로봇 영상보다 채용공고를 봐야 하는 이유

휴머노이드가 걷고 물건을 나르는 영상은 Physical AI의 가능성을 가장 빠르게 보여줍니다. 하지만 산업의 변화를 인재시장 관점에서 읽으려면 데모보다 조직도와 채용공고가 더 직접적인 단서가 됩니다. 기업이 실제로 어떤 조직을 만들고, 어떤 역할을 따로 정의해 사람을 찾기 시작했는지를 보면 기술 유행이 업무와 경력으로 내려오는 지점을 확인할 수 있기 때문입니다.

2026년 여름 한국의 움직임은 꽤 구체적입니다. 삼성전자는 RX(Robotics eXperience) 조직을 신설한 뒤 현재 로봇 관련 세부 직무를 여러 층으로 나눠 채용하고 있고, LG전자는 CEO 직속 로보틱스사업센터와 로봇 학습용 데이터팩토리 조직을 만들었습니다. 여기서 먼저 보이는 변화는 ‘AI 연구자 수요가 늘어난다’보다 훨씬 복합적입니다.

삼성은 로봇 전략을 ‘조직’과 ‘9개 세부 직무’로 내렸다

삼성전자는 2026년 7월 CEO 직속 RX 조직을 만들고 로봇 핵심기술과 사업 전략을 한 축에서 추진하기 시작했습니다. 이어 8월 20일 시작된 DX부문 R&D 경력채용에는 생산기술연구소와 RX사업추진실을 중심으로 로봇 관련 세부 직무 9개가 명시됐습니다. 학습기반 로봇조작 AI, 구동기 및 로봇 제어, 적응형 로봇 제어, 산업용 로봇 모션 개발, 로봇 핸드 제어·전장, 로봇 기구·전장, 로봇 전신 제어까지 이어집니다.

이 공고 하나로 한국 전체의 로봇 인력 부족이나 임금 프리미엄을 말할 수는 없습니다. 다만 한 기업이 Physical AI를 실제 조직과 역할로 분해하는 방식을 보여주는 신호로는 유용합니다. AI 모델 하나가 아니라 조작 학습, 구동기, 모션, 전장, 기구, 전신 제어가 각각 전문 책임으로 분리되고 있다는 점이 중요합니다.

LG는 로봇뿐 아니라 ‘학습·통합·운영 체계’를 함께 만들고 있다

LG전자는 6월 30일 CEO 직속 로보틱스사업센터 신설을 발표했고, 7월 1일자로 조직을 가동했습니다. 사업개발·영업·오퍼레이션까지 갖춘 완결형 사업조직으로 운영하면서 산하에 로봇 학습용 데이터팩토리 전담 조직도 둡니다. Physical AI 경쟁에서 실제 로봇 하드웨어뿐 아니라 현실 세계의 작업 데이터를 반복적으로 생산하고 학습시키는 체계가 사업 인프라가 되고 있다는 뜻입니다.

LG CNS의 RX 직무 구조는 이 변화가 인재시장에 어떻게 번역되는지 더 선명하게 보여줍니다. Robot SW Engineer는 perception·의사결정·제어·motion planning과 ROS 기반 소프트웨어를, Robot HW/SI Engineer는 기구·전장·구동부와 HW/SW 통합·현장 설치를 맡습니다. Physical AI Engineer는 Robot Foundation Model, 학습 파이프라인, simulation·teleoperation·로봇 데이터를 다루고, Robot Workforce Platform Engineer는 여러 종류의 로봇을 하나의 fleet·스케줄링·클라우드 운영 체계에서 관리합니다.

미국에서는 ‘로봇을 학습시키고 검증하고 운영하는 일’까지 직무가 갈라지고 있다

미국의 선행 신호를 보면 역할의 분화 범위가 더 넓습니다. Tesla의 현재 Optimus 채용에는 Data Collection Operator와 Data Collection Supervisor 같은 데이터 운영 역할부터 강화학습, embedded systems, simulation, system validation, manufacturing controls, robotics manufacturing까지 서로 다른 책임이 함께 나타납니다. 로봇을 설계하는 엔지니어만으로는 학습 데이터 생산부터 양산·검증까지 이어지는 전체 루프를 채울 수 없다는 점을 보여줍니다.

여기서 주목할 부분은 ‘AI 직무가 늘어난다’가 아닙니다. 생성형 AI가 성장하면서 데이터 엔지니어링·MLOps·인프라 같은 주변 직무 생태계가 커졌듯, Physical AI는 그 생태계를 물리 세계로 더 넓힙니다. 센서와 액추에이터, 실제 작업 데이터, 안전, 제조, 현장 검증과 운영이 모델 성능과 분리되지 않는 구조입니다.

일본은 강한 제조·로봇 기반 위에 AI를 얹는 경로를 보여준다

일본은 미국과 출발점이 다릅니다. FANUC는 2026년 공개한 자료에서 Google과의 협업, NVIDIA와의 연계 강화를 바탕으로 차세대 Physical AI 로봇 시스템을 제시했습니다. Google Gemini Enterprise 기반 AI agent가 산업용 로봇과 협동로봇을 조율해 kitting 작업을 수행하고, NVIDIA 기반 imitation learning으로 두 대의 CRX-10iA가 티셔츠 접기 작업을 수행하는 사례도 공개했습니다.

