Skan AI는 시리즈 C 펀딩에서 6,300만 달러를 조달했다. 이 회사는 작동하는 엔터프라이즈 AI 워크플로의 가장 큰 장애물이 더 똑똑한 모델이 아니라, 자사 직원들이 실제로 어떻게 일을 처리하는지 회사를 파악하지 못하는 데 있다고 보고 있다. Cathay Innovation과 Dell Technologies Capital이 공동 주도한 이번 라운드는, 지금까지 배포된 대부분의 AI 에이전트가 제대로 작동하지 않았다는 냉혹한 현실과 씨름하고 있는 엔터프라이즈 시장에 등장했다.
Citi Ventures, Bloomberg Beta, State Farm Ventures, Wipro Ventures도 이번 라운드에 참여해, 설립 7년 차인 이 회사의 총 투자 유치액은 약 1억 2,000만 달러에 이르렀다. 이번 투자와 함께 Skan AI는 두 가지 신제품인 Skan AI Blueprint와 Skan AI Agents의 일반 공급을 발표했다. 이들은 기존의 Skan AI Intelligence 제품과 함께, 엔터프라이즈 워크플로를 발견·모델링·자동화하기 위한 완전한 플랫폼이라고 회사가 설명하는 제품군을 이룬다.
Summary
핵심 요약
- Skan AI는 Dell Technologies Capital과 Cathay Innovation이 공동 주도한 시리즈 C 펀딩을 통해 6,300만 달러를 확보했으며, 총 투자 유치액은 약 1억 2,000만 달러에 이르렀다.
- 회사는 기존 Intelligence 플랫폼과 더불어 Skan AI Blueprint와 Skan AI Agents라는 두 가지 신제품을 출시했다.
- 회사가 인용한 가트너 데이터에 따르면, AI 에이전트를 실제 운영 환경에 도입한 엔터프라이즈는 8%에 불과하며, 초기 구현의 95%는 재설계가 필요한 것으로 나타났다.
- Skan은 누적 5억 달러 이상의 고객 가치가 식별되었다고 주장하며, 고객에는 미국 10대 은행 중 7곳, Unum, Mitie 등이 포함된다.
- 플랫폼은 Nvidia AI Enterprise와 NIM 마이크로서비스 위에서 구동되며, 프라이버시 문제를 해결하기 위해 엔터프라이즈 방화벽 내부에서 익명화된 데이터를 집계한다.
업계가 무시할 수 없는 실패율을 중심으로 한 투자 라운드
엔터프라이즈 AI 도입은 자금만으로는 해결되지 않는 벽에 부딪혔다. Skan AI가 인용한 가트너 리서치에 따르면, 현재 실제 운영 환경에서 AI 에이전트를 가동 중인 엔터프라이즈는 8%에 불과하며, 초기 구현의 95%는 가치를 창출하기 전에 전면적인 재설계가 필요하다. 이 수치는 Fortune이 보도한 전년 MIT 보고서와도 일치하는데, 해당 보고서는 엔터프라이즈 생성형 AI 파일럿의 약 95%가 측정 가능한 수익을 내는 데 실패했다고 기록했다.
Skan의 공동 창업자이자 CEO인 Avinash Misra는 업계가 문제를 잘못 진단해 왔다고 주장한다. 발표에 앞서 VentureBeat와의 인터뷰에서 그는, 병목은 모델 자체가 아니라, 모델이 배치되는 비즈니스에 대한 정확한 그림이 빠져 있다는 점이라고 말했다. “모두가 더 나은 운전자를 만드는 데 집착하고 있습니다.”라고 Misra는 말했다. “우리는 더 큰 기회가 더 나은 내비게이션 시스템을 만드는 데 있다고 봅니다.”
이 이야기가 단순한 한 번의 투자 라운드를 넘어 중요한 이유는 여기에 있다. 엔터프라이즈가 실제 업무 방식과 맞지 않는 공식 프로세스 문서에 계속 에이전트를 기반하도록 한다면, 가트너가 설명한 재설계 사이클은 기반 모델의 성능이 아무리 높아져도 반복될 수밖에 없다.
