사이트에서는 이 통화의 목적을 고객사의 채용 목표와 “귀하의 팀에서 뛰어난 인재란 어떤 모습인지”를 파악하는 것이라고 설명합니다. Netpreme 사례에 따르면 고객사는 상세한 직무 기술서를 작성할 필요가 없었습니다.

직무당 하나의 에이전트. 사전 인터뷰 통화가 끝나면 Jooba는 해당 포지션 전용 AI 발굴 에이전트를 만듭니다. 보도자료에 따르면 모든 채용 포지션에는 해당 역할의 “정확한 기술 및 문화적 요구사항에 맞춰 조정된 전용 AI 에이전트”가 배정됩니다. 에이전트는 “수백만 명의 잠재적 후보자”를 탐색합니다. 웹사이트에는 같은 내용이 더 짧게 표현되어 있습니다. Jooba는 “고객처럼 생각하는 맞춤형 AI 에이전트를 학습시킵니다.”

메시지 발송 전 사람이 직접 검토. 보도자료에 따르면 Jooba의 탤런트 엔지니어들은 “메시지를 보내기 전에 후보자 풀을 수작업으로 검토, 보완, 승인”합니다. 웹사이트는 업무 분담을 다음과 같이 설명합니다. “AI는 일정을 단축하고, 프로필을 빠르게 검토하며, 대규모 리서치를 수행합니다.” 반면 채용 전문가들은 “모든 판단을 내리고 결과에 책임을 집니다.”

고객사 명의로 진행되는 연락. 후보자에게는 Jooba가 아닌 창업자나 채용 담당 관리자의 명의로 연락이 전달됩니다. Guard Owl 사례에서는 “창업자의 개인 LinkedIn 프로필에서” 연락이 발송되었으며, 엔지니어링 직무는 공동 창업자 명의로, 영업 직무는 CEO 명의로 발송되었습니다.

모든 인터페이스 역할을 하는 Slack. 관심 있는 후보자는 전용 Slack 채널로 들어옵니다. 고객사는 후보 소개를 승인하고 1차 인터뷰를 진행합니다. Jooba는 별도의 대시보드 없이 “답장, 일정 조율, 후속 조치, ATS 업데이트”를 처리합니다. Abundance 사례에서는 고객사가 들이는 총 노력을 “Slack에서 후보 소개를 승인하고 1차 인터뷰를 진행하는 것 외에는 아무것도 없다”고 적었습니다.

다음 채용으로 이어지는 조율. 두 고객 사례는 고객 피드백을 통해 탐색 과정이 개선되는 모습을 보여줍니다. Invoca에서는 Jooba와 채용 담당 관리자들이 “함께 실시간으로 프로필을 검토”했습니다. 이 과정에서 키워드로 채운 이력서와 진짜 AI 개발자를 구분하는 기준에 대한 관리자들의 의견이 다시 탐색 과정에 반영되었습니다. Gridwise에서는 1개 직무 탐색이 5개 직무로 확대되었으며, 매번 새로운 탐색이 시작될 때마다 “이미 해당 회사에 맞춰 조율된 탤런트 엔지니어와 함께 빠르게 진행”되었습니다.

팀 규모는 작습니다. a16z speedrun 페이지에는 6명의 직원이 등록되어 있으며, 소프트웨어, 에이전트, 채용 경험이 결합된 이력을 설명합니다. “Essential AI와 Resolve AI에서 에이전트를 개발한” 인력과 “대형 채용 대행사를 곁에서 지켜보며 몇 달을 보낸” 인력으로 구성되어 있습니다. Jooba는 지금까지 100개 이상의 기업의 채용을 도왔다고 밝히고 있습니다. 2026년 기준 직무 전반에 걸쳐 첫 후보 소개까지 걸린 시간의 중앙값은 22시간이라고 보고했으나, 이는 산출 방식이 명시되지 않은 회사 자체 수치입니다.

3. 격차

가장 뚜렷한 차이는 고객이 지불하는 대상입니다. Robert Half가 자사 비즈니스 모델로 설명하듯, 후보자가 입사 제안을 수락해야 수수료가 발생하므로 Robert Half는 채용 건당 비용을 지급받습니다. 반면 Jooba는 “무제한 채용을 위한 직무당 고정 월 요금”을 청구한다고 밝힙니다. 고객은 채용 성사 건수가 아니라 계속 실행되는 탐색 작업 자체에 비용을 지불합니다. Jooba의 FAQ는 홈페이지보다 덜 단정적입니다. “유연한 요금제”를 설명하면서 “대규모 채용의 경우” 무제한 채용을 지원하는 구독 모델을 제공한다고 명시합니다. 공개된 가격은 없습니다. Jooba는 “채용 1건당 비용 8배 절감”을 내세우고, 보도자료에서는 “채용 수수료 90% 절감”을 주장합니다. 둘 다 회사 측 수치입니다.

두 번째 차이는 후보자가 누구를 마주하는가입니다. 전통적인 대행사는 회사와 후보자 사이에 서서 그 관계를 직접 유지합니다. Jooba 웹사이트는 이 차이를 직접적으로 대비합니다. 대행사는 “중간자로서 후보자와의 관계를 소유”하지만, Jooba에서는 “후보자가 저희가 아닌 고객사와 직접 소통합니다.” Jooba는 겉으로 드러나지 않도록 되어 있습니다. 웹사이트는 또한 대행사가 “고객사 간에 동일한 후보자를 재활용”하는 반면, Jooba는 “모든 직무에 대해 맞춤형 탐색을 실행한다”고 주장합니다. 이는 경쟁사에 대한 Jooba의 설명이며, 독립적으로 검증된 결과는 아닙니다.

세 번째 차이는 사람이 하는 일입니다. Jooba의 설명에 따르면 여러 프로필을 검색하는 것은 에이전트의 몫입니다. 탤런트 엔지니어는 사전 인터뷰를 진행하고, 에이전트가 생성한 후보자 풀을 다듬으며, 메시지가 발송되기 전에 이를 승인합니다. 사람이 직접 확인하는 단계는 실수가 고객사 명의로 실제 사람에게 닿는 바로 그 지점에 배치됩니다. 셀프서브 AI 도구와 비교해도 고객이 할 일은 적습니다. 소프트웨어를 직접 운영하는 대신 Slack에서 답만 하면 되기 때문입니다.

Jooba는 탤런트 엔지니어 한 명이 몇 개 직무를 담당하는지 공개하지 않으므로, 채용 담당자 1인당 업무량의 변화를 외부에서 측정할 수는 없습니다.

4. 파급

채용 1건당 청구되는 수수료가 압박을 받을 수 있습니다. 채용 대행사의 수익은 채용 성사에 묶여 있습니다. 소수의 인력과 직무당 1개의 에이전트를 갖춘 회사가 여러 탐색을 동시에 실행할 수 있다면, 채용 성사 건수가 아니라 탐색 역량 단위로 가격을 책정할 수 있습니다. 보도자료에서 커윈 파트너가 주장하는 바는 대행사들이 이미 같은 수수료를 받으면서 “더 적은 일을 하기 위해” AI를 쓰고 있다는 점입니다. 고객들이 직무당 월 요금과 연봉의 일정 비율을 비교하기 시작한다면, 대행사들은 그 비율이 어떤 가치에 대한 대가인지 설명해야 할 수도 있습니다.

채용 소프트웨어와 채용 서비스 간의 경계가 흐려질 수 있습니다. Jooba는 소프트웨어를 기반으로 세워진 서비스 회사입니다. 인재 발굴 도구를 직접 운영하고 싶지 않은 고객에게는 내부에 에이전트를 갖춘 관리형 서비스가 도구와 대행사 모두를 대체할 수도 있습니다.

다른 조직에는 다음과 같은 교훈이 남을 수 있습니다.

* 실수가 밖으로 나가는 지점에 사람이 검토하는 단계를 두십시오. Jooba의 검토는 외부 연락 직전에 이루어집니다. 모든 메시지가 고객사 명의로 나가기 때문입니다. 외부인과 소통하는 에이전트 워크플로라면 사람이 승인해야 할 자연스러운 지점입니다.

* 조율 과정을 자산으로 다루십시오. Jooba의 사례에서 가치가 다음 직무로 이어지는 이유는 탤런트 엔지니어와 에이전트가 이미 회사의 눈높이를 파악하고 있기 때문입니다. 무엇이 “뛰어난” 기준인지 파악하고 피드백을 다시 반영하는 과정이 탐색 자체보다 더 중요할 수 있습니다.

* 고객이 이미 머무는 곳에서 일하십시오. Jooba는 고객에게 새 시스템을 배우라고 요구하지 않고 Slack에서 후보자를 승인하게 만듭니다.

* 가격 책정 방식은 위험을 부담하는 주체를 바꿉니다. 채용 1건당 수수료는 채용에 실패할 위험을 대행사에 둡니다. 직무당 월 요금제는 그 위험의 일부를 고객에게 넘길 수 있습니다.

5. 한계

* 본문의 워크플로는 Jooba의 자체 웹사이트, 보도자료, 고객 사례를 바탕으로 작성되었습니다. 본 글 작성을 위해 확인한 업계 기사들도 보도자료를 재인용한 수준이었습니다. Jooba의 실제 작동 방식에 대한 독립적인 보도는 찾을 수 없었습니다.

* 모든 성과 지표는 회사 측의 주장이며, 일부 수치는 서로 일치하지 않습니다. 보도자료에서는 채용 속도가 50% 빨라졌다고 하지만, 웹사이트와 speedrun 페이지에는 52%로 나와 있습니다. 웹사이트에는 비용이 “8배” 저렴하다고 적혀 있고, 보도자료에는 수수료를 90% 절감한다고 적혀 있습니다.

* Jooba는 에이전트가 어떤 데이터를 탐색하는지, 아웃바운드 메시지를 직접 작성하는지, 탤런트 엔지니어가 몇 명인지, 구독 비용이 얼마인지는 밝히지 않습니다.

* 고객 사례는 Jooba가 직접 작성한 것이며 성공적인 채용 사례만 보여줍니다.

