Perplexity Spaces 벤처캐피털 사례연구: 딜 소싱 자동화로 실사 준비 시간 12시간→90분 단축

벤처캐피털 애널리스트 팀의 Perplexity Spaces 도입 사례

벤처캐피털(VC) 애널리스트 팀은 하루에도 수십 개의 스타트업을 평가해야 합니다. 기존에는 수동으로 시장 데이터를 수집하고, 경쟁사를 매핑하며, 시장 규모를 추정하는 데 스타트업 1건당 평균 12시간이 소요되었습니다. 이 사례연구에서는 Perplexity Spaces를 활용해 협업 리서치 워크스페이스를 구축하고, 경쟁사 매핑을 자동화하며, 인용 기반 시장 규모 보고서를 생성하여 실사(Due Diligence) 준비 시간을 90분으로 단축한 실전 워크플로우를 다룹니다.

기존 프로세스의 문제점

Perplexity Pro 계정 설정

Perplexity Spaces의 전체 기능을 활용하려면 Pro 플랜이 필요합니다. API를 통한 자동화도 함께 설정합니다. # Perplexity API 설치 및 환경 설정 pip install openai requests

export PERPLEXITY_API_KEY=“YOUR_API_KEY” export PPLX_MODEL=“sonar-pro”

팀 Space 생성 워크플로우

Perplexity 웹 인터페이스에서 다음 순서로 Space를 구성합니다. - **Spaces 메뉴**에서 + New Space 클릭- Space 이름을 [회사명] DD Research 형식으로 지정- 팀원 이메일로 초대 (Analyst, Associate, Partner 역할 분리)- Custom Instructions에 리서치 가이드라인 입력- 관련 파일(피치덱, 재무제표)을 Space에 업로드Custom Instructions 예시: 이 Space는 [스타트업명]에 대한 실사 리서치 공간입니다. 모든 응답에 출처 URL을 포함하세요. 시장 데이터는 2024년 이후 자료만 인용하세요. 재무 수치는 반드시 원본 출처와 교차 검증하세요. 경쟁사 분석 시 Crunchbase, PitchBook 데이터를 우선 참조하세요. ## 2단계: API 기반 자동 경쟁사 매핑

Perplexity API를 활용해 대상 스타트업의 경쟁 환경을 자동으로 분석하는 스크립트입니다. import os from openai import OpenAI import json

client = OpenAI( api_key=os.getenv(“PERPLEXITY_API_KEY”), base_url=“https://api.perplexity.ai” )

다음 형식으로 출력하세요:
1. 직접 경쟁사 (동일 솔루션, 5개 이상)
2. 간접 경쟁사 (대체 솔루션, 3개 이상)
3. 잠재적 진입자 (대기업 포함)
4. 각 경쟁사의 최근 펀딩 현황
5. 시장 포지셔닝 매트릭스

모든 데이터에 출처를 명시하세요.
"""

response = client.chat.completions.create(
    model="sonar-pro",
    messages=[
        {"role": "system", "content": "VC 애널리스트로서 정확한 경쟁사 분석을 수행합니다. 모든 정보에 인용을 포함합니다."},
        {"role": "user", "content": prompt}
    ],
    temperature=0.1
)

return response.choices[0].message.content

result = map_competitors( startup_name=“TargetStartup”, industry=“AI 기반 SaaS”, stage=“Series A” ) print(result)

3단계: 인용 기반 시장 규모 보고서 자동 생성

def generate_market_sizing(industry, geography, year="2025"):
    prompt = f"""
    {geography} {industry} 시장에 대한 TAM/SAM/SOM 분석을 수행하세요.
    
    요구사항:
    - TAM (Total Addressable Market): 글로벌 전체 시장 규모
    - SAM (Serviceable Addressable Market): 실제 접근 가능한 시장
    - SOM (Serviceable Obtainable Market): 현실적 획득 가능 시장
    - CAGR 및 성장 동인
    - 각 수치의 출처 (리서치 기관명, 보고서명, 발행연도)
    - 출처 간 수치가 다를 경우 범위로 표시
    
    기준 연도: {year}
    """
    
    response = client.chat.completions.create(
        model="sonar-pro",
        messages=[
            {"role": "system", "content": "시장 규모 추정 전문가입니다. Gartner, IDC, Statista 등 신뢰할 수 있는 출처만 인용합니다."},
            {"role": "user", "content": prompt}
        ],
        temperature=0.1
    )
    
    return response.choices[0].message.content

# 실행
market_report = generate_market_sizing(
    industry="기업용 AI 솔루션",
    geography="아시아태평양"
)
print(market_report)

4단계: 통합 실사 파이프라인

def run_dd_pipeline(startup_name, industry, geography, stage):
    print(f"=== {startup_name} 실사 리서치 시작 ===")
    
