앱트로닉은 현장에서 배운 것을 누구의 경쟁력으로 만들까

2025년 2월 자빌과 앱트로닉은 Apollo를 생산하고 자빌의 제조 현장에서도 시험하는 협력을 발표했다. 장비를 만드는 곳이 그 장비를 사용하고 검증하는 곳도 된다는 구상이었다. 다음 해 구글 딥마인드는 같은 AI 모델을 서로 다른 로봇 구성에 적용한 연구 결과를 공개했다. [1], [2]

두 발표를 함께 읽으면 새로운 질문이 생긴다. 현장의 경험이 로봇을 개선한다면, 그 개선은 특정 로봇 회사의 경쟁력을 얼마나 키우는가. 여러 기종에 쓰이는 모델의 능력, 제조사의 공정 지식, 고객의 작업 방식에도 가치가 쌓일 수 있다.

반석의 핵심 가설은 앱트로닉의 경쟁력을 ‘다음 현장으로 옮기는 비용을 줄이는 능력’과 ‘그 절감 효과를 사업의 이익으로 남기는 능력’에서 함께 찾아야 한다는 것이다. 데이터를 많이 모으거나 뛰어난 파트너를 확보한 사실만으로 두 능력이 입증되지는 않는다. 앞으로 어떤 결과가 나타나는지에 따라 이 협력의 의미도 달라진다.

서로 다른 세 장면을 먼저 구분한다

협력 발표와 로봇 영상은 한 방향을 향하는 것처럼 보이지만, 무엇을 시험하고 있는지에 따라 증거의 의미가 다르다.

표를 좌우로 움직여 전체 내용을 볼 수 있습니다.

첫째 행은 현재 특정 공장의 상용 가동 실적을 증명하지 않는다. 둘째 행은 연구 플랫폼의 활동이며, 셋째 행은 고객 현장의 수익성 시험이 아니다. 자빌 시범 사업의 데이터가 Robot Park나 딥마인드로 어떤 조건에서 이동하는지도 제시된 자료만으로는 확정할 수 없다. [3], [4], [5]

이 구분을 하면 두 번의 이전을 따로 볼 수 있다. Apollo 2에서 얻은 학습이 Apollo 3로 이어지는 제품 세대 간 이전, 그리고 한 고객에게서 얻은 개선이 다른 고객에게 쓰이는 현장 간 이전이다.

연구용 플랫폼에서 사람이 자주 개입하더라도 유용한 데이터를 만드는 단계라면 그 자체로 상용화 실패를 뜻하지 않는다. 반대로 연구에서 새로운 동작을 수행했더라도 상용 제품에서 같은 품질과 비용으로 반복할 수 있는지는 별도로 확인해야 한다.

몸체의 선택은 현장에 들어가는 조건을 바꾼다

앱트로닉의 기술적 배경에는 발키리 개발에서 쌓은 구동기와 제어 경험이 있다. 현재의 Apollo 2 소개에는 몸체에 더해 인지·계획·제어를 조율하는 Artemis와 로봇 운영·배포·데이터를 관리하는 Fleet Connect가 등장한다. 제어는 초기 이력에도 있었으므로, 이 목록만으로 하드웨어 회사가 뒤늦게 소프트웨어로 전환했다고 읽을 수는 없다. [6], [7]

더 구체적인 단서는 바퀴형과 이족형의 병행이다. 회사는 바퀴형을 기존 산업용 이동 로봇의 안전 기준과 고객 환경에 맞추려는 설계로 설명하고, 이족형은 복잡한 환경에서 적응성과 보행 신뢰성을 발전시키는 구성으로 설명한다. 이는 설계 의도이며 인증 완료의 증거는 아니다. [8]

반석은 여기서 같은 핵심 기술을 서로 다른 도입 조건에 맞춰 시험하는 선택을 읽는다. 평탄한 작업장에서 바퀴형으로 데이터를 모으는 것과, 보행이 필요한 환경을 시험하는 것은 개발 난이도와 얻는 정보가 다를 수 있다.

그러나 두 구성을 보유한 사실만으로 재사용이 잘된다고 결론 내릴 수는 없다. 구성별 조정이 계속 분리되는지, 한 구성에서 해결한 조작 문제가 다른 구성에도 적용되는지를 봐야 한다. 고객 접근성을 높이려는 선택과 학습의 범위를 넓히려는 선택은 동시에 존재할 수 있다.

제조의 개선과 작업의 개선은 다른 경로로 이동한다

자빌 협력의 중요한 특징은 생산과 사용 경험을 가까이 놓을 가능성이다. 현장에서 반복되는 기구 고장이 제조·설계 변경으로 돌아오면, 이후 생산되는 로봇의 신뢰성을 높일 수 있다. 반면 특정 부품을 집는 실패를 제어 정책이나 모델 업데이트로 해결했다면, 그 개선은 몸체의 생산 공정을 바꾸지 않고도 다른 로봇에 적용될 수 있다. 이 두 경로는 협력 구조에서 도출한 가설이다.

