AI에게 못하는 일이 있을까요? 그런데 한 발만 바깥으로 나가면, AI는 의외로 쉽게 무너집니다. IoTeX는 바로 그 약점을 풀기 위해, AI 플랫폼으로의 전환을 시작했습니다.
Key Takeaways
AI는 이제 대부분의 영역에서 성과를 내고 있다. 하지만 파편화되고 검증할 수 없는 외부 데이터에 의존하는 순간, AI는 제대로 작동하지 못한다.
IoTeX는 8년간 이 간극을 메우기 위한 통합 인프라를 구축했다. ioID, Quicksilver, Realms로 구성된 3계층 스택을 통해 현실 세계 데이터를 대규모로 AI에 공급하는 플랫폼으로 전환하고 있다.
Trio는 이 스택 위에 만들어진 첫 번째 상용 제품이다. 인프라를 기업 구독 기반의 SaaS 매출로 직접 전환한다.
2026년 투자 논점은 순전히 실행력에 달려 있다. Trio가 기업 고객 계약을 따낼 수 있는지, 그리고 Real-World AI Foundry가 상용화 수준의 모델 성과를 증명할 수 있는지가 핵심이다.
1. AI. AI.. AI?
2025년, AI는 사실상 모든 분야에서 예상을 뛰어넘었다.
OpenAI의 추론 모델은 국제수학올림피아드(IMO)에서 금메달 수준의 점수를 기록했다. GitHub Copilot은 개발자 코드의 평균 46%를 AI가 직접 생성하는 단계에 이르렀고, AI 에이전트는 이메일 관리부터 일정 조율, 업무 자동화까지 스스로 처리한다.
이제 “AI가 무엇을 할 수 있는가”라는 질문은 이제 의미가 없어질 정도다.
하나의 시스템 안에서라면, AI는 이미 충분히 똑똑하다. 지멘스나 GE 같은 대기업은 자사 공장에 센서를 깔고, 데이터를 수집하고, AI 모델에 연결하는 파이프라인을 이미 갖추고 있다.
문제는 이 울타리를 벗어나는 순간 시작된다.
자율주행차를 생각해 보자. 차량에 탑재된 센서만으로도 자율주행은 가능하다. 하지만 보다 정밀한 시스템을 만들려면 차량 밖의 데이터가 필요하다. 교통 신호, 횡단보도 보행자 감지 센서, 기상 관측소 등 수천 개의 외부 데이터 소스가 실시간으로 연결될 때 비로소 완성도 높은 자율주행이 가능해진다. 그런데 이 데이터들은 서로 다른 기관에서 운영되고, 포맷도 제각각이며, 출처를 검증하는 공통 기준조차 없다.
Waymo나 Cruise 같은 기업은 이미 이 문제에 도전하고 있다. 다양한 외부 센서 데이터를 대규모로 수집하고 통합하는 시스템을 구축했다. 하지만 이들의 방식은 자체 독점 스택에 기반한다.
다른 자율주행 업체나 도시 인프라와 데이터를 주고받으려면 또 다른 통합 작업이 필요하다. 같은 도로 위의 데이터인데도 시스템끼리 호환되지 않는 것이다.
AI가 아무리 뛰어나도, 파편화된 데이터 위에서는 정확한 판단을 내리기 어렵다.
결국 필요한 것은 통합 인프라다. 모든 기기에 검증 가능한 신원을 부여하고, 흩어진 데이터를 모아 AI가 즉시 쓸 수 있는 형태로 전달하며, 이를 도메인별로 정리하는 시스템. IoTeX가 만들어 온 것이 바로 이것이다.
2. IoTeX, 8년간의 인프라 구축을 마치고 AI 회사로 전환하다
IoTeX는 2017년부터 이 문제를 주목했다.
ICO 열풍이 한창이던 당시, 대부분의 블록체인 프로젝트는 ICO에 집중했다. “기기를 블록체인에 연결한다”는 발상은 주류가 아니었다. DePIN이라는 용어조차 존재하지 않던 때, IoTeX는 하나의 확신에서 출발했다. 물리적 기기가 블록체인의 핵심 참여자가 된다는 것. “DePIN”이라는 단어가 등장한 건 그로부터 5년 뒤인 2022년 말이었다.
