같은 데이터에 같은 질문을 던지면 같은 예측, 같은 신뢰도로 답합니다. LLM이 닿지 못하는 기업의 표 데이터를 과 TabPFN-3 기반 표 형식 AI가 어떻게 풀어내는지 살펴봅니다.
생산성은 올랐는데, 이익은 그대로인 이유
생성형 AI 덕분에 글쓰기, 리서치, 프로그래밍이 훨씬 빨라졌지만 숨은 문제가 있습니다. 에서 AI 사용자의 80%는 개인 생산성이 올랐다고 답했지만, 영업이익이 크게 늘었다는 기업은 6%뿐이었습니다.
이 간극을 메우는 열쇠는 기업이 리스크, 부도, 손실, 유동성 압박을 더 일찍 감지하고 더 잘 관리하도록 돕는 것입니다.
기계 공학, 자동차 부품 공급망, 제조·물류가 강점인 독일과 유럽에는 특히 중요한 과제입니다. 독일경제연구소는 AI가 2034년까지 독일에서 약 4,400억 유로의 추가 부가가치를 만들 수 있다고 추산합니다.
LLM이 약한 곳, 표 형식 데이터
이 목표에는 다른 종류의 AI가 필요합니다. 언어를 다루는 데서 그치지 않고, 기업이 가장 많이 쓰는 데이터를 이해해야 하기 때문입니다. 여기서 일반적인 LLM은 한계를 보입니다.
“鶹ԭ의 핵심 비즈니스는 정형 데이터이고, 정형 데이터는 대개 표에 저장됩니다.”
Philipp Herzig, 鶹ԭ 최고기술책임자(CTO)
표 속 숫자 같은 정형 데이터는 지금 무슨 일이 일어나는지, 다음엔 무엇이 올지 알려 줍니다. 2026년 에서도 성능 좋은 LLM이 표에서 결론을 끌어내고 관계를 찾는 과제는 언어 과제보다 크게 약했습니다.
표의 값은 열, 행, 기간, 거래 사이의 관계 속에 있습니다. 표 형식 AI(Tabular AI)는 기업 시스템을 이루는 여러 테이블에 걸쳐 이런 패턴을 찾도록 설계됩니다. 예를 들어 대금을 늦게 낼 고객을 미리 찾으려면 결제·주문 이력, 배송 데이터, 외부 업종 정보가 함께 필요합니다.
모델 하나로 수백 개를 대신합니다
기존 머신러닝은 수요 예측, 대금 부도 위험, 영업 우선순위처럼 용도마다 모델을 따로 개발하고 운영해야 했습니다. 표 형식 파운데이션 모델은 이를 바꿉니다. 질문마다 새로 만들 필요 없이 범용으로 쓸 수 있어, 앞으로는 鶹ԭ가 이번에 고객에게 공개한 鶹ԭ-RPT-1.6 같은 모델 하나면 충분해질 수 있습니다.
“흥미로운 점은 이렇게 전혀 다른 활용 사례가 모두 같은 모델을 기반으로 한다는 것입니다. 원리는 늘 같습니다. 일정량의 표 형식 데이터를 모델에 넣으면 바로 예측을 시작할 수 있습니다.”
Philipp Herzig, 鶹ԭ 최고기술책임자(CTO)
방대한 데이터로 사전 학습된 만큼, 데이터가 적을 때 개별 모델이 놓치는 패턴도 사례를 넘나들며 찾아냅니다. 비용과 시간은 줄고, 얻는 통찰은 늘어납니다.
Prior Labs 인수, 그리고 LLM과의 조합
鶹ԭ는 지난 7월 Prior Labs를 인수해 기업용 AI의 다음 단계를 앞당기고 있습니다. Prior Labs의 기초 연구에 비즈니스 프로세스에 AI를 적용해 온 鶹ԭ의 경험을 결합하는 것입니다. Prior Labs의 오픈소스 모델 TabPFN-3, 鶹ԭ-RPT 계열 모델, 가 만나면 기업 고유의 데이터와 맥락에서 안전하게 예측을 만들어 내는 인프라가 완성됩니다. 시계열로 학습한 파운데이션 모델도 등장하는 등 모델은 갈수록 다양해지고 있습니다.
“기존 LLM은 같은 프롬프트를 여러 번 입력해도, 예를 들어 온도 설정에 따라 다른 답이 나올 수 있습니다. 우리 모델은 다릅니다. 같은 샘플을 입력하면 같은 예측, 같은 신뢰도를 얻습니다.”
Philipp Herzig, 鶹ԭ 최고기술책임자(CTO)
중요한 건 LLM이냐 표 형식 모델이냐가 아니라 둘을 결합하는 것입니다. 언어와 지식은 LLM이, 정형 비즈니스 데이터 기반 예측은 표 형식 모델이 맡습니다. 제대로 쓰면 AI는 생산성 도구를 넘어 더 나은 의사결정과 더 강한 경제의 토대가 됩니다.