Trajectory raises $45M to make AI model training accessible to nontechnical experts

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Trajectory는 비기술 분야 전문가가 피드백으로 오픈 소스 AI 모델을 개선하도록 후속 학습을 자동화하는 스타트업으로, 기업가치 3억 달러에 시리즈 A 투자 4,500만 달러를 유치했다.

📌 핵심 요약

• 약 1년 전 Stanford 동문 3명이 설립한 18명 규모의 Trajectory는 Sequoia가 주도하고 Nvidia, Bessemer Venture Partners, Bain Capital Ventures가 참여한 시리즈 A에서 4,500만 달러를 조달했으며, 기업가치는 3억 달러로 평가됐다.
• 현재 AI 모델은 추가 학습 없이는 실수에서 배우지 못한다. 법률·금융 등 전문 분야에 맞춘 파인튜닝에는 일반적으로 내부 연구팀이나 고가의 외부 전문 엔지니어인 FDE가 필요하다.
• Trajectory는 애플리케이션에 연결한 오픈 소스 AI 모델의 수행 피드백을 수집하고 재학습에 활용하는 지속 학습 방식을 제공한다. 공동창업자 Ronak Malde는 변호사·의사 등 전문가가 거의 자동으로 모델을 개선할 수 있어 전문 AI 도입이 더 빠르고 저렴해질 수 있다고 설명했다.
• Harvey와 Rogo는 Trajectory로 오픈 소스 모델을 후속 학습하고 있으며, 다른 고객으로 Decagon, Mercor, Nvidia가 있다. Trajectory는 후속 학습 플랫폼을 일반에 공개하고 있다.
• 공동창업자 Michael Elabd는 사람이 학습 과정에 관여하는 Trajectory의 방식이 자율적인 재귀적 자기개선(RSI)보다 안전하다고 주장했다. 자율적 자기개선에는 의도하지 않거나 위험한 결과가 발생할 가능성이 있다는 설명이다.

🧩 주요 포인트

1. 전문가가 조직에 맞는 좋은 결과를 정의하고 피드백을 재학습으로 연결하는 구조 → 모델의 전문 업무 적응 과정에 비기술 사용자가 직접 참여할 수 있다는 구상이다.
2. Thinking Machines Lab의 Tinker, 지난달 기업가치 32억 5,000만 달러로 평가된 Applied Compute, Prime Intellect도 관련 시장을 공략 → 후속 학습 자동화는 여러 기업이 경쟁하는 영역이다.
3. Google DeepMind·Apple 출신 공동창업자와 OpenAI·Stripe·Netflix 출신 연구자·제품 디자이너 확보 → Trajectory는 팀 역량과 비기술 고객을 위한 인터페이스를 경쟁력으로 제시한다.

🧠 상세 정리

1. 전문 업무에 적응하려면 추가 학습이 필요한 AI

기사의 출발점은 OpenAI나 Anthropic이 개발한 모델이든 오픈 소스 대안이든, 현재 AI 모델은 추가 학습 없이는 자신의 실수에서 배우지 못한다는 한계다. 기업은 법률과 금융처럼 전문성이 필요한 분야에 모델을 적용하기 위해 범용 모델을 파인튜닝하는 방식으로 이 문제에 대응해 왔다. 그러나 이 과정에는 내부 연구팀을 채용하거나 FDE로 불리는 고가의 외부 전문 엔지니어에게 의존해야 하는 경우가 많다. Ronak Malde는 기반 모델을 매우 똑똑하지만 늘 새 직장에 처음 출근하는 박사과정 학생에 비유했다. 그가 강조한 차이는 경제가 가치를 두는 대상은 해당 업무를 30년간 수행해 온 사람이라는 점으로, 범용 지능과 축적된 직무 경험 사이의 간극을 설명한다.

2. 설립 약 1년 만의 투자 유치

Trajectory는 Google DeepMind와 Apple에서 경험을 쌓은 Stanford 동문 3명이 약 1년 전에 설립한 스타트업이다. 회사는 AI 모델이 피드백을 통해 전문 업무를 지속적으로 개선하도록 학습 과정을 자동화하려 한다. 18명 규모인 이 회사는 기업가치 3억 달러에 시리즈 A 투자 4,500만 달러를 유치했다고 발표했다. 이번 투자는 Sequoia가 주도했으며 Nvidia, Bessemer Venture Partners, Bain Capital Ventures가 참여했다. 기사에서 제시하는 사업의 중심은 전문 분야에 맞춘 모델 개선을 연구 인력이나 외부 엔지니어에게 맡겨야 했던 기업이 그 과정을 더 쉽게 수행하도록 만드는 데 있다.

3. 피드백을 재학습으로 연결하는 지속 학습

Trajectory가 제시하는 해결 방식은 지속 학습이다. 기업은 오픈 소스 AI 모델로 시작해 Trajectory 플랫폼을 자사 애플리케이션에 연결하고, 모델이 업무를 얼마나 잘 수행하는지에 관한 피드백을 수집할 수 있다. 플랫폼은 이 정보를 활용해 모델을 재학습시켜 시간이 흐르면서 전문 업무 수행을 개선하도록 돕는다. Malde는 변호사와 의사 등 전문가들이 이 방식으로 거의 자동으로 직접 모델을 개선할 수 있다고 설명했다. 사용자가 조직에 맞는 좋은 결과의 기준을 정하고 이를 모델 개선으로 전환한다는 구상이며, 전문 AI를 더 빠르고 저렴하게 도입할 수 있다는 점은 그가 제시한 기대 효과다.

