비상장 AI 기업의 해자는 모델 밖의 통제 지점에 쌓입니다

AI 생태계에서 가장 많은 경제적 가치가 쌓이는 곳은 반드시 가장 큰 모델을 보유한 회사는 아닙니다. 에이전트가 믿고 읽을 데이터, 실제 업무를 끝낼 권한, 실행 상태를 관찰할 인프라, 디지털 설계를 현실의 제품으로 바꿀 생산능력도 가치 배분을 좌우합니다.

앞선 글 에이전트 도입의 병목은 모델 성능이 아니라 검증과 책임입니다에서는 골드만삭스 실리콘밸리 AI 필드트립의 결론을 검증 가능성이라는 관점에서 다뤘습니다. 당시 언급된 비상장기업들은 서로 다른 산업에 흩어져 있지만, 한 가지 공통된 전략을 택하고 있습니다. 모델이 좋아져도 자동으로 해결되지 않는 영역을 직접 소유하는 것입니다.

Daloopa는 금융 데이터의 출처와 정확도를, Simile은 인간 반응을 예측하는 시뮬레이션을, Clio와 Harvey는 법률 업무의 컨텍스트와 실행 흐름을 확보합니다. Corgi는 보험의 인수·보험증권·클레임 처리에 접근하고, Vercel은 에이전트가 모델을 호출하고 코드를 실행하는 런타임을 만듭니다. ClickHouse는 에이전트가 읽고 남기는 방대한 데이터를 저장·질의·관찰하며, Divergent는 AI 설계를 실제 금속 구조물로 생산합니다.

Daloopa는 금융 에이전트의 사실 확인 계층을 만듭니다

Daloopa는 기업 공시를 구조화된 재무 데이터로 바꾸고 모든 숫자를 원문 출처와 연결합니다. 회사 공식 사이트 기준으로 6,000개가 넘는 상장기업과 14년의 이력을 다루며, 회사당 데이터 포인트가 다른 제공업체보다 4~10배 많다고 설명합니다. 평균 정확도는 99% 이상이라고 제시합니다. 이 수치들은 회사 발표 기준이지만, 제품의 설계 방향은 명확합니다. LLM이 공개 웹을 검색해 숫자를 추측하게 하지 않고 정규화된 데이터베이스에서 감사 가능한 값을 가져오게 합니다.

제품은 엑셀 추가기능, 데이터 시트, API, MCP, Scout라는 엑셀 에이전트로 이어집니다. OpenAI도 Daloopa 플러그인을 통해 출처가 연결된 재무 KPI를 제공하고 있습니다. 2026년 5월에는 AI 기반 금융의 데이터 계층 확장을 위해 4,700만 달러 규모의 시리즈 C를 발표했습니다.

AI 생태계에서의 역할은 금융 에이전트를 위한 신뢰 가능한 데이터 공급망입니다. 모델이 바뀌어도 회계기간 정렬, 기업별 KPI 정의, 단위 변환, 공시 수정 내역, 출처 링크는 남습니다. 필드트립에서 언급된 약 400명 규모의 검증 조직은 데이터 품질을 유지하는 운영비이면서 경쟁자가 짧은 시간에 복제하기 어려운 생산체계입니다.

해자는 데이터 양만으로 완성되지 않습니다. Bloomberg·FactSet·S&P Capital IQ·LSEG 같은 기존 정보사업자는 이미 깊은 고객관계와 데이터 자산을 갖고 있습니다. 공시 원문을 직접 읽는 에이전트도 빠르게 개선되고 있습니다. Daloopa가 증명해야 할 것은 인간 검증비용을 통제하면서도 오류 수정속도, 신규 기업 커버리지, API·MCP 사용량, 워크플로우 전환비용을 지속적으로 높일 수 있는가입니다. 정확도 주장보다 수정 이력과 오류 한 건당 비용이 더 중요한 운영지표입니다.

Simile은 인간 반응을 위한 월드모델을 만들려 합니다

Simile은 제품 출시, 가격 변경, 정책, 메시지에 사람들이 어떻게 반응할지 생성형 에이전트로 시뮬레이션합니다. 출발점은 Joon Sung Park 연구진의 Generative Agents 연구입니다. 에이전트가 기억을 저장하고, 경험을 더 높은 수준의 생각으로 반영하며, 이후 행동을 계획하도록 만든 구조입니다.

