아크릴 (0007C0)

요약

GPU 26만 장 시대, 핵심은 ‘효율화’

아크릴은 AI 개발·운영 플랫폼 조나단(Jonathan)과 의료 AI 솔루션 나디아(NADIA)를 보유한 AI 인프라 기업이다. 한국 정부가 GPU 26만 장 도입을 본격화하면서, GPU 자원 효율화 수요가 확대될 전망이다.

핵심은 조나단의 GPUBASE

AI 학습용 GPU 자원을 효율적으로 배분해 사용률을 높이고 학습 시간을 줄이는 솔루션이다. 소프트웨어만으로 GPU 활용률을 85%까지 끌어올리며, NVIDIA뿐 아니라 AMD·TPU·국산 NPU까지 지원하는 벤더 중립 구조가 차별점이다. 글로벌 CSP 환경에서 최대 25배 성능 개선을 검증했다.

이더넷 전환 수혜

AI 인프라는 인피니밴드 중심에서 개방형 이더넷으로 전환하려는 흐름이 나타나고 있다. 아크릴은 이더넷 환경에서도 고성능 AI 학습을 구현하는 네트워크 최적화 기술(멀티패스, PeRF)을 보유하고 있어 이 전환의 직접 수혜주다.

장기 비전 — 글로벌 인프라 SW 기업

단기적으로는 국내 GPU 26만 장 인프라의 수혜가 기대된다. 장기적으로 GPUBASE가 K-Scale 검증을 통과하고 글로벌 CSP 마켓플레이스에 구독형으로 올라간다면, Confluent(Kafka)·Elastic(Elasticsearch)·Databricks(Spark)처럼핵심 인프라 SW를 CSP에서 구독형으로 파는 글로벌 기업으로의 경로가 열린다.

현실 체크

다만 GPUBASE 단독 매출은 아직 분리되지 않는다. GPUBASE는 조나단의 하위 모듈로 포함되어 납품되며, 매출 133억의 대부분은 조나단(HW 번들 포함)과 정부보조금이다. 긍정적인 점은 조나단 매출 성장률이 가파르다는 것 — Q1 연환산 263억으로 전년 대비 +97%. Q1 단일 고객(유니와이드) 매출 비중이 44.6%로 집중 리스크는 있지만, GPUBASE 인프라의 대규모 수주는 내년 본격화(앞당겨져도 하반기)라는 것이 회사의 시각이며, 올해는 상품성 제고·검증의 해다. 흑자 전환과 글로벌 CSP 검증이 함께 도는 2026∼2027년이 이 회사의 승부처다.

최근 동향 (2026.06)

6월 들어 검증·과제 진전이 잇따랐다. AWS와 협력해 조나단 GPUBASE·NADIA-ANE·ALLM.H를 AWS 마켓플레이스에 등재하고 해외(APAC·미국)로 확장하는 단계를 시작했고(6/4), 메가존클라우드를 통해 AWS 환경에서 누적 GPU 1,000장+ 규모의 본검증에 착수했다(6/11). 정부도 아크릴을 이더넷 기반 GPU 네트워크 최적화 국책과제(정부지원금 55억, ∼2028)와 뇌 특화 바이오 파운데이션 모델 과제(총 약 76억, ∼2030)의 주관기관으로 선정했다(6/9∼10). 반면 수급은 부담이다 — 6/16 6개월 보호예수 해제(FI·개인 약 7%, LG 아님)로 당일 주가가 -6.08% 급락, 52주 신저가 부근(약 22,400원)까지 밀렸다. LG전자 8%는 1년 락업으로 2026.12.16 별도 도래한다.본업 진전과 단계적 수급 공백이 동시에 진행 중이다.

6월 IR 미팅 핵심 (탐방 메모)

6월 말 IR 미팅에서 회사가 밝힌 내용을 정리하면(이후 주가는 20,500원선을 하회하는 약세 지속):

• 실적·가이던스: 1Q 매출 약 60억대·영업적자 폭 축소. 2분기 보도자료 준비 중이며 일본 매출은 전년 동기 대비 +20% 이상 목표. 올해 매출은 신규 수주 미반영으로도 약 270억(전년 약 2배)을 보며 올해 흑자 전환을 거의 확실시, 내년은 약 400억+를 제시했다. "이익의 퀀텀 점프는 내년, 올해는 투자·검증의 해".
• 클라우드 검증 가속: 3월 말 MS Azure 본검증 완료(혼잡 환경에서 학습 약 25배), 6월 중 AWS·GCP 각 약 3,400장 규모 테스트로 누적 1,000장+ 검증 완료 예정.7∼8월 단일 사이트 1,000장 테스트를 추진하며, 11월 AWS re:Invent 참가도 협의 중이다.
• 헬스케어 진척: 자체 의료 파운데이션 모델 아름(ALLM.H) — Gemma 4 기반 31B 경량 모델로 한국 의사국가시험 벤치(KorMedMCQA)에서 96.78%를 기록해 Claude Opus 4·GPT-5.1을 능가(SOTA). 기존 EMR을 교체하지 않고 그 위에 얹는 AI 네이티브 EMR(NADIA-ANE)(NL2SQL 정답 89%·온보딩 1개월 이내)로 세브란스·삼성서울 등과 협업, AWS·MS·KT가 공동 마케팅을 제안.
• 수주 워딩: 증권사 리포트의 "3분기 수주 기대"는 애널리스트 짐작이며, 회사는 의미 있는 대규모 수주는 내년, 앞당겨져도 하반기로 못박았다(가이던스 변경 없음·언더프로미스 기조).
• 자본·관계: LG전자 지분 8%(2018년 20억 투자, 시티/신기술투자팀) — 락업은 1년으로 2026.12.16 해제(투자설명서 확인). 다만 현 시점 협의 진척은 SKT·네이버가 LG보다 앞서 있다는 코멘트. 주관사였던 신한투자증권과는 관계를 정리(미래에셋·NH로 이동). 대표는 "최소 1조 기업가치"를 목표로 언급. 추가 펀딩 우려는 없다(자본 여유).

기본적 분석

회사 소개

AI 서비스 구축부터 인프라 운영까지 전 과정을 지원하는 AX 인프라 전문 기업. 통합 AI 플랫폼 Jonathan(조나단)과 의료 특화 AI 플랫폼 NADIA(나디아)가 양대 제품군이다. 2025년 12월 기술특례로 코스닥에 상장했으며, 상장 첫날 공모가 대비 +135%'따블'을 달성했다.

임직원— 103명 (연구·개발 78 / 영업·지원 25). 평균 근속 2.3년. R&D 인력 80명(박사 5, 석사 15). 2025말 92명 대비 1분기 만에 +11명 채용 — 상장 직후 인력 확충 중. (2026.03.31 기준, 1분기 보고서)

종속회사

연혁

사업 구조

Jonathan(조나단)과 NADIA(나디아) 두 축. 정부 R&D 과제도 주요 수익원이다.

1. Jonathan (조나단) — AI 풀스택 플랫폼

GPU 자원 최적화부터 AI 모델 개발·배포까지 전 생애주기를 지원하는 통합 플랫폼. 세부 제품 3개:

핵심 경쟁력은 GPUBASE다. 소프트웨어만으로 GPU 활용률을 85% 이상으로 끌어올리며, 하드웨어 종속 없이 NVIDIA·AMD·TPU·NPU 이기종 환경에서 동작한다. 2026년 3월에는 미국 글로벌 1·2위 클라우드 기업과 GPU 248장 규모 성능 검증에서 최대 25배 성능 개선을 달성했다.

GPUBASE 과금 구조 — 3개 모듈

GPUBASE는 기능별로 세 모듈로 구성되며, 사용량 기반(미터링) 과금을 지향한다. 무료 센서로 GPU 낭비와 효율을 먼저 가시화한 뒤, 네트워크 가속 등 핵심 기능으로 수익화하는 단계적 전략이다.

