프로그래밍 허브

도입

현장에서 20년 일한 선배는 설비 소리만 듣고도 "오늘 안에 베어링 갈아야겠다"고 말합니다. 신입은 같은 소리를 듣고도 고개를 갸웃합니다. 그 차이가 '손 감각'이고, 제조 AI가 가장 배우기 어려워하는 것도 바로 이 감각입니다. 데이터는 쌓이는데, 왜 AI는 선배의 판단을 따라가지 못할까요.

7년차 현장 엔지니어로서 제가 본 답은 간단합니다. 손 감각이 데이터로 옮겨진 적이 없기 때문입니다. AI는 없는 것을 배울 수 없습니다.

손 감각이 사라지는 구조

숙련자의 판단은 대부분 '말로 안 남는' 형태입니다. "소리가 좀 거칠어졌네", "진동이 평소랑 달라", "냄새가 좀 타는 것 같아". 이런 말은 회의록에도, MES에도, 센서 로그에도 남지 않습니다. 그래서 선배가 퇴직하면 판단 기준 자체가 사라집니다. 설비는 그대로인데, 설비를 읽는 눈이 없어지는 겁니다.

더 아쉬운 건, 이런 감각이 사실은 데이터와 연결돼 있다는 점입니다. "소리가 거칠어졌다"는 말 뒤에는 진동 센서 값의 미세한 상승이 있고, "냄새가 탄다"는 말 뒤에는 온도 곡선의 완만한 상승이 있습니다. 다만 아무도 그 말과 그 숫자를 같은 줄에 적어본 적이 없을 뿐입니다.

노하우를 데이터로 옮기는 기록법

그래서 저는 현장에서 세 가지를 실천하고 있습니다.

첫째, 판단의 '순간'을 기록합니다. 설비에 이상이 느껴졌을 때, 그 순간의 센서 값을 캡처하고 한 줄 코멘트를 붙입니다. "14:32, 프레스 3호기 소음 증가 — 진동 2.3→3.1mm/s." 한 줄이면 됩니다. 완벽한 보고서가 아니라, 판단과 숫자가 같은 줄에 있는 기록이 중요합니다.

둘째, 틀린 판단도 남깁니다. "베어링인 줄 알았는데 벨트였다"는 기록이 쌓이면, AI는 '비슷한 소리라도 원인이 다르다'는 걸 배웁니다. 맞은 판단만 남기면 AI는 확신만 배우고, 틀린 판단까지 남기면 AI는 조심성을 배웁니다. 관련해서는 이전 글 '설비 알람 1,000건이 쌓이기 전에 내가 먼저 본 것' https://developer-archive.tistory.com/130 에서 로그 설계 습관을 다뤘습니다.

셋째, '왜 그렇게 봤는지'를 묻습니다. 선배에게 "왜 베어링이라고 보셨어요?"라고 물으면 "소리 주기가 달라졌거든" 같은 단서가 나옵니다. 그 단서가 곧 AI의 특징(feature) 후보입니다. 노하우 전수는 기술 이전이 아니라, 질문으로 뽑아내는 작업입니다. 운영 기록을 학습 자산으로 바꾸는 흐름은 '현장 AI 운영 노트' 시리즈 https://developer-archive.tistory.com/215  에서도 이어지고 있습니다.

마무리

AI가 현장을 배우는 속도는 모델 성능이 아니라, 현장의 노하우가 얼마나 데이터로 옮겨졌느냐로 정해집니다. 숙련자의 손 감각은 사라질 운명이 아니라, 기록하면 자산이 됩니다.

그래서 뭘 하면 되나 — 오늘부터 한 가지만 해보세요. 설비에 이상을 느꼈을 때, 그 순간의 센서 값과 한 줄 코멘트를 같은 곳에 적어두는 것. 그 한 줄이 쌓이면, AI가 배울 수 있는 '현장의 교과서'가 됩니다.

관련 글: 설비 알람 1,000건이 쌓이기 전에 내가 먼저 본 것 https://developer-archive.tistory.com/130 · 현장 AI 운영 노트 EP.9 https://developer-archive.tistory.com/215 

11월 6일, 독일 뮌헨에서 열린 Humanoid Europe 2026에서 스위스 로봇 스타트업 Embodied AI가 휴머노이드 로봇 AIR를 공개했다. EPFL(스위스 로잔 연방공과대) 스핀아웃인 이 회사는 연구 단계에서 산업용 휴머노이드까지 9개월 만에 도달했고, 이미 글로벌 대기업(OEM)들과 계약을 맺고 양산 준비에 들어갔다고 밝혔다. 그런데 이번 발표에서 진짜 주목할 지점은 로봇의 생김새가 아니다. '어떻게 배우는가'다.

첫날부터 일하고, 한 달 만에 혼자 일한다

AIR는 공장에 들어가는 첫날부터 일을 시작한다. 처음에는 작업자가 원격으로 조종(텔레오퍼레이션)하고, 로봇은 그 모든 동작을 기록한다. 이 기록이 곧 학습 데이터가 된다. AI 스택이 이 데모 데이터에서 작업 방식을 배우면, 보통 한 달 안에 같은 작업을 혼자 수행할 수 있게 된다. 회사가 밝힌 일정이다.

타깃은 분명하다. 기존 산업용 로봇이 프로그래밍 비용 때문에 손대지 않았던, 자주 바뀌는 반복 수작업이다. 정해진 동작을 무한히 반복하는 로봇이 아니라, 현장에서 일하는 법을 배우는 로봇이라는 점이 AIR의 핵심이다.

안전을 '설계'로 푼다 — 힘줄 구조와 협동 규격

AIR의 팔은 텐던(힘줄) 구동 방식이다. 모터와 기어박스, 전자장치는 몸통에 두고, 팔은 가볍게 만들어 접촉 시 충격을 흡수하도록 설계했다. 하체는 바퀴 기반, 상체에 가벼운 두 팔을 단 구조다. 무거운 팔을 사람 옆에 두지 않는다는 발상이다.

