분 기 보 고 서

【 대표이사 등의 확인 】

20251114 대표이사등의 확인

I. 회사의 개요

1. 회사의 개요

가. 연결대상 종속회사 개황

(1) 연결대상 종속회사 현황(요약)

(2) 연결대상회사의 변동내용

나. 회사의 법적ㆍ상업적 명칭

당사의 명칭은 주식회사 솔트룩스이며, 영문명은 Saltlux, Inc.입니다. 단, 약식으로 표기할 경우에는 "㈜솔트룩스" 라고 표기합니다.

다. 설립일자

당사는 1981년 08월 17일에 설립되었으며, 2020년 7월 23일 한국거래소에 주식을 상장한 공개법인입니다.  

라. 본사의 주소, 전화번호, 홈페이지 주소

마. 중소기업 등 해당 여부

바. 주요 사업의 내용 및 신규 사업

솔트룩스는 언어, 음성, 시각, 감성, 지식 등 주요 인공지능 기술을 고도화하고, 이를 하나의 통합 앙상블 AI 플랫폼으로 융합하는 전략을 통해 현재 기계학습 기반 AI의 한계를 뛰어넘는 차세대 AI 기술 확보를 추진하고 있습니다.

자체 개발한 대규모언어모델(LLM) '루시아(LUXIA)' 시리즈는 그 기술력을 대표하는 결과물로, 최근 2분기에 출시된 '루시아 3.0'은 자율적 사고 및 실행이 가능한 에이전트형 AI로 진화했습니다. 솔트룩스는 이 기술을 중심으로 다음과 같은 핵심 사업 영역 및 신규 사업 전략을 전개하고 있습니다.

1. 자체 LLM 기반 차세대 AI 플랫폼: LUXIA 3.0

- 루시아 3.0은 ‘스스로 사고하고 실행하는’ 에이전트 아키텍처를 갖춘 고도화된 LLM으로, 기존 생성형 AI의 한계를 넘어서는 자율성, 정밀 추론, 플로우 기반 처리 능력을 제공합니다.

- 명령 기반 플로우 구성과 단계적 실행 자동화로 비즈니스 적용 효율을 극대화하며, 멀티모달 처리(텍스트, 이미지, 음성 등) 및 API 연동성을 기반으로 다양한 산업에 확장 가능한 구조로 설계되었습니다.

-  특히, GPT 기반 상용 서비스 대비 약 1/20 수준의 비용 구조를 실현함으로써, 고성능·저비용 AI의 새로운 표준을 제시하고 있습니다.

2. AI 에이전트 기반 리서치 서비스: Goover
- 루시아 3.0 기반의 대표 서비스인 ‘goover’는 AI 에이전트가 사용자의 지시를 이해하고, 신뢰 가능한 출처로부터 자료를 검색·해석한 뒤, 딥리서치 및 심층 리포트 형태로 요약 제공하는 전문 리서치 에이전트입니다.
- 사용자는 복잡한 정보탐색 과정 없이, 고도화된 AI가 구조화된 인사이트를 제공받을 수 있어, 투자, 산업 분석, 법률, 정책 등 고지능 분야에 특화된 활용이 가능합니다.
- goover는 향후 글로벌 SaaS 플랫폼으로 확장되며, 비즈니스 특화형 AI 에이전트 시장의 성장을 주도할 예정입니다.

3. 신규 확장 사업 전략
- 멀티모달 융합 AI (LUXIA-On)
언어·음성·시각 데이터를 통합 인식 및 분석하는 ‘LUXIA-On’ 프로젝트를 통해, 고객 응대, 스마트팩토리, 의료 문서 분석 등 고난이도 복합 업무 영역에 AI를 적용하고 있습니다.
특히 루시아 3.0은 기본적으로 멀티모달 구조를 갖추고 있으며, 향후 다큐먼트 AI, OCR-RAG기반 서비스로도 확대할 예정입니다.

- Document AI + Agent 연계 제품 개발
문서 자동화 및 업무에이전트 특화형 Document AI 제품을 개발 중이며, 루시아 기반의 PCR(Pre-contextual Retriever)와 연계해 시각+텍스트 멀티모달 기능이 강화된 제품이 2026년 상용 출시 예정입니다.
해당 제품은 법률, 의료, 공공기관 등 도메인 문서 해석이 필수적인 분야에 우선 적용될 예정입니다.

- B2B/B2G 도메인 특화 플랫폼 확대
산업별 규제 및 업무 절차에 최적화된 도메인 특화 AI 서비스(금융, 의료, 법률 등)를 확대하고 있으며, 국방, 교육, 지방자치단체 등 공공분야에 최적화된 Agentic AI를 개발 중입니다.

- MCP 연계 및 API 에코시스템 확장
솔트룩스는 자체 개발한 MCP(Model Context Protocol) 구조를 통해 LUXIA 모델을 외부 워크플로우 및 시스템과 유기적으로 연동할 수 있도록 구성하고 있으며, 컨텍스트 기반 API 생태계를 확장하고 있습니다. 이를 통해 고객 시스템 내 다양한 이벤트 흐름(예: 정책시스템, CRM, ERP 등)과 에이전트가 실시간 상호작용할 수 있는 기반을 마련했습니다.

- 글로벌 SaaS 진출
자체 모델(LUXIA)과 서비스(Goover)를 기반으로, 북미·동남아 중심의 SaaS 수출을 본격화하고 있습니다. 특히 정부기관·금융사·헬스케어 등 고신뢰 요구 산업을 타깃으로 한 에이전트 SaaS 패키지를 준비 중입니다.

루시아는 인공지능 산업 생태계 조성을 위해 국내 소프트웨어 기업과 개발자에게 루시아 API를 무상 제공하고 있습니다. 기타 자세한 사항은 'Ⅱ. 사업의 내용'을 참고하시기 바랍니다.

사. 신용평가에 관한 사항

(1) 신용평가 현황

(2) 신용등급 정의

아. 회사의 주권상장(또는 등록ㆍ지정) 및 특례상장에 관한 사항

2. 회사의 연혁

가. 회사의 본점 소재지 및 그 변경

나. 경영진 및 감사의 중요한 변동

다. 최대주주의 변동

라. 상호의 변동

마. 회사가 화의, 회사정리절차 그 밖에 이에 준하는 절차를 밟은 적이 있거나 현재 진행중인 경우 그 결과

당사는 보고서 제출일 현재 해당사항이 없습니다.

바. 회사가 합병 등을 한 경우 그 내용

당사의 합병 등을 한 경우는 'Ⅲ. 재무에 관한 사항'의 '8. 기타 재무에 관한 사항'의 '1. 재무제표 재작성 등 유의사항'의 '(2) 합병, 분할, 자산양수도, 영업양수도에 관한 사항'을 참조하시기 바랍니다.

사. 회사의 업종 또는 주된 사업의 변화

당사는 보고서 제출일 현재 해당사항이 없습니다.

아. 그 밖에 경영활동과 관련된 중요한 사항의 발생내용

3. 자본금 변동사항

4. 주식의 총수 등

가. 주식의 총수 현황

나. 자기주식

당사는 보고서 제출일 현재 해당사항이 없습니다.

다. 다양한 종류의 주식

당사는 보고서 제출일 현재 해당사항이 없습니다.

5. 정관에 관한 사항

가. 정관 이력

(1) 최근 개정일

보고서에 첨부된 정관의 최근 개정일은 2022년 3월 30일이며, 제44기 정기주주총회(2025년 3월 27일 개최) 안건에는 정관 변경이 포함되어 있지 않습니다.

(2) 정관 변경 이력

나. 사업목적

(1) 사업목적 현황

(2) 정관상 사업목적 변경 내용

당사는 공시대상기간 중 해당사항이 없습니다.

(3) 정관상 사업목적 추가 현황표

당사는 공시대상기간 중 해당사항이 없습니다.

II. 사업의 내용

1. 사업의 개요

솔트룩스는 기계학습과 자연어처리 기술을 기반으로 2000년에 창업된 ㈜시스메타에 그 뿌리를 두고 있으며, 창업 이래 인공지능(AI)과 빅데이터 기술을 한 우물 파듯 집중적으로 연구ㆍ개발해온 국내 대표 인공지능 전문기업입니다. 2006년 사명을 ‘솔트룩스(Saltlux)’로 변경한 이후, 인공지능 기술개발과 신시장 개척에 더욱 박차를 가해왔습니다.

① 기업 철학과 기술 비전

솔트룩스는 “세상 모든 사람들이 자유롭게 지식을 소통하도록 돕는다”는 기업 사명(mission statement)을 중심으로, 사람과 사람, 사람과 기계, 나아가 기계와 기계 간의 지식 교류와 협업을 가능하게 하는 미래형 지능 소통 기술 개발을 목표로 하고 있습니다.

창업 초기에는 컴퓨터가 인간의 언어와 사고를 이해할 수 있도록 하는 기계학습 기술에 집중하였으며,

 - 2005년부터는 **지식공학(Knowledge Engineering)**과 지식그래프(Knowledge Graph), 추론(Reasoning) 기술을,
 - 2010년 이후에는 **심층 질의응답(Deep QA)**과 대화처리(Dialogue Processing),
 - 2015년 이후에는 딥러닝 기반 지식학습, 음성인식 및 합성, 감성·시각 AI 기술 개발에 지속적으로 투자해 왔습니다.

이러한 연구의 축적은 현재 솔트룩스의 AI 핵심 기술 포트폴리오로 발전하였으며, 각 영역의 기술을 하나의 통합 앙상블 AI 플랫폼으로 융합하는 방향으로 진화하고 있습니다.

② 차세대 AI 기술 확보 및 사업 확장

솔트룩스는 향후 5년간 언어·음성·시각·감성·지식 등 개별 AI 기술을 고도화하고, 이를 **LUXIA(루시아)**를 중심으로 하나의 통합 플랫폼으로 발전시켜 기계학습 기반 AI의 한계를 극복한 차세대 AI 상용 기술 확보를 목표로 하고 있습니다.

특히, 자체 개발한 대규모언어모델(LLM) ‘루시아(LUXIA)’ 시리즈는 솔트룩스의 기술력을 대표하는 핵심 성과물로 자리잡고 있으며, 2025년 2분기에 출시된 **‘루시아3.0’**은 단순 생성형 AI를 넘어 **스스로 사고하고 실행하는 에이전트형 AI(Agentic AI)**로 진화하였습니다.

루시아3.0은 명령 기반 플로우 처리, 단계적 실행 자동화, 정밀 추론 기능을 지원하며, 텍스트·이미지·음성 등 다양한 입력을 통합 인식하는 멀티모달 AI 구조를 갖추고 있습니다.

또한, GPT 대비 약 1/20 수준의 비용 구조를 실현하여, 고성능·저비용 AI 상용화의 표준 모델로 평가받고 있습니다.

③ MCP 연계 및 에이전트 생태계 확장

솔트룩스는 자사 LLM을 다양한 서비스 및 응용환경에 쉽게 연결할 수 있도록 MCP(Model Context Protocol) 기반의 연동 아키텍처를 구축하였습니다.
이를 통해 외부 시스템·애플리케이션과의 유기적 통합이 가능하며, AI가 다양한 업무 맥락(Context) 속에서 실시간으로 작동·협업할 수 있는 구조를 실현하였습니다.

