데이터 라벨링 외주 비용: 단가를 정하는 5요소와 견적 체크리스트

데이터 라벨링 외주 비용은 단가표 한 장으로 정해지지 않습니다. 같은 이미지 1만 장이라도 견적 금액은 몇 배 차이가 납니다. 라벨 유형, 클래스 수, 요구 정확도, 검수 방식이 다르기 때문입니다. 다만 업체가 견적을 낼 때 보는 요소는 다섯 가지입니다. 이 글은 그 요소를 하나씩 설명합니다. 견적을 요청할 때 미리 정리해 둘 체크리스트도 함께 드립니다. 이 글은 2026년 9월 기준으로 작성했습니다.

📌 3줄 요약
· 라벨링 외주 비용은 다섯 요소로 결정됩니다. 라벨 유형, 클래스와 속성 수, 요구 정확도와 검수 단계, 데이터 상태, 납기와 운영 형태입니다.
· 재작업과 검수 비용이 총비용의 큰 부분을 차지하므로 견적은 단가와 재작업 조항을 함께 비교합니다.
· 견적 요청서에 다섯 요소를 미리 적어 보내면 업체 간 비교가 가능해집니다. 시범 물량으로 재작업 비율을 실측할 수 있습니다.

비용을 결정하는 5요소

1. 라벨 유형

분류는 이미지 1장에 태그 1개를 붙입니다. 바운딩 박스, 폴리곤, 인스턴스 세그멘테이션, 키포인트, 3D 큐보이드로 갈수록 한 장에 드는 시간이 늘어납니다. 세그멘테이션은 박스보다 작업 시간이 몇 배 길고, 키포인트는 관절 수만큼 클릭이 늘어납니다. 견적 요청 때 라벨 유형을 정확히 적어야 하는 이유입니다.

2. 클래스와 속성 수

클래스가 5개인 과제와 50개인 과제는 다릅니다. 작업자 교육 시간과 오분류 비율이 함께 늘어납니다. 클래스마다 색상, 상태, 방향 같은 속성이 붙으면 다시 늘어납니다. 클래스 정의서와 예시 이미지가 준비되어 있으면 교육 비용이 줄고 견적도 내려갑니다.

3. 요구 정확도와 검수 단계

목표 정확도가 95%인지 99%인지에 따라 검수 단계가 1단에서 2단, 3단으로 늘어납니다. 검수는 라벨링 자체보다 비싼 작업입니다. 의료 영상, 결함 판정, PCB 부품 식별처럼 도메인 지식이 필요한 검수는 작업자 단가 자체가 다릅니다.

4. 데이터 상태

해상도, 조명, 가림, 프레임 중복이 작업 시간을 좌우합니다. 영상에서 뽑은 프레임은 중복이 많습니다. 큐레이션으로 중복을 걸러내면 라벨링 물량 자체가 줄어듭니다. 보행자나 차량 번호판처럼 비식별화가 필요한 데이터는 처리 비용이 따로 붙습니다. 대부분 별도 공정으로 잡히므로 견적 요청 때 미리 밝혀야 합니다.

5. 납기와 운영 형태

한 번에 끝나는 프로젝트형과 매달 새 데이터가 들어오는 운영형은 단가 구조가 다릅니다. 운영형은 라벨링 체계를 플랫폼에 세워 두고 물량만 서비스로 처리하는 편이 총비용에서 유리한 경우가 많습니다. 짧은 납기는 투입 인원을 늘리므로 단가가 오릅니다.

공개된 라벨링 단가와 정부 지원 한도

해외 라벨링 서비스 세 곳은 공식 가격표에 라벨 유형별 시작 가격이나 최소 예산을 적어 둡니다. 국내 공개 자료로는 정부 데이터바우처의 기업당 지원 한도가 있습니다. 아래 표는 2026년 11월에 각 업체 가격 페이지와 공고문 원문에서 확인한 값입니다.

표의 객체당·건당 단가는 모두 "부터"가 붙은 시작가입니다. Label Your Data는 가격이 프로젝트의 복잡도와 물량에 따라 달라진다고 밝히고 있어, 클래스 수·검수 단계·데이터 상태가 더해지면 실제 견적은 시작가보다 높아집니다. 바운딩 박스 시작가는 두 업체 사이에 다섯 배 차이가 나고 과금 단위도 객체·이미지·작업 시간으로 업체마다 다르므로 견적서를 비교할 때는 과금 단위를 먼저 맞춥니다.