후속 연구에서는 미국인 1,052명을 각각 두 시간 동안 인터뷰한 뒤 개인별 에이전트를 만들었습니다. 논문에 따르면 이 에이전트는 일반사회조사 문항에서 실제 참가자가 2주 뒤 자신의 답을 다시 재현한 정확도의 85% 수준으로 응답을 복제했습니다. 이는 모든 행동을 85% 정확도로 예측했다는 뜻이 아닙니다. 인터뷰와 가까운 질문에서 특정 방식으로 측정한 상대적 재현 성능입니다.

Gallup은 2026년 5월 Simile과 협력해 확률표본 기반 데이터로 시뮬레이션 응답을 독립 검증한다고 발표했습니다. Gallup은 합성 응답을 공식 통계나 실제 사람의 응답으로 사용하지 않으며, 질문이 원래 인터뷰 주제에서 멀어질 때 정확도가 얼마나 떨어지는지, 시간이 지나면서 예측이 얼마나 낡는지, 인구집단별 편향이 어떤지를 측정하고 있습니다. 이 검증 설계가 Simile의 가능성과 한계를 동시에 잘 보여줍니다.

AI 생태계에서의 역할은 아직 존재하지 않는 수요와 인간 반응을 시험하는 사회적 시뮬레이션 계층입니다. 언어모델이 문장을 생성한다면 Simile은 여러 인간 에이전트를 조합해 반응의 분포와 상호작용을 생성하려 합니다. 신제품·정책·가격을 현실에 배포하기 전에 실패 가능성을 좁힐 수 있다면 기업의 의사결정 비용을 크게 바꿀 수 있습니다.

가장 큰 위험은 그럴듯함이 예측력으로 오인되는 것입니다. 인터뷰에서 말한 태도와 실제 구매·투표·이탈 행동은 다를 수 있습니다. 시뮬레이션 대상이 모델의 고정관념을 되풀이할 수도 있고, 사회가 변하면 개인 에이전트도 빠르게 낡습니다. Simile의 진짜 성과지표는 생성된 인터뷰 수가 아니라 관찰하지 않은 미래 행동에 대한 예측오차, 시간 경과에 따른 성능 저하, 실제 의사결정 개선폭이어야 합니다.

Clio는 법률 시스템오브레코드를 시스템오브액션으로 바꿉니다

Clio는 2008년부터 법률사무소의 사건관리, 고객 접수, 문서, 일정, 청구, 결제를 관리해 왔습니다. 2026년 6월 회사 발표 기준으로 130개국 40만 명의 법률 전문가를 서비스하며, 흑자를 유지한 채 연간반복매출 5억 달러를 넘어섰습니다. 이미 업무가 기록되는 장소와 고객 유통망을 확보한 상태에서 AI를 얹고 있다는 점이 중요합니다.

2025년 Clio는 vLex를 10억 달러에 인수했습니다. vLex의 Vincent AI와 110개 관할권, 10억 개가 넘는 편집·가공 법률문서를 확보했고, ShareDo를 Clio Operate로 전환해 대형 로펌의 복잡한 워크플로우까지 확장했습니다. 2026년 4월 Clio Work에는 목표 한 문장으로 다단계 법률 업무를 수행하는 에이전틱 기능이 추가됐습니다. 8월에는 미국 연방·주 법원 제출문서 10억 건 이상과 최신 사건 변동을 Clio Work에서 검색하고, 그 결과를 Clio Manage의 일정과 실행으로 넘기는 Clio Docket을 출시했습니다.

AI 생태계에서 Clio의 의미는 기존 SaaS가 에이전트 때문에 사라지는 대신 더 강한 실행 플랫폼으로 진화할 수 있다는 사례입니다. 사건정보, 담당자 권한, 마감일, 청구와 결제가 이미 Clio에 있습니다. AI가 외부 대화창에서 조언하는 것보다 이 컨텍스트 안에서 다음 업무를 만들고 실행할 때 가치와 전환비용이 커집니다.

