인공지능 모델 평가 및 벤치마킹 시장을 형성하는 주요 시장 동향은 무엇인가요?

AI 성능 격차 및 예상 비용 증가로 평가 도구 수요 급증의 주요 원인은 AI 역량에 대한 기대치와 실제 현장 성능 간의 격차입니다. 기업에서 AI를 광범위하게 도입했음에도 불구하고, 최근 데이터에 따르면 2024년과 2025년까지 배포된 AI 프로젝트의 약 39%가 실제 시나리오에서 모델의 예측 불가능한 동작으로 인해 비즈니스 기대치를 충족하지 못했습니다. 더욱이, 2026년 중반 시장 전망에 따르면 개발자가 더 나은 측정 및 위험 관리 시스템을 구축하지 못할 경우 2027년 말까지 에이전트 기반 AI 프로젝트의 40% 이상이 취소될 것으로 예상됩니다

검증되지 않은 모델 출력으로 인한 재정적, 운영적 손실, 즉 "환각세"는 또 다른 주요 수요 요인입니다. 기업들은 현재 AI 출력의 오류를 바로잡는 데 직원 1인당 연간 약 14,200달러를 지출하고 있습니다. 이는 직원들이 AI 출력의 사실 여부를 확인하고, 주장을 검증하고, 논리 오류를 수정하는 데 매주 약 4.3시간을 소비한다는 것을 의미합니다. 따라서 기업들은 최종 사용자에게 도달하기 전에 이러한 오류를 잡아내기 위해 자동화된 평가 파이프라인에 막대한 투자를 하고 있습니다.

동적 에이전트 벤치마크와 독립적인 AI 심판이 평가 시장을 재편하고 있습니다

기존의 정적인 평가 지표(예: F1 점수 또는 일반적인 MMLU 테스트)의 한계에 대응하여, 2026년의 벤치마킹 환경은 동적이고 다단계적인 AI 에이전트를 평가하는 방향으로 완전히 재편되었습니다. 기업들은 더 이상 모델이 퀴즈 질문에 답할 수 있는지 여부를 묻는 것이 아니라, 모델이 오류 없이 워크플로우를 자율적으로 실행할 수 있는지 여부를 테스트하고 있습니다.

이러한 변화로 인해 새로운 유형의 전문 평가 프레임워크에 대한 수요가 급증했습니다

• SWE-bench: AI 코딩 에이전트를 평가하는 데 있어 여전히 최고의 기준으로 여겨집니다. 단순히 코드 조각을 생성하는 것에서 그치지 않고, AI가 실제 GitHub 저장소를 탐색하고, 기존 코드베이스 구조를 편집하고, 테스트를 실행하고, 수천 가지의 실제 소프트웨어 엔지니어링 작업에서 발생하는 오류를 디버깅할 수 있는지를 테스트합니다.
• WebArena 및 Mind2Web: 브라우저 기반 에이전트를 평가하는 데 사용되는 수요가 높은 프레임워크로, AI가 실제 또는 시뮬레이션된 웹사이트를 얼마나 효과적으로 탐색하고 클릭하고 상호 작용할 수 있는지를 측정합니다.
• BFCL v4(Berkeley Function Calling Leaderboard): API 통합이 필요한 자율형 엔터프라이즈 에이전트에게 필수적인 다단계 도구 사용 및 함수 호출 정확도를 테스트하는 데 널리 사용됩니다.

독립적인 검증에 대한 수요는 "AI 심판"이라는 완전히 새로운 분야를 탄생시켰습니다. 예를 들어, LMArena(이전에는 Chatbot Arena, UC 버클리에서 시작)는 17억 달러의 기업 가치를 달성하며 유니콘 기업으로 등극했습니다. 500만 명이 넘는 사용자의 월간 투표를 통해 운영되는 이 회사는 편견 없는 크라우드소싱 벤치마킹에 대한 시장의 높은 의존도를 보여줍니다.

LLM-as-a-Judge는 AI 평가의 규모를 확장하여 정확도를 향상시키고 시장 성장을 촉진합니다

대규모 모델 평가에 있어 수동적인 사람 테스트는 더 이상 실현 가능하지 않습니다. 시장에서는 뛰어난 성능을 가진 모델이 타당성, 맥락, 사실적 일관성을 기반으로 다른 모델의 결과물을 평가하는 "LLM 기반 평가" 방식이 적극적으로 도입되고 있습니다. ChainPoll과 같은 방법론은 사람의 피드백과 약 85%의 상관관계를 보여주기 때문에 널리 채택되고 있으며, 이를 통해 기업은 수동 검토에 비해 비용과 시간을 크게 절감하면서 품질 평가를 자동화할 수 있습니다.

