[Startup 분석] 한국딥러닝, 보험금 청구 40종을 자동 심사하는 문서 AI

보험금 청구는 이미 모바일로 접수되지만, 보험사 안쪽에서는 여전히 진단서·영수증·세부내역서를 사람이 다시 읽고 대조한다. 한국딥러닝은 2026년 8월 27일 이 병목을 겨냥해 문서 40여 종을 분류하고 핵심 값을 교차 검증하는 ‘딥에이전트 for 보험’을 내놨다. 앞서 120억 원 시리즈 A를 마쳤고, 공식 사이트에는 80곳 이상의 엔터프라이즈·공공 고객과 98% 재계약률이 제시돼 있다. 지금 이 회사를 봐야 하는 이유는 OCR 스타트업이 글자 인식 도구를 넘어 보험사의 실제 심사 흐름을 파는 기업용 AI 회사로 바뀌는 순간이기 때문이다.

한눈에 보는 한국딥러닝

• 설립·대표: 2019년 설립, 김지현 대표. 금융·공공·의료 현장의 비정형 문서를 읽고 분류·검증·업무 시스템 연동까지 자동화하는 문서 AI 기업이다.
• 핵심 제품: VLM 기반 문서 인식 ‘DEEP OCR’, 문서 구조를 해석하는 ‘DEEP Parser’, 분류·추출·대조·검증·후속 실행을 묶은 ‘DEEP Agent’. 최신 제품은 보험금 청구에 특화된 ‘딥에이전트 for 보험’이다.
• 현재 트랙션: 공식 사이트 기준 엔터프라이즈·공공 고객 80곳 이상, 고객 재계약률 98%. 투자 보도 기준 누적 매출 100억 원이며, 2024년 매출 32억8,000만 원·영업이익 3억4,000만 원으로 집계됐다.
• 최근 투자: 2026년 1월 총 120억 원 규모 시리즈 A를 마무리했다. 트랜스링크인베스트먼트가 주도하고 SV인베스트먼트·IBK기업은행·한국산업은행이 참여했다.
• 기업가치: 투자 전·후 기업가치, 주당 가격, 투자 증권과 희석률은 공개되지 않았다. 120억 원은 투자금이지 기업가치가 아니다.
• 핵심 비공개 지표: 2025·2026년 연간 매출과 영업이익, 구독·라이선스·구축 매출 비중, 고객당 계약액, 순매출 유지율, 문서당 처리 원가, 보험사 유료 고객 수, 오탐·누락률과 사람 검수 비율.

보험금 청구 40종은 어떻게 자동화되는가?

이번 제품이 다루는 것은 OCR 한 번이 아니다. 회사 발표를 인용한 보도에 따르면 보험금청구서, 진단서, 진료비 영수증 등 40여 종의 서류를 자동 구분하고, 여러 문서에서 이름·날짜·진단·비용 같은 핵심 값을 뽑아 서로 맞는지 대조한다. 정상 처리 가능한 건은 후속 업무 시스템으로 보내고 예외만 담당자에게 넘기는 구조다.

이 흐름은 네 단계로 나뉜다. 먼저 흐린 스캔과 팩스 노이즈를 보정하고 문서를 분류한다. 다음으로 글자·표·키와 값을 구조화한다. 이어 서명·도장과 문서 사이 정보의 일치 여부를 확인한다. 마지막으로 검수 화면이나 보험사의 기존 시스템에 결과를 연결한다. 즉, 제품의 단위가 ‘한 장의 인식 결과’에서 ‘청구 한 건의 처리 결과’로 커졌다.

왜 지금 주목받는가: OCR의 성능보다 ‘재검수’가 중요해졌다

문서 AI 시장의 마케팅 문구는 대부분 정확도에 집중한다. 하지만 보험사 입장에서 99% 정확도라는 평균값만으로는 자동 지급을 결정할 수 없다. 보험금·계약자·진단명처럼 위험이 큰 필드 하나가 틀리면 담당자는 결국 원문 전체를 다시 읽는다. 현장의 경제성은 문자 인식률보다 예외 건 비율, 사람이 수정한 필드 수, 자동 처리된 청구 건의 비중으로 결정된다.