8년간의 꾸준한 인프라 구축 끝에, IoTeX는 풀스택 DePIN 플랫폼을 완성했다.
고성능 L1 블록체인, 기기 신원 프로토콜, 오프체인 데이터 검증, 그리고 이 파이프라인이 현실에서 작동한다는 것을 증명한 하드웨어 배포까지 갖췄다.
이 과정에서 Google Cloud, Samsung Next, Nordic Semiconductor와 글로벌 파트너십을 체결했다. IEEE에서는 블록체인-IoT 표준 워킹그룹을 주도하며 업계 전반의 신뢰도를 쌓았다. 이 시기가 마무리될 무렵, 등록된 스마트 기기는 약 96만 대, 연결된 DePIN 프로젝트는 400개를 넘어섰다.
그리고 2025년, IoTeX는 Real-World AI 플랫폼으로의 확장을 공식 선언했다.
목표는 명확하다. 8년간 쌓은 기기 네트워크와 데이터 파이프라인을 AI가 실시간으로 소비할 수 있는 플랫폼으로 전환하는 것이다.
3. 데이터 수집부터 AI 추론까지
IoTeX의 AI 기술 스택은 세 단계로 나뉜다.
ioID (검증 단계: 기기 신원 계층): 센서, 로봇 같은 물리적 장치에 블록체인 기반 디지털 신분증을 부여한다. 데이터의 출처와 무결성을 보장하는 신뢰의 기반이다.
Quicksilver (색인 단계: 데이터 처리 계층): 수백 개 네트워크에 흩어진 센서 데이터를 수집하고, AI가 읽을 수 있는 형태로 가공해 전달한다.
Realms (인식 단계: 맥락 지식 계층): 가공된 데이터 위에 산업별 맥락 지식을 더해, AI가 단순한 수치 너머의 판단을 내릴 수 있게 한다.
ioID가 데이터의 신뢰를 확보하고, Quicksilver가 그 데이터를 AI에게 전달하고, Realms가 판단의 맥락을 제공한다. 이 세 계층이 순서대로 작동하면서, 물리 세계의 날것 그대로인 센서 신호가 AI가 곧바로 활용할 수 있는 인텔리전스로 바뀌고 있는 것이다.
3.1. ioID: 모든 기기와 에이전트에 검증된 신원을 부여하다
AI가 현실 데이터를 활용하려면 가장 먼저 풀어야 할 문제가 있다. 이 데이터가 정말 해당 기기에서 나온 것인지, 중간에 조작되지 않았는지 확인하는 것이다. 출처를 모르는 데이터는 아무리 많아도 AI에게 쓸모가 없다.
특히 수십억 대의 IoT 기기가 스스로 데이터를 생성하고, AI 에이전트가 그 데이터를 기반으로 판단과 거래를 수행하는 미래에는 문제가 더 심각해진다. 조작된 센서 데이터 하나가 AI의 잘못된 판단으로 이어지고, 그 판단이 실제 거래와 행동으로 연결되기 때문이다. 각 기기와 에이전트가 ‘누구인지’ 증명할 수 없다면, 전체 시스템의 신뢰 기반이 무너진다.
ioID는 탈중앙화 기기 신원 프로토콜로 이 문제를 해결한다. 센서나 로봇 같은 물리적 장치뿐 아니라, AI 에이전트 자체에도 고유한 신원을 부여한다. 작동 원리는 간단하다. 모든 데이터 전송에 해당 기기의 신원 정보가 함께 실린다. 신원 정보가 없으면 데이터는 출처 불명의 숫자에 불과하다. 반대로 신원 정보가 있으면, 모든 바이트가 암호학적으로 추적 가능해진다.
예를 들어 공장의 온도 센서가 32도를 측정했다고 하자. ioID 체계 아래에서는 “3번 라인의 17번 센서가 2025년 1월 15일 14시 23분에 측정한 값”이라는 정보가 데이터에 함께 기록된다. 만약 등록되지 않은 기기가 같은 위치의 센서를 사칭해 데이터를 보내더라도, ioID가 없는 데이터는 네트워크에서 신뢰할 수 있는 출처로 인정되지 않는다.
