728x90

AI를 공장에 붙인다는 얘기를 하면 보통 모델 얘기부터 한다. 정확도가 얼마냐, 어떤 알고리즘을 쓰느냐. 그런데 현장에서 AI 프로젝트가 멈추는 지점은 의외로 모델이 아니라, 그 모델이 데이터를 가져오는 길목인 경우가 많다. AI를 OT망에 연결하는 순간, 지금까지 닫혀 있던 설비 네트워크가 외부와 닿기 시작한다.

7년차 현장 엔지니어로서, AI 도입 검토에서 가장 먼저 확인해야 할 건 모델 성능이 아니라 "이 AI가 어느 망을 타고, 어디까지 닿는가"다. 성능 좋은 모델도, 뚫린 네트워크 위에서는 현장의 리스크가 된다.

1. 첫 번째 구멍 — 평평한 네트워크, 경계가 없는 현장

많은 공장의 OT망은 사실상 하나의 평평한 네트워크다. PLC, 센서, HMI, MES 서버가 같은 구간에 있고, 한 번 들어오면 어디든 갈 수 있는 구조다. 사무망(IT)과도 방화벽 하나로만 나뉘어 있는 경우가 많다.

AI를 붙이면 이 구조에 구멍이 하나 더 생긴다. AI 서버가 데이터를 읽으려면 PLC와 센서에 닿아야 하고, 학습을 위해 클라우드로 데이터를 보내려면 외부로 나가는 길이 필요해진다. 그 길이 곧 진입로가 된다. 그래서 먼저 할 일은 망을 나누는 것이다. 설비 제어 구간, 데이터 수집 구간, AI 분석 구간을 나누고, 구간 사이에는 꼭 필요한 통신만 허용하는 규칙을 둔다. 거창한 보안 솔루션이 먼저가 아니라, "이 구간에서 저 구간으로 가는 통신은 이것만 된다"는 목록 한 장이 먼저다.

2. 두 번째 구멍 — 기본값 그대로인 장비와 계정

현장에서 흔히 보는 게 기본 비밀번호 그대로인 PLC, HMI, 게이트웨이다. 설치할 때 편하려고 그대로 두고, 나중에 바꿀 타이밍을 놓친 경우다. AI 프로젝트로 새 장비를 붙일 때 같은 실수를 반복하면, 새로 뚫린 연결이 곧바로 가장 약한 고리가 된다.

또 하나는 계정이다. AI 서버용 계정에 필요 이상의 권한이 들어가 있는 경우가 많다. 데이터 읽기만 하면 되는데, 설비 제어 권한까지 같이 들어간 식이다. 권한은 "읽기만"으로 시작하는 게 원칙이다. AI가 설비를 직접 건드려야 한다면 그건 별도의 검토를 거쳐, 별도의 계정과 별도의 승인 절차로 나눠야 한다. 권한이 넓을수록, 한 번의 실수가 미치는 범위가 커진다.

3. 세 번째 구멍 — 누가 들어왔는지 모르는 현장

망을 나누고 계정을 정리해도, 누가 언제 들어왔는지 기록이 없으면 사고가 난 뒤에야 알게 된다. OT망은 로그를 남기지 않는 장비가 많고, 남기더라도 아무도 들여다보지 않는 경우가 많다.

그래서 뭘 하면 되나 — 거창한 관제 시스템부터 들일 필요는 없다. 먼저 세 가지만 정해두자. 첫째, AI 서버와 게이트웨이의 접속 기록을 한 곳에 모으는 것. 둘째, 평소와 다른 접속 — 새벽 시간의 접속, 처음 보는 주소에서의 접속 — 을 알아챌 기준 한 줄. 셋째, 이상을 발견했을 때 누구에게 연락하고, 어느 구간을 먼저 끊을지 정해두는 것. 기록이 있으면 사고 뒤에 원인을 찾을 수 있고, 기준이 있으면 사고를 키우기 전에 멈출 수 있다.

그래서 뭘 하면 되나

AI 도입 검토표에 모델 정확도 옆에 보안 항목 세 줄을 추가해 보자. 망이 나뉘어 있는가, 계정 권한이 읽기 전용인가, 접속 기록을 모으고 있는가. 세 가지 중 하나라도 "아니오"라면, 그건 모델을 고를 단계가 아니라 네트워크를 정리할 단계다. AI가 현장에 들어오는 속도는 기술이 아니라, 그 기술을 안전하게 받을 준비가 정한다.

관련 글: 디지털트윈의 진짜 엔진은 데이터 수집이다(https://developer-archive.tistory.com/124), OPC UA 심화(https://developer-archive.tistory.com/136), MQTT 심화(https://developer-archive.tistory.com/151), 엣지 컴퓨팅 심화(https://developer-archive.tistory.com/157)

