AI를 현장에 들이는 결정보다, AI를 잠시 멈추기로 하는 결정이 더 어렵다. 켜는 건 성과로 보이지만, 끄는 건 실패로 보이기 때문이다. 그래서 현장은 AI가 명백히 틀리는데도 계속 돌리는 경우가 많다. 7년차 현장 엔지니어로서, AI 운영에서 가장 비싼 실수는 '멈춰야 할 때 멈추지 못한 것'이었다.
1. 멈추는 기준은 '틀림'이 아니라 '신뢰 한계'다
AI가 한 번 틀렸다고 멈추는 현장은 없다. 멈추는 기준은 정확도가 아니라 '이 판단을 믿고 다음 행동을 해도 되는가'다. 내 기준은 세 가지다. 첫째, 같은 종류의 오판이 하루에 두 번 반복될 때. 둘째, 오판의 원인을 그날 안에 설명할 수 없을 때. 셋째, AI 판단을 따랐을 때의 손실이, 멈추고 수동으로 돌릴 때의 손실보다 커 보일 때. 셋 중 하나라도 해당하면, 그 AI는 그날 하루 '휴식'이다. 정확도 99%도 이 기준 앞에서는 의미가 없다. 현장에서 필요한 건 '틀리지 않는 AI'가 아니라 '틀렸을 때 멈출 수 있는 AI'다.
2. 롤백은 '되돌리기'가 아니라 '준비된 경로'다
롤백이 어려운 이유는 기술을 몰라서가 아니라, 돌아갈 길이 준비돼 있지 않기 때문이다. 모델을 교체할 때 이전 모델을 바로 지우는 현장이 많다. 저장 공간이 아깝다는 이유다. 그런데 롤백이 필요해진 순간, 이전 모델이 없으면 수동 운전으로 돌아가야 한다. 그래서 나는 모델을 교체할 때마다 '이전 모델 + 이전 프롬프트 + 이전 임계값'을 한 세트로 묶어 보관한다. 교체 후 2주간은 새 모델과 이전 모델을 번갈아 볼 수 있게 둔다. 롤백은 비상시의 '되돌리기'가 아니라, 평소에 닦아둔 '돌아갈 길'이다. 길이 없으면 멈추는 결정을 내릴 수 없다.
3. 중단 결정, 누가·어떻게 내리나
가장 흔한 실패는 '누가 멈추는 결정을 내리는지'가 정해져 있지 않은 경우다. 작업자는 AI가 이상해도 '내가 판단할 일이 아니다'라며 넘기고, 엔지니어는 현장에 없어서 모른다. 그래서 중단 결정의 권한은 미리 정해둔다. 내 현장의 규칙은 단순하다. 작업자는 AI 판단을 무시하고 수동으로 돌릴 권한이 있고, 그 결정은 사후 보고로 충분하다. 사전 승인을 받으라고 하면, 아무도 멈추지 않는다. 그리고 멈춘 뒤에는 '왜 멈췄는지'를 세 줄로 기록한다. 언제, 어떤 판단이, 어떤 근거로 이상했는지. 이 기록이 쌓이면 다음 모델의 개선점이 된다.
그래서 뭘 하면 되나
오늘 당장, 현장 AI마다 '멈추는 기준 3가지'와 '돌아갈 길(이전 모델 세트)'을 한 장으로 적어두는 것부터 시작하면 된다. AI를 잘 쓰는 현장은 AI를 잘 켜는 현장이 아니라, AI를 잘 멈출 수 있는 현장이다. 멈출 수 있을 때, 비로소 AI를 안심하고 계속 쓸 수 있다.
관련 글: 오탐 대응 루틴(https://developer-archive.tistory.com/253), 행동 권한(https://developer-archive.tistory.com/167), 챗봇 권한(https://developer-archive.tistory.com/145), 모델 버전 관리(https://developer-archive.tistory.com/155)
LG전자가 한국로봇산업진흥원(KIRIA)과 손을 잡았다. 지난 13일 서울 영등포구 LG트윈타워에서 '휴머노이드 로봇 품질 경쟁력 향상을 위한 상호협력 업무협약'을 맺고, 휴머노이드 로봇의 안전인증 평가 체계 구축과 국제·국가표준 개발에 함께 참여하기로 했다. LG 클로이드(CLOiD) 등 자사 휴머노이드를 대상으로 국내 안전 시범인증도 추진한다. 내년 1분기에는 엔비디아 레퍼런스 기반 이족보행 로봇 공개를 목표로 하고 있다. (출처: 디지털데일리·노컷뉴스·LG전자 뉴스룸, 2026-11-16)
휴머노이드 뉴스는 요즘 거의 매주 쏟아진다. 그런데 이번 소식은 결이 다르다. 로봇이 얼마나 잘 걷고, 얼마나 무거운 걸 드는지가 아니라, '공장에 들어가기 전에 무엇을 증명해야 하는가'에 대한 이야기이기 때문이다.