기술적으로 보면, ioID는 단순히 기기에 태그를 붙이는 것과 다르다. W3C DID(Decentralized Identifier) 표준을 기반으로 설계되었고, 등록된 기기에는 프로그래밍 가능한 스마트 월렛이 연결된다. 기기는 이 월렛으로 데이터를 직접 서명하고, 검증 가능한 자격증명을 발행할 수 있다. 쉽게 말해, 기기가 “내가 이 데이터를 만들었다”는 것을 스스로 증명하는 구조다.
ioID의 역할은 단순한 출처 확인에 그치지 않는다. 신분증을 가진 기기는 스스로 행동할 수 있는 권한도 얻는다. 창고 온도가 설정값을 넘으면 센서가 자동으로 냉각 시스템을 가동하는 식이다. AI 에이전트 역시 ioID를 부여받을 수 있어, 상황을 판단하고 필요한 조치를 실행하는 “디지털 공장장” 같은 역할이 가능해진다.
현재 IoTeX 네트워크에 등록된 ioID는 약 97,000건이다. 2025년 8월 기준 약 12,000건이었던 것과 비교하면, 반년도 안 되는 사이에 8배 가까이 늘었다. 디바이스 제조사와 AI 에이전트 개발자 양쪽에서 수요가 빠르게 증가하고 있다는 신호다.
3.2. 퀵실버(Quicksilver): 흩어진 센서 데이터를 AI의 눈과 귀로 바꾸다
기기 신원이 확보되었다고 해서 AI가 바로 현실을 이해할 수 있는 것은 아니다.
AI 에이전트가 “서울 강남역 부근 오늘 오후 야외 활동하기 좋을까?”라는 질문을 받았다고 하자. 답하려면 기상 관측소의 강수량, 미세먼지 센서의 PM2.5 수치 등 여러 데이터가 필요하다. 문제는 이 데이터들의 형식이 전부 다르다는 점이다. Nubila 기상 관측소는 JSON으로 습도와 풍속을 보내고, 미세먼지 센서는 CSV로 수치를 기록하며, 기상청 API는 XML로 시간대별 예보를 제공한다.
AI 개발자가 이 네트워크들을 하나하나 직접 연결하는 건 비용도 크고 비효율적이다. 그래서 등장한 것이 퀵실버다. 2025년 초 출시된 이 오픈소스 프레임워크는 흩어진 DePIN 네트워크들을 하나의 파이프라인으로 묶어, 현실 세계의 원시 데이터를 AI 에이전트가 인식하고, 추론하고, 행동할 수 있는 구조화된 맥락으로 변환한다.
데이터 수집 및 통합: 수백 개의 DePIN 네트워크와 Web2 API에 흩어진 데이터를 하나의 접점으로 모은다. AI 개발자가 네트워크마다 개별 연결을 만들 필요 없이, 퀵실버의 단일 API 하나로 필요한 데이터에 접근할 수 있다.
표준화 및 인덱싱: JSON, CSV, XML 등 제각각이던 형식을 AI 모델이 곧바로 처리할 수 있는 하나의 구조화된 데이터로 변환하고 인덱싱한다. 위 사례에서라면 강수량, PM2.5, 기온 예보가 모두 동일한 형식으로 정리되어 AI에게 전달된다.
암호학적 검증: 퀵실버 노드가 데이터를 수집하고 변환하는 과정에서 내용이 바뀌지 않았음을 영지식 증명(ZK Proof)으로 확인한다. ioID가 “이 데이터를 보낸 기기가 누구인지”를 증명한다면, 이 단계는 “기기가 보낸 데이터가 중간 처리 과정에서 변조 없이 AI에게 도착했는지”를 증명하는 것이다.
퀵실버의 역할은 데이터 변환에서 끝나지 않는다. 수집, 표준화, 검증을 모두 마친 데이터가 한곳에 모이면, 이는 일종의 검증된 데이터 마켓플레이스가 된다. 여기에 x402 같은 소액결제 프로토콜이 접합되면, AI 에이전트끼리 데이터를 직접 주고받으며 비용까지 자동으로 정산하는 구조가 만들어진다. 퀵실버가 에이전트 경제의 공통 기반 인프라로 확장될 가능성이 있다.
