많은 기업은 이미 방대한 데이터를 보유하고 있다. 재무 데이터와 회계 장표, 생산 공정 정보, 고객 관련 기록은 해마다 쌓여간다. 그러나 데이터가 많다고 해서 곧바로 더 나은 판단으로 이어지는 것은 아니다. 부서별로 흩어진 파일과 오래된 시스템, 외부 반출이 어려운 내부 정보, 퍼블릭 거대언어모델(LLM) 도입에 대한 보안 우려가 맞물리면서 데이터는 축적돼도 활용은 더디다.
특히 중견·대기업과 금융기관, 공공기관처럼 규제와 보안 요구 수준이 높은 조직일수록 이런 병목은 더 선명하게 드러난다. 내부 데이터는 존재하지만 외부 클라우드로 옮기기 어렵고, 그 제약 탓에 AI 활용도 쉽게 확장되지 못한다. 그 사이 의사결정은 다시 사람의 경험과 수작업에 기대게 되고, 시간과 비용이 많이 드는 반복 업무는 좀처럼 줄지 않는다.
폴라펄스는 바로 이 지점을 겨냥한다. 이 회사는 스스로를 ‘시큐어 디시전 AI(Secure Decision AI, 보안이 확보된 의사결정 AI)’ 스타트업으로 정의한다. 단순한 분석 자동화가 아니라, 기업 내부의 정형·비정형 데이터를 외부 유출 없이 이해하고 그 결과를 보고서와 차트, 실행 항목 형태로 제시하는 것이 핵심이다.
폴라펄스가 겨냥하는 시장도 분명하다. 보안상 외부 클라우드 기반 AI를 쉽게 쓸 수 없지만, 그렇다고 느린 분석과 수작업 중심의 기존 방식을 계속 감내하기도 어려운 제조·금융·공공 분야다. 글로벌 VC(벤처캐피탈) 앤틀러코리아의 제너레이터 프로그램을 통해 출발한 폴라펄스는 ‘고객이 실제로 어디에서 가장 크게 막히고 있는가’에 초점을 맞춰 왔다. 이에 테크42는 이성용 폴라펄스 대표를 만나, 온프레미스 기반 의사결정 AI라는 해법이 어떤 문제를 풀려는 것인지 들어봤다.
데이터는 있는데, 왜 의사결정은 여전히 느린가
이성용 폴라펄스 대표가 바라본 기업 현장의 문제는 기술 자체보다 데이터가 쓰이는 방식에 있다. 기업 내부에는 이미 많은 데이터가 축적돼 있지만, 그 데이터가 살아 있는 판단 근거로 이어지지 못한다는 것이다. 이 대표는 “특히 회계 마감이나 원가 분석, 재무 검토처럼 반복성과 정확도가 동시에 요구되는 업무에서 이런 문제가 극명하게 드러난다”고 설명했다. 부서마다 서로 다른 양식과 기준으로 자료를 만들고, 담당자들은 이를 다시 맞추고 대조하는 데 적지 않은 시간을 쓴다. 한 번이면 끝날 일을 여러 차례 수정하고 확인하는 구조가 매달 반복되면서 조직의 판단은 느려지고 비용은 커진다.
그는 더 큰 문제로 “기업들이 AI를 모르거나 거부해서가 아니라, 쓰고 싶어도 쓰기 어려운 구조”를 꼽았다. 내부 데이터를 외부 클라우드에 올릴 수 없는 조직은 성능이 좋은 범용 AI를 알고도 활용하지 못한다. 이 대표는 이런 현실의 배경에 개별 기업의 보수성만 있는 것이 아니라, 규제와 보안, 기존 시스템 구조가 복합적으로 얽혀 있다고 봤다. 그래서 폴라펄스는 처음부터 ‘외부로 반출할 수 없는 데이터’를 전제로 제품 방향을 잡았다.
“저희가 200여 개 고객사를 만나보니까, 고객사들이 AI를 쓰고 싶어도 못 쓰는 이유가 분명했습니다. 내부 데이터를 클라우드에 올릴 수가 없다는 거였어요. 결국 인터넷이 안 되는 환경에서 써야 하는데, 중견기업 이상 고객들은 거의 공통적으로 이런 요구를 했습니다. 그래서 저희는 폐쇄망 안에서 고객 데이터를 이해하고, 그 데이터를 바탕으로 어떤 액션을 해야 할지 시나리오까지 검토해 주는 구조를 만들자고 결심했죠.”
