노타

가. AI 확산과 인프라 비용의 구조적 증가 생성형 AI가 검색 및 문서작성 중심에서 코딩, 에이전트, 멀티모달 서비스 및 기업 업무 전반으로 확산되면서 AI 모델의 규모와 문맥 길이, 추론 호출 횟수가 함께 증가하고 있습니다. AI 서비스에서 토큰은 모델이 입력받고 생성하는 데이터의 기본 단위이며, 서비스 원가는 일반적으로 처리 토큰 수, 입력ㆍ출력ㆍ추론 토큰의 단가, 반복 호출 횟수 및 하드웨어 사용시간의 영향을 받습니다. 이에 따라 'AI Tokenomics(토큰 기반 단위경제성)'는 단순한 API 가격 비교를 넘어, 동일한 업무를 완료하는 데 필요한 총 토큰과 총 추론비용을 관리하는 개념으로 중요성이 확대되고 있습니다. AI 사용량 증가는 인프라 부담으로 연결됩니다. Google은 자사 서비스 전반에서 월간 처리 토큰이 2024년 5월 9.7조 개에서 2025년 5월 약 480조 개, 2026년 5월 3,200조 개 이상으로 증가했다고 발표했습니다. 국제에너지기구(IEA)는 데이터센터 전력소비가 2024년부터 2030년까지 연평균 약 15% 증가해 2030년 약 945TWh에 이를 것으로 전망했으며, AI용 가속 서버가 증가분의 주요 요인으로 제시됐습니다. 이는 AI 확산이 GPU와 서버뿐 아니라 전력, 냉각, 데이터센터 공간 및 네트워크를 포함한 전체 인프라 비용의 문제로 확대되고 있음을 보여줍니다.

가. AI 확산과 인프라 비용의 구조적 증가 생성형 AI가 검색 및 문서작성 중심에서 코딩, 에이전트, 멀티모달 서비스 및 기업 업무 전반으로 확산되면서 AI 모델의 규모와 문맥 길이, 추론 호출 횟수가 함께 증가하고 있습니다. AI 서비스에서 토큰은 모델이 입력받고 생성하는 데이터의 기본 단위이며, 서비스 원가는 일반적으로 처리 토큰 수, 입력ㆍ출력ㆍ추론 토큰의 단가, 반복 호출 횟수 및 하드웨어 사용시간의 영향을 받습니다. 이에 따라 'AI Tokenomics(토큰 기반 단위경제성)'는 단순한 API 가격 비교를 넘어, 동일한 업무를 완료하는 데 필요한 총 토큰과 총 추론비용을 관리하는 개념으로 중요성이 확대되고 있습니다. AI 사용량 증가는 인프라 부담으로 연결됩니다. Google은 자사 서비스 전반에서 월간 처리 토큰이 2024년 5월 9.7조 개에서 2025년 5월 약 480조 개, 2026년 5월 3,200조 개 이상으로 증가했다고 발표했습니다. 국제에너지기구(IEA)는 데이터센터 전력소비가 2024년부터 2030년까지 연평균 약 15% 증가해 2030년 약 945TWh에 이를 것으로 전망했으며, AI용 가속 서버가 증가분의 주요 요인으로 제시됐습니다. 이는 AI 확산이 GPU와 서버뿐 아니라 전력, 냉각, 데이터센터 공간 및 네트워크를 포함한 전체 인프라 비용의 문제로 확대되고 있음을 보여줍니다. 글로벌 AI 산업의 경쟁 기준은 단순히 모델의 파라미터 수와 절대적인 성능을 확대하는 것에서 나아가, 성능 대비 비용, 추론 속도, 토큰 효율 및 전력효율 등 동일한 성능을 얼마나 적은 자원으로 구현할 수 있는지로 확대되고 있습니다. OpenAI는 2026년 3월 GPT-5.4를 공개하면서 이를 자사의 당시 가장 토큰 효율적인 추론 모델로 소개했습니다. GPT-5.4는 이전 GPT-5.2 대비 문제 해결에 필요한 토큰 사용량을 줄여 속도와 비용 효율성을 개선했으며, 다수의 외부 도구를 사용하는 환경에서는 필요한 도구 정보만 선택적으로 불러오는 'Tool Search' 기능을 통해 회사 자체 평가 기준 동일한 정확도를 유지하면서 전체 토큰 사용량을 약 47% 절감했다고 발표했습니다. Google 역시 