퀵실버 알파 버전의 일일 요청 수는 약 200건에서 최대 2,000건까지 증가했다. 아직 초기 단계이지만, 최근 한 달간 일평균 약 400건 수준에서 안정화되었다. AI 에이전트의 실시간 데이터 수요가 실제로 존재한다는 신호다.
3.3 렐름(Realms): AI에게 “왜”를 가르치는 산업별 지식 베이스
데이터를 모으고 연결하는 것만으로는 충분하지 않다. 같은 온도 32도라는 숫자도 농업 AI와 제조 AI가 해석하는 방식은 완전히 다르다. 농업에서 32도는 작물 스트레스 경고일 수 있지만, 제조에서는 계절 변화에 따른 정상 범위일 수도 있고, 장비 노화의 전조일 수도 있다.
AI가 “왜 이런 상황이 발생했는가”를 이해하려면, 각 산업에 특화된 맥락 지식이 필요하다.
렐름은 이 맥락 지식을 축적하는 도메인 특화 지식 베이스다. 교통, 에너지, 헬스케어, 로보틱스, 스마트홈, 펫케어 등 도메인마다 별도의 렐름이 만들어지며, 그 수에 제한은 없다. 하나의 렐름 안에는 세 종류의 데이터가 함께 쌓인다.
실시간 물리 데이터: 센서와 기기가 현장에서 생성하는 온도, 습도, 차량 흐름 같은 원시 데이터.
전문가 해석 및 태깅: 도메인 전문가가 원시 데이터를 검토하고, 정상 범위인지 이상 신호인지 판단해 부여하는 맥락 정보.
프라이빗 데이터: 개인이 자발적으로 제공하는 전기요금 청구서, 차량 정비 기록, 의료 기록 등.
이 세 종류의 데이터는 따로 저장되는 것이 아니라, 하나의 렐름 안에서 겹겹이 쌓이며 서로를 보강한다.
센서가 “32도”라는 숫자를 보낸다.
전문가는 “이 공장에서 여름철 32도는 정상 범위”라는 판단 기준을 덧붙인다.
장비 정비사는 “32도이지만 이 장비는 최근 3년간 정비 이력이 없으므로 과열 전조일 수 있다”는 수준의 판단을 더한다.
데이터 층이 두꺼워질수록 AI가 읽을 수 있는 맥락도 깊어지는 구조다.
다만 한 가지 짚어둘 점이 있다. 렐름은 현재 설계 및 개발 단계에 있으며, 아직 본격적으로 런칭되지 않았다.
앞서 설명한 시나리오는 IoTeX가 제시하는 목표 비전이다. 실제로 산업별 렐름이 충분한 데이터와 전문가 참여를 확보해 유의미한 인텔리전스를 생성하기까지는 상당한 시간과 생태계 구축 노력이 필요하다.
4. 트리오(Trio): DePIN 기술력 위에 세운 새로운 AI 프로덕트
Trio는 모든 투자자가 던지는 질문, “매출은 어디서 나오는가?”에 대한 IoTeX의 첫 번째 직접적인 답이다. IoTeX의 AI 자회사 머신파이(MachineFi)가 만든 트리오(Trio)는 영상 스트림을 실시간으로 분석하는 멀티모달 인텔리전스 레이어이자, IoTeX 기술 스택 위에 구축된 최초의 상용 제품이다.
Trio는 멀티모달 스트림 기반의 에이전틱 AI 제품이다. 라이브 영상 피드를 연결하면, AI가 화면 속 상황을 실시간으로 분석해 자연어로 답변을 돌려준다. 사람이 CCTV를 직접 감시할 필요 없이, “제한 구역에 사람이 있는가?”, “조립 라인에 불량품이 보이는가?” 같은 질문을 던지면 즉각적인 판단 결과를 받을 수 있다.
작동 방식은 네 단계로 나뉜다.
Connect: 유튜브 라이브, RTSP 등 다양한 영상 스트림을 연결한다.
Extract: AI 모델이 영상과 오디오, 센서 데이터를 분석해 자연어로 해석한다.
Fuse: 여러 소스에서 추출된 인사이트를 합쳐 종합적인 판단을 만들어낸다.
