빚만 3억, 한국에서 거절 당해 미국 넘어간 20대가 1500억 투자 받기까지

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

국내 투자 유치의 어려움과 대출로 버틴 초기 개발을 넘어 글로벌 투자를 받은 트웰브랩스의 성장에는 영상 이해에 대한 집중, 기술 검증, 미국 투자자·고객 개척이 있었다.

📌 핵심 요점

1. 창업팀은 한국에서 영상 이해 시장의 가능성을 인정받기 어려워지자 한국에서 개발하고 실리콘밸리에서 경쟁하는 방향을 택했다. 과외·저축·대출과 액셀러레이터 지원으로 초기 연구를 이어갔다.
2. 마렝고 검색 프로토타입의 국제 영상 이해 대회 1위는 기술 검증의 계기가 됐다. 영상을 차기 투자 분야로 검토하던 인덱스 벤처스의 관심과 맞물려 500만 달러 시드 투자를 유치했다.
3. 기술 개발과 함께 고객을 직접 찾아 나섰다. 초기에는 암스테르담 국제 방송 행사에서 의자 세 개로 기업 관계자와 접점을 만들었으며, 이후 할리우드 스튜디오가 빅테크 유사 모델 대신 자사 모델을 선택한 사례도 소개했다.
4. 사업은 영상 검색 모델에서 영상 정보를 지속적으로 활용하는 시스템으로 확장하고 있다. 자키는 페가수스·마렝고를 활용하며, 사실 인식·기억 저장·기억 검색과 추론을 연결하는 영상 인지 시스템을 지향한다.
5. 네이버 벤처스와 전략적 투자자들의 합류는 모델·영상 처리·에이전트 개발을 확대할 기반이 됐다. 서울의 모델·에이전트 개발과 샌프란시스코의 제품·시장 진출 역할을 연결하며 세계 시장에서 경쟁하고 있다.

🧩 배경과 문제 정의

• 텍스트는 현실을 압축하는 과정에서 움직임과 전후 맥락을 잃는다. AI가 물리 세계를 이해하려면 영상에 담긴 시각 정보까지 다룰 수 있어야 한다.
• 트웰브랩스는 영상 검색·분석에 필요한 자체 모델을 개발하고, 대량의 영상에서 정보를 찾아 활용하는 에이전트와 시스템으로 사업을 확장하고 있다.
• 영상 이해 모델은 개발 비용이 크고 초기 시장도 불확실했다. 창업팀은 생활비와 연구비를 마련하는 동시에 기술 검증, 해외 투자 유치, 고객 확보를 해결해야 했다.
• 빅테크와 경쟁하는 전문 AI 기업의 과제는 특정 문제에 집중해 성능과 실행 속도를 확보하고, 모델을 넘어 고객이 지속해서 사용하는 제품을 만드는 데 있다.

🕒 시간순 섹션별 상세정리

1. 글로벌 투자자 합류와 초기 고객 개척

• 최근 투자 라운드에는 네이버 벤처스가 공동 리드로 참여했고, 전략적 투자자로 엔비디아·아마존·스노플레이크·데이터브릭스 등이 합류했다. [00:07]
• 초기에는 미디어 산업 경험이 없어 고객들이 모이는 암스테르담의 국제 방송 행사로 직접 찾아갔다. 부스를 마련할 여력이 없어 의자 세 개를 구해 앉고, 지나가는 기업 관계자를 불러 접점을 만들었다. [00:55]

2. 영상 이해 제품과 이태원 거점

• 영상 이해 AI는 방대한 영상 데이터를 빠르게 검색해 새로운 콘텐츠 제작을 돕는다. 스포츠 분석과 하이라이트 생성도 주요 활용처다. [02:21]
• 이태원은 공동창업자들이 용산에서 군 복무를 하며 함께 일하던 장소와 가깝다. 창업 초기의 기억과 한미 구성원이 어울릴 수 있는 국제적인 환경이 사무실 입지 선택에 영향을 줬다. [02:49]

