Ema Series B 펀딩, 엔터프라이즈 소프트웨어와 IT 서비스의 판도를 높이다

Ema가 AI 에이전트를 기업의 HR, IT, 재무 운영에 더 깊이 도입하기 위해 7,700만 달러 규모의 Series B 투자를 유치했다. 이번 투자로 이 스타트업은 엔터프라이즈 소프트웨어 벤더와 IT 서비스 기업에 정면으로 도전할 추가 자본을 확보했다.

Ema Series B 펀딩은 Creaegis가 주도했다. 기존 투자자인 Accel, Section 32, Prosus도 투자 규모를 늘리면서 Ema의 누적 투자 유치액은 1억4,000만 달러가 됐다. 회사는 2024년 이전 라운드 이후 기업가치가 네 배 이상 높아졌다고 밝혔지만, 구체적인 새 수치는 공개하지 않았다.

중요한 이야기는 단순히 투자 규모에 있지 않다. Ema는 직원들이 각 시스템을 직접 오가며 처리해야 하는 일을 줄이기 위해, 기존 애플리케이션 전반에서 작업을 완료하는 에이전트를 만들고자 한다. 이 모델이 성립한다면 소프트웨어 애플리케이션은 AI가 제어하는 워크플로 계층 아래의 데이터베이스가 될 위험이 있다.

이는 이미 자리 잡은 두 가지 비즈니스 모델에 압박을 가한다. 소프트웨어 벤더는 라이선스와 사용자 좌석을 통해 애플리케이션 접근 권한을 판매한다. IT 서비스 기업은 해당 애플리케이션을 구현하고 통합하며 운영하는 과정에서 수익을 얻는다. Ema는 완료된 작업과 비즈니스 성과를 중심으로 가격을 책정하는 시스템에 두 사업의 일부를 흡수하려 한다.

Ema Series B 펀딩, 제품 베팅을 영업 확대 추진으로 전환

새 자본은 Ema를 제품 검증 단계에서 엔터프라이즈 업무를 위한 대안적 운영 모델을 판매하는 단계로 옮긴다.

회사의 Ema funding round 설명에 따르면, 9월 23일 발표된 이번 투자금은 전액 신주 발행을 통한 자본이다. 즉, 조달 자금은 초기 주주에게 지급되거나 부채를 재조정하는 데 쓰이는 대신 사업에 투입된다.

Ema는 자금의 상당 부분을 영업, 마케팅, 해외 확장에 배정할 계획이다. Mountain View에 본사를 둔 이 회사는 지금까지 주로 미국과 유럽 고객에 집중해 왔다. 이제 아시아 태평양, 남미, 중동 일부 지역의 조직을 공략할 계획이다.

이 변화가 중요한 이유는 Ema가 초기 수년 동안 플랫폼 개발과 도입 사례 구축에 집중했기 때문이다. 현재 직원 수는 약 200명이며, 캘리포니아 본사 외에 Bengaluru, London, Vancouver에 사무소를 두고 있다. 더 넓어진 상업 조직은 대규모이면서도 의사결정이 느린 엔터프라이즈 계약을 두고 경쟁할 역량을 회사에 제공한다.

Ema는 2023년 CEO Surojit Chatterjee와 엔지니어링 리더 Souvik Sen이 설립했다. Chatterjee는 이전에 Google과 Coinbase에서 고위직을 맡았고, Sen은 Google과 Okta에서 일했다. 이 회사는 2024년 범용 AI 직원 구축이라는 목표를 내세우며 스텔스 모드에서 모습을 드러냈다.

초기 제품은 워크플로 엔진과 서로 다른 언어 모델 가운데 적합한 모델을 선택하도록 설계된 시스템 EmaFusion을 결합했다. 회사가 모델 선택을 더 광범위한 엔터프라이즈 자동화 플랫폼의 한 구성 요소로 제시했던 Ema의 2024년 출시에서 이 전략은 분명히 드러났다.

이번 최신 라운드는 이 논지를 진전시킨다. Ema는 자사 플랫폼이 이제 150개가 넘는 최첨단 및 오픈소스 모델을 활용할 수 있다고 말한다. 이를 통합 기능, 도메인 지식, 권한 제어, 에이전트 조정 기능과 결합한다.

회사는 이렇게 구축된 시스템을 "AI employees"라고 부른다. 실질적으로 Ema AI 에이전트는 여러 비즈니스 애플리케이션에 걸쳐 다단계 업무를 계획하고 실행하는 소프트웨어 프로세스다. 기록을 조회하고, 시스템을 업데이트하며, 결과를 확인하고, 승인을 요청하고, 예외 사례를 사람에게 전달할 수 있다.