2026년 3월 Gemini 3.1 Flash-Lite를 당시 Gemini 3 계열 중 가장 빠르고 비용 효율적인 모델로 공개했습니다. Gemini 3.1 Flash-Lite의 API 가격은 100만 토큰당 입력 USD 0.25, 출력 USD 1.50으로 책정됐으며, Google이 인용한 외부 벤치마크 기준 이전 세대인 Gemini 2.5 Flash 대비 첫 응답 토큰 생성 속도(Time to First Answer Token)는 약 2.5배 빨라지고 출력 속도는 약 45% 향상되면서 유사하거나 더 높은 수준의 품질을 유지한 것으로 나타났습니다. Anthropic도 성능과 비용 간 선택의 폭을 확대하는 방향으로 모델과 가격 체계를 고도화하고 있습니다. 2026년 5월 공개된 Claude Opus 4.8은 이전 모델과 동일한 API 가격인 100만 토큰당 입력 USD 5, 출력 USD 25를 유지하면서 성능을 개선했으며, 사용자가 모델의 추론 노력 수준(effort)을 조절해 응답 품질과 토큰 사용량 간 균형을 선택할 수 있도록 했습니다. Anthropic은 낮은 effort 설정에서 더 빠른 응답과 낮은 자원 사용이 가능하며, 기본 설정의 코딩 작업에서는 이전 모델과 유사한 토큰을 사용하면서 더 높은 성능을 구현한다고 설명했습니다. 또한 Anthropic의 2026년 6월 30일 공식 가격표에는 일반 추론뿐 아니라 프롬프트 캐싱 및 배치 처리에 별도의 할인 가격이 적용되어 있습니다. 예를 들어 Claude Sonnet 5의 글로벌 표준 리스트 가격은 100만 토큰당 입력 USD 3, 출력 USD 15인 반면, 캐시 적중 입력은 USD 0.30으로 일반 입력 대비 90% 낮고, 배치 처리 가격은 입력 USD 1.50, 출력 USD 7.50으로 일반 가격 대비 50% 낮게 책정되어 있습니다. 이러한 변화는 Stanford Institute for Human-Centered Artificial Intelligence가 2026년 4월 발표한 「AI Index Report 2026」에서도 확인됩니다. 동 보고서는 AI 모델이 대규모로 배포될 경우 추론에 소요되는 누적 에너지가 수개월 내 일회성 학습 에너지를 초과할 수 있다고 분석했으며, 2025년 주요 모델의 중간 길이 프롬프트 기준 추론 전력 소비량에는 약 5Wh에서 23Wh까지 큰 차이가 존재한다고 제시했습니다. 또한 높은 모델 성능이 반드시 높은 환경 비용과 비례하는 것은 아니라고 분석했습니다. 한편 GPU 연산 비용은 2006년 이후 2024년까지 99% 이상 하락하여 AI의 대규모 학습과 배포를 경제적으로 가능하게 하는 주요 요인으로 작용한 것으로 분석됐습니다. 이처럼 글로벌 AI 산업의 경쟁력은 모델의 절대적인 성능뿐만 아니라 동일하거나 허용 가능한 수준의 성능을 보다 적은 연산·메모리·토큰·전력 등의 자원과 낮은 비용으로 구현하는 능력으로 확대되고 있습니다. 이에 따라 대규모 AI 모델의 성능을 최대한 유지하면서 모델 크기와 하드웨어 자원 요구량을 줄이는 경량화ㆍ최적화 기술의 중요성도 더욱 높아지고 있습니다. 나. 당사의 AI 최적화 사업 구조 당사는 이러한 시장 변화에 대응하여 AI 모델과 목표 하드웨어를 함께 분석하고, 모델 구조, 수치 정밀도, 연산 그래프 및 실행 방식을 조정하는 AI 모델 경량화ㆍ최적화 기술을 개발하고 있습니다. 최적화를 통해 모델의 메모리와 연산량이 줄어들면 동일 노드에서 더 많은 모델 또는 요청을 처리하거나, 필요한 GPUㆍ서버 수와 업그레이드 규모를 줄일 수 있어 CAPEX 효율화에 기여할 수 있습니다. 