Pre-A 스타트업의 추가 투자 의사결정과 AI 위협, 그리고 Moat의 진실
런웨이가 충분한 상황에서 추가 투자를 받아야 하는가? AI 도구가 로보틱스 제어 SW 스택을 위협하는가? 기술 기반 스타트업이 직면하는 moat의 본질을 냉정하게 분석한다.
Pre-A 스타트업의 추가 투자 의사결정과 AI 위협, 그리고 Moat의 진실
이 글은 AI 로봇 제어기 스타트업 대표로서 실제 투자 의사결정 과정에서 나눈 논의를 정리한 것이다. 투자 판단, AI 위협 분석, 기술 moat의 현실을 가감 없이 다룬다.
1. 상황 정리
우리는 AI 로봇에 최적화된 제어기(W-RC)를 만드는 스타트업이다. Seed를 넘어 Pre-A 단계로 나아가고 있다.
투자 현황
- Pre-A 라운드: 80억 밸류에 20억 투자 유치 완료 (클로징됨)
- 현재 런웨이: 약 20개월 (충분한 수준)
- 대표 지분: 64.6% (보통주)
새로운 제안
- 케이넷 파트너스 (AUM 7,000억, 크래프톤 투자 이력): 동일 밸류(80억)에 10억 추가 투자 희망 (보통주)
- 기존 주주 (한국대안투자): 3억 추가 투자 희망
- 총 13억 추가 유입 가능
고민 포인트
- 런웨이가 충분한데 추가 희석이 필요한가?
- Claude Code 등 AI 도구가 제어 SW 스택을 위협하지 않는가?
- 거절 시 케이넷, 대안투자와 관계가 적대적으로 변할 가능성
2. 투자 의사결정 분석
희석 시뮬레이션
| 시나리오 | 대표 지분 (현재) | Series A 후 (300억, 50억 유치 가정) |
|---|---|---|
| 거절 | 64.6% | ~55.4% |
| 수락 (13억) | ~61% | ~52.3% |
| 차이 | -3.6%p | -3.1%p |
희석폭 3.6%p — 이 숫자가 판단의 기준이 된다.
받아야 하는 이유 (FOR)
- 희석 비용이 낮다 — 61%면 Series A 후에도 52% 이상 유지. 경영권 문제 없음
- 관계 리스크 대비 비용이 합리적 — 3.6%p 지분으로 케이넷 + 대안투자 두 곳과의 관계를 사는 셈
- 런웨이 20 → 27개월 — “충분”에서 “넉넉”으로. AI 시장 불확실성 감안하면 버퍼는 클수록 좋음
- 기존 투자자의 추가 투자는 시그널 — 다음 라운드에서 좋은 레퍼런스
- 보통주 — 거버넌스/청산우선권 부담 없음
받지 말아야 하는 이유 (AGAINST)
- 런웨이 20개월이면 충분 — 급하지 않은데 싸게 팔 이유 없음
- 밸류 갭 — 80억 → 목표 300-500억이면 3.75~6.25x. 기회비용 존재
- 케이넷의 “후속 리드” 약속은 구두 — 로보틱스/HW 포트폴리오 없음. conviction 검증 불가
- “좋은 하우스”와 “우리에게 좋은 투자자”는 다름 — 크래프톤 투자한 건 게임이지 로봇이 아님
결론: 받되, 조건을 걸어라
3.6%p 희석은 관계 리스크 대비 합리적인 비용이다. 단, 케이넷의 후속 참여 의향을 최소한의 형태로 문서화하는 조건을 거는 것이 핵심이다.
Series A에서 앵커/리드 역할에 대한 우선 검토권(first look) 정도라도 문서화하면, 13억의 전략적 가치가 확실해진다.
3. AI 위협 분석
W-RC의 기술 구조
W-RC의 핵심은 단일 요소가 아니라 3개가 동시에 묶인 구조다.