위험은 인수한 법률 데이터와 대형 로펌 워크플로우를 기존 제품에 얼마나 자연스럽게 통합하는가입니다. 소형 로펌 중심의 사용성과 대형 로펌의 복잡한 보안·업무 요구는 다릅니다. vLex·ShareDo·Docket Alarm의 기능을 하나의 권한·데이터 모델로 연결하지 못하면 제품군만 늘어날 수 있습니다. Clio Work의 실제 사용빈도, 기존 고객에 대한 추가 판매율, 에이전트가 끝까지 완료한 업무 비율이 중요합니다.

Harvey는 법률 전문성을 반복 가능한 에이전트로 바꿉니다

Harvey는 Clio와 반대편에서 출발했습니다. 사건관리 시스템보다 대형 로펌의 복잡한 조사, 실사, 계약검토, 소송 업무에 특화된 모델 경험과 평가체계를 먼저 구축했습니다. 2026년 5월 회사 발표 기준으로 500개가 넘는 사전 제작 에이전트와 Agent Builder를 제공하며, 고객이 만든 맞춤형 에이전트는 2만5천 개를 넘었습니다. 1,500개 조직의 법률 전문가 10만 명 이상이 플랫폼을 사용한다고 밝혔습니다.

Harvey의 기술적 차별화는 하나의 프런티어 모델에 고정되지 않는 데 있습니다. 24개 업무영역의 장기 법률 과제 1,200개 이상으로 구성된 Legal Agent Bench를 운영하고, 여러 모델을 과제별로 평가합니다. 2026년 8월에는 첫 후속학습 오픈웨이트 모델 Harvey Tenet을 공개했습니다. 법률 애플리케이션 회사가 모델 선택자에서 평가셋·하네스·후속학습까지 보유한 수직형 AI 연구조직으로 내려가고 있습니다.

AI 생태계에서 Harvey의 역할은 전문가의 암묵지와 검토 절차를 재사용 가능한 에이전트로 컴파일하는 법률 에이전트 공장입니다. 로펌의 템플릿, 승인 기준, 사건 경험을 맞춤형 에이전트로 만들면 한 파트너나 팀의 업무방식을 조직 전체로 확장할 수 있습니다. 회사가 240명 이상의 변호사를 보유하고 있다는 필드트립 설명도 모델 개발보다 과제 정의와 평가에 많은 전문가가 필요하다는 점을 보여줍니다.

Harvey의 위험은 높은 사용량이 곧바로 법률 결과의 개선을 뜻하지 않는다는 점입니다. 에이전트가 만든 초안을 변호사가 얼마나 다시 검토하는지, 중요한 오류가 얼마나 남는지, 청구 가능한 시간과 로펌 수익모델이 어떻게 바뀌는지가 아직 핵심 과제입니다. OpenAI·Anthropic 같은 모델 기업, Thomson Reuters·LexisNexis 같은 정보기업, Clio 같은 시스템오브레코드 사업자가 동시에 법률 워크플로우로 들어옵니다. Harvey는 가장 좋은 법률 답변을 넘어 고객 조직의 업무 표준과 협업망을 붙잡아야 합니다.

Corgi는 AI에게 보험 인수의 경제적 책임을 붙입니다

Corgi는 스타트업을 대상으로 일반책임, 사이버, 기술오류·누락, 임원배상책임 등의 상업보험을 판매하고, 트럭보험과 중소기업으로 확장하고 있습니다. 회사는 AI를 인수심사, 보험증권 관리, 클레임 처리에 적용하는 풀스택 보험 플랫폼으로 설명합니다. 2026년 5월 발표 기준으로 총 3억7,800만 달러를 조달했고 기업가치는 26억 달러로 제시됐습니다.

이 회사가 중요한 이유는 답변의 정확도를 넘어 손실의 경제적 책임을 떠안는 구조에 접근하기 때문입니다. 보험 에이전트가 위험을 분류하고 가격을 정한 뒤 실제 계약과 클레임으로 결과를 관찰하면, 의사결정과 손익이 닫힌 데이터 순환을 만듭니다. 소프트웨어 기업의 클릭이나 사용시간보다 보험의 손해율은 판단 품질을 더 직접적으로 드러냅니다.

