애프트쿼리 vs 퍼시스트AI

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.

퍼시스트AI 장단점

• AI 예측과 로봇 자동화 실험을 결합해 제형 개발 기간을 기존 대비 50% 이상 단축할 수 있다는 점이 가장 큰 장점으로 꼽힙니다. 업계 관계자들의 평가에 따르면, 고처리량 로봇 시스템이 수천 개의 제형을 동시에 테스트할 수 있어 인력 대비 10배 이상의 실험 효율을 기대할 수 있다고 합니다. 또한 QTPP 기반 설계 접근법을 통해 임상 후반 단계에서 발생하는 제형 변경 리스크를 사전에 줄일 수 있어, 전체 개발 비용 절감 효과가 기대됩니다. 2024년 Y Combinator 지원 기업으로 선정되고 시리즈 A 투자를 유치한 점은 기술력에 대한 일정한 검증으로 볼 수 있습니다.

• 가장 큰 한계는 2023년 설립된 초기 스타트업으로, 실제 신약 승인까지 이어진 성공 사례나 장기간 검증된 트랙레코드가 아직 없다는 점입니다. B2B 엔터프라이즈 솔루션 특성상 가격 정책이 공개되지 않아 중소 제약사나 연구소는 접근성을 판단하기 어렵습니다. 또한 로봇 실험실 인프라가 필요하기 때문에 완전 원격 서비스보다는 물리적 위치 제약이 있을 수 있으며, 생물학적 약물(biologics)보다는 저분자량 약물에 특화되어 있어 적용 범위에 제한이 있습니다. 제약 업계의 보수적인 성격을 고려할 때, 기존 방식을 고수하는 연구팀에서는 도입에 신중할 수밖에 없습니다.

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

퍼시스트AI 주요 기능

• AI 모델 기반 최적 제형 예측 및 프로토콜 생성
• 소량(1mL·수 mg)으로 700개+ 제형 고처리량 로봇 테스트
• Cloud Lab 웹 플랫폼을 통한 원격 로봇 실험실 접근
• QTPP 기반 제형 성능 예측
• 경구용 단백질·펩타이드 신약 GMP 제조 협력(2026 Q4 예정)