모두의 챌린지 AX 추경, AI 스타트업 지원금의 기준이 바뀐다

AI 스타트업 팀이 심사위원과 청중 앞에서 프로젝트를 발표하는 장면 — 모두의 챌린지 AX 추경 모집은 AI 스타트업에게 기술 설명보다 수요기업 과제와 PoC 실행력을 요구하는 신호다.

요약: 2026년 6월 5일 한국 스타트업 뉴스에서 창업자가 확인해야 할 이슈는 중소벤처기업부가 6월 4일 공고한 초격차 스타트업 프로젝트 모두의 챌린지 AX 참여기업 모집공고 추경이다. 공고는 LLM, 생성형 AI 응용 기술, 디바이스와 플랫폼 적용 역량을 갖춘 창업 10년 이내 AI 스타트업을 대상으로 한다. 신청기간은 2026년 6월 4일 10시부터 6월 24일 15시까지이며, 지원 내용은 PoC 자금, 기술지원, 사업화 지원으로 요약된다. 겉으로는 정부지원사업 공고지만, 실제로는 한국 AI 스타트업의 자금 조달과 제품 검증 방식이 어떻게 바뀌는지 보여주는 신호다.

핵심은 지원금의 성격이다. 과거의 정책자금은 기술 보유 여부, 연구개발 계획, 창업팀 역량을 중심으로 평가되는 경우가 많았다. 이번 모두의 챌린지 AX 흐름은 그보다 더 좁고 실무적인 질문을 던진다. 이 AI startup이 어떤 수요기업의 어떤 업무를 바꿀 수 있는가. PoC가 끝났을 때 실제 디바이스, 플랫폼, 산업 현장에 탑재될 수 있는가. 생성형 AI 모델이나 LLM 응용 기술이 데모를 넘어 운영 환경에서 비용과 품질을 설명할 수 있는가. startup funding을 준비하는 창업자에게는 이 질문이 정부 과제와 민간 투자 모두에서 중요해지고 있다.

이번 추경 공고를 따로 봐서는 안 된다. 서울경제진흥원은 2025년부터 중기부와 창업진흥원이 총괄하는 초격차 스타트업 프로젝트의 개방형 혁신 분야 주관기관으로 참여해 왔다. 4월에는 모두의 챌린지 AX 버티컬 분야에서 LG전자와 퀄컴 협업 과제를 제시했고, 동아일보 보도에 따르면 이 프로그램은 AI 핵심 기술을 가진 스타트업을 대기업 수요와 연결해 솔루션 개발과 사업화를 지원하는 구조다. 5월에는 뷰티 분야에서 아모레퍼시픽, 한국콜마, LG생활건강과 함께 AI 기술 보유 스타트업을 모집했다. 이제 6월 추경은 이 흐름을 LLM, 생성형 AI, 디바이스와 플랫폼 적용 역량으로 다시 확장하는 모양새다.

정책자금의 초점이 연구개발에서 고객 과제로 이동한다

창업자에게 가장 중요한 변화는 평가의 언어가 바뀌고 있다는 점이다. 딥테크와 AI 분야에서는 기술 설명만으로는 부족하다. 투자자와 수요기업은 이제 모델 구조, 특허, 벤치마크 점수보다 “어떤 업무를 실제로 줄였는가”를 먼저 묻는다. 이번 공고의 문장도 버티컬 AI 기술과 LLM·생성형 AI 기술을 산업 현장, 디바이스, 플랫폼 등에 적용하고 고도화할 역량을 강조한다. 즉, 사업계획서의 중심축은 알고리즘 소개가 아니라 고객 과제와 배포 경로가 되어야 한다.

한국 스타트업 입장에서는 이 변화가 부담이면서 기회다. 부담인 이유는 PoC 설계가 훨씬 구체적이어야 하기 때문이다. “AI로 업무를 자동화한다”는 문장은 심사와 투자에서 힘을 잃고 있다. 어떤 부서가 쓰는지, 현재 업무 시간이 얼마나 걸리는지, 어떤 데이터가 필요한지, 보안과 권한 관리는 어떻게 되는지, 오류가 발생하면 사람이 어떤 방식으로 개입하는지까지 설명해야 한다. 반대로 기회인 이유는 큰 모델을 보유하지 않아도 산업별 문제를 잘 정의한 팀이 대기업과 협업할 수 있기 때문이다.