한국딥러닝이 새 제품에서 분류·추출 뒤에 대조와 1차 판단을 붙인 이유도 여기에 있다. 회사는 실제 보험금 청구 문서로 사전 검증해 기존 수작업 대비 처리 비용과 시간을 최대 91% 줄였다고 밝혔다. 다만 대상 문서 수, 청구 건수, 정확도 기준, 비교 인력과 시험 기간은 공개되지 않았다. ‘최대 91%’는 인상적인 제품 검증 신호지만 전체 보험사에서 재현된 평균 성과로 읽어서는 안 된다.

시점도 좋다. 금융사는 생성형 AI를 도입하고 싶어도 개인정보와 오류 책임 때문에 외부 API에 핵심 문서를 보내기 어렵다. 한국딥러닝은 온프레미스와 폐쇄망 배포, 검수 이력, 사람 승인 단계를 전면에 둔다. 모델이 조금 더 똑똑하다는 설명보다 기존 보안·심사 체계 안에서 통제 가능하다는 점이 구매 결정에 더 가까운 경쟁력이다.

기업 개요: ‘문서를 읽는 AI’에서 ‘문서 일을 끝내는 AI’로

한국딥러닝은 2019년 설립 이후 시각 인식 기술을 기업용 문서 처리에 적용해 왔다. 초기 DEEP OCR은 이미지와 스캔 문서의 문자를 읽는 엔진에 가까웠다. 이후 DEEP Parser가 레이아웃·표·문단을 구조화하고, DEEP Agent가 여러 엔진을 묶어 분류·검증·업무 실행까지 담당하는 방향으로 제품 범위를 넓혔다.

공식 제품 구조를 보면 전략이 선명하다. 전처리에는 초해상화·자동 분류·개인정보 마스킹이 있고, 이해 단계에는 OCR·파서·문서 내 이미지 분석이 있다. 실행 단계에는 검수, 서명·도장 확인, 문서 간 대조와 조건 기반 검증이 배치된다. 마지막에는 모델 배포와 운영 관리가 붙는다. 고객이 여러 공급사의 도구를 조합하지 않고 하나의 책임 주체에게 문서 흐름 전체를 맡기게 하려는 구성이다.

회사와 투자 보도는 국세청, 현대캐피탈, 한국벤처투자 등 공공·금융 레퍼런스를 제시한다. 공식 사이트에는 현대캐피탈의 752종 문서 자동화와 80곳 이상의 고객, 98% 재계약률이 표시돼 있다. 모두 회사 공개 수치이므로 고객 범위와 재계약률의 분모·계약 단위는 추가 확인이 필요하지만, 단발성 PoC를 넘어 운영 환경에 들어간 경험이 있다는 강한 신호다.

120억 원 시리즈 A가 특별한 이유

한국딥러닝은 2025년 10월 100억 원 규모 시리즈 A를 공개했고, 2026년 1월 한국산업은행의 50억 원 참여를 포함해 총 120억 원으로 라운드를 마쳤다. 트랜스링크인베스트먼트가 리드했고 SV인베스트먼트와 IBK기업은행이 함께했다. 회사 설명에 따르면 TIPS 지원금 1억 원을 제외하면 이 라운드 전까지 외부 투자 없이 매출로 성장했다.

부트스트래핑 이력은 두 가지를 보여준다. 하나는 고객이 실제로 비용을 지불했다는 점이고, 다른 하나는 커스텀 프로젝트로 성장을 버텼을 가능성이다. 2024년 매출 32억8,000만 원과 영업이익 3억4,000만 원은 초기 AI 스타트업으로서는 드문 흑자 기록이다. 반면 누적 매출 100억 원은 특정 연도의 반복매출이 아니며, 프로젝트 매출이 얼마나 포함됐는지도 공개되지 않았다.