4. Harvey·Rogo의 활용과 플랫폼 공개

Harvey와 Rogo는 이미 Trajectory 플랫폼을 활용해 오픈 소스 모델을 후속 학습하고 있다. 기사에 따르면 이들은 모델이 이전에 수행한 업무에서 배우도록 해 숙련된 변호사나 금융 분석가에 더 가까운 방식으로 일하도록 돕는다. 구체적인 예시는 특정 유형의 법률 계약을 검토하거나 특정 방법론으로 기업가치를 평가하는 업무다. Trajectory의 다른 고객으로는 Decagon, Mercor, Nvidia가 소개됐다. 회사는 이제 후속 학습 플랫폼을 일반에 공개하고 있으며, 기존 고객의 활용 사례는 범용 모델을 각 조직의 전문 업무에 맞게 개선한다는 제품 방향을 보여준다.

5. 자율적 자기개선과 인간 참여의 차이

기사는 Trajectory의 지속 학습 접근이 AI 시스템이 스스로 능력을 개선한다는 재귀적 자기개선, 즉 RSI와 일부 유사하다고 설명한다. 다만 공동창업자 Michael Elabd는 사람이 학습 과정에 계속 관여한다는 점을 Trajectory 방식의 안전상 차이로 제시한다. 그의 주장은 자율적 자기개선이 의도하지 않은 결과나 위험한 결과를 낳을 수 있으므로 인간이 참여하는 접근이 더 안전하다는 것이다. 앞서 설명한 제품 구조에서도 사용자가 조직에 적합한 좋은 결과를 정의하고, 그 기준에 따른 피드백을 모델 개선에 활용한다. 따라서 기사에서 말하는 안전성은 인간 참여를 근거로 한 공동창업자의 주장으로 제시되며, 별도의 안전성 검증 결과가 소개되지는 않는다.

6. 후속 학습 경쟁과 팀·인터페이스의 차별화

후속 학습 자동화 시장에는 전 OpenAI CTO Mira Murati가 설립하고 파인튜닝 플랫폼 Tinker를 제공하는 Thinking Machines Lab도 진입해 있다. 지난달 기업가치 32억 5,000만 달러로 평가된 Applied Compute와 기업의 자체 AI 에이전트 구축·학습을 돕는 Prime Intellect도 경쟁 기업으로 언급된다. Malde는 Trajectory의 가장 큰 강점으로 팀을 꼽았으며, 자신은 Google DeepMind가 Windsurf에서 인재 인수한 소수 연구자 중 한 명이었다. Elabd 역시 DeepMind에서 일했고, 세 번째 공동창업자 Arjun Karanam은 Apple에서 생성형 기반 모델을 연구했다. 회사는 OpenAI, Stripe, Netflix 출신 연구자와 제품 디자이너도 영입했다. Karanam은 디자인을 중시하는 이유로 비기술 고객도 후속 학습에 더 쉽게 접근할 수 있도록 개발한 인터페이스를 들었다.

🧾 핵심 주장 / 시사점

• Trajectory의 구상에서 전문가는 모델 개선의 기준을 제공하는 주체다. 조직이 원하는 결과를 정의하는 능력을 피드백과 재학습으로 연결하는 것이 제품의 핵심이다.
• Harvey와 Rogo의 활용은 법률·금융 분야에서 이전 업무 경험을 모델 개선에 반영하려는 수요를 보여준다. 다만 기사는 개선 폭이나 비용 절감 규모를 정량적으로 제시하지 않는다.
• 후속 학습 자동화 경쟁에서 Trajectory는 연구 인력뿐 아니라 비기술 고객의 접근성을 높이는 제품 디자인도 강조한다. 인간 참여는 사용 방식이면서 공동창업자가 제시하는 안전성 논거이기도 하다.

✅ 액션 아이템

• Trajectory 적용 검토 시 조직에 맞는 좋은 결과의 기준과 전문 업무 피드백의 활용 방식을 구체화할 필요가 있다.
• 전문 AI 도입이 더 빠르고 저렴해질 수 있다는 Ronak Malde의 설명을 내부 연구팀·FDE가 필요한 기존 파인튜닝 방식과 비교해 검토할 필요가 있다.
• 사람이 학습 과정에 관여하는 Trajectory의 방식이 자율적인 재귀적 자기개선(RSI)의 위험을 어떻게 줄이는지 확인할 필요가 있다.

❓ 열린 질문

• Trajectory는 조직이 정의한 좋은 결과와 실제 모델 수행 피드백을 재학습에 어떻게 연결하는가?
• Harvey와 Rogo의 오픈 소스 모델 후속 학습은 전문 업무 성능과 도입 비용을 얼마나 개선했는가?
• Michael Elabd가 주장하는 인간 참여의 안전상 이점은 자율적인 재귀적 자기개선(RSI)과 비교해 어떻게 검증할 수 있는가?