애프트쿼리 vs 카티지

애프트쿼리 장단점

• 단순 라벨링을 넘어 골드만삭스, 구글 출신 등 실제 업계 전문가들이 직접 설계한 고품질 데이터를 제공하므로 모델의 전문성이 비약적으로 향상됩니다. 특히 루브릭(Rubrics) 기반의 RLHF를 통해 모델이 왜 해당 답변을 내놓아야 하는지에 대한 정교한 피드백을 학습시킬 수 있으며, 에이전트 전용 훈련 환경을 통해 복잡한 멀티스텝 워크플로우 학습이 가능합니다. 또한 독자적인 벤치마크(IDE-Bench, FinanceQA 등)를 보유하고 있어 모델 성능을 객관적으로 검증할 수 있는 연구 역량이 뛰어납니다.

• 전문 인력을 직접 투입하는 방식의 특성상 구축 비용이 경쟁사 대비 매우 높을 것으로 예상되며, 대규모 범용 데이터를 단기간에 확보해야 하는 프로젝트에는 가성비가 떨어질 수 있습니다. 소규모 스타트업이나 개인 개발자를 위한 셀프 서비스 플랜이나 공개된 가격 정보가 부족하여 접근성이 낮으며, 주로 최상위 AI 리서치 랩이나 엔터프라이즈를 타겟으로 하기에 도입 상담 과정이 복잡할 수 있다는 점이 진입 장벽으로 작용합니다.

카티지 장단점

• Wilson이 이메일 기반으로 운송업체 및 공급업체와 직접 소통하기 때문에 물류 담당자가 일일이 이메일을 주고받을 필요가 줄어들고, 기존 TMS나 ERP 시스템에 로그인해 데이터를 직접 입력·수정하는 방식이라 별도의 복잡한 API 연동 없이도 통합이 가능합니다. 실제 직원처럼 행동한다는 컨셉 덕분에 팀원들에게 자연스럽게 적응할 수 있고, 고객 문의에 자동 응답하며 배송 상태를 능동적으로 공유해 커뮤니케이션 병목을 완화한다는 점도 장점입니다.

• 2025년 현재 G2, Capterra, Reddit 등 주요 리뷰 플랫폼에서 확인할 수 있는 실사용자 후기가 거의 없어 객관적인 성능 검증이 어렵고, 구체적인 가격 정책도 공개되지 않아 도입 전 비용 예측이 힘듭니다. AI가 기존 시스템에 로그인해 데이터를 조작하는 방식이므로 보안 담당자의 승인을 받기 까다로울 수 있으며, 제조·유통 업종에 특화된 솔루션이라 다른 산업군에는 적용하기 어렵습니다.

애프트쿼리 주요 기능

• 고품질 SFT·RLHF 훈련용 전문가 제작 데이터 페어
• 추론·코딩 성능 개선을 위한 루브릭 기반 피드백
• MCP 기반 에이전트 훈련 상호작용 데이터
• 맞춤형 도메인 특화 데이터셋 제작 서비스
• 컴퓨터 사용 환경 시뮬레이션 및 데이터 수집

카티지 주요 기능

• WilsonOS를 통한 노코드 물류 전 과정 관리
• 브라우저 기반 레거시 ERP 직접 로그인 자동화
• Wilson Concierge를 통한 자동 고객 대응
• 역사 데이터 기반 시장 견적 분석
• 화물 통합 및 노선 최적화