AI 생태계에서 Corgi는 규제된 실행 권한이 모델보다 강한 해자가 될 수 있는지 시험하는 사례입니다. 보험은 라이선스, 자본, 재보험, 준비금, 요율, 클레임 운영이 함께 필요합니다. AI 스타트업이 기존 보험사에 분석 도구를 파는 데서 멈추지 않고 보험상품의 설계와 유통, 운영을 통합하면 고객가치와 책임을 동시에 가져갑니다.

다만 “풀스택 보험사”라는 표현은 법적 구조와 구분해 읽어야 합니다. Corgi의 공식 고지에 따르면 보장은 주로 연방법상 위험보유그룹인 Technology Risk Retention Group이 인수하며, Corgi Insurance Services는 허가된 보험판매자이자 프로그램 관리자로서 보험자 자체는 아닙니다. 일부 보장은 제휴 보험사를 통해 제공됩니다. 회사의 기술적 통합 범위와 보험 위험을 보유하는 법인은 같은 개념이 아닙니다.

기업가치 상승보다 중요한 숫자는 손해율, 사업비율, 합산비율, 준비금 적정성, 재보험 의존도입니다. 빠른 인수심사가 위험을 더 정확히 가격한 결과인지, 위험 검토를 줄여 성장한 결과인지는 여러 보험연도의 클레임이 성숙해야 알 수 있습니다. AI 보험사의 진짜 검증은 견적 속도가 아니라 장기 손익입니다.

Vercel은 에이전트가 소프트웨어를 만들고 실행하는 런타임을 선점합니다

Vercel은 프런트엔드 배포회사에서 에이전틱 인프라 플랫폼으로 범위를 넓히고 있습니다. AI SDK는 여러 모델 공급자의 호출방식을 하나로 통일하고, AI Gateway는 수백 개 모델의 인증·비용·라우팅·재시도·장애전환을 담당합니다. Workflow는 장기 작업의 상태와 재시도를 관리하고, Sandbox는 AI가 만든 신뢰할 수 없는 코드를 격리된 마이크로 가상머신에서 실행합니다. Connect는 외부 서비스에 장기 비밀번호 대신 작업 범위가 제한된 임시 권한을 제공합니다.

2026년 4월 Vercel은 전체 배포의 30% 이상이 코딩 에이전트에서 시작되며 6개월 동안 10배 늘었다고 밝혔습니다. 코딩 에이전트가 배포한 프로젝트는 사람이 배포한 프로젝트보다 AI 추론 공급자를 호출할 가능성이 20배 높았습니다. 6월 기준 AI SDK 7은 주간 다운로드 1,600만 건을 넘었고, AI Gateway에서는 에이전틱 워크로드가 토큰의 59%를 차지했습니다.

AI 생태계에서 Vercel은 모델 중립적인 에이전트 런타임과 배포 관문을 노립니다. 웹 시대의 CDN이 어느 서버에서 콘텐츠가 왔는지 숨기고 안정적으로 전달했다면, AI Gateway는 어느 모델을 쓸지 애플리케이션 코드에서 분리합니다. 모델 공급자 장애와 가격 변화가 잦을수록 이 추상화의 가치가 커집니다.

Vercel의 강점은 코드, 배포, 모델 호출, 실행 로그를 한 플랫폼에서 관찰하는 컨텍스트입니다. 약점은 AI SDK가 오픈소스이고 모델 게이트웨이와 샌드박스는 하이퍼스케일러·Cloudflare·전문 인프라 업체도 제공할 수 있다는 점입니다. 개발자 편의성이 실제 기업의 장기 워크로드와 매출로 이어지는지, 추론비용을 전달하면서 인프라 마진을 지킬 수 있는지가 핵심입니다. 프런트엔드 중심의 강점을 데이터 집약적이고 장시간 실행되는 백엔드 에이전트까지 확장해야 합니다.