루시아3.0은 MCP를 통해 **비즈니스 워크플로우, 산업별 SaaS, 사내 업무 시스템(ERP·CRM 등)**과 연동되어 에이전트가 지능적 의사결정 보조와 업무 자동화를 수행할 수 있습니다.

이를 기반으로 솔트룩스는 Agentic AI 생태계를 확장하며, 다양한 기업·공공기관과의 연계를 강화하고 있습니다.

④ 멀티모달·Document AI 제품 개발

루시아 3.0은 기본적으로 텍스트·음성·이미지·문서 기반 멀티모달 처리 기능을 포함하고 있으며, 이를 고도화하기 위한 ‘LUXIA-On’ 프로젝트가 진행 중입니다.
해당 프로젝트는 스마트팩토리, 의료문서 분석, 고객상담, 법률문서 처리 등 고난이도 복합 인식·분석 영역에 AI를 적용하는 것을 목표로 합니다.

또한, 솔트룩스는 Document AI 제품군을 신규 개발 중으로, 루시아와 PCR(Pre contextual Retriever) 기술을 결합해 문서 내 논리적 관계를 파악하고 자동 요약·분류·분석이 가능한 지능형 문서 이해형 AI 솔루션을 2026년 상용 출시 예정입니다.
해당 제품은 멀티모달 기능이 강화된 형태로, 법률, 의료, 공공기관 등 문서 중심 산업 도메인에서 상용화를 추진하고 있습니다.

⑤ 온톨로지(Ontology) 기반 지식구조 혁신

최근 AI 산업에서는 신생 에이전트형 AI(Agentic AI) 시대의 도래와 함께, **온톨로지(Ontology)**가 AI의 ‘이해·추론·실행’ 역량을 높이는 핵심 열쇠로 주목받고 있습니다. (디지털데일리)

온톨로지는 개념, 사물, 속성, 관계 등을 체계적으로 정의하여 지식을 구조화하고, AI가 단순 생성이 아니라 의미 있는 판단과 행동을 할 수 있게 하는 기반입니다.

솔트룩스는 루시아 및 에이전트 플랫폼에 도메인 특화 온톨로지 체계를 구축하고 있으며, 이를 통해 산업군 공공기관별 특화된 지식망(Knowledge Graph)과 추론모델을 강화하고 있습니다.

특히 국내외 산업데이터, 정책·규제정보, 프로세스 지식 등을 온톨로지화함으로써 AI의 설명가능성, 책임성(Responsible AI) 확보 및 산업 주권형 인공지능 기반을 마련하고자 합니다.
이 전략은 단순 알고리즘 경쟁을 넘어 지식구조 기반 경쟁력으로 전환하는 것이며, 솔트룩스가 글로벌 에이전트 생태계에서 차별화된 핵심 역량을 확보하는 데 중요한 축이 될 것입니다.

⑥ 사업구조 및 자회사 전략

다이퀘스트(Diquest)는 커머스 및 금융권을 주요 고객으로 하는 AI 검색, 지능형 컨택센터(AICC) 등 고객서비스 솔루션 전문 기업입니다. 2025년 4월, 생성형 AI와 클라우드 기술을 갖춘 플루닛과 합병을 완료했으며, 2026년에는 양사의 기술과 역량을 융합한 클라우드 기반의 다양한 서비스 출시를 통해 새로운 성장과 혁신을 실현할 예정입니다.

‘구버(goover)’는 LUXIA 기반의 SaaS 비즈니스 모델을 본격 전개하고 있으며, 에이전트 생성과 딥리서치 서비스를 중심으로 출시 4개월만에 국내외 사용자 150만 명 이상을 확보하며 기술력을 인정받아 빠르게 성장하고 있습니다.

goover는 사용자의 복잡한 정보 탐색 요구에 따라 에이전트가 자체적으로 자료를 검색하고, 요약·정제·보고서화하는 서비스를 제공하며, 투자, 정책, 법률, 산업 분석 등 고지능 도메인에서 활용되고 있습니다.

현재 goover는 북미, 동남아시아 등 글로벌 SaaS 시장 진출을 본격화하고 있으며, 멀티에이전트 RAG 시스템, 외부 DB 연결, 그리고 온톨로지 기반 정책·법률 분석 기능 등이 점진적으로 적용될 예정입니다.

⑦ 중장기 성장 비전

솔트룩스는 장기적인 성장과 주주 가치 제고를 위해 5개년 중장기 성장 목표를 설정하고, AI 기술력과 데이터 자산을 중심으로 지속적인 혁신을 추진하고 있습니다.

2027년까지 글로벌 이용자 1억 명 확보,

기업 가치 1조 원 이상 달성,

전체 매출 중 글로벌 비중 50% 이상 달성을 목표로 하고 있습니다.

이를 위해 매년 매출액의 30% 이상을 R&D에 투자하며, 자체 원천 기술 강화와 함께 외국 기술 의존도를 낮추고 국가 AI 경쟁력 강화에 기여하는 핵심 기업으로 성장해 나갈 것입니다.

2. 주요 제품 및 서비스

가. 주요제품 설명

솔트룩스 제품 라인업

(1) 스튜디오 제품군 (소프트웨어)

(2) 거대언어모델 (LUXIA, 루시아)

1) 개요

- 루시아 3.0 LLM (32B): 2025년 5월 29일 출시

- Agentic AI 특화 모델로 설계되어, 고급 추론·계획·정보 검색·멀티모달 처리에서 뛰어난 성능을 발휘

- GPT, Qwen, LLaMA, Mistral, Gemma, EXAONE 등 최신 모델과 비교 시 한국어 및 도메인 특화 벤치마크에서 우수한 결과

2) 성능 특징

① Chat·추론 성능

일반적인 대화, 지시 수행, 논리적 추론, 복잡한 질문에 대한 이해와 답변 품질을 측정합니다.예: 사용자가 “A라는 조건에서 B가 가능할까?”라는 질문을 했을 때, 모델이 문맥을 파악하고 논리적으로 결론을 도출하는 능력.

주요 지표:

- MT-Bench: 다양한 대화 주제에서의 전반적인 답변 품질.

  80.6점 → Qwen 3, Gemma 3 대비 근소한 차이

- LogicKor: 한국어 기반 논리·추론 문제 해결 능력.

  94.5점 → 최고 수준 (Gemma 3와 동일 최고)

- BiGGen-Bench: 생성형 응답의 창의성과 사실성 평가.

  80.5점

I- FEval / Ko-IFEval: 사용자가 준 엄격한 프롬프트를 정확하게 따르는지 확인

  정밀 프롬프트 처리 능력에서 상위권

② Agentic AI 벤치마크

단순 대화가 아니라, **여러 단계의 행동(Plan → Search → Execute)**을 수행하는 ‘에이전트형 AI’의 능력을 평가.즉, 모델이 스스로 계획을 세우고, 필요한 자료를 검색하거나 함수를 호출해, 단계적으로 결과를 완성하는 역량을 본 것입니다.

주요 지표:

- LongRAG: 긴 문서나 대규모 데이터에서 정보 추출 및 응답 능력.

  56.8점 (LUXIA 2.5 대비 향상)

- RAGEval / Ko-RAGEval: 검색(Retrieval) + 생성(Generation) 결합 정확도.

  91.9점 (Qwen3-32B와 유사)

- FunctionChat-Bench: 함수 호출 기반의 API 연동, 외부 시스템 제어 능력.

  87.6점 → 함수 호출 기반 에이전트 처리 능력 높음

- Ko-RAGEval : 87.5점 → 한국어 기반 RAG 성능 우수

③ Planning Accuracy

사용자의 질문을 보고, 해당 질문이 어떤 분야·도메인에 속하는지 정확히 분류하는 능력.예: “AI가 사람의 움직임을 감지할 수 있나요?”라는 질문을 보고, 이것이 공학-컴퓨터공학 카테고리에 속한다고 판단.

- 계획 정확도(도메인 분류) : 83% → GPT4.1-mini(74%), Qwen3-32B(69%) 대비 월등

- 복잡한 RAG 기반 도메인 매핑에서도 높은 정확도로 응답

④ Retrieval Accuracy

사용자의 질문에 답하기 위해 검색할 키워드를 정확하게 뽑아내는 능력.
한국어와 영어 등 다국어 키워드 생성까지 포함.

- 정보 검색 정확도 : 85% → GPT4.1-mini(80%), Qwen3-32B(60%)보다 우수

- 한국어·영어 키워드 생성과 관련 문서 검색에서 강점

⑤ Multimodal RAG & Document AI

텍스트뿐 아니라 표, 차트, 이미지가 포함된 문서를 이해하고 검색·분석하는 능력.일반 텍스트 모델은 표·도표에서 정보를 잘 못 읽는 경우가 많은데, 이를 보완.

- Multimodal RAG:

   Text+Figure/Chart: 90% (최고)

   Text+Table: 80% (경쟁 모델 대비 5~35%p 우위)

- Document AI:

   Text: 91% (최고)

   Text+Figure/Chart: 88%

   Text+Table: 42% (경쟁 모델 대비 월등)

⑥ Adaptive CoT & Reasoning

문제 난이도에 따라 적절한 사고 과정(Chain-of-Thought, CoT)을 유연하게 적용하는 능력.

- 쉬운 문제: 짧고 빠르게 정답 도출 → 비용 절감, 속도 향상.

- 어려운 문제: 더 많은 단계의 추론을 거쳐 정확도 확보.

- EASY Reasoning: 약 96% 정확도 (경쟁 모델 대비 최고 수준)

- HARD Reasoning: 수학, GPQA, LiveCodeBench 등 복잡 추론에서도 최고 성능

- 테스트 토큰 수 대비 효율성도 우수

3) 핵심 차별화 포인트

①한국어·도메인 특화 성능 최상위

   - LogicKor, Ko-RAGEval 등 한국어 중심 벤치마크에서 최고 수준

② Agentic AI 특화

   - 계획·검색·함수 호출 등 다단계 실행 구조 최적화

③ 멀티모달 처리 능력 강화

   - 표, 차트, 이미지가 포함된 문서에서 높은 인식·이해율

④ 고효율 추론

  - 높은 정확도 + 짧은 테스트 토큰 소비 → 응답 속도와 비용 효율 동시 달성

⑤ 루시아 2.5 대비 전반적 성능 향상

  - Chat, RAG, 멀티모달, 복잡 추론에서 모두 개선

나. 주요 제품 및 서비스 현황

다. 주요 제품 등의 가격변동추이
당사의 제품은 제조업의 표준화된 판매가격으로 운영되는 서비스가 아닌 관계로,
해당 가격 변동 추이를 정확하게 기재하기는 어렵습니다.

3. 원재료 및 생산설비

가. 원재료

당사는 용역 제공 및 라이선스 매출을 주요 사업영역으로 영위하고 있어 별도의 원재료가 투입되지 않고 있으므로 해당사항 없습니다.