6. 출처

* Jooba — Homepage (How we work, Why Jooba, FAQ) — www.jooba.com/ — 2026-10-22 확인

* Jooba (WebWire 배포) — Jooba Raises $4M to Build the AI-Native Recruiting Firm to Help Fast Growing Companies Hire Top Talent — https://www.webwire.com/ViewPressRel.asp?aId=363059 — 2026-10-20

* a16z speedrun — Jooba (회사 페이지) — https://speedrun.a16z.com/companies/jooba — 2026-10-22 확인

* a16z speedrun — Mark Benliyan, Jooba — https://speedrun.a16z.com/companies/jooba/mark-benliyan — 2026-10-22 확인

* Founders Future — Jooba (포트폴리오 페이지) — https://www.foundersfuture.com/en/portfolio/jooba — 2026-10-22 확인

* Jooba — How Cal.com filled every open engineering role with Jooba — https://www.jooba.com/customer-stories/calc — 2026-10-22 확인

* Jooba — How Guard Owl hired a full sales team and a top tier engineer in 1 month with Jooba — https://www.jooba.com/customer-stories/guard-owl — 2026-10-22 확인

* Jooba — How Invoca advanced their AI hiring with Jooba — https://www.jooba.com/customer-stories/invoca — 2026-10-22 확인

* Jooba — How Gridwise grew their Finance and Engineering teams with Jooba — https://www.jooba.com/customer-stories/gridwise — 2026-10-22 확인

* Jooba — How Delphi built a cross-functional outbound recruiting engine with Jooba — https://www.jooba.com/customer-stories/delphi — 2026-10-22 확인

* Jooba — How Abundance made a founding hardware hire in 15 days with Jooba — https://www.jooba.com/customer-stories/abundance — 2026-10-22 확인

* Jooba — How Netpreme filled a People Operations role in 19 days with Jooba — https://www.jooba.com/customer-stories/netpreme — 2026-10-22 확인

* The AI Journal — Jooba raises $4M led by a16z Speedrun to offer startups a new recruiting model. — https://aijourn.com/jooba-raises-4m-led-by-a16z-speedrun-to-offer-startups-a-new-recruiting-model/ — 2026-10-21

* Robert Half Inc. — Form 10-K for fiscal year 2025 — https://www.sec.gov/Archives/edgar/data/315213/000031521326000006/rhi-20251231.htm — 2026-10-22 확인

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

핵심

* CSO 에이전트는 질문을 계획하고 전달하지만 데이터 자체에는 접근하지 않습니다.

* 리뷰어 에이전트가 모든 결과물을 검토하며 그 비판에 따라 작업을 반려할 수도 있습니다.

* 해당 분야의 전문가가 각 에이전트의 작업을 감사할 수 있도록 에이전트는 사람의 역할을 본떠 구성됩니다.

1. 겨냥하는 산업

Virtual Biotech은 실제 기업이 아닙니다. Stanford 생물의학 데이터과학과 조교수인 제임스 저우 연구실에서 진행한 학술 실험입니다. 제1저자인 MD-PhD 학생 해리슨 장은 The Stanford Daily와의 인터뷰에서 이를 두고 “연구 프로젝트이자 하나의 아이디어”라고 말했습니다. Stanford 홍보팀은 “급여 없는 직원 3만 7,000명”을 둔 바이오텍으로 묘사하기도 했지만, 이는 비유적인 표현일 뿐입니다. 실제 사업체도, 판매 중인 제품도, 실험실 연구대도 없습니다. 관련 논문은 2026년 2월 프리프린트로 먼저 공개된 뒤 2026-09-17 Science에 게재되었습니다. 코드는 MIT 라이선스로 공개되어 있습니다.

그럼에도 이 글에서 다루는 이유는, 처음부터 AI 에이전트 조직으로 설계되었고 실제 기업 조직의 형태를 그대로 본떠 만들었기 때문입니다. 이 시스템이 겨냥하는 업무는 바이오텍이나 제약회사의 신약 개발 초기 컴퓨터 작업 단계입니다. 어떤 신약 표적을 추진할지 선택하고, 표적을 공략할 때 안전성이 확보되는지 확인하며, 어떤 종류의 약물을 만들지 결정하고, 이전 임상시험 결과에서 교훈을 얻는 일입니다. 연구진은 이 작업이 유전학자, 세포생물학자, 안전성 과학자, 약리학자, 임상 과학자로 구성된 다학제 팀을 통해 이루어지며, 관련 근거가 “팀과 조직 전반에 파편화되어 있다”고 설명합니다. Virtual Biotech은 이를 하나의 조율자 아래로 통합하려는 시도입니다.

이 시스템은 AI 에이전트가 학술 연구 그룹처럼 일하도록 설계했던 저우 교수의 이전 연구 버추얼 랩(Virtual Lab)(2025)에서 출발했습니다. 저우 교수는 The Stanford Daily에 이번 시스템이 단일 연구실을 넘어 훨씬 복잡한 R&D 조직을 본떠 만든 것이라고 설명했습니다.

2. 운영 방식

조직도. 프리프린트 논문에는 11개 에이전트가 등장합니다. 맨 위에는 최고과학책임자(CSO) 에이전트가 있습니다. CSO 집무실에는 브리핑을 준비하는 비서실장과 결과물을 점검하는 과학 검토자 에이전트가 함께 배치되어 있습니다. 그 아래로 4개 부서에 소속된 8개의 과학자 에이전트가 일합니다.

* 표적 발굴 및 우선순위 결정: 통계유전학 에이전트(전장 유전체 연관성 분석 및 관련 유전학적 근거), 기능유전체학 에이전트(CRISPR 스크리닝 및 약물 섭동 데이터), 단일세포 아틀라스 에이전트(세포 유형별 유전자 발현 데이터).

* 표적 안전성: 경로 및 단백질 상호작용 에이전트, 단일세포 아틀라스 에이전트(겸임), 이상반응 보고서와 약물 경고문 및 마우스 녹아웃 데이터를 검토하는 FDA 안전성 담당 에이전트.

* 치료 방식(모달리티) 선택: 표적 생물학자 에이전트(단백질 구조 및 세포 내 위치)와 약리학자 에이전트(동일 표적에 대한 기존 약물 및 화학 프로브).

* 임상 담당: 임상시험 전문가 에이전트와 FDA 안전성 담당 에이전트.

각 에이전트는 고유한 지침과 전용 도구 모음을 갖추고 있습니다. 연구팀은 모델 컨텍스트 프로토콜(MCP)을 사용해 10개의 데이터 서버를 구축했으며, Open Targets, ClinicalTrials.gov, 대규모 단일세포 아틀라스 등 공공 데이터베이스를 다루는 100개 이상의 도구를 연결했습니다. 에이전트 구동에는 Anthropic의 Claude Agent SDK를 사용합니다. 논문에 따르면 CSO와 과학자 에이전트는 Claude Sonnet 4.5를 사용하고, 비서실장과 과학 검토자는 “효율성과 속도를 위해” 크기가 작은 Claude Haiku 4.5를 씁니다.

연구 질의의 전달 경로. 논문은 모든 질의에 대해 동일한 절차를 거친다고 설명합니다.

* 사람이 질문을 던집니다. 예를 들어 특정 단백질이 암 치료에 적합한 신약 표적인지 묻는 식입니다.

* CSO는 비용이 많이 드는 분석을 시작하기에 앞서, 의뢰인이 원하는 바를 명확히 파악하기 위해 인터뷰를 진행합니다. 그사이 비서실장은 해당 분야의 현황, 최근 동향, 시스템이 보유한 데이터를 정리해 브리핑 문서를 작성합니다.

* CSO는 질문을 세부 과제로 쪼갠 뒤 적절한 과학자 에이전트에게 전달합니다. 부서 간 협업을 병렬로 진행할지 순차적으로 진행할지 결정하고, 부서 사이에 오가는 정보를 통제합니다.

* 과학자 에이전트들은 데이터를 조회하고, 분석 코드를 작성해 실행한 뒤 결과를 보고합니다.

* 과학 검토자는 세 가지 기준으로 각 결과물을 점검합니다. 원래 질문에 답하고 있는지, 근거가 얼마나 탄탄한지, 분석이 얼마나 철저한지 살핍니다.

* 검토자가 빈틈이나 근거가 부족한 주장을 발견하면, CSO는 피드백과 함께 관련 에이전트에게 작업을 돌려보냅니다. 문제가 없으면 CSO가 최종 보고서를 작성합니다.

CSO는 직접 데이터를 분석하지 않습니다. 논문 표현을 빌리면 CSO는 “데이터에 직접 접근하거나 분석을 수행하지 않습니다.” CSO의 역할은 무엇을 묻고, 누구에게 묻고, 답변을 어떻게 종합할지 판단하는 데 있습니다.

실제 전달 사례. 논문에 소개된 폐암 사례를 보면 이 흐름이 어떻게 작동하는지 잘 드러납니다. 연구팀은 시스템에 B7-H3라는 단백질이 신약 표적으로 적합한지 평가해 달라고 요청했습니다. 통계유전학 에이전트는 유전적 근거를 살펴봤습니다. 단일세포 아틀라스 에이전트는 B7-H3가 종양 주변 결합조직 세포인 섬유아세포에서 가장 활발히 발현되며, 이 세포들이 면역세포를 억제하는 신호를 보내는 것으로 보인다는 점을 확인했습니다. 이 시점에 CSO가 과학 검토자를 호출했고, 검토자는 이 결론이 조직 내 세포 위치 정보를 잃어버린 단일세포 데이터에서 나왔다고 지적했습니다. 이에 CSO는 단일세포 에이전트를 다시 투입해 폐종양 샘플 12개의 공간 전사체 데이터를 분석하도록 지시했고, 실제로 B7-H3가 풍부한 영역 주변에 면역세포가 적다는 사실을 확인했습니다. 이어서 임상시험 전문가 에이전트가 공개 암 코호트 데이터를 통해 높은 B7-H3 수치가 생존율 저하와 관련이 있는지 확인했습니다. 마지막으로 표적 생물학자 에이전트가 B7-H3가 세포 표면에 위치한다는 점을 확인했고, 약리학자 에이전트는 저분자 화합물이 결합할 만한 포켓이 없다는 결론을 내렸습니다. 이를 바탕으로 CSO는 결합 세포에 독성 물질을 전달하는 항체인 항체-약물 접합체(ADC)를 제안했습니다. 이 과정에서 웹 검색은 전혀 사용되지 않았으며 모델의 지식은 2025년 1월에서 멈춰 있었습니다. 논문에 따르면 이 작업은 하루도 걸리지 않았고 API 비용은 46달러가 들었습니다.

