Trace, 기업 내 AI 에이전트 도입 문제를 해결하기 위해 300만 달러 투자 유치

AI 에이전트의 기업 도입을 가로막는 거대한 장벽, 컨텍스트의 부재

최근 생성형 AI 기술의 비약적인 발전으로 인해 많은 기업이 AI 에이전트 도입을 검토하고 있습니다. 하지만 실제 기업 현장에서 AI 에이전트가 실질적인 업무 성과를 내며 영향력을 발휘하는 속도는 기대보다 훨씬 더디게 나타나고 있습니다. 이는 단순히 모델의 지능 문제가 아니라, 에이전트가 기업 내부의 특수한 상황을 이해하지 못하는 데서 기인합니다.

가장 큰 장애물은 바로 '컨텍스트(Context, 문맥)'의 부족입니다. 범용적인 LLM은 방대한 지식을 가지고 있지만, 특정 기업이 어떻게 의사결정을 내리는지, 과거에 어떤 프로젝트를 진행했는지, 현재 팀원 간의 협업 방식은 어떠한지에 대한 구체적인 정보를 알지 못합니다. 이러한 정보의 공백은 에이전트가 잘못된 결과물을 내놓거나, 실행 불가능한 계획을 세우게 만드는 원인이 됩니다.

결국 기업용 AI 에이전트가 성공하기 위해서는 모델의 성능을 높이는 것만큼이나, 기업 내부의 복잡한 환경과 프로세스를 에이전트에게 어떻게 전달하느냐가 핵심 과제로 떠오르고 있습니다. Trace는 바로 이 지점, 즉 에이전트에게 '기업의 맥락'을 입히는 문제를 해결하고자 합니다.

Trace의 솔루션: 워크플로우 오케스트레이션을 통한 환경 매핑

Y Combinator가 주목한 런던의 신예 스타트업

Y Combinator 2025 배치를 통해 출범한 런던 기반의 스타트업 Trace는 기업 내 AI 에이전트가 적절한 컨텍스트를 가지고 작동할 수 있도록 돕는 워크플로우 오케스트레이션 소프트웨어를 개발하고 있습니다. 이들은 단순히 명령을 수행하는 도구를 넘어, 기업의 전체적인 업무 환경과 프로세스를 정교하게 매핑하는 인프라를 구축하는 데 집중합니다.

Trace의 접근 방식은 에이전트가 기업의 운영 체제(OS) 위에서 자연스럽게 움직일 수 있도록 만드는 것입니다. 기업의 고유한 업무 흐름을 디지털 지도로 그려내고, 에이전트가 어느 단계에서 어떤 정보를 참조해야 하는지를 명확히 정의함으로써 에이전트의 실행력을 극대화합니다.

지식 그래프를 활용한 데이터 통합 기술

Trace 시스템의 핵심은 파편화된 기업 데이터를 하나의 유기적인 지식 그래프(Knowledge Graph)로 구축하는 것입니다. 기업의 지식은 이메일, Slack 메시지, Airtable 데이터베이스 등 다양한 도구에 흩어져 존재합니다. Trace는 이러한 기존 도구들로부터 데이터를 추출하여 기업의 업무 맥락을 구조화합니다.

이렇게 구축된 지식 그래프는 에이전트가 질문을 받았을 때 단순한 텍스트 검색을 넘어, 데이터 간의 관계성을 파악할 수 있게 합니다. 예를 들어, 특정 프로젝트의 진행 상황을 물었을 때 Slack의 대화 내용과 Airtable의 일정, 그리고 관련 이메일의 맥락을 동시에 연결하여 종합적인 답변을 제공할 수 있는 기반이 됩니다.

상위 수준의 목표를 실행 가능한 단계로 분해하는 사용자 경험

Trace를 사용하는 사용자는 매우 추상적이고 상위 수준의 작업을 요청할 수 있습니다. 예를 들어 '새로운 마이크로사이트 설계'나 '다음 분기 영업 계획 수립'과 같은 복잡한 과업을 Trace에 던지면, 시스템은 이를 즉각적으로 수행하는 것이 아니라 실행 가능한 단위로 쪼개기 시작합니다.

제품은 사용자의 요청을 분석하여 AI 에이전트가 처리할 수 있는 부분과 인간 작업자의 검토나 개입이 필요한 부분을 명확히 구분한 '단계별 워크플로우'를 반환합니다. 이는 AI가 모든 것을 독단적으로 처리할 때 발생할 수 있는 리스크를 줄이고, 인간과 AI가 협업하는 최적의 경로를 제시합니다.

