리탄카르 다스가 Reid Hoffman과 Marc Pincus와 공동 창업한 새로운 AI 연구소 Prentis가 10억 달러 기업가치로 1억 달러를 조달하기 위해 협의 중이라고 TechCrunch가 보도했다. TechCrunch는 관련 논의에 정통한 2명을 인용했다. 이번 자금조달은 또 하나의 대형 AI 라운드라기보다, 투자자들이 다음 엔터프라이즈 AI의 핵심 확장 지점으로 무엇을 보고 있는지 보여주는 신호라는 점에서 의미가 크다. 그 지점은 코드 생성이 아니라, 사무직 직원처럼 일반적인 비즈니스 시스템을 조작할 수 있는 소프트웨어 에이전트다.

TechCrunch에 따르면 Prentis는 4월에 출범했으며, 문서와 기업 시스템 전반의 일상적인 워크플로로 훈련된 컴퓨터 사용 모델을 구축하고 있다. 이 회사의 목표는 AI 에이전트를 만들어 컴퓨터를 제어하고 반복적인 사무 업무를 수행하게 하는 것이다. 예를 들어 보험 청구 처리나 관세 환급 예외 처리 같은 일을, 사람이 여러 도구를 오가며 파일을 찾아다닐 필요 없이 처리할 수 있게 하려는 것이다.

이로써 Prentis는 AI 시장에서 가장 활발하면서도 혼잡한 분야 중 하나에 들어서게 된다. 대형 모델 제공업체와 스타트업 연구소 모두가 챗 인터페이스에서 벗어나, 클릭하고 검색하고 데이터를 입력하며 실제 소프트웨어 환경에서 종단간 작업을 완료하는 에이전트로 이동하려 하고 있다. Prentis가 더 작은 특화 모델이 그 작업에 충분히 신뢰할 수 있고 비용도 낮다는 것을 보여준다면, 더 큰 연구소들이 추구하는 프런티어 모델 전략과는 다른 길을 제시할 수 있다.

컴퓨터 사용 자동화에 대한 집중 베팅

TechCrunch가 설명한 Prentis의 핵심 아이디어는 많은 기업 워크플로가 분석이나 텍스트 생성이 부족해서가 아니라 파편화된 소프트웨어 때문에 병목이 생긴다는 것이다. 직원들은 여전히 창, 양식, PDF, 이메일, 내부 시스템 사이를 오가며 사소하지만 대량의 업무를 끝내고 있다. 화면을 이해하고, 컨트롤을 찾고, 일련의 동작을 완료할 수 있는 모델은 AI를 코파일럿에서 오퍼레이터로 바꿀 수 있다.

이는 요약, 초안 작성, 코딩 보조 같은 사용 사례에 초점을 맞췄던 초기 엔터프라이즈 AI 도구들과는 다른 제품 가설이다. Prentis는 일상적인 사무 업무의 자동화가 코드 생성보다 더 큰 상업적 기회가 될 수 있다고 베팅하고 있다고 보도된다. 이는 아직 검증된 시장 사실이 아니라 예측에 불과하지만, 직장 자동화와 직접적인 노동 절감에 연결된 엔터프라이즈 AI 도입이라는 더 넓은 흐름과는 맞아떨어진다.

TechCrunch는 Prentis가 범용 수평 에이전트만 제공하는 대신 고객 워크플로에 맞춰 에이전트를 조정할 계획이라고 전했다. 엔터프라이즈 구매자에게는 이것이 중요하다. 컴퓨터 사용 시스템은 기업별 양식, 레거시 애플리케이션, 특이한 예외 경로, 정책 제약에 의존하는 워크플로에서 흔히 깨지기 때문이다. 맞춤형 배포 모델은 적합성을 높일 수 있지만, 표준 SaaS보다 판매와 구현을 더 서비스 중심으로 만들 수도 있다.

연구소를 이끄는 사람과 구조

Prentis는 Ritankar Das가 이끌고 있으며, TechCrunch는 그를 창업자 겸 CEO로 소개했다. Das는 또한 AI 회사를 만들고 운영하는 지주회사 Titan을 창업했다. TechCrunch는 Titan을 Das가 오래전부터 사업을 시작하는 데 사용해 온 수단으로 설명했고, Tala Health, Forta Health, Dascena 같은 이전 Titan 연계 기업을 언급했다.

Reid Hoffman과 Marc Pincus의 참여는 Prentis에 벤처와 제품 양쪽에서 즉각적인 가시성을 부여한다. 다만 TechCrunch는 두 사람의 다른 일정에 비하면 Prentis가 일종의 사이드 프로젝트에 가깝다고 표현했다. Hoffman은 초기 투자자로 OpenAI부터 Inflection AI, 최근에는 Manas AI까지 여러 AI 프로젝트에 깊이 관여해 왔다. Zynga 창업자로 잘 알려진 Pincus는 현재 Reinvent Capital을 운영하고 있으며, Hoffman은 수석 고문을 맡고 있다.