2024년 데이터바우처 공모안내서는 AI가공 항목에 라벨링·태깅·데이터셋 구축을 명시했습니다. 2026년 공고문은 지원 내용을 "데이터 활용 전 단계에 이르는 데이터바우처 지원"으로 적었고 라벨링을 별도 항목으로 적지 않았습니다. 2026년 사업 기간은 6월 1일부터 11월 30일까지였습니다.

방식 비교: 크라우드소싱, 전문 라벨링, 자동화 병행

표의 크라우드소싱 방식에서 대표 플랫폼이던 Amazon Mechanical Turk는 2026년 9월 30일 서비스를 종료했습니다.

라벨링 자동화가 실제로 어디까지 왔는지는 아래 가이드에서 세대별로 정리했습니다.

데이터 라벨링 자동화 가이드: 오토라벨링 3세대와 도입 기준

오토라벨링 세 가지 방식과 도입 판단 기준을 정리한 가이드입니다. 9만 개 인스턴스를 8일에 라벨링한 실측 사례와 라벨 없이 시작하는 제로샷 방식까지 다룹니다.

슈퍼브 블로그 : 엔터프라이즈 비전 인텔리전스 플랫폼SUPERB AI

자동화 라벨링을 도입하면 외주가 필요 없어지나요?

사전 라벨은 모델이 만듭니다. 남는 일은 검수와 예외 처리입니다. 자동화는 사람이 손댈 물량을 줄이는 수단이고, 검수 체계는 그대로 필요합니다.

대신 비용 구조가 바뀝니다. 건당 라벨링 단가가 줄고, 플랫폼 사용료와 검수 물량이 새 항목으로 들어옵니다. 매달 데이터가 반복해서 들어오는 과제일수록 이 교환이 유리합니다. 한 번에 끝나는 과제는 초기 모델을 세우는 비용을 회수할 구간이 없습니다.

실측: 라벨링 체계가 비용을 바꾼 현장

산업 자동화 부품 제조사는 오픈소스 툴로 PCB 부품과 결함을 라벨링했습니다. 클래스 관리와 검수가 병목이 되자 플랫폼 기반 워크플로로 바꿨습니다.

PCB 부품·결함 라벨링 사례: 오픈소스 툴의 한계를 넘는 데이터셋 구축 워크플로

PCB 보드의 부품 종류와 결함을 함께 다루는 다형식 라벨링을, 사내 소수 인력으로 감당할 수 있는 워크플로로 바꾼 산업 자동화 부품 제조사의 사례입니다.

슈퍼브 블로그 : 엔터프라이즈 비전 인텔리전스 플랫폼SUPERB AI

행동 분석 AI 기업은 역할을 둘로 나눴습니다. 라벨링 체계는 플랫폼으로 세우고, 물량은 라벨링 서비스로 처리했습니다. 키포인트 데이터셋이 이렇게 만들어졌습니다.

키포인트 라벨링 사례: 영상 데이터에서 학습 데이터셋을 만드는 워크플로

관절 하나하나를 찍는 키포인트 라벨링과 기준 변경 재작업을, 플랫폼과 라벨링 서비스가 분담하는 워크플로로 바꾼 행동 분석 AI 기업의 사례입니다.

슈퍼브 블로그 : 엔터프라이즈 비전 인텔리전스 플랫폼SUPERB AI

자율주행 로봇 기업은 5년에 걸쳐 멀티센서 데이터를 운영형으로 라벨링하고 있습니다. 운영형 단가 구조가 어떻게 자리 잡는지 볼 수 있는 사례입니다.

자율주행 로봇 인지 AI 데이터 라벨링 사례: 5년 연속 파트너십

자율주행 로봇의 3D LiDAR·카메라 인지 데이터를 5년 연속 파트너십으로 구축하며, 라벨링 스펙 진화에 맞춰 파이프라인을 확장해 온 사례입니다.

슈퍼브 블로그 : 엔터프라이즈 비전 인텔리전스 플랫폼SUPERB AI

재작업이 생기면 비용은 누가 부담하나요?

