셸프 엔진 vs 키라 시스템즈

셸프 엔진 장단점

• 실제 사용자 리뷰에 따르면 Shelf Engine 도입 후 폐기율이 평균 20~30% 감소한 사례가 보고되며, 일부 매장에서는 매출 2~5% 증가 효과를 경험했습니다. AI가 날씨, 휴일, 지역 이벤트 등 외부 변수를 자동으로 반영해 발주 정확도를 높여주고, 수동 주문에 소요되던 시간을 크게 단축시켜 줍니다. 특히 신선식품 카테고리에서 재고 관리 효율성이 높고, 초기 설정 후 운영이 비교적 간편하다는 평가를 받습니다.

• Crisp 인수 이후 독립형 서비스로서의 제공이 축소되어 기존 Shelf Engine만 단독 도입이 어려울 수 있습니다. 한국 시장에서는 현지화된 데이터 연동이나 국내 유통업체 POS 시스템과의 호환성에 대한 검증이 부족하며, 주로 북미 시장에 특화된 솔루션입니다. 초기 데이터 학습 기간(보통 4~12주)이 필요해 즉각적인 효과를 기대하기 어렵고, 소규모 매장의 경우 월 비용 대비 ROI 확보까지 시간이 걸릴 수 있습니다. 또한 외부 변수(날씨, 이벤트)가 반영되지만 예측 정확도는 데이터 품질과 기간에 크게 의존합니다.

키라 시스템즈 장단점

• 90% 이상의 데이터 추출 정확도를 검증된 수치로 제시합니다.
• 리테라(Litera) 제품군과 연동되어 계약 검토 워크플로우를 한 흐름으로 이어갈 수 있습니다.
• SOC2 Type II 등 기업용 보안 표준을 충족해 사내 도입 심사를 통과하기 쉽습니다.
• 100개 이상의 언어를 지원해 다국적 계약 문서를 한 도구에서 분석할 수 있습니다.

• 엔터프라이즈 급 솔루션으로 소규모 법인에는 다소 높은 도입 비용
• 고도화된 맞춤형 AI 모델 학습(Quick Study) 시 발생하는 학습 곡선
• 투명하지 않은 가격 정책으로 인한 직접 문의 및 견적 필요성

셸프 엔진 주요 기능

• 날씨·판매 데이터 기반 일일 이익 최적화 자동 발주
• 머신러닝 기반 부패성 상품 수요 예측
• 수동 스프레드시트 완전 대체
• 주간 성과 보고서 자동 생성
• 7,000개+ 점포 규모 운영 검증

키라 시스템즈 주요 기능

• 기존 머신러닝과 생성형 AI를 결합한 하이브리드 AI 아키텍처 (90%+ 추출 정확도)
• 1,400개 이상의 사전 학습된 법률 조항 및 데이터 필드 라이브러리
• 자연어 프롬프트로 맞춤형 필드를 생성하는 Generative Smart Fields
• 프로젝트별 생성형 AI 기능 활성화/비활성화 거버넌스 제어
• Grid Chat: 검토 데이터 전체를 자연어로 쿼리하는 기능 (2026년 출시 예정)
• 100개 이상의 언어 지원 및 대규모 문서 일괄 분석