728x90

CES를 운영하는 미국소비자기술협회(CTA)가 11월 9일 CES 2027 혁신상 수상작을 발표했다. 올해 로보틱스 분야 출품이 전년보다 74% 늘었다. AI·헬스·로보틱스 세 분야가 전체 출품의 25%를 차지했고, 그중 로보틱스가 가장 큰 폭으로 늘었다. 휴머노이드가 더 이상 쇼 무대의 볼거리가 아니라, 출품 경쟁의 중심이 됐다는 신호다.

로보틱스 부문 최고상(Best of Innovation)은 중국 갈봇(Galbot)의 휴머노이드 ET1이 받았다. 이족보행 휴머노이드가 이 상의 로보틱스 최고상을 받은 것은 처음이라는 보도가 나왔다. 7년차 현장 엔지니어로서 한 줄로 정리하면, CES의 심사 기준이 '얼마나 사람 같냐'에서 '현장에서 얼마나 일하냐'로 옮겨갔다는 뜻이다.

 

 

1. 갈봇 ET1 — 모션캡처 없이 사람의 움직임을 따라 한다

ET1은 갈봇과 유니트리가 함께 만든 휴머노이드다. 몸통 자유도 26~48개, 손 자유도 12~24개, 부드럽게 감싼 관절이 특징이다. 핵심은 1억 개 파라미터 규모의 트랜스포머 기반 전신 동작 제어 모델 '아스트라브레인-WBC'다. 사람의 움직임을 영상으로 보고 그대로 따라 하는 '제로샷' 방식이라, 모션캡처 슈트를 입고 동작을 일일이 가르칠 필요가 없다.

현장에서 이게 중요한 이유는 간단하다. 동작을 가르치는 비용이 곧 도입 비용이다. 모션캡처 스튜디오 없이 현장 영상으로 동작을 배우면, 새 작업을 가르치는 시간이 줄어든다. 물론 제로샷이 현장의 모든 조건에서 통하는지는 CES 2027(2027년 1월 6~9일, 라스베이거스) 실물 시연을 봐야 안다. 다만 심사단이 '가르치는 비용'을 줄인 기술을 최고상으로 골랐다는 점 자체가 방향을 보여준다.

2. 어질리티 디짓 5 — 사람 옆에서 일하는 게 수상 이유다

미국 어질리티 로보틱스의 디짓 5는 로보틱스와 물류·공급망 두 부문에서 혁신상 수상작(Honoree)으로 이름을 올렸다. 이전 세대 디짓이 사람과 떨어진 구역에서 일했다면, 디짓 5는 엔비디아 IGX Thor와 Halos 안전 플랫폼을 갖춰 사람과 같은 공간에서 일하도록 설계됐다. 65,000시간의 현장 가동 시간과 9개 고객사에서의 운영 경험이 수상 배경으로 소개됐다.

숫자도 현장 기준이다. 22.7kg을 반복해서 들고, 9분 충전으로 90분을 일한다. 하루 20시간 이상 가동이 가능하다는 계산이다. 3억 달러가 넘는 다년 수주 잔고가 있다는 회사의 설명도 있다. 단, 이 수주액은 계약 조건 달성 여부에 따라 달라질 수 있는 계획 물량이라는 점을 함께 봐야 한다. 시연이 아니라, 충전 시간과 가동 시간이라는 운영 숫자로 평가받는 시대다.

3. 그래서 뭘 하면 되나 — 도입 검토표에 넣을 세 가지

첫째, 휴머노이드를 볼 때 '보행'이 아니라 '사람 옆에서 일할 수 있는 안전 근거'를 먼저 확인하자. 디짓 5의 수상 이유가 안전 플랫폼이었던 것처럼, 안전 근거가 없는 로봇은 라인에 못 들어간다. 둘째, 동작을 가르치는 방식을 물어보자. 모션캡처가 필요한지, 현장 영상으로 배우는지, 새 작업을 가르치는 데 얼마나 걸리는지. 셋째, 충전 대 가동 시간 비율을 보자. 9분 충전으로 90분을 일한다는 건, 교대조 운영이 가능한지를 가르는 숫자다.

CES 2027은 2027년 1월에 열린다. 그때 실물 시연이 나오면, 오늘의 수상작들이 진짜 현장용인지 가려진다. 그 전까지 현장에서 할 일은 하나다. 수상 소식이 아니라, 안전 근거·가르치는 비용·가동 시간 세 가지 숫자로 도입 검토표를 다시 쓰는 것이다.

출처: CTA 'CTA Announces CES Innovation Awards® 2027 Honorees'(2026-11-09, 로보틱스 출품 +74%·갈봇 ET1 로보틱스 Best of Innovation 명시), Willamette Week 'Agility's Digit 5 named a CES 2027 Innovation Awards honoree'(로보틱스·물류 2개 부문 Honoree, 3억 달러 이상 다년 수주, CES 2027에서 첫 공개 시연), AVING 'CES 2027: Agility's Digit 5'(65,000시간 현장 가동·9개 고객사)

관련 글: 한국 제조업 로봇밀도 세계 1위(https://developer-archive.tistory.com/277), 아틀라스, 자동차 공장을 나와 반도체 공장으로(https://developer-archive.tistory.com/275), 예측형 피지컬 AI — 로봇이 움직이기 전에 '결과'를 본다(https://developer-archive.tistory.com/149)

728x90
728x90

 

이 글은 '현장 AI 운영 노트' 시리즈의 스물한 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 다볤습니다 (EP.1 · EP.2 · EP.3 · EP.4 · EP.5 · EP.6 · EP.7 · EP.8 · EP.9). 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, 19편에서는 파일럿 라인에서 한 달을 돌린 뒤 넓힐지 말지를 정하는 법을 다뤘습니다 ( · EP.10 · EP.11 · EP.12 · EP.13 · EP.14 · EP.15 · EP.16 · EP.17 · EP.18 · EP.19). 20편에서는 넓히기로 정한 뒤, 두 번째 라인에 그대로 붙이면 안 되는 이유를 다뤘습니다 (EP.20). 이번 편에서는 두 번째 라인에서 생긴 새로운 문제를 파일럿의 운영 노트에 어떻게 되돌리는지 다룹니다.

