한국 AI 스타트업 창업자들의 경력을 살펴보면 익숙한 경로가 있습니다. KAIST나 서울대에서 공부하고, 네이버나 카카오 같은 국내 빅테크를 거쳐 창업하거나, 미국 실리콘밸리에서 경험을 쌓은 뒤 한국에서 회사를 만드는 식입니다.
그런데 다른 경로도 있습니다.
한국에서 개발자 생활을 시작해 일본의 LINE과 현지 IT기업에서 기술과 사업 경험을 쌓은 뒤 AI 회사를 만든 사람들입니다.
VoyagerX의 남세동 대표, Allganize 공동창업자 신기빈, Docenty의 이일구 대표가 각기 다른 방식으로 이 경로를 지나왔습니다.
셋을 하나의 ‘일본파 AI 창업자’ 집단으로 묶을 정도로 표본이 많다고 보기는 어렵습니다. 나이도, 제품도, 창업 시기도 다릅니다. 하지만 이들의 경력을 함께 보면 일본이라는 시장이 한국 개발자들에게 어떤 기술적 경험을 제공했고, 그 경험이 지금의 AI 제품과 어떻게 이어졌는지 살펴볼 수 있습니다.
남세동: LINE의 소비자 서비스를 거쳐 AI 제품 회사로
VoyagerX 공동창업자 남세동 대표는 네오위즈 세이클럽 개발팀장과 기획팀장을 거쳐 네이버에서 웹로봇 개발팀장을 맡았고, 2009년부터 2015년까지 LINE 서비스 실장으로 일했습니다. 이후 2017년 VoyagerX를 공동창업했습니다. VoyagerX가 공개한 공식 프로필에서 확인할 수 있는 경력입니다. (VoyagerX)
VoyagerX는 현재 영상 편집 AI 서비스 Vrew, 문서 스캔 앱 vFlat 등 소비자와 크리에이터가 직접 사용하는 AI 제품을 만듭니다. 이 경력에서 눈에 띄는 것은 연구실 중심의 AI가 아니라 대규모 사용자가 실제로 사용하는 제품을 오래 만들어왔다는 점입니다.
LINE은 일본에서 시작해 여러 국가로 확장된 대규모 소비자 인터넷 서비스였습니다. 이런 환경에서는 모델의 성능뿐 아니라 서비스 속도, 추천과 검색, 사용자 경험, 현지화, 장애 대응, 대규모 트래픽 같은 문제가 한꺼번에 얽힙니다.
남 대표가 이후 VoyagerX에서 보여준 방향도 “AI 기술을 만들었다”보다는 AI를 누구나 바로 쓸 수 있는 제품으로 만드는 것에 더 가깝습니다.
신기빈: Naver·LINE의 NLP 경험에서 일본 엔터프라이즈 AI로
Allganize 공동창업자 신기빈은 KAIST 물리학과를 졸업한 뒤 Neowiz, Naver, LINE에서 서버 프레임워크와 백엔드 개발, 기계번역, 음성인식 성능 개선 업무를 맡았습니다. 현재는 Allganize에서 기술 전략과 R&D, 최신 AI 기술의 제품 적용을 담당하고 있습니다. Allganize의 공식 경영진 소개에 이 경력이 명시돼 있습니다. (Allganize)
Allganize의 행보는 일본과 더욱 직접적으로 연결됩니다.
2017년 미국에서 회사를 설립한 뒤 2018년 서울, 2019년 도쿄에 법인을 열었고, 2021년에는 본사 기능을 일본으로 이전했습니다. 현재는 일본에서 생성형 AI·LLM 솔루션과 AI 에이전트, AI 도입 컨설팅을 제공하고 있습니다. (Allganize)
일본 대기업의 실제 도입 사례도 있습니다. Allganize의 AI 챗봇 Alli를 도입한 Daiwa Securities Group은 백오피스 문의 대응 업무에 활용했고, Allganize는 해당 사례에서 답변 정확도가 20% 이상 개선되고 문의 대응 시간이 약 15% 줄었다고 발표했습니다. 이는 업체 자체 발표 수치라는 점을 감안해 볼 필요가 있지만, 일본에서 AI가 어떤 업무부터 도입되는지 보여주는 실제 사례로는 의미가 있습니다. (Allganize)
신기빈의 경력은 일본을 단순한 과거 근무지가 아니라 기업용 AI의 핵심 시장으로 연결했다는 점에서 흥미롭습니다.
이일구: LINE 추천 시스템에서 일본 기업의 AI 사업 구축까지
Docenty 창업자 이일구 대표 역시 일본 LINE에서 긴 경력을 쌓았습니다.
그는 KIST에서 로봇 언어를 연구한 뒤 일본 LINE에서 약 5년 동안 소프트웨어 엔지니어와 머신러닝 엔지니어로 근무했습니다. 이후 일본 컨설팅 회사에서 데이터사이언스 부서를 설립하고 사업화·확장한 뒤 Docenty를 창업했습니다. (한경매거진)
이 이력을 자세히 살펴보면 일본에서 경력을 쌓은 이 기간의 성격이 더 분명해집니다.