왜 '안전인증'이 지금 뉴스가 되는가
휴머노이드가 사람과 같은 공간에서 일한다는 건, 기존 산업용 로봇과는 전혀 다른 전제를 깔고 들어간다. 산업용 로봇은 펜스 안에 가두고, 사람이 들어가면 멈추는 게 기본이었다. 그런데 휴머노이드는 펜스가 없다. 같은 바닥을 걷고, 같은 통로를 쓰고, 사람 옆에서 물건을 나른다. 그래서 안전은 나중에 붙이는 옵션이 아니라, 설계 단계부터 들어가야 하는 전제 조건이 된다.
이번 MOU의 핵심이 바로 여기에 있다. 진흥원의 휴머노이드 로봇 안전인증센터 평가 시스템 구축에 LG전자가 참여하고, 개발 초기 단계부터 안전과 품질을 내재화하겠다는 구상이다. 클로이드 같은 실제 제품을 대상으로 국내 안전 시범인증까지 추진한다는 점도 눈에 띈다. 인증을 '출시 직전의 관문'이 아니라 '개발 과정의 일부'로 가져오겠다는 뜻이다.
현장에서 안전이 '서류'가 아니라 '설계'인 이유
7년차 현장 엔지니어로서, 이 소식이 반가운 이유는 단순하다. 현장에서 로봇 사고는 대부분 '로봇이 고장 나서'가 아니라 '사람이 로봇을 어떻게 대할지 정해지지 않아서' 생긴다. 속도 제한, 힘 제한, 정지 거리, 사람과의 최소 간격 — 이 숫자들을 현장에서 정하는 게 아니라, 제품이 나오기 전에 인증이라는 형태로 정해두면, 도입하는 쪽은 훨씬 수월해진다. (관련 글: 협동로봇 안전 검증, 현장에서 하기 전에 디지털트윈에서 먼저 — https://developer-archive.tistory.com/255)
또 하나, 표준 개발 참여라는 대목도 놓치면 안 된다. 휴머노이드 안전 기준이 아직 전 세계적으로도 정립 중인 단계다. 지금 기준을 만드는 쪽에 서면, 나중에 기준을 '따라야 하는' 입장이 아니라 기준을 '만든' 입장이 된다. 이건 기술 경쟁만큼이나 중요한 싸움이다.
그래서 우리 라인에서는 뭘 하면 되나
휴머노이드가 당장 우리 공장에 들어오는 건 아니다. 하지만 준비는 지금부터 할 수 있다.
첫째, 우리 라인에 로봇이 사람과 같은 공간에서 일하는 구간이 있는지, 그 구간의 안전 기준이 문서로 정리돼 있는지 확인해 보자. 둘째, 협동로봇을 도입할 때 속도·힘 제한을 어떻게 정했는지, 그 근거가 남아 있는지 점검해 보자. 셋째, 내년 1분기 LG전자의 이족보행 로봇 공개를 지켜보자. 그 로봇의 스펙보다, 어떤 안전 기준을 내세우며 공개하는지가 더 중요한 신호일 수 있다.
로봇이 공장에 들어오는 속도는 기술이 정하는 게 아니다. 안전을 증명하는 속도가 정한다. 오늘 MOU는 그 속도를 높이겠다는 선언이다. 현장에서 일하는 우리도, '안전은 나중에'가 아니라 '안전이 먼저'라는 기준을 같은 속도로 준비해야 한다.
관련 글: LG 클로이드 美·韓 공장 실전 검증 — "피지컬 AI의 시험대는 결국 공장 바닥이다"(https://developer-archive.tistory.com/166), 테슬라 옵티머스 3세대 양산 준비 — "휴머노이드 대전, 이제 '공장 입증'이 남았다"(https://developer-archive.tistory.com/161), 협동로봇 안전 검증, 현장에서 하기 전에 디지털트윈에서 먼저(https://developer-archive.tistory.com/255)
분기마다 하나씩 바꾸면, 일 년 뒤에는 네 가지가 바뀌어 있다. 그런데 그 네 가지가 노트에 어떻게 남아 있느냐가 다음 일 년을 결정한다. 바꾸는 것 자체보다, 바뀐 게 어떻게 기록되고, 그 기록이 다음 사람에게 어떻게 전해지느냐가 운영의 실력이다. 분기 리뷰를 네 번 돌린 뒤의 운영 노트는, 처음 쓸 때와는 다른 노트가 돼 있어야 한다.
1. 일 년 뒤 노트에는 '하지 않기로 한 것'이 적혀 있다
처음 운영 노트에는 할 일만 적힌다. 점검표, 경보 기준, 대응 순서. 그런데 분기를 거듭하면 반대 목록이 생긴다. "이 경보는 임계값을 올려도 된다", "이 검증은 매번 할 필요가 없다", "야간 경보는 이 조건에서는 다음 날 아침으로 미룬다". 즉, 하지 않기로 한 것들의 목록이다.
이 목록이 중요한 이유는, 현장에서는 할 일보다 하지 않는 일이 더 빨리 쌓이기 때문이다. 점검 항목이 계속 늘어나면 아침 5분 점검은 10분이 되고, 10분이 되면 아무도 안 한다. 분기마다 "이건 빼도 된다"는 결정을 하나씩 내린 노트만이, 일 년 뒤에도 5분 안에 끝나는 점검표로 남는다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 운영 노트의 가치는 적힌 항목의 개수가 아니라, 빼는 결정을 남겼는가로 정해진다.