안전 규격도 처음부터 염두에 뒀다. 협동로봇 안전 규격 ISO/TS 15066:2016에 맞춰 설계했고, 2027년 CE 인증을 목표로 하고 있다. 아직 인증을 받은 상태는 아니다. '안전하다'는 말이 아니라, 어떤 규격에 맞춰 설계했는지를 보는 것이 현장에서 안전을 판단하는 기준이다.

왜 중요한가 — 도입의 병목은 '첫날'이다

7년차 현장 엔지니어로서 한 줄만 덧붙이면, 로봇 도입이 막히는 지점은 스펙이 아니라 '첫날'이다. 첫날부터 라인을 세우지 않고 일을 시작할 수 있는가. 그 답을 먼저 묻는 것이 현장 도입의 출발점이다.

AIR의 AI 스택은 이미 유료 공장 배치에서 검증된 이력이 있다. 여기에 별도로 2개 팔을 갖춘 산업용 셀 형태에서는 공장 케이블 작업 평가에서 98%의 신뢰도를 기록했다는 게 회사의 설명이다. 현장에서 '배웠다'는 말은 데모 영상이 아니라, 유료 배치와 수치로 증명해야 한다.

물론 과제도 있다. 데모에서 배우는 AI는 데모의 품질이 곧 학습의 품질이다. 작업자의 숙련도와 기록 설계가 그대로 모델에 들어간다. 그래서 실연 데이터를 모으는 설계 — 누가, 어떤 순서로, 어떤 예외까지 보여주느냐 — 가 도입의 성패를 가른다. 합성 데이터로 훈련하는 방식(이전 글 '합성 데이터 1편' https://developer-archive.tistory.com/127 참고)과 비교하면, 실연 데이터는 현장의 예외를 그대로 담는 대신 그만큼 '가르치는 사람'의 역할이 커진다.

휴머노이드 경쟁의 질문이 바뀌고 있다. '얼마나 잘 걷는가'에서 '현장의 일을 얼마나 빨리 배우는가'로. AIR의 답은 데모다. 사람이 보여주고, 로봇이 배우고, 한 달 뒤에는 혼자 일한다. 그 학습 속도가 다음 휴머노이드의 경쟁력이 될 것이다.

출처: Business Wire, "Embodied AI Unveils AIR, a Physically Safe Humanoid Robot That Learns on the Job" (2026-11-06) / The AI Insider, "Switzerland's Embodied AI Unveils Humanoid Robot Designed to Learn Factory Tasks From Workers" (2026-11-06) / Industrial Equipment News (IEN), "Embodied AI's Humanoid Robot Is Built to Work Next to People" (2026-11-06)

1. 정확도 99% 모델이 현장에서 외면받는 이유

모델 평가표에서는 정확도 99%를 찍은 불량 검사 AI가 있었습니다. 그런데 현장에서는 작업자들이 그 AI를 잘 안 썼습니다. 이유를 물어보니 답은 단순했습니다. "판정 뜨는 데 3초씩 걸려요. 컨베이어는 기다려주지 않거든요."

현장의 시간은 개발자의 시간과 다릅니다. 노트북에서 3초는 "금방"이지만, 분당 수십 개가 지나가는 라인에서는 3초가 곧 병목입니다. 작업자는 AI 판정을 기다리느라 라인을 세울 수 없으니, 결국 자기 눈으로 보고 넘깁니다. 모델이 아무리 정확해도, 현장의 속도 안에 들어오지 못하면 없는 거나 마찬가지입니다.

2. '지연 예산'을 먼저 정하는 법

그래서 현장 AI를 설계할 때는 정확도보다 먼저 '지연 예산'을 정합니다. 판정이 나오는 데 쓸 수 있는 시간을 공정 단위로 끊어보는 겁니다. 예를 들어 검사 공정이 개당 1.2초 주기로 돌아간다면, AI 판정에는 넉넉잡아 0.8초까지만 줄 수 있습니다. 나머지는 카메라 노출, 이미지 전송, 판정 표시 같은 주변 시간이 가져가니까요.

이 예산이 정해지면 모델 선택 기준이 달라집니다. "가장 정확한 모델"이 아니라 "예산 안에 들어오는 가장 정확한 모델"을 고릅니다. 큰 모델을 억지로 쓰는 대신 작은 모델로 바꾸거나, 입력 이미지를 줄이거나, 판정 로직을 가볍게 만드는 결정이 여기서 나옵니다. 11월 5일 글에서 다룬 경량화·온디바이스 전환도 결국 같은 얘기입니다. 작아지는 게 목적이 아니라, 현장의 시간 안에 들어가는 게 목적입니다.

3. 느려질 때를 대비한 3단계 설계

예산 안에 들어가는 모델을 골랐다고 끝이 아닙니다. 현장은 변합니다. 조명이 바뀌고, 먼지가 쌓이고, 네트워크가 흔들립니다. 그래서 저는 지연이 예산을 넘을 때를 미리 설계합니다. 첫째, 판정이 늦어지면 "판정 보류"가 아니라 "이전 판정 유지 + 경고 표시"로 떨어지게 합니다. 라인을 세우지 않고, 작업자가 눈으로 확인할 수 있게 알리는 겁니다. 둘째, 지연이 반복되면 자동으로 가벼운 모드로 전환합니다. 정밀 검사는 잠시 접고, "명백한 불량만 거른다"는 식으로요. 셋째, 지연 기록을 남깁니다. 언제, 어느 공정에서, 얼마나 늦었는지. 이 기록이 다음 모델 교체 때 가장 먼저 보는 자료가 됩니다.