복제를 통한 확장. 언론에 소개된 “에이전트 3만 7,000명”이라는 수치는 한 가지 역할을 맡은 에이전트를 대량 복제한 것을 의미합니다. 임상시험에서 어떤 약물이 성공하는지 분석하기 위해, CSO는 5만 5,984건의 임상시험 공개 데이터셋에 결과 데이터를 추가하자고 제안했습니다. 시스템은 2상 시험 또는 3상 시험마다 하나씩 총 3만 7,075개의 임상시험 전문가 에이전트를 병렬로 실행했습니다. 각 에이전트는 먼저 ClinicalTrials.gov를 확인하고, 학술 논문을 살핀 뒤 보도자료를 검토하면서 입력한 모든 수치의 출처를 기록했습니다. 연구진은 이 작업이 6시간 만에 끝났으며, 단일 에이전트로 진행했다면 약 1,839시간이 걸렸을 것으로 추산했습니다. 이 데이터를 바탕으로 에이전트들은 몇 가지 세포 유형에서만 발현되는 유전자를 표적으로 삼은 약물이 시장에 출시될 확률이 48% 더 높고 이상반응은 32% 적다는 점을 밝혀냈습니다. 다만 임상 데이터는 관찰 연구이므로 이는 연관성을 보여주는 결과입니다.

사람의 개입 지점. 논문은 이를 “가벼운 인간 상호작용”으로 설명합니다. 사례 연구에서 사람은 실행 중에 두 가지 일만 수행했습니다. CSO의 확인 질문에 답하고, 각 단계가 끝날 때마다 민감도 분석이나 추가 분석을 요구하는 후속 질문을 던졌습니다. 논문은 “실험 아이디어 도출, 설계, 실행은 에이전트 주도로 유지되었다”고 기술합니다. 사람의 검토는 주로 실행 전후에 이루어집니다.

* 모든 세션에 기록이 남습니다. 사용자 인터페이스에 각 에이전트의 추론 과정과 사용한 도구가 표시됩니다. 공개된 코드는 세션마다 사용한 코드, 데이터, 주장 목록, 출처, 감사 보고서를 저장하므로 연구자가 분석을 그대로 재현해 볼 수 있습니다.

* 사람과의 표본 대조 검증. 두 명의 연구자가 무작위로 추출한 100건의 임상시험을 검토했습니다. 사람과 에이전트의 일치율은 1차 평가변수 89.7%, 2차 평가변수 83.9%, 이상반응 발생률 92.4%였습니다. 또한 에이전트가 입력한 라벨은 중복된 7,278건의 임상시험에서 기존 전문가 수작업 데이터셋과 85.3% 일치했습니다. 저우 교수는 The Stanford Daily를 통해 주요 결과 몇 가지에 대해 박사급 전문가가 직접 에이전트의 결과를 재현해 검증했다고 밝혔습니다.

* 실제 외부 데이터와의 대조. 모델의 학습 기준 시점 이후인 2025년 8월, 미국 FDA는 한 제약사가 개발한 B7-H3 표적 항체-약물 접합체인 ifinatamab deruxtecan을 혁신 치료제로 지정했습니다. 논문은 이를 에이전트 설계를 뒷받침하는 독립적인 근거로 제시했습니다. 저우 교수는 이를 두고 “독립적인 제3자 검증”이라고 말했습니다.

3. 격차

기존 바이오텍과의 본질적인 차이는 실행 속도가 아니라 업무를 나누는 방식과 기록하는 방식에 있습니다.

분석과 판단의 분리. 저자들은 기업에서 방향을 설정하는 사람들이 스스로 증거를 따져보기도 한다고 언급합니다. 반면 Virtual Biotech에서 CSO는 계획을 세우고, 업무를 배분하고, 결과를 종합하는 일만 맡습니다. 모든 분석은 제한된 도구만 가진 전문 에이전트들이 수행하며, 별도의 검토 에이전트가 이를 점검합니다. 연구진은 이러한 구조가 조직 내 인간적인 문제를 줄이는 데도 도움이 된다고 주장합니다. 기업에서는 의사결정이 “조직 내부 역학, 서로 다른 사전 신념, 직원의 인센티브”에 영향을 받을 수 있다는 것입니다. 다만 이는 저자의 주장이며 실제 팀을 상대로 비교 검증된 것은 아닙니다.

조직도 자체가 검토 지도가 됩니다. 연구진이 실제 기업 형태를 모방한 이유 중 하나는 사람이 에이전트를 쉽게 점검할 수 있도록 하기 위해서였습니다. 연구진은 이를 통해 “각 에이전트를 담당 분야의 인간 전문가가 더 쉽게 감사할 수 있다”고 설명합니다. 유전학자는 유전학 에이전트의 작업을 검토하고, 안전성 과학자는 안전성 담당 에이전트의 작업을 살피면 됩니다. 기존 기업에서는 의사결정의 배경과 논리가 여러 발표 자료와 회의록에 흩어지기 쉽습니다. 반면 이곳에서는 모든 단계가 코드 및 출처와 함께 저장됩니다. 연구진은 전통적인 신약 연구 환경에서는 이러한 투명성을 “달성하기 어렵다”고 평가합니다.

부서 간 인수인계의 자동화. B7-H3 사례에서 검토자가 단일세포 데이터를 지적하자 공간 분석으로 이어졌고, 이는 다시 다른 에이전트의 생존율 분석으로 연결되었습니다. 연구진은 부서 간 장벽이 있는 조직에서는 이러한 인수인계가 “일어나지 않을 수도 있다”고 지적합니다. Virtual Biotech에서는 CSO가 이러한 연결을 자연스러운 업무 절차로 처리합니다.

반복적인 데이터 큐레이션의 전면적인 규모화. 수만 건의 임상시험 기록을 사람이 일일이 읽는 것은 대부분의 팀이 엄두를 내지 못하는 작업입니다. 저우 교수는 Stanford 홍보팀과의 인터뷰에서 사람이 했다면 수년이 걸렸을 일이라고 언급했습니다. 이 시스템에서는 임상시험 1건당 에이전트 1개를 배정해 하룻밤 사이에 작업을 끝냈으며, 연구진은 심층 사례 연구 2건에서 각각 약 46달러와 54달러의 API 비용이 들었다고 보고했습니다. 저우 교수는 The Stanford Daily를 통해 “에이전트당 비용은 1달러 미만일 것”이라고 내다봤습니다. 이 수치들은 연구팀이 자체적으로 집계한 추산치입니다.

사람의 역할이 실행의 양 끝으로 이동합니다. 이 구조에서 사람은 연구 질문을 설정하고, CSO의 확인 질문에 답하며, 후속 질문을 던지고, 최종 결과물을 감사하는 역할을 맡습니다. 그사이의 분석 설계와 실행은 에이전트가 담당합니다. 논문 자체도 검토자 에이전트에만 의존하는 위험을 경고합니다. “단 하나의 실수가 가상 조직 전체로 퍼질 수 있으므로, 작업 흐름에 인간 전문가가 참여하는 것이 여전히 중요하다”이라고 강조합니다.

4. 파급

바이오텍 R&D에서 근거 검토 비용이 낮아질 수 있습니다. 현재 유전학, 단일세포 데이터, 안전성 기록, 과거 임상시험을 모두 아우르는 표적 평가는 여러 전문 팀의 협업이 필요합니다. 이런 시스템이 수십 달러로 하루 만에 신뢰할 만한 초안을 내놓을 수 있다면, 기업은 특정 표적에 대규모 자원을 투입하기 전에 훨씬 더 많은 표적을 검토해 볼 수 있을 것입니다. 다만 비용이 많이 드는 실험실 실험이나 임상시험 자체가 저렴해지는 것은 아닙니다. 싱귤래리티 허브(Singularity Hub)가 지적했듯, 후보 물질을 더 잘 고른다고 해서 약물에 필요한 필수 시험 기간을 단축할 수는 없습니다.

데이터 및 컨설팅 서비스 분야에서 구조화된 데이터 큐레이션이 일상화될 수 있습니다. 에이전트 검증에 쓰인 기존 데이터셋은 사람이 수작업으로 구축한 것이었습니다. 반면 이번 프로젝트의 임상시험 데이터셋은 에이전트가 구축해 공개되었습니다. 이러한 방식이 확산된다면 가치의 중심은 근거 데이터를 수집하고 정리하는 작업에서 이를 비판적으로 평가하고 해석하는 역량으로 옮겨갈 수 있습니다.

생물학 분야가 아니더라도 다른 산업 조직에 적용해 볼 만한 설계 원칙이 있습니다.

* 조율자와 분석가를 명확히 분리하세요. 데이터에 직접 손을 대지 못하는 조율 에이전트는 전문가에게 질문을 던질 수밖에 없으며, 전문가의 작업은 단위별로 나누어 독립적으로 검증할 수 있습니다.

* 사람이 검토하기를 원한다면 실제 조직도를 모방하세요. 각 에이전트의 역할이 현실의 직무와 1:1로 대응하면, 해당 분야의 전문가가 무엇을 확인해야 하는지 직관적으로 파악할 수 있습니다.

* 검토자를 업무 흐름의 필수 단계로 넣으세요. 검토자가 최종 답변 직전에 개입해 비판적 피드백을 전달하고 보완 작업을 지시하도록 설계하면, 공간 분석 사례처럼 결과물의 빈틈을 메울 수 있습니다.

* 무작위 표본을 추출해 사람과의 일치율을 측정하세요. 100건의 임상시험 표본 검증처럼 구체적인 오류율을 측정하면 막연한 정확도 주장 대신 구체적인 근거를 얻을 수 있습니다.