728x90
728x90
이 글은 '현장 AI 운영 노트' 시리즈의 열아홉 번째 글입니다. 1편에서는 매일 아침 AI의 건강을 보는 5분 점검표를, 2편에서는 그 점검표를 대시보드 하나로 만드는 법을, 3편에서는 경보가 울렸을 때 누가 어떤 순서로 움직이는지 조치 루틴을, 4편에서는 한 달 돌린 경보 루틴을 숫자로 리뷰하는 법을, 5편에서는 분기 리뷰로 재학습 여부를 정하는 기준을, 6편에서는 재학습한 모델을 현장에 내놓기 전 검증 3단계를, 7편에서는 배포한 뒤 새 모델의 성능을 현장에서 계속 추적하는 모니터링 루틴을, 8편에서는 이상 신호가 잡혔을 때 재학습·롤백·기준 수정 중 무엇을 고르는지 의사결정 기준을, 9편에서는 이상 신호 대응 기록을 다음 모델의 학습 데이터로 바꾸는 법을 다뤘습니다 (EP.1 https://developer-archive.tistory.com/175 · EP.2 https://developer-archive.tistory.com/180 · EP.3 https://developer-archive.tistory.com/184 · EP.4 https://developer-archive.tistory.com/190 · EP.5 https://developer-archive.tistory.com/195 · EP.6 https://developer-archive.tistory.com/200 · EP.7 https://developer-archive.tistory.com/205 · EP.8 https://developer-archive.tistory.com/210 · EP.9 https://developer-archive.tistory.com/215). 10편에서는 이렇게 쌓인 운영 기록을 팀 인수인계 자료로 바꾸는 법을, 11편에서는 도입 검토 단계부터 운영을 설계하는 법을, 12편에서는 운영 노트를 여러 라인으로 넓힐 때 기준을 맞추는 3가지 방법을, 13편에서는 여러 공장의 운영 노트를 한데 모으는 운영 대시보드를 만드는 법을, 14편에서는 분기마다 현장 AI의 '운영 건강'을 리뷰하는 법을, 15편에서는 분기 리뷰에서 정한 '바꿀 것 하나'를 현장에 적용하는 순서를, 16편에서는 분기마다 고친 것들이 쌓여 일 년 뒤 운영 노트가 어떻게 달라지는지를, 17편에서는 일 년 치 운영 노트를 내년 도입 검토에 반영하는 법을, 18편에서는 내년 도입 검토에서 정한 조건을 실제 도입 계획으로 옮기는 법을 다뤘습니다 (EP.10 https://developer-archive.tistory.com/220 · EP.11 https://developer-archive.tistory.com/233 · EP.12 https://developer-archive.tistory.com/238 · EP.13 https://developer-archive.tistory.com/243 · EP.14 https://developer-archive.tistory.com/251 · EP.15 https://developer-archive.tistory.com/256 · EP.16 https://developer-archive.tistory.com/263 · EP.17 https://developer-archive.tistory.com/268 · EP.18https://developer-archive.tistory.com/273). 이번 편에서는 파일럿 라인에서 한 달을 돌린 뒤, 그 결과를 보고 넓힐지 말지를 정하는 법을 다룹니다.

EP.18에서 도입 조건을 계획으로 바꿨다면, 이번 편은 그 계획의 첫 한 달이 끝난 뒤다. 파일럿 라인 하나에서 한 달을 돌렸다. 이제 넓힐지, 고칠지, 접을지를 정해야 한다. 이 결정이 어려운 이유는, 한 달이라는 시간이 길지도 짧지도 않기 때문이다. 숫자는 쌓였는데, 그 숫자가 "됐다"는 뜻인지 "아직"이라는 뜻인지 헷갈린다.

1. 한 달 전 정한 숫자와 비교한다 — 느낌이 아니라 기준과

EP.18에서 파일럿의 성공 기준은 도입 전에 숫자로 정해두었다. "한 달간 경보 건수·대응 시간·오판 건수가 이 숫자 안에 들면 넓힌다." 이제 그 숫자를 꺼낸다. 경보 건수는 기준 안에 들었는지, 대응 시간은 줄었는지, 오판은 몇 건이었는지.

여기서 함정은, 기준을 한 달 뒤에 바꾸는 것이다. "오판은 좀 많았는데, 그래도 경보는 줄었으니까" — 이렇게 기준을 그때그때 손대면, 파일럿은 실패할 수가 없는 시험이 된다. 기준은 한 달 전에 정한 그대로 둔다. 기준에 못 미쳤으면, 그건 실패가 아니라 "고칠 게 남았다"는 뜻이다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 파일럿 평가는 숫자를 모으는 일이 아니라, 한 달 전 정한 기준을 그대로 들이대는 일이다.

2. 숫자만 보지 않는다 — 운영 노트의 '이상한 일' 세 가지를 본다

숫자가 기준을 통과했다고 끝이 아니다. 운영 노트에 적힌 '이상한 일'을 본다. 첫째, 숫자에는 안 잡히지만 현장 사람이 불편해한 일 — AI 판정을 확인하러 매번 자리를 떠난다든가. 둘째, 한두 번뿐이라 숫자에서 묻혔지만, 다시 나면 라인이 서는 일 — 특정 조건에서만 터지는 오판 같은 것. 셋째, 파일럿 기간에만 통하고 넓히면 안 통할 일 — 파일럿 라인을 돌본 팀이 특별히 신경 썼기 때문에 나온 결과 같은 것.

이 세 가지는 경보 건수표에 안 나온다. 운영 노트에만 있다. 그래서 파일럿의 평가는 표 한 장이 아니라, 표 한 장 + 운영 노트 한 권이다.

3. 그래서 뭘 하면 되나 — 넓힐지 말지 결정표

결정은 세 가지 중 하나다. 넓힌다, 고쳐서 한 달 더 돌린다, 접는다. 넓히는 조건은 두 가지다. 기준 숫자를 통과했고, '이상한 일' 세 가지 중 넓히면 커질 게 없는 것. 고쳐서 더 돌리는 조건은, 기준은 아깝게 못 미쳤는데 원인이 분명한 경우다. 원인이 분명하면 고칠 수 있다. 접는 조건은, 기준도 못 미쳤고 원인도 안 보이는 경우다. 이럴 때 한 달 더 돌리면, 한 달 뒤에도 같은 결정을 다시 한다.

결정을 적을 때는 이유도 같이 적는다. "넓힌다 — 경보 건수 기준 통과, 대응 시간 20% 단축, 이상한 일 없음"처럼. 이 한 줄이 다음 파일럿의 기준이 된다.

파일럿 한 달의 결과가 좋았다고, 다음 라인도 같은 속도로 될 거라 믿으면 안 된다. 다음 편에서는 넓히기로 했을 때, 두 번째 라인에 옮기는 법을 다룹니다.

관련 글: 현장 AI 운영 노트 EP.1(https://developer-archive.tistory.com/175), EP.2(https://developer-archive.tistory.com/180), EP.3(https://developer-archive.tistory.com/184), EP.4(https://developer-archive.tistory.com/190), EP.5(https://developer-archive.tistory.com/195), EP.6(https://developer-archive.tistory.com/200), EP.7(https://developer-archive.tistory.com/205), EP.8(https://developer-archive.tistory.com/210), EP.9(https://developer-archive.tistory.com/215), EP.10(https://developer-archive.tistory.com/220), EP.11(https://developer-archive.tistory.com/233), EP.12(https://developer-archive.tistory.com/238), EP.13(https://developer-archive.tistory.com/243), EP.14(https://developer-archive.tistory.com/251), EP.15(https://developer-archive.tistory.com/256), EP.16(https://developer-archive.tistory.com/263), EP.17(https://developer-archive.tistory.com/268), EP.18(https://developer-archive.tistory.com/273), 데이터 드리프트(https://developer-archive.tistory.com/133), 모델 평가 현장 지표(https://developer-archive.tistory.com/164)

728x90
728x90

한국 제조업의 로봇밀도가 세계 1위를 지켰다. 국제로봇연맹(IFR)이 12일 발표한 '월드 로보틱스 2026' 보고서에 따르면, 한국 제조업의 로봇밀도는 근로자 1만명당 1,066대다. 세계 평균 152대의 약 7배에 달하는 숫자다. (출처: IFR '월드 로보틱스 2026', 2026-11-12)

1위라는 소식은 기분 좋다. 그런데 7년차 현장 엔지니어로서, 이 숫자에서 진짜로 봐야 할 건 순위가 아니라 그 다음이다. 로봇이 가장 많은 나라에서, 이제 경쟁이 어디로 옮겨가는가다.

