Flox Intelligence is building AI to keep wildlife away from trains, airports, and roads

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Flox Intelligence는 동물의 종과 행동에 맞춰 소리를 바꾸는 현장 처리형 AI로 야생동물과 교통·산업 인프라의 충돌을 줄이려 하며, 약 150대인 장비 배치를 수천 대로 확대하기 위해 1,000만 달러 규모의 시리즈 A 투자 유치에 나선다.

📌 핵심 요약

• 야생동물과 인프라의 충돌은 상당한 피해를 일으킨다. FAA는 1990~2025년 미국 민간항공의 야생동물 충돌 피해를 연평균 약 2억 7,200만 달러로 추산하며, SNCF는 프랑스에서 동물로 인해 매년 8,000편 이상의 열차가 영향을 받는다고 밝혔다.
• 교통·자율주행 분야에서 13년간 일한 Sara Nozkova는 KTH Royal Institute of Technology의 AI 연구실에서 동물의 종과 행동에 따라 대응하는 시스템을 개발했고, 이 연구는 2020년 분사한 Flox Intelligence로 이어졌다.
• Flox Intelligence의 배터리식 엣지 장비는 움직임을 감지하면 카메라와 온디바이스 모델로 동물을 식별하고 종에 적합한 소리를 낸다. Nozkova는 시스템이 경험을 통해 학습하고 반응을 바꿔 동물이 반복 신호에 익숙해지는 것을 방지한다고 설명했다.
• Nozkova에 따르면 북미·유럽·호주에서 약 150대가 공항, 도로·철도 주변, 농지 등에서 가동 중이다. 회사는 장비 판매 후 첫해가 지나면 연간 소프트웨어·AI 구독료를 받고, Alstom 등과 차량용 소프트웨어 OEM 제휴를 맺었으며, 2026년 매출을 약 150만 달러로 예상한다.
• Robin Radar의 Scarecrow와 iCHASE가 경쟁하는 가운데, Nozkova는 시스템의 적용 범위와 현장 데이터를 경쟁력으로 제시한다. Flox Intelligence는 프리시드·시드에서 약 500만 달러를 조달했으며, 약 150대의 장비를 수천 대로 늘리고 현재 야생동물 용도를 넘어 시스템을 확장하기 위해 1,000만 달러 규모의 시리즈 A 투자 유치를 시작한다.

🧩 주요 포인트

1. 종·행동별 대응과 반복 신호에 대한 적응 방지 → Flox Intelligence의 핵심 가치는 단순한 감지를 넘어 동물의 반응에 맞춰 퇴치 방식을 조정하는 데 있다.
2. 장비 판매·연간 구독·Alstom과의 OEM 제휴 → 독립형 장비에서 차량 탑재 소프트웨어로 사업을 넓히는 구조이며, 약 150대의 현장 운영은 확장의 출발점이다.
3. 현장 데이터에 기반한 차별화 주장과 1,000만 달러 시리즈 A 추진 → 경쟁사 대비 대응 효과와 수천 대 배치의 실행 가능성이 성장 전망을 판단할 핵심 쟁점이다.

🧠 상세 정리

1. 야생동물 충돌이 만드는 인프라 피해

기사는 필자가 어린 시절 뭄바이행 열차에서 겪은 사고로 시작하며, 열차가 야생 들소와 충돌한 것으로 보이고 기관차가 크게 손상돼 약 8시간 뒤에야 다시 이동했다고 회상한다. 이 경험은 야생동물과 인프라의 충돌이 특정 지역에만 국한되지 않는다는 문제의식으로 이어진다. FAA는 1990~2025년 미국 민간항공의 야생동물 충돌 피해를 연평균 약 2억 7,200만 달러로 추산한다. 프랑스 철도 운영사 SNCF에 따르면 동물은 매년 8,000편 이상의 열차에 영향을 미치며, 열차 지연을 일으키는 상위 다섯 가지 원인 중 하나다. 브르타뉴에서는 2023년에만 열차 120편이 동물과 충돌해 운행 660건에 차질이 생겼고, 누적 지연은 1만 5,000분을 넘었다.

2. 더 큰 경고음 대신 자연을 이해하는 AI

Sara Nozkova는 인프라와 동물이 함께 피해를 입는 사례를 접한 뒤, 사이렌·조명·울타리·매·살처분 등 기존 수단과 다른 야생동물 퇴치 시스템을 구상했다. 그는 해결책이 더 큰 소리의 경고 장치라고 생각하지 않았다고 설명한다. 교통·자율주행 분야에서 13년간 일하면서, 고정된 구조와 알려진 물체가 있는 환경에서 잘 작동하는 기계도 복잡하고 끊임없이 변하는 자연에서는 빠르게 한계를 드러낸다고 봤기 때문이다. 이후 스톡홀름의 KTH Royal Institute of Technology AI 연구실에 합류해 주변 동물의 종류와 행동에 따라 대응을 바꾸는 시스템을 개발했다. 이 연구는 2020년 KTH에서 분사한 Flox Intelligence로 이어졌고, 회사는 2026년 10월 13~15일 샌프란시스코 Moscone West에서 열리는 TechCrunch Disrupt의 Startup Battlefield 200 결선 진출 기업으로 선정됐다.