직원들이 실제로 화면에서 하는 일을 기반으로 엔터프라이즈 AI 워크플로 구축하기
Skan의 핵심 가설은 문서화된 프로세스와 실제 프로세스 사이의 격차가 바로 AI 에이전트가 무너지는 지점이라는 것이다. Misra와 공동 창업자 Manish Garg는 에이전트형 AI가 이사회 차원의 우선순위가 되기 훨씬 전인 7년 전부터 이 격차를 추적하기 시작했다. “왜 조직, 특히 대기업이 자사 업무가 실제로 어떻게 수행되는지 이해하는 것이 그렇게 어려운 걸까요?”라고 Misra는 물었다. “왜 그걸 위해 맥킨지 컨설턴트를 불러들여야 할까요?”
회사의 답은 문서나 백엔드 로그에서 추론하는 대신, 업무를 직접 관찰하는 것이다. Skan은 직원 데스크톱에 관찰 기술을 배포해, 스프레드시트, CRM 시스템, 이메일 클라이언트, 수십 년 된 메인프레임까지 애플리케이션 전반에 걸쳐 업무가 어떻게 이동하는지 지속적으로 추적하고, 이러한 관찰을 기반 프로세스의 살아 있는 모델로 전환한다. 이 모델이 에이전트가 추론하는 컨텍스트 그래프가 된다.
Misra는 이를 동료의 화면을 지켜보는 것에 비유한다. “제가 여기서 화면을 공유하고, 당신이 제 화면이 엑셀 시트, CRM 시스템, 이메일 클라이언트를 오가는 모습을 관찰한다면, 두 번 정도만 반복해도 제가 무엇을 하는지에 대한 모델을 만들 수 있을 겁니다.”라고 그는 말했다. “하지만 그걸 규모 있게 할 수는 없습니다. 24시간 365일, 저 같은 사람 1,500명을 대상으로 할 수는 없죠. 이제 그 자리에 우리 기술을 대입해 보세요.”
관찰이 아니라 의도 추출이 어려운 이유
Skan은 Celonis 같은 프로세스 마이닝 벤더와 대비되는 접근법을 취한다. 이들은 백엔드 데이터 흔적에서 워크플로를 재구성한다. Misra는 이러한 로그는 완료된 트랜잭션만 포착하고, 그 사이에서 발생한 복잡한 인간의 단계를 놓친다고 주장한다. “모든 백엔드 데이터는 정의상 커밋된 작업 상태입니다. 실제 작업은 그 커밋된 상태들 사이에서 일어나는 것입니다.”라고 그는 말하며, AI에 중요한 것의 약 80%가 그 간극에서 발생한다고 추산했다.
그는 화면을 관찰하는 것 자체는 어려운 엔지니어링 문제가 아니었다는 점을 분명히 한다. “어려운 문제는 화면에서 보는 것을 추상화하는 것, 즉 의도 추출입니다.”라고 Misra는 말했다. 새로운 케이스와 기존 케이스의 재작업을 구분하도록 모델을 학습시키는 것 — 인간 동료는 즉시 이해하는 — 이 바로 Skan의 수년간의 선행 투자가 진정으로 존재하는 영역이라고 그는 믿는다.
직원 모니터링과 운영 투명성 사이의 저울질
지속적인 화면 관찰은 명백한 프라이버시 문제를 제기하며, 이는 가상의 문제가 아니다. 6월, 로이터는 Meta가 직원들의 마우스 클릭을 추적하는 내부 도구를 직원 반발 이후 축소했다고 보도했다. 이는 AI에 적극적인 기업조차도 텔레메트리와 감시 사이의 경계에 여전히 신중하다는 증거다.
Misra는 코드 한 줄을 쓰기도 전에 이러한 반론을 들었다고 말한다. 초기 단계에 AXA 멕시코의 당시 최고 변혁 책임자였던 Delphine Icart에게 이 개념을 제안했을 때, 그는 직설적인 반응을 들었다. “Delphine이 제게 한 첫 마디는 ‘아이디어는 훌륭해 보이지만, 당신은 이미 사망 선고를 받은 거나 마찬가지예요’였습니다.”라고 그는 회상했다. “‘당신은 관찰해서는 안 되는 것 — 내 오퍼레이터들의 프라이버시와 그 화면에 있는 데이터의 주권 — 을 관찰하고 있어요.'”