통합 스택으로 동시에 제공하되 단일 모듈 단위로도 판매한다. 핵심 수익원은 아크릴만 보유한 ③ 가속기(네트워크 가속)모듈로, 뒤의 ‘기술경쟁력’에서 다루는 멀티패스·트래픽 차등화 기술이 제품화된 형태다. 무료 센서로 ROI를 입증한 뒤 가속기 구독으로 전환시키는 구조라, 향후 GPUBASE 단독 매출이 분리·인식되기 시작하는 경로이기도 하다.

2. NADIA (나디아) — 에이전틱 AI 헬스케어 플랫폼

의료 특화 플랫폼. 국내 유수 대학병원(삼성서울병원, 강원대병원 등)에 공급 중이며, 우즈베키스탄 등 해외에도 진출했다. 닥터앤서 3.0과 한국형 ARPA-H — 국가 주도 양대 의료 AI 사업을 모두 수행하는 기업은 아크릴이 유일하다.

SaMD 파이프라인

3. ALLM.H (아름.H) — 자체 파운데이션 모델

Gemma 4(31B) 기반으로 파인튜닝한 의료 특화 모델. 한국 의사국가시험 벤치마크(KorMedMCQA)에서 96.78% 정답률을 기록해 Claude Opus 4(96.55%), GPT-5.1(90.11%)을 능가했다. 31B 경량 모델로 이 성능을 낸 것이 핵심.

매출 구조

매출 정체, 영업적자 지속. 다만 적자 폭은 축소 중이다.

매출 추이 (연결)

2023년 148억으로 정점을 찍고 2년 연속 역성장. 나디아 해외매출(2023: 39억) 일회성 소멸과 정부보조금 수익 감소가 원인.

제품별 매출 비중 (2025)

조나단이 매출의 절반 이상(52.3%)을 차지하며 빠르게 비중이 커지고 있다 (2023: 18.9% → 2025: 52.3%). 반면 나디아는 2023년 26.7%에서 6.3%로 급감 — 해외 대형 수주가 2023년에 집중됐기 때문이다. 정부보조금 수익이 28.3%로 여전히 높다.

제품별 매출 실적 (분기보고서 기준, 단위: 백만 원)

Q1에서 조나단 비중이 79.6%로 급등했다. 다만 이 중 상당 부분은 HW 번들(Q1 HW 매입 38.6억)이 포함되어 있어 순수 SW 라이선스 매출과 구분이 필요하다. 나디아는 Q1 0.95억으로 사실상 정체.

고객 집중도

Q1에 단일 고객(J사)이 전체 매출의 44.6%를 차지했다. 금액으로 29.3억 원 — 유니와이드 AI 교육솔루션 계약(29.3억, 2025.12.31 공시)과 정확히 일치한다. 2025년 연간에서는 1위 고객 비중이 13∼14%로 분산돼 있었으나, Q1에 유니와이드 계약이 집중 인식되면서 단일 고객 의존도가 급등했다. 하반기에 다른 매출이 들어오면 희석되겠지만, 현 시점에서 유니와이드 1개사에 대한 의존도가 매우 높다는 점은 리스크다.

HW 번들 매출 — 원가 구조 주의

아크릴은 소프트웨어 기업이지만, Q1에 HW 매입이 38.6억으로 2025년 연간(26.3억)을 이미 초과했다. 유니와이드 교육솔루션 계약의 HW 패키징 납품이 원인으로 추정된다.

두 가지가 동시에 일어나고 있다:

1. HW 매입 폭증: 7.3억(2024) → 26.3억(2025) → Q1에만 38.6억. 유니와이드 교육솔루션의 HW 패키징 납품이 주 원인. Q1 조나단 매출 52.3억 중 상당 부분이 순수 SW가 아닌 HW+SW 번들이다. 탐방 메모에서 "HW 패키징 영업이익률 10%대"라고 언급한 점과 일치
2. 개발 외주 급감: 44.1억(2024) → 14.3억(2025) → Q1 1.1억. 외부 의존도가 줄고 내부 개발 비중이 높아지고 있다. 장기적으로 원가 구조 개선에 긍정적이나, 단기적으로는 HW 매입 급증이 마진을 압박하고 있다

판매 경로 (사업보고서 기준)

현재 매출은 내수 100%, 직접판매 100%로 집계된다. CSP 구독형이 판매 경로로 명시돼 있지만, 매출 비중이 별도로 공시되지 않아 실제 CSP 채널 매출 규모는 확인할 수 없다. 탐방 메모에서 "온프레미스는 초기매출이 많다, 이익율은 90%"라고 언급한 점으로 보아 현재는 온프레미스 구축형이 주력이며, CSP 구독형은 향후 "FaaS(Function as a Service) 형태로 진화"할 계획이다.

수출 비중

2023년 우즈베키스탄 HIS 사업(나디아)으로 수출이 있었으나, 2024∼2025년은 내수 100%. 글로벌 매출 확대가 과제다.

수주잔고 (2026.03.31 기준)

수주잔고가 3개월 만에 117.3억 → 141.7억(+20.8%)으로 증가했다. 핵심 변화:

• 조나단: 0.95억 → 38.8억으로 40배 급증. Q1 매출(52.3억)의 74%에 해당하는 규모가 파이프라인에 남아있다. 유니와이드 교육솔루션 계약(57.2억)이 주요 원인
• 용역: 0 → 13.9억. 삼성디자인랩 등 엔터프라이즈가 조나단 기반 커스텀 개발을 의뢰하는 형태. 플랫폼 채택의 실질적 증거이며, 용역 → 솔루션 라이선스로 확장되는 "랜드 앤 익스팬드" 경로가 될 수 있다
• 정부보조금: 113.9억 → 87.5억. Q1 매출 인식(7.8억)과 과제 종료로 감소. 장기 과제(5년) 잔여분이라 단기 매출 기여는 연간 약 17억 수준
• 정부보조금을 제외한 상업적 수주잔고만 보면: 3.4억 → 54.2억으로 16배 급증. 이것이 실질적인 매출 파이프라인

재무 실적

매출 추이 (연결) — Q1 업데이트

Q1 65.7억은 연환산 시 약 263억 페이스. 전년(133억) 대비 2배 성장 궤도. 특히 조나단이 매출의 79.6%(52.3억)를 차지하며 전년(52.3%)에서 압도적으로 비중이 커졌다.

영업이익 추이

영업적자 지속이나 연환산 -32억으로 전년(-23억)보다 악화처럼 보인다. 다만 Q1은 계절적으로 매출이 적고 하반기에 집중되는 패턴이 일반적이라 단순 연환산은 의미가 제한적이다.

순이익 추이

2025년 순손실은 전년 대비 48.6% 감소. RCPS 보통주 전환에 따른 이자비용 소멸이 주 원인이다.

EPS 추이

순손실 축소 + RCPS 전환에 따른 가중평균 발행주식수 증가로 EPS 적자 폭이 3.5분의 1 수준으로 줄었다.

자본 추이 — 완전자본잠식 → 흑전

2023∼2024년은 완전자본잠식 상태였다. RCPS가 부채로 분류되면서 자본이 마이너스였기 때문. 2025년 상반기 RCPS 전환 + 12월 IPO(421억 조달)로 자본 438억의 탄탄한 재무구조로 탈바꿈했다.

자산·부채·현금성자산 추이

현금흐름 (2025)

영업 현금흐름이 아직 마이너스(-16억, 영업적자 지속). 투자활동 -6억은 유형자산 취득. 재무활동 +387억은 IPO 조달분이다. IPO 자금으로 버티는 구조다.