3. 서울·샌프란시스코의 역할 분담과 연구 인재

• 서울에서는 고객이 사용하는 모델과 에이전트를 개발하고, 샌프란시스코에서는 자체 모델 위에 얹는 제품과 시장 진출 업무를 맡는다. 한국에서도 시장 진출 조직을 꾸리고 있다. [04:08]
• 서울대 박사 졸업 후 삼성전자에서 약 2년간 일한 연구자는 컴퓨터 비전과 영상 연구를 계속하기 위해 합류했다. 대기업에서 맡았던 연구와 자신이 추구하던 시각 지능 연구 사이에 차이가 있었다. [05:08]

4. 영상 데이터 플랫폼과 고비용 연구의 도전

• 자키는 페가수스와 마렝고 모델을 함께 활용해 영상·이미지 등 여러 형태의 데이터를 구조화하고 저장하는 플랫폼이다. 질문에 답하는 기능을 넘어, 에이전트가 데이터를 다루고 활용 범위를 넓히도록 하는 데 초점을 둔다. [05:53]
• 애플 시리 팀과 SKT CTO, 벤처투자를 거친 김윤은 약 2년간의 영입 노력 끝에 합류했다. 투자자로 처음 만났을 때는 영상 이해의 중요성을 인정하면서도 비용과 난도 때문에 사업 성립 가능성을 낮게 봤다. [06:40]

5. 영상 원본의 가치와 전문 기업의 경쟁력

• 텍스트의 “와인잔이 깨졌다”라는 기록만으로는 사건 전후의 흐름을 알기 어렵지만, 영상은 그 앞뒤의 매초를 담는다. 물리 세계를 이해하는 AI에는 이런 원본 신호를 처리하는 능력이 필요하다. [09:29]
• 트웰브랩스는 영상 이해에 5년 넘게 집중했고, 할리우드 스튜디오의 도입 과정에서 빅테크의 유사 모델을 제치고 선택받은 사례가 여러 차례 있었다. 좁은 분야에 대한 집중과 빠른 실행이 경쟁력으로 작용했다. [10:05]

6. 네이버 벤처스의 투자망과 관계 구축

• 트웰브랩스와 네이버 벤처스의 첫 연결은 실리콘밸리의 인도계 투자자를 통해 이뤄졌다. 네이버 벤처스는 글로벌 투자와 주요 벤처캐피털 출자 경험을 바탕으로 AI 창업자를 발굴하고, 투자 이후 네이버와의 협업도 추진한다. [11:29]
• 대형 펀드가 늘면서 소액 출자만으로 전략적 관계를 만들기는 어려워졌다. 한국 기술과 기업에 관한 정보를 제공하며 오랫동안 쌓은 관계는, 북미 진출 창업자에 대한 평판 조회와 투자 실사로도 이어졌다. [13:49]

7. 시리즈 B 이후의 확장과 시각 정보의 활용

• 시리즈 B를 통한 전략적 투자자 합류는 대규모 영상 처리 기술, 자체 파운데이션 모델, 에이전트 개발을 더 빠르고 크게 추진할 기반이 됐다. [15:23]
• 기존의 의미 데이터 계층은 주로 텍스트 토큰으로 구성돼 영상 이해에서 얻은 정보가 부족하다. 정확한 시각 정보를 이 계층에 더하면 복잡한 문제를 풀 가능성이 커지며, 로봇의 시각·언어·행동 모델에도 영상 이해 능력이 필요하다. [16:04]

8. 군 복무 중 공동 연구에서 창업으로

• 공동창업자들은 군대 선후임으로 만나 AI 연구개발을 함께했다. 2018~2020년 무렵 대규모 영상 이해 문제를 다루며 기술적 난도를 직접 경험했다. [17:49]
• 처음에는 전역 후 대학원 진학을 생각했지만, 의미 있는 AI 연구에는 규모 확대가 필요하다고 판단했다. 텍스트 분야와 달리 영상에서 출발하는 지능 시스템 연구팀이 드물다는 점이 창업의 계기가 됐다. [18:18]

9. 어려운 영상 이해 분야를 선택한 이유

• 세상을 잘 이해하는 AI를 만들려면 사람이 세상을 배우는 신호와 가까운 데이터에서 학습을 시작해야 한다는 가설이 있었다. 영상은 그 출발점에 해당했다. [19:09]
• 영상 이해는 언어 모델보다 생소하고 어려워 경쟁자가 적었다. 창업팀은 그 어려움이 독자적인 위치를 확보할 기회가 될 수 있다고 판단했다. [19:33]