이 대화는 시스템 설계 방식에 큰 영향을 미쳤다. Skan은 개별화가 아닌 집계를 수행해, 특정 개인을 추적하는 대신 동일한 프로세스를 수행하는 수백 명의 작업자 전반에서 통계적 패턴을 드러낸다. “우리는 John이 10시간 43초에 무엇을 하고 있는지에는 관심이 없습니다.”라고 Misra는 말했다. “우리가 관심 있는 것은 수백 명의 John을 합쳐서 무엇을 하고 있는가입니다.” 조직은 옵트인 방식으로 특정 애플리케이션과 URL을 범위 지정해 시스템이 볼 수 있는 것을 제어하며, 그 결과 데이터는 엔터프라이즈 방화벽을 절대 벗어나지 않고, 3계층 아키텍처를 통해 익명화된 메타데이터만 클라우드로 전송된다. Misra는 유럽 노사협의회 승인을 받은 배포 사례를 들어, 이 모델이 엄격한 검증을 통과했음을 강조한다. 집계가 근본적인 긴장을 완전히 해소하는지는 여전히 열린 질문이며, Misra는 이 기술이 일부 경우 특정 프로세스에서 고객의 인력 감축으로 이어졌음을 인정했다.
5억 달러에 달하는 고객 가치 주장 수치가 실제로 의미하는 것
Skan은 자사 기술이 누적 5억 달러 이상의 고객 가치를 식별했다고 말하지만, Misra는 이 수치가 이미 실현된 현금이 아니라 기회 추정치라는 점을 분명히 했다. “이 숫자는 모든 고객을 통틀어 우리가 그들에게 제공한 것으로 정량화된 절감 효과 — 그들이 절감할 것으로 기대한 절감액 — 의 누적에서 나온 것입니다.”라고 그는 말했다. 고객들은 이러한 절감 효과를 프로세스 재설계, 기술 변경, 그리고 점점 더 많이 AI 에이전트를 통해 실현한다고 덧붙였다.
보다 구체적인 수치는 개별 배포 사례에서 나온다. 한 미국 상위 은행에서 Skan은 1,500명의 재무 담당자에게서 1,120만 건의 컨텍스트 전환을 관찰하고, 3,700만 달러 규모의 운영 마찰을 식별했다고 말한다. 이 컨텍스트를 에이전트가 실행 가능한 워크플로로 전환한 결과, 거래당 비용 32% 감소, 처리량 41% 증가, 연간 1,800만 달러의 절감 효과를 달성했다. 또 다른 은행의 자금세탁방지(AML) 운영에서는 “케이스의 60%가 이제 AI 에이전트에 의해 처리되고 있으며”, 그 정확도는 “인간의 정확도를 여러 차례 상회한다”고 Misra는 말했다. 보험사들 사이에서는 핵심 청구 처리에서 약 25% 수준의 생산성 향상이 보고되었다.
Skan의 레퍼런스 고객에는 영국 시설 관리 회사인 Mitie와, 138억 달러 가치의 직원 복지 제공업체 Unum 등이 포함된다. Mitie의 최고 기술·디지털 책임자인 Cijo Joseph은 이 기술이 “우리에게 전례 없는 운영 가시성을 제공해 AI 전환을 극적으로 가속했다”고 말했다. 회사는 매출을 공개하길 거부했지만, 2년 연속 연간 300%를 상회하는 성장과 약 150% 수준의 순달러 유지율을 기록했다고 밝혔다. 현재 미국 10대 은행 중 7곳과 포춘 50대 기업의 4분의 1이 고객으로 포함된다.
Nvidia, 경쟁사, 그리고 엔터프라이즈 컨텍스트를 둘러싼 경쟁
Skan은 Nvidia AI Enterprise와 NIM 마이크로서비스 위에서 구동되며, 회사는 이번 투자 소식과 함께 이 파트너십을 전면에 내세우고 있다. Misra는 업무를 관찰하고, 컨텍스트 모델을 보유하며, 에이전트를 전적으로 고객의 자체 인프라 내에서 실행할 수 있는 프라이빗 어플라이언스에 대한 수요가 증가하고 있다고 설명했다. 이는 데이터 주권이 절대적인 은행·보험 등 규제 산업에 특히 매력적인 구성이다.
Skan은 자신과 인접 카테고리 사이에 명확한 경계를 긋는다. 프로세스 마이닝 도구는 백엔드 로그에 기록된 것만 본다. RPA 플랫폼은 작업을 이해하지 못한 채 재생한다. ServiceNow, Salesforce, Microsoft 같은 플랫폼 대기업은 강력한 에이전트를 제공하지만, 이들의 가시성은 자사 시스템에 한정된다. “이 에이전트들이 접근할 수 있는 컨텍스트는 ServiceNow, Salesforce에 제한되어 있지만, 실제 업무는 전반적인 프로세스에 걸쳐 이루어집니다.”라고 Misra는 말했다.