이는 한 번에 하나의 질문에 답하는 챗봇과 다르다. 육아휴직을 문의하는 직원에게는 정책 저장소의 정보, HR 시스템의 자격 데이터, 승인 워크플로가 필요할 수 있다. Ema의 제안은 직원이 각 애플리케이션을 직접 방문하지 않아도 하나의 에이전트 경험이 이 단계를 조정할 수 있다는 것이다.

회사는 HR, IT, 재무를 위한 목적별 제품도 출시했다. 이러한 패키징은 범용 에이전트 플랫폼과 실제 배포 가능한 비즈니스 애플리케이션 사이의 거리를 좁힌다. 구매자에게는 사전 정의된 워크플로를 제공하면서도 부서 전반에 공통 오케스트레이션 계층을 유지한다.

Ema는 상업 확장과 함께 이 플랫폼에 계속 투자할 것이라고 밝혔다. 이 균형은 중요하다. 영업 인력 채용은 계약 규모를 늘릴 수 있지만, 엔터프라이즈 고객은 신뢰성, 보안, 거버넌스, 측정 가능한 운영 성과를 기준으로 시스템을 평가할 것이다.

따라서 Ema Series B 펀딩은 승리라기보다 전환점을 의미한다. 투자자들은 이 회사가 초기 도입 사례를 더 많은 조직과 지역으로 확대할 수 있도록 지원하고 있다. 다음 단계에서는 회사가 보고한 초기 성과를 지속적인 실제 운영 사용으로 전환해야 한다.

AI 에이전트가 소프트웨어 좌석 모델에 압박을 가하기 시작한 이유

Ema의 핵심 베팅은 기업이 별도 애플리케이션 접근 권한보다 완료된 업무에 비용을 지불하게 된다는 데 있다.

전통적인 엔터프라이즈 소프트웨어는 기록 시스템을 중심으로 업무를 구성한다. 기업은 인사 관리를 위한 애플리케이션 하나, 서비스 관리를 위한 또 하나, 재무용 애플리케이션 하나를 구매하고, 협업·분석·승인을 위한 추가 제품을 도입한다.

직원들은 각각의 인터페이스를 익히고 그 사이에서 정보가 어떻게 이동하는지 이해해야 한다. 이후 기업은 애플리케이션을 연결하기 위해 컨설턴트, 시스템 통합업체, 내부 팀에 비용을 지불한다. 이 구조는 소프트웨어 벤더에는 반복 수익을, 서비스 기업에는 지속적인 구현 업무를 만들어낸다.

Ema enterprise software는 이러한 기반 시스템을 즉시 없애지는 않는다. 우선 통합 기능을 통해 그 위에 자리 잡아 정보를 읽고 승인된 작업을 수행한다. 에이전트가 인터페이스가 되고, 기존 애플리케이션은 계속해서 공식 기록을 저장한다.

Chatterjee는 이 구조가 궁극적으로 대규모 소프트웨어 제품군에 대한 의존도를 낮출 수 있다고 주장한다. 그는 TechCrunch에 일부 고객이 특정 SaaS 애플리케이션을 대체하는 방향으로 나아가고 있다고 말했는데, 해당 제품들이 "like a database"가 되고 있기 때문이다.

이 주장은 업계의 잠재적 역전을 보여준다. 엔터프라이즈 애플리케이션은 한때 데이터와 사용자 경험을 모두 통제했다. AI 에이전트는 이 두 계층을 분리해, 직원이 결과를 요청하면 에이전트가 어떤 시스템을 사용할지 결정하도록 만들 수 있다.

그 영향은 인터페이스 설계를 넘어선다. 좌석 기반 가격 책정은 사용자가 애플리케이션에 로그인함으로써 가치를 얻는다는 전제에 기반한다. 하나의 에이전트가 많은 직원 대신 업무를 수행하면 좌석 수, 사용량, 가치 간의 연결은 약해진다.

Ema는 소프트웨어 좌석 수나 소비한 AI 토큰을 기준으로 과금하지 않는다고 말한다. 가격은 작업 완료와 비즈니스 성과에 연동된다. 이 모델은 지출을 실제 수행된 업무와 연결하려는 시도이지만, 고객은 여전히 성공적인 성과, 예외, 분쟁 결과에 대한 명확한 정의를 마련해야 한다.

