AI Engineer 옆에 Platform·PM·Optimization이 따로 생겼다

씨메스로보틱스의 현재 공개 채용을 보면 Physical AI Engineer, Physical AI 플랫폼 개발, Physical AI 기획 및 PM, Physical AI 조합 최적화가 각각 별도 포지션으로 올라와 있다. 네 공고는 현재 9월 30일 마감으로 안내돼 있다.

Physical AI Engineer는 VLA, Robot Action Policy, Imitation Learning 기반 모델을 설계하고 simulation과 실제 로봇에서 성능을 검증한다. 여기까지만 보면 익숙한 robot-learning 연구직이다.

그런데 나머지 세 역할을 함께 보면 회사가 모델 연구만 늘리는 것이 아니라 모델을 반복해서 현장에 적용하기 위한 별도 조직 capability를 만들고 있다는 점이 더 선명해진다.

Platform 역할은 Teleoperation에서 Inference까지 한 loop로 묶는다

Physical AI 플랫폼 개발 공고는 이기종 로봇에서 Teleoperation·Hand Retargeting 기반 데이터 취득부터 데이터 관리, 모델 학습, 검증, 배포, 실시간 Inference까지 연결되는 공통 플랫폼을 개발한다고 명시한다.

RGB-D, 로봇 상태, end-effector 상태 같은 multimodal data를 동기화하고 Dataset·Data Format·Model Weight·Versioning을 관리하며, Single Arm·Dual Arm·Humanoid에 적용 가능한 cross-platform interface도 만든다.

핵심은 새로운 모델 하나를 만드는 것보다 Physical AI Engineer가 서로 다른 robot과 Task에서 반복적으로 데이터를 모으고 학습·배포할 수 있는 개발환경을 만드는 것이다. Research prototype을 reusable platform으로 바꾸는 역할에 가깝다.

Physical AI Center PM은 ‘어떤 로봇을 만들까’보다 ‘어떤 Task를 어떤 순서로 넣을까’를 결정한다

Physical AI 기획 및 PM 공고는 사내 Physical AI Center 구축 및 운영 전략을 주요업무로 둔다. Single Arm, Dual-Arm, Humanoid의 Cell/Zone 구성과 단계별 도입 roadmap을 짜고, 산업현장의 자동화 필요 Task를 발굴해 우선순위를 정한다.

또 Real to Sim to Real 기반 데이터 취득·모델 개발·검증·현장 배포 process를 기획하고 Teleoperation, Motion Capture, Simulator, End-Effector, AI 학습 infrastructure를 Center의 구성요소로 정의한다.

이 역할은 Physical AI를 한 연구팀의 모델 프로젝트가 아니라 여러 팀과 robot, dataset, customer task를 연결하는 operating system으로 보려는 시도에 가깝다. 다만 공개공고만으로 Center의 실제 조직규모나 투자액, 가동시점까지 알 수는 없다.

Optimization은 AI 모델을 고객 현장의 제약조건과 연결한다

Physical AI 조합 최적화 역할은 팔레타이징·디팔레타이징 적재계획, 로봇 작업순서, 작업할당 같은 조합 최적화 문제를 고객현장에 적용한다.

실제 산업현장에서는 로봇이 물체를 집을 수 있다는 사실만으로 제품이 완성되지 않는다. 어떤 순서로 처리할지, 어디에 쌓을지, 여러 작업을 어떻게 배분할지, cycle time과 공간제약을 어떻게 만족시킬지가 함께 풀려야 한다.

그래서 Physical AI가 상용화될수록 model performance와 operations optimization 사이에 별도 인재층이 생길 수 있다. 좋은 policy를 실제 throughput과 고객 KPI로 번역하는 문제다.

69.1억원 현장계약 뒤에서 ‘반복 가능성’이 중요해진다

씨메스로보틱스는 2026년 5월 쿠팡풀필먼트서비스와 69.1억원 규모의 물류 로봇 자동화 솔루션 설치계약을 공시했다. 최근 매출액 대비 52.93% 규모이며 계약기간은 2026년 7월 1일부터 2027년 3월 2일까지다.

한 고객의 큰 프로젝트를 성공시키는 것과 여러 고객·여러 현장에 같은 Physical AI capability를 반복적으로 배포하는 것은 다른 문제다.

후자로 갈수록 robot마다 별도로 데이터를 모으고 모델을 고치고 deployment를 다시 만드는 방식은 비싸진다. 공통 data/model platform, Center-level process, reusable task definition, 현장 optimization이 함께 필요해지는 이유다.

인재전쟁도 ‘최고의 AI 연구자 몇 명’만으로 설명하기 어려워진다

Physical AI 초기에는 VLA, imitation learning, reinforcement learning 같은 model capability가 가장 눈에 띈다. 하지만 현장배포가 늘면 model을 둘러싼 인재층이 같이 생긴다.

누군가는 robot action model을 만들고, 누군가는 data·model lifecycle을 platform으로 만들고, 누군가는 Center에서 task와 roadmap을 정하며, 또 다른 누군가는 실제 고객 제약조건을 optimization problem으로 바꾼다.

따라서 기업의 Physical AI 조직을 볼 때 AI researcher 숫자만 세면 상용화에 필요한 capability의 상당 부분을 놓칠 수 있다.

BANSEOG VIEW | Physical AI의 다음 단계는 ‘모델’에서 ‘운영체계’로 간다

씨메스로보틱스의 네 공고가 보여주는 공통점은 모델 자체보다 모델을 여러 robot과 현장에 반복 적용하는 구조가 세분화되고 있다는 점이다.

Engineer가 intelligence를 만들고, Platform이 data-to-deployment loop를 표준화하며, Center/PM이 Task와 투입순서를 정하고, Optimization이 고객의 실제 제약과 KPI를 시스템에 넣는다.

Physical AI의 다음 경쟁은 누가 가장 좋은 데모를 만드느냐뿐 아니라, 누가 학습·검증·배포를 여러 Task와 고객현장에서 반복할 수 있는 operating system을 먼저 만드는가의 경쟁이 될 수 있다.

BANSEOG VIEW

Banseog View — Model → Platform → Operating System

씨메스로보틱스는 Physical AI Engineer와 함께 플랫폼 개발, Center 구축·PM, 조합 최적화 역할을 별도 채용하고 있다.

플랫폼 공고는 Teleoperation·Retargeting부터 data management·training·validation·deployment·Inference를 하나의 반복환경으로 묶는다.

현장계약이 커질수록 Physical AI 인재전략도 모델 연구자 수보다 여러 robot과 Task에서 반복 가능한 operating system을 누가 소유하는가로 확장될 수 있다.

SOURCES

근거가 된 원자료

공개채용만으로 씨메스로보틱스의 전체 조직도, 실제 채용인원, Physical AI Center의 현재 구축진척·투자액·가동시점을 알 수 없다. 따라서 ‘Center가 이미 완성됐다’거나 ‘4개 직무가 전체 Physical AI 조직을 대표한다’고 일반화하지 않는다. 기존 Banseog Physical AI 기사에서 teleoperation·data loop 자체는 이미 다뤘기 때문에, 이번 기사의 추가가치는 씨메스 한 회사 안에서 Engineer→Platform→Center/PM→Optimization으로 상용화 조직이 분화되는 장면을 연결한 데 있다. ‘Model → Platform → Operating System’은 Banseog 분석이다.