계약서에 적힌 대로입니다. 단가가 낮은 견적도 재작업 조항에 따라 총비용이 다른 견적보다 커질 수 있습니다.

볼 것은 세 가지입니다. 재작업 판정 기준을 누가 정하는지, 합의한 정확도에 못 미쳤을 때 무상 재작업 범위가 어디까지인지, 작업 도중 클래스 정의가 바뀌면 그 물량을 어떻게 계산하는지입니다. 세 번째가 실제로 가장 자주 발생합니다. 라벨링을 시작한 뒤에 기준이 바뀌는 일은 흔합니다.

시범 물량으로 재작업 비율을 먼저 실측해 두면 이 조항을 숫자로 협의할 수 있습니다.

견적 요청 체크리스트

아래 여덟 항목을 채워 보내면 업체별 견적을 같은 기준으로 비교할 수 있습니다.

1. 데이터 종류와 물량: 이미지·영상·3D, 장수 또는 프레임 수, 해상도
2. 라벨 유형: 분류·박스·폴리곤·세그멘테이션·키포인트·3D 중 무엇인지, 한 장당 평균 객체 수
3. 클래스 정의서: 클래스 수, 속성, 예시 이미지 유무
4. 요구 정확도와 검수 단계: 목표 정확도, 검수 2중화 필요 여부, 도메인 검수자 필요 여부
5. 데이터 상태: 비식별화 필요 여부, 중복 프레임 비율, 보안 요건(온프레미스·망분리)
6. 납기와 형태: 1회 프로젝트인지 월 단위 운영인지, 첫 납기
7. 시범 물량: 전체의 1~3%로 재작업 비율을 실측할지 여부
8. 산출 형식: COCO·YOLO 등 포맷, 플랫폼 내 검수 이력 제공 여부

최소 물량이 있나요?

대부분 협의할 수 있습니다. 최소 물량보다 먼저 정할 것은 시범 물량입니다.

전체의 1~3%를 먼저 돌려 재작업 비율을 실측하면, 본 물량 단가를 같은 근거로 협의할 수 있습니다. 시범 물량 없이 전체를 한 번에 계약하면 기준이 맞는지 확인할 구간이 사라집니다.

내부 인력으로 직접 라벨링하면 더 저렴한가요?

물량이 적고 한 번에 끝나면 내부가 저렴합니다. 데이터가 매달 들어오면 아래 비용이 매달 다시 생깁니다.

내부로 할 때 견적서에 안 잡히는 비용이 있습니다. 클래스 정의서를 만들고 작업자를 교육하는 시간, 검수자 역할을 할 사람의 시간, 기준이 바뀔 때마다 생기는 재작업입니다. 앞서 본 산업 자동화 부품 제조사가 오픈소스 툴에서 워크플로를 바꾼 계기도 클래스 관리와 검수의 병목이었습니다.

판단은 데이터가 반복해서 들어오는지를 기준으로 합니다. 매달 새 데이터가 들어온다면, 내부 인력은 기준을 관리하는 역할에 두고 물량은 밖에서 처리하는 구성이 안정적입니다.

도입 판단 기준 세 가지

첫째, 데이터가 한 번 들어오고 끝나는지 봅니다. 계속 들어온다면 체계를 세우는 비용이 회수됩니다.

둘째, 판정에 도메인 지식이 필요한지 봅니다. 필요하다면 크라우드소싱의 낮은 단가는 재작업으로 상쇄됩니다.

셋째, 보안 요건을 봅니다. 온프레미스가 필수라면 선택지가 줄어듭니다. 견적 요청 전에 확인해야 합니다.

슈퍼브에이아이는 산업 현장의 시각 데이터를 기업이 활용할 수 있는 인텔리전스로 전환하는 비전 인텔리전스 기업입니다. 라벨링 체계를 세우는 플랫폼과 물량을 처리하는 라벨링 서비스를 함께 제공합니다.

💬 라벨링 외주 견적을 검토하고 계신가요? 아래에 데이터 종류와 물량을 남겨주시면, 영업 전화가 아니라 보유하신 데이터로 가능한 라벨링 체계 진단부터 시작합니다.