생성형 AI 시장은 빠르게 보편화되고 있다. 모델 API 접근성은 좋아졌고, 업무 자동화 툴도 많아졌다. 그래서 AI 스타트업의 차별점은 모델 자체보다 워크플로 설계, 데이터 연결, 도메인 지식, 안전한 배포, 비용 최적화로 이동한다. 모두의 챌린지 AX 같은 프로그램은 이 전환을 제도적으로 반영한다. 좋은 기술을 가진 팀을 뽑는 데서 끝나는 것이 아니라, 수요기업의 실제 과제와 붙여서 사업화 가능성을 검증하겠다는 방향이다.

AI 서비스 운영을 위한 고성능 컴퓨팅 인프라 장비 — LLM과 생성형 AI PoC는 성능뿐 아니라 추론 비용, 인프라 사용량, 운영 안정성까지 함께 검증해야 한다.

AI 스타트업이 먼저 정리해야 할 세 가지 증거

첫 번째 증거는 고객 문제의 크기다. 수요기업 협업형 과제에서는 멋진 기술보다 내부 예산과 연결된 문제가 중요하다. 제조 데이터, 고객 상담, 품질 검사, 마케팅 문안, 로봇 제어, 영상 분석, 업무 문서 자동화처럼 이미 사람이 시간을 쓰고 있거나 외주 비용이 발생하는 영역이어야 한다. 창업자는 문제를 넓게 잡기보다 특정 부서와 특정 업무 단위로 좁혀야 한다. 예를 들어 “기업용 AI 비서”보다 “영업팀 제안서 초안 작성과 계약 리스크 검토를 3일에서 1일로 줄이는 AI 비서”가 더 강한 문장이다.

두 번째 증거는 PoC의 성공 기준이다. 많은 AI PoC가 실패하는 이유는 시작 전에 성공을 정의하지 않기 때문이다. 정확도, 처리시간, 비용 절감, 담당자 만족도, 수작업 검수 비율, 도입 후 월간 사용량, 보안 이슈 발생 여부 중 무엇을 볼지 정해야 한다. 이 기준이 없으면 PoC는 데모 행사로 끝난다. 모두의 챌린지 AX에 지원하는 팀은 협업과제 수행계획서에서 8주, 12주, 16주 단위의 결과물을 나눠야 한다. 중간 산출물과 최종 산출물이 명확할수록 심사자는 실제 실행 가능성을 판단할 수 있다.

세 번째 증거는 배포 이후의 경제성이다. LLM 기반 서비스는 초기 데모에서는 좋아 보여도 사용량이 늘면 추론 비용이 급격히 커질 수 있다. 고객별 커스터마이징이 많으면 매출총이익률이 무너질 수 있고, 보안 요구가 까다로우면 구축 기간이 길어질 수 있다. 창업자는 모델 선택, 캐싱, 검색증강생성, 온프레미스 또는 프라이빗 클라우드 배포, 로그 관리, 휴먼 인더 루프 검수 체계를 비용 구조와 함께 설명해야 한다. deeptech 지원사업에서도 이 숫자는 점점 더 중요해진다.

대기업 협업은 로고보다 제품 로드맵을 바꾸는 사건이다

SBA가 앞서 설명한 버티컬 분야 사례는 이 흐름을 잘 보여준다. 동아일보 보도에 따르면 버티컬 분야 모집에서는 LG전자가 20개사, 퀄컴이 3개사를 선발할 예정이었고, 기업당 최대 1억 원의 사업화 자금과 고성능 GPU, 현업 부서와의 일대일 매칭, 공동 기술 개발과 멘토링이 제시됐다. 세부 과제도 미디어 엔터테인먼트 AI, 제조업 AX, 스마트 가전 AI, 로봇 AI, AMR, AI 글래스, NPU 기반 AI 서비스 인프라처럼 구체적이었다. 이런 과제는 단순 네트워킹이 아니라 스타트업 제품의 우선순위를 바꾸는 협업이다.

창업자는 대기업 이름을 투자유치 자료의 장식으로 쓰고 싶은 유혹을 느낀다. 그러나 실제 가치는 로고가 아니라 제품 학습이다. 대기업 현업 부서와 만나면 데이터 품질, 보안, 기존 시스템 연동, 구매 절차, 장애 대응, 서비스 수준 협약 같은 문제가 한꺼번에 드러난다. 이 질문을 제품 로드맵에 반영하지 못하면 PoC는 홍보용 사례로 끝난다. 반대로 요구사항을 일반화해 여러 고객에게 팔 수 있는 제품 기능으로 바꾸면, 정책자금은 다음 라운드 투자 논리로 이어진다.