3. 현장에서 동물을 식별하고 대응을 바꾸는 장비

Flox의 엣지 장비는 데이터를 클라우드로 보내 처리하는 대신 설치된 현장에서 처리하며, 야생동물 행동을 학습한 인지 시스템을 사용한다. 움직임 센서가 장비를 깨우면 카메라가 작동하고, 온디바이스 모델이 주변 동물을 식별한 뒤 해당 종에 적합한 소리를 내어 접근을 막는 방식이다. Nozkova에 따르면 시스템은 경험을 통해 학습하며, 동물이 반복되는 신호에 익숙해지지 않도록 반응을 바꾼다. 현재 판매하는 장비는 배터리로 작동하고 기둥이나 나무 등 여러 구조물에 설치할 수 있으며, 소프트웨어 플랫폼에서는 배치 위치와 현장 상황을 확인할 수 있다. 플랫폼은 규제 준수와 생물다양성 모니터링 등에 필요한 보고서도 생성하며, 장기적으로는 기차·자동차·드론처럼 야외에서 움직이는 기계에서도 소프트웨어를 실행할 수 있도록 이식성을 높이는 것이 목표다.

4. 약 150대의 운영 현장과 수익 구조

Nozkova는 북미·유럽·호주에서 약 150대의 Flox 장비가 가동 중이라고 밝혔다. 설치 장소는 비행장과 공항 외곽, 도로·철도 구간, 국립공원, 농지, 도시 지역, 광산, 변전소 같은 핵심 인프라까지 다양하다. 도로·철도에서는 특히 야생동물 이동 경로에 있는 울타리 끝부분과 횡단 지점 등이 활용 장소로 언급된다. 회사는 엣지 장비를 먼저 판매하고 첫해가 지난 뒤부터 연간 소프트웨어·AI 구독료를 받으며, 차량에 소프트웨어를 탑재하는 기업으로부터 연간 사용료를 받는 OEM 제휴도 운영한다. 열차 제조사 Alstom이 이러한 제휴사 중 하나이며, Nozkova는 2026년 말까지의 매출을 약 150만 달러로 예상했는데 이는 확정 실적이 아닌 회사 측 전망이다.

5. 경쟁 제품과 현장 데이터에 대한 차별화 주장

기사는 Flox의 제품과 접근법에 특징이 있지만 경쟁사가 없는 것은 아니라고 짚는다. Robin Radar의 Scarecrow는 종별 조난음을 이용해 새를 분산시키고 활동을 기록하며, iCHASE는 컴퓨터 비전으로 새를 감지한 뒤 움직이는 레이저로 대응하고 필요에 따라 반응을 조정한다. Nozkova는 Flox의 경쟁 우위가 시스템의 넓은 적용 범위와 현장에서 수집한 데이터에 있다고 주장하며, 이를 무스나 회색곰을 안전하게 이동시키는 요인에 관한 실제 관측 자료로 설명한다. 그는 공장을 벗어나 야외로 확장하는 피지컬 AI에는 자연을 이해하는 인지 능력이 필요하며, 이를 개발하는 기업은 거의 없다고 본다. 다만 기사에는 경쟁 제품과의 정량 비교나 충돌 감소율이 제시되지 않아, 차별화와 효과에 관한 주장은 창업자의 설명이라는 점을 구분할 필요가 있다.

6. 투자 유치와 수천 대 규모로의 확장

Nozkova에 따르면 Flox Intelligence는 지금까지 프리시드와 시드 투자로 약 500만 달러를 조달했다. 시드 라운드는 Unconventional Ventures와 Tilia Impact Ventures가 주도했으며, 전체 투자 라운드의 공동 투자자로는 GENIUS NY, Norrsken, Satgana와 엔젤 투자자들이 참여했다. 회사는 현재 1,000만 달러 규모의 시리즈 A 투자 유치를 시작하고 있으며, 조달 자금의 주된 용도는 약 150대인 배치 장비를 수천 대로 늘리는 것이다. 또 다른 용도는 기반 시스템을 현재의 야생동물 활용 사례를 넘어 확장하는 것으로, 기사에는 새로운 적용 분야의 구체적인 범위가 제시되지 않았다. 이는 현재 운영 규모에서 훨씬 넓은 배치와 활용으로 나아가려는 계획이며, 기사 시점에 투자 유치 완료나 수천 대 배치가 달성됐다는 의미는 아니다.

🧾 핵심 주장 / 시사점

• Flox의 접근법은 동물을 식별하는 기능과 실제 행동을 바꾸는 대응을 연결한다는 데 특징이 있다. 따라서 인식 정확도뿐 아니라 반복 노출에도 퇴치 효과가 유지되는지가 제품 가치를 좌우한다.
• 독립형 장비 판매와 구독에 더해 Alstom 같은 OEM 파트너를 확보한 구조는 야외 기계에 소프트웨어를 탑재하려는 장기 목표와 연결된다.
• 현장 데이터가 경쟁 우위라는 주장은 다양한 동물과 환경에서의 경험이 중요하다는 관점에 기반한다. 다만 기사에 정량적인 효과 비교가 없어 경쟁력의 크기를 확정하기는 어렵다.

✅ 액션 아이템

• Flox Intelligence의 종·행동별 대응과 반복 신호에 대한 적응 방지 효과를 경쟁사 대비 검토.
• Alstom과의 OEM 제휴 및 장비 판매·연간 구독 구조가 사업 확장으로 이어지는지 확인.
• 1,000만 달러 시리즈 A 투자 유치와 약 150대에서 수천 대로 늘리는 배치 계획의 진행 상황 확인.

❓ 열린 질문

• Flox Intelligence의 종·행동별 대응은 반복 신호에 대한 적응을 얼마나 줄이며, 경쟁사 대비 어떤 효과 차이를 보이는가?
• Alstom과의 OEM 제휴는 차량 탑재 소프트웨어 사업과 연간 구독 수익 확대에 얼마나 기여할 수 있는가?
• 1,000만 달러 시리즈 A 투자 유치로 약 150대의 장비를 수천 대로 늘리고 현재 야생동물 용도를 넘어 확장하려면 어떤 조건이 필요한가?