* 반복 업무에는 대규모 복제 에이전트를 활용하세요. 기록당 에이전트 하나를 배정하면 문맥이 뒤섞이지 않고 깔끔하게 유지되며, 장시간 걸릴 작업을 하룻밤 만에 끝내는 병렬 처리가 가능해집니다.

5. 한계

* 이 프로젝트는 실제 고객이나 마감 기한이 있는 운영 조직이 아니라 학술 연구 프로젝트입니다. 사례 연구는 연구진이 직접 선정한 것이며, 소요 시간, 비용, 일치율 등 대부분의 수치도 연구진 자체 집계입니다.

* 본문의 세부 내용은 주로 2026년 2월 공개된 프리프린트를 바탕으로 작성되었습니다. Science 게재본은 초록만 확인할 수 있었으므로 일부 세부 내용에 차이가 있을 수 있습니다.

* 임상시험 분석 결과는 관찰 데이터에 기반하며, 시스템이 제안한 새로운 표적들도 아직 실험실에서 검증되지 않았습니다. 저우 교수는 실제 실험실에서 검증하는 것이 다음 단계라고 밝혔습니다. 이 연구에 대한 외부 전문가의 독립적인 비판적 평가는 아직 확인되지 않았습니다.

6. 출처

* Stanford Medicine News Center — Virtual biotech company puts thousands of AI scientist agents to work on drug discovery — https://med.stanford.edu/news/all-news/2026/09/virtual-biotech-company.html — 2026-09-17

* bioRxiv — The Virtual Biotech: A Multi-Agent AI Framework for Therapeutic Discovery and Development (Zhang, Eckmann, Miao, Mahon, Zou) — https://ww…

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

핵심

* 채용 기준은 과거 채용자들과 초기 지원자에 대한 찬반 피드백에서 나옵니다.

* 최종 후보에 오른 각 지원자에게는 기준을 충족하는 부분과 미흡한 부분이 함께 명시됩니다.

* 이 회사는 가장 취약한 영역을 포함하여 자사 검색 기능이 벤치마크에서 얻은 점수를 공개합니다.

1. 겨냥하는 산업

Prism은 Y Combinator 2026년 봄 배치 기업으로, 2025년 테오 키츠버그(CEO)와 악셀 라 피라(CTO)가 설립했습니다. 스스로를 “AI 네이티브 채용 에이전시”라고 부릅니다. Prism을 시작하기 전, 키츠버그는 케임브리지 재학 시절 정신건강 헬프라인에서 채용과 교육을 총괄했고, 라 피라는 프랑스 헬스테크 기업 Alan에서 사내 채용 인프라 업무를 맡았습니다.

Prism이 대신하려는 일은 채용 에이전시의 기존 업무입니다. 직무에 맞는 인재를 찾고, 먼저 연락을 건네고, 스크리닝을 거쳐 고객사에게 후보 명단을 넘기는 일입니다. 출시 글에서는 기업들이 이 과정에서 왜 어려움을 겪는지 설명합니다. 창업자는 근무 시간의 약 3분의 1을 채용에 쓰고, 들어오는 지원자는 대부분 허수에 가까우며, 직접 보내는 아웃바운드 메시지는 다른 수많은 메시지와 경쟁해야 합니다. 에이전시는 느리고 비싸며 불투명합니다. 대략적인 조건만 맞는 프로필을 수천 개씩 쏟아내고 나머지 일을 고객에게 떠넘기는 기존 채용 소프트웨어도 비판합니다. 창업자의 표현을 빌리면 이렇습니다. “채용에서 가장 어려운 부분은 툴을 고르는 일이 아닙니다. 직접 일을 해내는 것입니다.”

그래서 Prism은 툴을 팔지 않습니다. 면접을 바로 볼 수 있는 후보 명단이라는 완성된 결과물을 팔며, 일반 에이전시와 같은 방식으로 대가를 받습니다.

2. 운영 방식

Prism이 설명하는 업무 흐름은 몇 단계로 나뉩니다.

* 브리프. 고객사는 공유 Slack 채널에서 Prism에 요구 사항을 전달합니다. “Slack 채널에서 저희에게 브리프를 전달하시면 됩니다.” 직무 정보를 입력하는 짧은 웹 폼도 마련되어 있으며, “작성을 마치는 즉시 Prism이 소싱을 시작합니다”라고 안내합니다.

* 기준 도출. Prism은 “채용 공고와 과거 채용 이력에 묻혀 있는 숨겨진 채용 기준”을 추출한다고 설명합니다. 채용 공고는 고객사가 원하는 바를 말해주고, 과거 채용 이력은 고객사가 실제로 누구를 선택했는지 보여줍니다.

* 검색. Prism은 세 곳을 동시에 탐색합니다. 자체 인재 풀, 고객사의 네트워크나 지원자 관리 시스템, 그리고 공개 웹입니다. 출시 글에서는 이렇게 설명합니다. “저희는 오늘날 수십 개의 검색을 동시에 병렬로 실행하며, 모든 단계를 측정하고 모니터링합니다.” Prism의 기술 보고서에 따르면 시스템은 직무당 최대 50명의 순위화된 후보자를 반환하며, 각 후보자마다 경력 사항과 적합성 분석을 함께 제공합니다.

* 조정. 고객사가 초기 후보자 몇 명에게 좋아요·싫어요를 남기면, 시스템이 이를 반영해 검색 조건을 조정합니다.

* 접촉. Prism은 LinkedIn, 이메일, WhatsApp을 통해 직무와 개인에게 맞춘 메시지로 후보자에게 연락합니다. 이렇게 찾아낸 인재 대부분은 해당 직무에 직접 지원한 적이 없는 사람들입니다.

* 스크리닝과 후보 명단. Prism은 후보자를 스크리닝한 뒤 순위가 매겨진 후보 명단을 전달합니다. 창업자가 Product Hunt에 올린 글에 따르면, 명단에 오른 각 후보자에게는 기준에 부합하는 부분, 미흡한 부분, 더 확인해 볼 내용이 함께 정리되어 있습니다.

* 면접과 오퍼. 인터뷰와 최종 제안은 고객사가 직접 진행합니다. “고객사는 면접과 오퍼 단계에 참여하시면 됩니다.”

Prism은 구직자 대상 서비스도 운영합니다. 구직자는 “AI 에이전트인 Prism과의 10분 대화”로 시작할 수 있으며, 시스템은 이들의 경력과 이직 조건을 묻습니다. Prism은 이들을 고객사의 직무와 매칭하며, 후보자의 승인 없이 프로필을 기업에 공유하지 않는다고 밝힙니다. 창업자는 또한 한 검색에 맞지 않는 사람이 다른 검색에는 맞을 수도 있다고 적었으며, 따라서 검색을 한 번 할 때마다 인재 풀에 사람이 더해질 수 있습니다.

조직 규모는 작습니다. YC 페이지에는 3명으로 기재되어 있습니다. 출시 글에는 4명이 언급됩니다. 두 창업자와 창업 멤버 엔지니어 1명, 사내 리크루터 1명이며, 뒤의 두 사람은 Prism 자체 시스템을 통해 채용했습니다. Prism은 후보자를 찾기 위해 “소프트웨어와 에이전트”를 사용한다고 말하며, 회사 소개 페이지에는 소싱, 스크리닝, 매칭, 아웃바운드를 AI가 처리하는 업무로 나열하고 있습니다. 회사 소개 페이지에 따르면, 라 피라는 Prism의 시스템을 구축하고 키츠버그는 채용 부문을 운영합니다. Product Hunt에서 키츠버그는 “저희는 자체 AI 툴을 구축했고 직접 검색을 실행합니다”라고 밝혔습니다. 출시 글에서는 사람의 시간은 “실제로 중요한 곳에만” 쓰인다고 덧붙입니다.

후보 명단이 고객사에게 전달되기 전에 내부 인력이 구체적으로 무엇을 검수하는지, 얼마나 자주 개입하는지는 밝히지 않았습니다.

Prism의 자체 페이지들에서도 가격 정책이 서로 다릅니다. 출시 글과 YC 프로필에는 검색을 시작하기 위한 착수금 500달러에 더해, 발굴한 인재가 서명할 때 첫해 연봉의 15%가 기재되어 있습니다. 현재 웹사이트에는 착수금이나 월 이용료 없이, 오퍼가 성사되었을 때만 15%를 받는 구조로 안내되어 있습니다. “채용되지 않으면 비용도 청구되지 않습니다.”

3. 격차

수수료 구조 자체가 새로운 것은 아닙니다. 채용 성공 시에만 비용을 받는 방식은 에이전시 업계에서 오랜 기간 쓰여 왔습니다. Prism이 바꾸는 지점은 그 수수료 뒤에 들어가는 노동의 방식입니다.

누가 검색을 수행하는가. 전통적인 에이전시에서는 리크루터가 직접 이름을 찾고, 프로필을 읽고, 메시지를 보냅니다. Prism에서는 시스템이 수십 개의 검색을 병렬로 돌리고, 사람은 검색 조건을 설정하고, 고객사 관계를 관리하며, 사람이 필요한 곳에 개입합니다. 창업자들은 AI가 판단력, 관계 형성, 맥락 이해와 같은 채용의 인간적인 측면을 대체해서는 안 되며, 오히려 사람이 그런 일에 집중할 수 있도록 길을 터주어야 한다고 말합니다.

브리프를 어떻게 기준으로 전환하는가. 일반적인 리크루터는 채용 공고와 고객사 미팅 내용을 바탕으로 일합니다. Prism은 여기에 두 가지 데이터를 더합니다. 고객사가 과거에 실제로 누구를 뽑았는지 보여주는 이전 채용 이력과, 초기 후보자에 대한 빠른 좋아요·싫어요 피드백입니다. 채용 기준이 채용 공고뿐 아니라 고객사가 과거에 내린 실제 선택에서 나옵니다.

고객사가 무엇을 받는가. Prism의 출시 글에서는 기존 채용 소프트웨어가 끝없는 리스트만 던져주고, 에이전시는 일하는 과정이 불투명하다고 지적합니다. Prism은 각 인재의 적합한 점과 부족한 점을 설명과 함께 정리한 순위화된 후보 명단을 전달합니다. Product Hunt 출시 당시 한 댓글은 이를 두고 “깜깜이” 에이전시에 대한 해답이라며 긍정적으로 평가했습니다.