둘을 구분하면 무엇이 좋아졌는지 더 정확하게 읽을 수 있다. 조립 시간이 줄고 출하가 늘어나는 것은 제조의 성과다. 다른 고객의 작업을 구현하는 데 필요한 시간과 인력이 줄어드는 것은 배포의 성과다. 하나의 성공이 다른 하나를 자동으로 입증하지 않는다.

또한 제조와 현장 학습이 직접 연결되지 않아도 공통 하드웨어, 표준 작업, 외부 모델의 발전으로 배포가 쉬워질 수 있다. 반대로 둘을 긴밀하게 연결해도 고객마다 환경과 품질 요구가 크게 다르면 맞춤 개발은 많이 남을 수 있다.

따라서 자빌의 생산 규모만으로 앱트로닉의 반복 배포 능력을 평가하기는 어렵다. 생산과 시험이 가까운 구조가 실제로 어떤 문제를 더 빨리 해결하는지까지 관측해야 한다.

모델의 발전은 기회와 차별화 조건을 함께 바꾼다

딥마인드가 공개한 동일 체크포인트 적용 결과는 재사용이 로봇 회사의 현장 운영뿐 아니라 모델 계층에서도 일어날 수 있다는 구체적 단서다. 이 결과가 앱트로닉의 데이터가 다른 기업으로 이전됐다는 뜻은 아니며, 공개되지 않은 학습 데이터의 구성이나 권리를 추정해서도 안 된다.

이 기술적 가능성은 앱트로닉에 유리할 수 있다. 외부 모델의 범용성이 높아지면 자체적으로 다시 개발해야 하는 작업이 줄어들 여지가 있다. 동시에 비슷한 개선을 다른 로봇 구성에서도 이용할 수 있다면, 모델이 수행하는 동작만으로 차별성을 설명하기는 어려워진다. 실제 접근 조건과 성능 차이는 따로 확인할 사항이다.

그때 앱트로닉이 확보할 수 있는 가치는 모델 외부에도 있다. 고객의 품질 기준에 맞춰 몸체와 제어를 결합하고, 문제가 생겼을 때 원인을 구분하며, 변경 후에도 작업을 안정적으로 공급하는 능력이다. Artemis와 Fleet Connect의 공개 기능은 이런 역할을 지향하는 단서이지만, 그 역할로 이익을 확보했다는 증거는 아니다.

외부 모델과 제조사를 활용하는 통합 기업도 높은 가치를 만들 수 있다. 무엇을 모두 직접 소유했는가보다, 고객이 누구에게 결과를 맡기고 비용을 지불하는지, 그 책임을 감당하는 비용이 얼마인지가 중요하다.

재사용과 이익의 귀속을 두 축으로 본다

현장 경험이 축적되는 정도와 앱트로닉의 경제적 성과는 함께 움직일 수도, 따로 움직일 수도 있다. 아래는 가능한 사업 상태이며 현재 실적을 분류한 표가 아니다. 작업군과 고객군마다 다른 상태가 동시에 나타날 수 있다.

표를 좌우로 움직여 전체 내용을 볼 수 있습니다.

이 구분은 데이터를 보유하면 유리하다는 설명보다 엄격하다. 재사용이 늘어도 그 절감분이 고객 가격 인하나 파트너 수수료로 주로 배분되면 앱트로닉의 이익 증가는 제한될 수 있다. 반대로 맞춤 개발이 많더라도 고객이 충분히 지불하고 범위와 책임이 관리된다면 수익성 있는 사업이 가능하다.

실패 조건과 평가 기록은 두 축에 영향을 미치는 자산이다. 그것이 풍부하다는 이유만으로 더 높은 사업 단계에 있다고 볼 수는 없다. 다른 현장에서 사용할 수 있는지, 사용할 권리가 있는지, 고객이 인정하는 성능으로 연결되는지를 함께 봐야 한다.

현재 공개 자료에서는 협력의 방향과 같은 모델의 여러 로봇 구성 적용을 확인할 수 있다. 고객별 지원 원가, 재사용 권리, 가격과 보증 부담은 충분히 확인되지 않았다. 따라서 기술을 개선할 구조는 관측되지만, 그 구조가 앱트로닉의 반복 수익으로 이어졌다는 판단은 아직 열려 있다.

부품 키트 구성 한 작업으로 가설을 시험한다

추상적인 확장성을 살펴보는 기준 사례로, 자빌 발표가 시험 대상으로 제시한 키팅을 택할 수 있다. 정해진 부품과 수량을 한 세트로 모으는 작업이다. 다음은 검증 방법을 설명하기 위한 예시이며 실제 고객의 측정 결과가 아니다.

