애프트쿼리 vs 리고 바이오사이언스

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.

리고 바이오사이언스 장단점

• AI 기반 de novo 효소 설계 분야에서 가장 빠르게 성장하는 기업 중 하나로 평가받으며, 자연계에 존재하지 않는 효소를 설계할 수 있다는 점에서 기존 방식대로 자연에서 효소를 발견하려는 접근과 근본적으로 다른 가능성을 제시합니다. 딥러닝 모델이 촉매 작용의 원리를 학습하여 설계하므로 전통적인 실험 방식 대비 연구 개발 기간을 수년에서 며칠~수주로 단축할 수 있다는 설명입니다. 바이오 촉매는 온화한 조건에서 작동하고 선택성이 높아, 고온·고압과 유해한 화학 물질을 사용하는 기존 화학 공정보다 친환경적이고 지속 가능한 대안이 될 수 있다는 점도 ESG 관점에서 장점입니다.

• 제공된 정보에 따르면 아직 B2B 중심의 기술 중개 기업으로, 일반 사용자나 연구자가 직접 가입하여 사용하는 SaaS 형태가 아니므로 접근성이 제한적입니다. 실제 효소 설계 성공 사례, 검증된 파트너십 목록, 구체적인 기술 백서나 논문이 공식 사이트에 충분히 공개되어 있지 않아 기술력을 객관적으로 판단하기 어려운 측면이 있습니다. 또한 AI 기반 효소 설계 분야 전반이 여전히 초기 단계라, 설계된 효소가 실제 산업 현장에서 예상한 성능을 발휘할지는 추가적인 검증과 최적화 과정이 필요할 수 있습니다.

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

리고 바이오사이언스 주요 기능

• 생성형 확산 모델 기반 신규 효소 de novo 설계
• 자연계 비존재 반응용 효소 설계 가능
• 제약·농업·정밀 화학 다양한 산업 적용
• Basecamp Research 데이터 협력 기반 오픈소스 모델 준비 중
• Adaptyv Bio 차세대 단백질 파운드리 협력