또한 클라우드 GPU 사용시간, 전력비 및 냉각비, 지연시간 및 토큰당 비용을 낮추고 처리량과 자원 활용률을 높여 OPEX 효율화에도 기여할 수 있습니다. 당사의 AI 최적화 사업은 NetsPresso Platform을 중심으로 운영됩니다. NetsPresso Platform은 모델 분석과 설계, 학습, 프루닝ㆍ양자화 등 경량화, 하드웨어별 변환ㆍ배포 및 실제 장비 성능 검증을 통합한 핵심 기술 플랫폼입니다. 고객에게는 플랫폼 라이선스, SDKㆍ툴체인 연동, 모델 최적화 및 튜닝, 공동개발 및 상용화 등의 형태로 제공됩니다. NetsPresso Solution은 이 플랫폼 기술을 교통, 산업안전, 영상관제, 운전자 모니터링 등 특정 산업 환경에 적용한 제품화 사례로서, 별도 기술축이 아니라 플랫폼의 상용성과 현장 적용성을 확장하는 역할을 합니다. 다. 최근 기술·사업 성과 당사는 초거대 AI 모델의 성능을 최대한 유지하면서 모델 크기와 연산ㆍ메모리 요구량을 줄이는 경량화ㆍ최적화 기술을 보유하고 있습니다. 특히 2026년 6월에는 LG AI연구원의 K-EXAONE 236B 모델을 퓨리오사AI의 데이터센터용 NPU 환경에 최적화하였습니다. 이를 통해 모델 크기를 원본 대비 약 71% 축소하면서도, 회사 자체 평가의 3개 주요 벤치마크 단순 평균 기준 원본 모델 대비 약 99.2% 수준의 성능을 유지했습니다. K-EXAONE은 2,360억 개의 파라미터를 보유한 초거대 AI 모델로, 이러한 대규모 모델을 실제 데이터센터용 AI 가속기 환경에 맞춰 경량화·최적화한 사례는 당사의 기술이 특정 소형 모델이나 GPU 환경에 국한되지 않고 대규모 상용 AI 인프라에도 적용될 수 있음을 보여줍니다. 특히 모델 크기를 약 71% 축소할 경우 모델 구동에 필요한 메모리 용량과 데이터 전송량 등 하드웨어 자원 요구량을 낮출 수 있어, 동일한 AI 서비스를 구축ㆍ운영하는 데 필요한 AI 가속기 및 관련 인프라의 효율성을 높일 수 있습니다. AI 모델의 대형화에 따라 고성능 GPUㆍNPU 등 AI 가속기와 고대역폭 메모리(HBM)에 대한 투자 부담이 증가하고 있는 가운데, 당사의 경량화ㆍ최적화 기술은 기존 AI 모델의 성능을 최대한 보존하면서 제한된 하드웨어 자원을 보다 효율적으로 활용할 수 있도록 지원합니다.

가. 주요 제품 당사의 제품 및 서비스는 'AI 최적화 사업'이라는 하나의 사업 체계 아래 NetsPresso Platform을 중심으로 구성됩니다. NetsPresso Platform은 당사의 원천기술, 제품 로드맵, 파트너 연동 및 라이선스 사업의 핵심이며, 고객의 모델과 하드웨어에 따라 소프트웨어 라이선스, SDKㆍ툴체인 연동, 모델 최적화 모듈, 기술검증(PoC), 상용화 지원 및 산업 적용형 제품의 형태로 제공됩니다. NetsPresso Platform은 AI 모델의 구조를 이해하고 목표 하드웨어에 맞는 최적화 전략을 설계한 후, 학습ㆍ경량화ㆍ변환ㆍ배포ㆍ벤치마크까지 전 과정을 연결합니다. CPU, GPU, NPU, MCU 및 클라우드 전용 AI 칩 등 서로 다른 환경에서 모델의 성능과 자원 사용량을 함께 검증할 수 있어, 고객이 특정 하드웨어의 성능을 실제 워크로드에서 활용하도록 지원합니다. 고객 관점에서 플랫폼의 경제적 가치는 AI 모델 자체의 성능뿐 아니라 모델을 운영하는 데 필요한 메모리, GPU 수, 처리시간, 전력 및 토큰당ㆍ추론비용을 함께 개선하는 데 있습니다. 이는 신규 GPU 및 서버 구매와 데이터센터 증설 부담을 낮추거나 시점을 늦추는 CAPEX 효율화와, 클라우드 GPU 사용료ㆍ전력비ㆍ냉각비ㆍ운영비를 줄이는 OPEX 효율화로 연결될 수 있습니다.

