스마트팩토리아 · 제조 피지컬 AI

피지컬 AI, 우리 공장에 들어오면 무엇이 달라질까

기존 로봇과의 차이와 현실적인 적용 순서

로봇은 이미 있는데, 피지컬 AI는 무엇이 다를까

최근 제조 관련 세미나나 지원사업 설명회에 가면 "피지컬 AI"라는 말을 빠지지 않고 듣게 됩니다. 그런데 현장 담당자 입장에서는 이런 질문이 먼저 떠오릅니다. 우리 라인에도 이미 용접 로봇과 이송 로봇이 돌아가고 있는데, 거기에 AI를 붙이면 피지컬 AI가 되는 것이냐는 질문입니다.

이 글에서는 피지컬 AI가 제조현장에 들어왔을 때 실제로 바뀌는 지점을 정리합니다. 개념 비교에서 그치지 않고 국내 공개 사례, 비용 구조, 안전 기준, 먼저 시도한 현장에서 드러난 점검 포인트, 그리고 중소 제조기업이 밟을 수 있는 실행 순서까지 차례로 살펴봅니다.

1. 피지컬 AI란 무엇인가 — 시키는 대로 움직이던 기계가 보고 판단하기 시작한다

피지컬 AI는 가상 공간의 데이터만 다루던 AI를 현실의 물리적 장치와 결합한 개념입니다. 화면 속에서 답을 내는 데서 끝나지 않고, 로봇 팔이나 이동 로봇, 생산 설비 같은 "몸"을 통해 현실 세계에 직접 작용한다는 점이 핵심입니다.

국제로봇연맹(IFR)은 2026년 로봇 산업의 첫 번째 흐름으로 AI 기반 자율화를 꼽으면서, 이를 이끄는 AI를 세 갈래로 나눠 설명합니다. 이 구분을 알아두면 공급사 제안서를 읽을 때 어떤 AI를 말하는지 가려내기가 한결 쉬워집니다.

• 분석형 AI: 대량의 데이터에서 패턴을 찾아 고장 징후를 미리 예측하거나 물류 경로와 자원 배분을 계획합니다.
• 생성형 AI: 규칙 기반 자동화를 넘어 시뮬레이션으로 학습 데이터를 만들고, 로봇이 새로운 작업을 스스로 익히게 합니다. 자연어나 시각 신호로 로봇에 지시하는 새로운 상호작용도 가능해집니다.
• 에이전트형 AI: 분석형의 구조화된 판단력과 생성형의 적응력을 결합해, 복잡한 실제 환경에서 로봇이 독립적으로 작업하도록 하는 방향입니다.

정부도 같은 방향을 제시하고 있습니다. 산업통상부가 2026년 6월 공개한 "제조AI 2030 전략"은 물리법칙을 반영한 AI 모델, 공정 안 이종 장비와 로봇 간 연계, 물류·공급망 최적화를 제조 피지컬 AI의 원천 기술로 보고, 이를 바탕으로 AI와 로봇이 협업해 자율 운영되는 "풀스택 AI팩토리"를 구현하겠다는 계획을 담았습니다.

기존 자동화와 무엇이 다른가

같은 로봇 팔이라도 동작을 정하는 방식에 따라 적용 범위와 준비 과정이 크게 달라집니다. 아래 표는 현장에서 흔히 혼동하는 세 가지 단계를 비교한 것입니다.

2. 제조현장에서 실제로 달라지는 다섯 가지

그렇다면 피지컬 AI가 들어온 라인에서는 일하는 방식이 어떻게 바뀔까요. 기술 사양보다 현장 운영 관점에서 체감되는 변화를 다섯 가지로 정리했습니다.

로봇을 가르치는 방식

지금까지는 숙련된 엔지니어가 티칭 펜던트로 경로를 하나씩 입력했습니다. 피지컬 AI 환경에서는 가상 공간에서 수많은 동작을 미리 학습시키고, 현장에서는 이를 보정하는 방식으로 무게중심이 옮겨갑니다.