자체 성과를 어떻게 측정하는가. Prism은 공개 인물 검색 벤치마크를 활용한 기술 보고서를 발표했습니다. 30개의 채용 질의를 기준으로 Prism은 89.6점을 기록해, 공개된 기존 최고 제품의 68.2점을 앞섰다고 보고했습니다. 보고서 자체에서도 이를 “경쟁사가 만든 벤치마크에 대한 벤더 자체 평가”라고 표현합니다. 눈여겨볼 점은 점수 자체보다 그 태도입니다. 에이전시가 자체 검색 성능을, 취약점까지 포함해 공개적으로 밝혔다는 점입니다. 보고서는 약점도 구체적으로 명시합니다. 이전 회사의 엑싯 가치나 졸업 연도처럼 공개 웹에 나와 있지 않은 정보가 조건으로 걸렸을 때 시스템 성능이 가장 떨어졌습니다.

4. 파급

에이전시가 가격 인하 압박을 받을 수 있습니다. 소수의 인원과 검색 시스템만으로 에이전시 팀이 하던 소싱과 1차 스크리닝을 해낼 수 있다면, Prism 같은 기업은 채용당 수수료를 낮추고도 수익을 낼 수 있습니다. 웹사이트에는 이미 착수금 없이 오퍼 성사 시의 수수료만 기재되어 있습니다. 담당하는 직무 수가 늘어나도 이 구조를 유지할 수 있을지는 아직 지켜볼 일입니다.

소프트웨어와 서비스의 경계가 흐려질 수 있습니다. Prism은 좌석 라이선스가 아니라 완성된 결과물을 팝니다. 한편 Prism의 기술 보고서에 따르면 이 회사는 리크루터들에게 Prism 시스템을 판매하기도 합니다. 하나의 시스템이 서비스와 제품 양쪽으로 쓰인다면, 에이전시는 핵심 업무를 대신하는 툴과 경쟁하게 되고, 소프트웨어 기업은 에이전시와 직접 경쟁하게 될 수 있습니다.

채용팀과 서비스 기업이 얻을 수 있는 교훈:

* 과거의 선택을 데이터로 활용하십시오. 과거 채용 이력과 간단한 가부 피드백은 채용 공고보다 고객사가 진짜 원하는 바를 더 잘 드러낼 수 있습니다. 많은 사내 채용팀이 이미 이 데이터를 갖고 있으면서도 활용하지 못하고 있습니다.

* 모든 결과에 근거를 함께 제시하십시오. 각 후보자가 기준에 부합하는 부분과 부족한 부분을 명시한 후보 명단은, 단순한 순위 목록보다 검토하기 쉽고 신뢰하기도 쉽습니다.

* 사람이 머물 자리를 명확히 나누십시오. Prism은 면접과 최종 오퍼 결정을 고객사에 맡기고, 내부 인력은 채용 조율에 집중하도록 둡니다. 대량 작업은 자동화하고, 최종 판단과 관계 형성에는 사람을 남겨두는 방식입니다.

5. 한계

* 업무 흐름, 벤치마크 점수, 고객사 목록, 고객 후기는 모두 Prism 측의 자체 발표에 기반합니다. 지금까지 총 몇 건의 검색을 진행했는지, 몇 명을 채용시켰는지, 후보 명단 전달까지 걸리는 시간이나 응답률은 어느 정도인지 공개하지 않았습니다.

* 후보 명단이 발송되기 전 사내 인력이 구체적으로 무엇을 검토하는지 설명하지 않았습니다. 서비스 출시 당시 한 이용자가 미국의 채용 차별 관련 법규를 지킬 수 있는지 질문했으나, 창업자는 실질적인 답변을 내놓지 않았습니다.

* 자체 운영 채널 간에도 회사 정보가 엇갈립니다. 팀 규모(YC에는 3명, 출시 글에는 4명), 소재지(YC에는 런던, 공식 사이트에는 샌프란시스코), 가격 정책 (YC 프로필에는 여전히 착수금이 기재되어 있으나, 웹사이트에는 기재되어 있지 않습니다) 등에서 차이가 납니다. 과거에는 HireGlide라는 이름으로 운영되었던 것으로 보입니다.

6. 출처

* Y Combinator — Prism: AI-native recruiting agency (기업 페이지) — https://www.ycombinator.com/companies/tryprism — 2026-10-22 확인

* Y Combinator — Launch YC: Prism: AI-Native Recruiting Agency — https://www.ycombinator.com/launches/QOK-prism-ai-native-recruiting-agency — 2026-10-22 확인

* Prism — 홈페이지 — tryprism.com/ — 2026-10-22 확인

* Prism — About — https://tryprism.com/about — 2026-10-22 확인

* Prism — 구직자 페이지 — https://tryprism.com/candidates — 2026-10-22 확인

* Prism — 기업 문의 페이지 — https://tryprism.com/start — 2026-10-22 확인

* Axel La Pira (Scrambld, Inc.) — Prism on PeopleSearchBench-Recruiting: A Technical Report — https://tryprism.com/papers/people-search-benchmark.pdf — 2026-05-03

* Product Hunt — Prism: Hire the best candidates, not just the available (출시 및 제작자 코멘트) — https://www.producthunt.com/posts/prism-00e67431-1004-462c-ba5d-3124fde2f5ce — 2026-05-09

* EveryDev — Prism (툴 소개) — https://www.everydev.ai/tools/tryprism — 2026-10-22 확인

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

핵심

* 언어 모델이 통계 모델을 바탕으로 각 라운드의 탐색 전략을 선택합니다.

* 과학자의 역할은 각 선택지를 하나하나 검토하는 일에서 벗어나 안전성 점검과 의외의 결과에 대한 재테스트로 전환됩니다.

* 교대 근무하는 운영 엔지니어가 가동 시간과 인수인계를 추적하며 장비를 가동합니다.

1. 겨냥하는 산업

Lila Sciences는 신생 기업을 설립하고 투자하는 Flagship Pioneering 내에서 2023년에 설립되었습니다. CEO는 제프리 폰 말트잔입니다. 이 회사는 가설 수립부터 실험, 다음 가설로 이어지는 과학적 연구 방법 자체를 직접 수행하는 인공지능인 “과학적 초지능”을 구축하고 있다고 밝힙니다. MIT Technology Review는 2026년 9월 Lila가 13억 달러가 넘는 기업 가치로 5억 5,000만 달러 규모의 벤처 투자를 유치했다고 보도했습니다.

Lila가 겨냥하는 분야는 생명과학, 화학, 재료 과학 분야의 실험 R&D입니다. 오늘날 대부분의 연구실에서는 과학자가 다음에 무엇을 만들지 결정하고, 기술자와 과학자가 이를 제작하고 테스트하며, 팀이 데이터를 분석해 다음 단계를 계획합니다. Lila는 AI가 이 순환 과정을 주도하도록 만들고자 합니다. 핵심 도구는 모델이 실험을 선택하고 장비가 이를 실행하는 자동화 실험실인 AI 사이언스 팩토리(AISF)입니다. Lila는 이를 두 가지 방식으로 판매합니다. Lila Catalyst를 통해 고객사의 R&D 팀은 Lila의 모델인 Lila Iris와 서비스형 실험실 용량을 이용할 수 있습니다. Lila Creation에서는 파트너가 과제를 가져오면 Lila가 구조, 프로토콜, 데이터 패키지 등 검증된 후보 물질을 전달합니다.

2. 운영 방식

이 루프가 가장 명확하게 드러난 기록은 Lila가 2026-09-24에 공개한 프리프린트 논문과 이튿날 게시한 회사 블로그 글입니다. 22명의 Lila 직원은 희귀 금속인 이리듐이나 루테늄을 쓰지 않는 그린 수소 생산용 촉매를 탐색했습니다. 플랫폼은 53개 재료 시스템과 26개 원소에 걸쳐 2,942개의 촉매를 테스트했습니다. 논문에서는 이 구성을 “AI 주도형, 인간 감독형”이자 90% 이상 자동화된 시스템으로 설명합니다. 작업은 세 단계로 나뉩니다.

모델이 결정하는 작업. 시스템은 매 라운드마다 지금까지 확보한 모든 데이터를 바탕으로 예측 모델을 다시 학습시킵니다. 자동화 단계를 거쳐 가장 예측력이 뛰어난 모델을 선정합니다. 그런 다음 순차 학습 에이전트(sequential learning agent)가 여러 탐색 전략을 활용해 후보 조성을 평가합니다. 미지의 영역을 탐색하거나, 기존에 확인된 최상의 결과를 더 깊이 파고들거나, 드물게 나타나는 고성능 후보를 찾는 식입니다. 그 위에는 언어 모델이 자리합니다. 촉매의 성능을 직접 예측하지는 않습니다. 논문의 표현에 따르면 LLM은 “전략적 추론 에이전트”로 작동했습니다. 매 라운드의 탐색 전략을 고르고, 상위 후보군 중에서 대상을 선택하며, 각 결정의 근거를 작성했습니다. 시스템은 어닐링 온도를 선택하고, 기본 측정값만으로 불분명할 때 추가 조성 측정을 요청하며, 어떤 촉매를 장기 테스트로 넘길지도 결정했습니다. 논문에서는 이러한 제안이 보통 몇 분 안에 준비되었다고 전합니다.

실험실이 수행하는 작업. 각 배치는 스퍼터링 박막 공정으로 제작하며, 픽스처 하나당 48개의 촉매가 올라갑니다. 장비가 품질과 조성을 점검하고, 산성 환경에서 각 촉매의 활성과 안정성을 테스트한 뒤 사후 분석을 다시 진행합니다. 선정된 촉매는 최대 4시간에 걸친 심화 테스트를 거치며, 유력 후보군은 최대 1,000시간에 이르는 테스트로 넘어갑니다. 모든 장비 데이터는 중앙 데이터베이스로 자동 전송되어 결과, 예측, 결정 기록이 모두 보관되므로 다음 라운드에서 이를 바탕으로 재학습할 수 있습니다. Lila는 합성부터 테스트 후 분석까지 최소 주기가 약 22시간이며, 매주 약 240개의 촉매를 스크리닝한다고 밝힙니다.