1. 1,066대가 말하는 것 — 로봇과 함께 일하는 구조가 이미 자리 잡았다

로봇밀도 1,066대는 "로봇이 많다"는 얘기만은 아니다. 로봇과 사람이 같은 라인에서 함께 일하는 구조가 이미 일상이 됐다는 뜻이다. 로봇이 들어오면 사람이 빠지는 게 아니라, 사람의 일이 바뀐다. 로봇을 돌보고, 로봇이 멈췄을 때 원인을 찾고, 로봇의 판단을 검증하는 일이 사람의 일이 된다.

그래서 밀도가 높다는 건, 로봇을 운영하는 사람의 역할이 더 중요해졌다는 뜻이기도 하다. 로봇 1대당 담당자가 누구인지, 점검 루틴이 있는지, 정지 기준이 문서로 있는지가 현장의 실력이 된다. 로봇을 들이는 속도는 빨랐는데, 로봇을 운영하는 실력은 그 속도를 못 따라가면, 밀도 1위는 자랑이 아니라 리스크가 된다.

2. 밀도 1위의 다음 숙제 — 고장 한 번의 파급이 커진다

로봇이 많아질수록 고장 한 번, 정지 한 번의 파급도 커진다. 로봇 10대 라인이 멈추는 것과 로봇 100대 라인이 멈추는 것은 차원이 다르다. 그래서 운영 노트, 골든 데이터셋, 중단·롤백 판단법 같은 '운영'이 경쟁력이 되는 이유다. 로봇을 들이는 건 구매의 문제지만, 로봇을 계속 돌리는 건 운영의 문제다.

분기마다 고친 것들이 쌓여 일 년 뒤 운영 노트가 달라진다는 얘기를 EP.16에서 했다. 로봇밀도 1위인 나라의 현장이라면, 그 운영 노트의 무게가 더 무거워야 한다. 로봇이 많을수록, "왜 이 임계값이 이렇게 됐는지"를 묻지 않고도 알 수 있는 기록이 필요하다. 사람이 바뀌어도 현장이 돌아가게 만드는 노트, 그게 밀도 1위의 다음 숙제다.

3. 그래서 뭘 하면 되나 — 우리 라인의 로봇밀도부터 세어보자

오늘 당장 할 일은 단순하다. 우리 라인의 로봇이 몇 대인지, 근로자 몇 명당 로봇 몇 대인지 세어보자. 그리고 로봇 1대당 담당자·점검 루틴·정지 기준이 문서로 있는지 확인하자. 숫자를 세는 게 목적이 아니다. 로봇이 많은 만큼, 그 로봇들을 운영하는 체계가 같은 속도로 갖춰져 있는지를 보는 게 목적이다.

한국 제조업이 로봇밀도 세계 1위인 건 사실이다. 이제 그 1위를 지키는 경쟁은 로봇을 더 들이는 속도가 아니라, 로봇을 더 잘 운영하는 실력에서 갈릴 것이다.

관련 글: 현장 AI 운영 노트 EP.16(https://developer-archive.tistory.com/263), AI가 '멈춰'라는데 PLC는 '돌아가'라 한다(https://developer-archive.tistory.com/261), AI를 '끄기로' 결정할 때가 더 어렵다(https://developer-archive.tistory.com/265)

728x90
728x90

현장 AI가 돌아가는데, 현장 사람들이 안 쓰는 경우가 있다. 모델 정확도는 괜찮고, 대시보드도 떴다. 그런데 아침 점검 때 아무도 그 화면을 안 본다. 불량 판정은 여전히 눈으로 하고, 경보는 울려도 예전 방식으로 대응한다. 도입은 됐는데, 쓰이지는 않는 상태다.

7년차 현장 엔지니어로서, 이럴 때 문제는 모델 성능이 아니다. 설명 가능성(#222)이 이유를 설명하는 문제라면, 채택은 그 다음 문제다. 이유를 알아도, 쓰지 않으면 현장 AI는 죽은 것이다. 채택을 가르는 건 세 가지다.

1. 기존 작업 흐름에 안 박혀 있다 — '또 하나 볼 화면'이 되면 안 쓴다

현장 사람의 하루는 이미 정해져 있다. 아침 점검, 라인 순회, 이상 대응, 교대 인수인계. AI가 이 흐름 밖에 '또 하나 볼 화면'으로 서 있으면, 바쁜 날일수록 제일 먼저 빠진다. 대시보드를 따로 켜야 하고, 판정을 확인하러 따로 가야 하면, 그 AI는 업무가 아니라 숙제가 된다.

그래서 첫 질문은 "이 AI의 답이, 지금 하는 일의 어느 단계에 들어가는가"다. 경보 대응 루틴(EP.3)의 첫 단계에 AI 판정이 들어가 있는지, 인수인계표에 AI가 본 이상 신호 한 줄이 들어가는지. 흐름 안에 들어가지 못한 AI는, 아무리 정확해도 현장의 일이 되지 않는다.

2. 틀렸을 때 되돌릴 방법이 없다 — 한 번 속으면 다시 안 믿는다

검사 임계값 편(#272)에서 봤듯, AI는 틀릴 수 있다. 문제는 틀리는 것 자체가 아니라, 틀렸을 때 현장 사람이 할 수 있는 일이 없는 경우다. "AI가 불량이라는데, 내 눈엔 정상 같은데" — 이럴 때 되돌릴 방법, 그러니까 판정을 보류하고 사람을 부르는 버튼 하나가 없으면, 현장 사람은 다음부터 AI를 무시하는 쪽을 택한다. 한 번 속은 경험이, 열 번 맞은 기록보다 오래 간다.