Real-Time Control (기반)
- 1ms 이하 deterministic loop
- jitter 최소화 (CPU isolation + RT kernel)
- fieldbus sync (EtherCAT cycle)
- OS / scheduler / interrupt / driver 레벨의 문제
HW + SW Co-design (핵심)
- Jetson SoC 위에서 AI inference + control loop + fieldbus stack + IO handling이 한 프로세스 공간에서 동작
- 기존 구조(AI PC + 외부 controller)는 항상 latency 존재
- W-RC는 물리적으로 하나, timing guarantee 가능
Control Stack Abstraction (플랫폼화 포인트)
- Motion → Trajectory → Control → Drive
- PID / ADRC / RL 등 interchangeable
- 여기 일부는 AI가 대체 가능 (tuning, controller generation, simulation)
- 하지만 real hardware에서 안정적으로 돌아가게 만드는 부분은 별개
고객이 WIM을 선택하는 이유
- 개발 난이도 제거 (가장 큼) — EtherCAT 연결, servo tuning, real-time 보장을 직접 하면 6개월~2년. WIM은 바로 동작
- 안정적인 제어 성능 — deterministic, high frequency control, stable contact. 제조, 항공우주, 정밀 작업에서 핵심
- 통합 단순화 — single box. 디버깅 포인트와 failure surface 감소
가격 때문이 아니고, fancy AI 때문이 아니다. **“리스크 제거 + 시간 단축”**이 본질이다.
경쟁 구도
| 카테고리 | 예시 | 강점 | 한계 |
|---|---|---|---|
| 산업용 로봇 OEM | Yaskawa, FANUC | control 완성도 | 폐쇄적, AI 없음 |
| 협동로봇 | UR, Doosan | usability | low-level control 제한 |
| 로봇 SW 플랫폼 | ROS 2, NVIDIA Isaac | ecosystem, AI | RT control 없음 |
| Controller 회사 | Beckhoff, Elmo | EtherCAT + RT | AI 없음, 통합 안됨 |
| 직접 경쟁 | 모벤시스, Nextcobot | 같은 Jetson 기반 | 경쟁 중 |
직접 경쟁사인 모벤시스, Nextcobot이 같은 Jetson 기반으로 PC 베이스의 로봇 제어를 플랫폼화하고 있다. 추후 아진엑스텍도 경쟁자가 될 수 있다.
4. AI 위협의 두 가지 차원
위협 1: AI가 WIM의 SW 스택을 직접 대체하는가?
처음에는 이렇게 분석했다:
[고객 Application] ← AI가 코드 생성 가능
[Control Abstraction] ← AI가 알고리즘/튜닝 일부 대체 가능
[RT Control Loop] ← 대체 불가
[Fieldbus + HW Interface] ← 대체 불가
[Hardware (W-RC)] ← 대체 불가하지만 이건 과장이었다. 솔직히 따져보면:
[Control 알고리즘] ← AI가 생성 가능
[EtherCAT 스택] ← 오픈소스 + 코드로 구현 가능
[RT Kernel 세팅] ← 문서화된 절차 + 코드
[Jetson HW] ← 누구나 구매 가능전 레이어가 코드 + 공개 HW다. RT kernel 세팅도 EtherCAT 마스터도 전부 SW 코드다. “대체 불가”인 레이어가 사실상 없다.
위협 2: 경쟁사가 AI 도구로 빠르게 따라잡는가?
이게 진짜 위협이다. 모벤시스, Nextcobot이 같은 Jetson 기반이라는 건 HW 출발점이 동일하다는 뜻이다.
AI 도구가 SW integration 갭을 좁혀주는가?
| 영역 | AI 도구로 가속 가능? | WIM의 리드 |
|---|---|---|
| EtherCAT 스택 구현 | 부분적 (레퍼런스 코드 생성) | 줄어드는 중 |
| RT kernel 세팅 | 제한적이나 가능 | 줄어드는 중 |
| Servo tuning | 가능 (AI 자동화) | 6개월 이하 |
| Control 알고리즘 | 가능 (코드 생성) | 거의 없음 |
| HW-SW co-design | 제한적 (물리 반복 필요) | 줄어드는 중 |
| 필드 안정성 검증 | 불가 (실 환경 필요) | 축적형 |
| 고객 통합 경험 | 불가 | 축적형 |
역량 있는 팀이 AI 도구를 활용하면서 집중하면 6개월~1년이면 유사 수준에 도달할 수 있다.
진짜 위험한 시나리오
AI 도구의 직접 위협보다, AI 도구가 만드는 시장 구조 변화가 위협이다.