나. 생산 및 설비

당사는 용역 제공 및 라이선스 매출을 주요 사업영역으로 영위하고 있어 별도의 생산설비를 구입하고 있지 않습니다.

4. 매출 및 수주상황

가. 매출실적

나. 판매 경로와 방법, 전략 및 주요 매출처 등

(1) 판매 경로와 방법

당사의 모든 거래는 고객처와 직접 계약(D2C : Direct to Customer)하거나 파트너사를 통하여 고객처와 계약을 진행하고 있습니다.

(2) 판매 전략

1)  전략 고객 매출 극대화

당사는 공공기관, 금융, 제조, 유통 등 다년간의 대형 사업 고객 매출 비중이 약 60% 이상을 차지하고 있습니다. 당사는 동 고객들에 대해 초기 한정적 업무영역에 인공지능과 빅데이터 등을 도입한 후, 검증된 효익을 기반으로 적용 영역 확대 혹은 사업의 고도화를 추진하여 왔습니다. 또한, 최근에는 생성형AI 솔루션(루시아GPT)과 AI검색 솔루션 사업에 주력하여 공공부문과 금융 부문의 개념검증 사업과 중대형 사업 수주 및 확대, 파트너 공조 체계를 이용한 영업력 강화, 그리고 생성형AI 시장 선점을 위한 전략적 활동을 진행하고 있습니다.

2) 생성형 인공지능 서비스 및 AI 검색 사업 확장

당사는 창업 이후 대내/대외 프로젝트를 통해 구축한 지식베이스와 인공지능 기술을 기반으로 최근 전 세계적으로 화두가 되고 있는 초대규모 언어모델(LLM :Large Language Model) 루시아(LUXIA)와 생성형 AI 도구를 자체 개발하고 본격적인 사업 확장을 추진하고 있습니다. 생성형 AI 및 AI 검색 서비스 실효성을 입증하고 안정적으로 시장 확장을 위하여 최근에는 PoC 기반의 프로젝트를 통해 고객에게 기술력을 입증하고 공공부문과 금융 부문의 본 사업 연계 및 확대를 위한 역량을 집중하고 있습니다.

3) 클라우드 서비스 기반 확산형 사업 운용

당사는 AIaaS (클라우드 기반 인공지능 서비스) 확산 전망에 따라 2016년 국내 최초의 인공지능 서비스 플랫폼인 ADAMs.ai를 출시 후 2022년 4분기부터 Saltlux.ai 제3세대 인공지능 클라우드 서비스를 제공중입니다. 또한, 데이터분석 SaaS 서비스인 DATAMIXI와 프리미엄 대시보드를 2017년 출시해 다수의 타겟 애플리케이션 시장에 공급하고 있습니다. 고객의 인바운드 문의에 대해 영업조직의 간략한 커스터마이징 니즈 청취 및 반영에 기반해 당사의 클라우드 서비스로 유입하고 있습니다. 또한 효과적 영업대응을 위한 MSP 협력 라인업의 지속적 구축 뿐만아니라 자사 AI솔루션 기반으로 MSP 사업도 계획하고 있습니다.

4) 인공지능 파트너 생태계 운용

당사는 핵심 제품/서비스에 대해 약 30여개 회사와 영업 및 수행 파트너 등록을 통해 파트너십 생태계를 구축하였습니다. 당사는 파트너사를 통해 솔루션 라이선스 공급, 공동 영업 혹은 프로젝트 수행을 통해 당사만의 인공지능 판매 생태계를 조성하였습니다. 또한, 파트너사의 우수 솔루션을 당사와 융합된 Solutions-in-a-Box를 제공, 차별적인 제품력을 고객에게 제공할 수 있습니다. 국내는 물론 해외의 선도 솔루션 혹은 다국어 역량을 결합해 차별화 포인트를 가져가고 있습니다.

5) 지역별 거점 연계 활용

당사는 지방 사업에 대한 효율적인 수행을 위해 부산/울산/경남 지역, 세종/대전/충청권 지역의 전략적 사업 수행과 AI 융합(기술/도메인) 사업 수행을 최적화할 수 있도록 울산사무소와 세종사무소를 운영중입니다. 또한, 지사와 파트너사 인력들의 업무 유형에 따른 차별화 정기/수시 교육 프로그램을 진행하여 자사 솔루션에 관한 기술을 습득하고 사업을 원활히 수행할 수 있도록 지원하고 있습니다.

(3) 주요 매출처

연결회사의 주요 매출처 중 매출 비중 10% 이상인 업체는 없습니다.

다. 수주상황

※ 연결기준 수주총액 5억원 이상에 해당하는 계약 현황 입니다.
※ 계약 당사자가 공시를 동의하지 않은 사항은 제외되었습니다.
※ 매출로 인식되지 않는 연구개발사업은 제외되었습니다.

5. 위험관리 및 파생거래

가. 시장위험과 위험관리

연결회사의 시장위험과 위험관리는 'Ⅲ. 재무에 관한 사항'의 '3. 연결재무제표 주석'의 '주석4. 재무위험관리'를 참조하시기 바랍니다.

나. 파생상품 및 풋백옵션 등 거래 현황

연결회사의 파생상품 및 풋백옵션 등 거래 현황은 'Ⅲ. 재무에 관한 사항'의 '3. 연결재무제표 주석'의 '주석16. 상환부채' 및 '주석17. 파생상품부채'를 참조하시기 바라며, 파생상품 관련 손익은 다음과 같습니다.

6. 주요계약 및 연구개발활동

가. 경영상의 주요계약 등

나. 연구개발활동

(1) 연구개발활동의 개요 및 담당조직

당사의 연구 개발을 담당하는 연구조직은 회사의 비전에 따라 목표된 제품이나 응용기술을 연구 개발하는 AI Labs(Artificial Intelligence Labs, 인공지능연구소)와 데이터 수집, 정제, 저장, 분석, 레포팅 등 각 단계에서 빅데이터/텍스트 마이닝과 기술연구 및 데이터 큐레이션의 협력에 의해 사업을 수행하는 COO실 내 3개 본부로 운영되고 있습니다. 해당 조직은 각 사업의 운영관리, 기획, 영업 및 수행, 구축, 제품개발 등을 수행하는 역할뿐만 아니라 인공지능과 지식그래프 기반 솔루션/서비스 제품 등을 개발합니다. 또한, 베트남 법인인 Saltlux Technology Joint Stock Company가 솔트룩스 본사의 일부 연구개발 용역을 담당하고 있습니다.(※ 아래 표에 자회사의 연구개발 조직은 포함되지 않았습니다.)

(2) 연구개발비용(연결기준)

(3) 연구개발실적

7. 기타 참고사항

가. 지적재산권 보유현황

당사는 생성형 AI(Generative AI) 및 기계학습 기반 빅데이터 증강분석(Augmented big data analytics)라는 2가지 핵심 원천기술을 기반으로 사업을 영위하고 있으며, 특허가 사업 경쟁력의 원천임을 인식하고 비즈니스 경쟁력을 높이기 위하여 다음과 같이 지식재산권 출원 및 등록을 관리하고 있습니다.

※ 현재 등록 진행중인 건을 포함하여, 주요 특허를 기재하였습니다.

나. 시장여건 및 영업의 개황

(1) AI 에이전트 시장

1) AI 에이전트 시장의 정의

Agentic AI는 단순 텍스트 생성 중심의 기존 생성형 AI(Generative AI)를 넘어, 스스로 목표를 설정하고 도구를 조합해 실행할 수 있는 자율형 AI 시스템입니다. 현재 AI 산업 내에서 가장 빠르게 진화하고 있는 하위 분야 중 하나로, 에이전트 + 도구 호출(tool use) + 워크플로우 자동화 기능을 핵심으로 합니다.

2) AI 에이전트 시장 규모 및 전망

AI 에이전트 시장은 이미 상당한 규모를 형성하고 있으며, 향후 몇 년간 폭발적인 성장이 예상됩니다. 글로벌 조사기관에 따르면 AI 에이전트 시장 규모는 2023년에 41억 달러에서 2030년 618억 달러로 증가할 것으로 예상되며, 이 기간 동안 연평균 47.3%의 성장이 예상됩니다. 이는 AI 기술이 소비자의 기대를 충족시키고, 맞춤형 서비스 제공을 통한 고객 경험 개선으로 인해 더욱 가속화될 것으로 보입니다.

2024년에는 AI 에이전트 관련 스타트업이 총 38억 달러(약 5조 원)의 투자를 유치하며 전년 대비 3배 성장한 것으로 보고되었습니다. 이러한 성장에는 Amazon, Microsoft, Google 같은 대형 기술 기업들이 자율 AI 에이전트 개발에 뛰어든 것이 큰 영향을 미쳤습니다. 기업들은 이제 단순한 업무 자동화를 넘어서 AI와 인간이 협력하는 하이브리드 팀 구성을 목표로 하고 있습니다. 그러나, 여전히 이 기술은 신뢰성, 추론 능력, 보안 등에서 한계를 보이고 있어 완전한 자율 AI 시대가 도래하기까지는 시간이 필요할 것으로 예상됩니다.

AI 에이전트의 응용 분야는 상당히 다양합니다. 고객 서비스, 금융, 법률, 헬스케어 등 여러 산업에서 활용되고 있으며, 이들 각각의 도메인에 특화된 AI 에이전트들이 등장하고 있습니다. 예를 들어, 법률 분야에서는 계약서 검토를 자동화하는 AI 에이전트가 나오고 있으며, 금융 데이터 분석 및 보고서를 자동 생성하는 등 구체적인 업무에 맞춘 솔루션들이 활발히 개발되고 있습니다.ㆍ

ㆍ 광범위한 적용 분야: 고객 서비스, 헬스케어, 금융, 제조, 유통, 교육, 마케팅 등 거의 모든 산업 분야에서 AI 에이전트의 도입이 확산되고 있습니다. 특히 개인화된 서비스 제공, 운영 자동화, 생산성 향상에 대한 기업의 요구가 높아지면서 AI 에이전트의 역할이 중요해지고 있습니다.

ㆍ AI 에이전트 경제 (AI Agent Economy)의 대두: 개별 AI 에이전트들이 서로 협력하고 상호작용하며 더 복잡한 문제를 해결하고 새로운 가치를 창출하는 'AI 에이전트 경제'라는 개념까지 등장하고 있습니다. 이는 단순한 자동화를 넘어선 새로운 경제 패러다임의 가능성을 시사합니다.

ㆍ 기술 발전 가속화: 거대언어모델(LLM)을 비롯한 생성형 AI 기술의 발전은 AI 에이전트의 지능과 자율성을 한층 더 높여, 더욱 정교하고 복잡한 작업 수행을 가능하게 하고 있습니다.

ㆍ빅테크 및 국내 기업들의 적극적인 투자: 구글, 마이크로소프트, 오픈AI 등 글로벌 빅테크 기업들은 물론, 국내의 삼성, SKT, 카카오와 같은 대기업들도 AI 에이전트를 차세대 성장 동력으로 인식하고 관련 기술 개발 및 서비스 출시에 적극적으로 나서고 있어 시장 성장을 견인할 것으로 예상됩니다.