그래서 AI를 들일 때 같이 정해야 할 건 '되돌림'이다. AI 판정에 이의를 제기하는 방법, 판정을 보류하는 권한이 누구에게 있는지, 보류된 건이 다음 학습 데이터로 어떻게 들어가는지. 되돌릴 수 있는 AI라야, 현장 사람은 안심하고 쓴다.

3. 잘 쓴 사람에게 돌아가는 게 없다 — 쓰는 사람이 손해 보면 안 쓴다

마지막은 제일 조용한 이유다. AI를 열심히 쓰는 사람이, 오히려 일이 늘어나는 경우다. 판정을 일일이 확인하고, 오판은 따로 기록하고, 보고는 두 번 하는 식이다. AI가 편해져야 할 사람이 불편해지면, 그 사람은 조용히 예전 방식으로 돌아간다. 누구도 "AI 안 쓴다"고 말하지 않지만, 현장은 그렇게 바뀐다.

그래서 도입 검토표에 한 줄을 추가하자. "이 AI를 쓰는 사람의 일이, 전보다 줄어드는가." 줄어들지 않으면, 그건 도입이 아니라 일 떠넘기기다. 쓰는 사람의 하루가 가벼워져야, AI는 현장에 남는다.

그래서 뭘 하면 되나 — 이번 주에 확인할 세 가지

첫째, 우리 AI의 답이 지금 작업 흐름의 어느 단계에 들어가는지, 단계 이름까지 적어보자. 둘째, AI 판정에 이의를 제기하고 보류하는 방법이 문서로 있는지 확인하자. 셋째, AI를 쓰는 사람의 일이 전보다 줄었는지, 그 사람에게 직접 물어보자.

모델이 잘 도는 것과, 현장에서 쓰이는 것은 다른 일이다. 채택은 정확도 다음의 과제이고, 그 과제를 푸는 건 모델이 아니라 현장의 흐름이다.

관련 글: AI가 '왜 불량이라 했는지' 설명 못하면 현장에서 안 쓴다(https://developer-archive.tistory.com/222), AI가 '정상'이라 했는데 불량이 나갔다(https://developer-archive.tistory.com/272), 현장 AI 운영 노트 EP.3(https://developer-archive.tistory.com/184)

728x90
728x90

보스턴다이나믹스의 휴머노이드 '아틀라스'가 자동차 공장을 나와 반도체 공장으로 간다. 보스턴다이나믹스는 17일(현지 시간) 글로벌 반도체 기업 글로벌파운드리와 협력을 확대한다고 18일 밝혔다. 글로벌파운드리는 자동차 산업 밖에서 아틀라스를 검증하는 첫 고객이자, 휴머노이드 테스트에 나서는 첫 반도체 제조기업이 된다. (출처: 연합뉴스, 2026-11-18)

현장 테스트는 2027년 초 글로벌파운드리의 주요 사업장에서 시작된다. 다만 이 발표에서 가장 중요한 부분은 따로 있다. 아틀라스가 반도체 공장에서 '일을 시작한다'는 얘기가 아니라, '어떤 일을 할 수 있는지부터 찾겠다'는 얘기라는 점이다.

1. 먼저 한 건 스팟의 4년 — 9만 번의 검사가 아틀라스의 입장권을 만들었다

아틀라스가 반도체 공장에 갈 수 있었던 건, 그 전에 스팟이 먼저 갔기 때문이다. 4족 보행 로봇 스팟은 글로벌파운드리 공장에서 4년 넘게 돌아왔다. 2026년 4월 이후로만 서브팹 구역에서 9만 번이 넘는 검사를 했고, 임무 성공률은 99%다. 두 대의 스팟이 이동한 거리는 900km에 가깝다.

이 숫자가 말하는 건 단순하다. 로봇 도입은 '한 번 들여놓는 일'이 아니라, 작은 로봇이 먼저 현장을 증명하고 그 다음에 큰 로봇이 들어가는 순서라는 것이다. 스팟이 없었다면, 아틀라스는 반도체 공장의 문턱을 넘지 못했을 것이다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 휴머노이드 도입의 첫 단추는 휴머노이드가 아니라, 그 전에 현장을 증명한 작은 로봇이다.

2. 아틀라스는 '투입'이 아니라 '검증'부터 — 할 일을 찾는 게 첫 단계

발표문을 그대로 읽으면, 2027년 초부터 하는 일은 세 가지다. 반도체 현장에서 휴머노이드가 할 수 있는 일을 발굴하고, 투입에 필요한 조건과 고객의 요구를 확인하고, 후보 작업에 대한 초기 테스트와 교육을 하는 것이다. 생산 라인에 바로 서는 게 아니다.

이 순서가 옳다. 반도체 팹은 휴머노이드에게 관대한 환경이 아니다. 클린룸, 정밀 장비, 사람과 로봇이 섞이는 동선. 어떤 일을 시킬지 정하지 않고 로봇부터 들이면, 로봇은 구경만 하다 돌아간다. 그래서 아틀라스의 첫 단계가 '할 일 찾기'라는 점이, 오히려 이 발표에서 가장 현장다운 부분이다. GXO 아폴로가 물류창고에서 '1,000대'라는 숫자를 먼저 내세웠다면, 아틀라스는 '무슨 일을 할지'부터 묻고 있다.

3. 그래서 뭘 하면 되나 — 우리 현장에 대입해보는 세 가지 질문

오늘 당장 할 일은 단순하다. 첫째, 우리 현장에서 로봇이 이미 증명한 일이 무엇인지 적어보자. 스팟처럼 작은 로봇, 혹은 자동화 설비 하나라도 좋다. 둘째, 휴머노이드에게 시키고 싶은 일을 한 줄로 적어보고, 그 일이 '사람이 하기 어려운 일'인지 '그냥 시켜보고 싶은 일'인지 구분해보자. 셋째, 그 일을 시키기 전에 필요한 조건 — 안전, 동선, 정지 기준 — 을 세 가지만 적어보자.