가. 주요 제품 당사의 제품 및 서비스는 'AI 최적화 사업'이라는 하나의 사업 체계 아래 NetsPresso Platform을 중심으로 구성됩니다. NetsPresso Platform은 당사의 원천기술, 제품 로드맵, 파트너 연동 및 라이선스 사업의 핵심이며, 고객의 모델과 하드웨어에 따라 소프트웨어 라이선스, SDKㆍ툴체인 연동, 모델 최적화 모듈, 기술검증(PoC), 상용화 지원 및 산업 적용형 제품의 형태로 제공됩니다. NetsPresso Platform은 AI 모델의 구조를 이해하고 목표 하드웨어에 맞는 최적화 전략을 설계한 후, 학습ㆍ경량화ㆍ변환ㆍ배포ㆍ벤치마크까지 전 과정을 연결합니다. CPU, GPU, NPU, MCU 및 클라우드 전용 AI 칩 등 서로 다른 환경에서 모델의 성능과 자원 사용량을 함께 검증할 수 있어, 고객이 특정 하드웨어의 성능을 실제 워크로드에서 활용하도록 지원합니다. 고객 관점에서 플랫폼의 경제적 가치는 AI 모델 자체의 성능뿐 아니라 모델을 운영하는 데 필요한 메모리, GPU 수, 처리시간, 전력 및 토큰당ㆍ추론비용을 함께 개선하는 데 있습니다. 이는 신규 GPU 및 서버 구매와 데이터센터 증설 부담을 낮추거나 시점을 늦추는 CAPEX 효율화와, 클라우드 GPU 사용료ㆍ전력비ㆍ냉각비ㆍ운영비를 줄이는 OPEX 효율화로 연결될 수 있습니다. NetsPresso Solution은 이 플랫폼 기술이 실제 산업에 적용되는 방식 중 하나입니다. 교통, 산업안전, 영상관제, 운전자 모니터링 등 현장 요구에 맞춘 제품을 공급하면서 확보한 데이터와 운영 경험은 플랫폼의 모델ㆍ모듈ㆍ하드웨어 지원 범위를 고도화하는 데 활용됩니다. 따라서 Platform과 Solution은 별개의 사업축이 아니라, Platform을 기술사업의 중심으로 두고 산업 적용이 이를 검증 및 확장하는 통합 구조입니다. (1) NetsPresso Platform netspresso platform.jpg Netspresso Platform NetsPresso Platform은 AI 모델의 분석, 설계, 학습, 경량화, 변환, 배포 및 성능 측정을 통합하는 AI 최적화 플랫폼입니다. 사용자는 자체 모델 또는 공개 모델을 입력하고, 목표 정확도ㆍ지연시간ㆍ메모리ㆍ처리량과 대상 하드웨어 조건을 설정해 필요한 최적화 기능을 선택할 수 있습니다. 플랫폼은 반복적인 수작업을 줄이고 모델 최적화의 재현성과 개발 생산성을 높이는 것을 목표로 합니다. 플랫폼은 프루닝ㆍ양자화ㆍ지식 증류 등 다양한 기법과 독자 알고리즘을 조합하고, 실제 장비 또는 검증 환경의 벤치마크 결과를 바탕으로 모델과 하드웨어의 적합성을 평가합니다. 단순히 모델 파일의 크기만 줄이는 것이 아니라 메모리 사용량ㆍ지연시간ㆍ처리량ㆍ전력효율 및 성능 보존을 함께 고려해 실제 서비스 운영의 효율을 높이는 것이 핵심입니다. NetsPresso Platform은 데이터센터와 클라우드의 GPUㆍAI 가속기부터 모바일ㆍ로보틱스ㆍ자동차ㆍ산업용 장비 및 초소형 엣지 디바이스까지 지원 범위를 확대하고 있습니다. 