이 과정에서 Trace는 각 하위 작업(Sub-task)을 호출할 때, 해당 작업에 반드시 필요한 특정 데이터만을 선별하여 에이전트에게 전달합니다. 불필요한 정보로 인한 노이즈를 줄이고, 에이전트가 오직 당면한 과업에만 집중할 수 있도록 정교하게 설계된 데이터 전달 메커니즘을 갖추고 있습니다.

300만 달러 규모의 시드 투자 유치와 글로벌 VC의 신뢰

Trace는 이번 라운드를 통해 총 300만 달러 규모의 시드 투자를 유치하는 데 성공했습니다. 이번 투자에는 세계적인 액셀러레이터인 Y Combinator를 비롯하여 Zeno Ventures, Transpose Platform Management, Goodwater Capital, Formosa Capital, 그리고 크라우드펀딩 플랫폼인 WeFunder가 참여했습니다.

다양한 성격의 투자자들이 참여했다는 점은 Trace가 해결하고자 하는 'AI 에이전트의 컨텍스트 문제'가 현재 테크 산업에서 얼마나 중요한 화두인지를 방증합니다. 특히 기업용 AI 인프라 시장에 대한 글로벌 VC들의 높은 기대감이 이번 투자 라운드에 반영된 것으로 풀이됩니다.

확보된 자금은 Trace의 워크플로우 오케스트레이션 기술을 고도화하고, 더 많은 기업용 소프트웨어와의 통합을 확장하는 데 사용될 예정입니다. 이를 통해 Trace는 기업 내 AI 에이전트 도입을 위한 필수적인 레이어(Layer)로 자리매김하겠다는 목표를 가지고 있습니다.

컨텍스트 엔지니어링: 기업 자동화의 새로운 패러다임

Trace의 핵심 논지는 '에이전트를 온보딩하고 조정(Orchestration)하는 것이 가장 어려운 부분'이라는 점입니다. 지금까지의 AI 활용이 모델에게 어떻게 질문할 것인가를 고민하는 '프롬프트 엔지니어링'에 집중했다면, 이제는 에이전트에게 어떤 환경과 정보를 제공할 것인가를 고민하는 '컨텍스트 엔지니어링(Context Engineering)'의 시대로 넘어가고 있습니다.

컨텍스트 엔지니어링은 에이전트가 실질적인 기업 자동화를 수행할 수 있도록 만드는 핵심 열쇠입니다. 아무리 뛰어난 지능을 가진 에이전트라도 기업의 프로세스에 녹아들지 못한다면 단순한 챗봇에 불과합니다. Trace는 이 엔지니어링 과정을 자동화하고 구조화함으로써 기업용 AI의 실효성을 확보하고자 합니다.

결국 미래의 기업 자동화 경쟁력은 '얼마나 똑똑한 모델을 쓰는가'가 아니라, '얼마나 정교하게 기업의 맥락을 에이전트에게 전달하는 인프라를 갖추었는가'에서 결정될 것입니다. Trace는 바로 이 인프라 시장을 선점하려는 전략을 취하고 있습니다.

국내 B2B AI 스타트업이 주목해야 할 시사점

Trace의 사례는 한국의 B2B SaaS 및 AI 스타트업들에게 중요한 전략적 방향성을 제시합니다. 단순히 LLM의 API를 활용해 기능을 구현하는 '래퍼(Wrapper)' 서비스 모델은 점차 한계에 부딪힐 것입니다. 대신 기업 내부의 파편화된 데이터를 어떻게 구조화하고, 이를 AI가 이해할 수 있는 형태로 변환할 것인지에 대한 '데이터 레이어'와 '워크플로우 레이어'에 집중해야 합니다.

특히 한국 기업들은 보안 문제로 인해 클라우드 기반의 범용 AI 도입에 신중한 경우가 많습니다. 따라서 기업 내부의 데이터를 안전하게 처리하면서도, Slack이나 협업 도구와 유기적으로 연결되어 맥락을 추출해내는 기술력은 국내 시장에서 강력한 경쟁 우위가 될 수 있습니다.

결론적으로, AI 에이전트 시대의 승자는 모델 자체를 만드는 기업이 아니라, 모델이 기업의 업무 현장에서 제대로 작동할 수 있도록 '맥락의 통로'를 만드는 기업이 될 가능성이 높습니다. Trace가 보여준 컨텍스트 엔지니어링의 가치를 국내 시장의 특수성에 맞춰 어떻게 풀어낼지가 향후 B2B AI 시장의 관전 포인트가 될 것입니다.