지속적인 평가는 AI 개발자들이 시스템을 개선하도록 적극적으로 유도해 왔으며, 이는 2026년 5월 Vectara Hallucination Leaderboard에 잘 나타나 있습니다. 사실적 일관성에 대한 엄격한 요구 덕분에 Google의 Gemini-2.0-Flash-001과 같은 몇몇 최첨단 모델은 1% 미만의 전례 없는 환각률을 달성했습니다. 그러나 표준 기업용 모델들이 현재 3%에서 5% 범위에 머물러 있는 상황(예: OpenAI의 GPT-5.4-nano 3.1%, Gemini-2.5-flash-lite 3.3%, Mistral-small-2501 5.1%)에서 지속적인 환각률 평가는 여전히 중요합니다.

AI 모델 평가 및 벤치마킹 시장에서 비용 최적화와 지정학적 고려 사항의 중요성 증대:
클라우드 컴퓨팅 비용 최적화 필요성으로 인해 평가가 더욱 중요해지고 있습니다. 지난 18개월 동안 많은 기업의 AI 토큰 지출이 최대 13배까지 증가함에 따라, CIO들은 벤치마크를 활용하여 간단한 쿼리를 더 작고 저렴한 모델(SLM)로 처리하고 있습니다. 견고한 평가 프레임워크가 없다면, 기업은 품질 저하 위험 없이 비용 절감을 위해 모델을 과감하게 다운그레이드할 수 없습니다.

거시적 관점에서 벤치마크는 지정학적 및 규제 전략의 도구로 진화해 왔습니다. 미국이 2026년까지 AI 산업에 약 2,859억 달러를 투자할 것으로 예상되는 가운데, 각국의 AI 행동 계획은 기술적 우위를 유지하기 위해 국내 평가 생태계 구축을 최우선 과제로 삼고 있습니다. 동시에 인도와 유럽연합(EU)처럼 서로 다른 규제 환경에서 사업을 운영하는 글로벌 기업들은 현지화된 평가 체계를 요구하고 있습니다. 이는 AI 모델이 정확성뿐만 아니라 지역 문화 규범, 안전 지침, 엄격한 데이터 보호 규정 준수 여부까지 고려하여 벤치마킹될 수 있도록 보장합니다.

리더는 어떻게 확장 가능한 AI 엔터프라이즈 인프라를 구축할 수 있을까요?

성공적인 프로토타입과 실패한 양산 시스템 간의 차이로 인해 전 세계 기업들은 연간 약 19억 달러에 달하는 품질 저하 손실을 입고 있습니다. 기업들이 단순한 챗봇에서 복잡한 자율 에이전트로 전환함에 따라, AI 모델 평가 및 벤치마킹 시장은 "범위별" 추적 방식으로의 패러다임 전환을 요구하고 있습니다. 

에이전트가 실패했다는 사실만으로는 더 이상 충분하지 않습니다. 리더는 어떤 API 호출, 데이터베이스 쿼리 또는 컨텍스트 합성이 실패를 유발했는지 정확히 파악해야 합니다.

맞춤형 평가 데이터 세트 및 프로그래밍 도구로 기업 AI 성장을 가속화하세요

공개된 순위표에 의존하는 것은 치명적인 실수입니다. 오픈 소스 순위표에서 1위를 차지한다고 해서 기업의 생존 가능성이 보장되는 것은 아닙니다. 이제는 맞춤형 평가 데이터 세트가 필수적입니다. AI 모델 평가 및 벤치마킹 시장의 성장을 이끄는 주요 요인 중 하나는 RAG 시스템에서 일반적으로 사용되는 "단순 청킹" 방식이 복잡한 쿼리에 대한 생성 속도를 크게 향상시킨다는 사실입니다. 현재 실제 운영 환경에 AI 애플리케이션을 보유한 기업 AI 팀의 61.7% 이상이 맹목적인 접근을 피하기 위해 Braintrust나 DeepEval과 같은 프로그래밍 방식 평가 도구를 도입하고 있습니다.

