Physical AI의 고객은 더 이상 완성된 로봇을 기다리기만 하지 않는다

휴머노이드 산업은 보통 로봇기업을 주어로 설명된다. 누가 더 잘 걷고, 더 정교한 손을 만들고, 더 큰 foundation model을 학습시키는지가 중심이다. 하지만 최근 한국 사례를 고객 쪽에서 보면 다른 변화가 보인다.

HD현대는 자사 산업환경에 맞는 손과 공정을 함께 설계하고, 삼성은 관계사 현장의 실제 작업을 use case로 잘라 글로벌 로봇기업과 검증하며, CJ대한통운은 물류센터에서 첫 운영 task를 직접 선택했다. 산업기업이 “좋은 로봇이 나오면 사겠다”는 위치에서 “우리 현장에서 이 일을 이렇게 해야 합격이다”를 정의하는 위치로 이동하고 있다.

반석은 이 변화를 Task Specification Ownership으로 본다. 로봇의 범용능력과 별개로, 어떤 task를 먼저 자동화하고 무엇을 성공으로 판단하며 어떤 예외를 학습시킬지는 현장을 가진 기업이 가장 많이 알고 있기 때문이다.

HD현대에서는 현장의 작업이 로봇 하드웨어의 모양까지 바꾼다

HD현대로보틱스는 9월 11일 에이딘로보틱스에 130억원을 투자하고 조선·중공업 현장에 특화된 5지 로봇손을 공동개발하기로 했다. 힘·토크와 촉각 센싱을 이용해 물체와의 접촉, 힘의 분포를 읽고 정밀하게 제어하는 기술이 핵심이다.

적용 대상도 “제조업”처럼 넓게 잡지 않았다. 연마·그라인딩 등 실제 표면처리 공정까지 내려갔다. 조선현장의 작업물이 어떤 형태이고, 어느 압력과 품질을 요구하며, 어떤 공구와 안전조건을 가져야 하는지가 결국 로봇손과 제어기의 요구사항을 결정한다.

이 사례에서는 고객의 공정지식이 소프트웨어 설정을 넘어서 robot hand·sensor·control의 제품설계에 역으로 들어간다. 산업기업이 기술의 마지막 구매자가 아니라 product requirement를 만드는 공동설계자가 되는 장면이다.

삼성은 공장의 일을 “AI가 배울 수 있는 문제”로 다시 잘라내고 있다

삼성SDS는 RX ART 2026에서 삼성전기·세메스의 부품 핸들링과 소모품 교체, 삼성중공업·삼성E&A의 거친 야외작업, 삼성디스플레이의 정밀조작을 각각 다른 Physical AI 기업·기술과 연결해 검증했다.

회사 설명에서 특히 중요한 부분은 단순한 로봇 시연을 넘어 실제 현장 과제를 기반으로 AI 학습에 필요한 데이터를 확보하고 적용 가능성을 정밀 검증했다는 점이다. 즉 산업의 작업이 곧 학습과 평가의 curriculum으로 바뀐다.

로봇기업이 범용 모델을 가지고 와도 “정상적으로 끝난 작업이 무엇인지”, “어떤 실패는 허용할 수 없는지”, “어느 정도의 힘·정밀도·cycle time이 합격인지”는 현장기업이 정의해야 한다. Physical AI에서 고객의 공정지식은 단순 요구사항 문서가 아니라 training·evaluation infrastructure의 일부가 될 수 있다.

CJ대한통운은 첫 task를 고르고, 그다음 task의 순서를 설계한다

CJ대한통운은 용인 양지 올리브영 물류센터 실제 운영공정에 휴머노이드 양팔 로봇 2대를 투입했다. 첫 업무는 박스 내부에 완충재를 넣는 포장 작업이다. 이후 피킹·분류·검수·포장으로 적용 공정을 단계적으로 넓힐 계획이다.

중요한 것은 완충재 투입 자체가 대단해서가 아니다. 운영기업이 자동화할 업무를 하나 고르고, 그 작업이 현장에서 버틸 수 있는지 본 뒤, 다음 인접 task로 확장하는 순서를 갖고 있다는 점이다.