특히 디바이스와 플랫폼 적용형 AI는 초기부터 하드웨어와 운영 제약을 봐야 한다. 엣지 AI, 로봇, 가전, 제조 장비, 미디어 플랫폼은 클라우드 챗봇과 다른 기준을 가진다. 지연시간, 전력, 메모리, 네트워크 상태, 업데이트 방식, 사용자 인터페이스, 책임 소재가 모두 중요하다. 퀄컴 협업 과제처럼 NPU 가속기나 AI 허브 활용이 들어가면 모델 경량화와 배포 최적화가 핵심 역량이 된다. 이 부분을 준비한 팀은 대기업 협업에서 더 빨리 신뢰를 얻을 수 있다.

엔지니어들이 컴퓨터 실습실에서 시스템과 데이터를 검토하는 장면 — AI 스타트업의 PoC 계획은 현업 사용자, 데이터 접근, 운영 검수 방식까지 포함해야 실제 사업화로 이어진다.

뷰티와 제조, 로봇에서 보이는 버티컬 AI의 공통 조건

5월 뷰티 분야 모집도 같은 관점에서 읽을 수 있다. 보도에 따르면 서울시와 SBA는 아모레퍼시픽, 한국콜마, LG생활건강과 손잡고 AI 기술을 보유한 스타트업의 사업화를 지원한다는 구상을 밝혔다. 뷰티는 소비자 데이터, 피부 분석, 제품 추천, 제조 공정, 콘텐츠, 유통 채널이 모두 얽힌 산업이다. 이 분야에서 AI 스타트업이 성공하려면 모델이 예쁘게 답하는 것보다 브랜드와 제조사가 실제로 쓰는 데이터 흐름에 들어가야 한다.

제조와 로봇도 마찬가지다. 제조업 AX 과제는 데이터가 많아 보이지만 실제로는 센서, 설비, 품질 기록, 작업자 노하우가 흩어져 있는 경우가 많다. 로봇 AI는 시연 영상이 좋아도 현장 장애율, 안전 기준, 유지보수 비용, 작업 환경 변화에 대한 대응력을 증명해야 한다. 모두의 챌린지 AX 추경에 관심 있는 팀은 자신이 속한 버티컬의 데이터 현실을 정직하게 써야 한다. 데이터가 부족하면 어떤 방식으로 수집하고 라벨링할지, 개인정보나 영업비밀이 있으면 어떤 보안 구조를 쓸지 제시해야 한다.

이 지점에서 한국 AI 스타트업의 장점도 있다. 국내 대기업과 중견기업은 제조, 뷰티, 가전, 통신, 금융, 콘텐츠 같은 산업별 현장 데이터와 고객 접점이 강하다. 스타트업이 이 현장에 빠르게 들어가 문제를 좁히면 글로벌 빅테크가 바로 풀기 어려운 버티컬 솔루션을 만들 수 있다. 한국 스타트업 뉴스에서 정책자금 공고를 단순 마감일 정보로만 소비하면 안 되는 이유다. 어떤 산업에서 어떤 수요기업이 어떤 AI 문제를 열고 있는지 읽는 것이 시장 분석이다.

투자자는 지원금 수혜보다 반복 가능한 매출 경로를 본다

정부지원사업 선정은 분명 긍정적인 신호다. 하지만 투자자는 지원금 자체를 매출로 보지 않는다. 오히려 묻는 질문은 더 날카롭다. 이 PoC가 끝나면 유료 계약으로 전환될 가능성이 있는가. 동일한 문제를 가진 두 번째 고객을 찾을 수 있는가. 수요기업의 요구를 너무 많이 맞추다가 SI 프로젝트처럼 변하지 않는가. 기술지원과 사업화 지원이 끝난 뒤에도 팀이 고객지원과 제품 고도화를 감당할 수 있는가. startup funding 라운드를 준비하는 팀은 이 질문에 답해야 한다.

따라서 모두의 챌린지 AX 지원서는 투자유치 자료와 분리돼서는 안 된다. 과제계획서의 고객 문제, 일정, 지표, 예산, 인력 구성은 다음 투자자 미팅에서 그대로 검증받을 내용이다. 창업자는 “지원사업에 선정되면 좋다”가 아니라 “이 과제를 통해 어떤 유료 고객 가설을 검증하고 어떤 투자 지표를 만들겠다”는 목표를 세워야 한다. 예를 들어 첫 번째 수요기업에서 품질검사 시간을 30% 줄이고, 두 번째 산업 고객에게 같은 엔진을 적용하며, 월 사용료 모델로 전환하는 식의 로드맵이 필요하다.