2. 숫자 네 개가 한 장에 모인다
분기마다 확인하던 숫자들은 일 년이 지나면 한 장으로 모인다. 경보 건수의 추이, 평균 대응 시간, 한 사람에게 몰리던 비중, 재학습 횟수. 이 네 개만 한 장에 있으면, "우리 현장 AI가 올해 어떻게 달라졌나"는 질문에 답할 수 있다.
이 한 장이 없으면, 분기 리뷰는 매번 처음부터 시작한다. "작년 이맘때 경보가 얼마나 울렸지?"를 기억으로 답하게 된다. 기억은 늘 낙관적이다. 숫자가 한 장에 모여 있으면, 다음 분기에 뭘 바꿀지는 숫자가 먼저 말한다. 운영 노트는 기록이 아니라, 다음 결정을 위한 한 장의 근거다. 일 년 뒤 노트의 마지막 장은, 그래서 올해의 숫자 네 개가 적힌 요약이어야 한다.
3. 노트는 '사람이 바뀌어도 이어지는' 형태로 바뀐다
운영 노트를 쓴 사람이 현장을 떠나면, 노트는 어떻게 될까. 분기마다 고친 기록이 날짜와 이유와 함께 남아 있으면, 다음 사람은 "왜 이 임계값이 이렇게 됐는지"를 묻지 않고도 알 수 있다. 반대로 결과만 적힌 노트는, 사람이 바뀌는 순간 쓸모가 없어진다.
그래서 일 년 뒤의 노트는 형식이 바뀐다. 항목마다 "바꾼 날짜 — 바꾼 이유 — 확인한 숫자"가 한 줄로 붙는다. 이 한 줄이 있으면, 새로 온 사람이 노트를 읽고도 같은 판단을 할 수 있다. 운영 노트의 최종 목적은 나를 위한 기록이 아니라, 나 없이도 현장이 돌아가게 만드는 것이다. 분기마다 고친 것들이 쌓인 노트는, 결국 팀의 자산이 된다.
그래서 뭘 하면 되나
이번 주 할 일은 세 가지다. 첫째, 올해 분기마다 바꿨던 것들을 꺼내, "하지 않기로 한 것" 목록을 한 장으로 만든다. 둘째, 경보 건수·대응 시간·몰림 비중·재학습 횟수 네 개 숫자를 한 장에 모아 올해의 요약으로 둔다. 셋째, 노트의 각 항목에 "바꾼 날짜 — 바꾼 이유 — 확인한 숫자"를 한 줄로 붙인다. 분기마다 하나씩 바꾸고, 일 년마다 한 장으로 묶으면, 운영 노트는 기록을 넘어 팀의 자산이 된다. 다음 편에서는 일 년 치 운영 노트를 가지고, 내년 도입 검토에 무엇을 반영하는지 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), 데이터 드리프트(https://developer-archive.tistory.com/133), 모델 평가 현장 지표(https://developer-archive.tistory.com/164)
11월이 되면 현장이 조금씩 달라집니다. 아침에 라인에 들어서면 여름과 다른 공기가 느껴져요. 설비는 말은 못 하지만, 추위가 오면 자기 방식대로 신호를 보냅니다. 7년차 현장 엔지니어로서, 겨울이 오기 전에 꼭 챙기는 세 가지 현장 변수를 정리해봤습니다.
결로 — 보이지 않는 물이 센서를 속인다
추위가 오면 제일 먼저 나타나는 게 결로입니다. 밤새 식은 설비 표면에 아침 공기가 닿으면 물방울이 맺히고, 이게 센서나 커넥터에 닿으면 오동작의 원인이 됩니다. 겉보기엔 멀쩡한데, 가끔 값이 튀는 날이 있다면 결로를 먼저 의심해볼 만합니다.
현장에서 하는 건 단순합니다. 아침 첫 가동 전, 센서 주변과 제어반 안쪽을 한 번 봅니다. 물방울이 보이면 닦아내고, 환기부터 확인합니다. 결로는 고장이 아니라 환경이 만든 변수라서, 원인을 알면 대응은 어렵지 않습니다.
추위엔 점도가 바뀐다 — 윤활유와 공압이 느려지는 이유
온도가 떨어지면 윤활유 점도가 올라갑니다. 같은 설비인데 겨울 아침만 되면 움직임이 살짝 굼떠지는 이유 중 하나입니다. 베어링이 타기 전 윤활부터 보라는 얘기를 현장썰에서도 했는데, 겨울에는 그 체크가 더 중요해집니다.
공압도 마찬가지입니다. 에어 라인의 수분이 차가워지면 응답이 느려지거나, 심하면 배관이 얼기도 합니다. 겨울 전에 에어 드라이어와 드레인 상태를 한 번 확인해두면, 한파 아침에 라인이 멈추는 일을 줄일 수 있습니다.
온도 드리프트 — 계측값이 계절을 탄다
센서도 계절을 탑니다. 온도가 바뀌면 영점이 조금씩 밀리고, 여름에 맞춘 기준값이 겨울에는 어긋나 보일 때가 있습니다. "센서는 정상인데 현장은 멈췄던 날"의 원인 중에도 이런 계절성 드리프트가 숨어 있는 경우가 있습니다.
