FigureAI Rose 200시간 시연: 챗봇을 넘어 창고로 들어가는 피지컬 AI

핵심 요약

FigureAI의 휴머노이드 로봇 Rose가 200시간 동안 소포 분류 작업을 수행한 시연은 AI 경쟁의 무대가 화면 속 챗봇에서 물류창고와 공장 바닥으로 이동하고 있음을 보여준다. 그 이유는 대형언어모델(사람의 언어를 이해하고 생성하는 AI 모델)의 성능 경쟁만으로는 기업이 원하는 생산성 향상을 충분히 설명하기 어려워졌고, 이제 AI가 실제 물건을 집고 옮기고 검사하는 피지컬 AI(소프트웨어 AI가 로봇 몸을 통해 현실 세계에서 행동하는 기술)로 확장되고 있기 때문이다. 이것이 의미하는 것은 단순한 “로봇이 사람 일을 빼앗는다”는 이야기가 아니라, 물류·제조·유통·건설 현장의 업무 설계, 안전 기준, 데이터 인프라, 노동시장의 협상 구조가 함께 바뀌는 훨씬 큰 전환이다. 앞으로 12개월 동안 중요한 질문은 “휴머노이드가 얼마나 사람처럼 보이느냐”가 아니라 “얼마나 오래, 얼마나 적은 감독으로, 얼마나 기존 현장에 자연스럽게 들어갈 수 있느냐”가 될 것이다.

무엇이 일어나고 있는가

200시간 소포 분류가 중요한 이유는 ‘동작’보다 ‘지속 시간’이다

FigureAI는 5월 13일부터 휴머노이드 로봇 Rose가 소포 분류 작업을 수행하는 모습을 200시간 동안 생중계한 것으로 보도됐다. 보도에 따르면 이 로봇은 해당 기간 동안 249,560개의 소포를 처리했으며, 하드웨어 고장이나 인간의 개입 없이 시연을 마쳤다. 여기서 중요한 대목은 로봇이 상자를 들었다는 장면 자체가 아니다. 이미 산업용 로봇은 공장에서 물건을 들고, 용접하고, 조립하는 일을 오래전부터 해왔다. 이번 시연이 주목받는 이유는 휴머노이드(사람처럼 두 팔과 두 다리 또는 유사한 신체 구조를 가진 로봇)가 비교적 사람의 작업 공간에 가까운 환경에서 장시간 반복 업무를 수행했다는 점이다.

기술 시연은 보통 짧고 화려하다. 그러나 실제 현장에서는 멋진 30초 영상보다 “고장 없이 몇 시간 버티는가”, “예상치 못한 물건이 들어왔을 때 멈추지 않는가”, “사람이 옆을 지나갈 때 안전하게 반응하는가”가 더 중요하다. 그래서 200시간이라는 숫자는 마케팅용 장식이 아니라 현장 투입 가능성을 가늠하는 신호로 읽힌다. 물류창고에서 소포 분류는 겉보기에는 단순하지만, 실제로는 크기와 무게가 다른 물건을 보고, 위치를 판단하고, 집는 힘을 조절하고, 목적지에 맞게 옮기는 복합 작업이다. 사람에게는 익숙한 일이지만 로봇에게는 눈, 손, 균형감각, 판단이 동시에 필요한 어려운 과제다.

이 사건이 일회성으로 끝나지 않을 가능성이 큰 이유는 다른 기업들도 같은 방향으로 움직이고 있기 때문이다. 뉴로메카는 2026년 상반기 휴머노이드 사업의 핵심 전략으로 제로샷(새로운 상황을 별도 학습 없이 곧바로 처리하려는 방식) 기반의 EIR 개발에 집중하고 있다고 밝혔다. 이 회사는 연구·시연 중심의 휴머노이드가 아니라 즉시 현장 투입이 가능한 상용 모델을 목표로 기능 고도화와 안정성 확보에 주력하고 있다. 또 일부 국내 IT서비스 기업들은 자체 AI 플랫폼을 로봇 하드웨어와 결합해 유통·제조·건설·서비스 현장에 적용하려는 방향을 모색하는 것으로 알려졌다. 다만 특정 휴머노이드 모델 탑재 여부나 실제 사업 범위는 공개 자료만으로 단정하기 어렵다. 한 회사의 로봇 시연이 아니라 여러 기업이 “보여주기용 로봇”에서 “일하는 로봇”으로 방향을 맞추고 있는 것이다.

