01
Scale공식
61.7만/월
대규모 기업급 데이터 라벨링과 모델 평가를 제공하지만, 종종 Labelbox보다 더 큰 예산이 필요합니다.
AI 개발자 도구에디터 평점: 4.7가격 문의+12.5%
로딩 중…
월간 방문 수
76.28만
전월 대비 성장
-22.52만
상승 속도: -22.8%
직접 유입 비중
49%
직접 유입 비중은 사용자 유지율이 아닙니다.
주요 시장
🇺🇸미국
점유율: 21.9%
트래픽 추이
월간 웹사이트 방문 수 추정치
월간 웹사이트 방문 수 추정치
이 도메인의 Similarweb 추정치이며 활성 사용자 수가 아닙니다. 관측 데이터가 있는 월만 표시하며 수집일과 집계 월을 구분합니다.
수집일 2026. 11. 11.
에디터가 매긴 5점 만점 평가이며, 사용자 평점의 평균이 아닙니다. 이 페이지의 관점들은 제품 정보를 바탕으로 AI가 정리한 것이며, 실제 사용자 후기가 아닙니다.
2026-11-11에 검증된 OpenAITools.app 텔레메트리에 따르면, Labelbox(labelbox.com)은(는) AI 개발자 도구 (전 세계 #214위)에 색인된 AI 플랫폼으로 월 76.28만회 방문을 기록 중이며, 전월 대비 트래픽 변화량은 -22.52만(-22.8%)입니다. 주요 지리적 시장은 미국(트래픽 점유율 21.9%)이며, 가격 문의 가격 모델로 운영됩니다. 월간 트래픽 기준 주요 경쟁 대안으로는 Scale (월 61.69만회 방문), SuperAnnotate (월 38.6만회 방문), Label Studio (월 13.72만회 방문) 등이 있습니다.
데이터 라벨링 및 RLHF 학습의 표준입니다.
엔터프라이즈 기능과 SDK가 강력해요.
실제 사이트 점검, 요금 구조, 동일 카테고리 기준을 바탕으로 AI가 재구성한 참고 관점이며 개별 실사용자의 후기가 아닙니다.
비전, 언어, 생성 작업 전반에 걸친 구조적 주석, 데이터 큐레이션, 모델 평가, 휴먼 인 더 루프 검수를 제공해 학습과 평가 데이터의 기반이 됩니다.
Recursion 에이전트는 빌드, 알림, 커밋, 체크포인트, 스케줄로 스스로 시작해 작업이 끝나 검토 가능해질 때까지 백그라운드에서 수행합니다.
소프트웨어 엔지니어링, 안정성, 보안, ML 연구, 평가, R&D, 제품, 재무까지 전문 에이전트가 불안정한 테스트 수정부터 포스트모템 초안까지 담당합니다.
모든 실행은 채점 에이전트가 평가하고, 채점된 세션은 기억과 노트, 스킬을 남겨 다음 세션이 행동 전에 읽습니다.
GitHub, Jira, Linear, Slack, Datadog, PagerDuty, BigQuery, Databricks, Vercel, 클라우드 사업자 등 기존 도구 위에서 동작합니다.
Labelbox는 AI 스택에서 독특한 위치를 차지합니다. 챗봇이나 생성 도구를 앞세우기보다, 모델이 배우는 환경과 데이터, 그리고 반복적인 엔지니어링·연구 업무를 대신하는 에이전트를 제공합니다. 홈페이지의 주장은 명확합니다. 최전선 AI 연구소는 Labelbox 환경과 전문가 데이터로 학습하고, 엔지니어링과 연구 팀은 반복되는 백로그를 Recursion 위의 에이전트에 넘깁니다. 최근 1억 달러 이상의 시리즈 E 투자는 이 가설에 대한 두터운 자금 지원을 보여 줍니다.,기업 입장에서 더 새로운 축은 Recursion입니다. 에이전트는 빌드 실패, PagerDuty 알림, 새 의존성 릴리스, 새 모델 체크포인트, 월요일 아침 스케줄 같은 실제 신호로 시작해 작업이 끝날 때까지 백그라운드에서 움직입니다. 회사가 내세우는 예시는 요약이 아니라 구체적 산출물입니다. 미리보기 링크가 있는 테스트된 풀 리퀘스트, 모든 사건에 출처가 붙은 Confluence 포스트모템 초안, 결정적 변경을 짚은 절제 실험 표, 심각한 CVE 이후 노출된 각 서비스의 패치 등입니다. 채점 에이전트가 각 실행을 평가하고, 채점된 세션은 기억과 노트, 스킬을 남겨 다음 세션이 행동 전에 읽습니다.,원래의 토대는 데이터 사업입니다. 전문가 검토자가 뒷받침하는 라벨링, 주석, 큐레이션, 모델 평가로 컴퓨터 비전, NLP, 지도 미세조정, RLHF, 레드팀에 사용됩니다. 고품질 학습 데이터를 만드는 환경은 에이전트가 실제 업무를 배우는 환경이기도 해서 두 축은 서로를 강화합니다. 가격은 엔터프라이즈 방식으로 영업 상담을 거쳐 정해지고 데이터 물량과 에이전트 사용량에 좌우되며, 공개 셀프서비스 요금제는 없습니다.