그래서 겨울이 오기 전에는 주요 계측 포인트의 영점을 한 번 다시 확인합니다. 기준을 다시 잡는 데는 시간이 조금 들지만, 한겨울에 원인 모를 알람을 붙잡고 있는 것보다는 낫습니다.
그래서 뭘 하면 되나 — 아침 가동 전 3가지 체크
정리하면, 겨울철 아침 가동 전에는 이 세 가지만 보면 됩니다. 첫째, 센서와 제어반 주변에 결로가 없는지. 둘째, 윤활유 상태와 공압 라인 수분은 괜찮은지. 셋째, 주요 계측값의 영점이 계절에 맞게 다시 잡혔는지.
현장에서 AI가 아무리 똑똑해져도, 결로 한 방울과 차가워진 윤활유는 데이터로만 잡히지 않을 때가 있습니다. 계절이 바뀌면 현장도 바뀐다는 것, 그걸 먼저 아는 게 7년차 엔지니어가 겨울을 준비하는 방식입니다.
관련 글: 설비 알람 1,000건이 쌓이기 전에 내가 먼저 본 것(https://developer-archive.tistory.com/130), 다시 켜봤어요? — 재부팅으로 안 잡히는 장애를 풀어내는 현장 엔지니어의 장애 대응 루틴(https://developer-archive.tistory.com/135)
AI가 설비를 멈추라고 하고, PLC가 계속 돌리라고 하면 현장에서는 누가 이길까. 답은 정해져 있다. PLC다. 그런데 이 답을 문서로 적어둔 현장은 생각보다 적다. AI를 들여놓고 나서야 "AI 권고가 PLC 조건과 다르면 어떻게 하지?"라는 질문이 나오는 경우가 많다. 그 질문은 AI를 켜기 전에 답이 정해져 있어야 한다.
1. 제어와 추론은 역할이 다르다
PLC는 라인의 안전과 인터록을 지키는 최후의 보루다. 정해진 조건이 되면 정해진 동작을 한다. 반면 AI는 확률로 판단하는 보조자다. 아무리 정확도가 높아도 AI의 판단은 '권고'이지 '명령'이 아니다. 7년차 현장 엔지니어로서, AI를 현장에 들일 때 가장 먼저 확인한 건 "이 AI가 PLC의 안전 조건을 우회할 수 있느냐"였다. 답은 "절대 안 된다"여야 한다. AI의 출력이 PLC의 인터록 조건을 건드릴 수 있는 구조라면, 그건 AI 도입이 아니라 안전 설계의 실패다.
2. 충돌이 생기는 지점 3가지
첫째, AI가 이상 징후를 보고 멈추라는데 PLC 센서값은 정상 범위일 때. 둘째, AI가 속도 상향을 권하는데 PLC에 설정된 상한을 넘을 때. 셋째, AI 판단의 근거 데이터가 오래됐거나 일부 누락됐을 때. 세 경우 모두 AI가 틀렸다는 뜻은 아니다. 다만 AI가 보는 세계와 PLC가 보는 세계가 다르다는 뜻이다. AI는 학습 데이터의 세계를 보고, PLC는 지금 이 순간의 센서를 본다. 충돌 자체를 없앨 수는 없다. 없애려고 하면 둘 중 하나의 눈을 가리게 된다.
3. 우선순위를 '미리' 정해두는 법
그래서 우선순위는 사고가 나기 전, 문서로 정해둔다. 내 기준은 단순하다. 안전 인터록이 1순위, 사람의 판단이 2순위, AI의 권고가 3순위다. AI 권고가 PLC 조건과 충돌하면 무조건 PLC를 따르고, 그 충돌을 로그에 남긴다. 그리고 다음 주에 그 로그를 한 번 리뷰한다. 충돌이 반복되면 AI 모델이 아니라 AI가 보는 데이터, 혹은 PLC 조건 자체를 다시 본다. 이 루틴이 있으면 충돌은 사고가 아니라 개선의 재료가 된다.
그래서 뭘 하면 되나 — AI 권고가 PLC 조건과 충돌하면 무조건 PLC를 따르고, 그 충돌을 로그에 남겨 다음 주에 한 번 리뷰하는 것부터 시작하면 된다. AI를 현장에 들인다는 건 판단을 하나 더 들이는 일이지, 책임을 넘기는 일이 아니다. 책임의 마지막 자리는 여전히 사람과 PLC가 나눠 갖고 있어야 한다.
관련 글: 디지털트윈 데이터 수집(https://developer-archive.tistory.com/124), 규칙 레이어(https://developer-archive.tistory.com/140), 행동 권한(https://developer-archive.tistory.com/167), 래더 주석(https://developer-archive.tistory.com/246)
로봇 전용 '두뇌'를 만드는 팀이 사라졌습니다. OpenAI가 로봇 전담 연구팀을 해산했다는 소식이 11월 13일 Fortune 보도로 알려졌고, OpenAI 측이 이를 확인했습니다. 로봇 사업을 접는 게 아닙니다. 오히려 반대입니다. 범용 AI가 로봇을 직접 움직일 수 있게 됐으니, 전용 팀을 따로 둘 필요가 없다는 판단입니다. 같은 주에 구글 딥마인드는 정반대 방향의 증거를 내놨습니다. 범용 모델이 로봇의 두뇌가 될 수 있을까 — 이번 주, 두 가지 답이 동시에 나왔습니다.