아틀라스가 반도체 공장에 간다는 소식은, 휴머노이드가 공장에 들어오는 속도가 빨라졌다는 얘기이기도 하다. 그런데 그 속도를 따라가는 방법은 로봇을 빨리 사는 게 아니라, 우리 현장에서 로봇이 할 일을 먼저 정하는 것이다.

관련 글: LG전자×한국로봇산업진흥원 휴머노이드 안전인증 MOU(https://developer-archive.tistory.com/264), 한국 제조업 로봇밀도 세계 1위(2026-11-20 13:38 공개 예정)

728x90
728x90

로봇 생산 셀 하나를 프로그래밍하는 데 최장 8주가 걸렸다. AWS가 11월 19일 공개한 'Physical AI Production Designer'는 이 시간을 수 시간으로 줄이겠다고 나섰다. 차체 용접 라인(보디-인-화이트)에는 최대 50개의 로봇셀이 한 라인에 늘어서 있다. 이걸 한 대씩 손으로 프로그래밍하고, 간섭 방지용 인터록 로직을 짜고, 동작 검증을 반복하는 게 지금까지의 방식이었다. (출처: AWS 블로그 'Physical AI Production Designer: Cell Programming from Weeks to Hours', 2026-11-19)

7년차 현장 엔지니어로서 이 소식에서 봐야 할 건 '8주→수 시간'이라는 속도 숫자가 아니다. 코드 생성이 아니라, 그 코드가 현장에 들어가기 전에 검증까지 끝낸다는 대목이다.

1. 진짜 병목은 속도가 아니라 '공정 사이의 단절'이었다

AWS가 지적한 문제의 본질은 속도가 아니라 단절이다. PLM(제품 수명주기 관리) 시스템에서 셀 설계, 로봇 프로그래밍, PLC 코드 생성, 현장 조정까지 — 각 단계가 다른 팀, 다른 도구로 관리됐다. 앞 단계의 출력이 다음 단계로 넘어가기만 할 뿐, 정보는 역류하지 않았다. 그래서 엔지니어는 같은 데이터를 손으로 다시 입력하고, 검증도 처음부터 다시 했다.

더 심각한 건 속인화(屬人化)다. 현장에서 통하는 노하우 — 용접 순서의 요령, 빡빡한 셀에서 간섭을 피하는 감각 — 은 베테랑 엔지니어의 머리 속에만 있다. 미국에서는 2033년까지 최대 190만 개의 제조업 일자리가 채워지지 않을 수 있다고 한다. 자동화 엔지니어는 채용과 정착이 가장 어려운 직종 중 하나다. 사람이 빠져나가는 속도를, 도구가 메워야 하는 이유다.

2. 핵심은 '가상 커미셔닝' — 코드 생성이 아니라 검증까지

이 솔루션의 흐름은 7단계다. PLM에서 제품 데이터를 가져오고, 지그·로봇·엔드이펙터를 더해 셀의 디지털 모델을 만든 뒤, AI 에이전트가 각 벤더의 네이티브 코드와 PLC 코드를 생성한다. 엔지니어는 3D 뷰에서 확인하고 승인하면 물리 셀에 배포한다.

여기서 가장 중요한 건 4·5단계, 가상 커미셔닝(버추얼 시운전)이다. 생성된 코드를 벤더가 직접 제공하는 가상 PLC·가상 로봇 컨트롤러 위에서 그대로 실행해 인터록과 제어 핸드셰이크를 검증하고, 물리 엔진을 더한 시뮬레이션으로 "로봇 2번의 링크 4가 12.4초 시점에 지그와 충돌한다"는 문제를 현장 투입 전에 잡아낸다. 기존 오프라인 프로그래밍 도구도 코드 생성은 했다. 이 솔루션이 다른 건, 벤더의 가상 컨트롤러로 제어 로직의 거동을 충실히 재현하고, 물리 시뮬레이션과 겹쳐 동역학적 문제까지 사전에 없앤다는 점이다. "시뮬레이션에선 괜찮았는데 현장에서 간섭이 났다"는 심투리얼(sim-to-real) 간극을, 현장 가기 전에 두 겹으로 잡는 구조다.

안전 기능은 IEC 61508 인증 세이프티 PLC가 계속 맡는다. AI가 코드를 짜도, 안전의 마지막 선은 사람이 정한 인증 체계가 지킨다는 선이 그어져 있다.

3. 그래서 뭘 하면 되나 — 우리 라인에도 '검증 기준'이 있는가

이 소식은 신규 라인만의 얘기가 아니다. 가동 중인 셀에서도 로봇 프로그램과 IEC 61131-3 기반 PLC 로직을 역분석하고, PROFINET 트래픽에서 조인트 값을 기록해 기존 셀을 가상 셀로 재구축할 수 있다. 재구축된 가상 셀이 생성 코드의 검증 기준(리그레션 스위트)이 된다. 즉, 이미 돌고 있는 우리 라인도 이 구조의 출발점이 될 수 있다.

오늘 당장 할 일은 단순하다. 우리 라인의 로봇셀 변경이 지금 어떻게 검증되는지 적어보자. 코드를 바꾸면, 현장 투입 전에 어디에서, 무엇으로, 누가 확인하는가. 그 답이 "베테랑의 눈"뿐이라면, 그게 바로 이 도구가 노리는 빈틈이다. 프로그래밍이 8주에서 수 시간으로 줄어도, 검증이 현장에서 이뤄지는 한 라인 정지는 그대로다. 진짜로 줄여야 할 시간은 코드 작성 시간이 아니라, "현장 가서야 알게 되는 문제"까지의 시간이다.

관련 글: 디지털트윈이 '실시간'이 되는 조건(https://developer-archive.tistory.com/132), 디지털트윈도 늙는다(https://developer-archive.tistory.com/169), 제조AI 용어 사전 EP.6 MQTT(https://developer-archive.tistory.com/151)

※ 이 글은 2026년 10월 공개된 AWS 피지컬 AI 툴체인(오픈소스)과는 별개의, 2026년 11월 19일 신규 발표인 'Physical AI Production Designer'를 다룹니다.