이 대표는 처음부터 이런 문제의식을 갖고 창업한 것은 아니라고 털어놨다. 그의 첫 창업 아이템은 교육 AI 분야였다. 당시에는 ‘만들면 팔릴 것’이라는 가정으로 접근했지만, 실제 시장의 요구와는 맞지 않았다고 했다. 이 같은 시행착오는 방향 전환의 계기가 됐고, 결국 폴라펄스의 출발점으로 이어졌다. 이후 앤틀러코리아 제너레이터 프로그램에서 공동창업자를 찾고 고객 인터뷰를 반복하는 과정에서 그는 막연한 아이디어보다 현장의 실제 문제를 먼저 붙들어야 한다는 점을 배웠다고 말했다.
“처음 창업했을 때는 고객 요구를 충분히 확인하기보다 만들면 팔릴 거라고 생각했던 게 실수였습니다. 그런데 앤틀러에서 공동창업자를 만나고 나서는 문제 정의보다 고객을 많이 만나는 데 집중했어요. 그 과정에서 기업들이 온프레미스 RAG(검색증강생성)를 원하면서도 기존 공급사들에 만족하지 못하는 이유를 계속 들었습니다. 결국 고객이 원하는 데이터를 고객 스스로 먼저 정의하고 설명해야 하는 구조라면, 고객 입장에서는 일이 오히려 더 늘어나는 셈이더라고요.”
이 지점에서 폴라펄스의 문제 정의는 한층 선명해졌다. 기업이 새로운 데이터를 더 쌓는 것이 아니라, 이미 보유한 데이터를 실제 업무와 판단에 활용할 수 있도록 만드는 일이 더 중요하다는 것이다. 이 대표가 거듭 강조한 표현도 ‘100% 활용’이었다. 데이터가 어딘가에 저장돼 있다는 사실만으로는 의미가 없고, 기업 구조를 이해한 AI가 맥락에 맞는 활용 방식을 제시할 때 비로소 가치가 생긴다는 논리다.
“로컬 PC에 엑셀 파일이 흩어져 저장돼 있는, 이른바 데이터 사일로 현상이 가장 큰 문제였습니다. 월 마감 작업만 봐도 기업마다 부서별 담당자들이 각자 파일을 맞추고, 틀렸다고 하면 다시 수정하고, 그걸 반복하거든요. 그런데 AI가 기업 구조와 데이터 간 관계를 이해하면 어디가 맞지 않는지 바로 가이드를 줄 수 있습니다. 한 번에 끝낼 수 있는 일을 열 번, 스무 번 반복하게 만드는 비효율이 저희가 본 첫 번째 페인포인트였고, 그 비효율을 줄이는 것이 목표였죠.”
이처럼 폴라펄스는 ‘AI를 더 잘하는 회사’가 되기보다 ‘기업이 왜 아직 AI를 제대로 쓰지 못하는가’를 먼저 짚고, 그 막힌 지점을 풀겠다는 문제 해결형 접근에서 출발했다.
보안·인프라·도메인 지식을 함께 이해하는 팀
폴라펄스가 자신들의 경쟁력을 설명할 때 가장 먼저 꺼내는 단어는 기술 스택보다 ‘팀’이다. 이성용 대표는 “온프레미스 환경에서 AI를 구현하는 것 자체는 점점 보편화되고 있지만, 실제 고객 환경에서 작동하는 서비스를 만드는 것은 전혀 다른 문제”라고 강조했다. 단순히 모델을 설치하는 데서 끝나는 것이 아니라, 내부망과 인터넷망이 어떻게 분리돼 있는지, 데이터가 어떤 구조로 흐르는지, 각 산업군의 실무자가 어떤 결과물을 필요로 하는지까지 이해해야 한다는 것이다. 이 대표가 LG CNS, 삼성전자, 토스, 나이스평가정보 등에서 쌓아온 인프라·보안·IT 기획 경험을 전면에 내세우는 이유도 여기에 있다.
공동창업자 윤종규 CFO의 역할도 같은 맥락에서 설명된다. 이 대표는 윤 CFO를 단순한 재무 담당자가 아니라 ‘금융 도메인 전문가’로 소개했다. 금융권 고객이 어떤 형태의 보고서를 원하고, 어떤 수치와 차트를 실무자와 경영진이 실제 의사결정에 활용하는지 이해하는 역량이 제품 설계에 그대로 반영돼 있다는 설명이다. 폴라펄스의 대시보드와 실행 항목 중심 리포트가 단순한 시각화 도구가 아니라 “재무팀장과 경영진이 실제로 받아보고 싶어 하는 결과물”을 지향하는 것도 이 때문이다.
“저희 장점은 결국 팀입니다. 저는 대기업에서 인프라와 보안, 내부 시스템 운영을 오래 했고, 윤종규 CFO는 누구보다 금융 도메인에 강합니다. AI 기술만 보는 업체와 달리, 저희는 고객의 기존 환경과 데이터 구조, 산업별 맥락까지 함께 봅니다. 온프레미스 RAG를 설치하는 것 자체는 누구나 할 수 있지만, 그 데이터를 어떤 방식으로 연결하고 가공해 제공해야 정확도를 높일 수 있는지는 결국 파이프라인 설계의 문제이고, 그 부분이 저희 팀의 강점입니다.”