 

EP.20에서 두 번째 라인의 다름을 먼저 적고 기준을 다시 정했다면, 이번 편은 그다음이다. 두 번째 라인을 돌리다 보면 파일럿에서는 안 생긴 문제가 생긴다. 오래된 설비의 노이즈, 다른 교대조의 작업 방식, 파일럿에는 없던 제품 믹스. 이 문제들을 두 번째 라인에서만 해결하고 끝내면, 운영 노트는 두 개로 갈라진다. 파일럿 노트와 두 번째 라인 노트가 따로 노는 순간, 세 번째 라인을 넓힐 때는 처음부터 다시 헤매게 된다.

 

1. 두 번째 라인의 문제는 '예외'가 아니라 '노트의 빈칸'이다

 

두 번째 라인에서 생긴 문제는 대부분 파일럿 노트에 없던 조건에서 나온다. 파일럿 노트에는 "신형 설비 기준"이라고 적혀 있는데, 두 번째 라인은 구형 설비라 노이즈가 많았다 — 이런 식이다. 이걸 예외로 처리하면 노트는 그대로고, 문제는 그 라인에만 남는다. 그런데 세 번째 라인도 구형 설비면, 같은 문제를 또 겪는다.

 

그래서 두 번째 라인의 문제는 노트의 빈칸으로 본다. "설비 연식별 노이즈 기준"이라는 항목이 노트에 없었다는 뜻이다. 빈칸을 채우면, 그 노트는 파일럿 노트가 아니라 '여러 라인을 돌려본 노트'가 된다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 되돌림은 문제를 옮기는 일이 아니라 노트의 빈칸을 찾는 일이다.

 

2. 되돌릴 때는 '해결책'이 아니라 '조건'을 적는다

 

두 번째 라인에서 문제를 해결한 뒤 노트에 적을 것은 해결책이 아니라 조건이다. "노이즈가 많을 때는 임계값을 10% 올렸다"가 아니라, "설비 연식 10년 이상, 진동 노이즈가 기준의 2배일 때는 임계값을 다시 정한다"처럼 적는다. 해결책만 적으면 다음 라인은 그 해결책을 그대로 가져다 쓰려 하고, 조건이 다르면 또 틀린다. 조건을 적으면 다음 라인은 자기 조건에 맞는 기준을 스스로 정할 수 있다.

 

조건을 적는 습관이 노트를 '기록'에서 '기준'으로 바꾼다. 기록은 지난 일을 적는 것이고, 기준은 다음 일을 정하는 것이다. 운영 노트가 기준이 되면, 세 번째 라인은 두 번째 라인의 시행착오를 반복하지 않는다.

 

3. 그래서 뭘 하면 되나 — 되돌림 체크 3가지

 

첫째, 두 번째 라인에서 생긴 문제를 한 달에 한 번 모아 파일럿 노트와 비교한다. 둘째, 문제마다 "이건 어느 조건에서 생긴 문제인가"를 적어 노트의 빈칸을 채운다. 셋째, 채운 빈칸을 세 번째 라인 기준에 반영했는지, 다음 넓히기 전에 확인한다.

 

두 번째 라인이 안정되면, 다음은 세 번째 라인을 넓힐 때 두 라인의 노트를 어떻게 합쳐서 하나의 기준으로 삼는지 다룹니다.

 

관련 글: 현장 AI 운영 노트 EP.1, EP.2, EP.3, EP.4, EP.5, EP.6, EP.7, EP.8, EP.9, EP.10, EP.11, EP.12, EP.13, EP.14, EP.15, EP.16, EP.17, EP.18, EP.19, EP.20, 데이터 드리프트, 모델 평가 현장 지표

728x90
728x90

디지털트윈이 보여주는 온도가 82도, 현장 센서가 보여주는 온도가 78도. 4도 차이. 어느 쪽이 맞을까. 현장에서는 이 질문에 답을 못 하고 "트윈이 틀렸나 보네" 하고 넘어가는 경우가 많다. 그런데 4도 차이가 그냥 지나가면, 그다음 달에는 8도 차이가 되고, 그다음에는 트윈을 아무도 안 보게 된다. 트윈이 거짓말을 시작하는 순간은, 숫자가 어긋난 날이 아니라 어긋난 숫자를 그냥 넘긴 날이다.

7년차 현장 엔지니어로서 한 줄로 정리하면, 트윈과 센서가 다를 때 의심할 순서는 '센서 → 동기화 → 모델'이다. 모델을 먼저 의심하면, 고칠 수 없는 곳부터 손대게 된다.

1. 먼저 의심할 것 — 센서 자체

센서는 늙는다. 드리프트가 생기고, 먼지가 쌓이고, 교정 주기가 지난다. 트윈과 센서가 어긋나면, 먼저 센서의 최근 교정 기록을 본다. 교정 주기가 지났거나, 센서 교체 이력이 있으면, 트윈이 아니라 센서가 틀렸을 가능성이 크다. 현장에서 센서 교정을 미루는 이유는 단순하다. "아직 돌아가니까"다. 그런데 돌아가는 센서와 맞는 센서는 다른 얘기다.

센서를 확인하는 가장 빠른 방법은 옆 센서와 비교하는 것이다. 같은 지점을 보는 센서가 두 개면, 어느 쪽이 튀는지 바로 보인다. 비교할 센서가 없으면, 휴대용 계측기로 한 번 재보는 것만으로도 충분하다. 센서 확인에 한 시간이 걸려도, 모델을 한 달간 의심하는 것보다 싸다.

