피지컬AI는 화면 안에서 답을 만드는 모델과 달리 로봇, 설비, 차량을 실제로 움직인다. 제조 현장에서는 모델 성능만큼 멈춤 시간, 작업자 안전, 기존 제어 시스템과의 연결이 중요하다. 정부가 AI 로봇과 피지컬AI를 메가프로젝트 의제로 올리고 제조 AI 전환을 뜻하는 M.AX를 추진하는 이유도 연구 결과를 공장 운영으로 옮기는 과정이 어렵기 때문이다. 목표 수치보다 먼저 볼 대목은 실증 데이터를 누가 만들고, 사고 책임과 유지보수를 어떻게 나누는지다.
정부 구상은 제조기업이 가진 공정 지식과 AI 기업의 모델 개발 역량을 공동 과제로 묶는 데 초점이 있다. M.AX 같은 협력 구조는 업종별 데이터를 정리하고 한 사업장에서 검증한 기능을 비슷한 공정으로 확산하는 통로가 될 수 있다. 다만 공장마다 설비 연식, 통신 규격, 품질 기준이 달라 같은 모델을 그대로 복사하기 어렵다. 실증 사업은 데모 성공 여부보다 어떤 조건에서 오류가 났는지, 사람이 개입한 기록이 남는지, 다른 설비에 옮길 때 다시 학습해야 하는 범위가 어디까지인지 공개해야 한다.
현장 도입은 자율 수준을 좁게 정하는 데서 시작하는 편이 안전하다. 용접 경로 보정이나 설비 이상 탐지처럼 입력과 결과를 확인하기 쉬운 작업부터 적용하고, 정지 버튼과 수동 전환 절차를 함께 시험해야 한다. 카메라와 센서 데이터에는 작업자 모습, 공정 비법, 협력사 정보가 섞일 수 있으므로 수집 목적과 보관 기간도 정해야 한다. 모델 업데이트 뒤에는 기존 안전 인증과 품질 검사가 여전히 유효한지 다시 확인할 책임자가 필요하다.
| 도입 단계 | 확인할 조건 | 남겨야 할 기록 |
|---|---|---|
| 공정 선정 | 반복 작업, 오류 확인 가능성, 수동 전환 | 기준 성능과 위험 분석 |
| 제한 실증 | 센서 품질, 설비 연결, 작업자 동선 | 오류·개입·정지 이력 |
| 운영 전환 | 책임자, 보안, 유지보수 계약 | 업데이트와 품질 검사 결과 |
| 확대 적용 | 다른 공정의 차이와 재학습 범위 | 비가동·재작업·안전 지표 |
중소 제조사는 로봇 구매비보다 통합과 운영 인력에서 더 큰 부담을 느낄 수 있다. 정부 지원이 장비 보급에 그치면 실증이 끝난 뒤 시스템을 멈추기 쉽다. 공용 테스트베드, 표준 인터페이스, 현장 엔지니어 교육, 장애 대응 계약을 함께 묶어야 한다. 대기업과 장비 업체도 성공 사례만 제시하기보다 재작업률, 비가동 시간, 안전 개입 횟수처럼 생산 책임자가 판단할 수 있는 지표를 같은 기준으로 남길 필요가 있다.
K-제조업의 강점은 공장과 숙련 인력이 이미 있다는 점이다. 이 강점은 로봇 수를 빠르게 늘릴 때보다 현장의 예외 상황을 학습 데이터와 운영 규칙으로 바꿀 때 살아난다. 정부 메가프로젝트와 M.AX의 성과도 참여 기관 수보다 반복 가능한 도입 절차로 평가해야 한다. 공정 선정, 위험 분석, 제한된 실증, 작업자 검토, 확대 적용을 순서대로 밟고 중단 기준까지 문서화해야 피지컬AI가 일회성 전시가 아니라 생산 도구가 된다.
저작권자 © STORIUM 무단전재 및 재배포 금지