고객사 내부망 또는 보안이 필요한 환경에서 활용할 수 있는 배포 방식과 파트너사의 SDKㆍ툴체인 연동을 통해 모델과 데이터의 보안 요구에도 대응하고 있습니다. 플랫폼은 라이선스, 기간형 사용권, SDKㆍ툴체인 탑재, 반도체ㆍ하드웨어 번들, 모델별 최적화 및 튜닝, 공동 상용화 등 다양한 방식으로 사업화되고 있습니다. ArmㆍSamsung 등과의 모바일, AI PC, 전장 등 엣지 및 피지컬 AI 분야 협력과 퓨리오사AI의 데이터센터용 NPU, 모빌린트 NPU, AWS Trainium·Inferentia 등 다양한 하드웨어 생태계와의 협력은 NetsPresso Platform의 적용 범위를 확대하고, 지속적인 사업 기회를 확보하는 기반이 되고 있습니다. (2) AI 최적화 기술의 산업 적용 netspresso solution.jpg Netspresso Solution NetsPresso Solution은 NetsPresso Platform의 최적화 기술을 고객의 산업 환경에 맞춰 구현한 적용형 제품군입니다. 교통ㆍ산업안전ㆍ선별관제ㆍ운전자 모니터링 및 비전언어모델 기반 영상 분석 등에서 고객이 필요한 AI 기능을 실제 장비와 운영 조건에 맞게 제공하는 방식입니다. 산업 적용형 제품은 제한된 연산자원ㆍ네트워크 지연ㆍ전력 및 보안 제약이 존재하는 현장에서 AI가 안정적으로 작동하도록 모델을 최적화하고, 필요한 경우 AI Box 등 하드웨어와 결합해 공급됩니다. 이는 플랫폼 원천기술의 실사용 가치와 하드웨어 범용성을 검증하는 레퍼런스로 활용됩니다. 따라서 NetsPresso Solution은 별도의 독립 사업축이 아니라 AI 최적화 사업의 상용화 방식 중 하나입니다. 현장 적용 과정에서 축적된 모델, 모듈 및 운영 데이터는 NetsPresso Platform의 기능 개선과 신규 하드웨어ㆍ산업 확장에 환류됩니다.

가. 수익 실적 나. 판매경로 및 판매전략 당사는 B2B 중심의 AI 최적화 사업을 영위하며, 주요 고객은 AI 모델 개발ㆍ서비스 기업, 클라우드ㆍ데이터센터 사업자, 반도체 및 AI 가속기 기업, 스마트폰ㆍ자동차ㆍ로보틱스ㆍ산업용 디바이스 제조사, 공공기관 및 산업별 시스템 사업자입니다. 고객의 목표는 모델 성능을 유지하면서 GPUㆍ메모리ㆍ전력ㆍ지연시간과 추론비용을 낮추고, 보유 모델을 특정 하드웨어에 빠르게 상용화하는 것입니다. 판매는 NetsPresso Platform을 중심으로 플랫폼 라이선스, SDKㆍ툴체인 연동, 반도체ㆍ하드웨어 번들, 모델 최적화ㆍ튜닝, 기술검증(PoC) 후 양산ㆍ상용화, 산업 적용형 제품 공급의 형태로 이루어집니다. 산업 적용형 제품은 단기 매출 및 레퍼런스 확보에 기여하고, 플랫폼 기술 공급은 계약기간 내 사용권, 반복 라이선스, 신규 모델ㆍ하드웨어 추가 적용 등 중장기 확장 기회를 형성할 수 있습니다. (1) 고객 중심의 판매 구조 및 전략 고객은 원본 대비 성능 보존, 메모리 및 GPU 사용량, 처리량과 지연시간, 토큰당ㆍ업무당 비용, 하드웨어 호환성, 보안, 기술지원 및 양산 안정성을 주요 구매 기준으로 고려합니다.