3) AI 에이전트 기술 및 산업의 특징

AI 에이전트는 기술적인 발전과 함께 보다 복잡한 문제 해결 능력을 갖춘 시스템으로 진화하고 있습니다. 현재 AI 에이전트의 핵심 구성 요소로는 추론, 메모리, 도구 사용, 계획 등이 있습니다. 이들은 AI가 주어진 정보를 기반으로 결정을 내리고 행동하도록 지원하는 기초 모델 역할을 합니다. 예를 들어, AI는 데이터를 분석해 사전 결정된 목표 달성을 위한 최적의 행동을 스스로 결정합니다.

그러나 이러한 기술적 발전에도 불구하고, AI 에이전트를 도입하는 과정에서는 신뢰성, 보안, 성능 관리와 같은 복잡한 문제가 발생할 수 있습니다. IT 리더들은 이러한 문제를 해결하기 위해 필요한 도구와 관리를 마련하는 것이 중요합니다. AI 에이전트가 기업 환경에 본격적으로 자리 잡게 된다면, 기업의 생산성과 업무 효율성은 혁신적으로 변화할 것으로 기대됩니다. ㆍ

ㆍ 자율성과 능동성 강화: AI 에이전트는 단순한 지시 수행을 넘어 스스로 목표를 설정하고, 계획을 수립하며, 주도적으로 문제를 해결하는 능력이 강조됩니다. 이는 기존 AI보다 한 단계 진화한 패러다임입니다.

ㆍ 고도의 지능화 및 추론 능력: 복잡한 데이터를 이해하고, 정교한 추론을 통해 최적의 해결책을 도출합니다. 거대언어모델(LLM)과의 결합으로 인간과 유사한 수준의 소통 및 작업 처리가 가능해지고 있습니다.

ㆍ 작업 자동화의 심화: 단순 반복 업무를 넘어, 여러 단계로 구성된 복잡한 워크플로우 전체를 자동화할 수 있는 잠재력을 가지고 있습니다.

ㆍ 실시간 상호작용 및 적응성: 변화하는 환경 및 사용자의 요구에 실시간으로 반응하고, 지속적인 학습을 통해 스스로 성능을 개선하고 적응해 나갑니다.

ㆍ 개인화 및 맞춤형 서비스 제공: 사용자의 데이터와 행동 패턴을 분석하여 개개인에게 최적화된 경험과 솔루션을 제공하는 데 중점을 둡니다.

ㆍ 데이터 의존성 및 품질 중요성: AI 에이전트의 성능은 학습 데이터의 양과 질에 크게 좌우됩니다. 편향되거나 부정확한 데이터는 에이전트의 잘못된 판단이나 결과를 초래할 수 있습니다.

ㆍ 인간-AI 협업 모델로의 전환: AI 에이전트가 고도화됨에 따라, 인간의 역할은 직접적인 업무 수행에서 AI 에이전트를 관리하고, 지시하며, 최종 결정을 내리는 협업 관계로 변화할 것입니다.

ㆍ 다중 에이전트 시스템의 부상: 여러 AI 에이전트가 서로 협력하고 정보를 공유하며 공동의 목표를 달성하는 다중 에이전트 시스템(Multi-Agent Systems)의 중요성이 커지고 있습니다.

ㆍ 윤리적 고려사항 증대: AI 에이전트의 자율성과 사회적 영향력이 커짐에 따라, 책임, 투명성, 안전성 등 윤리적 문제에 대한 깊이 있는 논의와 규제 마련이 중요한 과제로 부상하고 있습니다.

결론적으로, AI 에이전트 시장은 앞으로도 지속적으로 성장할 것이며, 수많은 기업이 이 영역에 뛰어들며 새로운 비즈니스 모델을 창출하는 데 힘쓸 것입니다. AI 에이전트의 발전을 통해 기업은 복잡한 작업을 보다 효율적으로 수행하고, 고객 경험을 개선하는 동시에 새로운 혁신을 이루어낼 수 있는 가능성을 지니고 있습니다. AI 에이전트가 기업의 핵심 역량으로 자리잡는 과정은 앞으로도 계속될 것입니다.

(2) 생성형 AI 서비스 시장

1) 생성형 AI 서비스 시장의 정의

생성형 AI 서비스 시장은 인공지능 기술을 활용하여 데이터와 정보를 바탕으로 새로운 콘텐츠를 생성하는 서비스로 정의됩니다. 이러한 서비스는 텍스트, 이미지, 오디오 및 동영상 등 다양한 형식으로 제공되어 기업과 소비자에게 혁신적이고 개인화된 경험을 제공합니다. 생성형 AI는 사용자 요구에 맞춰 콘텐츠를 생성하는 효율적인 도구로 자리 잡아가고 있으며, 다양한 산업에서 중요한 역할을 하고 있습니다. 최근에는 ‘생성AI + RPA + LLM’ 결합되어 초자동화 시장(Hyperautomation)으로 통합되는 흐름을 보이고 있습니다.

핵심은 기존 데이터를 학습하여 그 패턴과 구조를 이해하고, 이를 바탕으로 원본 데이터와 유사하지만 새로운 결과물을 만들어내는 AI 모델을 활용하는 것입니다. 이 시장은 다음과 같은 요소들을 포함합니다.

ㆍ AI 모델 제공: GPT, DALL-E, Stable Diffusion 등과 같은 거대언어모델(LLM) 및 이미지/비디오 생성 모델 자체를 API 형태로 제공하거나 특정 플랫폼을 통해 이용할 수 있도록 하는 서비스.

ㆍ 애플리케이션 및 플랫폼: 생성형 AI 기술을 특정 목적(예: 콘텐츠 마케팅, 소프트웨어 개발, 디자인, 엔터테인먼트 등)에 쉽게 활용할 수 있도록 개발된 소프트웨어나 클라우드 기반 플랫폼 서비스.

ㆍ 컨설팅 및 통합 서비스: 기업들이 생성형 AI를 효과적으로 도입하고 맞춤형 솔루션을 구축할 수 있도록 지원하는 전문 컨설팅, 시스템 통합(SI), 운영 관리 서비스.

2) 생성형 AI 서비스 시장 규모 및 전망

글로벌 시장 조사에 따르면, 2023년 생성형 AI 서비스 시장의 규모는 약 117억 7천만 달러에서 시작하여 2033년에는 약 2567억 달러에 이를 것으로 예상되고 있습니다. 이 같은 성장은 연평균 성장률(CAGR) 36.10%로 추정되며, 북미 지역이 시장의 큰 몫을 차지하고 있습니다. 특히, 대기업들이 이 분야에 막대한 투자를 하고 있으며, 신규 스타트업들도 이 생태계에 활발하게 참여하고 있습니다. 이런 배경을 바탕으로 생성형 AI 서비스의 자유도와 다양성을 더욱 확대해 나갈 것으로 전망됩니다.

ㆍ  혁신적인 콘텐츠 생성 능력: 텍스트, 이미지, 코드 등 다양한 형태의 콘텐츠를 자동 생성함으로써 마케팅, 디자인, 엔터테인먼트, 소프트웨어 개발 등 여러 분야에서 혁신을 주도하고 있습니다.

ㆍ 생산성 및 효율성 극대화: 반복적인 콘텐츠 제작 업무를 자동화하고, 아이디어 구상 및 초기 작업 시간을 단축시켜 기업과 개인의 생산성을 크게 향상합니다.

ㆍ  개인화된 경험 제공: 사용자 맞춤형 콘텐츠, 제품, 서비스 개발을 가능하게 하여 고객 경험을 고도화하고 있습니다.

ㆍ 클라우드 기반 서비스 확산: AI 모델 및 서비스가 클라우드를 통해 제공되면서 접근성이 향상되고, 다양한 규모의 기업과 개인 사용자들이 쉽게 활용할 수 있게 되었습니다.

ㆍ  다양한 산업으로의 적용 확대: 금융(리스크 관리, 고객 응대), 헬스케어(신약 개발, 의료 영상 분석), 제조(제품 디자인 최적화), 교육 등 전통적인 산업으로까지 활용 범위가 빠르게 넓어지고 있습니다.

ㆍ  지속적인 기술 발전: AI 모델의 성능이 지속적으로 향상되고, 새로운 아키텍처와 학습 방법론이 등장하면서 생성 가능한 콘텐츠의 품질과 다양성이 계속 발전하고 있습니다.

3) 생성형 AI 기술 및 산업의 특징

최근 생성형 AI의 기능과 범위는 지속적으로 확장되고 있습니다. 생성형 AI는 단순 텍스트 생성에서 출발해 이제 행위(Execution)까지 포함하는 에이전트형 AI로 진화하고 있습니다. 특히, 마케팅 분야에서는 개인별 맞춤 콘텐츠 제작을 통해 기업들이 고객과의 관계를 더욱 강화할 수 있도록 돕고 있습니다. 예를 들어, 고객의 취향에 맞는 광고 문구나 블로그 글을 자동으로 생성하여 마케팅 전략에 활용할 수 있습니다. 헬스케어 분야에서는 환자의 데이터를 분석하고 맞춤형 치료 계획을 추천하는 AI 모델이 개발되고 있으며, 법률 분야에서는 계약서 작성 및 검토를 자동화하는 시스템이 활용되고 있습니다. 이러한 분야에서 생성형 AI는 시간을 절약하고 오류를 줄여주는 중요한 도구로 자리잡고 있습니다.

생성형 AI 서비스는 사용자 친화성과 효율성을 강조하여 기업들이 더 나은 고객 경험을 제공할 수 있도록 하는 데 기여할 뿐만 아니라 기업들이 자원을 보다 효율적으로 배분하고, 고객의 기대에 부응하는 다양한 서비스를 신속하게 제공할 수 있게 해줍니다. 이와 함께 기업의 비즈니스 모델에도 상당한 영향을 미치고 있으며, 특히 기업 간 거래(B2B)의 경우 고객 맞춤형 솔루션을 제공하여 새로운 수익원을 창출하는 데 중요한 역할을 하고 있습니다.

ㆍ 빠른 기술 혁신과 진화 속도: AI 모델의 아키텍처, 학습 데이터, 서비스 방식 등이 매우 빠르게 발전하고 변화하며, 새로운 기능과 애플리케이션이 지속적으로 등장합니다.

ㆍ 파운데이션 모델의 중요성: OpenAI의 GPT 시리즈, 구글의 Gemini 등 소수의 대형 기술 기업들이 개발한 초거대 AI (파운데이션 모델)가 산업 생태계의 핵심적인 역할을 하며, 이를 기반으로 다양한 특화 서비스가 파생됩니다.

ㆍ 콘텐츠 제작의 민주화: 전문적인 기술이나 지식 없이도 누구나 고품질의 다양한 콘텐츠를 생성할 수 있게 되어 창작의 장벽을 낮추고 있습니다.

ㆍ 높은 컴퓨팅 자원 요구: 고성능 AI 모델을 학습하고 운영하기 위해서는 막대한 양의 데이터와 고성능 GPU 등 대규모 컴퓨팅 인프라가 필수적입니다.