ClickHouse는 사람보다 훨씬 많은 질문을 던지는 에이전트를 위한 데이터 엔진입니다

ClickHouse는 대량 이벤트를 빠르게 집계하는 오픈소스 열지향 분석 데이터베이스입니다. AI 시대에는 두 종류의 데이터가 동시에 늘어납니다. 에이전트가 업무를 수행하기 위해 읽는 운영·고객 데이터와, 에이전트 자체가 남기는 프롬프트·모델 호출·도구 호출·지연·비용·오류 추적입니다.

ClickHouse의 실험에 따르면 에이전트는 사람 분석가보다 10~100배 많은 쿼리를 짧은 시간에 집중적으로 발생시킵니다. 장애 원인을 찾는 AI 에이전트는 한 사건에서 6~27개의 SQL 쿼리를 실행했습니다. 사람이 대시보드 몇 개를 보는 방식에 맞춰 샘플링하고 짧게 보관한 관측 데이터는 이런 탐색을 견디기 어렵습니다.

회사는 HyperDX를 인수해 로그·메트릭·트레이스·세션 재생을 묶은 ClickStack을 만들었고, 2026년 1월에는 LLM 관측·평가·프롬프트 관리 오픈소스인 Langfuse를 인수했습니다. Langfuse V4는 ClickHouse 기반의 불변 관측 테이블로 구조를 바꾸며 주요 쿼리 성능을 200배 높였다고 발표했습니다.

AI 생태계에서 ClickHouse의 역할은 에이전트의 장기기억이라기보다 관찰 가능한 사실 저장소에 가깝습니다. 모델이 추론하려면 신선하고 세밀한 데이터를 반복해서 질의해야 하고, 운영자는 그 추론과 행동의 전체 흔적을 다시 분석해야 합니다. 업무 데이터와 관측 데이터를 같은 분석 엔진에서 연결하면 “무슨 일이 일어났는가”와 “왜 에이전트가 그렇게 행동했는가”를 함께 볼 수 있습니다.

경쟁은 만만하지 않습니다. Datadog·Splunk·Elastic은 완성된 관측 경험과 기업 유통망을 갖고 있고, Snowflake·Databricks·클라우드 사업자도 AI 데이터 워크로드를 확장합니다. ClickHouse가 빠른 데이터베이스로 남을지, ClickStack과 Langfuse를 통해 운영 워크플로우까지 소유할지가 갈림길입니다. 오픈소스 채택을 클라우드 매출로 전환하는 능력과 전체 데이터 보관비용이 중요합니다.

Divergent는 AI 설계를 금속 구조물로 컴파일합니다

Divergent Adaptive Production System(DAPS)은 설계, 금속 적층제조, 로봇 조립을 하나의 디지털 생산 흐름으로 연결합니다. AI 기반 설계 소프트웨어가 성능 목표와 제조 제약을 동시에 고려하고, 자체 개발한 Monolith One 장비가 알루미늄·니켈·강철·티타늄 합금을 출력합니다. 전용 지그와 금형 없이 최대 9미터 구조물을 로봇으로 조립하며, 같은 공장에서 서로 다른 제품을 같은 날 생산하는 것을 목표로 합니다.

2026년 2월 Divergent와 Mach Industries는 자율 타격 항공기 Venom을 개념에서 비행 가능한 시제품까지 71일 만에 개발했다고 발표했습니다. Divergent는 날개, 동체, 외피, 조종면을 수백 개 부품 대신 대형 일체형 구조로 설계·출력했습니다. 회사는 연간 수천 개의 기체 구조물 생산을 목표로 제시했습니다. 2025년 9월에는 생산능력 확대를 위해 2억9,000만 달러 규모의 시리즈 E를 23억 달러 기업가치로 조달했습니다.

AI 생태계에서 Divergent는 디지털 지능과 물리적 생산 사이의 컴파일러이자 파운드리입니다. 생성설계 소프트웨어만 판매하면 고객의 기존 공정과 설비 제약에 막힐 수 있습니다. Divergent는 설계가 실제로 출력되고 조립되며 품질검사를 통과하는 공정까지 통제합니다. 생산 결과가 다시 설계 규칙과 공정 조건을 개선하므로 현실 세계의 학습 데이터를 독점적으로 쌓을 수 있습니다.