LINE에서는 협업 필터링, 토픽 모델링, 유사도 기반 추천, 아이템 클러스터링을 활용한 추천 시스템을 구축했고, Spark MLlib, MongoDB, Redis, Kafka, RabbitMQ 등을 이용해 추천 시스템과 데이터 파이프라인을 설계·배포했습니다.
이후 일본 Pactera Consulting에서는 역할이 달라졌습니다.
개발자 한 명으로 모델을 만드는 것이 아니라 데이터사이언스 조직의 책임자로 사업 전략과 예산을 짜고, 데이터사이언티스트를 채용·관리하고, 고객의 AI 프로젝트를 설계하고, 시스템 아키텍처와 프로덕션 소프트웨어까지 만드는 역할을 맡았습니다.
보험의 이탈 예측과 사기 탐지, 화장품 이미지 분석, OCR, 추천 시스템 등 산업별 프로젝트도 경험했습니다.
Docenty가 현재 기업용 AI 챗봇, 내부 데이터 활용, 리뷰 분석, AX 컨설팅과 GEO까지 함께 다루는 배경을 이해하는 데 이 시기가 중요합니다.
공통적인 것은 ‘일본’보다 ‘프로덕션’
세 사람을 억지로 하나의 유형으로 만들 필요는 없습니다.
남세동은 소비자 AI 제품에 가까운 창업자이고, 신기빈은 NLP와 엔터프라이즈 AI, 이일구는 머신러닝·데이터사이언스·업무 자동화 쪽에 더 가깝습니다.
다만 한 가지 공통점은 있습니다.
AI가 실제 사용자와 기업 안에서 작동하도록 만드는 경험을 오래 했다는 점입니다.
연구 모델을 데모로 끝내는 것이 아니라,
서비스에 넣고,
사용자의 행동을 관찰하고,
기존 시스템과 연결하고,
장애와 비용을 관리하고,
조직 안에서 실제로 쓰이게 만드는 경험입니다.
생성형 AI 시대가 되면서 이 경험의 가치가 오히려 더 커지고 있습니다.
왜 지금 일본이 다시 중요한 AI 시장이 됐을까
OpenAI는 2024년 도쿄에 첫 아시아 사무소를 열었습니다. 일본어에 최적화한 GPT-4 모델도 함께 발표했습니다. OpenAI는 도쿄를 선택한 이유로 기술 분야의 리더십, 서비스 문화, 혁신을 받아들이는 커뮤니티를 들었습니다. (OpenAI)
Anthropic도 첫 아시아 사무소를 도쿄에 두었습니다. 2025년에는 일본 책임자를 선임하면서 일본 기업들이 생성형 AI를 고객 경험, 개발 워크플로우와 핵심 업무에 빠르게 통합하고 있다고 설명했습니다. (Anthropic)
AI 검색 기업 Perplexity는 SoftBank와 손잡았습니다. 2025년 SoftBank는 Perplexity Enterprise Pro를 일본 기업에 판매하기 시작했고, 일본에서 첫 공식 판매 파트너가 됐습니다. (ソフトバンク)
SoftBank의 Perplexity Enterprise Pro 일본 판매 발표
이 흐름을 두고 일본을 곧바로 ‘아시아 최고의 AI 시장’이라고 부르기는 어렵습니다. 하지만 글로벌 AI 회사들이 기업 고객을 확보하는 과정에서 일본을 주요 거점으로 보고 있다는 점은 분명합니다.
일본 기업에는 이미 데이터가 많다
일본의 AI 시장이 흥미로운 이유는 기업이 디지털화되지 않았기 때문만은 아닙니다.
오히려 ERP, CRM, 파일 서버, 그룹웨어, 클라우드 SaaS, 수십 년간 쌓인 보고서와 매뉴얼 등 디지털 자산이 이미 많은 기업이 많습니다.
문제는 이 정보를 AI가 실제 업무에 쓸 수 있느냐입니다.
일본 정보처리추진기구 IPA가 2026년 1,799개 기업을 조사한 결과, AI 도입 자체는 대기업을 중심으로 확대되고 있었습니다. 그러나 효과는 업무 효율화와 속도 향상에 집중돼 있었고, 새로운 가치 창출이나 사업 구조 변화로 이어진 경우는 상대적으로 제한적이었습니다. (특허청)
이 간극이 지금 일본 AX 시장의 핵심입니다.
AI를 ‘써본다’에서 ‘업무를 맡긴다’로 넘어가기 위해서는 회사가 이미 가진 지식과 데이터를 정리하고, 검색하고, 권한을 관리하고, 실제 업무 흐름에 연결해야 합니다.
