A
R&D 세액공제 데이터비용 증빙기
4.00
파생 체인
단계 1
AI 학습데이터 구매비용 R&D 세액공제 포함
→
단계 2
AI 스타트업의 세액공제 신청
→
단계 3
데이터 구매 증빙·분류 자동화 도구
문제
AI 스타트업과 중소기업이 AI 학습용 데이터 구매비용을 R&D 세액공제 대상에 포함시킬 수 있게 되었지만, 데이터 구매 건별로 'AI 학습 목적'을 증빙하고 R&D 활동과의 연관성을 문서화하는 작업이 복잡하다. 세무사에게 위임하면 건당 50-100만원이 추가 발생하고, 자체 처리 시 담당자가 매 분기 1-2주를 증빙 정리에 소비하면서도 공제 누락이 빈번하다.
솔루션
데이터 구매 영수증·계약서를 업로드하면 LLM이 자동으로 'AI 학습 데이터' 해당 여부를 판별하고, R&D 세액공제 신청서 양식에 맞춰 증빙 문서를 자동 생성한다. 데이터셋 용도·프로젝트·금액을 구조화하여 분기별 집계 리포트를 출력하고, 공제 한도 초과 여부를 사전 경고한다.
NUMR-V Scores
NUMR-V Scoring System
| N Novelty | 1-5 | 시장 내 유사 서비스 부재 정도. 경쟁사 0개 = 5, 10+개 = 1 |
| U Urgency | 1-5 | 사용자가 지금 당장 필요로 하는 긴급성. 트렌드 부합 + 시급성 |
| M Market | 1-5 | 타겟 시장의 크기와 성장 가능성. 프록시 지표 기반 (LLM 추정 X) |
| R Realizability | 1-5 | 1-2인이 실현 가능한 정도. 기술 난이도 + 데이터 확보 용이성 |
| V Validation | 1-5 | 시장 검증 통과 여부. 경쟁사 분석 + 수요 프록시 + 타이밍 |
SaaS N=.15 U=.20 M=.15 R=.30 V=.20
Senior N=.25 U=.25 M=.05 R=.30 V=.15
실현성 (78%)
실현성 분석
| 기술 복잡도 | / 40 | 핵심 기술 스택의 난이도. low=40, medium=24, high=10 |
| 데이터 접근성 | / 25 | 필요 데이터의 확보 용이성. user_generated=25 → proprietary=4 |
| MVP 일정 | / 20 | 최소 기능 제품 구축 소요 기간. 2주=20, 1개월=12, 3개월=8 |
| API 보너스 | / 15 | 공공 API 활용 가능 시 보너스. 매칭 API가 있으면 가산 |
시장 검증 (60/100)
검증 분석
| 경쟁 분석 | / 20 | 경쟁사 검색 결과 기반. 적절한 경쟁 존재 = 시장 검증 |
| 시장 수요 | / 20 | 검색량, 뉴스 언급 등 프록시 지표. 실제 수요의 간접 증거 |
| 타이밍 | / 20 | 현재 트렌드와의 부합도. 규제/기술 변화 시점 적합성 |
| 수익 참조 | / 15 | 유사 비즈니스 모델의 수익 사례. 실제 과금 레퍼런스 존재 여부 |
| 곡괭이 적합 | / 15 | 곡괭이 전략 부합도. 도구/인프라 제공 관점 적합성 |
| 1인 구축 | / 10 | 혼자서 MVP 구축 가능 여부. 외부 의존성 최소화 정도 |
기술 요구사항
백엔드 [medium]
프론트엔드 [low]
AI/ML [low]