2. 다음에 의심할 것 — 동기화

센서가 맞다면, 다음은 동기화다. 트윈이 보는 데이터가 실시간인지, 몇 분 전 데이터인지 확인한다. 네트워크 지연이나 버퍼링 때문에 트윈이 5분 전 온도를 보여주고 있으면, 센서와 트윈은 같은 순간을 보고 있지 않은 것이다. 숫자가 다르다고 모델이 틀린 게 아니라, 두 숫자가 다른 시간의 숫자일 뿐이다.

동기화 문제는 숫자의 차이보다 시간의 차이로 먼저 드러난다. 트윈 숫자가 센서 숫자보다 항상 몇 분 늦게 따라오면, 그건 모델 문제가 아니라 전송 문제다. 이걸 확인하는 방법은 간단하다. 설비를 일부러 움직여보고, 트윈에 반영되는 데 몇 초가 걸리는지 재보면 된다.

3. 마지막에 의심할 것 — 모델의 가정

센서도 맞고 동기화도 맞는데 숫자가 다르면, 그때야 모델을 본다. 모델은 가정을 먹고 산다. "이 설비는 신품이라 마찰이 적다" 같은 가정이, 설비가 낡으면서 틀어진다. 모델이 틀렸다는 건, 모델이 세운 가정이 현장과 어긋났다는 뜻이다. 골든 데이터셋으로 트윈을 검증하는 법(#267)이 여기서 쓰인다. 검증용 데이터로 모델을 다시 돌려보고, 어느 구간에서 어긋나는지 찾는다.

모델을 고칠 때는 가정부터 고친다. 가정이 맞으면 모델은 다시 맞는다. 가정을 안 고치고 파라미터만 만지면, 그 모델은 다음 달에 또 틀린다.

그래서 뭘 하면 되나 — 어긋남이 생겼을 때 체크 3가지

첫째, 센서 교정 기록부터 본다. 둘째, 트윈이 보는 데이터가 몇 분 전 것인지 확인한다. 셋째, 그다음에야 모델의 가정을 검증 데이터로 확인한다.

트윈은 현장과 같은 답을 내야 하는 도구다. 답이 다를 때, 의심하는 순서가 정해져 있으면 트윈은 오래 간다. 순서 없이 모델부터 의심하면, 트윈은 "안 맞는 도구"로 찍혀 버려진다.

출처: 현장 운영 경험 기반 정리

관련 글: 디지털트윈이 현장과 같은 답을 내는지 확인하는 법(https://developer-archive.tistory.com/267), AI가 '정상'이라 했는데 불량이 나갔다(https://developer-archive.tistory.com/272), 검증 통과한 AI가 한 달 만에 틀리기 시작했다(https://developer-archive.tistory.com/133)

 

728x90
728x90

현장 AI가 내리는 판정에는 확신도가 붙어 있다. 그런데 그 숫자를 보는 사람은 거의 없다. 판정은 '정상' 두 글자로만 전달되고, 확신도 51%인지 99%인지는 로그 어딘가에 묻힌다. 문제는 AI가 틀릴 때가 아니라, AI가 '잘 모르겠다'는 신호를 냈는데도 아무도 그 신호를 보지 않을 때 생긴다. 확신도가 낮은 판정을 정상 판정과 똑같이 흘려보내면, 그 판정은 나중에 불량으로 돌아온다.

 

7년차 현장 엔지니어로서 한 줄로 정리하면, AI의 신뢰도는 정확도가 아니라 '모른다고 말하는 타이밍'으로 정해진다. 모른다고 말하는 AI는 현장에서 쓸 수 있고, 모른다고 말하지 않는 AI는 아무리 정확해도 언젠가 사고를 낸다.

 

1. 확신도는 숫자가 아니라 '개입 신호'다

 

확신도 80%라는 숫자를 그대로 두면 아무 일도 안 일어난다. 그 숫자에 행동을 묶어야 한다. 확신도 95% 이상은 그대로 통과, 80~95%는 작업자 확인 후 통과, 80% 미만은 자동 정지하고 사람이 직접 본다 — 이런 식으로 구간마다 행동을 정해두는 것이다. 구간을 정하지 않으면, 확신도는 대시보드 장식일 뿐이다.

 

구간 기준은 모델이 아니라 현장에서 정한다. 불량 하나가 고객사로 나가는 비용과, 라인을 한 번 멈추는 비용을 저울에 올려야 한다. 불량 유출 비용이 크면 개입 구간을 넓게 잡고, 라인 정지 비용이 크면 좁게 잡는다. 기준이 없으면, 확신도가 낮다는 걸 알면서도 "이번 한 번은 괜찮겠지"라는 판단이 반복된다.

 

2. 확신도가 낮은 판정은 따로 모은다

 

확신도가 낮은 판정은 그날의 예외가 아니라 다음 학습의 재료다. 확신도 80% 미만으로 나온 제품을 따로 모아두면, 모델이 어려워하는 조건이 보인다. 조명이 바뀐 시간대, 새 공급사 부품, 계절이 바뀐 뒤의 온도 — 모델이 헷갈리는 조건이 패턴으로 드러난다. 그 패턴을 다음 학습 데이터에 넣는 것이 EP.9에서 다룬 이상 신호 대응 기록의 활용법이다.

 

반대로 확신도가 낮은 판정을 그냥 흘려보내면, 모델은 자기가 어디서 약한지 영원히 모른다. 현장에서는 "AI가 가끔 틀린다"는 말만 남고, 틀리는 조건은 아무도 모른다. 약한 조건을 모으면, 그 조건은 다음 달에도, 그다음 달에도 똑같이 틀린다.

