데이터로봇 vs 퍼시스트AI

데이터로봇 장단점

• MLOps와 AI 거버넌스 기능이 폭넓게 갖춰져 있어 모델 배포 이후 성능 모니터링과 드리프트 감지, 규정 준수 통제까지 한 플랫폼에서 처리합니다
• 온프레미스·하이브리드·멀티클라우드를 모두 지원해 인프라 환경에 맞춰 배포 위치를 선택할 수 있습니다
• AutoML이 모델 구축과 배포 과정을 자동화해 데이터 사이언스 팀이 반복 작업에 드는 시간을 줄여줍니다
• SAP 인증 파트너이자 NVIDIA와 공동 엔지니어링을 진행해 엔터프라이즈 스택과의 연동 폭이 넓습니다

• 광범위한 기능으로 인해 초기 설정 및 도입을 위한 학습 곡선이 높음
• 대기업 중심의 가격 정책으로 소규모 팀에게는 비용 부담이 큼
• 완전한 성능 발휘를 위해 양질의 데이터와 데이터 사이언스 기반 지식이 요구됨

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.

데이터로봇 주요 기능

• AutoML — 자동화된 머신러닝 모델 구축 및 배포
• LLM 거버넌스 및 모니터링 도구(생성형 AI 관리)
• 예측·생성·에이전틱 AI 통합 지원
• AI 에이전트 워크포스 플랫폼(금융·공급망·운영)
• 모델 성능 모니터링 및 드리프트 감지
• Agnostiq 인수로 강화된 HPC·클라우드 워크플로우 통합

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)