ㆍ 데이터 품질 및 편향 문제: 생성형 AI 모델의 성능과 결과물의 품질은 학습 데이터의 질과 양에 크게 의존합니다. 데이터에 포함된 편향이 결과물에 반영될 수 있어 공정성 및 신뢰성 문제가 중요하게 다뤄집니다.

ㆍ 윤리적·사회적·법적 과제 대두: 생성된 콘텐츠의 저작권, 허위 정보(딥페이크 등) 생성 및 확산, 일자리 대체 우려, 개인정보보호 등 다양한 윤리적, 사회적, 법적 문제에 대한 논의와 규제 마련이 활발하게 진행 중입니다.

ㆍ 사용자 경험(UX) 및 적용 사례 중심: 기술 자체의 우수성도 중요하지만, 사용자가 얼마나 쉽고 유용하게 서비스를 활용하여 실제 문제를 해결하거나 가치를 창출할 수 있는지가 시장 성공의 핵심 요소입니다.

ㆍ 산업별 특화 서비스(Vertical AI) 확산: 범용적인 모델 외에도 특정 산업(금융, 의료, 법률, 제조 등)의 고유한 요구사항과 데이터에 맞춰진 특화된 생성형 AI 서비스가 빠르게 성장하고 있습니다.

ㆍ 파괴적 혁신 잠재력: 기존 산업의 비즈니스 모델, 업무 방식, 경쟁 구도 등을 근본적으로 변화시킬 수 있는 파괴적 혁신 기술로 평가받습니다.

ㆍ 신뢰성과 투명성 확보 노력: AI가 생성한 콘텐츠임을 명확히 알리고, 결과물의 정확성(환각 현상 방지)을 높이며, 모델의 작동 방식에 대한 투명성을 확보하려는 노력이 중요해지고 있습니다.

(3) RAG, 온톨로지 기술이 결합된 LLM 시장

1) RAG 및 온톨로지 결합 LLM 시장의 정의

RAG(Retrieval-Augmented Generation)과 온톨로지(Ontology) 기술이 결합된 LLM(Large Language Model) 기반 시장은, 대규모 언어모델의 한계를 보완하고 정확도·신뢰성·도메인 특화 능력을 강화한 고부가가치 AI 분야로 급속히 성장하고 있는 영역입니다. LLM의 응답 생성 과정에서 외부의 검증된 최신 정보 및 정형화된 지식 체계를 활용하도록 설계된 솔루션, 플랫폼, 서비스 시장을 의미합니다. 즉, LLM의 생성력과 외부 지식의 정합성/정확성을 동시에 추구하는 고급형 지식AI 시스템 시장을 의미합니다.

ㆍ 검색 증강 생성 (RAG): LLM이 응답을 생성하기 전에, 외부의 최신 데이터베이스나 문서 저장소에서 관련된 정보를 검색하고, 이 정보를 바탕으로 보다 정확하고 사실에 기반한 답변을 생성하도록 하는 기술입니다. LLM의 할루시네이션(환각) 현상을 줄이고 정보의 최신성을 확보하는 데 기여합니다.

ㆍ 온톨로지 (Ontology): 특정 도메인 내의 개념, 관계, 속성 등을 정형화된 방식으로 정의하고 표현하는 지식 표현의 한 형태입니다. 온톨로지는 지식그래프(Knowledge Graph) 형태로 구현되어, 데이터 간의 의미적 관계를 명확히 하고, 구조화된 지식 체계를 제공합니다.

ㆍ 대규모 언어 모델 (LLM): 방대한 텍스트 데이터를 학습하여 인간과 유사한 언어 이해 및 생성 능력을 갖춘 AI 모델입니다.

이 세 가지 기술이 결합된 LLM 시스템은 다음과 같은 특징을 갖습니다:

ㆍ 향상된 정확성 및 신뢰성: RAG를 통해 최신 정보를 참조하고, 온톨로지를 통해 검증되고 구조화된 지식을 활용함으로써 LLM의 응답 정확도를 높입니다.

ㆍ 설명 가능성 증대: 온톨로지의 명시적인 관계 정의는 LLM 응답의 근거를 추적하고 설명하는 데 도움을 줄 수 있습니다.

ㆍ 도메인 특화 지식 활용: 특정 산업이나 기업 내부의 전문 지식을 온톨로지로 구축하고 RAG를 통해 LLM에 통합함으로써, 범용 LLM의 한계를 넘어선 도메인 특화된 고품질 응답 생성이 가능합니다.

ㆍ 컨텍스트 이해도 향상: 온톨로지가 제공하는 개념 간의 관계 정보는 LLM이 사용자의 질문 의도나 복잡한 컨텍스트를 더 깊이 있게 이해하는 데 기여합니다.

2) RAG 및 온톨로지 결합 LLM 시장 규모 및 전망

LLM 시장 규모는 급격히 확대되고 있습니다. 마켓앤마켓의 보고서에 따르면, LLM 시장은 2024년 64억 달러에서 2030년까지 약 361억 달러에 이를 것으로 보이며, 이 기간 동안 33.2%의 연평균 성장률(CAGR)을 기록할 것으로 예상됩니다. 이는 기업들의 데이터 기반 의사결정 강화와 더불어, AI 기반 기술에 대한 수요가 증가하고 있는 결과로 해석됩니다. RAG와 LLM의 결합은 이러한 수요에 부응하여 텍스트 생성, 감정 분석 및 언어 번역 등의 작업에서 유용성을 높이는데 기여하고 있습니다.

다만, RAG 및 온톨로지 기술이 결합된 LLM 시장은 아직 초기 단계에 있으며, 이 세 가지 기술 조합만을 정확히 타겟팅한 구체적인 시장 규모 통계는 찾아보기 어렵습니다. 시장 조사 기관들은 아직 이 시장을 개별적으로 분류하여 집계하기보다는 광의의 "LLM 시장", "생성형 AI 시장", "엔터프라이즈 AI 시장", "지식 관리 시장" 등의 범주에 포함하는 경우가 많습니다. 하지만, 관련 기술 시장의 성장 추세를 통해 간접적으로 잠재력을 추정해 볼 수 있습니다

ㆍ LLM 및 생성형 AI 시장: 이미 수백억 달러 규모로 성장했으며, 향후 몇 년간 연평균 30-50% 이상의 매우 높은 성장률을 기록하며 수천억 달러에서 1조 달러 규모에 이를 것으로 예측됩니다.

ㆍ RAG의 부상: RAG는 LLM의 실질적인 활용도를 높이는 핵심 기술로 인식되면서, LLM 애플리케이션 개발에 있어 표준적인 접근 방식으로 자리 잡고 있습니다. 이는 RAG 관련 기술 및 서비스 수요 증가로 이어집니다.

ㆍ 지식그래프 및 온톨로지 시장: 데이터의 의미론적 연결과 지능형 검색/분석에 대한 수요 증가로 꾸준히 성장하고 있으며, AI와의 결합을 통해 그 중요성이 더욱 부각되고 있습니다. MarketsandMarkets에 따르면, 지식그래프 시장은 2023년 19억 달러에서 2028년 55억 달러로 연평균 23.3% 성장할 것으로 예상됩니다.

RAG 및 온톨로지 결합 LLM은 위 시장들의 교차점에서 시너지를 내며, 특히 엔터프라이즈 AI 분야에서 높은 가치를 창출할 것으로 기대됩니다. LLM의 단점을 보완하고 장점을 극대화하는 이 접근 방식은 전체 LLM 시장 내에서 점점 더 큰 비중을 차지하게 될 것이며, 특히 고도의 신뢰성과 전문성이 요구되는 B2B 솔루션 시장을 중심으로 빠르게 성장할 것입니다.

3) RAG 및 온톨로지 결합 LLM 기술 및 산업의 특징

RAG와 온톨로지 기술이 결합된 LLM 시장은 AI의 실질적인 기업 활용도를 한 단계 끌어올리는 중요한 열쇠로 인식되고 있습니다. RAG기반 LLM은 파라미터 내에 기억된 정보의 한계를 극복할 수 있고, 온톨로지 기반 LLM은 LLM이 생성한 문장이나 질문을 정형화된 지식 기반에 연결해 정확한 추론·정합성·설명력을 확보하게 됩니다. 이러한 기술적 복잡성에도 불구하고, 그 효용성과 가치 때문에 특히 신뢰성과 전문성이 중요한 엔터프라이즈 시장을 중심으로 빠르게 성장하며 AI 산업의 중요한 축을 형성할 것으로 예상됩니다. RAG 및 온톨로지 기술이 결합된 LLM 산업은 다음과 같은 주요 특징을 보입니다.

ㆍ 데이터 및 지식 품질 중심: 솔루션의 성능은 LLM 모델 자체뿐만 아니라, RAG를 통해 검색되는 외부 데이터 소스의 품질과 온톨로지로 구축된 지식그래프의 정확성 및 최신성에 크게 좌우됩니다. 고품질 데이터 및 지식 큐레이션 역량이 매우 중요합니다.

ㆍ 고도의 기술 융합 및 전문성 요구: LLM, 자연어 처리(NLP), 정보 검색, 온톨로지 공학, 지식그래프 구축 및 관리, 데이터베이스 기술(벡터 DB, 그래프 DB 등) 등 다양한 분야의 전문 지식과 기술 융합이 필수적입니다.

ㆍ 신뢰성, 설명 가능성, 통제 가능성 강조: "블랙박스" 형태의 LLM과 달리, RAG는 정보 출처를 제시하고 온톨로지는 지식의 구조를 명확히 함으로써 시스템의 투명성과 결과의 설명 가능성을 높이는 데 기여합니다. 기업 환경에서는 이러한 요소가 매우 중요합니다.

ㆍ 도메인 특화 및 맞춤화 경향: 범용 LLM을 기반으로 하되, 특정 산업이나 기업의 고유한 지식(온톨로지, 내부 데이터)을 RAG를 통해 효과적으로 통합하여 맞춤형 솔루션을 제공하는 데 중점을 둡니다.

ㆍ 복잡한 시스템 통합 및 구축: LLM, RAG 파이프라인, 벡터 데이터베이스, 온톨로지 저장소(그래프 DB 등), 지식그래프 관리 시스템 등 다양한 구성 요소를 통합하고 최적화하는 과정이 복잡할 수 있습니다.

ㆍ 지속적인 학습 및 지식 업데이트: 외부 정보와 내부 지식 체계는 끊임없이 변화하므로, 이를 RAG 시스템과 온톨로지에 지속적으로 반영하고 LLM이 최신 정보를 활용할 수 있도록 하는 유지보수 및 업데이트 메커니즘이 중요합니다.

ㆍ 플랫폼 및 도구 생태계 발전: 이러한 복합 시스템의 구축 및 운영을 용이하게 하는 MLOps, LLMOps 플랫폼, RAG 프레임워크, 지식그래프 구축 도구 등의 생태계가 빠르게 발전하고 있습니다.

ㆍ 높은 초기 투자 비용 가능성: 고품질의 온톨로지 및 지식그래프 구축, RAG 시스템 통합에는 상당한 시간과 비용, 전문 인력이 투입될 수 있습니다. 다만, 이를 통해 얻는 장기적인 가치와 ROI가 더 클 수 있습니다.