 

3. 사람이 개입한 기록이 기준을 고친다

 

사람이 개입해서 판정을 뒤집은 기록은, 개입 구간을 고치는 근거다. 뒤집힌 판정의 확신도를 모아보면 구간이 맞는지 틀렸는지 보인다. 확신도 85% 구간에서 뒤집기가 잦으면, 그 구간은 개입 구간으로 올려야 한다. 반대로 확신도 70% 구간에서 뒤집기가 거의 없으면, 구간을 낮춰도 된다.

 

이 기록이 없으면 구간은 처음 정한 대로 굳는다. 모델은 바뀌고 현장은 바뀌는데, 개입 기준만 1년 전 그대로다. 기준을 고치는 재료는 회의가 아니라, 사람이 개입한 기록이다. 기록을 보면, "우리가 AI를 얼마나 믿어도 되는지"가 숫자로 나온다.

 

그래서 뭘 하면 되나 — 개입 기준표에 넣을 세 가지

 

첫째, 확신도 구간마다 행동을 정한다. 통과·확인·정지, 세 구간이면 충분하다. 둘째, 확신도가 낮은 판정은 따로 모아 모델이 약한 조건을 찾는다. 셋째, 사람이 뒤집은 판정의 확신도를 모아 구간을 분기마다 고친다.

 

AI가 "모르겠다"고 말할 때, 그 말을 듣는 구조가 있으면 현장 AI는 오래 간다. 모른다고 말하지 않는 AI보다, 모른다고 말하고 사람을 부르는 AI가  현장에서는 더 똑똑하다.

 

출처: 현장 운영 경험 기반 정리

 

이전 글:

AI가 '왜 불량이라 했는지' 설명 못하면 현장에서 안 쓴다

 

AI가 '왜 불량이라 했는지' 설명 못하면 현장에서 안 쓴다 — 제조 AI 설명 가능성 설계법

7년차 현장 엔지니어로서, 불량 검출 AI를 현장에 붙여본 경험이 있다. 정확도는 99%였는데, 작업자들이 한 달 만에 AI 판정을 안 믿기 시작했다. 이유를 물어보니 답이 한결같았다. "AI가 불량이라

developer-archive.tistory.com

AI가 '정상'이라 했는데 불량이 나갔다

 

AI가 '정상'이라 했는데 불량이 나갔다 — 현장 검사 임계값을 정하는 7년차의 감각

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

developer-archive.tistory.com

검증 통과한 AI가 한 달 만에 틀리기 시작했다

728x90
728x90

야간 무인 라인이 늘고 있다. 사람이 없는 시간에 AI가 설비를 보고, 이상이 나면 멈추거나 알림을 보낸다. 그런데 막상 무인 운전을 시작하려 하면, 기술보다 먼저 막히는 게 있다. AI가 멈췄을 때, 그 결정을 누가 책임지느냐는 질문이다. 설비가 멈춰서 납기가 밀리면 누구 탓인가. AI가 멈추지 않아서 사고가 나면 누구 탓인가. 이 질문에 답이 없으면, 무인 운전은 시작도 하기 전에 멈춘다.

 

7년차 현장 엔지니어로서, 무인 운전의 첫 단계는 AI를 똑똑하게 만드는 일이 아니라, AI가 멈췄을 때의 책임을 정하는 일이다. 기술은 준비됐는데 책임이 안 정해지면, 현장은 무인 운전을 "안 하는 것"으로 결정한다. 그래서 오늘은 무인 운전 전에 정할 3가지를 정리한다.

 

## 1. 첫 번째로 정할 것 — AI의 권한 범위

 

AI가 할 수 있는 일과 할 수 없는 일의 경계다. 경보를 울리는 것까지인지, 설비를 직접 멈추는 것까지인지. 권한이 넓을수록 무인 운전은 편해지지만, 잘못된 판단의 파급도 커진다. 그래서 권한은 단계로 나눈다. 처음에는 "알림만", 안정되면 "조건부 정지", 그 다음에야 "자동 정지"다.

 

권한을 단번에 넓히면, 첫 오판이 곧바로 라인 정지로 이어진다. 반대로 권한을 너무 좁게 잡으면, 밤새 경보만 울리고 아무도 안 와서 결국 사람이 상주하는 것과 다를 바 없어진다. 권한의 단계는 현장의 신뢰가 쌓이는 속도에 맞춘다. 한 단계에서 한 달을 돌려보고, 오판이 기준 안에 들면 다음 단계로 간다.

 

## 2. 두 번째로 정할 것 — 멈췄을 때의 책임자

 

AI가 설비를 멈추면, 그다음 행동은 사람이 한다. 그런데 밤 2시에 멈췄다면 누구에게 연락하나. 당직자 한 명에게만 맡기면, 그 사람이 못 받을 때 라인은 멈춘 채로 아침을 맞는다. 책임자는 한 명이 아니라 순서다. 1차 당직, 2차 관리자, 3차 외부 지원 — 이렇게 순서를 정하고, 각 단계마다 "몇 분 안에 응답이 없으면 다음으로 넘어간다"는 시간을 정해둔다.

 

책임의 순서와 시간이 없으면, 무인 라인은 "아무도 책임지지 않는 라인"이 된다. 반대로 순서가 있으면, 멈춘 설비는 몇 분 안에 사람의 손으로 넘어간다. 무인 운전은 사람이 없어도 되는 운전이 아니라, 사람이 "언제 어떻게 개입하는지"가 정해진 운전이다.

