데이터사우르 vs 퍼시스트AI

데이터사우르 장단점

• NLP 작업에 최적화된 직관적인 UI 덕분에 엑셀 기반 작업보다 최대 6배 빠른 속도를 체감할 수 있으며, 특히 키보드 단축키만으로 텍스트 스팬(Span)을 지정할 수 있는 편의성이 뛰어납니다. LLM Labs를 통해 여러 모델의 비용과 성능을 실시간 비교하고 프롬프트를 튜닝할 수 있어 모델 선정 단계에서 매우 유용합니다. 또한 작업자 간 일치도(IAA) 측정과 컨센서스 워크플로우가 내장되어 있어 고품질의 골드 데이터셋(Gold Dataset) 구축 시 신뢰도가 높으며, SOC2 및 HIPAA 준수로 보안이 중요한 기업 환경에 적합합니다.

• 가장 큰 진입 장벽은 투명하지 않은 가격 체계로, 소규모 팀이나 개인보다는 엔터프라이즈 타겟의 높은 초기 도입 비용(연간 수만 달러 수준)이 발생할 수 있습니다. 이미지나 비디오 라벨링 기능은 경쟁 도구에 비해 기초적인 수준이라 복합적인 멀티모달 학습에는 한계가 있습니다. 또한, 고급 자동화 기능을 완벽히 활용하기 위해서는 어느 정도의 학습 곡선이 존재하며, 오픈소스 커뮤니티나 외부 플러그인 생태계가 Amazon SageMaker Ground Truth 같은 거대 플랫폼에 비해서는 좁은 편이라는 평가가 있습니다.

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.

데이터사우르 주요 기능

• 250개 이상 파운데이션 모델 비교 분석 'LLM Labs'
• 멀티패스 라벨링 및 작업자 간 합의(IAA) 분석
• 스크립트 기반 자동 데이터 검증 및 검색
• VPC 및 온프레미스 프라이빗 배포 지원
• SOC2·HIPAA 준수 보안 인프라
• RLHF 평가 워크플로우 내장

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)