1. 해산의 근거는 '시뮬레이션 74.8%'였다
OpenAI가 내세운 근거는 숫자 하나입니다. 범용 모델 'GPT-6 Astra' 기반 AI 에이전트가 가상 공간의 로봇 조작 과제에서 74.8%의 성공률을 기록했고, 같은 시험에서 로봇 전용 모델의 최고 성적은 51.0%였습니다. 격차는 23.8%포인트입니다.
다만 이 숫자를 읽을 때 조건을 함께 봐야 합니다. 이건 OpenAI 자체 측정이 아니라 엔비디아 연구진이 진행한 시뮬레이션 결과이고, 실기가 아니라 가상 공간에서의 결과입니다. 시뮬레이션에서 잘하는 모델이 공장 바닥에서도 잘한다는 보장은 없습니다. 현장에서 로봇을 다뤄본 사람이라면 이 한 줄이 왜 중요한지 압니다. 시뮬레이션은 먼지, 진동, 미끄러운 바닥, 예상 밖의 사람 동선을 담지 못합니다.
그럼에도 해산이라는 결정 자체가 메시지입니다. OpenAI는 2027년 자사 휴머노이드의 첫 공개 시연을 여전히 계획하고 있습니다. "로봇을 그만두는 게 아니라, 두뇌를 따로 만들지 않겠다"는 선언에 가깝습니다.
2. 같은 주, 구글은 '실증'으로 답했다
흥미로운 건 같은 주에 나온 구글 딥마인드의 발표입니다. CoRL 2026에서 공개된 Gemini Robotics 2.5는 메르세데스-벤츠의 실제 자동차 생산 라인에서 검증됐습니다. 독일 진델핑겐과 헝가리 케치케메트 공장에서 휴머노이드 Apollo 2가 산적한 부품함에서 금속 브래킷을 골라 순서대로 담는 작업의 성공률이 96%였습니다.
작은 손동작 수치도 눈에 띕니다. 집게로 과자 집기가 5%에서 100%로, 리본 매듭 풀기가 0%에서 70%로 올랐습니다. 전체 작업 속도는 20~30% 빨라졌고, 사람 근처에서의 안전 과제 완료율은 43% 개선됐습니다.
두 회사의 답은 이렇게 갈립니다. OpenAI는 "범용 모델이면 된다"고 했고, 구글은 "범용 모델이 실제 라인에서 증명됐다"고 했습니다. 한쪽은 조직 개편으로, 한쪽은 실증 수치로 같은 질문에 답한 셈입니다.
3. 현장에서 먼저 물을 질문은 따로 있다
7년차 현장 관점에서, 이 뉴스를 보고 가장 먼저 물을 질문은 "모델이 좋아졌나"가 아닙니다. "그 모델이 우리 라인에서, 우리 부품으로, 우리 속도로 돌 때 성공률이 얼마인가"입니다.
범용 모델이 로봇의 두뇌가 되는 시대가 온다면, 현장 엔지니어의 일은 오히려 더 중요해집니다. 모델을 고르는 일이 아니라, 모델이 틀렸을 때 라인을 세우지 않는 설계, 손이 미끄러졌을 때 다시 잡는 힘 제어, 사람 옆에서 멈추는 안전 경계 같은 '마지막 10미터'를 만드는 일이 남기 때문입니다. 두뇌가 좋아질수록, 손끝의 감각과 현장의 검증이 병목이 됩니다.
그래서 뭘 하면 되나 — 당장 할 일은 세 가지입니다. 첫째, 우리 공정의 로봇 작업 중 '반복되는 손동작' 하나를 골라 성공률과 실패 방식을 숫자로 기록해 둔다. 둘째, 시뮬레이션 성공률과 실제 라인 성공률을 같은 표에 놓고 비교하는 습관을 만든다. 셋째, 범용 모델 뉴스가 나올 때마다 "어느 공장에서, 어떤 부품으로 검증됐는지"를 먼저 확인한다.
모델 전쟁이 로봇 전쟁으로 번지는 지금, 현장의 질문은 달라지지 않았습니다. "그래서 우리 라인에서는 되나요?" — 이 질문에 답할 수 있는 현장이 결국 이기는 현장입니다.
공장에 AI를 들여놓을 때 제일 먼저 부딪히는 질문은 "모델이 얼마나 똑똑하냐"가 아니다. 현장에서 진짜로 묻는 건 따로 있다. 답이 다음 트레이가 지나가기 전에 나오나, 인터넷이 끊겨도 돌아가나, 공장 데이터가 건물 밖으로 나가지 않나. 이 세 가지에 답하지 못하면 아무리 큰 모델도 라인 옆에 설 자리가 없다. 그래서 2026년 제조 AI의 흐름은 "더 크게"가 아니라 "더 작게, 더 가까이"로 꺾이고 있다. 주인공은 소형언어모델, SLM이다.