• 품목이 바뀔 때마다 처음부터 다시 티칭하던 부담이 줄어듭니다.
• 대신 시뮬레이션과 현실 사이의 차이를 줄이는 보정 작업이 새로운 업무로 생깁니다.

다룰 수 있는 작업의 범위

고정 자동화는 부품의 모양과 놓인 위치가 일정해야 제대로 작동합니다. 피지컬 AI는 형상이 제각각인 부품, 무작위로 쌓인 자재, 매번 조금씩 다른 용접선처럼 그동안 사람 손에 남아 있던 "비정형 작업"을 대상으로 삼습니다.

• 다품종 소량 생산 라인에서 자동화 검토 대상이 넓어집니다.
• 지그와 정렬 장치에 들던 비용 일부를 로봇의 인식 능력으로 대신할 여지가 생깁니다.

설비와 시스템이 연결되는 방식

IFR은 정보기술(IT)의 데이터 처리 능력과 운영기술(OT)의 물리적 제어 능력이 합쳐지면서 로봇의 활용 폭이 넓어지고 있다고 설명합니다. 로봇이 단독 설비로 존재하던 구조에서, MES·품질 시스템·상위 AI와 실시간으로 데이터를 주고받는 구조로 바뀐다는 뜻입니다.

• 로봇 한 대의 성능보다 데이터가 끊기지 않고 흐르는 구조가 더 중요해집니다.
• 네트워크 지연과 보안이 생산 품질에 직접 영향을 주는 요소가 됩니다.

숙련 노하우가 남는 방식

숙련자의 감각은 그동안 문서로 남기기 어려운 영역이었습니다. 정부는 제조데이터와 숙련자의 노하우를 축적하고 활용하는 일을 풀스택 AI 팩토리 구현의 기반으로 강조하고 있습니다.

• 작업 영상, 힘·토크 값, 판단 기록이 곧 회사의 자산이 됩니다.
• 숙련자의 역할이 직접 작업에서 데이터를 만들고 결과를 검수하는 일로 넓어집니다.

안전을 관리하는 방식

정해진 경로만 움직이는 로봇은 방호 펜스와 인터록만으로도 위험을 상당 부분 통제할 수 있었습니다. 스스로 경로를 바꾸는 로봇은 모든 동작을 사전에 예측하기 어렵기 때문에, 시험·검증과 사람의 감독이 훨씬 중요해집니다. 이 부분은 뒤의 안전 항목에서 자세히 다룹니다.

3. 숫자로 보는 흐름 — 세계 로봇 시장과 국내 정책의 방향

피지컬 AI는 갑자기 등장한 유행어가 아닙니다. 로봇 보급이 꾸준히 늘어난 토대 위에 AI 기술이 얹히면서 자동화의 범위가 넓어지는 흐름입니다.

IFR이 2026년 9월 발표한 보도자료에 따르면, 2025년 전 세계 공장에서 가동 중인 산업용 로봇은 전년보다 9% 늘어난 500만 대로 사상 최고치를 기록했습니다. 같은 해 새로 설치된 로봇은 60만 대 이상으로 11% 증가했고, IFR은 연간 설치량이 2026년 65만 5천 대, 2029년 80만 6천 대까지 늘어날 것으로 내다봤습니다.

IFR은 이 전망의 배경으로 AI, 머신비전, 센싱 기술의 발전이 로봇의 능력을 키우고, 더 쉬워진 프로그래밍과 시스템 통합이 도입 비용을 낮추고 있다는 점을 들었습니다. 피지컬 AI가 겨냥하는 지점이 바로 여기입니다.

한국은 2025년 3만 대를 설치해 세계 4위 시장 자리를 지켰습니다. 연간 설치량은 2019년 이후 3만 1천 대 안팎에서 옆걸음을 해 왔으며, IFR은 자동차 산업의 신규 투자가 2027~2028년에 반영되면서 2027년부터 이 흐름이 깨지고 수요가 늘 수 있다고 봤습니다.