ㆍ "하이브리드 AI" 또는 "컴포저블 AI" 접근 방식의 확산: 정형/비정형 데이터, 기호적 AI(온톨로지)와 통계적 AI(LLM)의 장점을 결합하여 시너지를 창출하는 하이브리드 AI 접근 방식이 핵심입니다.

RAG는 특히 고관여 산업인 의료, 금융, 법률 분야에서 사용될 가능성이 높습니다. 이들 분야에서는 데이터의 신뢰성과 정확성이 필수적이기 때문에, RAG의 도입이 더욱 활발할 것으로 예상됩니다. RAG는 특정 도메인 지식과 온톨로지를 활용하여, 문맥에 기반한 정보를 제공할 수 있어 이러한 전문 분야의 다양한 요구를 충족시키는 데 유리합니다.

(4) 특화 LLM 분야

① 법률 도메인

계약 검토, 리스크 분석, 판례 탐색 등에서 Agent 도입 활발

솔트룩스는 LUXIA 기반의 법률·IP 특화 에이전트 설계 및 서비스화를 진행 중

구독형 SaaS로 전환하여, 로펌·공공·중소기업 법무팀 대상 확산 전략 추진

② 국방 도메인

정찰/작전 계획/물류 최적화/자율 무인체계 운용 등에서 Agent 활용 가능성 큼

솔트룩스는 지휘 판단 자동화, 물류에이전트, 드론 스웜 운용 에이전트 등 개발 전략 추진

국방망 연동 가능한 경량화·보안형 Agent 인프라 확보 계획

③ 공공행정 도메인

민원 자동분류/행정 문서 자동 생성/정책 모니터링 등 활용 가능

정부 AI 민원처리 시범사업 중심으로 실증 레퍼런스 확대, 공공 SaaS 전환 추진

공공데이터셋 학습, 행정윤리 기반 거버넌스 체계 설계 중

(5) ESG 경영 보고

솔트룩스는 '세상 모든 사람이 자유롭게 지식소통 하는 세상을 만들겠다.'는 사명을 갖고 2000년에 창업이 되었으며, 인공지능 및 빅데이터 산업에서 한 우물만 파온 기업입니다. 솔트룩스 모든 임직원은 인공지능 대표기업으로서 사회적 책임을 준수하고 '올곧게 일하고, 혁신을 통해 공헌하며, 동료의 행복과 성장을 추구'하는 핵심 가치를 갖고 일하고 있습니다. 솔트룩스 임직원은 우리의 기업 사명과 핵심 가치가 고객의 성공을 넘어 사회와 인류의 지속가능한 삶을 실천하는 것이라 믿습니다. 앞으로도 환경, 사회참여, 투명한 경영으로 지속가능한 성장을 위해 더욱 노력하겠습니다.

1) 환경경영(Environmental Responsibility)

솔트룩스는 최근 3~4년 전부터 인공지능 성능 개선과 학습을 위한 컴퓨팅 파워, 전기 에너지 절감에 큰 노력을 기울여 왔습니다. 기존 머신러닝, 딥러닝과 동일한 성능을 내면서도 4~5배 정도의 에너지를 절감하기 위해 기술 개발 중이며, 산학연과 긴밀하게 협력하고 있습니다.

첫 번째, 솔트룩스는 FPS의 속도 향상과 GPU 메모리 사용량을 줄이는 목표로 소이넷과의 모델 가속화 프로젝트를 진행하였으며, 프로젝트 결과 알고리즘 변경으로 인해 속도는 4.4배 향상되었고, GPU 메모리 사용량은 3.3배 낮아진 것을 확인했습니다. 결과적으로 소이넷의 추론엔진 성능을 3배 이상 개선함으로써 에너지 소비량을 1/3 이하로 절감할 수 있었습니다.

두 번째, 오픈이노베이션을 통해 대학들과 함께 딥러닝 뉴럴 네트워크 학습 및 추론을 위한 심층신경망 가속화 및 최적화 기술 연구를 진행했습니다. 주요 성과로 Kernel Fusion과 FP16 연산을 적용한 결과 Google BERT 모델 대비 2배 이상 추론 속도가 향상되었으며, 정확도는 유지되는 것을 확인했습니다. 또한, 컴퓨팅 파워는 1/4 수준으로 절감되어 전기 및 탄소 배출을 줄이는 효과가 있습니다.

세 번째, 디지털 뉴딜 AI 학습용 데이터 구축 사업 '해안 오염물질 데이터'는 영상 정보 기반의 해양쓰레기 모니터링 기술 개발과 해양쓰레기 수거 및 관리 기반 강화를 위한 인공지능 응용 모델 개발을 목표로 합니다. 구체적인 사업 목표는 ▲해안 오염물질 인공지능 학습용 데이터 구축(40만장 이상) ▲인공지능 학습용 데이터를 활용한 응용 모델 개발 ▲크라우드 소싱을 통한 청년, 사회적 약자 등의 일자리 창출입니다. 본 사업에 적용되는 인공지능 모델의 기술은 크게 2가지입니다. 해안, 부유, 침적쓰레기 탐지를 위해 YOLOv5, EfficientDet 등 Object Detection 분야의 최신 기술을 활용하며, 이 모델은 모두 객관적인 정량적 성능지표에 대한 성능 공개를 통해 대외적으로 검증되었습니다. 재해쓰레기 탐지는 의미론적 분할 모델이 적용되며 U-Net, DeepLabv3+ 등으로 개발 예정입니다. 이를 통해 기대되는 사업 효과는 데이터 기반 전주기 해양쓰레기 관리 효율성 제고 및 다양한 서비스가 가능하며, 해양쓰레기의 발생량 및 현존량 추정에 대한 과학적 정확성을 높임으로써 처리/저감 대책 마련에 기여할 수 있습니다. 마지막으로 해양쓰레기 모니터링 공간의 확대 및 시간/비용/인력의 절감 효과가 있습니다.

향후 솔트룩스는 메타휴먼을 다양한 사업 분야로 상용화하고, 메타버스 내 적용을 통해서 실제로 가상세계에서의 활동을 강화할 것입니다. 그 외에도 디지털 트윈, 자동화된 AI 기반 서비스, 에너지 소비뿐만 아니라 기후변화 대책을 위한 AI 기반 시뮬레이션 등 다양한 부분에 당사가 보유한 인공지능 및 빅데이터 분석 기술을 활용해 IT/SW 분야의 환경경영을 적극적으로 이행하고 강화할 예정입니다.

2) 사회책임경영(Social Responsibility)

솔트룩스는 16년 전부터 기업의 사회적 책임을 다하고 소외계층을 위한 지원을 시작했습니다. '1% 나눔운동' 사회공헌 활동은 직원 급여의 0.5%에 회사 지원 0.5%를 합한 1%를 기금으로 조성하는 것이며, 현재까지 5억원 이상의 기금이 누적, 활용 되었습니다. 아동·청소년 가장·노인, 미혼모 등 소외계층의 자활을 위해 봉사해 왔으며, 서울시와 함께 아이들의 방과 후 및 방학 동안의 학습과 성장을 위해 작은 도서관 '해다미'를 지어 지역아동센터에 기부해 왔습니다. 현재 해다미 도서관은 10호관 이상 설립되어 대한민국 미래 인재들을 위한 교육과 삶 자리 역할을 하고 있습니다.

[1%나눔운동 후원현황]

솔트룩스는 인공지능 윤리 및 개인정보 보호에 대한 사회적 책임을 다하고 있으며, 신기술 도입의 잠재적 위험을 줄이고 안전한 인공지능 서비스 환경을 조성하기 위해 여러 원칙을 준수하고 있습니다. 2019년 방송통신위원회와 정보통신정책연구원이 발표한 '이용자 중심의 지능정보사회를 실현하기 위한 원칙' 에 솔트룩스는 적극 참여했습니다.

이 원칙은 사람 중심의 서비스 제공, 투명성과 설명 가능성, 책임성, 안전성, 차별 금지, 참여, 프라이버시 및 데이터 거버넌스 등 총 7가지로 구성되어 있습니다. 예를 들어, 서비스는 인간의 존엄성을 보호하는 방향으로 제공되어야 하며, 사용자는 서비스의 작동 방식을 이해할 수 있어야 합니다. 또한, 지능정보 서비스의 제공으로 인해 발생할 수 있는 피해를 사전에 대비하고, 모든 구성원이 평등하게 정책과정에 참여할 수 있는 환경을 조성해야 합니다.

솔트룩스는 개인정보 보호를 위해 사내에 전담 임원을 배치하고, 머신러닝 및 딥러닝 학습 데이터의 민감한 정보에 대한 접근을 제한하는 등의 절차를 마련했습니다. 특히, 데이터의 편향성을 검증하고 저작권 문제를 해결하기 위한 노력도 기울이고 있으며, 이러한 점에서 사회적 책임 경영을 적극적으로 실천하고 있습니다.

3) 기업지배구조(Governance)

당사는 주주 가치를 증대시키고 권익을 보호하기 위해 투명하고 안정적인 지배구조를 유지하고 있으며, 이를 통해 지속 가능한 성장과 글로벌 도약을 목표로 하고 있습니다. 현재 이사회 구성은 총 5명 중 1명의 사외이사(20%)로 운영되며, 향후 사외이사 비율을 과반수로 확대하고 외부 인사를 영입하여 전문성과 다양성을 강화할 예정입니다. 이를 통해 이사회의 독립성과 경영진에 대한 견제 기능을 개선하고, 전문위원회를 설치하여 효율성을 극대화할 계획입니다.

당사는 정기주주총회를 매년 3개월 이내에 개최하고, 주총 관련 정보는 전자공시시스템(DART)을 통해 공개합니다. 주주친화정책의 일환으로 의결권 행사 편의를 제고하기 위해 전자투표를 도입하였으며, 활발한 IR 활동을 통해 주주에게 필수 정보를 공정하게 제공합니다. 주주환원 정책도 마련하여 장기적인 성장과 함께 주주 가치를 높일 계획입니다.

내부거래 및 자기거래 통제를 위해 이사회 결의사항으로 이사와 회사 간 거래를 승인하며, 특별한 이해 관계가 있는 이는 의결권 행사를 제한합니다. 또한, 내부회계 관리를 위해 2014년에 제정된 내부회계관리 규정을 바탕으로 전문 조직을 운영하고 있습니다. 이사와 감사에게 매년 운영 실태를 보고하며, 효과성을 지속적으로 점검하고 있습니다. 이러한 조치를 통해 기업의 투명성과 신뢰성을 높이고 있습니다.

III. 재무에 관한 사항

1. 요약재무정보

가. 요약연결재무정보

나. 요약별도재무정보

2. 연결재무제표

2-1. 연결 재무상태표

2-2. 연결 포괄손익계산서

2-3. 연결 자본변동표

2-4. 연결 현금흐름표

3. 연결재무제표 주석

1. 일반사항

한국채택국제회계기준 제1110호 '연결재무제표'에 의한 지배회사인 주식회사 솔트룩스(이하 '당사')는 (주)솔트룩스이노베이션, (주)플루닛, (주)솔트룩스벤처스, (주)다이퀘스트, Goover, Inc 및 Saltlux Technology Joint Stock Company(이하 주식회사 솔트룩스와 그 종속기업을 일괄하여 '연결회사')를 연결대상으로 하여 연결재무제표를 작성하였습니다.