시나리오 A: “Good enough” 경쟁사 (가장 현실적)
- 경쟁사가 AI 도구로 80% 수준의 제어 스택을 빠르게 구축
- 정밀 제어가 필요 없는 시장(물류, 단순 pick & place)에서 가격 승부
- WIM은 하이엔드에 갇히고 시장 볼륨을 놓침
시나리오 B: 대기업 직접 진입
- 아진엑스텍 등이 자체 인력 + AI 도구로 1-2년 안에 유사 플랫폼 구축
- 기존 고객 네트워크와 영업력으로 밀어붙임
시나리오 C: NVIDIA Isaac의 RT 확장 (낮은 확률, 최대 임팩트)
- 현재 Isaac은 brain only
- NVIDIA가 RT control layer까지 내리면 게임 체인저
5. Moat의 진실 — 가장 불편한 분석
Moat vs Lead Time
| Moat (구조적 방어벽) | Lead Time (선행 시간) | |
|---|---|---|
| 특징 | 따라잡을수록 비용이 증가 | 시간이 지나면 좁혀짐 |
| 예시 | 네트워크 효과, 특허, 데이터 | 먼저 개발함 |
| WIM은? | 여기 아님 | 여기 |
WIM이 가진 건 moat가 아니라 lead time이다. 경쟁사가 같은 Jetson 위에 RT + EtherCAT 올리는 걸 못 할 이유가 구조적으로 없다. 못 하는 게 아니라 아직 안 한 것이고, 하면 된다.
현실적인 자산 점검
| 자산 | 현실 |
|---|---|
| 기술적 moat | 없음. Lead time일 뿐 |
| 특허/IP | 공개 기술 조합이면 방어력 약함 |
| 고객 lock-in | 아직 없음 (양산/PoC 미달성) |
| 네트워크 효과 | 없음 |
| 브랜드 | 초기 단계 |
| 팀 실행력 | 있지만 경쟁사도 있음 |
이걸 인정하면 질문이 완전히 바뀐다.
“AI가 우리 기술을 위협하는가?”“기술 차별화가 없는 상황에서 어떻게 이기는가?“
6. 그러면 어떻게 이기는가
생태계 전략의 한계
처음에는 “생태계를 만들어 전환 비용을 만들어라”고 생각했다. SDK, 개발 도구, 커뮤니티 — 고객이 WIM 위에 코드를 쌓으면 못 떠나게.
하지만 이건 NVIDIA가 CUDA로 lock-in을 만든 것과 본질적으로 다르다. CUDA가 통한 건 GPU를 대체할 게 없었기 때문이다. Jetson 위의 SW 스택은 대체 가능하다. 칩 없이 인위적 lock-in을 거는 건 비현실적이고, 고객 반감만 산다.
실현 가능한 전환 비용 3가지
1. 시간 투자 기반 lock-in (자연스러운 축적)
- 고객이 WIM API로 짠 모션 시퀀스, 태스크 로직
- WIM 툴로 한 튜닝 결과, 파라미터 세팅
- WIM 포맷으로 저장된 로봇 설정 파일
이건 인위적인 게 아니라 자연스럽게 쌓인다. 하지만 고객 수가 적으면 의미 없다. 10개 사이트에 깔려야 효과가 나지, 2-3곳이면 그냥 옮기면 된다.
2. 품질 기반 전환 비용 (B2B의 진짜 답)
Lock-in이 아니라 “굳이 옮길 이유가 없게” 만드는 것:
- 문서화 품질
- 기술 지원 속도
- 온보딩 경험
- 안정성 트랙 레코드
“모벤시스 제품도 되긴 되는데, WIM이 셋업 시간이 반이고, 문제 생기면 바로 해결해줌”
제조업 고객은 “더 좋은 기술”보다 “검증된 것”을 선택한다. 한번 돌아가는 걸 바꾸는 건 리스크이기 때문이다.
3. 데이터/경험 축적 (시간이 필요)
- 고객 사이트별 운영 데이터
- 모터+감속기 조합별 최적 파라미터
- 트러블슈팅 사례 DB
쓰는 사람이 많을수록 좋아지는 구조 — 진짜 네트워크 효과. 하지만 고객이 깔려야 쌓인다.