    # 1. 경쟁사 매핑
    print("\n[1/3] 경쟁사 매핑 중...")
    competitors = map_competitors(startup_name, industry, stage)
    
    # 2. 시장 규모 분석
    print("[2/3] 시장 규모 분석 중...")
    market = generate_market_sizing(industry, geography)
    
    # 3. 종합 보고서 생성
    print("[3/3] 종합 보고서 생성 중...")
    summary_prompt = f"""
    다음 데이터를 기반으로 1페이지 투자 메모를 작성하세요:
    
    경쟁사 분석:
    {competitors}
    
    시장 규모:
    {market}
    
    포함할 섹션: 투자 논점, 주요 리스크, 추천 후속 질문
    """
    
    response = client.chat.completions.create(
        model="sonar-pro",
        messages=[{"role": "user", "content": summary_prompt}],
        temperature=0.2
    )
    
    report = response.choices[0].message.content
    
    # 결과 저장
    with open(f"{startup_name}_dd_report.md", "w", encoding="utf-8") as f:
        f.write(f"# {startup_name} Due Diligence Report\n\n")
        f.write(f"## 경쟁사 분석\n{competitors}\n\n")
        f.write(f"## 시장 규모\n{market}\n\n")
        f.write(f"## 투자 메모\n{report}\n")
    
    print(f"\n보고서 저장 완료: {startup_name}_dd_report.md")
    return report

# 전체 파이프라인 실행
run_dd_pipeline(
    startup_name="AIStartupX",
    industry="생성형 AI 플랫폼",
    geography="글로벌",
    stage="Series B"
)

Pro Tips: 파워 유저를 위한 고급 활용법

• Space별 모델 선택: 정밀한 재무 분석에는 sonar-pro, 빠른 초기 스크리닝에는 sonar 모델을 사용하세요.- 파일 업로드 활용: 피치덱 PDF를 Space에 업로드하면 문서 내용을 컨텍스트로 활용한 분석이 가능합니다.- Thread 분리 전략: 하나의 Space 내에서 경쟁사/시장/재무 분석을 별도 Thread로 분리하면 팀원별 병렬 작업이 가능합니다.- 출처 검증 워크플로우: temperature=0.1로 설정하면 환각(hallucination)을 최소화하고 인용 정확도가 높아집니다.- 배치 처리: 여러 스타트업을 리스트로 관리하고 파이프라인을 반복 실행하면 주간 딜 소싱 보고서를 자동 생성할 수 있습니다.

Troubleshooting: 자주 발생하는 오류와 해결법

이 워크플로우를 도입한 VC 애널리스트 팀의 정량적 성과는 다음과 같습니다. - **실사 준비 시간:** 스타트업 1건당 12시간 → 90분 (87.5% 단축)- **주간 평가 건수:** 3~4건 → 15~20건 (약 5배 증가)- **보고서 인용 정확도:** 수동 조사 대비 92% 일치율- **팀 협업 효율:** 이메일 기반 피드백 대비 실시간 Space 협업으로 의사결정 속도 3배 향상 ## 자주 묻는 질문 (FAQ)

Q1. Perplexity Spaces의 무료 플랜으로도 VC 리서치가 가능한가요?

기본적인 리서치는 가능하지만, API 접근, 고급 모델(sonar-pro), 파일 업로드 용량 확대 등 실사 수준의 분석에는 Pro 플랜($20/월)이 필수입니다. 팀 단위 협업과 무제한 Pro 검색을 위해서는 Enterprise 플랜도 고려해 보세요.

Q2. Perplexity API 응답의 인용 출처를 얼마나 신뢰할 수 있나요?

Perplexity의 인용은 실제 웹 소스에서 추출되므로 URL을 직접 확인할 수 있습니다. 다만, 투자 의사결정에 사용할 경우 핵심 수치는 반드시 원문을 교차 검증해야 합니다. 시스템 프롬프트에 temperature=0.1과 신뢰 가능 출처 우선 조건을 설정하면 정확도를 높일 수 있습니다.

Q3. 기존 VC 도구(Crunchbase, PitchBook)와 어떻게 연동하나요?

Perplexity Spaces 자체에는 직접 API 연동 기능이 없지만, Python 스크립트에서 Crunchbase API나 PitchBook 데이터를 함께 호출하고 Perplexity의 분석 결과와 병합하는 방식으로 통합 파이프라인을 구축할 수 있습니다. Space에 Crunchbase 내보내기 CSV를 업로드하면 해당 데이터를 컨텍스트로 활용한 분석도 가능합니다.