이 변화는 구매자가 벤더를 비교하는 방식도 바꾼다. 전통적인 조달 프로세스에서는 HR 소프트웨어를 다른 HR 제품군과 비교할 수 있다. 에이전트 플랫폼은 기업이 또 다른 완전한 애플리케이션이 필요한지, 아니면 기존 데이터를 활용하는 오케스트레이션 계층으로 필요한 워크플로를 완료할 수 있는지를 묻는다.

이 때문에 Ema의 도전은 하나의 소프트웨어 카테고리를 넘어선다. 이 플랫폼은 직원 지원, IT 서비스 관리, 재무 운영, 기타 내부 프로세스를 아우른다. 한 부서에서의 성공은 인접한 워크플로로 진입하는 경로가 될 수 있다.

Ema는 고객의 90% 이상이 초기 사용 사례를 넘어 활용을 확대했다고 말한다. 일부는 수십 개의 워크플로에 이 플랫폼을 사용하는 것으로 알려졌다. 회사는 순달러 유지율이 약 180%에 이른다고도 보고했는데, 이는 기존 고객이 시간이 지날수록 지출을 크게 늘렸다는 의미다.

이 수치는 회사가 보고한 것이며 Ema는 연간 환산 매출 실행률을 공개하지 않았다. 그럼에도 단일 데모보다 중요한 것은 확장 패턴이다. 엔터프라이즈 에이전트는 구매자가 같은 플랫폼을 여러 부서에 재사용할 때 전략적 중요성을 갖게 된다.

이 시점은 Ema 외부의 개선도 반영한다. 최첨단 모델은 다단계 과제 전반에서 추론하고, 도구를 사용하며, 맥락을 유지하는 능력이 향상됐다. 클라우드 제공업체와 소프트웨어 벤더도 이러한 모델을 위한 커넥터와 권한 프레임워크를 확대했다.

동시에 주요 AI 개발사들은 엔터프라이즈 워크플로에 더 가까이 다가가고 있다. Anthropic은 재무 조사, 규정 준수, 월말 보고 같은 작업을 위한 에이전트와 통합 기능을 도입했다. finance agent templates는 모델 제공업체가 자체적으로 도메인별 업무를 패키지화할 수 있는 방식을 보여준다.

OpenAI는 배포 서비스에 더 깊이 진출했다. deployment company는 엔지니어를 고객 조직에 투입하고 모델과 함께 구현 전문성을 제공한다. 이러한 접근은 이전까지 주로 컨설팅 기업과 시스템 통합업체로 향하던 지출을 두고 경쟁한다.

Chatterjee는 이들 모델 기업을 직접 경쟁자가 아니라 공급업체로 묘사한다. Ema는 여러 모델에 걸쳐 작업을 라우팅할 수 있기 때문에 AI 연구소의 개선은 자사 플랫폼의 역량을 높일 수 있다. 그러나 이들 연구소 역시 자체 에이전트 제품, 통합 기능, 서비스를 구축할 수 있다.

따라서 경쟁의 경계는 유동적이다. Ema는 모델이 개선될수록 이점을 얻지만, 오케스트레이션, 거버넌스, 도메인 지식, 워크플로 실행에서 충분한 가치를 유지해야 한다. 그렇지 않으면 모델 제공업체나 기존 소프트웨어 기업이 같은 기능을 흡수할 수 있다.

핵심 경쟁은 에이전트와 서비스 의존형 소프트웨어 스택의 대결

Ema는 단순히 또 다른 AI 에이전트 스타트업이 아니라, 결합된 소프트웨어 및 서비스 모델과 경쟁하고 있다.

대기업은 소프트웨어를 독립적인 제품으로만 구매하는 경우가 드물다. 구성, 데이터 마이그레이션, 맞춤형 통합, 규정 준수 업무, 직원 교육, 지속적인 지원에도 비용을 지불한다. 이러한 서비스는 초기 애플리케이션 계약이 체결된 뒤에도 오랫동안 이어질 수 있다.

Ema의 제안은 이 스택의 일부를 압축한다. 이 회사의 에이전트는 기존 시스템 전반에서 작동하고, 배포 과정에서 학습하며, 사람의 개입을 줄인 채 반복 프로세스를 완료하도록 설계됐다. 회사는 이를 통해 애플리케이션 의존도와 서비스 중심의 구현 업무를 모두 줄일 수 있다고 주장한다.