확보한 자금은 문서 이해 모델 고도화, 실행 규칙과 검증 체계, 처리 속도·비용 최적화, 글로벌 진출에 투입될 예정이다. 핵심 과제는 연구 성능보다 제품 표준화다. 고객마다 문서와 내부 시스템이 다르기 때문에 구축 인력이 매출과 비례해 늘어나면 좋은 기술 서비스 회사는 될 수 있어도 높은 배수를 받는 소프트웨어 회사가 되기는 어렵다.

돈은 어디서 버는가?

공개 가격표는 없지만 제품 구성과 구축 사례를 보면 수익원은 네 층으로 나눌 수 있다.

• 엔진·소프트웨어 라이선스: DEEP OCR·Parser·Agent를 고객 환경에 공급하고 사용 범위나 처리량에 따라 라이선스 비용을 받는 구조다. 폐쇄망·온프레미스 고객은 초기 계약액과 유지보수 비중이 클 가능성이 높다.
• 구축·통합 프로젝트: 고객의 문서 종류, 심사 규칙, ERP·기간계 연동과 검수 화면을 맞춤 설계한다. 초기 매출은 크지만 인력 투입이 많으면 총마진과 확장성이 낮아질 수 있다.
• 산업별 문서 AI 팩: 보험·금융·무역처럼 반복되는 문서와 규칙을 패키지화한다. 같은 모듈을 여러 고객에게 재사용할수록 구축 기간과 원가가 낮아진다.
• 클라우드·관리형 서비스: 공식 페이지는 내부 서버 없이 소프트웨어를 도입하는 DEEP Hub 옵션을 안내한다. 처리 페이지나 워크플로 단위 과금으로 발전하면 반복매출을 만들 수 있지만 현재 가격과 매출 비중은 비공개다.

좋은 사업 모델은 고객이 처음에는 한 업무로 시작하고, 이후 문서 종류·부서·처리량을 늘리며 계약액이 커지는 구조다. 공식 98% 재계약률이 같은 고객의 확장 매출까지 포함한 순매출 유지율로 이어진다면 강한 SaaS 신호가 된다. 반대로 단순 유지보수 갱신률이라면 사업 가치를 설명하는 힘은 제한적이다.

가장 강한 경쟁자는 업스테이지다

국내 보험 문서 AI에서 가장 직접적인 경쟁자는 업스테이지다. 업스테이지 공식 자료는 Document AI가 국내 보험금 청구 처리의 60% 이상에 관여한다고 주장하고, 손글씨·표·도장이 섞인 문서를 분류·추출·검증해 보험 시스템에 연결하는 워크플로를 제시한다. 삼성생명·한화생명 같은 공개 레퍼런스와 클라우드·VPC·온프레미스 배포 옵션도 갖췄다.

네이버클라우드의 CLOVA OCR은 신분증·증명서·은행 서류에서 키와 값을 추출하는 API와 VPC 환경을 제공한다. 해외에서는 Google Document AI, Azure AI Document Intelligence, AWS Textract, ABBYY가 대규모 클라우드 유통망과 개발자 생태계를 앞세운다. 고객이 범용 추출 API만 원한다면 한국딥러닝은 가격과 접근성에서 거대 플랫폼과 경쟁해야 한다.

따라서 한국딥러닝의 방어력은 OCR 모델 하나보다 세 가지에서 나와야 한다. 한국 금융·공공 문서에 대한 경험, 폐쇄망에서의 운영 능력, 문서 간 대조와 사람 검수를 포함한 산업 워크플로다. 벤치마크 점수는 영업의 입구지만, 계약을 지키는 것은 오류를 발견하고 책임 있게 멈추는 운영 설계다.

이 밸류에이션은 말이 되는가?

이번 투자 라운드의 기업가치는 공개되지 않아 매출배수나 이익배수를 계산할 수 없다. 120억 원 투자금과 2024년 매출 32억8,000만 원을 비교해 기업가치를 추정하는 것도 잘못이다. 투자금은 회사로 들어온 자본이고, 밸류에이션은 그 자본과 교환한 지분 가격이기 때문이다.