마무리 — 그래서 뭘 하면 되나

현장 AI를 도입하거나 고를 때, 정확도 숫자 옆에 "판정까지 몇 초?"를 꼭 물어보세요. 그리고 그 숫자가 내 공정의 주기 안에 들어가는지 직접 확인하세요. 모델이 똑똑한 것보다, 현장의 속도에 맞춰 제때 답하는 것이 먼저입니다. 7년차 현장 엔지니어로서, AI가 현장에서 살아남는 조건은 정확도가 아니라 "제때"라는 걸 다시 한 번 적어둡니다.

관련 글:

정확도 99%가 현장에서 쓸모없을 수 있다 — AI 모델 평가를 현장 지표로 바꾸는 법

경량화·온디바이스 전환

확신도 활용법

"우리 라인 가동률 85%예요." 현장에서 흔히 듣는 말이다. 그런데 트윈 대시보드에 같은 숫자를 올려놓고 보면, 뭔가 이상하다. 설비는 돌아가는데 불량이 많고, 속도는 느린데 가동률만 높게 찍힌다. 숫자 하나만 보고 "잘 돌아가네" 하고 넘어가면, 정작 고쳐야 할 곳을 놓친다.

7년차 현장 엔지니어로서, 가동률은 숫자 하나가 아니라 세 개의 숫자를 곱한 결과라고 보는 게 맞다고 생각한다. 오늘은 OEE(설비종합효율)를 디지털트윈에 제대로 올리는 법을 정리한다.

1. OEE는 곱셈이다 — 가동률 × 성능률 × 품질률

OEE는 세 가지 비율을 곱해서 만든다. 가동률은 계획된 시간 중 실제로 설비가 돌아간 비율, 성능률은 정해진 속도로 뽑았는지, 품질률은 만든 것 중 쓸 만한 것이 몇 개인지다. 세 개가 각각 90%면 곱하면 73%다. "90%씩 잘하고 있는데"라는 느낌과 실제 73% 사이의 간극, 그게 OEE를 보는 이유다.

현장에서 흔한 실수는 이 셋을 섞어서 보는 것이다. 설비가 멈춘 시간을 줄였는데도 OEE가 안 오르면, 문제는 가동이 아니라 성능이나 품질 쪽에 있다는 뜻이다. 반대로 불량이 줄었는데도 OEE가 제자리면, 멈춤 시간이 발목을 잡고 있는 거다. 트윈에 올릴 때도 마찬가지다. 세 숫자를 따로 보여줘야, 어디를 건드려야 할지 보인다.

세 요소는 이렇게 잰다. 가동률은 계획 시간 대비 실제 가동 시간으로, 트윈에서는 고장·교체·대기로 멈춘 시간으로 확인한다. 성능률은 정해진 속도 대비 실제 속도로, 미세 정지·속도 저하 구간으로 확인한다. 품질률은 생산 수량 대비 양품 수량으로, 불량 발생 시점·설비 조건으로 확인한다.

이 구분이 트윈 설계의 출발점이다. 세 요소마다 필요한 데이터가 다르고, 데이터가 오는 곳도 다르다. 가동률은 설비 상태 신호에서, 성능률은 생산 카운터에서, 품질률은 검사 결과에서 온다. 한 대시보드에 숫자 하나만 띄우면, 이 차이는 통째로 사라진다.

2. 트윈에 올릴 때 가장 먼저 틀리는 것 — '시간'의 기준

OEE를 트윈에 올릴 때 현장에서 가장 많이 틀리는 건 시간의 기준이다. 계획 가동 시간에서 뭘 빼고 뭘 넣느냐에 따라 같은 설비도 가동률이 달라진다. 계획 정지(예방 정비, 교대 준비)를 빼는지, 넣는지. 점심시간을 계획 시간에 포함하는지. 이 기준이 설비마다, 라인마다 다르면 트윈의 숫자는 비교 자체가 안 된다.

그래서 내가 현장에서 먼저 정하는 건 '시간 분류표'다. 계획 시간, 계획 정지, 비계획 정지, 미세 정지, 속도 저하, 불량 생산 — 이 여섯 칸을 먼저 정의하고, 각 칸에 들어갈 신호를 정한다. 예를 들어 설비 상태 신호가 '정지'인데 작업자가 교체를 하고 있으면 계획 정지, 원인을 모르고 멈춰 있으면 비계획 정지다. 이 분류가 없으면 트윈은 멈춘 시간만 세고, 왜 멈췄는지는 말해주지 않는다.

또 하나, 속도의 기준이다. 성능률은 '정해진 속도' 대비 실적이다. 그런데 정해진 속도가 설비 스펙표의 최대 속도면, 현실적인 성능률은 영원히 낮게 나온다. 현장에서 실제로 유지 가능한 속도를 기준 속도로 정하고, 트윈에도 그 기준을 명시해두는 게 맞다. 기준이 바뀌면 과거 숫자와 비교가 안 되니, 기준을 바꿀 때는 날짜를 남긴다.

3. 숫자가 아니라 '어디서 잃는가'를 보여주는 화면

OEE를 트윈에 올리는 목적은 숫자를 예쁘게 보는 게 아니다. 잃는 시간을 어디서 잃는지 찾아내는 것이다. 가동·성능·품질 중 어느 요소가 가장 많이 깎아먹는지, 그게 어느 설비에서, 어느 시간대에 일어나는지를 보여주는 화면이 되어야 한다.

현장에서 내가 쓰는 방식은 단순하다. 트윈 화면에 OEE 숫자 하나와, 그 아래에 세 요소의 '손실 시간'을 막대로 나란히 보여준다. 이번 주에 가장 큰 손실이 미세 정지에서 나왔으면, 그 구간을 눌렀을 때 어떤 설비에서 몇 분씩 멈췄는지까지 내려가 볼 수 있게 한다. 숫자를 보는 사람(관리자)과 고치는 사람(현장 엔지니어)이 같은 화면을 보고, 같은 손실을 가리킬 수 있어야 한다.