이 대표는 특히 “기업의 데이터를 잘 알아야 한다”는 표현을 여러 차례 반복했다. 기업 내부의 정형 데이터는 이미 관계형 데이터베이스(RDB)로 정리돼 있는 경우가 많지만, 그렇다고 해서 곧바로 활용 가능한 상태인 것은 아니라는 것이다. 오래전 시스템통합(SI) 방식으로 구축한 시스템이 환경 변화를 충분히 반영하지 못하면서 새로운 데이터 유형이 생겨도 기존 DB와 매끄럽게 연결되지 않는 경우가 많고, 기업들은 그때마다 신규 시스템 구축과 기존 시스템 유지 사이에서 비효율적인 선택을 반복해 왔다. 폴라펄스는 이 간극을 온톨로지와 시맨틱 검색 구조로 메우겠다는 방향을 제시한다.
“정형 데이터는 겉으로는 잘 정리돼 있는 것처럼 보이지만, 실제 활용 단계에서는 단절과 누락이 적지 않습니다. 시스템을 10년 넘게 쓰는 경우도 많고, 그 사이 생긴 신규 데이터 유형이 반영되지 않은 경우도 적지 않아요. 그러면 고객은 새 SI를 다시 할지, 아니면 새로 생긴 데이터를 포기하고 기존 DB만 쓸지 선택해야 합니다. 저희는 기존 정보와 신규 정보의 연관 관계를 노드와 관계 구조로 연결해, 기업이 원하는 결과를 더 정확하게 뽑아주는 방식을 택하고 있습니다.”
이는 폴라펄스가 기존 데이터 분석 도구(BI 툴)나 단순 보고서 자동화 솔루션과는 다른 지점을 겨냥하고 있음을 보여준다. 기존 데이터 분석 도구는 대체로 사전에 정의된 컬럼과 정제된 데이터셋을 전제로 삼는다. 반면 폴라펄스는 자연어 질문 하나로 필요한 데이터를 찾아오고, 내부 환경 안에서 차트와 보고서를 생성하는 경험을 앞세운다.
“기존 BI 툴은 데이터를 맞춰 넣기 위한 준비 과정이 너무 깁니다. 그런데 사용자는 결국 ‘전년도와 전전년도 분기 매출 차이 원인을 분석해 달라’ 같은 질문을 던지고 바로 결과를 보고 싶어 하거든요. 저희는 질문을 기반으로 관련 데이터를 가져오고, 내부 온프레미스 환경에서 차트를 동적으로 생성하는 데 강점이 있습니다. 원하는 대시보드를 질문만으로 만들 수 있다면, 그때부터는 훨씬 더 많은 실무자가 실제로 쓰게 됩니다.”
이 구조는 보안과 사용성을 동시에 잡으려는 시도이기도 하다. 폴라펄스는 자사 솔루션을 기업 내부에 직접 구축하는 온프레미스 방식으로도, 외부와 분리된 고객 전용 클라우드 환경에 설치하는 방식으로도 공급할 수 있다고 설명한다. 여기서 핵심은 클라우드를 무조건 배제하는 것이 아니라, 제3자와 공유되지 않는 고객 전용 환경에서 범용 LLM 없이도 높은 성능과 신뢰도를 제공하는 데 있다. 즉 ‘클라우드 반대’라기보다 ‘데이터 통제권 유지’에 가깝다는 설명이다.
금융에서 제조·공공까지… “온프레미스 AI 하면 떠오르는 회사가 되고 싶다”
현재 폴라펄스가 특히 공을 들이고 있는 분야는 다양하다. 우선 금융 도메인이 겉보기와 달리 여전히 상당수 업무를 수작업에 의존하고 있다. 재무회계와 손익 관련 업무 역시도 이를 실제 시나리오 분석과 의사결정으로 연결하는 과정은 여전히 사람 손에 달려 있다. 예를 들어 원가 구조가 복잡한 사업에서는 같은 데이터를 두고도 담당자마다 해석이 달라질 수 있고, 그 결과 발주량이나 재고 운영 같은 중요한 판단도 흔들릴 수 있다. 폴라펄스는 이런 영역에서 AI가 여러 시나리오를 검토하고, 보다 신뢰할 수 있는 기준을 제시하는 역할을 할 수 있다고 본다.
금융 도메인에서 보다 직관적인 사례로 이 대표는 국내 대표 신용정보사와의 PoC(개념검증) 계획을 들었다. 채권 추심 업무에서 모든 채무자에게 같은 방식으로 접근하는 것이 아니라, 상환 가능성이 상대적으로 높은 그룹을 먼저 선별해 우선순위를 제시하는 방식이다. 이는 단순한 예측 모델을 넘어 더 넓은 맥락과 데이터를 반영해 실제 회수율과 업무 효율을 높이려는 접근으로 읽힌다.