큰 모델이 현장에서 막히는 지점
거대 언어모델은 클라우드에서 잘 돌아간다. 그런데 공장은 클라우드가 아니다. 검사 카메라가 초당 수십 장을 찍는 라인에서, 판정 보조 답변이 왕복 몇 초씩 걸리면 그 모델은 없는 것과 같다. 토큰당 과금도 문제다. 하루 수만 건씩 질의가 쌓이는 라인에서는 "똑똑한 모델"이 곧 "비싼 모델"이 된다. 무엇보다 데이터 문제다. 불량 사진, 공정 조건, 설비 로그는 외부로 나가면 안 되는 정보가 많다. 클라우드로 보내지 않고 현장 안에서 답을 내는 구조가 필요한 이유다.
SLM이 뭔데 — 작지만 할 일만 하는 모델
SLM은 보통 수억에서 100억 파라미터 안팎의 작은 모델이다. 덩치는 작지만, 할 일 하나에 맞춰 잘 만든 데이터로 학습하면 그 일에서는 큰 모델 못지않다. 엔비디아 연구진이 조지아텍과 함께 낸 논문 제목이 이 흐름을 그대로 보여준다. "작은 언어모델이 에이전트 AI의 미래다." 가트너는 2027년이면 기업이 범용 대형 모델보다 작고 전용화된 모델을 3배 더 많이 쓸 것으로 전망한다. 델은 2026년을 "SLM의 해"라고 불렀다. 모델 쪽도 준비가 됐다. 마이크로소프트 Phi-4, 메타 Llama 3.2의 1B·3B, 구글 Gemma 4의 엣지용 E2B·E4B 같은 모델들이 현장 옆 기기에서 돌아가도록 설계돼 있다.
현장에서 SLM이 실제로 하는 일
현장에서 SLM이 맡는 일은 화려하지 않다. 불량 판정 근거를 한 줄로 정리해 작업자에게 보여주고, 두꺼운 매뉴얼 대신 "이 알람은 뭐고, 지금 뭘 해야 하냐"는 질문에 답하고, 쏟아지는 알람 로그를 요약해 "지금 봐야 할 건 이 세 개"만 골라준다. 호주 베가 그룹의 제조 코파일럿 사례처럼 Llama-2-7B 같은 작은 모델에 검색(RAG)을 붙여 작업자 지원에 쓰는 곳도 있다. 핵심은 거창한 자율화가 아니라, 작업자 옆에서 바로 답하는 "작은 조수"다. 그리고 이 조수는 전원이 나가도, 인터넷이 끊겨도, 그 자리에서 일한다.
그래서 뭘 하면 되나
7년차 현장 엔지니어로서 한 줄로 정리하면, "모델을 고르기 전에, 그 모델이 어디서 돌아갈지를 먼저 정하라"는 것이다. 클라우드가 답이 아닌 일부터 찾는다. 알람 요약, 매뉴얼 질의, 판정 근거 정리처럼 답이 빨라야 하고 데이터가 밖에 나가면 안 되는 일. 그 일 하나에 작은 모델을 붙여보고, 답이 현장에서 통하는지를 먼저 확인한다. 큰 모델을 들여놓는 건 그다음이다. AI 도입의 성패는 모델 크기가 아니라, 그 모델이 현장의 속도와 규칙 안에 들어가는지에서 갈린다.
출처: NVIDIA Research·Georgia Tech "Small Language Models are the Future of Agentic AI"(2025), Gartner 전망(iFactory 정리), Ecosystm "The Rise of Small"(2026-07), Firecrux "Small language models on the edge in 2026"
AI를 공장에 들여오는 일에서 제일 어려운 건 모델이 아니다. 같은 설명을 해도 경영진은 고개를 끄덕이고, 작업자는 팔짱을 끼고, 설비팀은 "그래서 라인이 멈추면 누가 책임지냐"고 묻는다. 상대가 다르면 통하는 말이 다르다. 7년차 현장 엔지니어로서, 나는 AI 도입 설명을 세 가지 말로 나눠서 한다.
경영진에게는 숫자로 말한다
경영진은 기술이 아니라 돈과 리스크로 판단한다. "정확도가 98%입니다"는 그들에게 아무 말이 아니다. 대신 이렇게 말한다. "이 라인에서 한 달에 나오는 오탐이 40건인데, 그중 30건은 이 규칙으로 걸러집니다. 오탐 한 건 처리하는 데 드는 시간이 평균 20분이니, 한 달에 10시간이 남습니다."
포인트는 거창한 ROI가 아니라, 이미 현장에서 재고 있는 비용을 숫자로 보여주는 것이다. 파일럿 범위도 작게 잡는다. 한 라인, 한 공정, 한 달. "전 공장에 깐다"는 말은 경영진도 부담스러워한다. 작게 시작해서 숫자로 증명하면, 다음 단계는 그들이 먼저 묻는다.
작업자에게는 '손쉬움'으로 말한다
작업자는 AI가 일을 덜어주는지, 아니면 일을 하나 더 얹는지부터 본다. 새 화면이 하나 더 생기면 그게 곧 야근이다. 그래서 나는 도입 전에 작업자에게 이렇게 묻는다. "지금 제일 귀찮은 확인 작업이 뭐예요?" 그 답이 곧 AI가 처음 맡아야 할 일이다.