가장 분명한 사례는 IT 지원이다. 기존 서비스 데스크는 티켓을 접수하고, 분류하며, 문서를 검색하고, 사용자의 권한을 확인하고, 시스템을 업데이트한 뒤, 사례를 상위 담당자에게 전달할 수 있다. 이러한 단계를 처리하는 에이전트는 사람에게 도달하는 일상적인 티켓 수를 줄일 수 있다.

Ema는 한 대형 글로벌 시스템 통합업체가 65개국 24만 명이 넘는 임직원을 위해 자사 직원 지원 도구를 사용하고 있다고 말한다. 회사의 deployment figures에 따르면, 이 시스템은 100개가 넘는 워크플로를 자동화하고 연간 약 290만 건의 문의를 처리한다.

회사는 이 배포로 응답 시간이 단축되고 직원 만족도가 개선됐으며, 약 60%의 티켓을 방지했고, 피플 운영 팀이 더 적은 인력으로 운영할 수 있게 됐다고 말한다. 이는 Ema의 측정치이며 독립 감사를 거친 성과 수치는 아니다.

또 다른 보고된 배포 사례는 대형 비즈니스 프로세스 아웃소싱 제공업체를 위해 연간 100만 건이 넘는 IT 서비스 관리 티켓을 처리한다. Ema는 관련 음성 시스템이 15개 이상의 언어로 100만 건이 넘는 통화를 처리하며, 이 가운데 사람에게 이관되는 비율은 10% 미만이라고 말한다.

세 번째 고객사는 글로벌 복합기업으로 소개되며, 보도에 따르면 4주 만에 개념 검증 단계에서 실제 운영 단계로 전환했다. Ema는 해당 배포가 20개가 넘는 기록 시스템과 연결됐으며 4만 명 이상의 직원을 지원한다고 밝혔다.

이 사례들은 서비스 제공업체가 복잡한 선택에 직면한 이유를 보여준다. 에이전트를 청구 가능한 노동을 자동화하는 경쟁자로 볼 수도 있다. 반면 에이전트 플랫폼을 활용해 고객을 더 효율적으로 지원하고, 고객 계정을 보호하며, 새로운 구현 서비스를 만들 수도 있다.

Chatterjee는 많은 서비스 기업이 자체 사업 모델을 전환하는 동시에 이미 Ema와 협력하고 있다고 말했다. 기업에는 여전히 프로세스 설계, 거버넌스, 통합, 조직 변화 관리가 필요하므로 이러한 협력은 타당하다. AI가 이런 요구사항을 없애지는 않는다.

압박은 대규모 팀을 통해 청구되는 반복 업무에 가장 크게 가해진다. 에이전트가 일반적인 요청을 처리하고, 일상적인 기록을 대조하거나, 표준 점검을 수행할 수 있다면 고객은 주로 인력 규모에 기반한 계약에 의문을 제기할 것이다.

다만 서비스 관계는 다른 형태로 지속될 수 있다. 에이전트에는 접근 제어, 평가 시스템, 에스컬레이션 규칙, 모니터링이 필요하다. 규제 산업의 조직은 에이전트가 어떤 데이터에 접근했는지, 왜 특정 조치를 취했는지를 보여주는 증거도 필요하다.

일부 모델 기업은 이러한 현실을 명시적으로 인정한다. 예를 들어 Anthropic은 규제 산업에서 사용하는 시스템에 Claude를 내장하기 위해 주요 IT 제공업체와 협력했다. DXC alliance에는 서비스 업무를 완전히 없애는 대신 현장 배치 엔지니어를 양성하는 계획이 포함돼 있다.

따라서 Ema는 제품 주도 접근 방식이 맞춤형 서비스에 대한 의존도를 줄이면서도, 그 서비스를 단지 다른 곳으로 이전하는 데 그치지 않음을 입증해야 한다. 고객마다 광범위한 수작업 구성이 필요한 플랫폼이라면 경제성에 대한 주장이 약화될 것이다.

보고된 매출총이익률은 초기 신호 중 하나를 제공한다. Ema는 일반적으로 노동집약적 서비스와 연관된 업무를 수행하면서도 매출총이익률이 80%에 가깝다고 밝혔다. Chatterjee는 시스템이 배포 사례에서 학습함에 따라 인적 지원이 감소하는 점이 이 수준에 부분적으로 기여한다고 설명했다.

투자자들은 이 플랫폼이 서비스형 업무를 다루면서도 소프트웨어와 같은 경제성을 유지할 수 있다고 보는 것으로 보인다. Creaegis가 이번 라운드를 주도했으며, 모든 주요 기존 투자자가 더 큰 규모의 투자 약정으로 참여했다.