포화 상태의 순위표가 기업 AI 성능의 현실을 가리고 있는 것일까?

AI 모델 평가 및 벤치마킹 시장에서 주목받는 이슈는 성능 포화 및 데이터 오염 문제입니다. 광범위한 연구에 따르면 테스트 데이터가 의도치 않게 훈련 데이터 세트에 유입될 경우 LLM 벤치마크 성능이 6%에서 40%까지 부풀려지는 것으로 나타났습니다. 

대중은 모델의 실제 성능에 대해 심각하게 오해하고 있습니다. "LiveBench"와 같은 오염되지 않은 환경에서 평가했을 때, 최첨단 모델들은 70% 미만의 정확도를 보이며, 포화 상태인 공개 순위표 점수에 비해 훨씬 저조한 성능을 나타냅니다.

벤치마크 오염으로 AI 발전이 저해되고 있으며, 신뢰할 수 있는 평가에 대한 수요가 증가하고 있습니다

모델 개발 과정에서 이루어지는 명령어 튜닝은 종종 표준 문자열 일치 탐지를 우회하는 의미론적 오염을 유발합니다. 결과적으로 AI 벤치마크의 유효 수명이 수년에서 불과 수개월로 단축되었습니다. AI 모델 평가 및 벤치마킹 시장에 종사하는 연구자들은 새로운 벤치마크를 구축하는 데 필요한 고품질의 오염되지 않은 인간 데이터가 부족해지고 있는 상황입니다. 

이는 규모의 허상을 보여주는데, 20% 이상의 성능 향상은 종종 알고리즘의 본질적인 지능 때문이 아니라 오염된 데이터에 노출되었기 때문인 경우가 많습니다. 또한 상업적 압력으로 인해 연구소들은 일반적인 지능을 발전시키기보다는 게임화된 순위표에 맞춰 모델을 과적합시키는 실수를 저지르고 있습니다.

AI 모델 평가 및 벤치마킹 시장: 제약 요인 및 영향 분석 (2026-2035)

경쟁 분석: AI 모델 평가 및 벤치마킹 시장을 주도하는 상위 5개 업체

1. LMArena: 17억 달러의 기업 가치를 지닌 이 회사는 크라우드소싱 평가 분야를 선도합니다. 블라인드 A/B 테스트 플랫폼인 Chatbot Arena와 Elo 리더보드는 수백만 명의 사용자를 활용하여 모델 선호도를 투명하게 순위 매깁니다.
2. Artificial Analysis: 널리 인용되는 인공지능 지수를 제공하는 독립적인 벤치마킹 기관입니다. 주요 AI 기업들은 인공지능, 출력 속도 및 가격을 추적하기 위해 이 지수의 정확한 지표를 활용합니다.
3. Maxim AI: 프로덕션 수준의 엔터프라이즈 평가에 탁월한 엔드투엔드 플랫폼입니다. 배포 전 AI 에이전트 시뮬레이션, LLM 관찰 가능성, 복잡한 파이프라인을 위한 자동화된 평가 기능을 제공합니다.
4. Adaline: 통합된 교차 기능 작업 공간으로 잘 알려진 이 제품은 AI 프롬프트 수명 주기(반복, 평가, 배포 및 모니터링)를 통합하여 개발 속도를 높이고 도구 확산을 줄입니다.
5. Patronus AI: 안전, 위험 및 규정 준수 평가 전문 기업입니다. 자체 개발한 판단 모델은 환각을 정확하게 감지하여 금융 및 의료 분야에 필수적인 역할을 합니다.

인공지능 모델 평가 및 벤치마킹 시장의 부문별 분석

제공 서비스: 평가 플랫폼이 시장을 장악했습니다

평가 플랫폼은 AI 모델 평가 및 벤치마킹 시장을 압도적으로 주도하며 2026년까지 68%의 매출 점유율을 기록할 것으로 예상됩니다. 이러한 지배력은 기업들이 파편화된 개별 스크립트에서 통합된 엔드투엔드 테스트 생태계로 전환하는 중요한 변화에 기인합니다. 결과적으로, 기업들은 레드팀 활동, 신속한 반복 작업, 편향 탐지 기능을 중앙 집중식 워크플로에 통합하는 포괄적인 플랫폼에 대규모 투자를 하고 있습니다. 이러한 통합은 도구 확산을 최소화하고 배포 주기를 단축하여 투자 수익률(ROI)을 향상시킵니다. 

