휴머노이드가 데모를 넘어 생산라인에 들어가면 문제가 달라진다

휴머노이드 로봇 뉴스는 대개 얼마나 자연스럽게 걷고, 물건을 집고, 사람의 지시를 이해하는지에 집중합니다. prototype 단계에서는 그 질문이 맞습니다. 하지만 같은 로봇을 수백 대, 수천 대 만들기 시작하면 전혀 다른 문제가 생깁니다. 한 대가 잘 움직이는 것과 모든 로봇이 같은 품질로 반복 생산되는 것은 다른 기술이기 때문입니다.

Figure가 2026년 4월 공개한 Figure 03 생산 ramp는 그 변화를 숫자로 보여줍니다. 회사는 350대가 넘는 3세대 휴머노이드를 생산했고, 120일이 채 안 되는 기간에 생산속도를 하루 1대에서 시간당 1대로 높였다고 밝혔습니다. 24배의 throughput 개선입니다. 그런데 Figure가 이 과정의 가장 큰 근본 난제로 직접 꼽은 것은 AI 모델이 아니라 yield rate와 cycle time이었습니다.

시간당 한 대를 만들기 위해 필요한 것은 50번의 검사와 80번의 최종 테스트였다

Figure의 BotQ에는 150개가 넘는 networked workstation이 있고, 조립 과정에는 50개가 넘는 in-process inspection point가 들어갑니다. 완성된 로봇은 출하 전에 80개가 넘는 functional verification test를 통과합니다. multi-limb stress test와 수천 회의 squat, shoulder press, jogging을 포함한 burn-in도 수행합니다.

Figure가 공개한 2026년 4월 수치에서 완성 로봇의 end-of-line first-pass yield는 80%를 넘었고 매주 개선 중이라고 했습니다. 배터리 라인은 99.3% first-pass yield를 기록했고 500개가 넘는 battery pack을 출하했으며, actuator는 10개가 넘는 SKU에서 9,000개 이상 생산됐습니다. 이 숫자는 독립 감사된 산업통계가 아니라 Figure의 자체 발표입니다. 그래도 회사가 어디에 엔지니어링 시간을 쓰고 있는지는 분명하게 보여줍니다.

품질은 공장 안에서 끝나지 않고 supplier와 고객 현장까지 이어진다

생산량이 늘면 불량은 조립라인 한 곳의 문제가 아닙니다. Figure는 수백 개 supplier를 incoming inspection criteria에 맞춰 qualification하고, 조립 중에는 공정검사를, 마지막에는 EOL test를 거칩니다. 현장에 나간 로봇에서 failure가 발생하면 다시 engineering team으로 원인을 되돌려 hardware revision에 반영하는 service loop도 운영한다고 설명합니다.

이 구조는 전통적인 자동차·전자·산업장비 양산에서 익숙한 흐름과 닮아 있습니다. Supplier Quality → Incoming Quality → In-process QC → End-of-Line Test → Reliability → Field Failure Analysis가 하나의 closed loop를 이룹니다. 로봇이 AI 제품이라고 해서 제조품질의 오래된 문제가 사라지는 것이 아니라, 오히려 AI와 함께 다시 전면으로 올라옵니다.

채용공고를 보면 Quality와 Reliability가 이미 별도 조직이 됐다

Figure의 현재 BotQ 채용에는 Manufacturing Engineer, Manufacturing Electrical Test Engineer, Quality Engineering Technician, Senior Quality Engineer, Supplier Quality Engineer 같은 역할이 따로 존재합니다. Senior Quality Engineer는 제조 robot의 yield rate 개선을 명시적인 목표로 두고 SPC, 8D, 5-Why, Fishbone, vendor audit, corrective action을 요구합니다.

Supplier Quality Engineer는 injection molding, die casting, stamping, wire harness, textile 같은 다양한 공정을 다루며 supplier qualification과 first article inspection, root-cause analysis를 맡습니다. 별도로 Reliability Technician은 component·module·final product 수준의 reliability test와 fixture 구축, teardown, electrical debug, failure analysis를 수행합니다. Figure가 과거 BotQ를 소개하면서 safety team과 reliability team을 새로 만들었다고 밝힌 것과도 연결됩니다.

Tesla Optimus에서도 AI팀 옆에 공장 직무가 빠르게 두꺼워지고 있다

이 현상을 Figure 한 회사만의 특징으로 보면 안 됩니다. Tesla의 현재 Optimus 채용페이지에는 Sr. Quality Engineer, Quality Supervisor, Supplier Quality Engineer, Sr. Manufacturing Test Engineer, Manufacturing Engineer, General Assembly & Testing, NPI, Repair & Validation 같은 제조 직무가 함께 올라와 있습니다.