휴머노이드 경쟁의 본질은 ‘로봇 몸값’이 아니라 ‘현장 적응력’이다

겉으로 보면 지금의 경쟁은 누가 더 사람 같은 로봇을 만드느냐처럼 보인다. 하지만 실제 경쟁의 핵심은 몸체의 모양보다 현장 적응력이다. 공장이나 창고는 컴퓨터 화면처럼 깨끗하게 정리된 세계가 아니다. 물건의 위치가 조금씩 달라지고, 조명이 바뀌고, 바닥에 장애물이 생기고, 사람이 갑자기 끼어든다. 피지컬 AI가 어려운 이유는 바로 여기에 있다. 텍스트 AI가 틀린 문장을 만들면 수정하면 되지만, 로봇이 현실에서 잘못 움직이면 물건이 깨지거나 사람이 다칠 수 있다.

FigureAI의 Rose 시연과 뉴로메카의 EIR 전략은 모두 같은 질문에 답하려는 시도다. “로봇이 통제된 실험실이 아니라 고객의 실제 공간에서 일할 수 있는가”라는 질문이다. 뉴로메카가 강조한 제로샷은 특히 중요하다. 기존 자동화는 같은 작업을 반복하는 데 강했지만, 새로운 물건이나 낯선 배치가 등장하면 다시 설정해야 하는 경우가 많았다. 제로샷은 로봇이 처음 보는 상황에서도 기존 지식을 바탕으로 대처하도록 만드는 접근이다. 쉽게 말해 매번 새로 가르치지 않아도 “눈치껏” 움직이는 능력을 키우겠다는 뜻이다.

같은 패턴은 소프트웨어 AI에서도 이미 나타났다. AI 모델을 회사의 데이터베이스, 업무 도구, 외부 시스템과 연결하려는 흐름이 커지고 있기 때문이다. MCP 같은 연결 규격도 이런 맥락에서 자주 언급되지만, 주요 AI·클라우드 사업자들의 지원 범위나 표준으로서의 지위는 공개 자료와 해석에 따라 차이가 있어 일괄적으로 단정하기는 어렵다. 중요한 점은 AI가 단독으로 답변만 생성하는 단계에서 벗어나 회사의 데이터, 업무 도구, 외부 시스템과 연결되는 방향으로 가고 있다는 것이다. 피지컬 AI에서도 비슷한 일이 벌어진다. 로봇은 혼자 똑똑하기만 해서는 부족하다. 창고관리시스템, 재고 데이터, 카메라, 안전 센서, 작업자 지시와 연결돼야 한다. 결국 로봇 경쟁은 하드웨어 경쟁인 동시에, 현장 시스템에 얼마나 잘 붙는가를 겨루는 통합 경쟁이다.

왜 이런 일이 벌어지는가

챗봇의 다음 병목은 ‘생각’이 아니라 ‘손과 발’이다

지난 몇 년 동안 AI 산업의 중심은 대형언어모델이었다. 사용자는 질문을 입력했고, 모델은 글을 쓰고, 코드를 만들고, 문서를 요약했다. 이 변화만으로도 사무직 업무는 크게 흔들렸다. 하지만 기업 입장에서는 여전히 더 큰 영역이 남아 있다. 물류, 제조, 유통, 건설, 서비스처럼 현실의 물건을 다루는 산업이다. 이곳에서는 보고서 한 장을 빨리 쓰는 것보다 상자를 옮기고, 부품을 조립하고, 진열대를 점검하고, 현장을 순찰하는 능력이 생산성과 직접 연결된다. 그래서 AI 기업과 로봇 기업은 이제 “생각하는 AI”를 “움직이는 AI”로 확장하려 한다.

FigureAI의 200시간 소포 분류 시연은 이 전환의 상징이다. 소포 분류는 언어 이해보다 물체 인식, 경로 계획, 집기 동작, 반복 안정성이 중요하다. 로봇이 상자를 집는 순간에는 카메라가 물체의 위치를 보고, 모델이 어떤 방식으로 잡을지 판단하고, 팔과 손의 모터가 힘을 조절해야 한다. 이 과정은 사람에게는 거의 무의식적이지만 기계에게는 수많은 계산과 센서 입력이 결합된 결과다. 따라서 피지컬 AI는 “챗봇에 팔을 붙인 것”이 아니다. 현실 세계라는 불규칙한 시험장에 AI를 세우는 일이다.

이 병목은 쉽게 사라지지 않는다. 텍스트 AI는 인터넷 문서와 코드처럼 이미 디지털화된 데이터를 대규모로 학습할 수 있었다. 반면 로봇은 실제 공간에서 움직이며 데이터를 얻어야 한다. 같은 “상자”라도 재질, 무게, 찌그러짐, 테이프 위치, 표면 마찰이 다르다. 창고마다 선반 높이와 동선도 다르다. 그래서 피지컬 AI의 발전 속도는 모델 성능뿐 아니라 센서 가격, 모터 내구성, 배터리, 안전 인증, 현장 데이터 확보에 묶인다. AI가 똑똑해지는 것만으로는 부족하고, 몸이 버텨야 하며, 현장이 받아들여야 한다.