더욱이, 멀티모달 아키텍처의 확산으로 인해 기본적인 API 기반 평가만으로는 불충분해졌으며, 복잡한 오디오, 비전 및 텍스트 변수를 동시에 처리할 수 있는 강력한 플랫폼이 필요하게 되었습니다.

• 통합 테스트 제품군은 기업의 평가 간접비용을 45% 절감했습니다.
• EU AI법과 같은 내장된 규정 준수 체계 덕분에 플랫폼 도입이 58% 가속화되었습니다.
• API 우선 플랫폼은 2026년 2분기에 4억 5천만 달러의 반복 매출을 기록했습니다.
• 포춘 500대 기업의 80% 이상이 자체 개발 스크립트에서 상용 평가 플랫폼으로 전환했습니다.

평가 유형별: 자동화/LLM 심사위원 평가 부문에서 AI 모델 평가 및 벤치마킹 시장을 선도했습니다

자동화된 프레임워크, 특히 LLM(Learning Leadership Model)을 심사위원으로 활용하는 프레임워크가 시장을 선도하며 기존의 인간 개입 방식에서 발생했던 병목 현상을 해소했습니다. 이러한 하위 부문의 부상은 생성형 AI 업데이트 속도가 수동 검토 속도를 훨씬 앞지르는 데 기인합니다. 기업은 고차원 매개변수를 사용하는 최첨단 모델을 활용하여 후보 결과물을 평가함으로써 전례 없는 확장성과 일관성을 확보할 수 있습니다. 

이후, 이러한 자동화된 방법론은 CI/CD 파이프라인에 필수적인 요소로 입증되었으며, 개발자들이 특수 엔터프라이즈 에이전트에 대해 매일 회귀 테스트를 실행할 수 있게 되었습니다. LLM-as-Judge 알고리즘의 정확도 또한 크게 향상되어, 수동 작업에 비해 훨씬 적은 비용으로 95%의 정확도를 달성하며 인간의 합의 수준에 근접하게 되었습니다.

• LLM-as-Judge 워크플로는 2026년에 매일 1,500만 건 이상의 자동화된 기업 쿼리를 처리했습니다.
• 이 하위 부문은 8억 5천만 달러의 시장 가치를 기록했으며, 연평균 42%의 성장률을 보였습니다.
• 자동화된 평가 덕분에 벤치마크 주기 시간이 14일에서 3시간 미만으로 단축되었습니다.
• 에이전트 기반 평가 프레임워크는 환각 탐지에서 오탐률을 33% 낮췄습니다.

단계별 분석: 사전 배포 검증이 시장을 주도했습니다

배포 전 검증은 AI 모델 평가 및 벤치마킹 시장을 압도적으로 지배해 왔는데, 이는 실제 운영 환경에서의 오류에 대한 무관용 정책 때문입니다. 기업들은 배포 후 수정 작업이 훨씬 더 많은 비용을 초래하고 심각한 평판 손실을 야기할 수 있기 때문에 출시 전에 철저한 스트레스 테스트를 우선시합니다.

따라서 사전 배포 모듈은 예외 상황 및 적대적 공격을 시뮬레이션하기 위해 합성 데이터 생성을 중심으로 표준화되고 있습니다. 이러한 엄격한 사전 검증을 통해 모델이 최종 사용자와 상호 작용하기 전에 엄격한 안전 장치를 준수하도록 보장합니다. 

결과적으로, 규제 기관이 출시 전 안전성을 입증하는 포괄적인 감사 추적을 요구함에 따라 AI 모델 평가 및 벤치마킹 시장에서 공급업체의 지출은 이 단계에 집중되어 있습니다.

• 배포 전 보안 테스트를 통해 기업 소프트웨어 라이선스 비용으로 12억 달러가 창출되었습니다.
• 규제 대상 금융 부문 전반에 걸쳐 합성 적대적 테스트 도입률이 74% 증가했습니다.
• 이 단계는 2026 회계연도 전체 부문 매출의 62%를 차지했습니다.
• 기업용 모델의 90% 이상은 배포 전에 인증된 사전 벤치마크 승인을 받아야 합니다.

