코난테크놀로지

Search, Analytics, LLM은 모두 AI라는 큰 우산 아래 있지만 맡은 일이 다르다. Search는 정보를 찾고, Analytics는 데이터를 해석하며, LLM은 사람이 읽을 수 있는 답변과 초안을 만든다. RAG는 내부 자료를 검색해 그 근거를 생성형 답변에 연결하는 방식이다.

이 구분은 매출을 해석할 때도 중요하다. 회사가 생성형 AI를 강조한다고 해서 모든 제품 매출이 LLM 매출이 되는 것은 아니며, 검색과 분석 제품이 현장 데이터의 입구와 중간 처리층을 맡는다. 생성형 AI는 그 위에서 답변과 문서화를 담당하는 사용자 접점에 가깝다.

Video AI는 영상 속 객체를 인식하고 상황을 분석하는 축이다. AI Pilot은 드론의 자율비행과 훈련을 지향하고, PHM은 설비 상태를 살펴 고장 가능성을 예측하는 산업 적용을 지향한다. 따라서 회사의 기술 묶음은 “챗봇 하나”보다는 텍스트·영상·음성·산업 데이터가 서로 다른 방식으로 처리되는 응용군에 가깝다.

이 구조에서 RAG는 별도 제품 하나를 더 얹는 마케팅 용어라기보다, 검색 결과를 생성형 답변의 근거로 바꾸는 연결 계층으로 이해하는 편이 정확하다. 좋은 답변을 만들려면 모델의 언어 능력뿐 아니라 어떤 문서를 찾아왔는지, 권한이 맞는지, 최신 자료인지가 함께 관리돼야 한다.

결국 고객이 돈을 지불하는 지점은 모델 이름보다 업무 결과다. 담당자가 규정을 찾는 시간을 줄이고, 내부 양식에 맞는 초안을 만들고, 현장 사진이나 설비 데이터를 판단에 활용할 수 있을 때 검색과 분석과 생성이 하나의 도입 명분으로 묶인다.

고객 현장의 AI는 먼저 환경에 맞게 설치되고, 내부 데이터와 기존 시스템에 연결된 뒤, 검수 과정을 거쳐 업무에 들어간다. 이 회사의 사업은 제품을 상자째 판매하는 장면보다 고객별 환경을 맞추는 구축 프로젝트의 성격이 강하다.

사업 흐름은 대체로 다음과 같이 읽을 수 있다.

고객 환경 설정 → 데이터·시스템 통합 → 모델·검색 연결 → 검수 → 고도화·운영

온프레미스는 고객이 통제하는 전용 인프라에 소프트웨어를 두는 방식이다. 폐쇄망은 외부 인터넷과 분리된 네트워크를 뜻하므로, 보안과 데이터 통제에는 유리할 수 있지만 모델 파일과 검색 시스템, GPU 환경을 별도로 준비해야 한다. 설치가 끝났다고 업무 자동화가 저절로 완성되는 구조는 아니다.

AIStation은 이 복잡한 배치 과정을 더 표준화하려는 제품화 시도다. 회사 발표상 AIStation은 폐쇄망·온프레미스에서 LLM과 RAG를 구동하는 서버 일체형 어플라이언스이며, aT 공급 사례에서는 고객이 별도 인프라를 처음부터 구성해야 하는 부담을 줄이는 설치형 모델로 제시됐다.

어플라이언스는 필요한 하드웨어와 소프트웨어를 한 묶음으로 제공하는 장비다. 구축형 회사가 이 방식을 택하면 프로젝트마다 반복하던 설치 작업을 줄이고 납품 단위를 명확하게 만들 여지가 생긴다. 다만 장비 판매가 곧 높은 반복 매출을 의미하는 것은 아니며, 실제 수익성은 구성 원가와 설치 인력, 유지보수 범위에 좌우된다.

구축 뒤 고도화·운영·유지보수 매출이 이어질 수 있다는 점은 사업의 가능성이다. 회사도 구축형 매출을 반복 매출로 넓히는 방향을 제시하지만, 이는 회사의 전략과 전망이지 공개된 자료만으로 확정된 미래 매출은 아니다.

공공·에너지 고객의 공개 사례를 보면 생성형 AI는 단순한 질문창보다 내부 지식과 업무 시스템을 잇는 플랫폼으로 제시된다. 질문에 답한 뒤 문서를 만들고, 분류하고, 현장 판단을 보조하는 흐름이 핵심이다.