2026 가이던스·비용 구조 (6월 IR 미팅)

• 매출: 신규 수주 미반영 기준으로도 약 270억(전년 133억 대비 약 2배). 내년은 약 400억+를 제시. 회사는 올해 흑자 전환을 거의 확실시(영업이익 +2∼30억 수준 목표), "이익 퀀텀 점프는 내년"이라고 설명했다.
• 비용: 작년 총영업비용 약 150억 중반 → 올해 계획 약 245억. 1Q에 70억대를 집행했는데, 교육 사업의 외주 비용이 컸던 영향이다(매출 구성상 마진 저하 요인). 인원 확충·사옥 6층 공사로 비용은 더 늘 수 있어, 흑전 폭은 비용 집행에 따라 변동 가능.
• 현금: 1Q 영업 캐시번은 사실상 중립(소폭 +). 자본 여유가 있어 추가 펀딩 우려는 없다는 입장.
• sell-side: 일부 증권사 노트가 올해 매출 220∼230억·영업이익 30억대를 제시(컨센이라 부르기엔 커버리지 얇음). 회사 가이던스(∼270억)는 이를 상회하는 수준.

배당 — 없음. 적자 지속으로 무배당.

감사의견: 적정 (연결·별도 모두). 감사법인: 한울회계법인.

주주·자본 구조

주주 구성 (2025.12.31 기준)

박외진 대표 개인 15.60%, 특수관계인 포함 22.64%. LG전자가 7.96%로 2대 주주(2018년 전략적 투자). 2026.03 대량보유보고서에서는 스톡옵션 포함 24.89%로 표기되나, 주식매수선택권 행사로 총 발행주식이 늘어 비율은 오히려 하락했다.

2026.03 대량보유보고서의 트리거는 염익준 CTO의 장내 1,000주 추가 매수(약 3,500만 원)다. 기술 핵심 인물이 스톡옵션과 별도로 자기 돈을 넣은 것은 긍정적 시그널이나, 금액 자체는 소액이다.

임원별 주식 보유 상세 (2026.03.31 기준)

창업 멤버(이세화·김종희)가 각각 19.4만주, 13.2만주를 보유하고 있다. 이들은 미등기임원이라 보호예수 의무가 없으며, 상장 직후부터 매도 가능하다는 점에 유의.

소액주주 현황 (2026.03.31 기준): 25,460명, 3,855,421주(48.01%). 전체 주주 25,473명 중 99.95%가 소액주주.

자본금 변동: IPO 전 RCPS 전량 보통주 전환 + 공모 2,211,282주 신주 발행 → 총 발행주식 8,030,324주.

스톡옵션

총 미행사 546,700주(발행주식 대비 6.8%). 가장 최근 부여분(214,700주)은 행사가 41,250원.

생산·원가·R&D

아크릴은 소프트웨어 기업이라 물리적 생산설비가 없다. 대신 R&D가 핵심이다.

연구개발비

R&D 비용 비중은 11∼12%대로 꾸준하다. 전체 직원 103명 중 78%가 R&D 인력(박사 5명, 석사 15명 포함). 2025말 68명 → 2026.03 말 80명, 1분기 만에 +12명.

조직 구조 (2026 Q1 분기보고서 기준)

조직 개편 핵심 (사업보고서 → 분기보고서)

• 테크세일즈 그룹 신설: 기존 세일즈본부를 기술 기반 전략형 영업 조직으로 전환. GPUBASE 판매 전담
• AX 서비스그룹 신설: B2G(공공)·B2B(민간)로 고객 채널 분리. 공공사업 12건 수주 확대 대응
• ALLM 랩 → LLM팀: 조나단 그룹 산하로 이동. 의료 특화에서 산업 범용으로 확장
• AX 디자인랩 신설: AX인프라 연구소 산하. 컴퓨테이셔널 디자인·AI UX 연구
• IR본부 신설 (상장 후 시장 소통 전담)

정부과제: 최근 5년간 총 15건, 누적 216억 원 규모 수행.

114억·171억은 과제 전체 사업비이며, 아크릴이 받는 금액은 각각 16.6억·14.5억(5년 분할, 연간 약 6억). 총 15건+ 과제 중 주요 6건(2026년 신규 2건 포함)만 발췌한 것이며, 2025년 정부보조금 수익 38억은 이 표 외의 과제도 포함한 전체 합계다. 투자 관점에서 매출 기여보다 중요한 것은 이기종(NPU) 지원 기술을 정부 돈으로 개발하고 있다는 점이다. 상위 사업인 'PIM인공지능반도체 핵심기술개발'은 7년간 총 4,027억 규모의 국책사업이다.

지적재산권: 특허 국내 29건 + 해외 11건. 프로그램 저작권 등록 12건.

수급·오버행

CB·BW·전환사채·차입금 모두 없다. 오버행의 유일한 요인은 보호예수 해제다.

총 발행주식 구성 (8,030,324주)

티그리스가 Q1 분기보고서(2026.03.31)에서 5% 이상 주주 목록에서 탈락했다. 보호예수 해제(6월) 전에 이미 일부 매도가 시작된 것으로 보이며, 이는 FI 엑시트 수급 압력이 예상보다 앞당겨지고 있다는 신호다.

그리고 2026.06.16, 6개월 자발 의무보유분(약 7.3%, 589,577주)이 해제됐다. 이는 LG전자가 아니라 티그리스(58호·Pre-IPO 1호)·남상윤(절반)·에이스스카이·김영호·남연주·남연경 등 FI·특수관계 개인의 6개월 락업분이다(투자설명서 유통가능물량 표 기준). 같은 날 주가는 -6.08% 급락하며 52주 신저가 부근(약 22,400원)까지 밀렸다.

LG전자 639,000주(7.96%)는 6개월이 아니라 ‘1년’ 자발 의무보유로, 해제일은 2026.12.16이다 (투자설명서 주5; 회사도 6월 IR에서 "LG 락업은 올해 연말"이라 확인). 즉 LG 블록은 아직 풀리지 않은 잠재 오버행이며 12월에 별도로 도래한다. 다만 LG는 2018년 전략적 투자자(20억)로 단순 FI와 성격이 달라 (지분·기술 관계 지속·추가 협력 논의) 해제가 곧 매도를 뜻하지는 않는다. 최대주주 등(박외진·신현경 등 약 26%)은 3년 락업(2028.12.16)이라 장기 고정이다. 종합하면 오버행은 6월(FI 7%)→12월(LG 등 12%)→2028년(최대주주 26%)으로 단계적이며, 본업(수주·검증) 진전과 별개로 수급은 12월 LG 해제까지 간헐적 약세 압력에 노출돼 있다.

투자포인트

GPUBASE

기본적 분석만 놓고 보면 아크릴은 매력적인 투자 대상이 아니다. 4년 연속 영업적자, 매출 정체(133억), 정부보조금 의존(28.3%), 보호예수 해제 임박. 그럼에도 이 회사를 주목하는 이유는 단 하나 — GPUBASE.

GPUBASE는 GPU 클러스터 가상화·최적화 솔루션이다. AI 시대의 핵심 병목은 GPU 자원인데, GPUBASE는 소프트웨어만으로 이 문제를 해결한다.

검증된 성능 수치

핵심은 하드웨어 종속이 없다는 점이다. NVIDIA·AMD·TPU·NPU 이기종 환경을 모두 지원하며, 온프레미스와 AWS·GCP·Azure 클라우드를 단일 GPU 풀로 통합 관리한다. GPU가 비싸질수록, 다양해질수록 GPUBASE의 가치가 올라가는 구조다.

시장 배경(GPU 활용률 문제, 정부 26만 장 도입, NVIDIA 종속 탈피 흐름)은 기술트렌드에서, 구체적 검증 현황(K-Scale, 망고부스트 MOU)은 트랙레코드에서, 리스크는 리스크 섹션에서 각각 상세히 다룬다.

투자 원칙 검증

기술트렌드

GPU는 비싼데, 대부분 놀고 있다

2026년 글로벌 AI 인프라 투자는 폭발적이다. 빅테크 5사의 AI 관련 CAPEX만 $6,000억+, 전 세계 데이터센터 인프라 CAPEX는 $7,500억에 육박한다. Gartner는 2026년 AI 전체 지출을 $2조로 전망한다.