728x90
728x90

이 글은 '현장 AI 운영 노트' 시리즈의 열여덟 번째 글입니다. 1편에서는 매일 아침 AI의 건강을 보는 5분 점검표를, 2편에서는 그 점검표를 대시보드 하나로 만드는 법을, 3편에서는 경보가 울렸을 때 누가 어떤 순서로 움직이는지 조치 루틴을, 4편에서는 한 달 돌린 경보 루틴을 숫자로 리뷰하는 법을, 5편에서는 분기 리뷰로 재학습 여부를 정하는 기준을, 6편에서는 재학습한 모델을 현장에 내놓기 전 검증 3단계를, 7편에서는 배포한 뒤 새 모델의 성능을 현장에서 계속 추적하는 모니터링 루틴을, 8편에서는 이상 신호가 잡혔을 때 재학습·롤백·기준 수정 중 무엇을 고르는지 의사결정 기준을, 9편에서는 이상 신호 대응 기록을 다음 모델의 학습 데이터로 바꾸는 법을 다뤘습니다 (EP.1 https://developer-archive.tistory.com/175 · EP.2 https://developer-archive.tistory.com/180 · EP.3 https://developer-archive.tistory.com/184 · EP.4 https://developer-archive.tistory.com/190 · EP.5 https://developer-archive.tistory.com/195 · EP.6 https://developer-archive.tistory.com/200 · EP.7 https://developer-archive.tistory.com/205 · EP.8 https://developer-archive.tistory.com/210 · EP.9 https://developer-archive.tistory.com/215). 10편에서는 이렇게 쌓인 운영 기록을 팀 인수인계 자료로 바꾸는 법을, 11편에서는 도입 검토 단계부터 운영을 설계하는 법을, 12편에서는 운영 노트를 여러 라인으로 넓힐 때 기준을 맞추는 3가지 방법을, 13편에서는 여러 공장의 운영 노트를 한데 모으는 운영 대시보드를 만드는 법을, 14편에서는 분기마다 현장 AI의 '운영 건강'을 리뷰하는 법을, 15편에서는 분기 리뷰에서 정한 '바꿀 것 하나'를 현장에 적용하는 순서를, 16편에서는 분기마다 고친 것들이 쌓여 일 년 뒤 운영 노트가 어떻게 달라지는지를, 17편에서는 일 년 치 운영 노트를 내년 도입 검토에 반영하는 법을 다뤘습니다 (EP.10 https://developer-archive.tistory.com/220 · EP.11 https://developer-archive.tistory.com/233 · EP.12 https://developer-archive.tistory.com/238 · EP.13 https://developer-archive.tistory.com/243 · EP.14 https://developer-archive.tistory.com/251 · EP.15 https://developer-archive.tistory.com/256 · EP.16 https://developer-archive.tistory.com/263 · EP.17 https://developer-archive.tistory.com/268). 이번 편에서는 내년 도입 검토에서 정한 조건을 실제 도입 계획으로 옮기는 법을 다룹니다.

도입  검토 회의가 끝나면, 조건 목록이 남는다. "야간 경보는 다음 날 아침으로 미룰 수 있어야 한다" "드리프트에 덜 민감해야 한다" 같은 조건들. 그런데 이 조건 목록을 그대로 두면, 도입은 시작되지 않는다. 조건은 조건일 뿐, 계획이 아니기 때문이다. EP.17에서 일 년 치 노트를 도입 검토에 반영했다면, 이번 편은 그 조건들을 일정·담당자·검증 기준이 있는 계획으로 바꾸는 법이다.

1. 조건 하나를 검증 항목 하나로 — "덜 민감하다"는 측정할 수 없다

도입 조건 중 가장 위험한 건 형용사로 된 조건이다. "덜 민감해야 한다" "더 빨라야 한다" "더 안정적이어야 한다". 이런 조건은 벤더와 현장의 해석이 달라서, 도입이 끝난 뒤에야 "우리가 원한 게 이게 아니었다"는 말이 나온다.

그래서 조건 하나를 검증 항목 하나로 바꾼다. "드리프트에 덜 민감하다"는 "지난 1년 데이터로 시뮬레이션했을 때 재학습 주기가 분기 1회 이내"로 바꾼다. "야간 경보를 미룰 수 있다"는 "야간 경보 10건 중 8건 이상이 다음 날 아침 조치로 이월 가능"으로 바꾼다. 숫자가 붙으면, 벤더에게 물어볼 질문도 명확해진다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 도입 계획의 첫 작업은 조건을 측정 가능한 검증 항목으로 번역하는 일이다.

2. 도입은 한 번에 하지 않는다 — 파일럿 라인부터, 기준은 미리

조건이 검증 항목이 되면, 다음은 어디서부터 시작할지를 정한다. 전 라인에 한 번에 들이는 도입은, 실패했을 때 되돌릴 수 없다. 그래서 파일럿 라인 하나를 정한다. 대신 파일럿의 성공 기준은 도입 전에 미리 정한다. "한 달 돌려보고 좋으면 넓히자"는 기준이 아니다. "한 달간 경보 건수·대응 시간·오판 건수가 이 숫자 안에 들면 넓힌다"는 식으로, 숫자로 적는다.

파일럿 라인을 정할 때는 고장 나도 라인이 멈추지 않는 곳, 그리고 운영 노트를 가장 성실히 쓴 팀이 있는 곳이 좋다. 도입의 성패는 모델보다, 그 모델을 돌리는 팀의 운영 기록에 달려 있는 경우가 많기 때문이다.

3. 그래서 뭘 하면 되나 — 이번 주에 할 일 세 가지

첫째, 도입 검토에서 정한 조건 목록을 꺼내, 조건 하나마다 검증 항목 하나를 붙인다. 둘째, 파일럿 라인 하나와 그 라인의 성공 기준 숫자를 정한다. 셋째, 파일럿 기간 동안 운영 노트에 무엇을 기록할지 — 경보 건수, 대응 시간, 오판 건수, 재학습 여부 — 미리 정한다.

조건이 계획이 되는 순간, 내년 도입은 회의실의 얘기가 아니라 현장의 일정이 된다. 다음 편에서는 파일럿 라인에서 한 달을 돌린 뒤, 그 결과를 보고 넓힐지 말지를 정하는 법을 다룹니다.