한국가스안전공사의 생성형 AI 업무지원 시스템은 회사 발표상 전사 운영 사례다. 이 사례의 의미는 내부 문서 검색과 생성형 답변을 실제 기관 업무에 붙였다는 데 있지만, 화면이 공개됐다는 사실만으로 업무 생산성이나 계약 수익성을 계산할 수는 없다.

▲ 고객 기관에서 생성형 AI 플랫폼의 서비스 오픈이 진행되는 현장이다. 기술이 연구실이 아니라 공공기관의 업무 체계에 들어간 장면을 보여주지만, 오픈식 자체가 이용률이나 경제효과를 뜻하지는 않는다 — 출처: 코난테크놀로지, 2026-07-02

▲ 부산역 AI Busan Metro Help Desk 부스에서 이용객이 링고엑스를 사용하는 실제 서비스 현장이다. 공공 현장에서 생성형 AI가 실제 이용 장면으로 이어지는 모습을 보여주지만, 이용률·경제효과·후속 계약 규모를 뜻하지는 않는다 — 출처: 코난테크놀로지, 2026-06-15

한국서부발전의 위피봇도 회사 발표상 내부 정보 검색과 추론·실시간 질의, ERP 전표 초안, 선박 운항 예측, 현장 사진 위험성 평가를 지원한다. 여기서 중요한 것은 대화형 인터페이스가 기존 시스템을 대체한다기보다, 여러 업무의 앞단에서 검색·초안·판단 보조 역할을 한다는 점이다.

이런 사례는 제품의 사용 장면을 보여주는 외부 검증 자료가 될 수 있지만, 성과지표의 외부 분석과는 구분해야 한다. 회사 발표는 기능과 운영 사실을 설명하고, 이용률이나 절감액은 별도로 공개되지 않았다. 따라서 “도입됐다”와 “돈을 크게 벌었다” 사이에는 아직 확인해야 할 칸이 남아 있다.

코난테크놀로지는 회사 연혁상 포털·미디어 검색에서 비정형 데이터 분석, 영상·음성 AI, 온프레미스 LLM으로 확장해 왔다. 연혁에는 1999년 설립과 2023년 Konan LLM 출시가 기재돼 있으며, 기술의 중심이 검색에서 분석과 생성으로 넓어진 경로를 보여준다.

KAI와의 관계는 단순한 납품처 관계로만 보기 어렵다. 회사 공개 자료상 양사는 전략 협력과 투자를 거쳐 항공 데이터베이스와 PHM 공동개발로 이어지는 기술·자본 결합형 생태계를 만들었다.

PHM은 설비의 상태를 지속적으로 관찰해 이상 징후를 찾고 정비 시점을 판단하려는 기술이다. KAI와의 항공 데이터·PHM 협력은 항공·제조 현장에서 데이터 분석 역량이 어떻게 쓰일 수 있는지를 보여주지만, 공개 원문만으로 후속 계약 규모나 회사 매출 기여를 확인할 수는 없다.

가스터빈 효율화와 이상탐지로 협력을 넓히는 내용도 회사 설명상 테스트 단계로 제시됐다. 테스트와 실증은 기술의 가능성을 보여주는 근거이지, 상업화된 대규모 매출의 증거는 아니다.

네이버클라우드와의 협력은 성격이 다르다. 양사는 국방·제조 특화 LLM과 피지컬 AI의 데이터·모델 공동개발 및 공동 사업 추진을 위한 MOU를 맺었으며, 이는 구매계약이나 매출 보장이 아니다. KAI의 기술·자본 결합형 관계와 네이버클라우드의 공동개발 MOU를 같은 종류의 수주로 합치면 생태계의 실체와 계약의 경계가 흐려진다.

2025년은 매출 성장과 영업손실 축소가 함께 나타난 해다. 다만 구축형 AI 사업의 질을 보려면 확정 실적, 제품별 매출, 일시 반영 프로젝트, 연구개발비, 공공 수주 구조, 최신 분기의 손실과 현금흐름을 한 덩어리로 읽어야 한다.

아래는 한국거래소·DART 사업보고서와 분기보고서에 기초한 확정 공시 수치다. 전망이나 시장 추정치는 섞지 않았으며, 연결·별도 기준을 임의로 재작성하지 않고 각 공시 원문이 제시한 기준을 따른다.

2025년 매출은 전년 대비 29.11% 증가했지만 흑자전환은 아니었다. 영업손실이 전년보다 줄었다는 점은 비용 구조가 개선될 가능성을 보여주지만, 매출 성장만으로 수익성 전환을 확정할 수는 없다.

