별도의 투자 유치 전략을 세우기보다, 실제 고객사에서 성과를 만드는 데 집중했다. 국내 중견·대기업 제조사들과 PoC를 거쳐 본계약 서비스 도입까지 이어지는 사례를 만들었고, 이 과정에서 투자자분들의 관심을 자연스럽게 이끌어낼 수 있었다. 특히 모든 고객사가 관계 영업이 아닌 인바운드로 유입되었다는 점이 기술력과 시장 니즈의 적합성을 보여주는 근거가 되었다고 생각한다.

DARVIS 플랫폼 제품 고도화를 통해 제조업 도메인에 특화된 데이터 구조화 기술을 강화하고, AI 기반 의사결정 지원 기능을 확대할 계획이다. 동시에 고객사 확대를 위한 영업 및 사업개발 역량 강화와 핵심 기술 인력 충원에 투자금을 배분할 예정이다.

제조업 현장에서 반복적으로 목격한 문제가 출발점이었다. 한국의 중견 제조기업들은 ERP·MES 등 다양한 시스템에 수년간 데이터를 축적해왔지만, 정작 납기 지연이나 품질 불량 같은 핵심 문제가 발생했을 때 원인을 파악하려면 여러 시스템을 수작업으로 대조하거나 베테랑 직원의 경험에 의존해야 했다.

초기에는 데이터가 흩어져 있다는 기술적 문제에 집중했다. 그러나 실제 고객사와 협업하며 진짜 해결해야 할 문제는 데이터 산재보다 '왜 납기가 밀리고 불량이 반복되는지'처럼 비즈니스 문제임을 깨달았다. 즉, AI 기술 발전과 함께 고객 기대가 높아지면서 단순 데이터 연결을 넘어 의사결정을 지원하는 방향으로 전환해야 함을 확인했으며, 한국 중견기업의 레거시 시스템 구조와 현장 특수성을 깊게 이해하는 플레이어는 없다고 판단했다. 이 틈새에서 의미 있는 가치를 창출할 수 있다는 확신을 가졌다.

단기 목표는 2026년까지 제조업 분야 레퍼런스 고객을 확대하고, 검증된 솔루션을 문제 유형별로 표준화하는 것이다. 현재 여러 제조사에서 서비스 도입을 완료했으며, 납기 관리, 품질 분석, 재고 최적화 등 반복되는 문제별로 즉시 적용 가능한 솔루션 패키지를 개발해 도입 기업이 빠르게 성과를 체감하도록 할 계획이다. 핵심 문제부터 해결해 자연스럽게 전사 확장으로 이어지도록 하는 것이 목표다.

최종 비전은 기업이 스스로 문제를 감지하고 판단하며 행동하는 자율 운영 시대를 여는 것이다. 사람은 최종 승인과 판단에 집중하고, 반복적인 분석과 모니터링은 AI가 수행하는 구조를 지향한다.

B2B AI 스타트업에서 가장 중요한 것은 진정한 '고객 문제'에서 출발하는 것이다. 기술이 아무리 뛰어나도 고객이 체감하는 가치가 없으면 의미가 없다. 저희도 처음에는 기술이 해결하는 문제와 고객이 풀고자 하는 문제가 다르다는 점을 현장에서 배웠다. 특히 제조업 같은 전통 산업은 AI 적용 기회가 매우 크니 실제 현장에서 문제를 파악하고 답을 찾길 권한다.