가. 수익 실적 나. 판매경로 및 판매전략 당사는 B2B 중심의 AI 최적화 사업을 영위하며, 주요 고객은 AI 모델 개발ㆍ서비스 기업, 클라우드ㆍ데이터센터 사업자, 반도체 및 AI 가속기 기업, 스마트폰ㆍ자동차ㆍ로보틱스ㆍ산업용 디바이스 제조사, 공공기관 및 산업별 시스템 사업자입니다. 고객의 목표는 모델 성능을 유지하면서 GPUㆍ메모리ㆍ전력ㆍ지연시간과 추론비용을 낮추고, 보유 모델을 특정 하드웨어에 빠르게 상용화하는 것입니다. 판매는 NetsPresso Platform을 중심으로 플랫폼 라이선스, SDKㆍ툴체인 연동, 반도체ㆍ하드웨어 번들, 모델 최적화ㆍ튜닝, 기술검증(PoC) 후 양산ㆍ상용화, 산업 적용형 제품 공급의 형태로 이루어집니다. 산업 적용형 제품은 단기 매출 및 레퍼런스 확보에 기여하고, 플랫폼 기술 공급은 계약기간 내 사용권, 반복 라이선스, 신규 모델ㆍ하드웨어 추가 적용 등 중장기 확장 기회를 형성할 수 있습니다. (1) 고객 중심의 판매 구조 및 전략 고객은 원본 대비 성능 보존, 메모리 및 GPU 사용량, 처리량과 지연시간, 토큰당ㆍ업무당 비용, 하드웨어 호환성, 보안, 기술지원 및 양산 안정성을 주요 구매 기준으로 고려합니다. 당사는 '기술 진단 → 성능 목표 설정 → PoC → 대상 하드웨어 검증 → 생산 준비 → 상용화'의 단계별 협업을 통해 고객 환경에서 검증 가능한 성과지표를 제시하고, 직접 판매와 파트너 채널을 병행합니다. 고객 프로젝트에서 개발한 최적화 기법과 모델·모듈은 가능한 범위에서 NetsPresso 기술 체계 안의 재사용 가능한 자산으로 축적합니다. 이를 통해 개별 프로젝트의 성과를 플랫폼 기능 개선, 지원 하드웨어 확대, 개발기간 단축 및 신규 고객 제안으로 연결하는 구조를 강화하고 있습니다. (2) 조직 구조 및 글로벌 세일즈 전략 당사의 판매 조직은 'AI 최적화 사업'을 중심으로 플랫폼 기술영업, 산업 적용 영업, 글로벌 파트너 세일즈 및 해외 법인 기능을 연계해 운영합니다. Platform과 Solution을 별도 사업으로 구분하기보다 고객의 도입 목적에 따라 플랫폼 직접 제공, 하드웨어 연동, 맞춤형 최적화 또는 산업 적용형 제품 중 적합한 공급 방식을 선택하는 통합 영업 구조입니다. 국내외 영업 인력은 고객 발굴, 기술진단, 라이선스 및 공동개발 계약, 파트너십, 현지 사업개발을 수행합니다. 북미ㆍ유럽ㆍ중동 등의 거점과 글로벌 반도체ㆍ클라우드ㆍSI 파트너를 활용해 시장 접근성을 높이고 있으며, 두바이 교통국 공급, LG CNS와의 글로벌 ITS 협력, 글로벌 개발자ㆍ연구 생태계 참여 등을 통해 해외 레퍼런스와 기술 접점을 확대하고 있습니다. (3) Platform 중심의 제품화 및 상용화 전략 당사는 NetsPresso Platform을 하나의 핵심 기술ㆍ사업 플랫폼으로 두고, 고객과 시장의 성숙도에 따라 공급 방식을 다각화합니다. 핵심 목표는 최적화 성과를 일회성 개발에 머물게 하지 않고 라이선스, 툴체인 탑재, 하드웨어 번들, 모델 업데이트 및 신규 워크로드로 확장 가능한 반복 사업 구조로 전환하는 것입니다. - 산업 적용형 제품 공급: 교통, 산업안전, 영상관제, 운전자 모니터링 등 검증된 현장에 Platform 기반 최적화 모델과 소프트웨어를 공급합니다. 