두 회사 모두 ‘AI를 써보려는 기업’이 아니라, 이미 프로덕션에서 AI를 운영하는 기업을 겨냥한다
Asked:
“Applied Compute나 Trajectory.ai가 타겟으로 하려는 고객군들이 어딘지 궁금해.”
두 회사의 홈페이지·문서·발표·고객 사례·독립 프로필 7개 소스(4개 호스트, 조사 기준일 2026-11-06)에서 추출한 타깃 고객, 구매자 역할, pain, use case, 공개 성과를 비교했다. Applied Compute 관련 행은 전부 회사 공식 사이트에서 나왔으므로, 그 고객군·성과 주장은 공식 자료 중심이라는 한계가 있다. Trajectory.ai는 공식 자료와 독립 프로필(Altis Research)을 함께 포함한다.
ICP 겹침과 차이 — 한눈에 보기
파랑 = Applied Compute 고유, 초록 = Trajectory.ai 고유, 보라 = 겹치는 스위트스폿. 항목에 마우스를 올리면 근거가 보인다.
Applied Compute는 ‘train + serve + continually improve’ 전체 스택을 판다. $100M 연환산 매출, 일 1조+ 토큰 서빙, 고객의 40%가 학습·추론을 동시에 사용 — 엔터프라이즈 인프라 예산을 겨냥한 플랫폼이다.
appliedcompute.com
고호출량 워크로드가 가장 강한 ICP다. Harvey Review Table 사례: 테이블 하나가 수십만 모델 호출로 fan-out되고, 커스텀 모델이 Claude Sonnet 5 대비 셀당 비용 54.8% 절감, citation 품질 22.4% 개선을 냈다.
appliedcompute.com
Trajectory.ai는 production trace가 이미 쌓이는 팀을 전제한다. 자체 task·harness·grader를 운영하고 자체 인프라에서 trace를 수집하는 기업이 문서상 명시된 전제 조건이다.
docs.trajectory.ai
Trajectory의 사용자는 연구자가 아니라 도메인 전문가다. ‘좋은 결과’를 정의하고 모델 개선을 평가·승인·배포하는 고객사 전문가 팀이 핵심 사용자이며, NVIDIA Jensen Huang이 GTC에서 Nemotron post-training 사례(Harvey)를 직접 언급했다.
trajectory.ai
비교표 — 사실(소스 명시)과 분석적 추론 구분
축
Applied Compute
Trajectory.ai
핵심 pain
출시 후 모델이 멈추고, 다음 모델 릴리스를 기다려야 하며, 시스템이 무엇을 학습하는지 통제 불가
trajectory.ai대표 use case
커스텀 모델 학습(Harvey Review Table), 커스텀 라우터로 inference 비용 절감, AC2 학습, 대규모 서빙
appliedcompute.combase 모델 평가 → 자체 task 학습 → 체크포인트 비교 → 배포 → production trace로 continual learning
docs.trajectory.ai산업
Life sciences, cybersecurity, hardware design, legal, financial services, logistics
appliedcompute.com공개 고객·성과
Microsoft, NVIDIA, Shopify, DoorDash, Harvey, Clay, Cognition, Mercor, Decagon 등; Clay inference 비용 최대 47% 절감, Harvey 셀당 비용 54.8% 절감
appliedcompute.comHarvey와 NVIDIA Nemotron post-training 사례 — Jensen Huang이 GTC에서 언급
trajectory.ai ‘(추론)’ 표시는 소스에 직접 명시되지 않고 소스 내용에서 도출한 분석적 추론. Clay 47% 수치는 브리프 기준의 공식 발표 주장이다.
영업 우선순위 — 누구를 먼저 공략할까
1순위 · 두 회사 모두 적합
프로덕션 AI 에이전트 기업Harvey·Cognition·Decagon처럼 agent가 이미 서비스 중이고 trace·평가 기준이 있는 곳. 겹치는 스위트스폿의 중심.2순위 · Applied Compute 강세
고호출량 AI SaaS한 작업이 수천~수십만 호출로 fan-out되는 제품. 호출당 비용·지연 개선이 곧바로 마진으로 연결된다.3순위 · Applied Compute 강세
보안·규제가 중요한 엔터프라이즈·공공고객 데이터 학습 금지 같은 엄격한 데이터 통제 요건 — 모델 소유가 곧 보안 요건이 되는 곳.4순위 · 두 회사 모두 적합
자체 AI/ML 연구·인프라 팀이 있는 대기업Microsoft·NVIDIA급 — 자체 실험을 돌리되 학습 인프라를 외부화하려는 조직.비(非)ICP
단순 챗봇 도입 단계 기업prompt 수준 커스터마이징만 필요한 단계는 두 회사의 제안과 맞지 않는다.비(非)ICP
trace 없는 기업·기술팀 없는 중소기업production trace가 거의 없거나 자체 모델을 운영할 기술팀이 없으면 현재 핵심 ICP가 아니다.
7개 소스 행, 4개 호스트, 각 URL은 1개 행만 뒷받침. 조사 기준일 2026-11-06. 값은 각 페이지가 스스로 밝힌 타깃 고객·구매자·pain·use case·성과 서술이며, Applied Compute 행 4건은 모두 공식 사이트(자사 주장), Trajectory.ai 행 3건은 공식 2건 + 독립 프로필 1건. 지면상 pain·use case 전문과 전체 고객 로고 목록은 생략.