비교할 때는 부품 종류와 형태, 용기와 배치의 변동, 이동 거리, 요구 처리량과 품질 기준을 먼저 맞춘다. 같은 세대·구성의 로봇을 기준으로 하되 모델 버전과 현장 개조, 소프트웨어 변경을 기록한다. 모두를 동일하게 만들 수 없다면 달라진 조건을 공개하고 판단 범위를 좁혀야 한다.

확인할 결과는 서로 구분된다.

• 제조: 같은 하드웨어 개정판에서 조립·재작업 시간과 현장 고장이 줄었는가. 생산량이나 설계 변경 효과는 따로 표시한다.
• 현장 이전: 유사한 후속 현장에서 고객 검수까지의 시간, 전체 엔지니어 투입, 현장 개조 부담이 줄었는가.
• 운영: 합의한 기간 전체에서 품질을 충족한 키트 수, 처리 속도와 중단 시간이 어떻게 변했는가. 현장·원격 조작, 감독, 실패·복구와 유지보수에 필요한 인력을 함께 센다.
• 사업: 절감된 비용이 가격과 매출, 모델·제조 비용, 지원·보증 부담을 거친 뒤 앱트로닉에 얼마나 남는가.

운영 인력 부담을 키트당으로 표시한다면, 성공한 작업에 쓴 시간만 세면 안 된다. 해당 운영에 배분되는 전체 인력 시간을 품질 기준을 통과한 키트 수로 나누고, 검수 전 개발비와 현장 개조비는 별도로 기록해야 한다. 합격 산출물이 없다면 비율을 만들지 말고 투입 시간과 실패를 그대로 보고한다. 인력 부담이 낮아져도 설비와 연산 비용을 포함한 총비용이 더 낮다는 뜻은 아니다.

연구용 Apollo 2에는 별도의 질문이 적용된다. 수집한 경험이 학습에 사용하지 않은 조건에서 성능을 개선하는지, 특정 현장의 조정에만 효과가 있는지를 본다. Apollo 3에는 그 개선이 새 몸체와 제어에서도 유지되는지, 이후 고객 검수와 운영 부담을 줄이는지를 확인해야 한다. 두 세대를 한 비용 곡선에 섞으면 학습 투자와 상용 운영을 혼동하게 된다.

무엇이 확인되면 판단을 바꿀 것인가

반석이 우선 확인할 신호는 유사한 작업을 다른 현장에 옮길 때 반복되는 추가 작업의 감소다. 하나의 현장에서 해결한 문제가 다른 현장에도 적용되고, 비슷한 조건에서 개발·개입 부담이 줄어든다면 공통 능력이 축적된다는 가설이 강해진다.

다만 같은 시점에 외부 모델, 하드웨어와 작업 환경이 모두 바뀌었다면 원인을 나눠야 한다. 가능하면 동일 모델 버전에서 앱트로닉의 현장 개선 전후를 비교하거나, 같은 평가 과제에서 모델 변경 효과를 따로 본다. 이런 비교가 없으면 결합된 시스템의 개선으로 판단하고 앱트로닉 단독의 기여로 계산하지 않는다.

충분한 도입 경험이 쌓인 상용 제품에서도 유사 작업마다 재개발이 계속되고, 전체 지원 부담이 낮아지지 않는다면 반복 배포의 가설은 약해진다. 기술적 재사용이 확인돼도 해당 작업·고객군의 반복 공급에서 제조·모델·지원·보증 원가가 관련 매출을 지속적으로 웃돈다면, 재사용이 사업의 이익으로 연결된다는 가설을 다시 봐야 한다. 공개 정보가 부족한 상태와 실제로 성과가 나쁜 상태는 구분한다.

이 관점은 다음 고객을 평가하는 질문도 바꾼다. 고객 수와 예상 출하량에 더해, 그 현장에서 해결할 문제가 다른 고객에게도 반복되는지, 그 해결책을 다시 활용할 수 있는지, 후속 공급에서 비용과 수익이 어떻게 달라지는지를 검토하게 된다.

앱트로닉과 자빌의 협력에서 살펴볼 것은 생산량과 데이터량을 잇는 더 긴 과정이다. 경험이 다음 제품과 현장으로 옮겨지고, 고객이 받아들일 작업으로 검증되고, 그 일을 계속 공급할 이익이 남는 과정이다.

첫 현장에서 배운 것이 다음 현장의 부담을 얼마나 줄이고, 그 가치를 누가 계속 확보하는가. 이 두 질문을 함께 추적할 때 로봇의 발전과 로봇 기업의 경쟁력을 구분해 읽을 수 있다.

2026년 10월 3일 확인한 공개 자료에 근거한 독립 분석이다. 앱트로닉·자빌의 의뢰로 작성한 글이 아니며, 시나리오와 비교 기준은 반석의 분석이다. 공개되지 않은 운영 수익성이나 계약 권리를 확인한 결과는 아니다.