 

## 3. 세 번째로 정할 것 — 멈추지 않았을 때의 기록

 

AI가 멈추지 않고 계속 돌렸는데 나중에 문제가 드러나면, 그 판단의 근거를 되짚을 수 있어야 한다. AI가 어떤 데이터를 보고 "계속 가도 된다"고 했는지, 그 기록이 없으면 책임 소재를 가릴 방법이 없다. 그래서 무인 운전 전에 정할 것은 로그다. 판단 근거가 되는 데이터, 경보 이력, AI의 판정 결과를 남기는 것.

 

기록이 있으면 사고 뒤에 원인을 찾을 수 있고, 다음 무인 운전의 기준을 고칠 수 있다. 기록이 없으면 같은 사고가 반복돼도 원인을 모른 채 "AI가 잘못했다"는 말만 남는다. 로그는 사고 뒤의 증거가 아니라, 다음 무인 운전을 안전하게 만드는 재료다.

 

## 그래서 뭘 하면 되나

 

무인 운전 검토표에 기술 항목 옆에 세 줄을 추가해 보자. 권한 범위가 단계로 정해져 있는가, 멈췄을 때 책임 순서와 시간이 정해져 있는가, 판단 기록을 남기고 있는가. 세 가지 중 하나라도 "아니오"라면, 그건 무인 운전을 시작할 단계가 아니라 책임을 정리할 단계다. AI가 멈추면 누가 책임지느냐는, AI가 도입되기 전에 사람이 정해둬야 할 질문이다.

 

관련 글: AI를 붙이기 전에 네트워크부터 — OT망에 AI를 연결할 때 먼저 막는 3가지 구멍(https://developer-archive.tistory.com/279), AI가 '멈춰'라는데 PLC는 '돌아가'라 한다 — 제어와 추론이 충돌할 때, 현장의 우선순위를 정하는 법(https://developer-archive.tistory.com/261), AI가 틀렸을 때가 아니라, AI를 '끄기로' 결정할 때가 더 어렵다 — 현장 AI 중단·롤백 판단법(https://developer-archive.tistory.com/265), 모델은 잘 돌아가는데, 현장 사람들이 안 쓴다 — 현장 AI '채택'을 가르는 3가지(https://developer-archive.tistory.com/276)

728x90
728x90

스위스 스타트업 Embodied AI가 11월 15일 'Humanoid Europe 2026'에서 첫 상용 휴머노이드 AIR를 공개했다. 다리가 없다. 바퀴로 움직이고, 힘줄처럼 케이블로 팔을 당기는 텐던 구동 방식이다. 그런데 이 로봇이 실제 가동 중인 생산 라인에서 케이블 취급 작업 신뢰도 98%를 찍었다. 화려한 이족보행 시연이 아니라, 공장에서 매일 반복되는 지루한 손작업에서 나온 숫자라는 점이 이 뉴스의 본질이다.

 

휴머노이드 경쟁이 '누가 더 사람처럼 걷나'로 달리는 사이, AIR는 정반대 질문에서 출발했다. 공장에서 로봇에게 정말 필요한 게 다리인가.

 

## 1. 다리를 버리고 바퀴를 택한 이유

 

AIR의 설계는 욕심을 줄인 쪽이다. 모터와 감속기를 팔이 아니라 몸통에 넣고, 힘줄처럼 생긴 케이블이 팔을 움직인다. 팔이 가벼워지면 사람과 부딪혔을 때 밀어붙이지 않고 순순히 물러난다. 공장 복도에서 사람과 로봇이 같은 통로를 쓰는 환경에서는, 센서가 얼마나 빠른가보다 접촉했을 때 얼마나 순순히 양보하는지가 안전을 가른다.

 

그래서 AIR는 협동로봇 안전 규격 ISO/TS 15066:2016에 맞춰 설계됐고, 안전 펜스 없이 사람 옆에서 일한다. 2027년 CE 마킹을 받아 유럽 판매를 넓힐 계획이다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 휴머노이드의 첫 시험대는 '얼마나 사람 같냐'가 아니라 '사람 옆에 세워도 되는가'다. 그 질문에 답하지 못한 로봇은 아무리 잘 걸어도 라인에 못 들어간다.

 

## 2. 시뮬레이션이 아니라 현장에서 배우는 한 달

 

AIR의 학습 방식도 다르다. 오프라인에서 모델을 미리 학습시켜 현장에 냉동 상태로 투입하는 게 아니라, 작업자가 실제 라인에서 로봇을 직접 이끌며 작업을 가르친다. 시연을 통해 기술을 익히는 데 약 한 달, 그 뒤로는 감독을 줄여가며 스스로 돌린다.

 

이건 다른 휴머노이드 프로그램들이 자주 부딪힌 벽에 대한 답이다. 시뮬레이션이나 빌려온 데이터로 학습한 모델은 특정 공장의 부품·조명·배치 앞에서는 자주 삐걱거린다. 현장에서 첫날부터 배우면 그 간극이 줄어든다. 연구용 프로토타입에서 OEM 계약을 맺은 공장용 기계까지 9개월 만에 도달했다는 회사의 설명도 같은 맥락이다. 빠르게 배우는 로봇보다, 현장의 조건을 그대로 흡수하는 로봇이 먼저다.

 

## 3. 98%라는 숫자가 의미하는 것 — 90% 문턱

 

98%라는 숫자 자체보다 중요한 건 그 숫자를 재는 기준이다. Embodied AI에 따르면 제조사가 자동화에 작업을 맡기기 전에 요구하는 신뢰도 문턱은 대략 90%다. AIR의 98%는 그 문턱을 넘긴 수치다. 참고로 같은 시기 메르세데스-벤츠 실제 라인에서 아폴로 2가 기록한 성공률은 96%다. 숫자를 나란히 세우면 경쟁 구도가 보인다. 이족보행의 범용성을 노리는 진영과, 바퀴 위에서 좁은 작업부터 확실하게 해내는 진영이다.