이렇게까지 하면 OEE는 보고용 지표가 아니라 현장 운영 도구가 된다. "가동률 85%"라는 말 대신, "이번 주는 미세 정지로 6시간, 속도 저하로 4시간을 잃었다"는 말이 나온다. 그 다음 회의에서는 뭘 고칠지, 그걸 정하는 데 시간이 훨씬 덜 든다.

마무리 — OEE는 대시보드가 아니라 '공통 언어'다

디지털트윈에 OEE를 올릴 때 목표는 숫자를 높이는 게 아니다. 현장과 관리자가 같은 숫자를 보고 같은 문제를 가리키는 것, 그게 먼저다. 기준 시간을 정하고, 세 요소를 따로 재고, 어디서 잃는지 보여주는 화면 — 이 세 가지만 갖추면 트윈의 OEE는 비로소 현장 말이 된다.

오늘 할 일은 세 가지다. 첫째, 우리 라인의 시간 분류표(계획 정지·비계획 정지·미세 정지)를 한 장으로 적어본다. 둘째, 가동·성능·품질 세 숫자가 각각 어디서 오는지 데이터 출처를 확인한다. 셋째, 트윈 화면에 OEE 숫자 아래 손실 시간을 나란히 띄울 수 있는지 본다. 거창한 시스템부터 바꿀 필요는 없다. 기준·출처·화면, 이 세 가지만 정리해도 트윈의 가동률은 현장에서 쓸 수 있는 숫자가 된다.

관련 글:

디지털트윈의 진짜 엔진은 3D가 아니라 '데이터 수집'이다

디지털트윈이 '실시간'이 되는 조건 — 샘플링·지연시간·동기화 설계하기

트윈 대시보드는 예쁜데 현장에서 안 본다 — 운영자가 실제로 보는 화면 설계 3원칙

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 불량이라는데, 어디가 어떻게 불량인지 모르겠어요."

정확도가 문제가 아니었다. 설명이 문제였다.

설명 없는 판정은 현장에서 '판정'이 아니다

현장에서는 판정이 곧 행동이다. 불량 판정이 나오면 라인을 세울지, 재검사를 할지, 그냥 흘려보낼지 누군가 결정해야 한다. 그런데 AI가 "불량 확률 97%"만 내놓으면, 그 결정을 내릴 근거가 없다. 작업자는 자기 손으로 다시 확인하고, 결국 AI를 거치지 않고 눈으로 검사한다. 그러면 AI는 장식품이 된다.

모델 평가를 현장 지표로 바꿔야 한다는 얘기를 지난 글에서 했다. 설명 가능성도 같은 맥락이다. 실험실에서는 정확도가 답이지만, 현장에서는 "왜"가 답이다.

현장에서 통하는 설명 3가지 형태

첫째, 위치를 짚어주는 설명이다. "이 부품의 왼쪽 모서리 3mm 지점에서 스크래치가 검출됐습니다"처럼, 불량의 위치를 이미지 위에 표시하는 방식이다. 작업자는 판정문을 읽지 않아도 화면만 보고 바로 알 수 있다.

둘째, 근거를 숫자로 보여주는 설명이다. 어떤 특징 때문에 불량으로 봤는지, 그 특징이 정상 범위를 얼마나 벗어났는지 보여준다. "표면 거칠기 기준 0.8인데 측정값 1.4" 같은 식이다. 현장 사람들은 추상적인 확률보다 기준 대비 실측값을 훨씬 신뢰한다.

셋째, 비슷한 과거 사례를 보여주는 설명이다. "지난달 같은 불량 12건 중 11건이 같은 위치에서 나왔다"는 말 한 줄이면, 작업자는 자기 경험과 연결해서 판단한다. AI의 판정이 '처음 보는 얘기'가 아니라 '아는 얘기'가 되는 순간이다.

이 세 가지를 모두 구현할 필요는 없다. 우리 현장에서는 위치 표시 하나만으로 작업자들의 신뢰가 달라졌다.

설명을 설계할 때 빠지는 함정

설명 가능성을 나중에 붙이려고 하면 실패한다. 모델을 다 만들고 나서 "설명 기능도 달자" 하면, 모델 내부가 블랙박스라 설명할 재료 자체가 없다. 설명은 모델 설계 단계에서 같이 정해야 한다. 어떤 설명을 보여줄지 먼저 정하고, 그 설명을 만들 수 있는 모델 구조와 데이터를 고르는 순서다.

또 하나, 설명이 너무 길면 안 된다. 현장에서는 판정 후 5초 안에 다음 행동을 정한다. 설명이 보고서 한 장이면 아무도 안 읽는다. 한 화면, 세 줄 이내가 기준이다. 자세한 분석은 나중에 볼 수 있게 로그로 남겨두고, 현장 화면에는 결론과 근거 한 줄만 둔다.

그래서 뭘 하면 되나 — 지금 쓰는 불량 검출 AI가 있다면, 작업자에게 "AI 판정을 믿고 라인을 세운 적 있나" 물어보라. 답이 "아니요, 다시 확인해요"라면 정확도가 아니라 설명이 부족한 거다. 위치 표시부터 달아보자. 그 한 줄이 AI를 장식품에서 도구로 바꾼다.