관련 글: 현장 AI 운영 노트 EP.1(https://developer-archive.tistory.com/175), EP.2(https://developer-archive.tistory.com/180), EP.3(https://developer-archive.tistory.com/184), EP.4(https://developer-archive.tistory.com/190), EP.5(https://developer-archive.tistory.com/195), EP.6(https://developer-archive.tistory.com/200), EP.7(https://developer-archive.tistory.com/205), EP.8(https://developer-archive.tistory.com/210), EP.9(https://developer-archive.tistory.com/215), EP.10(https://developer-archive.tistory.com/220), EP.11(https://developer-archive.tistory.com/233), EP.12(https://developer-archive.tistory.com/238), EP.13(https://developer-archive.tistory.com/243), EP.14(https://developer-archive.tistory.com/251), EP.15(https://developer-archive.tistory.com/256), EP.16(https://developer-archive.tistory.com/263), EP.17(https://developer-archive.tistory.com/268), 데이터 드리프트(https://developer-archive.tistory.com/133), 모델 평가 현장 지표(https://developer-archive.tistory.com/164)

728x90
728x90

 

AI 불량 검사 모델이 "정상"이라고 판정한 제품에서 불량이 나간 적이 있다. 모델 정확도는 99%였다. 그런데도 고객사 클레임이 들어왔다. 그날 배운 건, 문제는 모델 성능이 아니라 '판단 기준'에 있었다는 것이다.

 

정확도 99%의 함정 — 기준이 없으면 숫자는 무의미하다

검사 AI는 확률을 뱉는다. 어떤 제품이 불량일 확률 0.51. 이걸 정상으로 볼지, 불량으로 볼지는 사람이 정한 임계값이 결정한다. 그런데 현장에서 정확도 99%라는 숫자만 보고 안심하는 경우가 많다.

대부분의 제품이 정상품인 라인에서는 아무것도 안 해도 정확도가 90%를 넘는다. 불량 100개 중 99개를 잡아도, 나간 1개가 고객 클레임으로 돌아오면 그걸로 끝이다. 현장에서 중요한 건 전체 정확도가 아니다. "불량 유출이 0에 얼마나 가까운가"와 "과검출로 버려지는 양품이 몇 개인가"의 균형이다.

그래서 뭘 하면 되나: 모델 성능표를 볼 때 정확도보다 유출 건수부터 본다. 유출 1건이 과검출 100건보다 비싼 현장이라면, 그에 맞게 기준을 잡아야 한다.

 

임계값은 '비용'으로 정한다

임계값을 정하는 기준은 수학이 아니라 비용이다. 불량 유출 1개의 비용과 과검출 1개의 비용은 현장마다 다르다.

안전이나 고객 직결 부품이라면 임계값을 낮게 잡는다. 조금만 이상해도 불량으로 본다. 과검출이 늘어나도, 유출의 대가가 더 크기 때문이다. 반대로 외관처럼 경미한 항목이라면 임계값을 높게 잡는다. 과검출이 쌓이면 운영자는 AI를 믿지 않게 된다. "또 오검출이네"라는 말이 나오기 시작하면, 그 AI는 현장에서 죽은 것이나 다름없다.

임계값은 한 번 정하고 끝나는 숫자가 아니다. 양산 초기에는 보수적으로 시작하고, 실제 유출과 과검출 데이터를 보면서 조정한다. 데이터가 쌓일수록 현장에 맞는 선이 보인다.

 

현장에서 실제로 쓰는 조정 루틴

임계값을 바꿀 때는 그 구간에 걸린 샘플을 직접 본다. 숫자만 보고 올리고 내리면 안 된다. 경계 구간, 예를 들어 확률 0.4에서 0.6 사이에 걸린 제품들은 따로 모아 운영자 검증을 거친다. 이 구간이 곧 다음 학습 데이터가 된다.

변경 전후로는 최소 1주일간 유출 건수와 과검출 건수를 기록한다. 감으로 바꾸지 않는다. "느낌상 낮췄더니 좋아진 것 같다"는 현장에서 가장 위험한 말이다.

지금 할 일, 세 가지다. 첫째, 최근 한 달 불량 유출 건수를 확인한다. 둘째, 과검출로 폐기된 양품이 몇 개인지 센다. 셋째, 경계 구간 샘플을 모아 직접 눈으로 확인한다. 이 세 가지만 해도 임계값이 지금 현장에 맞는지 바로 보인다.

모델 성능표의 숫자는 실험실 얘기다. 현장의 품질은 임계값이 정한다. AI를 도입했다면 모델보다 먼저 "어디서 선을 그을지"를 정하고, 그 선을 데이터로 계속 옮기는 습관을 들이자. 그게 7년차 현장에서 배운, 검사 AI를 살리는 가장 현실적인 방법이다.

관련 글: 모델 평가를 현장 지표로 바꾸는 법 https://developer-archive.tistory.com/164 / 확신도 활용법 https://developer-archive.tistory.com/203

728x90
728x90

 

현장 AI를 도입하면 모델 얘기부터 한다. 정확도, 추론 속도, GPU. 그런데 막상 라인을 연결하려고 하면 모델이 아니라 그 앞단에서 막힌다. PLC에서 데이터를 뽑아내는 일, AI의 판단을 PLC가 알아듣는 신호로 바꾸는 일. 이 사이를 잇는 '미들웨어'가 누구 책임인지 정해져 있지 않은 현장이 많다.

1. 데이터는 있는데, AI가 쓸 수 있는 형태가 아니다

PLC는 초 단위로 센서값을 뱉는다. 문제는 그 값이 AI가 바로 쓸 수 있는 형태가 아니라는 것이다. 타임스탬프가 PLC 시간인지 서버 시간인지 다르고, 단위가 라인마다 다르고, 어떤 값은 1초에 열 번 바뀌고 어떤 값은 10분에 한 번 바뀐다. 모델을 아무리 잘 만들어도, 들어가는 데이터가 이 상태면 나오는 판단도 그만큼 흔들린다.

그래서 현장 AI의 첫 작업은 모델링이 아니라 '데이터를 AI가 쓸 수 있는 형태로 다듬는 파이프라인'을 만드는 일이다. 누가 이 파이프라인을 만들고, 누가 고장 났을 때 고치는지부터 정해야 한다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 모델보다 먼저 미들웨어의 주인을 정하는 게 도입의 순서다.