결국 하나로 수렴한다
기술적 moat → 없음 (공개 기술 조합)
인위적 lock-in → 불가능 (칩이 없음)
생태계 lock-in → 고객 수가 있어야 의미
품질 기반 전환비용 → 가능하지만 시간 필요전부 “고객을 먼저 확보해야” 시작되는 이야기다.
7. R&D 방향에 대한 냉정한 검토
현재 R&D 팀에서 Google DeepMind의 RoboBallet이나 딥러닝 기반 캘리브레이션 등을 연구하고 있다. 이걸 어떻게 봐야 하는가?
문제 인식
| R&D 항목 | 현실 |
|---|---|
| RoboBallet | DeepMind 공개 논문. 누구나 구현 가능 |
| DL 기반 캘리브레이션 | 학계에서 이미 활발한 연구 분야 |
“기술은 moat가 아니다”라는 결론과 모순된다. 공개 논문 구현은 moat를 만드는 활동이 아니다.
연구가 의미를 가지려면
나쁜 포지셔닝:
"우리는 DL 캘리브레이션을 연구합니다"
→ 경쟁사도 같은 논문 보고 할 수 있음
→ 기술 데모로 끝남좋은 포지셔닝:
"W-RC에 로봇 연결하면 캘리브레이션이 자동으로 됩니다"
→ 고객은 원리를 모르고 써도 됨
→ 셋업 시간 2일 → 2시간
→ 영업 무기가 됨같은 기술인데, 하나는 연구이고 하나는 제품 기능이다.
R&D 우선순위 재배열
| 우선순위 | 할 일 | 이유 |
|---|---|---|
| 1순위 | 고객 PoC 성공시키는 엔지니어링 | 레퍼런스 = 생존 |
| 2순위 | 셋업/온보딩 시간 단축 (자동 캘리브레이션 등) | 영업 무기 |
| 3순위 | DL 캘리브레이션, RoboBallet 등 | 차별화 기능이지만 생존과 직결은 아님 |
DL 캘리브레이션이 “셋업 시간 2일 → 2시간”을 만든다면 2순위로 올라간다. “더 정밀한 캘리브레이션” 수준이면 3순위가 맞다.
R&D에 물어야 할 질문: “이 연구가 끝나면, 영업팀이 고객 앞에서 뭐라고 말할 수 있는가?” 답이 안 나오면 지금 할 타이밍이 아니다.
8. 최종 정리
투자 의사결정
받되, 조건을 걸어라. 3.6%p 희석은 관계 리스크 대비 합리적. 케이넷의 Series A 참여 의향을 문서화하는 것이 핵심.
AI 위협
AI는 WIM의 제품을 직접 대체하진 못하지만, WIM의 기술적 선행 시간을 빠르게 녹인다. 방어는 “더 빨리 깔고, AI를 먼저 흡수하는 것”이다.
Moat의 현실
WIM의 현재 포지션:
공개 기술을 잘 조합한 제품을 가진, 아직 레퍼런스가 부족한 Pre-A 스타트업. 기술적 해자는 없고, 시간 선행만 있으며, 그 선행도 줄어들고 있다.
이건 나쁜 상황이 아니다. 대부분의 성공한 B2B 스타트업이 이 단계를 거쳤다. Datadog도 초기엔 “오픈소스 조합”이었고, Snowflake도 “PostgreSQL이면 되는 거 아닌가?”라는 질문을 받았다. 차이를 만든 건 기술이 아니라 실행 속도 + 고객 경험 + 타이밍이었다.
이 상황에서 이기는 법
- 속도 — 먼저 깔아라. 레퍼런스 1개가 기술 리드 1년보다 강하다
- 품질 — “굳이 옮길 이유가 없게” 만들어라. B2B는 검증된 것을 선택한다
- 번들 — “제어기 사세요”가 아니라 “로봇 인프라 걱정 끝”으로 포지셔닝
기술 lead가 줄어드는 속도 vs 고객 확보 속도. 이 레이스에서 이기는 것만이 답이다.
이 글은 실제 의사결정 과정에서의 논의를 기반으로 작성되었다. 스타트업 대표로서 자기 기술의 한계를 직시하는 것이 첫 번째 전략이다.
← All posts