그렇다고 경쟁 구도가 결론 난 것은 아니다. 엔터프라이즈 계약에는 상당한 배포 비용, 고객별 엔지니어링, 클라우드 추론 비용이 숨겨질 수 있다. 회사가 더 많은 지역, 산업, 복잡한 워크플로로 진출해도 높은 매출총이익률이 유지돼야 한다.

Ema는 자금력이 탄탄한 에이전트 기업들과도 경쟁해야 한다. Sierra는 고객 대면 업무에 집중하며, 자사 에이전트가 수십억 건의 상호작용을 처리한다고 말한다. 보도된 Sierra funding round에서는 이 회사의 기업가치가 150억 달러를 넘는 것으로 평가됐다.

다른 경쟁사들은 고객 지원, 음성 시스템, 부서별 워크플로, 에이전트 인프라를 전문으로 한다. Microsoft, Salesforce, ServiceNow, Workday, SAP 같은 기존 공급업체는 고객이 이미 신뢰하는 제품 안에 에이전트를 배치할 수 있다.

Ema의 우위는 이러한 경계를 넘나드는 능력에서 나와야 한다. 각 기존 기업의 에이전트가 자체 제품군 안에서만 가장 강력하다면, 구매자는 독립적인 오케스트레이션 계층을 선호할 수 있다. 기존 기업들이 시스템 전반에서 효과적으로 협력한다면 Ema의 입지는 방어하기 더 어려워진다.

Ema AI 에이전트는 단일 모델이 아니라 오케스트레이션에 의존한다

Ema의 기술적 논지는 신뢰할 수 있는 엔터프라이즈 자동화에는 하나의 모델 제공업체에 대한 충성이 아니라 언어 모델을 중심으로 한 조정이 필요하다는 것이다.

언어 모델은 직원의 요청을 해석할 수 있지만, 엔터프라이즈 환경에서 실행하려면 추가 구성 요소가 필요하다. 시스템은 사용자를 식별하고, 권한이 부여된 데이터를 가져오며, 도구를 선택하고, 맥락을 보존하고, 결과를 검증하며, 사람이 개입해야 하는 시점을 파악해야 한다.

EmaFusion은 Ema 아키텍처의 라우팅 계층 역할을 한다. 회사는 이를 통해 150개 이상의 최첨단 및 오픈소스 모델 중에서 선택할 수 있다고 말한다. 작업 요구사항, 성능, 데이터 정책 또는 운영 비용에 따라 서로 다른 모델을 배정할 수 있다.

이러한 모델 유연성 설계는 특정 공급업체에 대한 의존도를 줄인다. 또한 제공업체가 더 강력한 모델을 출시할 때 Ema가 그 혜택을 얻을 수 있게 한다. Chatterjee는 이러한 이유로 최첨단 연구소의 발전이 회사에 도움이 된다고 설명해 왔다.

그러나 모델 접근성만으로는 제한적인 방어력을 제공한다. 경쟁사도 동일한 기반 모델을 라이선스할 수 있는 경우가 많다. Ema의 방어 가능한 가치는 통합, 워크플로 로직, 엔터프라이즈 제어 기능, 평가 데이터, 그리고 실제 운영 환경에서 프로세스가 작동하는 방식에 대한 이해에 있어야 한다.

휴가 정책과 관련된 HR 요청을 생각해 보자. 언어 모델은 질문을 이해할 수 있지만, 정확한 실행은 최신 정책 문서, 지역별 규정, 고용 기록, 승인 권한에 달려 있다. 각 정보원은 독립적으로 변경될 수 있다.

신뢰할 수 있는 에이전트는 질문에 답하는 일과 공식 기록을 수정하는 일을 구분해야 한다. 동의가 필요한 때, 관리자가 조치를 승인해야 하는 때, 상충하는 정보로 인해 자동화가 안전하지 않은 때를 알아야 한다.

같은 원칙은 IT에도 적용된다. 접근 권한 재설정, 소프트웨어 프로비저닝, 보안 그룹 변경은 민감한 시스템에 영향을 줄 수 있다. 에이전트에는 제한된 권한과 명확한 감사 추적이 필요하다. 유창한 응답이 올바른 실행을 대체할 수는 없다.