 

프란체스코 스텔라 공동창업자 겸 CEO의 말은 이 설계 철학을 가장 잘 요약한다. "AI 모델의 환각은 디지털 공간에서는 받아들일 수 있다. 하지만 로봇에서는 잘못된 동작이 즉각적이고 되돌릴 수 없는 물리적 결과를 낳는다." 피지컬 AI에서 틀린 판단은 화면 속 오타가 아니라 깨진 부품이고, 다친 사람이다. 그래서 AIR는 야심보다 위험 감수 수준에서 설계를 정했다는 얘기다.

 

## 그래서 뭘 하면 되나 — 도입 검토표에 넣을 세 가지

 

첫째, 휴머노이드 도입을 검토할 때 '보행 방식'이 아니라 '사람 옆에서 일할 수 있는 안전 근거(규격·인증)'를 먼저 확인하자. 둘째, 학습 방식이 시뮬레이션 기반인지 현장 시연 기반인지, 그리고 우리 라인 조건에 맞추는 데 얼마나 걸리는지 물어보자. 셋째, 성공률 숫자를 볼 때는 문턱(90%)과 측정 환경(실제 가동 라인인지, 시연 무대인지)을 같이 보자.

 

휴머노이드는 이제 '걸을 수 있나'의 시대를 지나 '맡길 수 있나'의 시대에 들어섰다. AIR의 98%는 그 질문에 대한 하나의 답이다. 다리가 없어도, 좁은 일 하나를 확실하게 해내는 로봇이 먼저 라인에 들어간다.

 

출처: The Robotics Media 'Embodied AI's AIR Humanoid Hits 98% on Factory Cable Tasks'(2026-11-15 공개, 2026-11-20 업데이트), Humanoid Europe 2026

 

관련 글: 한국 제조업 로봇밀도 세계 1위(https://developer-archive.tistory.com/277), 아틀라스, 자동차 공장을 나와 반도체 공장으로(https://developer-archive.tistory.com/275), 파일럿 라인에서 한 달을 돌린 뒤, 넓힐지 말지를 정하는 법(https://developer-archive.tistory.com/278), 예측형 피지컬 AI — 로봇이 움직이기 전에 '결과'를 본다(https://developer-archive.tistory.com/149)

728x90
728x90

이 글은 '현장 AI 운영 노트' 시리즈의 스무 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, 19편에서는 파일럿 라인에서 한 달을 돌린 뒤 넓힐지 말지를 정하는 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.18 https://developer-archive.tistory.com/273 · EP.19 https://developer-archive.tistory.com/278). 이번 편에서는 넓히기로 정한 뒤, 두 번째 라인에 그대로 붙이면 안 되는 이유를 다룹니다.

EP.19에서 파일럿 한 달을 돌리고 넓히기로 정했다면, 이번 편은 그 결정을 옮기는 단계다. 파일럿에서 잘 된 걸 두 번째 라인에 그대로 붙이면 된다고 생각하기 쉽다. 그런데 현장에서는 "그대로"가 통하지 않는 경우가 많다. 라인마다 설비 배치, 작업자 숙련도, 제품 믹스가 다르다. 파일럿의 성공 조건을 그대로 복사하면, 두 번째 라인은 파일럿의 성공을 재현하는 게 아니라 파일럿의 가정을 재현하게 된다.

 

## 1. 두 번째 라인의 '다름'부터 적는다 — 복사하기 전에

 

파일럿 라인과 두 번째 라인의 차이를 먼저 적는다. 설비 연식, 센서 위치, 작업자 교대 패턴, 제품 종류. 작은 차이 하나가 AI 입력 데이터의 분포를 바꾼다. 파일럿 라인은 신형 설비라 진동 데이터가 깨끗했는데, 두 번째 라인은 오래된 설비라 노이즈가 많은 경우가 그렇다. 센서 위치가 30cm만 달라져도, 같은 이상 신호가 전혀 다른 값으로 들어온다.

 

이런 차이를 적지 않고 모델을 옮기면, 오판이 늘어난 원인을 찾는 데 한 달을 쓴다. "모델이 나빠졌나"부터 의심하게 되는데, 실제 원인은 모델이 아니라 라인의 다름인 경우가 많다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 확장 작업은 모델을 복사하는 일이 아니라, 두 라인의 다름을 먼저 적는 일이다.

 

## 2. 파일럿의 기준을 그대로 쓰지 않는다 — 두 번째 라인의 기준으로 다시 정한다

 

EP.19에서 정한 성공 기준은 파일럿 라인 기준이다. 경보 건수, 대응 시간, 오판 건수. 두 번째 라인에서는 기준 숫자를 다시 정해야 한다. 파일럿에서 경보 건수가 하루 5건 이하였는데, 두 번째 라인은 제품 믹스가 달라 경보가 원래 많을 수 있다. 기준을 그대로 가져오면, 잘 돌아가는데도 "실패"로 판정하거나, 반대로 문제를 못 보고 "성공"으로 판정한다.

 

기준은 라인이 아니라 현장에서 정한다. 두 번째 라인의 최근 한 달치 실제 숫자를 먼저 보고, 그 숫자를 기준으로 삼는다. 파일럿의 기준은 참고 자료일 뿐, 두 번째 라인의 합격선이 아니다. 기준을 다시 정하는 데 하루가 걸려도, 잘못된 기준으로 한 달을 돌리는 것보다 낫다.

 

## 3. 그래서 뭘 하면 되나 — 옮기기 전 체크 3가지

 

첫째, 두 라인의 다름 목록을 적는다. 설비, 센서, 사람, 제품 — 네 가지 축으로 차이를 한 장에 정리한다. 둘째, 파일럿의 성공 기준을 두 번째 라인 기준으로 다시 정한다. 최근 실제 숫자를 보고, "이 라인에서는 이 숫자가 정상"이라는 기준을 새로 만든다. 셋째, 옮긴 첫 일주일은 파일럿 때보다 짧은 주기로 본다. 매일 아침 경보와 오판을 확인하고, 첫 일주일에 오판이 파일럿 때보다 많으면 그건 모델이 나빠서가 아니라 다름을 덜 반영했기 때문일 가능성이 크다.