최종 사용자 산업별: 기술 및 AI 연구소가 AI 모델 평가 및 벤치마킹 시장을 주도했습니다

기술 기업과 전문 AI 연구소들은 시장을 확고히 주도하며, 주요 혁신 주체인 동시에 평가 인프라의 대규모 소비자 역할을 수행해 왔습니다. 이들의 시장 지배력은 탁월한 추론 능력을 갖춘 기반 모델을 개발하기 위한 끊임없는 경쟁에 힘입은 것입니다. 이러한 연구소들은 수조 개의 토큰으로 모델을 학습시키기 때문에, 전례 없는 규모의 데이터로 다중 턴 대화 정확도와 논리적 추론을 평가할 수 있는 초고속 벤치마킹 도구가 필요합니다. 

또한, 이러한 기술 선구자들은 세계 산업 표준을 정립하고, 지속적으로 혁신적인 평가 방법론을 개척하여 궁극적으로 주류 기업 애플리케이션에까지 영향을 미치고 있습니다.

• 인공지능 연구소는 전 세계 평가 지출 총액 중 9억 8천만 달러를 차지했습니다.
• 기술 부문의 맞춤형 벤치마크 생성 투자액이 전년 대비 65% 급증했습니다.
• 현재 상위 10개 최첨단 AI 연구소가 사용 가능한 LLM-as-Judge API 할당량의 40%를 사용하고 있습니다.
• 150개 이상의 AI 전문 스타트업이 상용 평가 플랫폼을 핵심 기술 스택에 통합했습니다.

인공지능 모델 평가 및 벤치마킹 시장의 지역별 분석

북미: 시장을 주도하는 중심지

북미는 2026년에도 48%라는 경이로운 매출 점유율을 기록하며 시장 지배력을 확고히 유지했습니다. 이러한 지배력은 세계 최고 수준의 모델 개발 중심지인 미국에 의해 근본적으로 뒷받침됩니다. 실리콘 밸리에 본사를 둔 주요 기술 기업들은 수조 개의 매개변수를 가진 복잡한 모델을 검증하기 위해 초고속 테스트 인프라를 지속적으로 요구하고 있습니다. 

결과적으로, 이러한 집중된 수요는 AI 모델 평가 및 벤치마킹 시장의 지역 생태계 내에서 빠른 혁신을 가속화합니다. 더욱이, 캐나다는 토론토와 몬트리올에 딥러닝 연구 기관들이 밀집되어 있어 고도로 전문화된 인재 풀을 육성함으로써 이러한 지역적 선두 자리를 크게 강화하고 있습니다. 단순한 혁신 외에도, 적극적인 규제 선견지명이 시장 성장을 촉진합니다. 특히, 확대된 NIST AI 위험 관리 프레임워크를 비롯한 엄격한 규정 준수 체계의 시행은 기업 차원의 지속적인 감사 의무를 부과합니다. 

따라서 북미 기업들은 오탐 위험을 완화하기 위해 자동화된 안전 아키텍처에 25억 달러 이상을 투자하고 있습니다. 궁극적으로 이러한 막대한 벤처 캐피털 유입, 선구적인 기초 연구, 그리고 엄격한 사전 규제 준수의 시너지 효과는 북미를 AI 모델 평가 및 벤치마킹 시장의 명실상부한 선두 주자로 확고히 자리매김하게 합니다.

아시아 태평양 지역: AI 모델 평가 및 벤치마킹 시장에서 가장 빠르게 성장하는 지역

아시아 태평양 지역은 시장에서 가장 빠르게 성장하는 지역으로 급부상하며 2026년까지 전례 없는 38%의 연평균 성장률을 기록할 것으로 예상됩니다. 이러한 폭발적인 성장세는 주로 기술 강국인 중국과 인도가 현지화된 기반 모델을 적극적으로 확장하면서 가속화되고 있습니다. 중국은 막대한 국가 지원 투자를 바탕으로 자국 고유의 복합 운송 시스템을 서구권과 비교 벤치마킹하며 지역 매출 기여도를 주도하고 있습니다. 

동시에 인도는 방대한 엔지니어링 인력과 현지 언어 AI 도입의 급증을 통해 AI 모델 평가 및 벤치마킹 시장 확장을 가속화하고 있습니다. 인도 기업들이 복잡하고 다국어를 지원하는 챗봇을 출시함에 따라, 표준적인 영어 중심 벤치마킹으로는 제공할 수 없는 특화되고 문화적 차이를 고려한 평가 파이프라인이 필요합니다. 