프로덕션 장애와 평가 지표 하락을 구조화된 학습 데이터로 바꾸고, 채점과 사람 검토로 모델 품질의 순환을 완성합니다.
의존성 업그레이드, 불안정한 테스트 수정, 폐기 API 정리, 미리보기 QA 같은 반복 엔지니어링 작업을 병합 가능한 풀 리퀘스트를 만드는 에이전트에 맡깁니다.
알림이 발생하는 순간 에이전트가 알림과 로그, 배포를 연관지어 분석하고, 온콜이 직접 쓰기 전에 출처가 붙은 포스트모템 초안을 준비합니다.
회귀 분석, 벤치마크 실행, 데이터 품질 감사를 정기적으로 돌려 연구 판단이 검증된 수치에 기반하도록 합니다.
동일한 주요 카테고리에 속한 경쟁 AI 도구의 나란히 보는 텔레메트리 비교
| 순위 | AI 도구 | 월간 방문 수 | 전월 대비 성장률 | 직접 유입 비중 | 가격 | 일대일 비교 |
|---|---|---|---|---|---|---|
| ● | Labelbox | 76.28만 | -22.8% | 직접 유입 49% | 가격 문의 | 현재 도구 |
| 1 | Scale 대규모 기업급 데이터 라벨링과 모델 평가를 제공하지만, 종종 Labelbox보다 더 큰 예산이 필요합니다. | 61.69만 | +12.5% | 직접 유입 31% | 가격 문의 | vs Scale |
| 2 | SuperAnnotate 안정적인 멀티모달 어노테이션과 워크플로우 자동화를 제공하며, 컴퓨터 비전 팀을 위한 직관적인 데이터 선별 파이프라인을 갖추고 있습니다. | 38.6만 | +37.4% | 직접 유입 64% | 무료 체험, 가격 문의 | vs SuperAnnotate |
| 3 | Label Studio 맞춤형 데이터 라벨링을 위한 유연한 오픈소스 대안을 제공하지만, 자체 호스팅과 수동 인프라 관리가 필요합니다. | 13.72만 | -16.1% | 직접 유입 34% | 가격 문의, 무료 | vs Label Studio |
| 4 | Encord 고급 컴퓨터 비전 및 피지컬 AI 데이터 파이프라인에 특화되어 있지만, 일반적인 텍스트 및 이미지 라벨링보다는 범위가 좁습니다. | 24.42만 | +9.4% | 직접 유입 43% | 가격 문의 | vs Encord |
| 5 | Roboflow 어노테이션부터 모델 배포까지의 엔드투엔드 컴퓨터 비전 워크플로우를 간소화하지만, Labelbox의 일반적인 기업용 에이전트 오케스트레이션은 부족합니다. | 143.12만 | +6.6% | 직접 유입 47% | 무료+유료, 가격 문의 | vs Roboflow |
| 6 | Appen 데이터 검증을 위해 휴먼 인 더 루프 관리형 인력 서비스에 크게 의존하며, Labelbox보다 셀프 서비스 기술 도구가 적습니다. | 66.58만 | +0.2% | 직접 유입 36% | 가격 문의 | vs Appen |
대규모 기업급 데이터 라벨링과 모델 평가를 제공하지만, 종종 Labelbox보다 더 큰 예산이 필요합니다.
안정적인 멀티모달 어노테이션과 워크플로우 자동화를 제공하며, 컴퓨터 비전 팀을 위한 직관적인 데이터 선별 파이프라인을 갖추고 있습니다.
안정적인 멀티모달 어노테이션과 워크플로우 자동화를 제공하며, 컴퓨터 비전 팀을 위한 직관적인 데이터 선별 파이프라인을 갖추고 있습니다.
무료 / 오픈소스맞춤형 데이터 라벨링을 위한 유연한 오픈소스 대안을 제공하지만, 자체 호스팅과 수동 인프라 관리가 필요합니다.
고급 컴퓨터 비전 및 피지컬 AI 데이터 파이프라인에 특화되어 있지만, 일반적인 텍스트 및 이미지 라벨링보다는 범위가 좁습니다.
특화 강점어노테이션부터 모델 배포까지의 엔드투엔드 컴퓨터 비전 워크플로우를 간소화하지만, Labelbox의 일반적인 기업용 에이전트 오케스트레이션은 부족합니다.
특화 강점데이터 검증을 위해 휴먼 인 더 루프 관리형 인력 서비스에 크게 의존하며, Labelbox보다 셀프 서비스 기술 도구가 적습니다.
Provides efficient smart annotation tools and managed labeling services, but has a smaller ecosystem for complex enterprise agent workflows.
Provides efficient smart annotation tools and managed labeling services, but has a smaller ecosystem for complex enterprise agent workflows.
특화 강점Focuses strictly on LLM evaluation, testing, and observability rather than raw data annotation and training dataset curation.
특화 강점Focuses strictly on LLM evaluation, testing, and observability rather than raw data annotation and training dataset curation.
하나의 거버넌스 워크스페이스에서 멀티모달 학습 데이터를 큐레이션·어노테이션·품질 관리
특화 강점하나의 연결 환경에서 AI 모델과 에이전트를 추적·평가·배포하세요.