 

이 세 가지를 하고 나면, 두 번째 라인은 파일럿의 복사본이 아니라 파일럿의 경험을 담은 새 라인이 된다. 넓히기는 붙여넣기가 아니라, 한 번 더 적는 일이다.

 

두 번째 라인까지 안정되면, 다음은 그 라인에서 새로 생긴 문제를 운영 노트에 다시 반영하는 일이다. 다음 편에서는 두 번째 라인에서 생긴 새로운 문제를 파일럿의 운영 노트에 어떻게 되돌리는지 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), EP.19(https://developer-archive.tistory.com/278), 데이터 드리프트(https://developer-archive.tistory.com/133), 모델 평가 현장 지표(https://developer-archive.tistory.com/164)이

728x90
728x90

불량이 고객사로 나갔다. 원인 분석 회의가 열렸다. 그런데 아무도 답을 못 했다. AI가 그날 그 제품을 왜 '정상'이라 했는지, 어떤 모델 버전이 봤는지, 입력 이미지는 어땠는지, 임계값은 얼마였는지, 누가 최종 확인했는지 — 기록이 없었다. 판정 결과만 남아 있고, 판정에 이른 흔적은 하나도 없었다.

 

7년차 현장 엔지니어로서, 이건 설명 가능성(#222)과는 다른 문제다. 설명 가능성은 판정 순간의 이유를 묻는 것이고, 이력 추적은 판정이 난 뒤에 그 흔적을 되짚을 수 있는지를 묻는 것이다. 이유는 알아도, 흔적이 없으면 같은 사고는 또 난다.

 

## 1. 판정만 저장하고 근거는 안 남긴다 — '불량' 두 글자가 전부가 된다

 

대부분의 현장 AI 로그는 판정 결과만 남긴다. 시간, 제품 번호, 정상·불량 두 글자. 끝이다. 그 판정을 내린 모델이 어느 버전인지, 입력 이미지가 어떤 상태였는지, 임계값이 그날 얼마였는지 — 이걸 묻는 순간 답이 끊긴다. 임계값은 조정되는 값인데(#272), 조정 기록이 판정과 묶여 있지 않으면 나중에 재현이 안 된다.

 

재현이 안 되면 원인 분석은 추측이 된다. "그날 조명이 바뀌었나?" "모델이 그 주에 교체됐나?" — 회의는 기억력 싸움이 된다. 판정 1건마다 그때의 조건을 같이 묶어두는 게 이력 추적의 첫 단추이다.

 

## 2. 사람이 바꾼 판정은 기록이 따로 논다 — 누가 왜 뒤집었는지 모른다

 

현장에서는 AI 판정을 사람이 뒤집는 일이 매일 일어난다. "AI는 불량이라는데, 내 눈엔 정상" — 작업자가 판정을 바꾸고 라인을 흘려보낸다. 문제는 그 기록이 따로 논다는 것이다. AI 로그에는 '불량'이 남아 있고, 뒤집은 이유는 종이 메모나 메신저에 흩어진다. 나중에 그 제품에서 불량이 터지면, AI 로그만 보고 "AI가 불량이라 했는데 왜 나갔나"라는 엉뚱한 결론이 나온다.

 

그래서 판정을 바꾼 기록도 판정과 같은 곳에 남겨야 한다. 누가, 언제, 왜 바꿨는지. 뒤집힌 판정은 따로 모아서 다음 학습 데이터로 돌리는 게 EP.9의 방식이었지만, 그 전제는 '뒤집은 기록이 남아 있다'는 것이다.

 

## 3. 모델이 바뀌었는데 기록이 안 바뀐다 — 어느 버전이 그 판정을 냈는지 모른다

 

모델은 교체된다. 무중단 교체로 새 버전이 깔리고, 라인은 멈추지 않는다. 그런데 판정 로그에 모델 버전이 안 찍히면, 사고가 난 뒤 "그 판정은 구버전이 낸 건가, 신버전이 낸 건가"부터 따져야 한다. 데이터 드리프트 편(#133)에서 모델이 한 달 만에 틀어지는 걸 봤는데, 버전 기록이 없으면 틀어진 게 모델 때문인지 데이터 때문인지도 가릴 수 없다.

 

## 그래서 뭘 하면 되나 — 판정 1건당 묶어둘 다섯 가지

 

판정 1건마다 다섯 가지를 한 묶음으로 저장하자. 시간, 모델 버전, 입력 스냅샷(또는 그 해시), 적용된 임계값, 최종 확정한 사람. 다섯 가지가 있으면, 불량이 나간 뒤에도 그 판정을 그날 그대로 재현할 수 있다. 재현이 되면 원인 분석은 추측이 아니라 확인이 된다.

 

현장에서 이걸 해둔 라인과 안 해둔 라인의 차이는, 사고 뒤의 시간이다. 이력이 있는 라인은 그날 오후에 원인을 특정하고 대책을 세운다. 없는 라인은 3일을 기억력 싸움으로 보낸다. AI의 신뢰도는 정확도가 아니라, 사고 뒤에 답할 수 있느냐로 정해진다.

 

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), 검증 통과한 AI가 한 달 만에 틀리기 시작했다(https://developer-archive.tistory.com/133)

728x90
728x90

국제 로봇 연맹(IFR)이 2026년 로봇 산업의 5대 트렌드를 발표했다. 전 세계 산업용 로봇 설치 시장 규모는 167억 달러로 사상 최고치를 찍었다. 숫자는 커졌는데, IFR이 꼽은 트렌드의 주인공은 '로봇 대수'가 아니다. 로봇이 얼마나 똑똑해졌는지, 얼마나 유연해졌는지, 그리고 얼마나 안전하게 사람 옆에 설 수 있는지가 핵심이다.