또한 일본과 한국은 정밀 제조에 생성형 AI를 통합하여 지역 성장을 크게 촉진하고 있으며, 이에 따라 엄격한 하드웨어-소프트웨어 지연 시간 벤치마킹이 요구되고 있습니다. 결과적으로, 국제적인 공급업체들은 이러한 수익성 높은 시장에 적극적으로 진출하여 미개척 시장 점유율을 확보하려 하고 있습니다. 아시아 태평양 국가들은 대용량 자동화 테스트 프레임워크를 우선시함으로써 기술 격차를 확실하게 좁혀가고 있습니다. 

궁극적으로, 초고속 도입, 주권적인 AI 이니셔티브, 그리고 다양한 언어 데이터 세트의 강력한 조합은 아시아 태평양 지역 전반에 걸쳐 AI 모델 평가 및 벤치마킹 시장의 기하급수적인 성장을 보장합니다.

AI 모델 평가 및 벤치마킹 시장의 최근 4대 주요 동향

1. 스킬프린트(8월 19일): AI 모델이 단순히 정해진 질문에 답하는 것이 아니라 실제 게임 플레이 중에 인간의 성능을 향상시키는지 측정하는 시그널 벤치마크 베타 버전을 출시했습니다 . 이 벤치마크는 동의를 얻은 상호 작용, 집중 및 이완과 같은 목표 상태, 그리고 공개 순위표를 활용합니다.
2. 인공지능 분석(8월 13일): 파일, 에이전트 추적 또는 코딩 환경에서 사용자 지정 벤치마크를 생성하고 품질, 작업당 비용 및 실행 시간을 비교할 수 있는 Optima를 발표했습니다
3. 인실리코 메디신(7월 30일): 신약 개발 평가를 위한 검증된 실제 환경 기반 프레임워크 인 DDD 벤치마크 서비스(DDD Benchmarks as a Service)를 출시했습니다 . 300개 이상의 테스트는 생물학, 화학, 합성, 임상 개발 및 후보 물질 선정 과정을 포괄하며, 스코어카드와 공개 순위표를 통해 평가 결과를 지원합니다.
4. Snorkel AI(7월 24일): 300만 달러 규모 의 오픈 벤치마크 보조금 프로그램으로 지원받은 프로젝트들을 공개했습니다 . 이 프로그램은 현실적인 에이전트 작업을 위한 오픈 데이터셋, 벤치마크 및 평가 연구에 자금을 지원합니다.

AI 모델 평가 및 벤치마킹 시장의 주요 기업

• 스케일 AI
• 서지 AI
• 랭체인(랭스미스)
• 브레인트러스트
• 갈릴레오
• 패트로누스 AI
• 가중치 및 편향(CoreWeave)
• 아리제 AI
• 자신감 넘치는 AI
• 발스 AI
• 인공 분석
• LMArena
• 껴안는 얼굴
• 마이크로소프트
• Google
• 기타 주요 플레이어

시장 세분화 개요

제공함으로써

• 평가 플랫폼
• 벤치마크 데이터 세트 및 스위트
• 인적 자원 평가 서비스

평가 유형별

• 자동화/LLM 판사
• 인간의 선호도
• 도메인별 벤치마크
• 에이전트 작업 평가

By Stage

• 배포 전 검증
• 연속/회귀 평가
• 조달 및 공급업체 선정

최종 사용자 산업별

• 기술 및 AI 연구소
• BFSI
• 의료 서비스
• 공공 부문
• 합법적인

지역별

• 북아메리카
  • 미국.
  • 캐나다
  • 멕시코
• 유럽
  • 서유럽
    • 영국
    • 독일
    • 프랑스
    • 이탈리아
    • 스페인
    • 나머지 서유럽
  • 동유럽
    • 폴란드
    • 러시아 제국
    • 나머지 동유럽
• 아시아 태평양
  • 중국
  • 인도
  • 일본
  • 호주 및 뉴질랜드
  • 대한민국
  • 아세안
  • 아시아 태평양 지역 나머지 지역
• 중동 및 아프리카(MEA)
  • 사우디아라비아
  • 남아프리카공화국
  • UAE
  • 중동 및 아프리카의 나머지 지역
• 남아메리카
  • 아르헨티나
  • 브라질
  • 남미의 나머지 지역