Box Japan의 사례가 보여주는 것
2025년 6월 열린 Box의 일본 행사 프로그램을 보면 일본 대기업이 AI를 어디에 쓰려는지 구체적으로 드러납니다.
Toyota, NRI, NEC, Panasonic Connect, Ricoh, NTT Data, JR East, Seven & i 등 여러 대기업이 참여했고, Box CEO Aaron Levie도 Toyota와 농림중앙금고 관계자 등과 함께 기조연설에 섰습니다.
NRI는 기업 내부의 숨은 정보자산을 활용하는 문제를, Tokyo Century는 사내 데이터 통합을, NEC는 생성형 AI를 이용한 Box 콘텐츠 활용을 다뤘습니다. Ricoh는 ‘Private LLM × AI Agent로 가속하는 DX’를 발표했습니다.
NRI는 2025년 Box Enterprise Advanced의 일본 최초 도입 기업이 되기도 했습니다. Box는 NRI가 AI 에이전트와 메타데이터 관리 기능을 이용해 콘텐츠 관리와 업무 흐름을 자동화한다고 설명했습니다. (Box Japan)
일본의 AX가 단순히 ‘직원에게 ChatGPT 계정을 나눠주는 일’이 아니라는 점이 여기서 드러납니다.
기업의 지식을 구조화하고, 검색하고, 필요한 일을 AI에게 넘기는 쪽으로 가고 있습니다.
일본의 AI 검색 시장에서도 같은 변화가 시작됐다
기업 내부의 정보 활용 방식이 달라지는 동안, 기업 밖에서는 AI 검색이 새로운 마케팅 채널이 되고 있습니다.
일본에서는 GEO 외에도 LLMO와 AIO라는 표현이 널리 쓰입니다.
Faber Company의 ミエルカGEO는 ChatGPT와 Gemini에서 브랜드와 경쟁사의 언급·인용을 모니터링합니다. 2026년에는 최대 1,000개 프롬프트와 인용률 추적까지 지원하도록 기능을 확대했습니다. (Faber Company)
Faber가 2026년 일본 대기업 109개사를 조사한 결과, GEO·LLMO·AIO를 본격 시행하고 있다고 답한 곳은 약 10%, 시험 시행이나 정보 수집 단계는 약 70%였습니다. 사업자가 실시한 조사라는 한계는 있지만, 아직 시장이 초기 실행 단계에 있다는 점을 보여줍니다. (Faber Company)
DolphinX AIO는 ChatGPT와 Gemini가 답변 과정에서 실제로 사용하는 검색 쿼리, 즉 Query Fan-out까지 보여주기 시작했습니다. (DolphinX)
PLAN-B는 한 단계 더 나아가 LLMO 대시보드와 SEO 에이전트를 동시에 출시했습니다. AI 검색 노출을 측정한 뒤 키워드 전략, 우선순위, 콘텐츠 초안, 성과 기록과 다음 작업 추천까지 같은 시스템 안에서 돌리는 방식입니다. (Plan B)
PLAN-B SEARCH WRITE의 LLMO·SEO Agent 발표
이 시장에서도 제품의 초점은 측정에서 실행으로 이동하고 있습니다.
일본에서 기술을 만들었던 한국 창업자들에게 익숙한 문제
이 지점에서 LINE이나 일본 기업에서 일했던 한국 개발자들의 경력이 다시 보입니다.
대규모 서비스에서는 데이터가 없어서 문제가 생기지 않습니다.
너무 많고, 흩어져 있고, 실시간으로 변하고, 어떤 데이터를 어떤 상황에서 써야 하는지가 문제입니다.
기업용 AI에서도 비슷합니다.
좋은 모델 하나를 붙이는 것보다,
어떤 문서를 읽게 할지,
권한은 어떻게 나눌지,
어떤 결정을 AI에게 맡길지,
결과를 다음 업무와 어떻게 연결할지가 더 어렵습니다.
남세동, 신기빈, 이일구의 경로는 서로 다르지만 모두 이 문제를 오래 다뤄왔습니다.
그리고 생성형 AI 시대에는 이 경험이 제품 경쟁력으로 다시 나타나고 있습니다.
VoyagerX는 AI를 소비자 제품으로 만듭니다.
Allganize는 기업의 지식과 업무를 AI 에이전트로 연결합니다.
Docenty는 고객 응대와 기업 데이터, 업무 자동화에서 출발해 GEO까지 범위를 넓혔습니다.
일본에서 쌓은 경력을 그 자체로 특별하게 볼 필요는 없습니다.
더 흥미로운 것은 그 시장에서 어떤 종류의 문제를 오랫동안 풀었는가입니다.
AI가 데모가 아니라 실제 서비스와 업무가 되려면 무엇이 필요한지를 경험한 개발자들이 이제 각자의 방식으로 AI 회사를 만들고 있습니다.
그 경로는 한국 AI 스타트업 생태계를 읽을 때 실리콘밸리만큼이나 살펴볼 가치가 있습니다.