 

한국은 이미 로봇밀도 세계 1위다(#277). 1만 명당 1,066대. 이제 경쟁은 '몇 대를 깔았나'가 아니라 '깔아놓은 로봇이 얼마나 스스로 일하나'로 옮겨가고 있다. IFR의 5대 트렌드를 현장 관점에서 하나씩 풀어본다.

 

## 1. AI와 자율성 — 분석형·생성형, 그리고 에이전틱 AI

 

첫 번째 트렌드는 AI로 얻는 자율성이다. IFR은 세 종류의 AI를 구분한다. 분석형 AI는 대량의 데이터를 처리해 패턴을 찾고, 예지정비나 물류 경로 최적화처럼 이미 현장에서 쓰이고 있다. 생성형 AI는 규칙 기반 자동화에서 스스로 진화하는 시스템으로 넘어가는 징표다. 시뮬레이션으로 학습 데이터를 만들고, 자연어와 시각 정보로 지시를 받는 식이다.

 

가장 주목할 건 에이전틱 AI다. 구조화된 의사결정과 유연한 학습을 합친 형태인데, 복잡한 실제 환경에서 로봇이 스스로 판단하며 일하게 만드는 열쇠로 꼽힌다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 자율성은 '로봇이 더 빨리 움직이는 것'이 아니라 '판단을 현장에 맡기는 것'이다. 판단이 현장에 맡겨지면, 그 판단이 틀렸을 때 누가 책임지는지, 어떻게 되돌리는지까지 같이 설계해야 한다. 자율성의 다음 과제는 성능이 아니라 운영이다.

 

## 2. IT와 OT가 만나고, 휴머노이드는 증명을 시작한다

 

두 번째 트렌드는 IT와 OT의 융합이다. 정보기술의 데이터 처리 능력과 운영기술의 물리적 제어 능력이 합쳐지면서, 로봇 한 대가 더 많은 일을 하게 된다. 실시간 데이터 교환과 고급 분석이 로봇의 다용도성을 키운다는 얘기다. 현장에서 보면 이건 "MES랑 안 붙는다"는 옛날 얘기(#139)의 반대편이다. IT와 OT가 붙어야 로봇이 라인 전체의 흐름을 보고 움직인다.

 

세 번째는 휴머노이드다. IFR의 표현은 단호하다. 휴머노이드는 이제 신뢰성과 효율성을 증명해야 한다. 사람 중심으로 설계된 환경에서 유연하게 일하는 게 장점이지만, 자동차 산업을 시작으로 창고·제조 현장에서 '진짜 자본재'가 될 수 있는지를 보여줘야 한다. 아틀라스 이야기(#275)에서 봤듯, 도입의 첫 단추는 작은 로봇부터 검증하는 것이다. 휴머노이드도 마찬가지다. 화려한 시연보다, 밤새 멈추지 않고 몇 시간 일하느냐가 시험대다.

 

## 3. 안전·보안과 인력 부족 — 도입의 진짜 관문

 

네 번째는 안전과 보안이다. 로봇이 사람 옆에서, 더 자율적으로 움직일수록 테스트·검증·사람의 감독은 복잡해지지만 필수적이 된다. 클라우드 연결과 AI 구동 환경이 넓어지면서 사이버 보안 위협도 커진다. OT 보안 편에서 다뤘듯, AI가 공장에 들어오면 해커도 따라 들어온다. 안전과 보안은 로봇 도입의 '나중에'가 아니라 '먼저'다.

 

다섯 번째는 인력 부족이다. 전 세계 고용주가 숙련 인력 찾기에 애를 먹는 상황에서, 로봇은 '사람을 대체하는 것'이 아니라 '부족한 손을 메우는 동료'로 자리 잡고 있다. 이 지점에서 로봇 도입의 설득력은 달라진다. 사람을 줄이기 위한 로봇이 아니라, 사람이 없어서 못 하는 일을 맡기는 로봇이다. 현장에서 로봇을 받아들이는 속도는, 이 문장을 어떻게 설명하느냐에 따라 갈린다.

 

## 그래서 뭘 하면 되나 — 이번 주에 확인할 세 가지

 

첫째, 우리 공장의 로봇이 '판단'을 어디까지 현장에서 하는지, 판단의 범위를 적어보자. 둘째, IT와 OT가 붙어 있는지 — 로봇 데이터가 MES나 트윈까지 실시간으로 흐르는지 확인하자. 셋째, 로봇 도입 검토표에 안전·보안·인력 부족 대응이 '먼저' 들어가 있는지 보자.

 

로봇 시장은 167억 달러로 커졌고, 트렌드는 분명하다. 로봇이 늘어나는 시대는 지났고, 로봇이 똑똑해지는 시대가 왔다. 이제 현장의 질문은 "로봇을 몇 대 들일까"가 아니라 "들인 로봇이 얼마나 스스로 일하고, 얼마나 안전하게 사람 옆에 설 수 있나"다.

 

출처: 국제 로봇 연맹(IFR) 'Top 5 Global Robotics Trends 2026'(2026-01-13 발표), Business Wire 보도(2026-11-20), The AI Insider(2026-01-10)

 

관련 글: 한국 제조업 로봇밀도 세계 1위(https://developer-archive.tistory.com/277), 아틀라스, 자동차 공장을 나와 반도체 공장으로(https://developer-archive.tistory.com/275), 예측형 피지컬 AI — 로봇이 움직이기 전에 '결과'를 본다(https://developer-archive.tistory.com/149)

728x90
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

+ Recent posts