재무 워크플로는 위험도를 더욱 높인다. 대사, 구매 승인, 계정 변경은 공식 통제를 따라야 한다. 에이전트가 단계를 준비하거나 실행할 수는 있지만, 기업은 중요한 의사결정에 대해 직무 분리와 사람의 감독이 필요하다.

Ema는 자사 시스템이 자체 작업을 점검하고 필요할 때 승인을 요청하도록 라우팅할 수 있다고 말한다. 이러한 통제는 제품 신뢰성의 핵심이다. 동시에 고객 수나 총 쿼리 규모만으로는 평가하기 어렵다.

플랫폼의 더 넓은 약속은 지능형 제어 플레인에 가깝다. 모든 시스템을 즉시 대체하는 대신, 공통 인터페이스를 통해 기존 환경을 조정한다. 시간이 지나면 에이전트가 상호작용을 소유하게 될 경우, 거의 사용되지 않는 애플리케이션은 전략적 중요성을 잃을 수 있다.

이 메커니즘은 고객이 애플리케이션을 해지하기 전부터 Ema의 엔터프라이즈 소프트웨어가 기존 업체를 위협하는 이유를 설명한다. 에이전트는 사용자와 개별 제품 사이의 직접적인 관계를 약화시킬 수 있다. 공급업체는 다른 회사의 인터페이스 아래에서 인프라 제공업체가 된다.

같은 메커니즘은 부서 간 확장도 뒷받침한다. 하나의 프로세스가 조직 경계를 넘을 때 공통 에이전트 계층은 IT, HR, 재무의 정보를 결합할 수 있다. 예를 들어 직원 온보딩에는 신원 생성, 장비 요청, 급여 기록, 정책 확인, 관리자 승인이 포함될 수 있다.

이 지점에서 개인 및 조직 지식이 중요해진다. 에이전트에는 거래 기록 이상의 것이 필요하다. 정책, 프로젝트 이력, 문서, 그리고 팀이 실제로 어떻게 일하는지를 설명하는 맥락이 필요할 수 있다.

개별 지식 근로자에게 personal knowledge base는 더 작은 규모에서 관련된 문제를 해결한다. 이는 정보가 발생한 시스템을 대체하지 않으면서도 흩어진 정보를 더 쉽게 검색하고 활용할 수 있게 한다.

Ema의 과제는 권한과 책임성을 유지하면서 이와 유사한 맥락 계층을 엔터프라이즈 운영 전반에 적용하는 것이다. 에이전트가 접하는 시스템이 많을수록 조정의 가치는 커진다. 실수의 잠재적 영향도 함께 증가한다.

이러한 상충관계 때문에 사람은 시스템 안에 남는다. 회사에 따르면 Ema의 아키텍처에는 중요한 의사결정을 위한 인간 감독이 포함된다. 가장 강력한 배포 방식은 일상적인 경로를 자동화하는 한편, 모호하거나 민감하거나 영향이 큰 사례는 적합한 직원에게 전달하는 방식일 가능성이 높다.

Ema의 성장 수치가 여전히 입증하지 못하는 것

Ema는 이례적으로 강력한 확장 지표를 보고했지만, 성장의 지속 가능성을 검증하기에는 충분한 재무 세부 정보를 공개하지 않았다.

Ema는 50건이 넘는 활성 엔터프라이즈 계약과 100만 명 이상의 활성 엔터프라이즈 사용자를 보유하고 있다고 말한다. 이 플랫폼은 Hitachi, ADP, PwC, Google, KPMG, Wipro, Microsoft, NTT DATA 등을 포함한 고객 전반에서 500만 건 이상의 작업과 쿼리를 처리한 것으로 알려졌다.

회사는 지난 2년 동안 매출이 50배 증가했다고도 밝혔다. Chatterjee에 따르면 매출 예약액은 1억5,000만 달러를 넘었고, 순달러 유지율은 약 180%다.

각 수치에는 맥락이 필요하다. 50배 성장은 작은 기반에서 시작될 수 있다. Ema는 시작 매출이나 현재 연환산 매출 실행 규모를 공개하지 않아 절대적인 규모를 평가하기 어렵다.

예약액은 인식 매출과 다르다. Ema의 수치에는 2년 또는 3년짜리 계약을 포함한 다년 계약의 총가치가 포함된다. 그 가치 일부는 나중에 인식되며 계약 조건이나 성공적인 제공 여부에 따라 달라질 수 있다.

순달러 유지율이 180%에 가깝다면 기존 고객 내에서 큰 폭의 확장을 의미한다. 그러나 독자는 측정 코호트의 규모, 계산 기간, 성과 기반 가격 책정이 결과에 미치는 영향을 알 수 없다.

