코어 vs 랜딩 AI

코어 장단점

• LoCoMo 벤치마크 기준 88.24%의 높은 회상 정확도를 보여주며, 단순 키워드 매칭이 아닌 관계 기반 검색으로 복잡한 질문에도 정확한 맥락을 짚어냅니다. 특히 MCP를 통한 원클릭 연동으로 Claude 사용자들에게 매우 직관적인 경험을 제공하며, 오픈소스 기반의 설계 덕분에 사용자가 자신의 데이터를 직접 제어하고 소유할 수 있다는 점이 보안을 중시하는 전문가들에게 높은 평가를 받습니다.

• 아직 서비스 초기 단계로 연동 가능한 외부 도구의 생태계가 엔터프라이즈 솔루션에 비해 좁은 편이며, MCP나 지식 그래프와 같은 기술적 개념이 익숙하지 않은 일반 사용자에게는 초기 설정 과정이 다소 복잡하게 느껴질 수 있습니다. 또한, 현재 GPT나 Claude 계열 모델에는 최적화되어 있으나 Llama 등 오픈소스 LLM에서는 상대적으로 응답 품질이 떨어진다는 사용자 피드백이 존재합니다.

랜딩 AI 장단점

• 수기 양식이나 병합 셀이 섞인 복잡한 표에서도 기존 OCR보다 추출 정확도가 높습니다
• 양식별 템플릿을 따로 학습시키지 않아도 처음 보는 문서 레이아웃에 바로 대응합니다
• Snowflake 같은 데이터 플랫폼 안에서 직접 처리해 문서를 외부로 내보내지 않고도 보안 요건을 맞출 수 있습니다
• 추출한 값마다 원본 위치 좌표가 함께 남아 감사 추적(Audit Trail)이 가능합니다

• 전문적인 기능이 많아 초보자에게는 초기 설정 과정이 복잡할 수 있음
• 대량 문서 처리를 위한 고성능 모델 사용 시 비용 부담 발생 가능

코어 주요 기능

• 시계열 지식 그래프 기반 영구 메모리 저장 및 검색
• 단일 MCP 연결로 GitHub·Slack·Gmail·Linear 등 연동
• 자율적 다단계 워크플로우 실행(이슈 생성, 이메일 발송 등)
• 실시간 이벤트 트리거 기반 자동화
• 오픈소스 자가 호스팅 지원 (데이터 직접 제어)
• Claude Code MCP 통합 엔드포인트 제공

랜딩 AI 주요 기능

• DPT-2 기반 Agentic Reasoning: 제로샷 문서 레이아웃 분석
• 복잡한 표·체크박스·서명·스탬프 정밀 인식
• 추출 데이터의 시각적 근거(Visual Grounding) 및 상세 좌표 제공
• Snowflake, AWS, SAP 등 엔터프라이즈 환경과의 네이티브 연동
• Python·TypeScript SDK와 REST API로 자체 앱에 연동
• 수십억 페이지 처리를 위한 고처리량 미션 크리티컬 워크플로우 지원