10. 다음 프레임 예측보다 사람의 시청 방식에 주목

• 다음 단어 예측의 성공을 영상에 그대로 적용해 다음 프레임을 예측한다고 해서, 영상 이해가 쉽게 해결되지는 않았다. 생성 능력이 곧 이해 능력으로 이어지는지에도 의문이 있었다. [19:58]
• 사람은 스케이팅의 긴 활주 장면보다 점프 직전과 트리플 악셀 순간에 더 집중한다. 이런 장면별 집중도 차이를 영상 데이터 처리에 적용하는 방식이 연구의 영감이 됐다. [20:35]

11. 창업자 적합성과 실리콘밸리 진출

• 투자 판단의 주요 기준은 창업자가 해당 문제를 풀어야 하는 이유, 유행을 넘어 문제에 매달리는 집중력, 자원이 부족해도 끝까지 실행하는 지속력이다. 트웰브랩스 창업자는 세 조건을 함께 충족한다는 평가를 받았다. [21:19]
• 초기 한국에서는 영상 이해 시장에 대한 이해가 충분히 형성되지 않아 투자 유치가 어려웠다. 창업팀은 낯설고 어려운 기술을 더 열린 태도로 받아들이는 투자자를 찾기 위해, 한국에서 개발하고 실리콘밸리에서 경쟁하는 방향을 택했다. [22:29]

12. 과외·저축·대출로 이어간 초기 개발

• 창업팀은 전역 후 코로나 시기에 테크스타스 액셀러레이터에 원격으로 참여했다. CTO는 SAT 과외로 생활비를 벌었고, 대표는 이전에 일하며 모은 돈으로 버텼다. [23:48]
• 자금이 부족해지자 대출로 공동창업자들의 장비와 급여를 마련했다. 테크스타스와 AWS 크레딧도 초기 모델을 개발하는 데 필요한 자원이 됐다. [24:15]

13. 검색 모델 검증과 500만 달러 시드 투자

• 가용 자원을 모아 만든 마렝고 검색 프로토타입은 국제 영상 이해 대회에서 1위를 차지했다. 텍스트 다음의 투자 분야로 영상을 검토하던 인덱스 벤처스의 관심과 맞물렸다. [24:49]
• 시드 투자 규모는 500만 달러였으며, 인덱스 벤처스와 엔젤 투자자들이 크게 참여했다. 네이버 측 초기 투자 조직도 투자 의향이 있었지만, 기존 참여자들이 라운드의 많은 몫을 차지하면서 합류하지 못했다. [25:35]

14. 교체되기 쉬운 모델에서 영상 인지 시스템으로

• AI 모델은 경쟁에 따라 빠르게 대체될 수 있다. 고객이 얻는 가치를 지속하려면 모델 위의 지능 계층과 시스템까지 연결해 제공해야 한다는 사업 방향이 생겼다. [27:25]
• 자키의 영상 인지 시스템은 영상에서 사실을 인식하고, 이를 기억으로 저장한 뒤, 필요할 때 기억을 찾아 추론하는 세 계층을 결합한다. 개별 모델을 넘어 영상 정보를 계속 활용하는 구조가 핵심이다. [28:14]

15. 국내 방어를 넘어 세계가 사용하는 AI로

• 국내 AI 역량을 지키는 과제와 함께, 세계 표준을 만들고 해외에 공급하는 기업을 키울 필요가 있다. 자국 AI 확보를 넘어 글로벌 시장에서 뛰어난 회사를 만드는 것이 또 다른 목표다. [28:48]
• 소버린 AI의 정의는 아직 명확하지 않다. 다른 나라 기업이 서비스를 만들 때 사용하는 지능 계층에 자국 기업의 모델이 자리 잡는 방식도 소버린 AI가 될 수 있다는 관점이 있다. [29:35]

16. 영상 이해 제품의 고도화와 양방향 해외 진출 지원

• 트웰브랩스는 영상 이해 성능과 고객 효용을 지금보다 높이는 데 집중한다. 장기적으로는 카메라로 촬영한 모든 영상을 자사 기술로 처리할 수 있는 수준을 목표로 한다. [30:15]
• 네이버 벤처스의 두 가지 목표는 한국 창업자의 북미 진출 지원과 미국 투자 기업의 아시아 진출 지원이다. 아시아 진출 과정에서는 현지 인맥, 채용, 기술 검증 문제를 함께 풀며, 트웰브랩스는 양방향 진출이 한 회사에서 일어나는 사례다. [31:01]