이전 글:

정확도 99%가 현장에서 쓸모없을 수 있다 — AI 모델 평가를 현장 지표로 바꾸는 법

검증 통과한 AI가 한 달 만에 틀리기 시작했다 — 제조 현장의 데이터 드리프트와 재학습 루프

불량 데이터가 없어서 못 만드는 제조 AI — 합성 데이터로 훈련하는 법

오늘(2026년 11월 6일) 아침, 로봇 업계 뉴스가 하나 눈에 띄었습니다. 유진로봇·뉴로메카·나우로보틱스가 일제히 '팔 달린 AMR', 즉 모바일 매니퓰레이터(AMMR) 경쟁에 뛰어들었다는 소식입니다. 정부가 2030년까지 2조 3,000억 원을 들여 국산 휴머노이드 1,080대를 구매하기로 하면서, '지정된 경로로 자재만 나르던' 이동형 로봇이 피킹·분류·포장까지 하는 복합 작업 로봇으로 바뀌는 경쟁이 본격화됐습니다. (출처: 이비엔(EBN), 2026-11-06 06:00, 이수진 기자)

휴머노이드 얘기가 나오면 으레 두 발로 걷는 로봇을 떠올리지만, 공장에 먼저 들어오는 건 바퀴 달린 형태일 가능성이 큽니다. 왜 그런지, 오늘 뉴스를 현장 관점으로 풀어봅니다.

왜 하필 '팔 달린 AMR'인가

핵심은 이미 검증된 것을 버리지 않는다는 데 있습니다. 유진로봇은 자사의 AMR 플랫폼 '고카트(GoCart) 180~1500'에 타사의 로봇팔과 비전 센서를 얹어 현장 맞춤형 휴머노이드를 만드는 전략입니다. 특정 하드웨어에 종속되지 않고 AMR·자동화 설비·소프트웨어를 묶은 토털 솔루션으로 팔겠다는 구상이고, 한국산업기술기획평가원(KEIT) 주관 국책과제를 통해 실제 물류센터에서 피킹·분류·적입·검사 실증에 들어갑니다.

나우로보틱스도 같은 방향입니다. 2017년 7억 원 수준이던 매출이 올해 123억 원 규모로 커질 전망이고, 내포첨단산업단지에 1만 6,529㎡ 로봇 제조센터를 새로 지었습니다. 과학기술정보통신부 주관 신규 과제로 24억 원의 사업비를 확보해 내년 12월까지 자사 이동 플랫폼에 양팔 로봇을 결합한 AMMR을 시연할 계획입니다. 국산 신경망처리장치(NPU)와 시각·언어·행동(VLA) 모델을 접목하고, 감속기·액추에이터 특허 5건으로 핵심 부품 내재화까지 마쳤다고 합니다.

업계 관계자의 한 마디가 이 전략을 잘 요약합니다. "이족보행 로봇은 서 있을 때도 밸런스 유지를 위해 배터리를 계속 소모하지만, 휠 기반 로봇은 전원을 꺼도 자세 유지가 가능하다. 잘 정비돼 있는 제조 환경에서는 굳이 두 발로 다니며 일할 이유가 없다." 공장은 사람이 일하기 편하게 설계된 공간이고, 그 공간에서 가장 실용적인 이동 방식은 바퀴라는 얘기입니다.

뉴로메카 '두뇌'의 승부수 — PSF와 제로샷

하드웨어가 '팔'이라면, 승부는 '두뇌'에서 갈립니다. 뉴로메카는 기존 모방 학습 방식의 한계를 넘겠다며 독자 피지컬 AI 플랫폼 '피지컬 스킬 파운데이션(PSF)'을 내놨습니다. 시나리오 기반 엔드 투 엔드 방식은 작업 성공률이 95% 수준에 머물고, 완벽한 구현에는 10만 년 분량의 데이터가 필요하다는 맹점이 있었는데, 인지(Perception)·생성(Generative)·반사(Reflex) 단계를 거치는 '파이프 모듈' 형식으로 이를 풀겠다는 겁니다.

결과물인 이동형 휴머노이드 '나미(NAMI)'는 4륜 캐스터 기반 휴머노이드 '에이르(EIR)'와 AMR 플랫폼 '모비(MOBY)'를 결합해 8~12시간 연속 작업이 가능합니다. VLA 모델이 탑재된 PSF 덕분에 별도 코딩 없이 자연어 스크립트나 이미지만으로 대상물 위치를 추정해, 제로샷으로 집기·조립·뚜껑 열기 같은 과업을 수행한다고 합니다. 황성훈 뉴로메카 로봇플랫폼사업본부 본부장은 "실제 사람한테 가르치듯이 명령을 내릴 수 있다"며 "기존 룰 베이스 기반과는 전혀 다른 패러다임"이라고 했습니다.

말만 번지르르한 게 아니라, 이미 현장에 들어가 있습니다. 에스엘(SL)의 인쇄회로기판(PCB) 가공, 아진산업의 자동차 외장 부품 조립, 화신정공의 물류 운송 현장에 양팔 휴머노이드 로봇을 직접 배치해 실증(PoC) 중이고, 내년 양산 라인 도입이 목표입니다.

현장에서 먼저 확인할 것

7년차 현장 엔지니어로서 한 줄로 정리하면, 로봇이 공장에 들어오는 기준은 '얼마나 사람 같냐'가 아니라 '밤새 멈추지 않고 몇 시간 일하냐'입니다. 두 발이 아니라 바퀴를 택한 것도, 자연어로 가르치는 방식을 택한 것도, 결국은 같은 기준에서 나온 선택입니다. 멈추지 않고, 가르치기 쉽고, 실패했을 때 다시 세우기 쉬운 로봇이 먼저 살아남습니다.

그래서 뭘 하면 되나 — AMMR 도입을 검토한다면 스펙표의 자유도나 속도를 보기 전에 이 세 가지를 먼저 물어보세요. 첫째, 연속 가동 시간은 몇 시간인가. 둘째, 새 작업을 가르칠 때 코딩이 필요한가, 아니면 말과 사진으로 되는가. 셋째, 실패했을 때 누가, 얼마나 빨리 복원하는가.

정부가 1,080대 구매로 수요를 만들었습니다. 이제 현장이 준비할 건 '사는 것'이 아니라 '돌리는 것'입니다. 팔 달린 AMR이 공장에 먼저 들어오는 이유를, 도입 검토표의 첫 줄에 적어두면 좋겠습니다.