4. 국내 공개 사례 — 자율용접과 무인 자율제조에서 확인된 변화

산업통상부는 2026년 8월, AI팩토리 선도 프로젝트로 지원한 170여 개 사업장 가운데 일찍 착수해 성과가 나타나기 시작한 42개 사업장을 점검한 결과를 발표했습니다. 이들 사업장에서 생산성은 평균 30.1% 높아졌고, 불량률은 평균 15.5% 낮아졌습니다.

이 중 피지컬 AI의 성격이 뚜렷한 사례는 로봇과 설비가 스스로 판단해 작업하는 영역입니다.

두 사례에서 눈여겨볼 부분은 대상 공정입니다. 조선 용접은 부재마다 형상과 용접선이 달라 오랫동안 숙련자 의존도가 높았던 작업이고, 배터리 제조는 검사 기준이 까다로운 공정입니다. 피지컬 AI가 "반복은 많지만 매번 조금씩 다른 작업"에서 힘을 발휘한다는 점을 보여줍니다.

5. 비용 구조 — 로봇 가격보다 데이터와 통합 비용을 먼저 봐야 한다

피지컬 AI 검토에서 가장 흔한 오해는 "AI가 탑재된 로봇을 사면 끝난다"는 생각입니다. 실제 비용은 장비 구입보다 데이터를 만들고, 시스템을 잇고, 결과를 검증하는 과정에서 더 많이 발생하는 경우가 많습니다.

IFR이 휴머노이드 로봇에 대해 짚은 기준도 비용 판단에 그대로 적용됩니다. 기존 자동화와 경쟁하려면 사이클 타임, 에너지 소비, 유지보수 비용에서 산업 현장의 높은 요구를 충족해야 한다는 것입니다. 피지컬 AI 역시 "할 수 있다"가 아니라 "기존보다 경제적으로 할 수 있다"를 증명해야 합니다.

6. 안전과 규격 — 스스로 판단하는 로봇일수록 검증은 더 어려워진다

IFR은 AI 기반 자율성이 안전 환경을 근본적으로 바꾸고 있으며, 그 결과 시험과 검증, 사람의 감독이 훨씬 복잡해지는 동시에 더 필요해진다고 강조합니다. 로봇이 상황에 따라 경로를 바꾼다면, 설계 단계에서 모든 동작을 미리 확인하는 기존 방식만으로는 부족해지기 때문입니다.

기존 로봇 안전 규격이 출발점이다

산업용 로봇의 안전은 국제표준 ISO 10218을 중심으로 설계됩니다. 이 표준은 로봇 자체의 안전 기능과, 로봇을 라인에 설치하는 시스템 통합 단계의 요구사항을 함께 다루며 사람과 로봇이 같은 공간에서 일하는 협동 작업의 조건도 포함합니다.

• 국내에서도 방호 울타리 없이 사람과 로봇이 공간을 공유하려면, 협동로봇 기준을 충족하거나 위험성평가로 안전성을 확인하는 등의 조건을 갖춰야 합니다.
• 피지컬 AI 로봇이라고 예외가 생기지는 않으며, 기존 기준을 먼저 충족한 뒤 AI 특성에 맞는 검증을 더하는 순서가 기본입니다.

AI가 더하는 새로운 위험

IFR은 AI 적용과 IT·OT 융합이 확산되면서 안전과 보안 문제가 함께 커지고 있다고 지적합니다. 현장에서 특히 챙겨야 할 부분은 다음과 같습니다.

7. 먼저 시도한 현장에서 나온 점검 포인트

피지컬 AI는 아직 확산 초기 단계라 실패 사례가 체계적으로 공개된 경우가 많지 않습니다. 대신 정부 발표와 국제기관 자료가 반복해서 강조하는 조건을 거꾸로 읽으면, 어디서 막히기 쉬운지가 드러납니다.