문제는 이 비싼 GPU가 제대로 쓰이지 않고 있다는 점이다. VentureBeat의 2026 Q1 조사에 따르면 기업 AI 워크로드의 평균 GPU 활용률은 5%. $4,010억 규모의 인프라 투자 중 95%가 낭비되고 있다는 분석이다. 최고 수준의 하이퍼스케일러조차 60∼70% 이상 유지가 어렵고, 일반 기업의 데이터센터는 30∼50%에 머문다.

원인은 여러 가지다. 학습 데이터 전처리 병목으로 GPU가 30∼65% 시간을 유휴 상태로 보내고, 워크로드 스케줄링이 비효율적이며, GPU 자원을 사용자 간 유연하게 나누는 인프라가 부족하다.

업계의 패러다임이 바뀌고 있다. GTC 2026에서 Dell'Oro Group은 AI 인프라의 다음 국면을 "Scale에서 Optimization으로"라고 정의했다. GPU를 더 사는 것이 아니라 있는 GPU를 제대로 쓰는 것이 경쟁력이 되는 시대다.

"GPU를 잘 쓰게 하는 소프트웨어"가 별도의 시장이 되고 있다

GPU 활용률 문제가 심각해지면서, GPU를 효율적으로 나누고·스케줄링하고·모니터링하는 소프트웨어 — GPU 오케스트레이션이 GPU 자체와는 별개의 독립 시장으로 성장하고 있다. Technavio 기준 CAGR 25.9%(2026∼2030), 북미 기준 36.3%. 배경은 단순하다 — AWS·Azure·GCP 각각의 GPU API가 다르고, 수요가 몰리면 원하는 GPU 인스턴스를 제때 확보하지 못하거나 스팟 인스턴스가 학습 도중 회수되는 일이 빈번하며, 온프레미스 GPU까지 합치면 통합 관리 없이는 운영 자체가 불가능하기 때문이다.

이 시장의 전략적 가치를 가장 먼저 증명한 것은 NVIDIA 자신이다. 2024년 이스라엘의 GPU 오케스트레이션 스타트업 Run:ai를 약 $7억에 인수했다. Run:ai의 핵심은 흩어진 GPU를 하나의 자원 풀로 묶고 워크로드 우선순위에 따라 자동 배정하는 것인데, NVIDIA가 이걸 인수했다는 건 "GPU를 파는 것만큼, GPU를 잘 쓰게 하는 소프트웨어도 중요하다"는 의미다.

업계는 NVIDIA 종속에서 벗어나려 하고 있다

문제는 Run:ai가 인수 후 NVIDIA 전용이 됐다는 점이다. 하지만 현실의 AI 인프라는 NVIDIA만으로 돌아가지 않는다. AMD·TPU·NPU 등 이기종 가속기가 빠르게 늘고 있고, 업계 전체가 NVIDIA 종속(vendor lock-in)에서 벗어나려는 움직임이 뚜렷하다. 이를 뒷받침하는 두 가지 표준화 흐름이 있다:

UEC(Ultra Ethernet Consortium)는 AI 데이터센터의네트워크를 개방한다. 기존에는 NVIDIA가 인수한 InfiniBand가 GPU 간 통신을 사실상 독점했는데(2023년 점유율 80%+), UEC는 이더넷 기반으로 동등한 성능을 구현하는 개방형 스펙을 만들었다. AMD·Broadcom·Cisco·Google·Intel·Meta·Microsoft가 참여하며, 2025년 중반 이미 이더넷이 AI 백엔드 배포에서 InfiniBand를 추월했다.

UALink(Ultra Accelerator Link)는 GPU 간 직접 연결을 개방한다. NVIDIA의 NVLink은 성능은 압도적이지만 NVIDIA GPU끼리만 연결된다. UALink는 AMD·Intel·Google·Microsoft·Meta 등 "NVIDIA를 제외한 거의 모든 빅테크"가 모여 만든 개방형 대안으로, 최대 1,024개 가속기를 연결하며 2026∼2027년 하드웨어 출시를 앞두고 있다.

이 두 표준이 의미하는 것은 명확하다 — AI 인프라의 네트워크(UEC)와 GPU 연결(UALink) 모두 개방형으로 전환되고 있고, 그 위에서 이기종 GPU를 통합 운영할 벤더 중립적인 소프트웨어의 수요가 필연적으로 커진다. 온프레미스·멀티클라우드·이기종이 뒤섞인 현실에서, NVIDIA에 종속되지 않는 GPU 최적화 솔루션의 자리가 열리고 있다.

한국: 정부가 2조 원을 쏟고 있다

한국 정부는 소버린 AI 전략 아래 GPU 26만 장 규모의 국가 AI 컴퓨팅 인프라를 구축 중이다. 2026년 예산만 2조 805억 원. 블랙웰급 이상 최신 GPU를 도입하며, 최소 클러스터 단위는 256서버(GPU 2,048개) 이상이다.

이 GPU를 누가 운영하고 최적화할 것인가? 26만 장의 GPU가 업계 평균(5∼30%) 수준으로 운영된다면 1조 원 이상이 사실상 낭비된다. GPU를 사는 것은 시작일 뿐이고, 소프트웨어로 활용률을 끌어올리는 것이 다음 과제다. GPUBASE가 노리는 시장이 바로 이것이다.

기술경쟁력

데이터센터 안에서 GPUBASE는 어디에 깔리나

GPUBASE가 뭘 하는지 이해하려면, 먼저 AI 데이터센터의 물리적 구조를 알아야 한다.

GPUBASE는 각 호스트 서버에 설치되는 소프트웨어다. 스위치 펌웨어를 바꾸거나 NIC을 교체하는 게 아니다. 서버 안의 소프트웨어 스택에서 정확히 어디에 위치하는지 보면:

GPUBASE는 두 가지 기능을 한 제품에서 제공한다.

쿠버네티스가 먼저 환경을 만들고, 그 안에서 PyTorch가 실행되고, PyTorch가 NCCL을 호출한다.쿠버네티스와 NCCL은 직접 대화하지 않는 별개의 시스템이다. 쿠버네티스는 PyTorch의 존재를 알지만, PyTorch는 쿠버네티스의 존재를 모른다 — 그냥 "내 GPU가 4장 있네"만 알 뿐.

• 기능 1 (GPU 관리): 쿠버네티스 경로에서 개입. GPU 가상화·분할·스케줄링. 경쟁사와 겹치는 영역.
• 기능 2 (네트워크 최적화): NCCL 경로에서 개입. 멀티패스·PeRF·패킷 헤더 조작. GPUBASE만의 차별점.

기능 2가 가능한 이유 — NCCL 플러그인 구조

NCCL은 NVIDIA가 만든 오픈소스 라이브러리인데, 외부 코드가 전송 방식을 커스텀할 수 있는 플러그인 API(Net Plugin, Tuner Plugin)를 열어두고 있다. GPUBASE는 이 API를 통해 .so 파일(공유 라이브러리)을 제공하고, NCCL이 시작할 때 이를 자동으로 로드한다. 이후 NCCL이 데이터를 보낼 때마다 GPUBASE의 코드가 실행되면서 멀티패스 분산과 PeRF가 적용되는 구조다.

이 메커니즘은 GPUBASE만 쓰는 게 아니다. AWS(aws-ofi-nccl)도 자기 네트워크(EFA)에 최적화한 NCCL 플러그인을 쓰고, Azure도 자체 튜너 플러그인이 있다. 차이점은 빅테크 플러그인은 자기 클라우드 전용이고, GPUBASE는 이기종·멀티클라우드 범용이라는 점이다.

그런데 "스위치를 안 건드리면서 어떻게 네트워크를 최적화하냐?"는 의문이 생긴다. 답은 데이터센터 네트워크의 구조에 있다.