이 과정에서 물류센터는 단순한 로봇의 사용처가 아니다. 상품형태, 박스규격, conveyor 속도, 예외처리, 작업순서와 품질기준을 가진 실제 학습·검증 환경이다. 로봇이 어디까지 확장될지도 물류기업이 가진 task graph와 운영데이터에 크게 좌우될 수 있다.

다음 경쟁력은 “좋은 로봇”만이 아니라 “좋은 task curriculum”을 가진 회사에서 나올 수 있다

Agility의 공개자료가 “어떤 workflow가 실제 ROI를 통과하는가”라는 공급자 측 경제성을 보여줬다면, 이번 한국 사례는 그 workflow 자체를 누가 정의하는지를 보여준다. Physical AI 기업이 모든 산업의 작업조건과 예외를 스스로 보유하기는 어렵다.

반대로 조선·전자·물류 기업은 수십 년간 공정을 운영하면서 품질기준, 실패패턴, cycle time, 안전규칙, 설비제약과 작업데이터를 쌓아왔다. 이 자산이 로봇에게 어떤 일을 어떤 순서로 가르칠지 정하는 task curriculum이 될 수 있다.

그래서 Physical AI의 협상력도 달라질 수 있다. 모델·하드웨어를 가진 로봇기업과 현장·task·evaluation data를 가진 산업기업이 서로 필요한 구조라면, 고객은 단순 buyer가 아니라 capability를 함께 만드는 partner가 된다.

인재시장에서는 “로봇을 만든 사람”과 “로봇에게 일을 정의하는 사람”의 경계가 생긴다

이 변화는 채용에서도 중요하다. 로봇에게 그라인딩을 가르치려면 로봇 제어만 아는 것으로 충분하지 않다. 어떤 표면이 합격이고 어떤 진동·압력·마모가 문제인지 아는 생산기술·공정·품질·안전 경험이 필요하다. 물류도 마찬가지로 피킹·포장·WMS·설비운영·공정개선 경험이 task specification의 재료가 된다.

따라서 Physical AI의 인접인재를 찾을 때 “로봇 경력이 있는가”만 보면 시장을 너무 좁게 본다. 더 중요한 질문은 “이 사람이 자동화하려는 일을 어느 수준까지 정의하고, 예외를 설명하고, 성공기준을 숫자로 만들 수 있는가”다.

로봇을 만드는 engineer와 현장을 아는 domain engineer 사이에서 task를 번역하는 역할은 기존의 application engineering, automation, production engineering, process engineering, quality와 겹치면서도 새로운 책임조합으로 발전할 수 있다. 직함이 생기기 전에 일이 먼저 생기는 영역이다.

BANSEOG VIEW

Physical AI에서 고객은 구매자가 아니라 “업무 curriculum의 공동저자”가 될 수 있다

HD현대·삼성·CJ의 사례는 성숙도가 각각 개발·검증·운영으로 다르다. 따라서 세 회사를 동일한 상용화 수준으로 묶지 않는다.

공통적으로 보이는 것은 산업기업이 특정 작업을 선택하고, 필요한 hardware·data·성공기준·확장순서를 정의하는 과정에 직접 들어오고 있다는 점이다. Physical AI의 고객은 완성품을 사는 buyer에서 task-spec co-designer로 이동할 수 있다.

인재시장에서는 로봇 자체를 설계한 경험뿐 아니라 실제 공정의 정상·실패·품질·안전·cycle time을 설명하고 그것을 로봇의 학습·평가조건으로 바꿀 수 있는 domain capability가 더 중요해질 수 있다.

SOURCES

근거가 된 원자료

세 사례의 단계는 다르다. HD현대로보틱스는 공동개발·실증·사업화 계획, 삼성SDS는 실제 산업과제 기반 기술검증, CJ대한통운은 실제 운영공정 투입이다. “Task Specification Ownership”과 “업무 curriculum 공동저자”는 이 공개사실을 연결한 Banseog의 분석이며, 세 회사가 동일한 방식으로 AI 모델을 직접 학습시킨다는 뜻은 아니다.