연구개발비는 전액 비용 처리됐고, 스마트 인재관리 시스템 종료와 관련된 매출 및 외주원가가 일시 반영됐다. 따라서 2025년의 외형 확대를 모두 반복 가능한 AI 제품 성장으로 해석하면 위험하다. 구축 프로젝트의 종료 효과와 제품별 지속성을 분리해 봐야 한다.

수주 구조도 양면적이다. 공공 수주는 레퍼런스와 보안·업무 통합 경험을 쌓는 기반이지만, 발주·납품·검수와 매출인식 시점에 민감하다. 수주잔고가 곧바로 현금이나 이익으로 바뀌는 구조는 아니므로, 다음 공시에서 실제 매출 전환과 원가 부담을 함께 확인해야 한다.

최신 확정 재무 기준점인 1Q26에서는 매출 감소와 손실, 영업활동 현금 유출이 동시에 확인됐다. 이를 계절성이나 하반기 인식만으로 낙관하려면 후속 공시가 필요하며, 현재 자료만으로는 구축형 사업이 반복 매출 중심으로 전환됐다고 단정할 수 없다.

국방 소버린 AI는 국산 모델을 보유하는 것만으로 완성되지 않는다. 폐쇄망 안에서 데이터를 처리하고, GPU와 개발환경을 확보하고, 보안 승인을 통과하고, 실제 운영 프로세스에 편입해야 한다. 외부 현장 보도도 이 문제를 모델 경쟁보다 데이터·연산·보안·운영의 결합으로 다룬다.

▲ 국방 AI 플랫폼의 연산·개발환경 고도화 방향이 소개된 발표 현장이다. 소버린 AI가 모델 하나가 아니라 인프라와 개발 체계를 포함한 플랫폼 문제라는 점을 보여준다 — 출처: ZDNet Korea, 2025-07-16

해병대 세미나에서 공개된 적용은 무인체계 영상의 탐지·식별·추적과 여러 데이터를 분석·추론해 지휘결심을 지원하는 방향이다. 군 현장에서 필요한 것은 “무엇이 찍혔는가”를 넘어 “어떤 상황이며 어떤 판단 자료가 필요한가”를 연결하는 시스템이다.

▲ 국방 AI 기술 교류와 시연이 진행된 행사 현장이다. 국방 적용의 관심과 실증 무대를 보여주지만, 행사나 기술 시연을 개별 수주와 반복 매출로 바꾸어 읽을 근거는 없다 — 출처: ZDNet Korea, 2025-07-16

여기서 사실과 시장 관측을 나눌 필요가 있다. 해병대 적용과 국방 플랫폼 발표는 회사가 공개한 기술·실증 범위에 해당하고, 소버린 AI 실행 난점에 대한 설명은 국방 AI 행사와 현장 보도에 근거한 시장 관측이다. 어느 쪽도 그 자체로 계약금액이나 매출 인식을 증명하지 않는다.

MOU, 세미나, PoC, 기술 시연은 사업개발의 신호일 수 있다. 그러나 구매계약, 검수 완료, 매출 인식, 반복 운영계약과는 서로 다른 단계다. 팬의 기대는 이 단계를 한 번에 건너뛰고 싶어 하지만, 재무제표는 대체로 그렇게 친절하지 않다.

기준일 현재 회사 홈페이지의 최근 헤드라인은 국방 AI 기술 교류, 제조 AX 착수, 해병대 M&S, 가스안전공사 전사 운영 같은 현장 적용에 집중돼 있다. 이는 회사가 공공·국방·제조·에너지 현장으로 커뮤니케이션을 넓히고 있다는 회사 발표상의 흐름이지, 계약금액이나 매출 규모를 보여주는 표는 아니다.

앞으로 확인할 질문은 세 가지다. 첫째, 프로젝트 매출이 실제 공시에 어떤 시점과 원가 구조로 반영되는가. 둘째, 손실과 영업활동 현금 유출이 줄어드는가. 셋째, AIStation과 운영·유지보수가 고객별 일회성 구축을 넘어 반복 가능한 제품·서비스 매출로 자리 잡는가.

확정 실적과 전망은 분리해야 한다. 회사가 말하는 확장 전략은 앞으로의 가능성을 설명하고, 공시된 손익과 현금흐름은 이미 발생한 결과를 설명한다. 둘 사이를 이어주는 증거는 후속 계약의 조건, 검수, 매출 인식, 운영 성과다.

코난테크놀로지의 핵심 관전 포인트는 “AI 기대주인가”라는 라벨보다 분명하다. 검색·분석·생성형 AI를 폐쇄망 현장에 구축하는 역량이 제품화와 반복 매출로 전환되고, 그 과정에서 적자와 현금소모가 줄어드는지가 다음 판단의 기준이다.