Tesla의 Sr. Quality Engineer - Optimus 공고는 launch phase의 humanoid robot production을 직접 대상으로 합니다. supplier part readiness, product quality control, continual improvement를 주요 업무로 두고 있습니다. Tesla 전체의 Optimus 사업 진행속도와 실제 생산량은 회사 계획과 시장 보도 사이에 불확실성이 남아 있지만, 적어도 현재 인력 수요가 AI model 개발에만 집중되어 있지 않다는 사실은 공개 채용에서 확인할 수 있습니다.

자동차·반도체·전자 인력에게 로봇업계의 문이 열리는 지점은 여기다

이 변화가 인재시장에 중요한 이유는 필요한 capability가 로봇산업 안에서 처음 발명된 것이 아니기 때문입니다. SPC로 공정편차를 관리하고, 8D와 5-Why로 root cause를 추적하고, FAI로 supplier 초도품을 확인하고, DFM/DFA로 양산성을 검토하고, metrology와 EOL test로 제품을 검증하는 일은 자동차·반도체·가전·산업장비에서 오랫동안 해온 일입니다.

따라서 기존 제조업의 Quality Engineer, Supplier Quality Engineer, Manufacturing Engineer, Test/Validation Engineer, Reliability Engineer가 Physical AI와 인접한 후보군이 될 수 있습니다. 다만 같은 직무명이 있다고 곧바로 같은 자격을 뜻하지는 않습니다. 휴머노이드에는 고자유도 actuator, battery, sensor, embedded electronics, safety와 software interaction이 함께 있으므로 실제 제품복잡도와 electromechanical system을 다뤄본 증거가 중요합니다.

한국과 일본이 볼 것은 '로봇 AI 인재 부족'만이 아니다

한국과 일본은 자동차, 배터리, 정밀부품, 반도체, FA와 산업로봇에 이미 두꺼운 제조인력을 가지고 있습니다. Physical AI 경쟁을 AI researcher 숫자만으로 보면 이 자산을 과소평가할 수 있습니다. 로봇기업이 production scale로 넘어갈수록 supplier qualification, process capability, metrology, test automation, field reliability 같은 capability가 동시에 필요해집니다.

Figure가 현재 'Supplier Quality Engineer (Asia)'를 별도로 모집하고 있다는 점도 참고할 만합니다. 다만 공고는 근무국가를 특정하지 않고 Asia라고만 적고 있으므로 이를 한국이나 일본의 직접 채용 신호로 해석해서는 안 됩니다. 더 정확한 결론은 휴머노이드 공급망의 품질관리 범위가 이미 미국 본사 밖 아시아 supplier network까지 확장되고 있다는 정도입니다.

다음 휴머노이드 경쟁은 '더 똑똑한 한 대'와 '같은 품질의 천 대' 사이에서 벌어진다

AI 모델의 성능은 계속 중요합니다. 데이터와 autonomy, manipulation도 여전히 핵심 병목입니다. 그렇다고 production이 시작된 뒤에도 경쟁의 중심이 모델 하나에만 머무르지는 않습니다. 한 대의 prototype이 잘 움직이는 것과 수천 대가 같은 성능과 안전성을 유지하는 것은 완전히 다른 문제입니다.

Figure의 현재 숫자와 Figure·Tesla의 채용을 보면 그 두 번째 문제가 이미 조직과 직무를 만들고 있습니다. Physical AI가 연구실에서 산업으로 넘어갈수록 더 비싸질 수 있는 사람은 로봇을 가장 화려하게 설명하는 사람이 아니라, 불량을 찾고 원인을 제거하고 공정을 반복 가능하게 만드는 사람일 수도 있습니다.

BANSEOG VIEW

Physical AI 인재지도의 빈칸은 AI 연구자와 로봇 개발자 사이가 아니라, prototype과 production 사이에 있을 수 있다

휴머노이드가 대량생산 단계로 갈수록 인재경쟁은 AI·robotics 연구자에서 supplier quality, manufacturing test, reliability, failure analysis, NPI와 field service까지 넓어집니다. Figure의 production ramp와 Figure·Tesla의 현재 채용은 이 변화가 이미 시작됐다는 공개 신호입니다.

반석써치가 주목할 부분은 직무명보다 기존 산업의 capability 이동입니다. 자동차·반도체·전자·산업장비에서 축적된 SPC, 8D, FAI, DFM/DFA, metrology, EOL test, reliability 경험이 실제 humanoid hardware와 어디에서 연결될 수 있는지를 보는 것이 더 중요합니다.

SOURCES

근거가 된 원자료

Figure의 생산량·yield·cycle-time 수치는 2026년 4월 29일 Figure가 공개한 자체 발표이며 독립 감사된 산업통계가 아닙니다. Tesla와 Figure의 채용공고는 특정 두 회사의 현재 조직수요를 보여줄 뿐 전체 humanoid 산업의 채용 규모나 장기 임금 프리미엄을 증명하지 않습니다. 본문은 이 한계를 명시한 뒤 prototype→production 전환에서 quality·manufacturing·reliability 역할이 두꺼워지는 신호를 분석했습니다. 반석의 내부 후보자·고객·Search evidence는 사용하지 않았습니다.