왜 소프트웨어만으로 가능한가 — Spine-Leaf와 ECMP

현대 AI 데이터센터는 Spine-Leaf 토폴로지를 쓴다. 서버A에서 서버D로 데이터를 보낼 때, 거쳐갈 수 있는 경로가 Spine 스위치 수만큼 존재한다.

3개 경로 모두 거리(홉 수)가 같다. 스위치는 ECMP라는 기능으로 패킷 헤더를 해시해서 "이 패킷은 Spine 1, 저 패킷은 Spine 2"로 자동 분산한다. 이건 스위치의 기본 기능이고 이미 켜져 있다.

문제는, 일반적인 GPU 통신(NCCL 등)이 하나의 연결(같은 포트)로 보내기 때문에 해시값이 항상 같아진다는 점이다. 스위치 입장에서는 매번 같은 해시 → 매번 같은 경로. 3차선 도로인데 모든 차가 1차선에만 몰리는 상황.

GPUBASE는 이 문제를 호스트에서 해결한다. 데이터를 보내기 전에 청크로 쪼개고, 청크마다 패킷 헤더(소스 포트 등)를 다르게 설정한다. 스위치는 서로 다른 해시값을 보고 자연스럽게 다른 경로로 분산시킨다.

수신 측 GPUBASE가 도착한 청크들을 원래 순서로 재조립한다. 스위치를 바꾸는 게 아니라, 스위치가 이미 갖고 있는 ECMP 분산 기능을 "제대로 활용하게" 보내는 쪽에서 패킷을 전략적으로 구성하는 것. 원래 3차선인 도로에서 모든 차를 1차선으로만 보내던 걸, 출발 전에 "너는 1차선, 너는 2차선, 너는 3차선" 배정해주는 역할이다. 그래서 소프트웨어만으로 가능하다.

4대 핵심 기술

특허 포트폴리오에서 GPUBASE 관련 특허만 22건(해외 14건). 전체 83건 중 26.5%.

AI 인프라 풀스택 — GPUBASE는 어디에 있는가

GPU에서 AI 서비스까지, 6개의 레이어가 필요하다. GPUBASE가 위치한 Layer 3을 세분화하면, 겉으로 비슷해 보이는 플레이어들이 실은 다른 문제를 풀고 있다는 것이 드러난다.

Layer 3을 세분화하면 핵심이 보인다.

3a(네트워크 최적화)와 3b(GPU 오케스트레이션)는 다른 문제를 푼다. 씨이랩 AstraGo나 래블업 Backend.AI는 3b에서 "GPU를 누구에게 배정할까"를 다루고, GPUBASE는 3a에서 "배정된 GPU가 데이터를 어떻게 주고받을까"를 다룬다. 직접 경쟁이 아니라 보완 관계에 가깝다.

3a는 글로벌에서도 거의 비어 있는 카테고리다. Cilium이 eBPF 기반으로 AI 네트워킹에 확장 중이고 Arista가 일부 겹치지만, "GPU 클러스터 전용 네트워크 최적화 SW"를 전문으로 하는 플레이어는 거의 없다. GPUBASE의 진입점이 여기에 있다.

NVIDIA는 Layer 1∼3b를 수직 통합하고 있다. GPU(L1) + NVLink·InfiniBand·Spectrum-X(L2) + Run:ai(L3b). 아크릴은 3a에서 벤더 중립으로 이 스택을 관통하며, 망고부스트 MOU(L2 DPU + L3a GPUBASE)로 NVIDIA 수직 통합에 대응하는 "개방형 스택"을 만들려는 시도다.

경쟁 구도 — 레이어별 심층 비교

GPUBASE와 같은 시장에서 싸우거나 인접한 플레이어 7개를 규모·기술·고객·네트워크 최적화 유무로 비교했다.

Layer 3b — GPU 오케스트레이션 (스케줄링)

"GPU를 누구에게 배정할까"를 푸는 레이어. GPUBASE와 직접 경쟁이 아니라 보완 관계이나, 상위 레이어 기능이 겹칠 수 있다.

Layer 3b 경쟁사 전부에게 GPU 네트워크 통신 최적화가 빠져 있다. "어떤 GPU에 작업을 줄까"는 풀지만, "그 GPU가 데이터를 어떻게 주고받을까"는 다루지 않는다.

Layer 3a — 네트워크 최적화 SW (GPUBASE의 직접 경쟁 레이어)

Layer 3a에서 가장 중요한 발견:

Arista가 유일하게 RDMA 수준의 네트워크 최적화를 보유하고 있다. CLB는 QP(Queue Pair) 단위로 트래픽을 분산하고, 무손실 이더넷(PFC/ECN)을 구현하며, CV UNO로 네트워크 상태를 AI 작업 완료 시간과 연관 짓는다. Microsoft·Oracle·Meta가 고객이다.

하지만 Arista는 스위치 하드웨어 + 소프트웨어 번들이다. "Arista 스위치를 사야 쓸 수 있다." GPUBASE는 기존 스위치를 그대로 두고 호스트에 SW만 설치한다는 점에서 접근 방식이 근본적으로 다르다. 시총 격차는 약 300조 원 vs 약 1,800억 원 — 약 1,700배.

Cilium은 eBPF로 패킷을 커널 수준에서 처리하지만, RDMA/RoCE 트래픽은 범위 밖이다. 상용 제품만 놓고 보면 "GPU 클러스터 전용 네트워크 최적화 SW"는 이 목록에서 GPUBASE가 유일하다.

표 밖의 대안: 오픈소스·내재화·후발 상용

위 표는 상용 제품만 담았다. 값을 매길 때는 표에 안 들어오는 넷을 함께 봐야 한다. 경쟁자에게 밀리는 것보다 공짜와 표준에 흡수되는 쪽이 감가가 빠르다.

PeRF의 정확한 주장 범위: 논문이 스스로 적은 것

PeRF 논문 5.2.1절은 상용 NIC에 이미 무료로 들어 있는 격리 기능과 비교한 결과를 직접 적었다. Strict Priority에 대해 "처리량과 지연이 비슷하다(comparable)", ETS에 대해 "성능이 유사하다(similar)"는 표현이다. 관련연구 절도 하드웨어 방식이 "성능 저하 없이 효과적인 격리를 제공한다"고 먼저 인정한 뒤, 문제를 "정적 사전설정을 요구한다" 하나로 좁힌다.

따라서 이더넷에 격리 수단이 없다는 서술은 성립하지 않는다. 쓸 수 있는 정확한 문장은 이것이다.격리 수단은 여럿 있으나 대부분 미리 정해둬야 해서 자원을 놀리고, PeRF는 그 손해 없이 격리한다.이 주장은 USENIX ATC 피어리뷰와 아티팩트 심사(AVAILABLE·FUNCTIONAL 배지)를 통과했다. 다만 재현 배지(REPRODUCED)는 받지 않았고, 구현 코드는 공개 저장소에 전부 열려 있다(libmlx5 위 C 약 3,400줄). 진입장벽은 은닉이 아니라 비상업 라이선스 한 줄이다.

외부 평가는 아직 중하위권이다. 인용 8건으로 같은 ATC 회차의 OSMOSIS 19건, 같은 해 Harmonic 14건의 절반이다. 본문을 확인한 인용 논문 4편에서 PeRF는 모두 관련연구 문단에만 있고 실험 비교군에는 없다. 예외가 하나 있다. ACM WWW 2026의 Wiseswap이 자기 3대 기여의 첫째로 PeRF의 선점 기법 활용을 적었다. 남이 그 기법 위에 짓는 것은 인용보다 강한 인정이다.

확인되지 않은 하방: 드라이버 세대

PeRF의 선점 기제인 managed QP와 ENABLE/WAIT WR은 Mellanox Cross-Channel 실험 verbs다. NVIDIA 문서가 RDMA-Core 미지원이라 적었고, MLNX_OFED 5.1에서 제거돼 4.9 LTS 분기에만 남았다(지원 상한 ConnectX-6 Dx). 논문 구현과 공개 저장소가 모두 이 분기 기준이고, 저장소의 유일한 이슈 "support cx7 or bf3?"는 14개월째 답이 없다. 그런데 신규 AI 데이터센터가 사는 것은 ConnectX-7·8과 BlueField-3다.