해당 사업은 고객의 실제 문제를 해결하고 매출과 레퍼런스를 확보하는 동시에, 현장 데이터와 운영 조건을 Platform의 모델ㆍ모듈 고도화에 환류합니다. - Platform 기술 제공: 반도체ㆍAI 가속기ㆍ클라우드ㆍ디바이스 사업자와 라이선스, SDKㆍ툴체인 연동, 공동 상용화 및 최적화 서비스를 추진합니다. Arm, S사, 퓨리오사AI, 모빌린트, AWS AI 칩 환경, AMD 로보틱스 생태계 등으로 협력 범위를 확대하고 있습니다. Platform의 직접 제공과 산업 적용형 제품 공급은 별개의 사업이 아니라 동일한 AI 모델 경량화ㆍ최적화 원천기술이 고객 유형과 하드웨어 환경에 따라 다른 형태로 전달되는 것입니다. (4) AI 인프라 생태계 기반 협업 전략 신고서_공급사슬.jpg 온디바이스 AI 시장 공급사슬 1) AI 반도체ㆍ클라우드ㆍSoC 사업자와의 제휴 당사는 고객 모델과 하드웨어 사이의 최적화 계층을 제공하기 위해 반도체ㆍAI 가속기ㆍ클라우드 사업자와 기술 공급 및 공동 검증을 추진합니다. Arm 및 S사의 최적화 툴체인 협력, 퓨리오사AI 데이터센터용 NPU와 모빌린트 NPU 대상 기술 공급, AWS TrainiumㆍInferentia 환경의 튜닝 서비스는 모바일부터 데이터센터와 클라우드까지 Platform의 적용 범위를 확대한 사례입니다. 당사의 역할은 특정 산업용 응용 소프트웨어에 한정되지 않습니다. 대규모 AI 모델, 반도체ㆍ가속기 및 실제 서비스 워크로드 사이에서 모델의 메모리ㆍ연산량ㆍ지연시간ㆍ처리량을 조정하고 배포를 가능하게 하는 AI 최적화 소프트웨어 계층을 제공합니다. 이를 통해 클라우드ㆍ데이터센터ㆍ엣지ㆍ온디바이스를 잇는 AI 인프라 전반의 효율화 수요에 대응합니다. 2) HW/OEM 및 시스템 사업자와의 협력 HW/OEM과 시스템 사업자는 자사 제품과 프로젝트에 AI 기능을 탑재하는 과정에서 모델 경량화, 하드웨어별 성능 튜닝, 보안, 배포 안정성과 양산 지원을 필요로 합니다. 당사는 Platform 기반 최적화와 산업 적용 경험을 결합하고, 필요 시 AI Box 및 현장 시스템과 연계해 상용화를 지원합니다. 3) SIㆍ공공ㆍ산업 파트너와의 시장 확대당사는 SI 기업 및 산업 파트너와 협력해 교통, 안전, 스마트시티, 제조 및 공공 인프라 시장에 참여합니다. 대형 현장 프로젝트에서 당사는 핵심 AI 모델 최적화 및 실행 소프트웨어를 제공하고, 파트너는 시스템 통합ㆍ설치ㆍ운영을 담당하는 방식으로 역할을 분담할 수 있습니다. 두바이 교통국 ITS 공급, 국내 AI 특화 시범도시 참여 및 LG CNS와의 글로벌 ITS 사업화 협력 등은 당사의 최적화 기술이 도시ㆍ공공 인프라에서 적용되는 사례입니다. 이러한 레퍼런스는 Platform의 현장 검증과 글로벌 사업개발에 활용되며, 산업 적용형 제품은 Platform의 해외 확장을 지원하는 상용화 채널로 기능합니다. 4) 파트너ㆍ리셀러 채널당사는 반도체ㆍ하드웨어ㆍ클라우드 파트너, SI, 총판 및 현지 리셀러와 공동 마케팅과 영업을 추진합니다. 파트너 채널은 당사가 핵심 최적화 기술 개발에 집중하면서 신규 고객과 산업에 접근할 수 있는 수단입니다. 채널을 통해 유입되는 모델ㆍ하드웨어ㆍ운영 요구사항은 NetsPresso Platform의 지원 범위와 제품 로드맵에 반영해 기술과 시장 수요의 연결성을 강화합니다. 다. 주요매출처 연도별 매출액의 10%의 이상을 차지하는 주요 매출처는 아래와 같습니다. 라. 수주현황 보고서 작성일 기준 수주현황은 아래와 같으며, 세부 수주내역은 당사 영업기밀에 해당되어 수주잔고 현황으로 간략하게 기재합니다.