출처: 이비엔(EBN) "유진로봇은 '팔'·뉴로메카는 '두뇌'…차세대 물류로봇 시장 선점 경쟁", 2026-11-06 06:00, 이수진 기자

관련 글:

LG 클로이드 美·韓 공장 실전 검증 — 피지컬 AI의 시험대는 결국 공장 바닥이다

테슬라 옵티머스 3세대 양산 준비 — 휴머노이드 대전, 이제 '공장 입증'이 남았다

ROKAE 휴머노이드 힘제어 암 1만 대 출하 — 로봇이 '힘을 아는' 시대가 왔다

이 글은 '현장 AI 운영 노트' 시리즈의 열 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 다뤘습니다 (EP.1 · EP.2 · EP.3 · EP.4 · EP.5 · EP.6 · EP.7 · EP.8). 지난 편에서는 이상 신호 대응 기록을 쌓아 다음 모델의 학습 데이터로 바꾸는 법을 다뤘습니다. 이번 편에서는 이렇게 쌓인 운영 기록을 팀 인수인계 자료로 바꾸는 법을 다룹니다.

사람이 바뀌면 현장 AI도 흔들린다. 담당자가 휴가를 가거나, 교대조가 바뀌거나, 신입이 들어오면 그동안 쌓인 운영 감각이 한 번에 끊긴다. 모델은 그대로인데, 모델을 다루던 사람이 바뀌었다는 이유만으로 경보 대응이 늦어지고, 같은 실수가 반복된다. 이럴 때 필요한 건 개인의 머릿속이 아니라, 팀이 공유하는 인수인계 자료다. 다행히 그 자료는 새로 만들 필요가 없다. 지금까지 쌓아온 운영 기록이 이미 그 재료다.

1. 인수인계 자료는 '설명서'가 아니라 '판단 사례집'이다

인수인계 자료를 만들 때 흔히 하는 실수는, 시스템 사용법을 길게 적는 것이다. 대시보드 보는 법, 버튼 누르는 법, 매뉴얼 링크. 그런데 현장에서 새로 온 사람이 진짜로 막히는 지점은 사용법이 아니다. "이 경보가 울렸을 때, 얼마나 급한 일인가" "이 숫자가 이 정도면, 일단 두고 봐도 되는가" 같은 판단이다.

그래서 인수인계 자료의 중심은 판단 사례다. 지난 운영 기록에서 '이럴 때는 이렇게 판단했다'는 사례를 뽑아 묶는다. 예를 들어, 확신도가 낮아 사람이 개입했던 사례, 기준을 바꿨던 사례, 롤백을 결정했던 사례 — 이 세 종류만 모아도 새로 온 사람은 첫 주에 현장의 기준을 감으로 익힌다. 사용법은 매뉴얼에 맡기고, 인수인계 자료에는 판단만 담는 것이 핵심이다.

2. 기록을 인수인계 자료로 바꾸는 세 가지 손질

운영 기록을 그대로 넘기면 아무도 안 읽는다. 읽히는 자료로 바꾸려면 세 가지 손질이 필요하다. 첫째, 시간순을 주제별로 바꾼다. 날짜순 기록은 검색이 안 되지만, '경보 대응' '기준 변경' '재학습 판단' 같은 주제별 묶음은 필요한 순간 바로 찾을 수 있다. 둘째, 결론부터 쓴다. "이 경우에는 이렇게 판단한다"를 맨 앞에 두고, 자세한 경위는 뒤에 둔다. 셋째, 유효기간을 적는다. 기준이 바뀐 사례에는 "이 기준은 11월부터 적용" 같은 날짜를 붙인다. 날짜가 없으면 옛 기준을 지금 기준으로 착각한다.

이 손질은 거창한 작업이 아니다. 분기 리뷰나 월간 리뷰 때, 그 기간의 대응 기록을 한 번 훑으며 사례 세 개만 골라 주제별 문서에 붙이면 된다. 한 번에 완벽한 인수인계 자료를 만들려 하지 말고, 리뷰 때마다 세 개씩 쌓는 것이 오래 가는 방법이다.

3. 인수인계 자료는 '읽는 것'이 아니라 '쓰는 것'으로 완성된다

인수인계 자료의 진짜 완성은, 새로 온 사람이 그 자료에 자기 사례를 추가할 때다. 첫 경보 대응을 마친 신입이 "오늘 이 경보에 이렇게 대응했다"고 한 줄을 덧붙이면, 그 자료는 살아 있는 문서가 된다. 반대로, 아무도 덧붙이지 않는 자료는 곧 낡은 문서가 된다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 운영 기록의 마지막 쓰임새는 다음 사람이 같은 실수를 안 하게 하는 것이다. 그래서 뭘 하면 되나, 이번 주 할 일은 세 가지다. 첫째, 지난 운영 기록에서 판단 사례 세 가지를 골라 주제별로 묶는다. 둘째, 각 사례에 결론부터 쓰고 유효기간(기준 적용 날짜)을 붙인다. 셋째, 새로 온 사람이 첫 대응 뒤 한 줄을 덧붙이는 규칙을 정한다. 모델을 오래 운영하는 팀은 모델을 잘 만드는 팀이 아니라, 사람의 교체에도 기준이 끊기지 않는 팀이다. 다음 편에서는 이렇게 쌓인 운영 노하우를 현장 AI 도입 검토 단계부터 설계하는 법을 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 · 인수인계 노트 · 데이터 드리프트

현장에 새로 온 엔지니어에게 AI를 가르칠 때, 보통은 모델 코드부터 보여준다. 파이썬, 프롬프트, 파이프라인. 그런데 7년 현장에서 느낀 건 코드보다 먼저 보여줘야 할 게 있다는 거다. 현장 AI의 실력은 코드 실력이 아니라 '현장을 읽는 눈'에서 시작한다. 신입에게 코드보다 먼저 보여주는 세 가지를 정리했다.