이건 양방향이다. 현행 스택(DOCA-OFED/DevX)으로 이식했다면 논문에 없는 사내 노하우이므로 오히려 해자가 두꺼워진다. 안 했다면 신규 사이트에 팔 수 없다. 어느 쪽인지는 공개 자료로 판정되지 않아 IR 1순위 질문으로 남긴다.

왜 엔비디아 정속(InfiniBand) 환경의 국내 CSP도 GPUBASE가 필요한가 (6월 IR)

국내 CSP가 아직 대부분 엔비디아 InfiniBand 정속 환경이라면 굳이 이더넷 최적화 SW가 필요하냐는 질문에, 회사는 세 가지 도입 논거를 들었다.

• SLA 준수: 외부 고객에게 추론 응답·학습 시간을 SLA로 약속한 상황에서, 특정 테넌트의 추론 지연·학습 지연이 발생하면 페널티로 직결된다. 내부용으로 써도 추론이 갑자기 늘어지면 컴플레인이 커진다. 트래픽 차등화·격리(PeRF)가 이를 방지한다.
• 이더넷 전환 시 멀티테넌시 상실: 비용 효율화를 위해 InfiniBand에서 이더넷으로 내려오면, InfiniBand가 잡아주던 멀티테넌트 격리가 사라진다. 이더넷에서 이를 복원하려면 고난도 파인튜닝이 필요한데, 회사 외엔 사실상 없다는 주장.
• 혼잡 제어 자동 조정: 이더넷의 PFC·ECN(하드 스톱 vs 스피드 제어)을 워크로드에 맞게 자동으로 잡아주는 SW가 필요한데, 이를 제대로 하는 곳이 아크릴뿐이라는 입장이다.

성능 근거 — K-Scale Evaluation 상세

"25배 성능 개선"의 실체를 정확히 이해해야 한다. 이것은 "GPUBASE 적용 vs 미적용"의 비교이지 경쟁 솔루션 대비가 아니다.

테스트 환경

• GPU 248장 규모, 글로벌 CSP 3개사+ 환경 (3월 사전평가)
• 2026.06 — AWS 환경 본검증으로 확대: 메가존클라우드 경유, 누적 GPU 1,000장+. AWS 마켓플레이스 등재·해외 진출도 병행 추진
• 테스트 모델: 한국어 특화 LLM(11B) + 의료 AI 모델 ALLM.H(27B)
• 부하 수준: 학술 논문(ACM IMC '24, IEEE ICNP '18) 기반 4단계(없음·하·중·상)

부하 수준별 결과

핵심: GPUBASE 미적용 환경은 부하가 올라갈수록 성능이 급격히 무너지는 반면, GPUBASE 적용 환경은 모든 부하에서 무부하 상태와 동일한 성능을 유지한다. 25배라는 숫자는 "GPUBASE가 25배 빠르게 만든다"가 아니라, "미적용 환경이 고부하에서 95% 망가지는 걸 GPUBASE가 방지한다"는 의미다.

학습 + 추론 동시 실행 (혼합 부하)

실제 데이터센터에서는 학습과 추론이 동시에 돌아간다. 이 환경에서:

• GPUBASE 적용: 기준선 대비 6배 빠른 학습 속도 + 추론 응답 시간 SLA 충족
• GPUBASE 미적용: 학습 속도 저하 + 추론 SLA 미충족

기타 성능 주장과 검증 수준

경쟁 솔루션(Run:ai, Cilium 등) 대비 비교 데이터는 공개된 적이 없다. 또한 "MLPerf v6.0 다중 리전 이기종 추론"은 Dell + 망고부스트의 성과이며 아크릴 GPUBASE가 아니다.

경쟁·협업 지형 — 6월 IR 업데이트

• 국내 NPU 업체와는 경쟁보다 협업: 리벨리온·딥엑스·모빌린트 등 국내 NPU는 아직 엔비디아처럼 GPU를 쪼개 나눠 쓰는 가상화·분할이 안 되는 한계가 있고, InfiniBand를 못 쓰니 이더넷이 필수다. 회사는 이 지점에서 국내 NPU와 하이브리드 가속기 클러스터링으로 호흡할 여지가 있다고 본다(망고부스트와는 이미 MOU). 다만 NPU 단독 수준은 한계가 명확하다는 평가.
• 씨이랩 KT 호남 데이터센터(AstraGo) 납품: 씨이랩이 KT 호남권 데이터센터에 AstraGo를 납품하는 건은 컨소시엄(7개사) 형태이며, 아크릴은 이 건에서 핵심이 아닌 단순 파트너(원 오브 뎀) 위치다. 레이어가 다른 만큼(씨이랩=3b 관리, 아크릴=3a 네트워크) 직접 충돌은 아니다.
• 모레(Moreh): AI 인프라 SW(MoAI)·오퍼레이션 중심 업체로 자체 한국어 LLM ‘Motif(모티프)’를 오픈소스 공개했으나, 아크릴과는 영역이 달라 직접 위협은 제한적이라는 시각.
• 삼성 관련(별개 두 건): ①삼성 사내 외부 LLM(ChatGPT·Claude 등) 사용 개방, ②메모리 협력선 하이닉스 전환 뉴스. 둘 다 거론됐으나, 아크릴은 삼성 계열사에 이미 플랫폼으로 진입해 있어 기존 채택분이 쉽게 바뀌지 않아 직접 영향은 제한적이라는 입장.

특허·논문으로 본 기술 해자

GPUBASE 핵심 기술이 실제로 방어 가능한지를 특허(Google Patents)와 논문(Google Scholar)으로 교차 검증했다.

아크릴의 특허·논문 포트폴리오

염익준 CTO가 3편의 논문 모두에 교신저자로 참여하고 PeRF 특허의 공동 발명자다. GPUBASE의 핵심 기술이 이 사람의 연구실(성균관대 컴퓨터네트워크 연구실)에서 나왔다는 것이 학술적으로 확인된다. PeRF 논문의 1·2저자 이수기·최민규는 대학이 아니라 아크릴 단독 소속으로 표기돼, 구현 노동이 사내에 있다는 근거가 된다.

등록 IP는 회사가 아니라 대학에 쌓인다

위 표의 특허 2건은 모두 출원 상태다. 여기에 더해 확인해야 할 것이 하나 있다. 염익준 명의 등록특허 5건과 이수기 명의 1건의 출원인이 전부 성균관대 산학협력단이다. 아크릴 명의 등록특허 35건은 전량 국내이고 그중 GPU·RDMA 관련은 0건이다. 회사가 주장하는 GPUBASE 관련 22건은 출원을 포함한 수치이며, 핵심 4패밀리는 모두 등록 전이다.

그가 재직 중인데도 등록 IP가 대학에 쌓이는 지금 상태는, 그가 떠나는 시나리오보다 먼저 답해야 할 질문이다. 회사 명의 GPU·RDMA 등록 1호가 나오는 시점이 IP 귀속 문제의 전환점이 된다. 한편 PeRF 이후 아크릴 소속 저자의 신규 논문은 아직 없고, 2021년 이후 시스템 논문 전부에 아크릴 소속이 아닌 성균관대 김영훈 교수가 공저·교신저자로 참여한다. 연구 엔진의 절반이 회사 밖에 있다는 뜻이다.

GPUBASE의 학술적 기반 — 핵심 논문 2편 분석

1. UL-MPRDMA (IEEE Access, 2021) — 원문

2. Janus: GPU Direct Packet I/O (J. NCA, 2022) — 원문

두 논문을 합치면 GPUBASE의 기술 구조가 보인다: Janus가 GPU↔NIC 직접 통신 경로를 열고, UL-MPRDMA가 그 경로 위에서 멀티패스 분산을 소프트웨어로 구현한다.