활성 사용자와 완료된 작업도 서로 다른 것을 측정한다. 기업은 대규모 직원 집단에 에이전트를 제공할 수 있지만, 실제로 정기적으로 사용하는 것은 일부에 그칠 수 있다. 쿼리 규모는 작업의 복잡성, 정확도, 또는 사람의 수정이 필요했던 요청 수를 보여주지 않는다.

Ema가 언급한 고객사는 의미 있는 검증을 제공하지만, 개별 배포 범위는 다르다. 대기업 내 제한된 부서 워크플로와 기존 소프트웨어를 전사적으로 대체하는 것은 다르다.

따라서 대체라는 표현에는 신중함이 필요하다. Ema는 고객이 배포를 확장하고 의미 있는 업무를 자동화하고 있다는 근거를 제시했다. 그러나 많은 조직이 핵심 SaaS 애플리케이션을 제거했다는 점은 보여주지 못했다.

단기적인 결과는 대체보다 추가 도입일 수 있다. 기업은 기존 소프트웨어 공급업체에 계속 비용을 지불하면서 그 위에 에이전트 플랫폼을 추가할 수 있다. 이는 직원 경험을 개선할 수 있지만, 전체 기술 지출을 늘릴 수도 있다.

성과 기반 가격 책정도 측정상의 질문을 낳는다. 고객과 공급업체는 무엇을 완료된 업무로 볼지 합의해야 한다. 해결된 지원 티켓도 해결이 잘못됐거나, 이후 사고를 유발했거나, 직원을 불만스럽게 했다면 가치가 없다.

에이전트는 모니터링, 예외 처리, 모델 사용, 보안 검토, 통합 유지보수를 통해 숨은 비용을 발생시킬 수 있다. 이러한 비용은 관리 가능한 수준에 머물 수 있지만, 구매자는 좁은 자동화 지표가 아니라 완전한 운영 비용 산정이 필요하다.

보안은 또 다른 불확실성을 제시한다. HR, IT, 재무 전반에서 조치를 취할 수 있는 에이전트는 민감한 정보와 비즈니스 시스템에 폭넓게 접근한다. 탈취된 자격 증명, 잘못된 지시, 조작된 입력은 연결된 워크플로 전반으로 확산될 수 있다.

플랫폼이 여러 기반 모델을 사용할 때 거버넌스는 더 어려워진다. 기업은 데이터가 어디로 이동하는지, 어떤 모델이 요청을 처리했는지, 어떤 규칙이 선택을 통제했는지, 결과가 어떻게 평가됐는지를 이해해야 한다.

국제적 확장은 규제 및 현지화 요구사항을 더한다. 고용 규정, 개인정보 보호 의무, 언어 성능, 데이터 레지던시는 Ema의 목표 시장마다 다르다. 한 관할권에서 잘 작동하는 워크플로가 다른 곳에서는 상당한 변경을 필요로 할 수 있다.

경쟁 압력도 높아질 것이다. 모델 제공업체는 에이전트 템플릿과 배포 팀을 제공할 수 있다. 소프트웨어 기존 업체는 기존 계약에 에이전트를 묶어 제공할 수 있다. 서비스 기업은 자체 오케스트레이션 제품을 개발하거나 여러 플랫폼의 구현 파트너가 될 수 있다.

Ema의 모델 중립 아키텍처는 도움이 되지만, 중립성만으로는 지속 가능한 우위가 되기 어렵다. 구매자는 더 심층적인 통합, 더 강력한 평가, 그리고 산업별 제어 기능을 기대할 것이다. 또한 이미 보유한 소프트웨어에 내장된 에이전트와 Ema의 성과를 비교할 것이다.

Ema의 Series B 투자 유치는 이러한 질문에 답할 시간과 자원을 제공한다. 하지만 질문 자체를 없애지는 않는다. 가장 중요한 증거는 반복적인 프로덕션 배포, 감사된 성과, 갱신 행태, 안정적인 경제성에서 나올 것이다.

세 가지 신호가 Ema가 엔터프라이즈 지출을 재편할 수 있는지 보여줄 것이다

다음 시험대는 Ema가 고객 확장을 소프트웨어 및 서비스 의존도의 측정 가능한 감소로 전환할 수 있는지 여부다.