“채권 추심에서는 결국 누구에게 먼저 연락할지를 정하는 게 중요합니다. 안 갚을 사람은 끝까지 안 갚는 경우가 많기 때문에, 상환 가능성이 상대적으로 높은 그룹을 먼저 시도하는 게 실무에서는 훨씬 중요하거든요. 이런 판단을 할 때 개별 고객의 금융 데이터와 주변 상황을 함께 보고 시뮬레이션을 돌릴 수 있다면, 고객센터 연락 우선순위도 달라지고 회수율도 달라질 수 있습니다. 그게 저희가 금융 쪽에서 풀고자 하는 문제 중 하나입니다.”
또 다른 사례로는 수출 중고차 플랫폼이 언급됐다. 차량의 적정 시세를 정할 때 차종, 연식, 주행거리 같은 정형 정보만으로는 충분하지 않고, 정비 이력이나 실제 판매 흐름 같은 비정형 요소까지 함께 봐야 한다는 설명이다. 폴라펄스는 이를 통해 텍스트 질의만으로도 구매·판매 판단에 활용할 수 있는 적정 시세와 추천 정보를 제시하는 방향을 구상하고 있다. 이 대표는 "이런 사례들이 폴라펄스가 단순한 리포트 자동화가 아니라 ‘의사결정 지원’이라는 표현을 쓰는 이유를 보여준다"고 설명했다.
“중고차는 알고리즘만으로 적정 시세를 딱 잘라 말하기 어려운 영역입니다. 차종과 연식, 주행거리뿐 아니라 연료 형태나 정비 이력 같은 비정형 정보까지 함께 봐야 하거든요. 저희는 유사한 그룹을 묶고 가장 비슷한 사례를 찾아 실제로 잘 팔릴 가능성이 높은 가격대를 제시하는 식으로 접근합니다. 이렇게 하면 사용자는 복잡한 조건을 일일이 클릭하지 않아도 텍스트 질문만으로 필요한 판단 자료를 얻을 수 있습니다.”
폴라펄스가 금융 외에 제조와 공공을 함께 타깃으로 두는 이유도 흥미롭다. 제조 현장에는 생산라인 상태를 여전히 사람에 의존해 판단하는 경우가 적지 않고, 과거 데이터의 흐름을 체계적으로 반영하면 미리 예측하고 점검할 수 있는 영역도 많다는 것이다. 공공 시장은 스타트업에 레퍼런스 효과가 크다는 점에서도 별도의 전략적 의미를 갖는다.
“제조 현장을 많이 만나보니 데이터가 없는 게 아니라 정리가 안 된 경우가 정말 많았습니다. 공장장이 하루에도 수백 개 생산라인을 감으로 관리하는 경우가 여전히 있어요. 과거 데이터를 제대로 학습하고 추세를 보면 예측과 점검이 가능한데, 그걸 아직도 사람이 감으로 하고 있는 거죠. 공공 영역을 함께 보는 이유는 저희 같은 초기 스타트업에게 레퍼런스가 생명이기 때문입니다. 공공 하나를 해내면 일반 기업 여러 곳과 이야기할 때도 신뢰가 확실히 달라집니다.”
이 대표는 현재 단계와 관련해 “MVP(최소기능제품) 테스트는 이미 한참 전에 끝났고, 지금은 완제품 형태로 제안을 진행하고 있는 단계”라고 강조했다. 또 “고객 요구를 반영한 PoC를 빠르게 진행하는 데 역량을 집중하고 있다”고 덧붙였다.
한편 시스템통합(SI) 성격이 강한 B2B 사업은 확장성이 떨어질 수 있다는 지적에 대해 이 대표는 “오히려 강점으로 받아들이고 있다”며 “고객 의견을 듣고 현장에 맞게 반영하는 과정 자체가 B2B에서는 필수이며, 폴라펄스는 AI 개발 도구를 적극 활용해 PoC 기간을 최대한 줄이는 방식으로 대응하고 있다”고 설명했다. 그러면서 인터뷰 말미, 이 대표는 “최소 5개 고객사를 확보하고, 계약 기준 연간 반복 매출(ARR) 20억원 수준을 달성하겠다”는 목표와 함께 마음 속에 품은 비전을 언급했다.
“저희 비전은 단순합니다. 온프레미스 RAG나 온프레미스 AI를 고민하는 기업이 있으면 ‘그건 폴라펄스와 이야기해 보면 된다’는 인식을 만드는 것, 그게 저희가 가고 싶은 방향입니다.”