이는 기존 산업용 로봇과 제조 자동화 역량이 AI agent, imitation learning, open platform과 결합하는 장면입니다. 미국이 AI·소프트웨어 역량에서 물리 세계로 내려오는 흐름이 강하다면, 일본은 축적된 로봇·제어·제조 역량 위에 AI를 올리는 경로도 강합니다. 한국은 전자·반도체·자동차·배터리·제조 기반과 AI 역량을 동시에 가진 만큼 두 경로가 겹치는 시장이 될 수 있습니다.

그래서 먼저 재평가될 가능성이 있는 경력은 ‘경계에 있는 사람’이다

현재 공개된 조직과 채용 신호를 보면 몇 가지 경력 조합의 가치가 높아질 가능성을 읽을 수 있습니다. AI 모델을 실제 로봇의 perception·planning·control로 연결해 본 사람, motion control·actuator·mechatronics 경험에 simulation과 학습을 붙일 수 있는 사람, teleoperation과 실제 로봇 데이터를 수집·정제·학습 루프로 연결하는 사람, 그리고 HW/SW 통합과 현장 시운전까지 해 본 SI·자동화 인력이 대표적입니다.

또 하나는 기존 로봇 인력으로만 보이지 않는 영역입니다. 로봇이 수십 대에서 수백 대로 늘어나면 fleet management, distributed system, cloud, scheduling, monitoring이 중요해집니다. 따라서 Backend·Cloud·Platform 경력 중에서도 실제 장비 운영과 연결할 수 있는 사람은 Physical AI 생태계로 이동할 여지가 있습니다. 핵심은 전공명이 아니라 서로 다른 기술 층 사이의 인터페이스를 책임질 수 있느냐입니다.

기업의 JD도 ‘로봇 엔지니어’라는 한 줄에서 벗어나야 한다

기업이 Physical AI 인재를 찾을 때 ‘로봇 전문가’ 또는 ‘AI·로봇 엔지니어’처럼 넓게 정의하면 후보군을 제대로 구분하기 어렵습니다. 필요한 것이 Robot Foundation Model인지, manipulation과 control인지, 기구·전장인지, simulation과 data인지, 현장 system integration인지, fleet 운영 플랫폼인지에 따라 시장에 존재하는 후보자는 전혀 달라집니다.

채용의 첫 단계는 인기 기술명을 JD에 추가하는 일이 아니라 해결해야 할 문제와 책임 경계를 먼저 나누는 것입니다. 같은 ROS2 경험이라도 연구 프로토타입을 만든 사람과 실제 공장에 설치해 장기간 운영한 사람의 강점은 다릅니다. Physical AI 채용에서 Search의 난도는 사람의 절대 숫자뿐 아니라 회사가 원하는 ‘연결 범위’를 얼마나 정확히 정의하느냐에 의해 크게 달라질 수 있습니다.

개인의 질문도 ‘로봇 전공인가’보다 ‘어느 두 층을 연결할 수 있나’로 바뀐다

Physical AI로 이동하려는 사람이 모두 로봇공학 학위부터 다시 시작할 필요는 없습니다. Computer Vision 개발자는 robot perception으로, 강화학습 경험자는 manipulation과 control policy로, 기계·제어 엔지니어는 AI 기반 motion·simulation으로, Backend·Cloud 엔지니어는 robot fleet platform으로, 스마트팩토리·FA 경험자는 system integration으로 자신의 기존 경력을 연결할 수 있습니다.

다만 ‘관심이 있다’는 말만으로 경력가치가 바뀌지는 않습니다. 실제 장비에 모델을 올린 경험, 실패 데이터를 다뤄 본 경험, latency·safety·reliability 같은 물리 제약을 해결한 경험, 현장에서 HW와 SW를 함께 디버깅한 증거가 중요해질 가능성이 큽니다. 새로운 산업이 열릴 때 가장 먼저 가격이 달라지는 것은 완전히 새로운 직업보다 기존 경험이 새로운 문제와 연결되는 지점인 경우가 많습니다.

BANSEOG VIEW

피지컬 AI 인재시장은 ‘새 직업’보다 ‘새 조합’에서 먼저 열린다

삼성·LG의 한국 신호와 Tesla·FANUC의 미국·일본 사례를 함께 보면 공통점은 하나입니다. 로봇을 하나의 기술 직군으로 묶기보다 AI, 소프트웨어, 제어, 기계, 데이터, 제조와 운영을 더 세밀하게 나누고 다시 연결하고 있습니다. 현재 공개 자료만으로 어느 직무의 임금이 얼마나 오를지 말할 수는 없지만, 기업이 어떤 책임을 별도 역할로 만들고 있는지는 이미 관찰할 수 있습니다.

반석써치는 Physical AI 인재시장을 ‘로봇 엔지니어가 몇 명 필요한가’보다 ‘어떤 기술 층을 연결하는 역할이 생기고 있는가’로 봅니다. 기업에는 필요한 연결 범위를 먼저 정의하는 것이 Search의 출발점이고, 개인에게는 자신이 실제로 연결해 본 시스템과 현장 경험을 증명하는 것이 경력가치를 설명하는 출발점이 됩니다.

SOURCES

근거가 된 원자료

이 글의 기업 조직·채용 자료는 현재 공개된 역할 정의와 사업 방향을 보여주는 신호입니다. 특정 직무의 한국 전체 부족인원이나 임금 프리미엄을 측정한 통계가 아니므로, ‘채용공고가 있다 = 시장 전체에서 인력이 부족하다/연봉이 오른다’고 일반화하지 않았습니다. 미국과 일본 사례는 한국 인재시장의 규모를 추정하기 위한 통계가 아니라 역할 구조가 어떻게 확장되는지 비교하기 위한 benchmark로 사용했습니다.