알람 확인, 기록 입력, 이상 여부 1차 판단. 이 세 가지를 줄여주면 작업자는 AI를 도구가 아니라 동료로 본다. 반대로 "AI가 판단하니까 그대로 따르세요"라고 하면, 첫 오탐에서 신뢰가 무너진다. 작업자의 손쉬움이 먼저다. 기술 설명은 그 다음이다.
설비팀에게는 '안전'으로 말한다
설비팀의 질문은 늘 같다. "멈추면 누가 책임지냐." 이 질문에 "AI가 알아서 합니다"는 최악의 답이다. 나는 이렇게 답한다. "AI는 판단을 내리지만, 멈추고 돌리는 결정은 지금처럼 사람이 합니다. AI가 틀리면 그 기록이 남아서, 다음엔 같은 실수를 안 합니다."
권한의 경계를 먼저 그어주는 것이다. AI가 설비를 직접 건드리는 범위는 따로 정하고(#145 챗봇 권한 글에서 다룬 것처럼), 그 밖의 일은 사람이 결정한다. 안전 장치가 어디에 있고, 실패하면 어떻게 멈추는지를 보여주면 설비팀은 비로소 귀를 연다.
마무리
AI 도입 설득은 기술 발표가 아니라 번역이다. 경영진에게는 숫자로, 작업자에게는 손쉬움으로, 설비팀에게는 안전으로. 같은 AI라도 상대마다 다른 말을 해야 현장에 들어간다.
그래서 뭘 하면 되나 — 다음 도입 회의 전에, 상대 세 명(경영진·작업자·설비팀)에게 각각 통할 한 문장씩만 미리 써보자. 그 한 문장이 준비되면, AI는 기술이 아니라 현장의 일로 들어간다.
관련 글: 공장용 AI 챗봇 권한 문제(https://developer-archive.tistory.com/145), 모델 버전 관리(https://developer-archive.tistory.com/155)
출처: 노컷뉴스, 2026-11-14 08:00, "공장이 스스로 판단하고 움직인다… 새만금, 피지컬 AI 전진기지"
공장이 '판단'하는 시대가 온다는 말의 뜻
노컷뉴스가 11월 14일 전한 소식은 단순한 지역 개발 뉴스가 아니다. 전북 새만금이 피지컬 AI의 국가 실증 거점으로 떠오르고 있다. 정부와 전북, 현대자동차그룹이 2031년까지 '전북 피지컬 AI 밸리'를 조성해 국산 로봇과 핵심 부품의 성능을 검증하고 실제 산업 현장에서 실증하겠다는 계획이다. 김제·새만금 일대에는 3,000억 원 규모의 '새만금 로봇팜팩토리'도 들어선다.
여기서 피지컬 AI는 "로봇이 사람 일을 대신한다"는 뜻이 아니다. AI·로봇·모빌리티·첨단 소프트웨어가 결합해 현실 세계의 움직임과 작업을 스스로 판단하고 수행하는 기술이다. 최종 목표는 사람의 개입이 거의 없는 완전 무인 공장, 이른바 '다크팩토리'다. 기사 한 줄이 이 방향을 정확히 짚는다. 공장이 스스로 판단하고 움직이는 것, 그게 피지컬 AI다.
VLA와 심투리얼, 공장의 '두뇌'와 '연습장'
이 계획의 기술적 핵심은 두 가지다. 첫째는 VLA(Vision Language Action) 모델이다. 보고·이해하고·행동하는 것을 하나로 묶은 모델로, 로봇이 주변을 인식하고 작업의 맥락을 이해해 상황에 맞는 행동을 스스로 선택한다. 둘째는 심투리얼(Sim2Real)이다. 디지털트윈으로 만든 가상 공간에서 로봇을 대량으로 훈련시킨 뒤, 그 결과를 실제 기계에 적용하는 방식이다.
현장에서 일하는 입장에서 이 두 단어는 낯설지 않다. VLA는 "로봇이 상황을 보고 판단한다"는 말이고, 심투리얼은 "가상에서 충분히 연습한 뒤 현장에 내보낸다"는 말이다. 새만금 계획이 흥미로운 건 이 둘을 '실증'이라는 단어로 묶었다는 점이다. 연구실 데모가 아니라, 실제 생산 라인에서 검증하겠다는 선언이다. 전북대 실증 랩에 이미 피지컬 AI 생산 공정이 들어서 스티어링휠을 만들고 있다는 대목이 그 증거다.
다크팩토리는 목표인가, 수출 상품인가
기사가 덧붙인 한 문장이 더 눈에 띈다. 전북도는 기술 개발과 실증을 넘어 다크팩토리 시스템 자체를 해외에 수출하는 청사진까지 그리고 있다. 공장을 짓는 나라에서 공장을 '만드는 시스템'을 파는 나라로 가겠다는 얘기다.
7년차 현장 엔지니어로서 한 줄만 덧붙인다. 다크팩토리의 진짜 시험대는 조명 없는 공장이 아니라, 사람이 없을 때 고장이 나도 공장이 스스로 멈추고 복구하는지다. 무인은 사람을 없애는 게 아니라, 사람의 판단을 시스템에 옮기는 일이다. 그래서 지금 할 일은 거창하지 않다. 내 라인의 고장·정지·복구 기록을 "사람이 없을 때 뭐부터 할지" 순서로 정리해두는 것, 그게 다크팩토리의 첫 번째 설계도다.