투자자가 싫어하는 그림은 한 번성 프로젝트다. 한 고객의 특별한 요구를 맞추느라 코드와 운영이 모두 맞춤형이 되면 확장성이 낮아진다. 반대로 좋은 그림은 공통 모듈과 산업별 설정이 분리된 제품이다. 제조 데이터 연결 모듈, 문서 검색 모듈, 권한 관리, 검수 대시보드, 비용 모니터링, 모델 라우팅처럼 재사용 가능한 요소가 있어야 한다. 정책자금으로 이 모듈을 만들고 실제 수요기업에서 검증한다면, 투자자는 지원사업을 일회성 보조금이 아니라 제품 리스크 감소로 해석할 수 있다.

지원 전 체크리스트: 과제명보다 실행 설계를 먼저 보라

첫째, 수요기업 과제와 자사 제품의 겹치는 부분을 표시해야 한다. 모든 과제에 지원할 수 있는 팀은 사실상 어떤 과제에도 강하지 않을 가능성이 높다. 둘째, PoC 범위를 작게 잡아야 한다. 첫 과제에서 전체 업무 자동화를 약속하기보다 가장 비용이 큰 병목 하나를 골라야 한다. 셋째, 데이터 접근 방식을 정해야 한다. 샘플 데이터로만 개발할지, 실제 운영 데이터까지 다룰지, 비식별화와 보안 검토가 필요한지 확인해야 한다.

넷째, 비용 구조를 숫자로 써야 한다. GPU, API, 클라우드, 데이터 라벨링, 고객지원, 현장 방문, 보안 검토에 드는 비용을 빼면 AI PoC의 수익성을 판단할 수 없다. 다섯째, 현업 사용자의 역할을 정해야 한다. AI 시스템은 현업 사용자가 검수하고 피드백을 주지 않으면 개선되지 않는다. 여섯째, PoC 종료 후 전환 조건을 미리 합의해야 한다. 유료 계약, 공동사업, 플랫폼 탑재, 후속 투자, 추천서 중 어떤 결과를 목표로 하는지 명확해야 한다.

일곱째, 성과를 외부 투자자에게 보여줄 수 있는 형태로 남겨야 한다. 고객사가 공개를 허용하지 않아도 익명화된 사용량, 처리시간, 비용 절감, 검수 오류율, 재사용 모듈, 보안 절차 같은 지표는 정리할 수 있다. 여덟째, 실패 기준도 정해야 한다. 어떤 성능이나 비용을 넘지 못하면 과제를 접고 다른 고객 세그먼트로 전환할지 판단해야 한다. 이런 기준이 있는 팀은 지원사업에서도, 투자자 앞에서도 더 신뢰를 얻는다.

결론: AX 지원금은 AI 스타트업의 제품 검증 시험대다

모두의 챌린지 AX 추경 모집은 단순한 보조금 공고가 아니다. 한국 AI 스타트업 생태계에서 지원금, 대기업 협업, PoC, 투자유치가 한 흐름으로 묶이고 있다는 신호다. 창업자는 지원금 규모만 볼 것이 아니라 자신이 어떤 수요기업 과제를 통해 어떤 제품 증거를 만들 수 있는지 봐야 한다. 기술이 좋아도 고객 과제가 흐리면 선정과 투자 모두에서 약해진다. 반대로 문제, 데이터, 배포, 비용, 전환 조건이 선명하면 작은 PoC도 강한 투자 자료가 된다.

AI startup과 deeptech 팀에게 지금 필요한 것은 더 큰 슬로건이 아니라 더 작은 증거다. LLM과 생성형 AI는 이미 많은 사람이 쓸 수 있는 기술이 됐다. 차별화는 산업 현장의 구체적 병목, 안전한 운영, 비용 관리, 반복 가능한 세일즈에서 나온다. 모두의 챌린지 AX는 그 증거를 만들 수 있는 무대가 될 수 있지만, 준비가 부족한 팀에게는 또 하나의 행사성 과제로 끝날 수 있다. 한국 스타트업이 이 기회를 진짜 성장의 발판으로 쓰려면 지원서 첫 줄부터 “우리 기술”이 아니라 “고객의 바뀐 업무”를 써야 한다.

결국 이번 공고가 던지는 메시지는 명확하다. 정책자금도, 대기업 오픈이노베이션도, 민간 투자도 AI의 가능성보다 AI의 적용 증거를 원한다. 창업자는 6월 24일 마감일만 기억할 것이 아니라, 그 전까지 고객 문제, PoC 지표, 배포 구조, 비용 모델, 후속 계약 가설을 한 장의 실행 계획으로 정리해야 한다. 그 문서가 탄탄하다면 모두의 챌린지 AX는 단순 지원사업이 아니라 다음 투자 라운드와 제품 확장의 출발점이 될 수 있다.