솔직한 평가

해자의 본질은 "기술적 불가능성"이 아니라 "선행 상용화 + 실환경 검증 경험"이다. K-Scale Evaluation Phase 1(GPU 1,000장)·Phase 2(3,000장+)가 이 시간차를 실제 계약으로 전환하는 시험대다.

트랙레코드

아크릴의 외부 검증 이력을 등급별로 정리했다.

상업화 개시: 돈이 오간 GPUBASE 계약 (2026.06∼)

이 리포트 본문 대부분은 2026년 6월 기준이다. 그 뒤 GPUBASE 계열 유료 계약 3건이 공시로 확정됐다. 아래 표는 보도자료가 아니라 공시 원문에서 옮겼다.

A·B·C 등급보다 위라는 뜻이 아니라 다른 축이라 따로 세운다. 등급은 "누가 검증했나"를 재는 것이고, 이 항목이 말해주는 것은 "돈이 오갔나"다. 아래에서 보듯 이 3건의 의의는 검증의 강도가 아니라 상업화가 시작됐다는 사실 자체에 있다.

3건을 독립 수주 3개로 세면 과대다: 하나의 램프를 세 통로로 판 것이다

아크릴 자신이 이 셋을 하나로 서술한다. 보도자료 원문이 "앞선22억원 규모의 보급형 계약을 포함하면 누적 공급 규모는 총 55억원"인데, 22억은 서로 다른 두 원청(모아데이타 11억 + 씨엔플러스 11억)인데도 단수로 합쳐 부른다. 사업 명칭도 세 보도 모두 단수("국내 모듈형 데이터센터 구축 사업")로 일관되고, 회사는 어디서도 세 곳·세 고객이라고 말하지 않는다.

더 중요한 것은 33억(전체의 60%)이 독립 수주가 아니라 예고된 후속이라는 점이다. 1차 계약을 발표한 2026년 7월 2일 시점에 회사는 이미 이렇게 밝혔다. "1차 공급에서 자원 운영과 작업 스케줄링 중심의 기본형 구성을 제공한다.후속으로 예정된 2차 고급형은 통합 관제 대시보드를 포함한 풀스택 구성으로 진행된다." 씨엔플러스 계약도 한컴 계약도 존재하지 않던 시점에 사양까지 공표돼 있었고, 25일 뒤 정확히 그 사양으로 3배 규모가 체결됐다. 계약 25일 전에 예고된 물량을 "고급형 대형 계약 신규 획득"으로 읽으면 과대다.

그리고 그 2차의 상대가 모아데이타에서 한컴으로 갈렸다. 1차와 2차가 같은 램프의 두 단계인데 원청만 바뀐 것이므로, 원청이 고객이라기보다 교체 가능한 통로에 가깝다는 해석에 힘이 실린다. 첫 거래 3건이 나란히 서 있는 것도 고객 다변화가 아니라 통로 교체의 결과일 수 있다. 이 구조에서는 반복 거래처가 생길 수 없다.

최종 물리 현장이 몇 곳인지는 확정되지 않는다. 계약명 3종이 다르고 종료일도 갈리며, 냉각방식이 어긋나 최소 두 곳은 있어 보인다(한컴 건이 실리는 곳은 직접액냉(DLC), 씨엔플러스와 전남대 협약 건은 액침냉각). 다만 3곳이라는 근거는 없다.

세 건의 공통점이 이 축의 판정을 지배한다. 모두 계약상대가 실명 공개되고 "회사와의 관계 없음"이라 계열 물량이 아니며, 조건부 미해당으로 전액 확정이고 MOU 가 아니다. 그러나 세 건 모두 "최근 3년간 동종계약 이행여부 미해당", 즉 첫 거래이고 계약금·선급금이 없다. 아크릴의 유일한 반복 거래처는 옛 사업인 유니와이드 교육솔루션이다.

두 가지를 분명히 해둔다. 첫째, 세 공시 어디에도 'GPUBASE'라는 단어가 없다.계약명이 전부 데이터센터 구축·공급이고 판매·공급방식에 외주생산이 '해당'으로 체크돼 하드웨어가 포함된다. 회사 스스로 HW 패키징의 영업이익률을 10%대로 적었으므로, 55억을 그대로 "GPUBASE 소프트웨어 실적"으로 읽으면 과대다. 소프트웨어 몫은 공개 자료로 분리되지 않는다.

둘째, 세 건 모두 최종 수요처가 확인되지 않는다. 특히 한컴 건은 보도 3사가 발주처를 밝히지 않고, 한컴 자신은 이 계약을 공시하지 않았으며(자기 매출의 1.0%로 기준 미달), 2026년 7월 30일 한컴이 낸 상반기 실적 공정공시와 실적 기사에 데이터센터·GPU 언급이 없다. 33억 규모 사업이 상대 자신의 사업 설명에 등장하지 않는다. 한컴이 최종 사용자인지, 한컴이 수주한 상위 사업의 공급자인지가 검증자가 누구인지를 가르는 지점이다.

지역도 특정되지 않는다. 세 공시의 판매·공급지역은 전부 "국내"로만 적혀 있고, 한컴과 모아데이타는 어떤 자료에도 지역 단서가 없다. 씨엔플러스 건만 계약 6일 전 전남대학교와의 협약이라는 시점 근접성이 있는데, 전남대는 전남이 아니라 광주 소재 국립대다. 조달 원장으로 확인하려 했으나 나라장터가 로그인 강제로 막혀 열지 못했다. 따라서 "발주 공고가 없다"가 아니라 "확인하지 못했다"로 읽어야 한다.

GPUBASE 실현 매출은 아직 0원이다. 2026년 1분기 매출 65.7억의 구성은 조나단 52.3억·나디아 0.95억· 용역 4.6억·정부보조금 7.8억이고, 세 계약은 모두 6월 말 이후 체결이라 3∼4분기 인식 예정이다. 2026년 3월말 수주잔고 141.74억 중 정부보조금이 87.53억(61.8%)이다.

A등급: 글로벌 제3자가 검증한 것

K-Scale·AWS 를 "글로벌 검증"으로 읽으면 돈의 방향이 반대다

위 두 항목은 이름 때문에 글로벌 최상위가 아크릴을 검증해준 것으로 읽히기 쉬운데, 사실은 반대다. K-Scale Evaluation 은 정부 사업이 아니라 아크릴이 2026년 3월 스스로 착수한 자체 검증 프로젝트다(1분기보고서 연혁 기재). Azure·AWS·GCP 환경을 임차해 아크릴이 직접 수행했고, 학습시간 단축·성능 배수·GPU 활용률 수치는 전부 자사 측정치다. AWS 건도 원문이 "마켓플레이스를 통한 해외 진출", "파트너 프로그램 연계", "AWS GPU 자원을 활용해 검증 범위 확대"로, 아크릴이 자원과 판매 채널을 사는 쪽이다. 계약도 아니고 매출 인식 근거도 아니다. 같은 이유로 메가존클라우드 협력(2026.07)도 금액 없는 MOU 이며, 영문 보도에 "메가존이 GPU 서버 공급·구축, 아크릴이 소프트웨어 레이어"로 분업이 적혀 있어 계약으로 전환돼도 아크릴은 MSP 아래 공급자다.

KOLAS 공인성적서는 아직 목표 단계다. 즉 GPUBASE 성능을 아크릴이 아닌 쪽이 측정한 공개 자료는 현재 0건이며, 이것이 트랙레코드에서 A등급을 실질적으로 비우는 이유다.

B등급: 국내 기관이 채택한 것

C등급: 아직 검증되지 않은 것

트랙레코드 종합 판단

A등급(글로벌 검증)은 전부 "시작했으나 완결되지 않은" 상태다. 더 정확히는 A등급이 실질적으로 비어 있다. K-Scale·AWS 는 아크릴이 자원을 사는 쪽이고, 남는 것은 USENIX 논문 채택뿐이다. GPUBASE의 개별 매출 기여는 분리 공시가 없어 확인할 수 없다.