2. AI의 판단은 신호가 되어야 한다 — '멈춰'가 아니라 '어떤 출력으로'

AI가 "불량 확률 0.8"이라고 말하면, PLC는 그걸로 아무것도 할 수 없다. PLC가 알아듣는 건 출력 신호다. 어느 밸브를 닫고, 어느 컨베이어를 멈추고, 어느 경보를 울릴 것인가. AI의 판단을 PLC의 출력으로 바꾸는 번역 규칙이 없으면, AI는 대시보드에서만 떠드는 존재가 된다.

이 번역 규칙은 모델 개발자가 정할 일이 아니다. PLC를 아는 사람이, 현장의 안전 기준과 함께 정해야 한다. AI가 '멈춰'라고 할 때 PLC가 정말 멈춰야 하는지, 아니면 경보만 울리고 사람은 계속 가야 하는지. 이걸 정하지 않고 연결하면, AI가 한 번 잘못 판단했을 때 라인 전체가 멈추는 사고로 이어진다.

3. 그래서 뭘 하면 되나 — 미들웨어 담당자 한 명부터

오늘 당장 할 일은 세 가지다. 첫째, PLC 데이터가 AI까지 오는 경로를 그림 한 장으로 그려보자. 누가, 어떤 주기로, 어떤 형태로 보내는지. 둘째, AI의 판단이 PLC 출력으로 바뀌는 번역 규칙을 문서 한 장으로 적어보자. 셋째, 이 경로가 끊겼을 때 누구에게 연락할지, 담당자 한 명의 이름을 정해두자.

모델이 아무리 좋아도, 데이터가 오가는 길이 주인 없으면 현장은 AI를 못 믿는다. 미들웨어의 주인을 정하는 게, 현장 AI 도입의 진짜 첫 단계다.

관련 글: AI가 '멈춰'라는데 PLC는 '돌아가'라 한다(https://developer-archive.tistory.com/261), AI를 '끄기로' 결정할 때가 더 어렵다(https://developer-archive.tistory.com/265)

728x90
728x90

물류기업 GXO가 휴머노이드 로봇 회사 앱트로닉과 손을 잡고, 휴머노이드 '아폴로'를 최대 1,000대까지 도입하겠다는 의향서(LOI)를 맺었다. 지난 12일 발표된 내용이다. 시험이 성공하고 양사가 정한 안전·운영 지표를 충족하면, 4년에 걸쳐 전 세계 물류 현장에 아폴로를 배치한다는 계획이다. 2027년부터 시험을 넓히고, 북미 첫 배치는 2027년 말을 목표로 하고 있다. (출처: GXO 보도자료·Humanoids Daily, 2026-11-12)

휴머노이드 뉴스는 요즘 거의 매주 쏟아진다. 그런데 이번 소식에서 현장 엔지니어가 봐야 할 대목은 '1,000대'라는 숫자보다, 그 뒤에 붙은 '서비스로 쓴다'는 방식이다.

1. 1,000대는 의향서다 — 그래도 신호는 분명하다

먼저 정확히 짚고 넘어가자. 이번 발표는 구매 확정이 아니라 의향서다. 계약 금액도 공개되지 않았다. 시험이 성공하고 성과·안전·운영 지표를 충족해야 실제 도입으로 이어진다. 숫자만 보고 "물류에 휴머노이드 1,000대가 들어간다"고 읽으면 틀린다.

그래도 신호는 분명하다. 두 회사는 2024년부터 협력해 왔고, 2026년 초에는 소형 소비재 자동 피킹 시범 운영을 마쳤다. 시범을 마친 뒤에 나온 게 '도입 틀을 만드는 의향서'라는 점이 중요하다. 시연이 아니라, 상용화의 조건을 정하자는 단계로 넘어갔다는 뜻이다. 휴머노이드가 공장과 창고에 들어오는 속도는, 이제 기술 시연이 아니라 이런 '조건 합의'의 속도로 정해진다.

2. '사는 로봇'에서 '쓰는 로봇'으로 — RaaS가 바꾸는 것

이번 발표에서 더 주목할 대목은 상용화 방식이다. 로봇을 구매하는 대신 서비스로 쓰는 '로봇 서비스형(RaaS)' 모델이 될 것으로 예상된다. 로봇을 자산으로 사서 소유하는 게 아니라, 쓰는 만큼 비용을 내고 쓰는 방식이다.

7년차 현장 엔지니어로서, 이 방식이 바꾸는 건 도입의 문턱이다. 로봇 한 대를 사려면 초기 비용, 유지보수, 업그레이드까지 전부 우리 몫이다. 그런데 서비스로 쓰면 초기 비용이 낮아지고, 성능이 안 나오면 계약으로 따질 수 있는 구조가 된다. 반대로 우리 현장에서 로봇 도입을 검토할 때 물어야 할 질문도 바뀐다. "이 로봇을 살까"가 아니라 "이 로봇을 서비스로 쓰면, 우리 라인의 어떤 지표를 얼마만큼 움직이나"가 된다. 구매냐 구독이냐의 비교표가, 이제 도입 검토의 첫 장에 들어가야 한다.

3. 그래서 우리 라인에서는 뭘 하면 되나

휴머노이드가 당장 우리 창고에 들어오는 건 아니다. 하지만 준비는 지금부터 할 수 있다.

첫째, 우리 라인에서 사람과 로봇이 같은 공간에서 일하는 구간이 있는지, 그 구간의 안전 기준과 동선, 작업 분담이 문서로 정리돼 있는지 확인해 보자. 둘째, 로봇 도입을 검토할 때 구매와 서비스형(RaaS)을 나란히 놓고, 초기 비용이 아니라 3년 총비용으로 비교하는 표를 한 장 만들어두자. 셋째, LG전자 안전인증 MOU에서 봤듯 안전 기준이 먼저 정해지는 흐름을 기억하자. 로봇이 들어오는 속도는 기술이 아니라, 안전을 증명하는 속도가 정한다.

물류창고 1,000대라는 숫자는 아직 약속이다. 하지만 '서비스로 쓰는 로봇'이라는 방식은, 우리 현장의 도입 검토 방식을 지금 바꿔놓을 만큼 현실적인 얘기다.

관련 글: LG전자×로봇산업진흥원 휴머노이드 안전인증 MOU(https://developer-archive.tistory.com/264), OpenAI 로봇팀 해산(https://developer-archive.tistory.com/260), 테슬라 옵티머스 3세대 양산 준비(https://developer-archive.tistory.com/161)

728x90

+ Recent posts