Action: 이 판단이 웹훅이나 AI 에이전트 워크플로우로 연결되어 실제 행동을 유발한다.
이런 제품이 필요한 이유는 단순하다. 모든 것에 센서를 붙일 수는 없고, 당장에 빠르게 적용 가능한 것은 영상 분석이다. 대형 물류 창고에 붙은 수십 대의 기존 CCTV를 활용할 수도 있기에 바로 전환이 가능하다.
기술적으로 주목할 부분은 비용 구조다.
일반적으로 비전 언어 모델(VLM)에 영상 프레임을 보내면 프레임 하나당 비용이 발생한다. 그런데 보안 카메라처럼 장면 변화가 거의 없는 영상에서 매 프레임을 분석하면 비용 대부분이 낭비된다.
트리오는 모션 프리필터링 기술로 변화가 없는 프레임을 AI 분석 전에 걸러낸다. IoTeX 측에 따르면 이 방식으로 VLM API 비용을 70~90%까지 절감할 수 있다. 이 프리필터링 기술은 DePIN 인프라에서 대량의 센서 데이터를 효율적으로 처리하던 경험이 그대로 녹아든 것이다.
한 가지 짚어둘 점이 있다. 트리오는 현재 IoTeX 블록체인과 직접적으로 연결된 제품이 아니다. 온체인 트랜잭션이나 $IOTX 토큰을 통해 작동하지 않는다.
DePIN 인프라에서 쌓은 실시간 데이터 처리, 에지 컴퓨팅, 멀티모달 스트림 통합 등의 기술 역량을 기반으로 만든 독립적인 AI 프로덕트에 가깝다. 가격 체계도 일반적인 SaaS 모델을 따른다. 무료 플랜(Basic)부터 월 $39의 Pro 플랜, 맞춤형 Enterprise 플랜까지 전통적인 구독형 수익 모델을 채택했다.
트리오가 IoTeX에 갖는 전략적 의미는 분명하다. 블록체인 프로토콜 수수료에만 의존하는 대신, AI 제품으로 실질적인 매출을 만들겠다는 것이다.
또한 트리오는 IoTeX의 전체 논리를 하나의 제품으로 압축해 증명하는 사례이기도 하다. 현실 세계의 물리적 데이터를, 8년간 쌓아온 DePIN 인프라 위에서 AI가 처리하고, 그 결과를 기업이 지금 당장 돈을 내고 쓰는 상용 제품으로 만들어낸 것이다.
5. 앞으로 지켜봐야 할 것
IoTeX는 인프라 구축을 마쳤다. 2026년 투자 논리의 핵심은 기술이 작동하느냐가 아니다. L1, ioID, 퀵실버 모두 이미 가동 중이고 성장하고 있다.
수치로도 확인된다. DePINscan 기준 433개 DePIN 앱에 걸쳐 4,200만 대 이상의 디바이스가 등록되어 있고, 온체인 ioID 등록 수는 2026년 1월 기준 33,000건을 넘었다. 메인넷은 2019년 출시 이후 단 한 번의 다운타임 없이 운영되고 있다. 기술적으로는 충분히 증명된 셈이다.
그렇다면 남은 질문은 하나다. 이 기술적 준비가 실제 매출로 이어지느냐. 두 가지 마일스톤이 그 답을 결정한다. 매출 전환과 생태계 확장이다.
5.1. 매출 전환
문제는 명확하다. 기술력이 매출로 전환되지 않았다. 미들웨어는 구조적으로 수익화가 어렵다. 레이어와 레이어 사이에 위치하고, 사용자와 직접 접점이 없으며, 채택되려면 비용이 낮아야 하기 때문이다. IoTeX도 예외가 아니었다.
트리오가 이 매출 구조를 바꾼다. 데이터를 중계하는 미들웨어 역할에 머무르는 대신, IoTeX는 사실상 AI 자회사를 세워 최종 사용자에게 SaaS를 직접 판매하기 시작했다. 수익 모델이 미들웨어 수수료에서 구독료로 전환된 것이다.
구독 매출이 규모를 갖추면, 그 가치를 $IOTX 토큰 생태계로 환류시킬 수 있는 통로가 열린다. 실제 제품 매출이 생태계 가치를 뒷받침하는 선순환 구조가 만들어지는 셈이다.