그의 더 넓은 주장은 모든 회사가 동일한 최첨단 모델에 접근할 수 있게 되었을 때 차별화가 어디에서 발생하는가에 관한 것이다. “모든 보험사, 모든 은행이 같은 모델에 접근할 수 있다면, 결과는 점점 그 모델의 결과에 수렴하게 될 것입니다.”라고 그는 말했다. “그 오래된 단어 — 프로세스 — 가 이제 AI를 위한 컨텍스트로 돌아옵니다. 하지만 그 컨텍스트는 당신이 보호합니다. 모델의 일부가 아닙니다.” Cathay Innovation의 파트너 Simon Wu도 비슷한 관점에서 Skan을 “다음 10년을 정의할 플랫폼 기업 중 하나”라고 표현했다.
이러한 프레이밍은 실제 경쟁의 핵심이 어디에 있는지를 암시한다. 더 많은 벤더가 동일한 기반 모델을 쫓을수록, 차별화 요소는 원시적인 AI 역량에서 비즈니스가 어떻게 운영되는지에 대한 독점적인 지도를 누가 통제하는가로 이동한다. 그리고 바로 그 계층을 Skan은 경쟁사들이 유사한 컨텍스트 그래프를 구축하기 전에 선점하기 위해 서두르고 있다.
FAQ
Skan AI의 주요 기술 혁신은 무엇인가요?
Skan AI는 화면 수준 관찰 기술을 사용해 직원들이 애플리케이션 전반에서 어떻게 일하는지 관찰하고, 프로세스 문서나 시스템 로그에만 의존하는 대신 실제 워크플로의 컨텍스트 그래프를 구축합니다.
Skan AI는 직원 모니터링과 관련된 프라이버시 문제를 어떻게 해결하나요?
Skan은 익명화된 데이터를 집계하고, 엔터프라이즈 방화벽 내에서 운영하며, 옵트인 모델을 통해 관찰 대상을 특정 애플리케이션과 URL로 제한하고, 데이터가 방화벽을 절대 벗어나지 않도록 합니다.
Skan AI의 주요 고객에는 누가 있나요?
Skan AI의 고객에는 미국 10대 은행 중 7곳, 직원 복지 제공업체 Unum, 영국 시설 관리 회사 Mitie 등이 포함됩니다.
Skan AI는 배포에서 어떤 성과를 거두었나요?
보고된 배포 사례에서는 한 은행에서 비용 32% 절감, 처리량 41% 증가, 연간 1,800만 달러 절감 효과를 보였으며, 보험 고객들 사이에서는 약 25% 이상의 생산성 향상이 나타났습니다.
{“@context”:”https://schema.org”,”@type”:”FAQPage”,”mainEntity”:[{“@type”:”Question”,”name”:”Skan AI의 주요 기술 혁신은 무엇인가요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Skan AI는 화면 수준 관찰 기술을 사용해 직원들이 애플리케이션 전반에서 어떻게 일하는지 관찰하고, 프로세스 문서나 시스템 로그에만 의존하는 대신 실제 워크플로의 컨텍스트 그래프를 구축합니다.”}},{“@type”:”Question”,”name”:”Skan AI는 직원 모니터링과 관련된 프라이버시 문제를 어떻게 해결하나요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Skan은 익명화된 데이터를 집계하고, 엔터프라이즈 방화벽 내에서 운영하며, 옵트인 모델을 통해 관찰 대상을 특정 애플리케이션과 URL로 제한하고, 데이터가 방화벽을 절대 벗어나지 않도록 합니다.”}},{“@type”:”Question”,”name”:”Skan AI의 주요 고객에는 누가 있나요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”Skan AI의 고객에는 미국 10대 은행 중 7곳, 직원 복지 제공업체 Unum, 영국 시설 관리 회사 Mitie 등이 포함됩니다.”}},{“@type”:”Question”,”name”:”Skan AI는 배포에서 어떤 성과를 거두었나요?”,”acceptedAnswer”:{“@type”:”Answer”,”text”:”보고된 배포 사례에서는 한 은행에서 비용 32% 절감, 처리량 41% 증가, 연간 1,800만 달러 절감 효과를 보였으며, 보험 고객들 사이에서는 약 25% 이상의 생산성 향상이 나타났습니다.”}}]}
본 기사는 인공지능의 도움을 받아 제작되었으며, 편집팀의 검수를 거쳤습니다.