정당성을 판단할 수 있는 긍정적 근거는 있다. 2024년 흑자, 80곳 이상 고객, 누적 매출 100억 원, 98% 재계약률이라는 회사 공개 지표는 기술 데모 단계를 벗어났음을 보여준다. 2025년 3월 출시한 딥에이전트가 두 달 만에 11억 원 규모 계약을 만들었다는 보도도 제품 단가가 작지 않음을 시사한다.

반대로 핵심 분모가 없다. 2025년 연간 매출, 반복매출, 고객당 계약액, 총마진, 순매출 유지율과 상위 고객 집중도가 비공개다. 기업가치가 합리적이려면 120억 원을 써서 구축 인력을 단순히 늘리는 대신, 보험·금융용 모듈을 재사용해 매출 성장보다 비용 증가가 느린 구조를 증명해야 한다.

가장 큰 리스크는 ‘91% 절감’ 뒤의 예외 건이다

첫 번째 위험은 자동화 성과의 측정 방식이다. 처리 시간 최대 91% 절감이 문서 한 장의 추출 시간인지, 청구 한 건이 지급 시스템에 넘어갈 때까지의 시간인지에 따라 가치가 다르다. 쉬운 정상 건만 자동화하고 어려운 건을 모두 사람에게 넘겼다면 평균 정확도는 높아도 실제 인력 절감은 제한될 수 있다.

두 번째는 오류 책임이다. 이름이나 날짜를 잘못 읽는 OCR 오류보다, 서류가 충분하다고 잘못 판단하는 에이전트 오류가 더 비싸다. 보험금 과지급·지급 지연·차별적 심사로 이어질 수 있어 신뢰도 임계치, 사람 승인, 감사 로그, 모델 버전 관리와 원문 근거 표시가 제품의 핵심이 된다.

세 번째는 개인정보와 규제다. 진단서와 진료비 서류는 민감정보의 집합이다. 온프레미스는 데이터 외부 전송을 줄이지만 고객별 설치·업데이트 비용을 높인다. 보안을 지키면서 클라우드형 반복매출을 키우는 균형이 쉽지 않다.

네 번째는 프로젝트 회사로 굳어질 위험이다. 보험사마다 문서 양식, 상품 규칙과 기간계 시스템이 다르다. 매 계약마다 데이터 정리와 연동 코드를 새로 만들면 고객 수가 늘수록 컨설턴트와 엔지니어도 비슷한 속도로 늘어난다. 산업별 팩의 재사용률이 공개돼야 제품 회사인지 SI 회사인지 판단할 수 있다.

마지막은 강한 경쟁이다. 업스테이지는 이미 보험 레퍼런스와 글로벌 제품 유통을 확보했고, 네이버와 글로벌 클라우드는 기존 고객 계정 안에서 OCR을 쉽게 추가한다. 한국딥러닝이 ‘국내 최고’라는 표현을 넘어 선택받으려면 같은 문서 세트에서 자동 처리율·오류율·총비용을 공개 비교할 필요가 있다.

앞으로 확인해야 할 숫자 일곱 가지

• 청구 건 자동 처리율: 사람의 필드 수정 없이 후속 시스템으로 넘어가는 비율.
• 예외 건 품질: 오탐·누락·잘못된 정상 판정과 서류 미비 탐지율.
• 실제 절감 시간: 문서 한 장이 아니라 청구 접수부터 심사 전달까지의 중앙값.
• 반복매출 비중: 라이선스·처리량·유지보수 매출과 일회성 구축 매출의 구분.
• 순매출 유지율: 갱신 고객이 문서 종류와 처리량을 늘리며 계약액을 키우는지.
• 배포 경제성: 클라우드·VPC·온프레미스별 도입 기간, 문서당 추론 원가와 총마진.
• 고객 집중도: 상위 5·10개 고객의 매출 비중과 보험 고객의 유료 운영 전환 수.