1.1 회사의 개요

당사는 1981년 8월 17일 모비코인터내셔날 주식회사라는 상호로 설립되었으며,     2003년 3월 31일을 합병기준일로 하여 주식회사 시스메타를 흡수합병, 상호를      모비코앤시스메타 주식회사로 변경 후 2005년 7월 15일 상호를 현재의 주식회사   솔트룩스로 변경하였습니다. 당사는 컴퓨터 하드웨어 및 소프트웨어의 자문, 개발, 제조, 공급 및 판매업 및 정보처리 컨설팅, 자료처리, 데이터베이스업 및 정보통신 부가가치망 사업을 주사업목적으로 하고 있으며, 서울특별시 송파구 올림픽로35길 123에 본사를 두고 있습니다.

지배기업은 2020년 07월 23일 대한민국 코스닥 시장에 상장하였습니다.

지배기업의 보고기간말 현재 주요 주주현황은 다음과 같습니다.

1.2 종속기업 현황

당분기말 및 전기말 현재 연결회사의 연결대상 종속기업 현황은 다음과 같습니다.

1.3 종속기업의 요약 재무정보

당분기말 및 전기말 현재 연결대상 종속기업의 요약 재무현황은 다음과 같습니다.

1) 당분기말

(*) 당분기중 (주)플루닛은 (주)다이퀘스트에 흡수합병되었으며 매출액, 분기순손익 및 총포괄손익의 재무정보는 합병일 전 발생한 손익으로 구성됩니다.

2) 전기말

2. 재무제표 작성기준 및 중요한 회계정책

다음은 연결재무제표 작성에 적용된 중요한 회계정책입니다. 이러한 정책은 별도의 언급이 없다면 표시된 회계기간에 계속적으로 적용됩니다.

2.1 연결재무제표 작성 기준

연결회사의 분기연결재무제표는 한국채택국제회계기준에 따라 작성되는 중간재무제표입니다.  동 재무제표는  기업회계기준서 제1034호 '중간재무보고'에 따라 작성되었으며, 연차재무제표에서 요구되는 정보에 비하여 적은 정보를 포함하고 있습니다. 선별적 주석은 직전 연차보고기간말 후 발생한 연결실체의 재무상태와 경영성과의 변동을 이해하는데 유의적인 거래나 사건에 대한 설명을 포함하고 있습니다.

연결재무제표는 다음을 제외하고는 역사적 원가에 기초하여 작성하였습니다.

한국채택국제회계기준은 재무제표 작성 시 중요한 회계추정의 사용을 허용하고 있으며, 회계정책을 적용함에 있어 경영진의 판단을 요구하고 있습니다. 보다 복잡하고 높은 수준의 판단이 필요한 부분이나 중요한 가정 및 추정이 필요한 부분은 주석 3에서 설명하고 있습니다.

2.2 회계정책과 공시의 변경

2.2.1 연결회사가 채택한 제ㆍ개정 기준서 및 해석서

연결회사는 2025년 1월 1일로 개시하는 회계기간부터 다음의 제ㆍ개정 기준서를 신규로 적용하였습니다.

(1) 기업회계기준서 제1021호 '환율변동효과', 제1101호 '한국채택국제회계기준의 최초채택' 개정 - 교환가능성 결여

동 개정사항은 기업이 한 통화가 다른 통화로 교환 가능한지 여부를 평가하고, 통화가 교환 가능하지 않은 경우 사용할 현물환율을 결정할 때 일관된 접근 방식을 적용하고 관련 정보를 공시하도록 요구합니다. 동 개정사항이 재무제표에 미치는 중요한 영향은 없습니다

2.2.2 연결회사가 적용하지 않은 제ㆍ개정 기준서 및 해석서

제정 또는 공표되었으나 시행일이 도래하지 않아 적용하지 아니한 제ㆍ개정 기준서 및 해석서는 다음과 같습니다.

(1) 기업회계기준서 제1109호 '금융상품', 제1107호 '금융상품: 공시' 개정

동 개정사항은 금융상품 분류와 측정 요구사항을 명확히 하였으며, 금융상품 추가 공시사항을 규정하고 있습니다. 주요 개정내용은 다음과 같습니다.

· 전자지급시스템을 통한 금융부채 결제 시 특정 조건을 충족하는 경우, 결제일 전에 전자지급시스템을 통해 금융부채가 결제된 것으로 간주하여 부채를 제거할 수 있도록 허용

· 금융상품의 계약상 현금흐름 특성을 평가할 때, 원리금 지급만으로 구성되어 있는 현금흐름 관련 규정 명확화

· 기타포괄손익-공정가치 측정 지분상품의 투자 종류별 공정가치 변동 및 실현손익 정보에 대한 추가 공시

· 계약상 현금흐름의 시기나 금액을 변경시키는 계약조건이 기업에 미치는 영향과 기업이 노출되는 정도를 금융상품의 각 종류별로 공시

동 개정사항은 2026년 1월 1일 이후 최초로 시작하는 회계연도부터 적용되며, 조기적용이 허용됩니다.

(2) 한국채택국제회계기준 연차개선 Volume 11

한국채택국제회계기준 연차개선 Volume 11은 2026년 1월 1일 이후 시작하는 회계연도부터 적용되며, 조기적용이 허용됩니다.

· 기업회계기준서 제1101호 ‘한국채택국제회계기준의 최초채택' : K-IFRS 최초 채택시 위험회피회계 적용

· 기업회계기준서 제1107호 '금융상품: 공시' : 제거 손익, 실무적용지침

· 기업회계기준서 제1109호 '금융상품' : 리스부채의 제거 회계처리와 거래가격의 정의

· 기업회계기준서 제1110호 '연결재무제표' : 사실상의 대리인 결정

· 기업회계기준서 제1007호 '현금흐름표' : 원가법

연결회사는 상기 제ㆍ개정 기준서 및 해석서의 적용이 연결회사의 재무제표에 미치는 중요한 영향은 없을 것으로 예상하고 있습니다.

2.3 회계정책

요약분기연결재무제표의 작성에 적용된 유의적 회계정책과 계산방법은 주석 2.2.1에서 설명하는 제ㆍ개정 기준서의 적용으로 인한 변경 및 아래 문단에서 설명하는 사항을 제외하고는 전기 연결재무제표 작성시 적용된 회계정책이나 계산방법과 동일합니다.

2.3.1 법인세비용

중간기간의 법인세비용은 전체 회계연도에 대해서 예상되는 최선의 가중평균연간법인세율, 즉 추정평균연간유효법인세율을 중간기간의 세전이익에 적용하여 계산합니다.

3. 중요한 회계추정 및 가정

재무제표 작성에는 미래에 대한 가정 및 추정이 요구되며 경영진은 연결회사의 회계정책을 적용하기 위해 판단이 요구됩니다. 추정 및 가정은 지속적으로 평가되며, 과거 경험과 현재의 상황에 비추어 합리적으로 예측가능한 미래의 사건을 고려하여 이루어집니다. 회계추정의 결과가 실제 결과와 동일한 경우는 드물 것이므로 중요한 조정을 유발할 수 있는 유의적인 위험을 내포하고 있습니다.

다음 회계연도에 자산 및 부채 장부금액의 조정에 영향을 미칠 수 있는 경영진 판단과 유의적 위험에 대한 추정 및 가정은 다음과 같습니다. 일부 항목에 대한 유의적인 판단 및 추정에 대한 추가적인 정보는 개별 주석에 포함되어 있습니다.

4. 재무위험관리

4.1.1 시장위험

(1) 외환위험

연결회사는 일부 외화 자산ㆍ부채를 보유하고 있으나, 대부분의 거래는 국내거래로 환율변동위험에 대한 노출은 제한적입니다. 연결회사는 투기적 목적의 외환관리는 수행하지 않고 있습니다.

(2) 가격위험

연결회사는 재무상태표상 당기손익-공정가치 측정 금융자산으로 분류되는 연결회사보유채무증권 및 지분증권의 가격위험에 노출돼 있습니다.  중요한 채무증권 및 지분증권의 투자는 개별적으로 관리되며 중요한 취득 및 매각 의사 결정에는 이사회의 승인이 필요합니다.

당기손익-공정가치 측정 금융자산의 손익은 당기손익에 영향을 미치며, 연결회사의 투자 금융상품이 당기손익에 미치는 영향은 주석 6 및 주석 8에서 설명하고 있습니다.

(3) 이자율 위험

연결회사의 이자율위험은 미래 시장이자율 변동에 따라 예금 또는 차입금 등에서 발생하는 이자수익 및 이자비용이 변동될 위험으로서 이는 주로 변동금리부 조건의 예금과 차입금에서 발생합니다. 연결회사의 이자율위험관리의 목표는 이자율 변동으로인한 불확실성과 금융원가의 최소화입니다.

이를 위해 연결회사는 내부 유보자금을 활용한 외부차입의 최소화 및 고금리 조건/ 단기 차입금 비중 축소, 고정금리 차입금과 변동금리 차입금 간의 적정비율 유지, 정기적인 국내외 금리동향 모니터링 실시 및 대응방안 수립 등을 통해 선제적으로 이자율 위험을 관리하고 있습니다.

한편, 당분기말 현재 연결회사가 보유하고 있는 금융자산의 이자율변동이 공정가치 또는 미래현금흐름에 미치는 영향은 중요하지 아니합니다.

연결회사는 여러 활동으로 인하여 시장위험(외환위험, 가격위험, 이자율위험), 신용위험 및 유동성 위험과 같은 다양한 금융 위험에 노출되어 있습니다. 연결회사는 이러한 위험요소들을 관리하기 위하여 각각의 위험요인에 대해 면밀하게 모니터링하고대응하는 위험관리 정책 및 프로그램을 운용하고 있습니다.

위험관리는 이사회에서 승인한 정책에 따라 재무부서의 주관으로 이루어지고 있습니다. 재무부서는 영업부서들과의 긴밀한 협조 하에 재무위험을 식별하고 평가하고 관리합니다. 이사회는 전반적인 위험관리에 대한 원칙과 외환위험, 이자율 위험, 신용 위험 및 유동성을 초과하는 투자와 같은 특정 분야에 관한 정책을 문서화하여 제공하고 있습니다.

4.1.2 신용 위험

신용위험은 기업 및 개인 고객에 대한 신용거래 및 채권 뿐 아니라 현금성자산, 채무상품의 계약 현금흐름 및 예치금 등에서도 발생합니다.

연결회사는 신용등급이 높은 은행 및 금융기관과만 거래합니다.

기업 고객의 경우 외부 신용등급을 확인할 수 있는 경우 동 정보를 사용하고 그 외의 경우에는 내부적으로 고객의 재무상태와 과거 경험 등을 근거로 신용등급을 평가합니다. 고객별 한도는 내부 및 외부 신용등급에 따라 이사회가 정한 한도를 적용합니다. 경영진은 이러한 고객별 한도의 준수 여부를 정기적으로 검토합니다.