사람이 수행하는 작업. 이번 프로젝트에서 사람은 스테이션 사이로 샘플 픽스처를 나르고 장비를 가동하는 일을 맡았습니다. 해당 작업을 맡을 로봇은 아직 개발 중입니다. 사람들은 AI의 선택을 검토하고 승인하는 역할도 맡았는데, 이 개입 수준은 시간이 지나면서 달라졌습니다. 전기화학자 켄 제네바인은 프로젝트에 대한 Lila의 설명에서 “처음에는 모든 제안을 일일이 지켜보며 몇 가지는 반려하기도 했다”고 말했습니다. AI가 자신이 선택했을 법한 결정을 계속 내리자 그는 점차 검토 작업을 줄였습니다. 나중에는 제안된 물질이 제조하기에 안전한지만 확인하는 수준으로 바뀌었습니다. 두 연구 책임자 중 한 명인 라파엘 고메스-봄바렐리는 “인간이 루프 안에 머물렀지만, 결정은 AI에 맡겼다”고 말했습니다.

결과가 예상과 다를 때 이를 검증하는 역할도 사람이 맡았습니다. 불과 “몇 차례의 학습 사이클”을 거친 뒤 시스템은 연구자들이 이 반응에 적합하지 않다고 보아 거의 제외해 두었던 계열인 팔라듐 기반 산화물을 지목했습니다. 또 다른 책임자인 존 그레고어는 “이 조합은 전통적인 통념에 완전히 반한다”고 말했습니다. 연구팀은 결과를 의심해 테스트를 다시 반복했습니다. 결과를 확인할 실험실이 없었다면 “환각으로 치부했을 것”이라고 고메스-봄바렐리는 밝혔습니다. 이후 유력 후보 물질은 산성 환경에서 1,000시간 이상 작동했습니다. 인프라를 구축하며 진행한 첫 프로젝트에는 4개월이 걸렸으나, 두 번째 프로젝트는 4주 만에 끝났습니다.

루프를 중심으로 짜인 조직 구조. Lila의 채용 공고를 보면 연구실이 마치 생산 공장처럼 운영되고 있음을 알 수 있습니다. 리서치 오퍼레이션스 팀은 오후 2시부터 10시까지 일하는 두 번째 교대조를 포함해 교대 근무로 “자동화된 실험실 워크플로를 실행”합니다. 엔지니어들은 액체 분주기와 통합 워크셀을 다루고, 품질 관리 결과를 살피며, 근무 교대를 이어받습니다. 교대 감독자는 표준에서 벗어난 변동을 짚어내고 자동화 워크플로가 수동 방식과 일치하는지 검증합니다. 로보틱스 오퍼레이션스 담당자는 “생산용 로봇 함대”를 관리하며 필요에 따라 로봇을 멈추거나 재설정합니다. 해당 업무 시간도 앞으로 확대될 예정입니다. 화학 AISF에는 연구 방향을 이끄는 프로그램 리드와 “자율성 수준”을 비롯해 다음에 어떤 역량을 구축할지 결정하는 프로덕트 매니저가 있습니다. 화학 분야 채용 공고에서는 연구원에게 “과학자가 검토할 수 있도록 이상 징후나 특이 결과를 짚어낼 것”을 요구합니다. Lila는 고객사의 장비와 데이터 시스템에 에이전트 기반 워크플로를 구축할 현장 배치 엔지니어와 AI 안전 과학자 그룹도 채용하고 있습니다. 2026-10-22 기준으로 Lila 채용 페이지에는 약 110개의 공고가 올라와 있습니다.

3. 격차

기존 R&D 연구실과의 차이는 속도보다는 다음 실험을 누가 결정하는가에 있습니다.

일반적인 연구실에서는 과학자가 경험과 기존 문헌을 토대로 다음에 무엇을 합성할지 정합니다. Lila에서는 이 결정을 모델 스택이 맡으며, 과학자는 두 가지 다른 위치로 옮겨갔습니다. 합성에 들어가기 전 거치는 관문은 단순 안전 점검 수준으로 줄었고, 예상치 못한 결과가 나왔을 때 진행하는 사후 검증을 맡게 되었습니다. 팔라듐 사례는 사후 검증이 중요한 이유를 보여줍니다. AI는 과학자들이 선택하지 않았을 방향을 골랐고, 이를 신뢰할 수 있었던 유일한 근거는 실제 실험이었습니다.

두 번째 차이는 AI 구성 방식입니다. Lila는 결정을 언어 모델 하나에만 맡기지 않았습니다. 논문의 자체 비교에 따르면, 프런티어 LLM이 예측 모델 없이 이전 결과만 보고 후보를 선택했을 때 “무작위 탐색보다도 성과가 떨어졌습니다.” 두 번째 테스트에서도 LLM 단독 선택 방식은 정해진 횟수 안에서 팔라듐 계열을 안정적으로 찾아내지 못했습니다. 언어 모델은 불확실성을 추적하는 통계 모델을 대체하는 것이 아니라, 그 위에서 작동합니다.

세 번째 차이는 연구실의 조직 방식입니다. 장비와 가장 가까운 곳에서 일하는 이들은 가동 시간, 품질 관리, 업무 인수인계를 담당하며 교대 근무를 서는 오퍼레이션스 엔지니어들입니다. 이는 일반적인 실험대라기보다 공장이나 데이터 센터에 더 가깝습니다. 연구 방향을 설정하는 과학자들은 프로그램과 프로덕트 역할을 맡아 AI에 다음에 어떤 실험 역량을 부여할지 결정합니다.

네 번째 차이는 제품 형태에서 드러납니다. Lila는 실험실 용량과 자체 모델을 서비스 형태로 판매합니다. Catalyst 소개 페이지에는 고객사 과학자들이 실험실 워크플로를 직접 운영하는 대신 “전략, 설계 결정, 후속 개발”에 집중할 수 있다고 나와 있습니다. 이것이 자리를 잡는다면, 기업은 실험 인력을 채용하고 실험대를 갖추는 대신 컴퓨팅 자원을 구매하듯 실험을 구매할 수 있게 됩니다.

4. 파급

위탁 연구와 사내 R&D의 경우, 병목 자원이 실험대 작업 시간에서 의사결정의 질로 옮겨갈 수 있습니다. 많은 기업이 다른 사람이 설계한 실험을 수행하기 위해 외부 연구실에 비용을 지불하거나 사내 팀을 유지합니다. 실험실이 실험 선택과 실행을 모두 해내고 수작업 대부분이 자동화된다면, 가치는 실험 실행 자체보다 무엇을 실행할지 결정하는 루프를 소유하는 쪽으로 이동할 수 있습니다. Lila는 모든 실험이 자체 모델의 학습 데이터가 된다고 밝히고 있어, 고객 프로젝트가 진행될수록 플랫폼 역량이 더 강화될 수 있습니다.

과학자의 역할은 범위가 좁아지는 동시에 더 높은 차원으로 올라갈 수 있습니다. Lila에서 과학자들은 여전히 목표를 세우고, 구축할 역량을 고르고, 안전을 점검하며, 놀라운 결과를 검증합니다. 다음 샘플을 일일이 고르는 데 쓰는 시간은 줄어듭니다. Lila의 개방형 탐색 팀의 한 구성원은 모든 과학자가 “AI 과학자 무리”를 거느리게 될 때 일의 모습이 어떻게 바뀔 것인가라는 질문을 던집니다.

다른 R&D 팀에 주는 교훈은 규모보다는 시스템 구성 방식에 있습니다.

* 언어 모델 아래에 불확실성을 고려하는 가벼운 모델을 배치할 수 있습니다. LLM은 전략을 선택하지만, 순위를 매기는 것은 통계 모델입니다. Lila의 벤치마크는 LLM만 단독으로 썼을 때 무작위 선택보다 결과가 나빴음을 보여줍니다.

* 인간의 개입 지점을 필요한 곳에 두고 점차 조정할 수 있습니다. 초기에는 모든 제안을 검토하다가 AI의 선택이 검증되면서 안전 점검 수준으로 줄었습니다. 조직은 엄밀한 검토로 시작해 단계적으로 통제를 완화해 나갈 수 있습니다.

* 모든 과정을 한곳에 기록할 필요가 있습니다. 각 결과와 그 바탕이 된 예측 및 결정을 연결하는 중앙 데이터베이스가 있어야 모델을 재학습시키고 전체 루프를 사후 검증할 수 있습니다.

* 아니라고 답할 수 있는 실험실을 갖추어야 합니다. 연구팀이 팔라듐 결과를 믿을 수 있었던 이유는 직접 실험해 볼 수 있었기 때문입니다. 빠른 실험 검증이 없는 루프에서는 새로운 발견과 환각을 구분할 방법이 없습니다.

5. 한계

* 워크플로에 관한 정보 대부분은 Lila 측에서 나온 내용입니다. 프리프린트의 저자 22명은 모두 Lila 직원이며, 연구 비용 전액을 Lila가 지원했고 관련 특허를 출원했거나 출원할 수 있다고 밝힙니다. 이 글을 위해 읽어본 외부 보도 중 그 루프를 내부에서 묘사한 것은 전혀 없습니다.

* 다른 탐색 방식과의 비교는 별도의 실제 프로젝트가 아니라 해당 프로젝트에서 이미 수집된 데이터를 바탕으로 진행되었습니다. “일반적인 실험실”보다 17배 빠르다는 식의 속도에 관한 주장 역시 자체 기준치를 사용합니다.

* 문서로 정리된 루프에서도 샘플 운반은 여전히 사람의 손에 의존했습니다. 채용 공고에 언급된 로봇 플릿은 현재 도입 중입니다. 확인된 자료에는 Lila의 전체 임직원 수나 동시에 진행되는 프로젝트 수가 나와 있지 않습니다.

* 이번에 발견된 촉매는 재료 과학 차원의 발견이며 완성된 제품은 아닙니다. 장기 내구성과 상용 규격에서의 테스트는 아직 진행 중입니다.