1. 기계가 '정상'일 때의 모습을 먼저 외우게 한다

AI의 이상 감지는 결국 '평소와 다른 것'을 찾는 일이다. 그런데 정상이 어떤 모습인지 모르면 이상도 모른다. 그래서 신입에게는 먼저 라인을 함께 돌면서 정상일 때의 소리, 진동, 온도, 사이클 시간을 몸으로 익히게 한다. 센서 숫자는 그다음이다. 정상의 기준이 머릿속에 있어야, 대시보드의 작은 흔들림이 눈에 들어온다. 현장에서 "뭔가 이상한데요?"라는 감각은, 사실 정상의 모습을 수백 번 본 사람에게만 생긴다.

2. 데이터가 어디서, 어떻게 오는지 보여준다

현장의 데이터는 클라우드에서 태어나지 않는다. 센서에서 나와 PLC를 거치고, 게이트웨이를 지나 서버에 닿는다. 이 경로를 한 번이라도 직접 따라가 본 사람과, 그렇지 않은 사람의 장애 대응은 완전히 다르다. 데이터가 끊기면 모델부터 의심하는 게 아니라, 배선과 네트워크부터 본다. 신입에게는 데이터의 '출생지'를 보여주는 게 먼저다. 데이터가 어디서 어떻게 오는지 아는 사람은, 나중에 AI가 이상한 답을 내놓을 때도 원인을 빨리 찾는다.

3. AI의 답을 '검증하는 습관'을 먼저 가르친다

모델이 "불량"이라고 해도 곧바로 라인을 세우지 않는다. 현장에서 한 번 더 확인하는 루틴이 있다. 실제 불량품을 눈으로 보고, 같은 조건에서 다시 한 번 돌려보고, 그래도 이상하면 그때 멈춘다. AI는 확신을 말하지만, 확신은 검증의 대상이지 결론이 아니다. 이 습관이 없으면 모델의 오판 하나가 라인 정지로 이어진다. 반대로 검증 습관이 몸에 밴 엔지니어는 AI를 두려워하지 않고, 잘 활용한다.

마무리: 코드는 나중에 따라온다

코드 실력은 배우면 따라온다. 하지만 현장을 읽는 눈은 현장에서만 배운다. 신입에게 현장 AI를 가르칠 때 코드부터 쥐여주는 건, 지도를 읽기 전에 땅을 밟아보라고 하는 것과 같다. 정상의 모습을 외우고, 데이터의 경로를 알고, AI의 답을 검증하는 습관. 이 세 가지가 먼저 자리 잡으면, 그다음부터는 코드도, 모델도, 훨씬 빠르게 자기 것이 된다. 그래서 뭘 하면 되나 — 이번 주에 신입과 함께 라인 한 바퀴를 돌며 "정상일 때 소리가 어떤지"부터 물어보자.

관련 글:

설비 업체 미팅에서 7년차가 꼭 물어보는 질문 5가지

다시 켜봤어요? 재부팅으로 안 잡히는 장애를 풀어내는 현장 엔지니어의 장애 대응 루틴

설비 알람 1,000건이 쌓이기 전에 내가 먼저 본 것

공장에 AI가 들어오면 생산성은 올라간다. 그런데 한 가지, 잘 안 챙기는 게 있다. AI가 공장에 들어오는 순간, 해커가 들어올 길도 같이 넓어진다는 사실이다.

지금까지 공장은 비교적 조용했다. 설비망(OT)은 사무망(IT)과 분리돼 있었고, 바깥에서 닿기 어려웠다. 그런데 제조 AI는 데이터를 먹어야 돌아간다. 센서 데이터를 클라우드로 보내고, 모델 결과를 다시 설비로 내려보낸다. 연결이 늘어나는 만큼, 공격자가 노릴 문도 늘어난다. 제조 현장은 이미 랜섬웨어 공격의 주요 표적으로 꼽혀 왔다. AI 도입이 빨라질수록 이 문제는 더 커진다.

7년차 현장 엔지니어로서, 제조 AI 트렌드를 볼 때 보안은 '나중에'가 아니라 '설계할 때' 같이 들어가야 한다고 본다. 오늘은 현장에서 바로 쓸 수 있는 OT 보안 3가지 원칙을 정리한다.

1. IT와 OT, 연결하되 섞지 않는다

가장 흔한 실수는 AI를 붙인다고 IT망과 OT망을 그냥 이어버리는 것이다. 사무실 PC가 감염되면, 그 경로로 설비망까지 뚫리는 구조가 된다.

원칙은 단순하다. 연결은 하되, 경계는 남긴다. OT망은 방화벽 뒤에 두고, 필요한 데이터만 정해진 방향으로만 흐르게 한다. 예를 들어 센서 데이터는 OT에서 IT·클라우드로 나가는 방향만 허용하고, 반대 방향은 모델 결과 같은 최소한의 통로만 연다. 현장에서 흔히 쓰는 DMZ(비무장지대) 구간을 두는 방식도 같은 생각이다.

이건 AI 모델 성능과 무관해 보이지만, 사실은 도입의 전제 조건이다. 경계가 없는 AI는 잘 돌아가도, 한 번 뚫리면 라인 전체가 멈춘다.

2. AI 모델도 '권한'을 가진 설비로 취급한다

AI 모델이 설비를 직접 건드리기 시작하면, 모델 자체가 하나의 권한 주체가 된다. 그런데 많은 현장에서 모델 API 키나 계정이 별 관리 없이 돌아다닌다.