연결회사의 신용위험은 개별 고객, 산업, 지역 등에 대한 유의적인 집중은 없습니다.

일부 매출채권에 대해서는 거래상대방이 계약을 불이행하는 경우 이행을 요구할 수 있는 보증 또는 신용장 등의 신용보강을 제공받고 있습니다.

연결회사는 기대신용손실 모형이 적용되는 다음의 금융자산을 보유하고 있습니다.

· 재화 및 용역의 제공에 따른 매출채권

· 용역 제공에 따른 계약자산

· 상각후원가로 측정하는 기타 금융자산

현금성자산도 손상 규정의 적용대상에 포함되나 식별된 기대신용손실은 유의적이지 않습니다.

4.1.3 유동성 위험

연결회사는 정기적인 자금수지계획의 수립을 토대로 영업활동, 투자활동, 재무활동에서의 자금수지를 미리 예측해 금융부채와 금융자산의 만기구조를 대응시키고 있으며, 이를 통해 필요 유동성 규모를 사전에 확보하고 유지하여 향후에 발생할 수 있는 유동성리스크를 사전에 관리하고 있습니다.

4.2. 자본 위험 관리

연결회사의 자본 관리 목적은 계속기업으로서 주주 및 이해당사자들에게 이익을 지속적으로 제공할 수 있는 능력을 보호하고 자본 비용을 절감하기 위해 최적의 자본 구조를 유지하는 것입니다.

연결회사는 산업내 다른 기업과 일관되게 부채비율에 기초하여 자본을 관리하고 있습니다. 부채비율은 부채총계를 자본총계로 나누어 산출하고 있습니다.

한편, 보고기간말 현재 연결회사의 부채비율은 다음과 같습니다.

5. 사용제한 금융상품

보고기간말 현재 사용이 제한된 금융상품은 다음과 같습니다.

(*1) 특정 국책연구개발과제를 수행하기 위한 목적에만 사용이 가능합니다.

6. 당기손익-공정가치측정금융자산

보고기간말 현재 연결회사의 당기손익-공정가치측정금융자산은 다음과 같습니다.

7. 매출채권 및 기타상각후원가 금융자산

보고기간말 현재 연결회사의 매출채권 및 기타상각후원가 금융자산은 다음과 같습니다.

8. 범주별 금융상품

(1) 금융자산

보고기간말 현재 연결회사의 금융자산의 범주별 내역은 다음과 같습니다.

1) 당분기말

2) 전기말

(2) 금융부채

보고기간말 현재 연결회사의 금융부채의 범주별 내역은 다음과 같습니다.

1) 당분기말

(*) 연차미지급비용 및 기타장기종업원급여가 제외된 금액입니다.

2) 전기말

(*) 연차미지급비용 및 기타장기종업원급여가 제외된 금액입니다.

(3) 금융상품의 공정가치 서열체계

금융상품은 공정가치를 측정하기 위하여 사용된 가격과 가치평가모형에 투입되는 변수의 관측가능성 정도에 따라 수준을 1, 2 및 3으로 나누고 있으며 각각의 금융상품을 어느 수준으로 측정했는지 구분하여 공정가치수준을 공시하고 있습니다. 각각의 수준은 다음과 같이 구분됩니다.

공정가치로 측정되는 금융상품의 공정가치 서열체계 구분은 다음과 같습니다.

1) 당분기말

2) 전기말

9. 관계기업투자

(1) 당분기말 현재 관계기업의 현황 및 요약재무정보는 다음과 같습니다.

1) 관계기업 현황

(*) 지분율은 20%미만이나 이사회 또는 이에 준하는 의사결정기구에 참여하여 의결권을 행사할 수 있으므로 지분법을 적용하여 평가하고 있습니다.

2) 관계기업 요약재무정보

(2) 보고기간말 현재 관계기업의 내역은 다음과 같습니다.

(3) 당분기와 전기 중 관계기업투자의 변동내역은 다음과 같습니다.

1) 당분기

2) 전기

(주1) 전기말 현재 누적결손으로 인하여 지분법 적용을 중단하였으며, 지분법 적용 중단으로 인식하지 못한 미반영 손실은 43,734,600원입니다.

10. 투자부동산

(1) 당분기말과 전기말 현재 투자부동산자산의 내역은 다음과 같습니다.

(2) 당분기와 전분기 중 투자부동산의 변동내역은 다음과 같습니다.

1) 당분기

2) 전분기

(3) 투자부동산 관련 손익계산서에 인식된 임대수익은 당분기 10,800,000원(전분기 10,800,000원)입니다.

11. 유형자산

(1) 보고기간말 현재 연결회사의 유형자산의 내역은 다음과 같습니다.

(2) 당분기와 전분기 중 연결회사의 유형자산의 변동내역은 다음과 같습니다.

1) 당분기

2) 전분기

12. 리스

연결회사가 리스이용자인 경우의 리스에 대한 정보는 다음과 같습니다.

(1) 연결재무상태표에 인식된 금액

리스와 관련해 연결재무상태표에 인식된 금액은 다음과 같습니다.

(2) 연결포괄손익계산서에 인식된 금액

당분기 중 리스의 총 현금유출은 1,456,392천원(전분기: 1,588,848천원)입니다.

13. 무형자산

(1) 보고기간말 현재 연결회사의 무형자산의 내역은 다음과 같습니다.

(2) 당분기 및 전분기 중 연결회사의 무형자산의 변동 내역은 다음과 같습니다.

1) 당분기

2) 전분기

(3) 당분기 중 연결회사가 비용으로 인식한 연구와 개발 지출의 총액은 3,717,399천원(전분기: 6,528,770천원)입니다.

14. 순확정급여부채

연결회사는 종업원을 위하여 최종임금기준 확정급여제도를 운영하고 있습니다. 이와관련하여 확정급여채무의 보험수리적평가는 예측단위적립방식을 사용하고 있습니다.

(1) 연결회사의 보고기간말 현재 순확정급여부채(자산) 산정내역은 다음과 같습니다.

(2) 당분기와 전분기 중 연결회사의 손익계산서에 반영된 확정급여제도 관련 퇴직급여의 구성요소는 다음과 같습니다.

연결회사는 당기근무원가는 영업비용으로 계상하고 있으며 순이자원가는 금융수익 및 금융원가로 반영하고 있습니다.

(3) 당분기 중 확정기여형 퇴직급여 지급액은 없으며 전분기는 793,969천원입니다.

15. 단기차입금

(1) 보고기간말 현재 연결회사의 단기차입금의 내역은 다음과 같습니다.

16. 상환부채

(1) 보고기간말 현재 당사의 상환부채는 전액 전환상환우선주("RCPS")로서 내역은 다음과 같습니다.

(2) 2023년 발행 RCPS의 주요조건은 다음과 같습니다.

(*) 전환비율은 시가를 하회하는 발행가액으로 유상증자, 주식관련 사채 발행 등 일정한 조건을 충족하는 경우 조정되며, Refixing 조항이 있어 전환가격보다 IPO시 공모가격의 70% 해당하는 금액이 하회할 때 요청이 있는 경우 전환비율을 조정합니다.

17. 파생상품부채

당사의 당분기말 및 전기말 현재 파생상품부채의 내역은 다음과 같습니다.

18. 충당부채

보고기간말 현재 충당부채의 변동내역은 다음과 같습니다.

19. 자본

(1) 보고기간말 현재 당사가 발행할 주식의 총수, 1주의 금액 및 발행한 주식의 수는 다음과 같습니다.

보고기간말 현재 발행주식수 중 상법에 의하여 의결권이 제한되어 있는 주식수는 없습니다.

(2) 보고기간말 현재 연결회사의 지배주주에 귀속되는 자본잉여금의 내역은 다음과 같습니다.

(3) 보고기간말 현재 연결회사의 지배주주에 귀속되는 결손금의 내역은 다음과 같습니다.

(4) 보고기간말 현재 연결회사의 지배주주에 귀속되는 기타자본항목의 내역은 다음과 같습니다.

(5) 보고기간말 현재 연결회사의 지배주주에 귀속되는 기타포괄손익누계액의 내역은 다음과 같습니다.

20. 주식선택권

(1) 연결회사는 회사경영에 기여하였거나 기여할 가능성이 있는 임직원에게 주식결제형 주식선택권을 부여한 바 있으며, 당분기말 현재 연결회사가 부여한 주식선택권의 내용은 다음과 같습니다.

(2) 당분기와 전분기 중 비용으로 인식한 주식기준보상은 각각 540,907천원과 (140,342)천원이며, 전액 주식결제형 주식기준보상과 관련된 비용입니다.

21. 영업부문

(1) 연결회사의 경영진은 자원배분과 성과평가를 수행하는 이사회에서 검토 및 보고한 정보에 기초하여 영업부문을 결정하고 있습니다.

이사회는 각 사업부별 영업정보를 검토하고 있으며 영업부문 구성 및 주요 사업의 내용은 다음과 같습니다.

연결회사는 영업부문의 성과를 영업손익에 근거해서 평가하고 있으며, 이는 부문간 내부거래를 제외하고는 포괄손익계산서에 보고된 내용과 차이가 없습니다.

(2) 당분기와 전분기 중 영업부문의 손익은 다음과 같습니다.

1) 당분기

2) 전분기

연결회사는 부문간 매출거래를 독립된 당사자 간의 거래조건에 따라 이루어진 것처럼 회계처리합니다. 동 매출의 측정방식은 포괄손익계산서상의 측정방식과 동일합니다.

(3) 당분기 및 전분기 중 지역 부문별 매출내역은 다음과 같습니다.

22. 고객과의 계약에서 생기는 수익 및 관련 계약자산과 계약부채

(1) 당분기 및 전분기 중 연결회사가 인식한 영업수익은 전액 고객과의 계약에서 생기는 수익입니다.

(2) 고객과의 계약에서 생기는 수익의 구분

연결회사는 다음의 주요 부문에서 재화나 용역을 기간에 걸쳐 이전하거나 한 시점에 이전함으로써 수익을 창출합니다. 연결회사의 대부분의 매출은 국내에서 발생하며, 대부분은 외부고객으로부터의 수익입니다. (주석21 참조).

1) 당분기

2) 전분기

(3) 보고기간말 현재 연결회사가 인식하고 있는 계약자산과 계약부채는 다음과 같습니다.

계약자산은 연결회사가 고객에게 재화나 용역을 이전한 재화나 용역에 대해 대가를 받을 권리가 발생하였으나 미청구한 금액으로 청구 시 수취채권으로 대체됩니다. 계약부채는 기간에 걸쳐 이행하는 건설계약 등을 위해 고객으로부터 선수취한 금액으로 고객에게 재화나 용역을 이전함에 따라 수익으로 대체됩니다.

23. 비용의 성격별 분류

당분기 및 전분기 중 연결회사의 비용의 성격별 분류 내역은 다음과 같습니다.

(*) 포괄손익계산서 상의 영업비용의 합계입니다.

24. 영업비용

당분기 및 전분기 중 연결회사의 영업비용의 내역은 다음과 같습니다.

25. 금융손익

(1) 금융수익

당분기 및 전분기 중 연결회사의 금융수익의 내역은 다음과 같습니다.