6. 출처

* Lila Sciences (Jenewein, Habib Zadeh, et al.) — AI-guided high-throughput discovery of iridium- and ruthenium-free palladium-oxide catalysts for durable acidic oxygen evolution, arXiv 2609.30133 — https://arxiv.org/abs/2609.30133 — 2026-09-24

* Lila Sciences — How an AI-run lab cracked open green hydrogen’s catalyst problem — https://www.lila.ai/news/how-an-ai-run-lab-cracked-open-green-hydrogens-catalyst-problem — 2026-09-25

* Lila Sciences — What’s a science startup doing with an open-endedness team? — https://www.lila.ai/news/whats-a-science-startup-doing-with-an-open-endedness-team — 2026-09-10

* Lila Sciences — From prompt to CAR-T: Inside Lila’s RNA discovery engine — https://www.lila.ai/news/inside-lilas-rna-discovery-engine — 2026-08-28

* Lila Sciences — Technology — https://www.lila.ai/tech — 2026-10-22 확인

* Lila Sciences — Lila Catalyst — https://www.lila.ai/lila-catalyst — 2026-10-22 확인

* Lila Sciences — Lila Creation — https://www.lila.ai/lila-creation — 2026-10-22 확인

* Lila Sciences — 채용 공고: Engineer I/II, Research Operations; Shift Supervisor, Research Operations; Robotics Operations Engineer I; Senior Research Associate, Automated Chemistry; Product Manager, Chemistry AI Science Factory; Staff Forward Deployed Engineer, Physical Sciences — https://job-boards.greenhouse.io/lilasciences — 2026-10-22 확인

* MIT Technology Review — Benjamin Kompa, 35 Innovators Under 35 — https://www.technologyreview.com/innovator/benjamin-kompa-autonomous-science-tools/ — 2026-09-08

* Flagship Pioneering — Lila Sciences — https://www.flagshippioneering.com/companies/lila-sciences — 2026-10-22 확인

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com

핵심

* 과거 거래를 바탕으로 구축한 고객 레이어는 변호사가 퇴사해도 고객 지식을 유지해 줍니다.

* 에이전트 변경 사항은 코드 변경과 마찬가지로 다른 리걸 엔지니어에게 넘겨져 검토를 거칩니다.

* 사건별로 사전에 가격을 책정하므로 이 로펌은 범위를 한정할 수 있는 업무만 수임합니다.

1. 겨냥하는 산업

Norm Ai는 존 네이가 2023년 중반 뉴욕에 설립한 법률 및 컴플라이언스 AI 기업입니다. 초기 사업은 은행, 자산운용사, 보험사, 헤지펀드의 사내 법무 및 컴플라이언스 팀에 AI 에이전트를 공급하는 것이었습니다. 예를 들어 Blackstone은 주로 규제 대상 콘텐츠를 검토하기 위해 사내 법무 및 컴플라이언스 부서에 이를 도입했습니다.

2025년 11월 20일, Norm Ai는 AI 네이티브 로펌을 표방하는 Norm Law LLP의 출범을 발표했습니다. Norm Law는 금융 서비스를 시작으로 기존 기업 로펌이 기관 고객을 대상으로 수행해 온 업무를 처리합니다. 네이가 2026년 7월 한 팟캐스트에서 밝힌 바에 따르면, 현재 다루는 업무에는 부동산 거래 및 금융, 사모펀드, 공모펀드, 사모투자(PE), 벤처캐피털, SEC 규제 관련 업무 등이 포함됩니다. 대형 로펌 출신의 시니어 파트너들도 영입했는데, 여기에는 2018년부터 2025년까지 시들리 오스틴의 집행위원회 의장을 지냈고 현재 Norm Law의 의장을 맡고 있는 마이크 슈미트버거가 포함되어 있습니다.

두 조직은 분리되어 있지만 긴밀하게 연결되어 있습니다. Norm Ai는 에이전트를 개발하고, Norm Law의 변호사들은 법률 실무를 수행하며 외부 고문으로서 고객에게 서비스를 제공합니다. Norm Ai의 채용 공고는 Norm Law를 “독립적인 AI 네이티브 로펌이자 승인된 유일한 로펌”으로 설명합니다. 실제 법률 업무에 Norm Ai 플랫폼을 쓸 수 있도록 승인된 로펌이 Norm Law 하나뿐이라는 뜻입니다.

2. 운영 방식

리걸 엔지니어. 이 모델의 핵심은 Norm Ai가 리걸 엔지니어라 부르는 직무입니다. 리걸 엔지니어는 변호사 실무를 중단하고 대신 에이전트를 구축하는 변호사들입니다. 2025년 10월 한 기사에서 Norm Ai는 전직 변호사 출신의 리걸 엔지니어가 30명 이상이라고 밝혔습니다. 한 달 뒤 출범 보도자료에서는 35명이 넘는다고 언급했습니다. 네이는 팟캐스트에서 대표적인 채용 대상을 다음과 같이 설명했습니다. “대부분 다른 로펌 출신의 5년 차 어소시에이트 수준입니다.” 이어 그는 “이들은 기본적으로 소프트웨어 엔지니어가 되며”, “법률 실무를 직접 수행하지는 않습니다”라고 덧붙였습니다.

이 직무는 시간이 흐르며 코딩 쪽으로 더욱 이동했습니다. 2025년 10월 Norm Ai는 자사 툴인 Legal Engineering Automation Platform (LEAP)을 변호사가 “소프트웨어 엔지니어 없이도” 에이전트를 만들 수 있는 노코드 플랫폼으로 소개했습니다. 이후 채용 공고에서도 코딩을 필수 조건으로 내걸지는 않았으나, 몇 주간의 교육을 거친 후 “많은 리걸 엔지니어가 터미널에서 직접 코드를 작성하고 있다”는 내용을 추가했습니다. 해당 공고는 명문 로스쿨 학위, 최소 3년 이상의 실무 경력, “실무 수준의 능숙한 AI 활용 능력”을 요구했으며, 기본급으로 17만 5,000달러에서 22만 5,000달러를 제시했습니다.

공고에는 구체적인 업무도 나열되어 있습니다. 리걸 엔지니어는 법령, 규제, 법 집행 사례, 법리 등을 “구조화되고 테스트 가능한 시스템”으로 변환합니다. 플랫폼에서 에이전트 프로토타입을 제작하고, 실제 고객 업무를 통해 미비점을 찾아내며, 재사용 가능한 구성 요소를 소프트웨어 및 AI 엔지니어에게 넘겨 정교하게 구축하도록 합니다. 또한 전직 규제 당국자나 시니어 전문가들과 함께 실제 고객 데이터를 바탕으로 에이전트를 검증하며, 때로는 고객사에 직접 상주하기도 합니다.

사건 처리 방식. 네이는 팟캐스트에서 업무 구조를 설명했습니다. 거래 검토 등 각 사건 유형마다 파트너들의 지식을 바탕으로 구축된 기본 에이전트가 존재합니다. 파트너들은 “리걸 엔지니어와 마주 앉아 특정 워크플로를 상세히 논의하며” 해당 지식을 에이전트에 입력합니다. 기본 에이전트 위에 로펌은 해당 고객의 선례, 과거 거래 내역, 계약서 등으로 구축된 고객 전용 레이어를 추가합니다. 해당 고객을 위한 업무가 쌓일수록 이 레이어도 함께 성장합니다. 네이는 이 결과물을 디지털 어소시에이트라 부르며, “이제 이 디지털 어소시에이트가 자리를 지키며 떠나지 않을 것”이라고 설명했습니다.

업무가 들어오면 에이전트가 가장 먼저 투입됩니다. 한 거래 사례에서 네이는 “사람이 개입하기도 전에 백그라운드에서 에이전트가 문서를 분석했다”고 밝혔습니다. Bloomberg Law가 인용한 Norm Law의 설명에 따르면, “변호사가 개발한 AI 에이전트가 업무의 초안을 완성하고, 변호사는 그 결과물을 감독하고 검토합니다.” 시니어 변호사들은 검토 과정에서 확인한 내용을 에이전트에 다시 피드백합니다. 2026년 8월 11일 자 보도자료에서는 “시니어 변호사들이 AI 에이전트를 감독하고, 조정하며, 개선한다”고 기술하고 있습니다.

업무 검증 방식. Norm Ai 자체 자료에 따르면 검증은 여러 단계로 이루어집니다.

* 에이전트 변경 사항의 동료 검토. 소프트웨어 팀에서 코드 변경을 검토하듯, 에이전트가 정책을 반영하는 방식을 변경할 때는 실무에 적용하기 전 “공인된 다른 리걸 엔지니어의 검토”를 거칩니다.

* 전문가와의 테스트. 리걸 엔지니어는 전직 규제 당국자 및 시니어 전문가와 함께 실제 고객 업무를 바탕으로 에이전트를 검증합니다. Norm Ai의 자문단에는 전 SEC 위원과 전 뉴욕 금융감독청장 등이 포함되어 있습니다.

* 판단 근거 설명. Norm Ai는 자사 에이전트가 “모든 판단 결과에 대해 근거를 제공한다”고 밝히며, 이를 통해 검토자가 에이전트가 결론에 도달한 이유를 확인할 수 있도록 합니다.

* 에이전트를 점검하는 에이전트. Norm Ai는 규제 환경에서 사람이 최종 결정을 내리기 전에 다른 AI 에이전트를 모니터링하는 이른바 감독 에이전트도 개발합니다. 관련 자료에서는 이를 주로 고객사의 자체 AI 시스템을 위한 것으로 설명하고 있으며, Norm Law의 초안까지 검토하는지는 밝히지 않았습니다.

* 변호사 최종 승인. 네이는 “자격 변호사의 사람에 의한 감독 없이는 그 어떤 것도 밖으로 나가지 않는다”고 강조했습니다.