관련 글: 인티그리트 — 로봇이 움직이기 전에 '결과'를 본다(https://developer-archive.tistory.com/149), LG 클로이드, 공장에서 검증받는 피지컬 AI(https://developer-archive.tistory.com/166), 현장 AI 운영 노트 EP.13 — 여러 공장의 운영 노트를 한데 모으는 법(https://developer-archive.tistory.com/243)
분기 리뷰가 끝나면 회의실에서는 다들 고개를 끄덕인다. "경보 하나를 줄이자", "검증 기준 하나를 현장에 맞추자", "야간 담당을 나누자". 그런데 다음 분기가 되면 바뀐 게 없는 경우가 많다. 정한 건 좋은데, 적용이 안 된 것이다. 이유는 단순하다. '바꿀 것 하나'를 정해놓고, 막상 적용하려고 하면 한 번에 다 바꾸려 하기 때문이다. 분기 리뷰의 결론은 작아야 하고, 적용의 순서는 더 작아야 한다.
1. 먼저 손대는 건 '되돌릴 수 있는 것'부터
바꿀 것 하나를 적용할 때 첫 번째 기준은 효과의 크기가 아니라 되돌릴 수 있는지다. 경보 임계값을 하나 조정하는 건 되돌리기 쉽다. 대시보드 화면 하나를 바꾸는 것도 그렇다. 반대로 모델을 통째로 바꾸거나, 조치 루틴의 담당자를 바꾸는 건 되돌리는 데 시간이 걸린다. 그래서 적용 순서는 이렇게 정한다. 되돌리기 쉬운 것부터 먼저, 되돌리기 어려운 건 나중에. 임계값 조정부터 하고, 한 주 돌려본 뒤에 다음 것을 건드린다. 한 번에 여러 개를 바꾸면, 좋아졌는지 나빠졌는지 원인을 알 수 없다. 현장에서 "뭘 바꿨더니 좋아졌다"는 말을 하려면, 한 번에 하나씩 바꿔야 한다. 7년차 현장 엔지니어로서 한 줄로 정리하면, 적용의 첫 번째 원칙은 "바꾼 게 틀렸을 때, 원래대로 돌아갈 수 있는가"다.
2. 사람부터 바꾸지 말고, '순서'부터 바꾼다
분기 리뷰에서 가장 흔히 나오는 결론이 "담당을 나누자" 같은 사람 문제다. 그런데 사람을 바꾸는 건 가장 느리고, 가장 저항이 크다. 담당을 나누기 전에, 먼저 '순서'를 바꾸는 게 낫다. 경보가 울렸을 때 누가 먼저 보는지의 순서를 정하고, 야간 경보는 다음 날 아침에 반드시 리뷰하는 순서를 넣는 식이다. 순서는 사람을 바꾸지 않고도 바꿀 수 있다. 순서가 바뀌면 사람의 행동이 바뀌고, 행동이 바뀌면 부담이 어디에 몰리는지가 보인다. 그때 가서 담당을 나누면, 나눌 이유가 숫자로 보인다. "야간 대응이 A씨에게 70% 몰린다"는 숫자가 있어야, 담당을 나누자는 얘기가 설득력을 갖는다. 사람부터 바꾸면 저항이 먼저 오고, 순서부터 바꾸면 숫자가 먼저 온다.
3. 바꾼 것은 한 달 뒤 숫자로 확인한다
적용하고 끝이 아니다. 바꾼 것은 한 달 뒤에 반드시 숫자로 확인한다. 임계값을 바꿨다면 그 경보가 줄었는지, 순서를 바꿨다면 대응 시간이 줄었는지, 담당을 나눴다면 한 사람에게 몰리던 비중이 줄었는지를 본다. 이 확인이 없으면, 바꾼 것은 "바꿨다"는 사실만 남고 효과는 모른다. 한 달 뒤 숫자가 나아지지 않았다면, 그건 실패가 아니라 다음 분기 리뷰의 재료다. 왜 안 됐는지를 운영 노트에 적어두면, 다음 분기에는 같은 실수를 안 한다. 분기 리뷰에서 정한 '바꿀 것 하나'는, 한 달 뒤 숫자 확인까지가 한 세트다.
그래서 뭘 하면 되나
이번 주 할 일은 세 가지다. 첫째, 지난 분기 리뷰에서 정한 '바꿀 것 하나'를 꺼내, 되돌릴 수 있는 순서로 다시 적는다. 둘째, 사람부터 바꾸지 말고, 그 일의 '순서'부터 바꾼다. 셋째, 바꾼 날짜를 운영 노트에 적고, 한 달 뒤 확인할 숫자(경보 건수·대응 시간·몰림 비중)를 함께 적는다. 분기마다 하나씩 바꾸고, 한 달마다 숫자로 확인하면, 일 년 뒤의 현장은 지금과 달라져 있다. 다음 편에서는 분기마다 고친 것들이 쌓여, 일 년 뒤 운영 노트가 어떻게 달라지는지 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), 데이터 드리프트(https://developer-archive.tistory.com/133), 모델 평가 현장 지표(https://developer-archive.tistory.com/164)