TechCrunch는 또한 Prentis가 이미 25명 넘는 직원을 채용했으며, 그중에는 OpenAI, Google DeepMind, Meta, Tencent, Alibaba 출신 연구자들도 포함돼 있다고 보도했다. 몇 달 전에 출범한 회사치고는 상당히 이례적인 채용 프로필이다. 특히 이 분야에서는 원시 모델 학습만큼이나 전문화된 데이터 파이프라인, 환경 시뮬레이션, 평가 인프라가 진전에 중요하기 때문이다.

매출 신호는 초기 단계이며 해석에 주의가 필요하다

이번 보도된 자금조달이 주목받는 이유 중 하나는 TechCrunch가 Prentis가 이미 의료관리 서비스 조직, 제조업체, 상품 및 의류 제조업체 등 여러 고객과 최대 5,000만 달러 규모의 계약을 체결했다고 전했기 때문이다. 하지만 해당 매체는 검토한 투자자 자료에서 중요한 단서도 함께 제시했다.

TechCrunch에 따르면, Prentis의 피치덱은 올해 3분기까지 계약 수수료가 실현된 절감액의 20%에 해당한다는 전제 하에 연환산 매출 실행률 7,500만 달러를 제시한다. 다만 덱은 이 수치가 인식 매출이 아니라 추정 연간 가치이며, 성과 의존적이고 최종 실행 결과에 따라 달라진다고 명시한 것으로 전해졌다.

이 구분은 매우 중요하다. 절감 기반 계약은 기반 자동화가 완전히 배포되거나 생산 환경에서 검증되기 전에도 종이 위에서는 매우 커 보일 수 있다. 창업자와 기업 구매자에게 이는 “계약 가치”, “연환산 실행률”, “인식 매출”이 서로 같은 말이 아니라는 점을 상기시킨다. 특히 AI 에이전트에서는 시스템이 데모 환경을 벗어난 뒤에도 정확성, 예외 처리, 감사 가능성을 유지할 수 있는지가 핵심이다.

그럼에도 신중하게 해석하더라도 고객 계약이 존재한다는 사실은 Prentis가 단지 연구소로만 자신을 내세우는 것이 아님을 시사한다. 기술적 차별화와 함께 상업적 수요를 입증하려는 것이다. 현재의 자금조달 시장에서는 이런 조합이 단순한 벤치마크 승리보다 더 중요하게 평가되는 경향이 있다.

모델 주장, 벤치마크 주장, 그리고 아직 검증되지 않은 것들

TechCrunch는 Prentis가 자사의 Hive-32B 모델이 OpenAI의 GPT-5.4와 Anthropic의 Claude Opus 4.6보다 WindowsAgentArena와 ScreenSpot-v2라는 두 개의 컴퓨터 사용 벤치마크에서 뛰어나다고 주장한다고 보도했다. 보도에 따르면 회사는 이러한 우위가 훨씬 더 작고 저렴한 모델을 사용한 데서 비롯되며, 프런티어 API보다 작업당 비용이 약 10배 낮다고 주장한다.

사실이라면 매우 중요한 주장이다. 화면 기반 행동에서 측정 가능하게 더 나은 더 작은 모델은, UI 중심 워크플로에서 더 비싸고 덜 신뢰할 수 있는 더 큰 범용 모델보다 기업에 더 유용할 수 있다. 반복 작업이 수천 번, 수백만 번 실행될 수 있는 직장 자동화에서는 작업당 비용이 특히 중요하다.

하지만 현재 확보된 증거는 제한적이다. 벤치마크와 비용 관련 주장은 TechCrunch가 인용한 Prentis 자료를 통해 나온 벤더 측 보고이며, TechCrunch는 벤치마크 결과를 독립적으로 검증하지 않았다고 명확히 밝혔다. 또한 테스트 조건, 프롬프트 전략, 작업 분포, 실패 정의, 비교 대상 프런티어 모델들이 동일한 환경에 최적화되었는지 등을 평가할 만한 세부 정보도 충분하지 않다.

이것이 주장이 거짓이라는 뜻은 아니다. 독자들은 제3자 재현이나 고객 사례가 나오기 전까지는 검증되지 않은 것으로 봐야 한다는 의미다. 에이전트 시스템에서는 벤치마크 선두가 실제 운영 안정성으로 깔끔하게 이어지지 않는 경우가 많다. 인터페이스 변경, 세션 상태, 보안 제어, OCR 오류의 작은 차이도 실제 완료율에 큰 영향을 줄 수 있다.

이것이 빌더와 엔터프라이즈 구매자에게 중요한 이유

AI 빌더에게 Prentis는 시장 내 전략적 분열을 보여주는 눈에 띄는 사례다. 한 진영은 범용 프런티어 모델이 컴퓨터를 제어할 수 있도록 만들려 한다. 다른 진영은 더 좁은 모델, 더 촘촘한 데이터 루프, 워크플로 특화 배포가 경제성과 신뢰성에서 승리할 것이라고 본다. Prentis는 후자에 속해 보인다.