• 시연과 양산은 다릅니다. 시연에서 성공한 동작도 실제 사이클 타임과 장시간 연속 운전에서 같은 성능이 나오는지 확인해야 합니다.
• 데이터가 없으면 AI도 없습니다. 정부가 제조AI 2030 전략의 첫 번째 핵심 과제로 제조데이터 관리를 둔 것도, 현장 데이터가 모든 AI 적용의 출발점이라는 뜻으로 읽을 수 있습니다.
• 현장 데이터로 검증해야 합니다. 정부는 AI가 현장 데이터 기반 검증을 거쳐 정확한 추론 결과를 내야 제조현장에서 쓰일 수 있다고 밝혔습니다.
• 작업자를 빼고 진행하면 멈춥니다. IFR은 로봇 도입 과정에서 직원과의 긴밀한 협력이 현장 수용성을 높이는 핵심이라고 강조합니다.
• 보안을 나중에 붙이면 비용이 커집니다. 네트워크 연결을 전제로 하는 만큼 설계 단계부터 보안 구조를 넣어야 합니다.

8. 기존 자동화와 섞어 쓰는 방식 — 전면 교체보다 구간 결합

현실적인 출발점은 라인 전체를 피지컬 AI로 바꾸는 것이 아니라, 기존 자동화가 잘 돌아가는 구간은 그대로 두고 사람 손에 남아 있던 구간에만 AI를 결합하는 방식입니다. 대표적인 운영 형태는 세 가지입니다.

이런 혼합 운영은 투자 위험을 나누고, 병행 운영 기간의 생산 손실을 줄이며, 내부 인력이 AI 운영에 익숙해질 시간을 벌어준다는 장점이 있습니다.

9. 단계적 실행 순서 — 어디서부터 시작할까

정부 전략이 기초, 고도화, 확산의 순서를 제시한 것처럼 개별 공장도 단계를 밟는 편이 안전합니다. 중소 제조현장 기준으로 정리하면 다음과 같습니다.

1. 대상 공정 고르기: 사람이 반복하지만 매번 조금씩 다른 작업, 숙련자 의존도가 높은 작업을 후보로 추립니다.
2. 현재 수준 측정하기: 사이클 타임, 불량률, 작업자 투입 시간을 먼저 기록합니다. 비교 기준이 없으면 효과를 말할 수 없습니다.
3. 데이터 쌓기: 작업 영상, 설비 신호, 숙련자의 판단 기록을 일정 기간 모읍니다.
4. 작게 검증하기: 셀 하나나 품목 하나에서 사람 확인을 전제로 시범 운영합니다.
5. 안전·보안 확정하기: 위험성평가와 네트워크 보안 구조를 확정한 뒤 운영 범위를 넓힙니다.
6. 확장 판단하기: 측정 기준 대비 효과가 확인된 공정부터 인접 공정으로 넓혀 갑니다.

10. 도입 전 자가진단 체크리스트

아래 항목 가운데 "아니오"가 많다면 로봇 선정보다 데이터와 운영 기반을 먼저 다지는 것이 순서입니다.

피지컬 AI의 시작점은 새 로봇이 아니라 우리 공장의 데이터다

피지컬 AI는 로봇이 정해진 동작을 반복하던 자동화에서, 상황을 인식하고 스스로 동작을 조정하는 자동화로 넘어가는 변화입니다. 그 결과 로봇을 가르치는 방식, 다룰 수 있는 작업의 범위, 시스템 연결 구조, 숙련 노하우가 남는 방식, 안전 관리 방식이 함께 달라집니다.

국내에서도 자율용접과 무인 자율제조처럼 현장 성과가 공개되기 시작했지만, 그 성과는 대상 공정을 잘 고르고 데이터를 쌓고 검증 기간을 견딘 결과입니다. 비용은 장비보다 데이터·통합·병행 운영에서 더 크게 발생하고, 안전은 기존 규격 위에 AI 특유의 검증과 보안을 더해야 합니다.

본 게시물은 AI 어시스턴트를 활용하여 초안을 작성하고 편집자의 검수를 거쳤습니다. 타 기업명 및 영업 기밀 보호를 위해 본문 중 일부 고유명사는 익명화(A/B) 처리되었습니다.