71일이라는 시제품 속도가 양산 경제성을 증명하지는 않습니다. 항공·방산 부품은 소재 추적, 반복 정밀도, 비파괴검사, 피로수명, 인증을 통과해야 합니다. 프린터 가동률이 낮으면 막대한 설비투자가 부담이 되고, 고객별 프로그램 일정과 국방예산에 실적이 흔들릴 수 있습니다. Divergent의 핵심 지표는 시제품 수가 아니라 양산 수율, 단위당 원가, 인증 소요시간, 동일 설비의 제품 전환시간입니다.

가장 강한 회사는 하나의 통제 지점에서 순환을 닫습니다

이 회사들의 방어력은 “AI를 쓴다”는 사실에서 나오지 않습니다. 각자가 맡은 업무에서 입력, 판단, 실행, 관찰, 개선의 순환을 얼마나 닫을 수 있는지가 중요합니다.

모델 공급자는 모든 산업의 데이터와 권한, 규제를 직접 소유하기 어렵습니다. 반대로 버티컬 기업은 모델을 직접 만들지 않아도 특정 업무의 진실, 컨텍스트, 실행, 책임을 통제할 수 있습니다. 프런티어 모델의 성능 향상은 이런 회사를 없애기보다 더 많은 업무를 자동화할 수 있게 해 통제 지점의 처리량을 늘릴 가능성이 큽니다.

취약한 회사는 모델 호출 앞에 얇은 사용자 화면만 둡니다. 강한 회사는 모델을 교체해도 남는 데이터를 쌓고, 고객의 권한체계에 들어가며, 실제 결과를 관찰하고, 실패에 책임질 구조를 만듭니다. 이 과정은 높은 인건비, 규제 부담, 설비투자, 긴 영업주기를 요구합니다. 바로 그 불편함이 모델 보편화 이후의 진입장벽이 됩니다.

맺으며

Daloopa부터 Divergent까지 이어지는 회사 지도는 AI 산업을 모델 기업과 애플리케이션 기업으로만 나누기 어렵다는 점을 보여줍니다. 모델과 최종 결과 사이에는 사실 확인, 인간 행동 예측, 전문 업무, 규제 권한, 런타임, 실시간 데이터, 물리적 생산이라는 넓은 가치사슬이 있습니다.

장기적으로 가장 중요한 질문은 어느 회사가 가장 좋은 모델을 쓰는지가 아닙니다. 어느 회사가 고객 결과에 가장 가까운 통제 지점을 확보하고, 실행할수록 고유 데이터와 평가가 쌓이는 순환을 닫는가입니다. AI 생태계의 이익은 지능을 만든 곳뿐 아니라 지능이 믿을 수 있게 일하고 책임 있게 행동하도록 만드는 곳에도 축적됩니다.

---

주요 자료

• Daloopa: 공식 플랫폼 소개, 제품 문서, 2026년 시리즈 C 발표
• Simile: Generative Agent Simulations of 1,000 People, Gallup의 독립 검증 계획
• Clio: vLex 인수와 시리즈 G, Clio Work 에이전틱 기능, Clio Docket
• Harvey: 법률 에이전트와 Agent Builder, Harvey Tenet과 Legal Agent Bench
• Corgi: 2026년 시리즈 B1 발표와 공식 고지, 시리즈 B와 보험 플랫폼 구조
• Vercel: Agentic Infrastructure, AI Gateway Production Index, AI SDK 7
• ClickHouse: 에이전트를 위한 데이터 플랫폼, Langfuse 인수, ClickHouse Agents
• Divergent: DAPS 공식 소개, Venom 71일 개발 발표, 2025년 시리즈 E 발표
• 기업 운영수치 가운데 공개 자료로 재확인되지 않은 항목은 골드만삭스 실리콘밸리 AI 필드트립의 회사 미팅 설명에 귀속했습니다.
• 산업·기술·사업모델의 구조를 다루며 특정 종목에 대한 투자판단은 포함하지 않습니다.

자료 기준일은 2026년 8월 23일이며, 기업별 제품 범위와 운영수치는 각 회사의 후속 발표에 따라 달라질 수 있습니다.