이 접근법은 넓은 추론 성능보다 비즈니스 소프트웨어 안에서의 예측 가능한 실행을 중시하는 엔터프라이즈 AI 팀에 호응할 수 있다. 의료 행정과 제조 같은 분야에서는 여전히 많은 고부가가치 과정이 시스템 간 전환 작업을 포함한다. 그런 시스템을 이동할 수 있는 AI 에이전트는 또 다른 챗봇 계층보다 더 즉각적인 가치를 낼 수 있다.

동시에 이 범주는 여전히 어렵다. 구매자들은 보안 권한, 사람의 검토 단계, 롤백 제어, 기존 시스템과의 통합에 대한 증거를 필요로 할 것이다. 컴퓨터 사용 에이전트는 운영 가치를 만들 수 있지만, 잘못된 컨트롤을 클릭하거나 민감한 데이터를 잘못 다루거나 엣지 케이스에서 조용히 실패하면 운영 리스크도 만든다. 청구 처리나 금융 분야에서 요구되는 신뢰성 기준은 소비자용 비서의 허용 오차와는 매우 다르다.

경쟁도 치열할 것이다. TechCrunch는 이 분야에서 OpenAI, Anthropic, Thinking Machines의 움직임을 언급했고, Anthropic이 이전에 computer use에 초점을 둔 스타트업 Vercept를 인수했다고 전했다. 이 배경은 중요하다. Prentis가 초기에 고객을 확보하더라도, 대형 모델 제공업체는 플랫폼 배포력, 자본, 기존 기업 관계를 갖고 있기 때문이다.

증거와 주장

이 이야기의 핵심 뉴스는 Prentis의 자금조달 논의에 정통한 익명의 2명과, 해당 매체가 검토한 투자자 자료를 바탕으로 한 TechCrunch 보도에서 나온다. 여기 제공된 원문 자료를 기준으로 보면, 보도된 1억 달러 조달과 10억 달러 기업가치는 Prentis 자체에 의해 독립적으로 확인되지 않았다.

제품 방향, 고객 사례, 인력 구성, 모델 성능 주장 모두 TechCrunch의 Prentis와 피치 자료 설명에서 나온 것이다. Hive-32B가 GPT-5.4, Claude Opus 4.6, WindowsAgentArena, ScreenSpot-v2를 능가한다는 벤치마크 주장은 Prentis에 귀속된 벤더 측 주장이다. 최대 5,000만 달러의 계약과 예상 7,500만 달러 연환산 실행률 역시 TechCrunch가 그것들이 인식 매출이 아니라 추정 연간 가치와 성과 의존 구조에 기반한다고 지적했기 때문에 주의가 필요하다.

다음에 주목할 점

다음의 의미 있는 신호는 Prentis가 이번 라운드를 공식 확인하는지, 투자자를 밝히는지, 혹은 벤치마크 결과보다 배포 지표에 대해 더 자세히 설명하는지 여부다. 이 분야에서는 헤드라인 기업가치보다 고객 유지율과 검증된 작업 완료율이 더 중요하다.

두 번째 신호는 Prentis가 Hive-32B에 대한 기술적 세부사항, 특히 평가 방법론과 OpenAI 및 Anthropic 시스템과의 일관된 조건 비교를 공개하는지 여부다. 그렇지 않다면 비용과 성능에 대한 내러티브는 계속 평가하기 어려울 것이다.

셋째, 컴퓨터 사용 에이전트가 인증, 권한, 애플리케이션 업데이트, 예외 처리, 감사 추적 같은 실제 엔터프라이즈 제약을 견딜 수 있는지 지켜볼 필요가 있다. Prentis가 의료, 제조, 무역 운영에서 실제 운영 사례를 보여준다면, AI 에이전트가 실험적 기능이 아니라 업무 자동화의 실용적 계층이 되고 있다는 주장을 강화할 수 있다.

Creati.ai 관점

Prentis가 흥미로운 이유는 또 하나의 인맥 좋은 AI 스타트업이어서가 아니라, 다음으로 가치 있는 AI 노동자는 인간이 이미 하는 방식대로 소프트웨어를 사용하는 존재라는 매우 구체적인 상업적 주장을 내세우기 때문이다. 이는 “기업용 범용 AI”보다 더 날카로운 논지이며, 신기함이 아니라 운영 절감에 연결된 예산을 겨냥한다.

주의할 점은 이 시장이 인상적인 데모와 취약한 배포를 동시에 만들어낼 수 있다는 것이다. Prentis의 소형 모델 전략이 화면 기반 작업에서 프런티어 API보다 더 저렴하면서도 더 믿을 만하다는 것이 입증된다면, 엔터프라이즈 AI 설계의 중요한 기준점이 될 수 있다. 그렇지 않더라도, 이 회사는 업계의 더 큰 교훈을 분명하게 하는 데 도움이 될 수 있다. AI 에이전트에서는 벤치마크 승리가 시작일 뿐이며, 지속적인 가치는 생산 신뢰성, 제어 장치, 워크플로 적합성에서 나온다.