모델과 데이터 파이프라인에도 설비와 같은 권한 관리가 필요하다. 누가 모델을 호출할 수 있는지, 어떤 명령까지 내릴 수 있는지, 그 기록이 남는지를 정해두는 것이다. 특히 외부 AI 서비스를 쓸 때는 API 키가 어디에 저장되고 누가 볼 수 있는지부터 확인한다. 키 하나가 유출되면, 공격자는 모델을 통해 설비 상태를 들여다보거나, 잘못된 지시를 흘려보낼 수도 있다.

현장에서 내가 지키는 기준은 하나다. "이 모델이 사람이라면, 이 사람에게 어디까지 맡기겠나." 그 대답이 권한의 범위가 된다.

3. 패치와 모니터링은 '운영'의 일부다

설비는 한 번 깔면 10년을 쓴다. 그런데 그 위에 올라간 AI 에이전트, 게이트웨이, 센서 펌웨어는 계속 업데이트가 나온다. 보안 패치를 '나중에 몰아서' 하면, 그 사이가 공격 창구가 된다.

그래서 필요한 건 거창한 보안팀이 아니라, 작은 운영 루틴이다. 점검표는 이렇게 짠다. 게이트웨이·센서 펌웨어는 월 1회, 제조사 보안 공지를 확인하고 패치를 적용한다. AI 모델·API 키는 분기 1회, 미사용 키를 폐기하고 권한을 재확인한다. 네트워크 접속 기록은 주 1회, 평소와 다른 접속이 있는지 확인한다.

이 점검표의 핵심은 주기가 아니라 '기록'이다. 무엇을 언제 확인했는지 남겨야, 사고가 났을 때 어디서 뚫렸는지 찾을 수 있다. 현장 AI 운영 노트에서 늘 강조하는 것과 같다. 운영 기록이 없으면, 보안도 없다.

마무리 — 보안은 속도가 아니라 '지속'이다

제조 AI 트렌드를 이야기할 때 사람들은 모델 성능, 로봇 대수 같은 숫자를 먼저 본다. 그런데 현장에서 AI가 오래 살아남는 조건은 따로 있다. 뚫리지 않고, 멈추지 않고, 기록이 남는 것이다.

오늘 할 일은 세 가지다. 첫째, 우리 공장의 IT·OT 경계가 어디인지 그림으로 한 번 그려본다. 둘째, AI 모델과 API 키의 권한 목록을 뽑아본다. 셋째, 패치·접속 기록을 볼 수 있는 담당자를 한 명 정한다. 거창한 보안 솔루션부터 살 필요는 없다. 경계·권한·기록, 이 세 가지만 정리해도 제조 AI의 첫 번째 보안선은 선다.

관련 글:

AI 에이전트가 설비를 직접 건드리기 전에 — 현장 AI의 '행동 권한' 설계법

정확도 99%가 현장에서 쓸모없을 수 있다 — AI 모델 평가를 현장 지표로 바꾸는 법

디지털트윈의 진짜 엔진은 3D가 아니라 '데이터 수집'이다

현장에서 AI가 틀리는 방식은 두 가지다. 하나는 경보를 울리며 멈추는 경우, 다른 하나는 아무 일도 없었다는 듯 조용히 틀리는 경우다. 전자는 대응하면 되지만, 후자는 불량품이 쌓이고 나서야 드러난다. 7년차 현장 엔지니어로서, 제조 AI 운영에서 가장 무서운 건 정확도가 아니라 '틀렸다는 신호가 없는 틀림'이라고 생각한다.

1. 왜 조용히 틀리나

모델이 현장 데이터의 작은 변화에 적응해 버렸기 때문이다. 조명이 조금 바뀌고, 원자재 로트가 바뀌고, 설비가 미세하게 마모돼도 모델은 여전히 답을 낸다. 확신도는 그대로 높다. 문제는 이 변화가 '학습 데이터 바깥'이라는 걸 모델 스스로 모른다는 점이다. 데이터 드리프트가 서서히 진행되면 판정 경계는 조금씩 어긋나고, 불량 판정 기준은 어느 날 갑자기, 아무 예고 없이 틀어진다. 경보가 울리지 않는 이유는, 모델이 '틀렸다'는 걸 아는 장치가 애초에 없기 때문이다.

2. 잡는 법: 세 가지 교차 확인

첫째, 물리 일관성 체크다. AI 판정과 센서 물리량이 말이 되는지 본다. 진동이 평소보다 큰데 '정상'이라고 하면 일단 의심한다. 둘째, 두 번째 눈이다. 같은 판정을 규칙 기반 검사나 간단한 통계 모델로 한 번 더 거른다. AI가 틀려도 두 번째 눈이 잡으면 그날은 산다. 셋째, 작업자 피드백 루프다. 현장 작업자가 '이건 아닌데'라고 느낀 순간을 기록으로 남긴다. 그 기록이 다음 재학습의 가장 좋은 재료다. 세 가지 중 하나만 있어도 사일런트 에러는 절반 이상 줄어든다.

3. 그래서 뭘 하면 되나

경보가 울릴 때만 보는 대시보드를 버리고, '조용한 날'을 보는 점검표를 만들면 된다. 매일 아침 AI 판정 건수와 작업자 이의 제기 건수를 나란히 적는다. 두 숫자의 간격이 벌어지면 그게 신호다. 그래서 뭘 하면 되나 — 이번 주부터 판정 로그에 '작업자 이의 제기' 칸 하나만 추가해 보자. 그 한 칸이 사일런트 에러를 잡는 가장 싼 센서다.

이전 글:

정확도 99%가 현장에서 쓸모없을 수 있다 — AI 모델 평가를 현장 지표로 바꾸는 법

검증 통과한 AI가 한 달 만에 틀리기 시작했다 — 제조 현장의 데이터 드리프트와 재학습 루프

배포는 끝이 아니다, 새 모델을 현장에서 계속 지켜보는 법 (현장 AI 운영 노트 EP.7)