2026년 6∼7월 계약 3건으로 상황이 한 단계 움직였다. 예상했던 국내 인프라 수주가 첫 매출 경로가 된 것은 맞고, 소프트웨어가 포함된 납품이라상업화가 시작됐다는 데 의의가 있다. 계획서와 MOU 만 쌓이던 단계는 지났다.

다만 검증으로 읽으면 아직 이르다. 세 건 다 첫 거래이고, 상대는 코스닥 중견·소형사이며, 최종 수요처가 확인되지 않고, 하드웨어가 섞여 소프트웨어 몫도 분리되지 않는다. 유일한 반복 거래처는 논지와 무관한 교육솔루션이다. 일회성 납품 세 건은 "팔린다"를 보여주지만 "계속 팔린다"를 보여주지 못한다. 이 회사를 검증해준 상대가 아직 비어 있다.

그래서 다음에 볼 것은 금액이 아니라 후속 계약이다. 세 상대 중 하나라도 두 번째 발주를 주는지가 첫 계약보다 훨씬 강한 신호다. 공시의 "최근 3년간 동종계약 이행여부" 란이 '미해당'에서 '해당'으로 바뀌는 순간을 보면 된다. 지금은 3건 전부 '미해당'이다. 함께 볼 것은 한컴 33억의 최종 발주처가 밝혀지는지, 그리고 하이퍼스케일러·통신사·대기업이 최종 사용자로 직접 계약하는 건이 나오는지다.

기업신뢰도

시장 소통

IPO 추정치 vs 실적

IPO 자금 사용

421억 중 19억만 집행(4.5%). 현금 415억이 거의 그대로 남아있다.

내부자 매매

재무안전성

적자 기업에게 재무안전성은 결국 "현금이 바닥나기 전에 흑자 전환하거나 사업을 증명할 수 있는가"다.

유동성 현황 (26.Q1 기준)

런웨이 추정

IPO 조달 총액 421억을 확보한 상태에서 연간 소진이 30∼40억 수준이라면, 최악의 경우에도 10년 이상의 런웨이가 있다. 재무안전성 자체는 이 회사의 리스크가 아니다 — 리스크는 현금이 아니라 사업 자체의 성공 여부에 있다.

밸류에이션

아크릴을 어떤 회사와 비교하느냐에 따라 판단이 완전히 달라진다.

비교군 A: 국내 AI 인프라 동급생

비교군 B: AI 모델/플랫폼 — GPUBASE의 잠재 고객

비교군 C: 산업특화 AI 솔루션

비교군 B·C는 아크릴의 직접 경쟁사가 아니라 GPUBASE의 잠재 고객이다. 이들이 GPU를 쓸수록 GPUBASE 수요가 늘어난다. 밸류에이션 관점에서 아크릴(13.5x)은 노타(45.1x)보다 크게 낮고, 대부분 상장 AI 기업(2∼11x)보다 높다. 성장 기대감이 선반영된 상태.

비교군 D: GPU 인프라 SW 글로벌

비교군 E: CSP 구독형 인프라 SW — 아크릴이 목표하는 경로

핵심 인프라 SW를 만들고 → CSP 마켓플레이스에 올려 → 구독형(SaaS/PaaS)으로 과금하는 모델. 아크릴이 조나단을 CSP 구독형(FaaS)으로 전환했을 때의 밸류 레퍼런스.

이 회사들의 공통 경로: 핵심 인프라 SW 개발 → CSP 마켓플레이스 입점 → 구독형 과금 → CSP 고객 확대에 따른 매출 레버리지. 아크릴이 GPUBASE를 CSP FaaS로 전환하고 K-Scale 검증을 통과하면, 이 경로에 진입할 가능성이 열린다. 글로벌까지 가지 않더라도 국내 GPU 인프라 26만 장 시장만으로도 충분한 규모가 있으며, 정부·공공 GPU 인프라에서 GPUBASE가 표준으로 채택될 경우 밸류에이션의 천장이 크게 높아진다.

GPUBASE 매출 잠재력 — 단가로 본 SOM

GPUBASE의 매출 천장은 ‘GPU 1장당 얼마를 받느냐’로 가늠할 수 있다. 기준점은 NVIDIA가 인수한 Run:ai로, 과금이 GPU 1장당 4년 약 1,500만 원(≈ 10,800달러) 수준 — B200 GPU 가격(약 7,000만 원)의 약 20%다. GPUBASE는 Run:ai(스케줄링)와 UFM(네트워크 관리)을 동시에 대체할 수 있어, Run:ai 단가의 일부만 받아도 경쟁력이 선다.

보수적으로 GPU 가치의 한 자릿수 중반 %만 과금한다고 가정해도, 국내 정부 GPU 26만 장 (B200 환산 약 18조 원 규모)만으로 약 1조 원+의 잠재 시장(SOM)이 열린다(환율 약 1,380원 가정). 관건은 단가가 아니라 채택률 — 26만 장 중 GPUBASE가 얼마나 깔리느냐다. 현재 시총(약 1,800억)은 이 잠재 시장의 일부만 반영한 수준으로, 국내 인프라 채택이 본격화되면 재평가 여지가 크다.

시나리오별 밸류에이션 레인지

현재 시총 약 1,800억(2026-06-16 종가 22,400원)은 P/S 13.5x로, 5월 리포트 시점(2,538억·19.1x) 대비 약 -29% 디레이팅됐다. FY2025 매출(133억) 기준으로는 여전히 높지만, 2026년 회사 가이던스(전년 약 2배, ∼270억대)가 충족되면 Forward P/S는 약 6.7x까지 내려온다. 다만 sell-side 커버리지가 얇아 공식 컨센서스는 사실상 부재(FnGuide 기준)다 — 일부 증권사 노트가 올해 매출 220∼230억·영업이익 30억대를 제시한 정도이며, 회사 가이던스(∼270억)는 이를 상회한다. 위 수치는 두터운 시장 추정이 아니라 회사 측 목표치에 가깝다는 점에 유의해야 한다. 주가가 이미 상장 후 최저 구간으로 밀린 만큼 가이던스 충족 여부가 재평가의 핵심 변수다.

장기 밸류 천장 — CSP 구독형 인프라 SW로 자리잡는다면

비교군 E의 Confluent(12.5조), Elastic(9.7조), HashiCorp(8.9조)는 모두 핵심 인프라 SW를 CSP 마켓플레이스에서 구독형으로 파는 기업이다. 이들의 공통점은 업계 표준이 된 SW를 보유하고 있다는 것 — Kafka는 스트리밍의 표준, Terraform은 인프라 자동화의 표준, Elasticsearch는 검색의 표준.

GPUBASE가 GPU 클러스터 네트워크 최적화의 표준 SW로 자리잡고, 글로벌 CSP에서 구독형으로 채택된다면, 시총 수조 원대까지 열려있는 시장이다. 아주 먼 미래의 이야기지만, P/S 멀티플이 아닌 시장 포지셔닝 자체가 밸류를 결정하는 영역이다.

현실적으로 이 경로에 진입하려면 K-Scale 검증 통과 → 글로벌 CSP 마켓플레이스 입점 → 구독 매출 확대가 순차적으로 일어나야 한다. 현재는 K-Scale Phase 2 단계로, 글로벌 1·2위 CSP(AWS·Azure로 추정)와 GPU 248장 규모 성능 검증을 진행 중이다. 아직 검증을 통과한 것은 아니지만, CSP와의 협업 자체가 시작됐다는 점은 긍정적이다.

리스크

이 회사의 투자 논거는 GPUBASE 하나다. 모든 리스크는 결국 "GPUBASE가 매출로 전환되느냐"로 수렴한다.

상위 4개가 Thesis Killer — GPUBASE 투자 논거 자체를 무너뜨리는 리스크. 나머지는 부수적이다.