첫 번째 신호는 애플리케이션 폐기다. Ema는 일부 고객이 대형 SaaS 제품을 대체하는 방향으로 움직이고 있다고 말하지만, 완료된 대체 사례를 폭넓게 제시하지는 않았다. 취소된 애플리케이션이나 축소된 라이선스 약정의 구체적 사례는 핵심 주장을 강화할 것이다.

구매자는 직원 로그인 수 감소와 소프트웨어 지출 감소를 구분해야 한다. 기업이 기반 시스템에 계속 비용을 지불하는 동안 에이전트가 애플리케이션을 가릴 수는 있다. 진정한 대체는 계약 변경, 배포 규모 축소 또는 제품 폐기를 필요로 한다.

두 번째 신호는 확장의 질이다. Ema는 고객의 90% 이상이 첫 번째 사용 사례를 넘어섰다고 보고한다. 더 강력한 증거는 대규모 맞춤형 엔지니어링 팀이나 마진 하락 없이 높은 순매출 유지율을 보존하는 갱신이 될 것이다.

배포가 더 복잡해질수록 매출총이익률이 Ema가 보고한 수준 근처에 유지되는지 지켜봐야 한다. 안정적인 마진은 소프트웨어가 서비스 업무를 효율적으로 흡수할 수 있다는 주장을 뒷받침할 것이다. 마진 하락은 엔터프라이즈 자동화에 여전히 상당한 인력 투입이 필요하다는 점을 시사할 것이다.

세 번째 신호는 기존 사업자와 파트너의 대응이다. 소프트웨어 공급업체는 외부 에이전트에 더 많은 기능을 공개하거나, 플랫폼 접근을 제한하거나, 자체 어시스턴트를 개선하거나, 기존 계약에 자동화를 묶을 수 있다. 서비스 기업은 인력 대체에 저항하거나 에이전트를 활용해 자사 서비스를 재설계할 수 있다.

모델 개발사도 중요하다. OpenAI와 Anthropic은 엔터프라이즈 제품, 배포 조직, 컨설턴트와의 파트너십을 구축하고 있다. 이들의 행보는 Ema가 사용하는 기술을 개선하는 동시에 독립적인 오케스트레이션 플랫폼에 남는 공간을 좁힐 수 있다.

향후 수개월 동안에는 또 다른 투자 발표보다 고객 공개가 더 많은 정보를 제공할 것이다. 실명이 공개된 배포 사례는 어떤 워크플로가 자율적으로 운영되는지, 사람이 여전히 무엇을 처리하는지, 성공을 어떻게 측정하는지, 그리고 기존 소프트웨어나 서비스 계약이 바뀌었는지를 설명해야 한다.

엔터프라이즈 구매자는 AI 직원를 대체재로 간주하기 전에 같은 증거를 검토해야 한다. 이들은 작업 단위 정확도, 에스컬레이션 비율, 보안 통제, 총운영비, 계약상 책임성을 확인해야 한다. 소프트웨어가 재무, 인사 또는 접근 기록을 수정할 수 있는 상황에서는 세련된 인터페이스만으로 충분하지 않다.

기업용 소프트웨어의 인터페이스가 바뀌고 있기 때문에 지식 근로자도 주목해야 한다. 직원들은 애플리케이션을 탐색하는 시간은 줄이고, 결과를 정의하고 예외 사항을 검토하며 자동화된 업무를 감독하는 데 더 많은 시간을 쓸 수 있다.

이러한 변화는 반복적인 관리 업무를 줄일 수 있지만, 동시에 맥락과 실행을 통제하는 플랫폼으로 영향력을 옮긴다. 조직은 누가 그 계층을 관리할지, 어떤 기록이 권위를 유지할지, 그리고 직원이 에이전트의 결정에 어떻게 이의를 제기할 수 있을지를 결정해야 한다.

Ema의 Series B 투자 유치는 이 경쟁을 단순한 제품 실험으로 치부하기 어렵게 만든다. 이 회사는 이제 서비스 의존도가 높은 엔터프라이즈 운영에 대한 직접적인 대안을 판매할 신규 자본 7,700만 달러를 확보했다.

구매자를 위한 질문은 구체적이다. Ema AI 에이전트는 통제력을 약화하지 않으면서 애플리케이션, 구현 인력, 운영 비용을 제거할 수 있는가? 실제 폐기 사례, 갱신 경제성, 검증된 프로덕션 성과를 추적해야 한다. 이러한 신호는 Ema가 엔터프라이즈 지출을 바꾸고 있는지, 아니면 그 위에 또 하나의 계층을 추가하고 있을 뿐인지를 보여줄 것이다.