리스크도 분명하다. 트리오는 아직 초기 단계이고, Google Cloud Vision과 Amazon Rekognition이 이미 라이브 영상 분석 시장을 장악하고 있다. 하지만 트리오가 내세우는 데이터 주권과 70~90% 비용 절감은 의미 있는 차별점이다. 하지만 엔터프라이즈 영업 사이클은 길고, 시장은 결과로만 판단한다. 내러티브가 아니라 실제 계약 수주로 증명해야 한다.
5.2. 생태계 확장
트리오가 제품 차원의 전환이라면, 생태계 차원의 움직임도 있다. 2025년 9월, IoTeX는 싱가포르 Token2049에서 Real-World AI Foundry를 출범했다. 파운드리(Foundry)는 여러 기업이 각자 보유한 인프라, 데이터, 컴퓨팅 자원을 한곳에 모아 AI 모델을 공동으로 개발하는 플랫폼이다. Vodafone이 통신 인프라를, Filecoin이 분산 스토리지를 제공하는 식으로, 참여 기업마다 역할이 다르다. IoTeX는 이 자원들을 검증하고 연결하는 중간 계층을 맡는다.
이 연합이 목표로 하는 것이 Real-World Models(RWMs)다. 기존 AI 모델이 과거에 수집된 정적 데이터로 학습하는 반면, RWM은 센서와 기기에서 지금 올라오는 실시간 데이터를 쓴다. 공장 온도, 도로 교통량, 기상 정보처럼 현장에서 즉시 생성되는 데이터로 AI를 훈련시키는 방식이다. 데이터나 컴퓨팅 자원을 제공한 참여자는 사용량에 따라 보상을 받는다.
파트너 명단은 인상적이나, 파운드리 역시 아직 초기 단계다. RWM이 상용화 수준의 성과를 낼 수 있을지는 검증되지 않았다. IoTeX가 AI 인프라 기업으로 재평가받을 수 있을지, 그 답은 제품과 생태계 양쪽 모두에서 실적이 뒷받침되어야 한다.
🐯 More from Tiger Research
이번 리서치와 관련된 더 많은 자료를 읽어보세요.Disclaimer
이 보고서는 아이오텍스(IoTeX)로부터 일부 원고료 지원을 받았으나, 신뢰할 수 있는 자료를 바탕으로 독립적인 조사를 통해 작성되었습니다. 하지만 이 보고서의 결론과 권고사항, 예상, 추정, 전망, 목표, 의견 및 관점은 작성 당시의 정보를 바탕으로 하며 예고 없이 변경될 수 있습니다. 이에 당사는 본 보고서나 그 내용을 이용함에 따른 모든 손실에 대해 책임을 지지 않으며 정보의 정확성, 완전성, 그리고 적합성을 명시적으로나 암시적으로 보증하지 않습니다. 또한 타인 및 타조직의 의견과 일치하지 않거나 반대될 수 있습니다. 이 보고서는 정보 제공의 목적으로 작성되었으며, 법률, 사업, 투자, 또는 세금에 관한 조언으로 간주되어서는 안 됩니다. 또한 증권이나 디지털 자산에 대한 언급은 설명을 위한 것일 뿐, 투자 권고나 투자 자문 서비스 제공을 제안하는 것이 아닙니다. 이 자료는 투자자나 잠재적 투자자를 대상으로 하지 않았습니다.
Terms of Usage
타이거리서치는 리포트의 공정 사용을 지지합니다. 이는 공익적 목적으로 콘텐츠를 인용하되 상업적 가치에 영향을 주지 않는 범위에서의 넓은 사용을 허용하는 원칙입니다. 공정 사용 규칙에 따라, 리포트를 사전 허가 없이 사용할 수 있으나, 타이거리서치 리포트를 인용 시에는 1) 출처로 ‘타이거리서치’를 분명히 밝히고, 2) 타이거리서치의 브랜드 가이드라인에 맞는 로고(Black/White)를 포함시켜야 합니다. 자료를 재구성하여 출판할 경우에는 별도의 협의가 요구됩니다. 사전 허가 없는 사용은 법적 조치를 초래할 수 있습니다.