17. 국경 없는 AI 경쟁과 참여 기회

• AI 모델과 에이전트는 출시되는 순간 전 세계 사용자의 평가와 시장 검증을 받는다. 한국 AI와 미국 AI를 구분하는 의미는 약해지며, 트웰브랩스는 신기술이 쏟아지는 실리콘밸리에서 경쟁하고 있다. [31:47]
• 창업자는 네이버 벤처스에 연락할 수 있고, 트웰브랩스 합류를 원하는 인재는 입사를 지원할 수 있다. 영상 AI 기술로 제품이나 서비스를 만들려는 사람에게는 홈페이지 문의 창구가 열려 있다. [32:38]

🧾 결론

• 이 사례의 핵심은 자금난 자체보다 제한된 자원으로 기술을 검증하고 투자자와 고객을 찾아 실행을 이어간 과정이다.
• 영상 이해라는 좁고 어려운 문제에 대한 장기적인 집중은 전문 AI 기업이 빅테크와 경쟁할 수 있는 근거로 제시된다.
• 모델이 빠르게 대체될 수 있다는 인식은 고객이 영상 정보를 계속 활용하도록 돕는 제품과 시스템으로의 확장으로 이어졌다.

📈 투자·시사 포인트

• 전문 AI 기업을 평가할 때는 투자 유치 규모와 함께 특정 고객 과제에서의 성능, 실제 도입 사례, 실행 속도를 살펴볼 필요가 있다.
• 모델에서 시스템으로 확장하는 전략의 성과는 고객의 반복 사용과 지속적인 효용으로 확인해야 한다. 제공 자료에는 이를 판단할 매출·유지율 수치가 없다.
• 전략적 투자자의 가치는 자금뿐 아니라 기술 개발과 해외 진출을 지원할 가능성에도 있다. 실제 협업 범위와 사업 성과는 별도로 확인해야 한다.
• 한국의 연구개발 역량과 해외의 투자·고객 접점을 연결하는 방식은 국내 AI 기업의 글로벌 성장 경로를 보여준다.

⚠️ 불확실하거나 확인이 필요한 부분

• 제목의 ‘빚만 3억’, ‘20대’, ‘1500억 투자’는 상세 본문에서 금액·연령·산정 기준이 확인되지 않는다. 특히 1500억 원이 단일 라운드인지 누적 투자액인지 구분이 필요하다.
• 제목은 국내에서의 ‘거절’을 강조하지만, 본문은 시장 이해 부족으로 투자 유치가 어려웠다고 설명한다. 거절한 기관과 구체적인 경위는 제시되지 않았다.
• 국제 대회 1위와 할리우드 도입 사례에는 대회명, 평가 조건, 고객명, 비교 성능 수치가 없다. 이를 전체 시장에서의 우위로 일반화하기 어렵다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 제목의 부채·투자 금액을 원문 발언과 투자 발표 자료에 대조하고, 단일 라운드와 누적 금액을 구분한다.
• 마렝고의 대회명·평가 지표와 고객 도입 사례를 확인해 기술 우위가 성립하는 조건을 정리한다.
• 영상 검색·스포츠 분석·하이라이트 생성 중 실제 업무 하나를 골라 검색 정확도, 처리 시간, 비용을 비교하는 검증 항목을 만든다.
• 자키의 인식·기억·추론 기능이 고객의 반복 사용에 어떤 효용을 주는지 확인하고, 공개된 매출·유지율 자료가 있는지 살펴본다.

❓ 열린 질문

• 빅테크 모델의 성능이 개선돼도 영상 이해에 대한 집중과 실행 속도가 고객 선택을 계속 이끌 수 있을까?
• 영상 인지 시스템은 개별 모델의 교체 가능성을 넘어 어떤 지속적인 고객 가치를 만들 수 있을까?
• 고비용 자체 모델 연구와 제품 확장을 병행할 때 개발비와 고객 수익의 균형은 어떻게 확보할까?