개인적 판단: 상품은 OCR 정확도가 아니라 ‘사람이 다시 읽지 않아도 되는 비율’이다

한국딥러닝의 좋은 점은 기술 서사보다 먼저 매출과 흑자를 만들었다는 것이다. 120억 원을 받기 전까지 고객 돈으로 제품을 다듬었고, 공공·금융의 폐쇄망과 복잡한 문서를 경험했다. 이 이력은 범용 VLM을 가져다 붙인 신생 에이전트 업체가 단기간에 복제하기 어렵다.

보험금 청구 특화 제품도 방향이 맞다. 문서를 잘 읽는 엔진은 점점 평준화되지만, 여러 문서를 묶어 불일치를 찾고 예외만 사람에게 보내는 흐름은 고객의 비용 구조에 직접 닿는다. 한국딥러닝의 상품은 OCR 정확도가 아니라 사람이 다시 읽지 않아도 되는 비율이다. 이 비율이 높아질수록 제품은 도구가 아니라 보험 운영 인프라가 된다.

아직 ‘문서 AI 플랫폼’이라는 높은 평가를 확정하기는 이르다. 공식 98% 재계약률의 정의와 91% 절감의 시험 조건, 반복매출·총마진·순매출 유지율이 보이지 않는다. 내 판단은 ‘기술 사업화는 이미 증명했지만, 이제 프로젝트의 성공을 반복 가능한 제품 경제성으로 바꿔야 하는 회사’다. 다음 투자 라운드에서 가장 보고 싶은 숫자는 벤치마크 1위가 아니라 보험 청구의 완전 자동 처리율과 고객별 확장 매출이다.

참고 자료

• 한국딥러닝 공식 홈페이지 — 제품 포트폴리오, 고객 80곳 이상, 시리즈 A 120억 원과 회사 공개 98% 재계약률
• 한국딥러닝 DEEP OCR 공식 제품 페이지 — 전처리·인식·대조·검증·시스템 연동, 폐쇄망과 처리 성능 설명
• 한국딥러닝 보험 문서 AI 도입 가이드 — 보험 문서의 현장 병목, 사람 검수와 단계적 자동화 방식
• 스타트업레시피 – 딥에이전트 for 보험 출시 — 지원 문서 40여 종, 교차 검증과 회사 발표 최대 91% 비용·시간 절감
• ZDNet Korea – 한국딥러닝 120억 원 시리즈 A 완료 — 투자사, 산업은행 50억 원 참여, 고객·누적 매출과 자금 사용처
• 유진투자증권 – 2026년 1월 비상장 투자기업 리포트 — 2019년 설립, 2024년 매출·영업이익·재무와 투자 내역
• Upstage 공식 보험 Document AI 페이지 — 보험 문서 분류·추출·검증, 배포 방식과 직접 경쟁 구도

작성 기준일: 2026년 8월 30일. 2019년 설립, 김지현 대표, 2024년 매출 32억8,000만 원·영업이익 3억4,000만 원, 시리즈 A 120억 원과 투자사는 공개 보도·리서치 자료를 바탕으로 했다. 고객 80곳 이상, 고객 재계약률 98%, 현대캐피탈 752종 문서 자동화, 분당 780장 이상 처리 성능은 한국딥러닝 공식 사이트의 회사 발표 수치다. 누적 매출 100억 원과 딥에이전트 출시 두 달 내 11억 원 계약은 투자 보도 기준이며 연간 반복매출과 같지 않다. 보험 문서 40여 종 지원과 처리 비용·시간 최대 91% 절감은 2026년 8월 제품 출시 발표 기준으로, 표본 수·시험 조건·평균 효과는 공개되지 않았다. 2025·2026년 연간 실적, 투자 전·후 기업가치, 지분 희석률, 고객별 계약액, 반복매출 비중, 총마진, 순매출 유지율, 보험 청구 자동 처리율과 오류율은 공개 자료에서 확인되지 않았다. 사업 모델과 경쟁 평가는 공개 자료를 바탕으로 한 해석이며 본 글은 투자 권유가 아니다.