수임료 책정 방식. Norm Law는 시간 단위로 청구하지 않습니다. 네이는 “우리는 주로 성과 기준으로 가격을 책정한다”고 밝혔습니다. 거래 건이나 검토할 계약서 묶음 등 업무 단위별로 가격이 정해집니다. “우리는 사전에 가격을 협의하여 정하며”, 이때 고객이 과거에 유사한 업무에 지불했던 비용을 기준으로 삼는 경우가 많습니다. 네이는 이를 적절히 맞추는 것이 까다로운 일이며, “적어도 초기에는 우리가 다룰 사건의 유형을 제한하게 된다”고 말했습니다. 로펌은 양측 모두가 범위를 명확히 이해하고 있는 사건을 수임하며, 사건별 편차를 상쇄할 수 있도록 대형 고객과의 장기적인 관계를 지향합니다. 그는 또한 로펌이 “회사의 존망이 걸린 업무를 위해 회사의 존망이 걸린 AI 에이전트를 개발하는 데 집중하지는 않는다”고 덧붙였습니다.

3. 격차

기존 로펌과의 가장 큰 차이점은 ‘누가 어떤 일을 하는가’에 있습니다.

전통적인 기업 로펌에서는 주니어 및 중간 연차 어소시에이트가 문서 검토, 초안 작성, 선례 대조 등 초안 작업의 대부분을 맡습니다. 파트너는 이를 검토하고 고객을 상대합니다. 반면 Norm Law에서는 에이전트가 1차 작업을 수행합니다. 5년 차 어소시에이트 수준의 변호사가 그 일을 직접 하지 않습니다. 대신 Norm Ai의 리걸 엔지니어로서 해당 작업을 수행하는 에이전트를 구축하고 유지 관리합니다. 파트너들은 여전히 검토와 자문을 진행하지만, 자신의 판단력을 에이전트에 가르치는 데에도 시간을 씁니다. Norm Law는 파트너와 일부 시니어 어소시에이트를 채용했으나, LawSites가 보도한 회사의 설명에 따르면 시니어 변호사들은 전통적인 어소시에이트 피라미드 조직을 관리하는 대신 에이전트를 감독합니다. 초안 작성을 담당하던 주니어 직급이 대체되는 셈입니다.

두 번째 차이점은 조직에 남는 자산입니다. 기존 로펌에서는 고객에 대한 지식이 주로 해당 업무를 담당했던 변호사들의 머릿속에 머물러 있어, 변호사가 로펌을 떠나면 지식의 일부도 함께 유출됩니다. Norm Law는 이러한 지식을 에이전트의 고객 레이어에 담아 두려 하며, 이는 인력이 이동하더라도 조직에 남습니다. 이 로펌의 파트너인 저스틴 래티건은 2026년 5월 보도자료에서 이러한 변화를 두고 “고도화된 법률 업무에서 더 이상 희소한 자원은 문서 작성이 아니다”라고 표현했습니다.

세 번째 차이점은 두 조직의 역할 분담입니다. 에이전트는 법률 실무를 하지 않는 엔지니어들로 구성된 기술 기업이 개발합니다. 실제 법률 업무와 최종 승인은 법률 실무를 수행하는 로펌의 변호사들이 담당합니다. LawSites는 Harvey나 Legora 같은 리걸 AI 기업이 변호사에게 툴을 판매하는 방식을 취한다고 지적했습니다. 반면 Norm Ai는 전직 변호사들로 구성된 팀이 직접 에이전트를 구축하고, 제휴 로펌이 직접 법률 서비스를 제공합니다.

네 번째 차이점은 고객의 비용 지불 방식에 드러납니다. 시간당 청구 방식은 투입된 시간에 따라 로펌에 대가를 지급하므로, 시간이 덜 걸리는 업무는 수익도 적어집니다. 반면 Norm Law는 고객의 과거 지출 내역을 참고해 사전에 결과물 기준 가격을 책정합니다. 원칙적으로 에이전트를 통해 업무가 빨라지면 로펌은 청구 시간이 줄어드는 대신 마진 형태로 이익을 확보하게 됩니다. 다만 이 방식의 단점은 사전에 가격을 책정할 수 있는 명확한 범위의 업무로 대상이 좁아진다는 점입니다.

4. 파급

어소시에이트 피라미드가 경제적 기반을 잃을 수 있습니다. 에이전트가 1차 작업을 수행하고 파트너가 이를 감독한다면, 초안 작성과 검토를 담당할 어소시에이트 변호사는 로펌에 덜 필요해집니다. 시간당 청구 모델은 이러한 어소시에이트들의 근무 시간에 의존해 왔습니다. 반면 성과 기준으로 가격을 책정하는 로펌은 같은 방식으로 이들을 필요로 하지 않습니다. 슈미트버거는 Bloomberg Law와의 인터뷰에서 Norm Law가 “대형 로펌들과 매우 편안하게 공존할 것”으로 예상한다고 밝혔습니다. 이는 Norm Law가 범위가 명확하고 정형화된 업무만 맡는 동안에는 유효할 수 있습니다. 그러나 이 모델이 로펌의 거래 및 규제 업무 전반으로 확장된다면, 주니어 인력의 근무 시간에 기반을 둔 대형 로펌의 비즈니스는 압박을 받을 수 있습니다.

변호사를 위한 새로운 커리어 경로. Norm Ai는 로펌에서 중간 연차의 어소시에이트들을 채용해 에이전트 빌더로 전환시키고 있습니다. 이 시도가 성공한다면, 오늘날 로스쿨이나 로펌이 훈련시키지 않는 ‘변호사와 소프트웨어 엔지니어 사이의 직무’가 존재함을 증명하게 됩니다. 자체 에이전트를 구축하려는 로펌은 외부 툴뿐만 아니라 이런 역량을 갖춘 인력을 필요로 할 수 있습니다.

다른 전문직 서비스를 위한 교훈:

* 전문가를 개발자 곁에 두어야 합니다. Norm Ai의 에이전트는 파트너들이 리걸 엔지니어와 워크플로를 상세히 논의하는 과정에서 만들어집니다. 어떤 툴을 선택하느냐보다 직접 구축할 수 있거나 이를 만들 수 있는 사람과 매일 협업하는 도메인 전문가의 존재가 더 중요할 수 있습니다.

* 에이전트 변경을 코드 변경처럼 다루어야 합니다. 변경 사항을 실무에 적용하기 전 동료 검토를 거치고, 실제 고객 업무를 바탕으로 테스트하며, 각 판단 결과에 대한 근거를 설명하는 것은 소프트웨어 팀의 개발 문화가 전문직 업무로 이어진 사례입니다.

* 범위를 명확히 규정할 수 있는 업무에만 가격을 책정해야 합니다. 성과 기준 가격 책정은 양측이 업무 단위를 명확히 정의할 수 있을 때 제대로 작동합니다. Norm Law는 이것이 분명한 사안부터 시작했으며, 네이는 이러한 선택이 로펌이 수임하는 업무를 제한한다고 설명했습니다.

* 실명으로 책임지는 주체를 남겨두어야 합니다. 에이전트가 어떻게 구축되고 테스트되든 최종 승인은 자격 변호사가 담당합니다. 규제가 따르는 전문직 업무에서는 이러한 경계선이 앞으로도 유지될 가능성이 높습니다.

5. 한계

* 업무 흐름, 에이전트 검증, 가격 책정 방식에 대한 설명은 모두 Norm Ai, Norm Law, 그리고 네이의 발표 자료에 근거합니다. 양측 모두 Norm Law의 실제 인력 규모나 고객 수, 에이전트 초안에 수정이 필요한 빈도 등을 공개하지 않았습니다.

* 인원수나 고객 자산 규모(리걸 엔지니어 30명 이상 혹은 35명 이상, 고객 자산 25조 달러에서 35조 달러)는 보도자료마다 수치가 엇갈리며, 이는 회사 측 주장입니다.

* 공개적으로 언급된 고객사인 Blackstone, Coatue, Bain Capital Ventures는 Norm Ai의 투자자이기도 합니다.

* 확인된 1차 자료에는 Norm Ai와 Norm Law 간의 소유 지분 및 수수료 배분 방식이 기재되어 있지 않습니다. TwinLadder의 분석에 따르면 이 로펌은 변호사들이 소유하고 Norm Ai에 라이선스 비용을 지불하는 구조인데, 이러한 라이선스 비용이 비변호사 기업과의 수임료 분배로 변질되어서는 안 된다고 경고합니다. 또한 현재 제시된 주요 안전장치는 변호사의 검토이며, 에이전트의 초안 작성이 늘어날수록 변호사의 검토 부담 역시 가중된다고 지적합니다.

* Norm Law는 현재로서는 위험 부담이 크고 전례가 없는 사안은 피하고 있다고 밝힙니다. 이 모델이 범위가 명확한 금융 서비스 업무를 넘어 다른 영역에서도 통할지는 아직 입증되지 않았습니다.

6. 출처

* Norm Ai — Legal Engineering: A Paradigm Shift in Law — https://www.norm.ai/resources/legal-engineering-a-paradigm-shift-in-law — 2025-10-24

* Norm Ai — Norm Law (존 네이의 공개서한) — https://www.norm.ai/resources/norm-law — 2026-01-06

* PR Newswire — Norm Ai Announces $50 Million Blackstone Investment, Launch of New AI-native Law Firm Norm Law — https://www.prnewswire.com/news-releases/norm-ai-announces-50-million-blackstone-investment-launch-of-new-ai-native-law-firm-norm-law-302621622.html — 2025-11-20

* Built In NYC — Norm Ai, Legal Engineer 채용 공고 (2026-03-05 삭제) — https://www.builtinnyc.com/job/legal-engineer/7045418 — 2026-10-22 확인

* PR Newswire — Norm Law Launches Emerging Companies and Venture Capital Practice with Senior Additions from Pillsbury and Bain Capital Ventures — https://www.prnewswire.com/news-releases/norm-law-launches-emerging-companies-and-venture-capital-practice-with-senior-additions-from-pillsbury-and-bain-capital-ventures-302782794.html — 2026-05-27

* PR Newswire — Norm Ai and Norm Law Open Washington, D.C. Office as Norm Law Welcomes Partners Katelyn Kimber and Lindsey Savage — https://www.prnewswire.com/news-releases/norm-ai-and-norm-law-open-washington-dc-office-as-norm-law-welcomes-partners-katelyn-kimber-and-lindsey-savage-302847662.html — 2026-08-11

* AI and the Future…

This is a public episode. If you would like to discuss this with other subscribers or get access to bonus episodes, visit parkdaesun.substack.com