기업들은 ‘범용 로봇’보다 ‘바로 돈이 되는 반복 업무’를 먼저 노린다

휴머노이드 로봇이라는 말은 상상력을 자극한다. 사람처럼 걷고, 대화하고, 집안일을 하고, 노인을 돌보는 장면이 떠오른다. 그러나 기업이 먼저 노리는 시장은 훨씬 더 구체적이다. FigureAI의 Rose는 소포 분류를 보여줬고, 뉴로메카의 EIR도 연구·시연용이 아니라 현장 투입 가능한 상용 모델을 목표로 한다. 일부 IT서비스 기업 역시 자체 AI 플랫폼을 기반으로 피지컬 AI를 유통·제조·건설·서비스 현장에 적용하는 방안을 검토하는 것으로 알려졌다. 이들은 모두 “언젠가 모든 일을 하는 로봇”이 아니라 “지금 특정 업무를 줄여주는 로봇”에 집중하고 있다.

이유는 간단하다. 기업은 기술의 미래 가능성보다 투자 대비 효과를 먼저 본다. 창고에서 반복적으로 소포를 나누는 일, 제조 현장에서 정해진 위치를 오가는 일, 유통 매장에서 재고를 확인하는 일은 업무 범위가 비교적 분명하다. 로봇이 모든 상황을 이해하지 못해도, 제한된 공간에서 제한된 작업을 꾸준히 수행하면 가치를 만들 수 있다. 반대로 가정용 범용 로봇은 요구가 너무 넓다. 설거지, 청소, 아이 돌봄, 반려동물 대응, 계단 이동, 낯선 물건 처리까지 모두 해야 한다. 이런 환경에서는 실패 가능성이 훨씬 커진다.

그래서 피지컬 AI의 상용화는 영화 속 로봇처럼 한 번에 등장하지 않을 가능성이 크다. 먼저 창고의 한 작업대, 공장의 한 라인, 매장의 한 구역처럼 좁은 영역에서 시작될 것이다. 사람의 모든 일을 대체하는 것이 아니라, 사람이 하기 싫어하거나 반복성이 높은 일을 맡는 방식으로 들어올 수 있다. 이때 로봇의 가치는 “사람보다 똑똑한가”가 아니라 “사람이 감독할 때 얼마나 안정적으로 반복하는가”로 평가된다. 200시간 연속 시연이 중요한 것도 바로 이 때문이다. 기업 구매자는 로봇의 멋진 대화 능력보다 멈춤 시간, 오류율, 유지보수 부담을 더 민감하게 본다.

AI 연결 경쟁이 로봇으로 번지면 승자는 ‘모델 회사’가 아니라 ‘연결 회사’가 될 수 있다

피지컬 AI가 커질수록 중요한 것은 로봇 하나의 성능만이 아니다. 로봇이 기존 시스템과 연결되는 방식이 더 중요해진다. 창고 로봇은 주문 정보와 재고 위치를 알아야 하고, 제조 로봇은 생산계획과 품질검사 데이터를 읽어야 하며, 서비스 로봇은 고객 동선과 안전 규칙을 반영해야 한다. 로봇이 현실에서 움직인다는 것은 곧 회사의 업무 시스템 속으로 들어간다는 뜻이다. 따라서 피지컬 AI는 하드웨어 산업이면서 동시에 소프트웨어 통합 산업이다.

소프트웨어 AI에서는 이미 이런 흐름이 보인다. AI 모델과 외부 도구, 데이터 소스를 연결하려는 여러 규격과 플랫폼이 등장하면서, AI 시장의 경쟁 축은 “누가 가장 똑똑한 모델을 갖고 있나”에서 “누가 기업의 도구와 데이터를 가장 쉽게 연결하나”로 확장되고 있다. 다만 특정 연결 표준이 어느 기업에서 언제부터 어느 수준으로 지원됐는지는 공개 자료만으로 단정하기 어려운 부분이 있다. 그럼에도 큰 방향은 분명하다. 기업은 답변만 잘하는 AI보다 사내 시스템에 붙어 실제 업무를 실행하거나 보조하는 AI를 원한다. 로봇도 마찬가지다. 팔과 다리가 있는 모델이 아무리 뛰어나도, 현장의 업무지시 시스템과 연결되지 않으면 비싼 장난감이 될 수 있다.

이 지점에서 자체 AI 플랫폼과 휴머노이드 하드웨어의 결합 가능성은 흥미롭다. 기업이 직접 로봇을 처음부터 만들기보다, 기존 로봇 몸체에 자체 AI와 업무 시스템을 얹는 방식을 택할 수 있기 때문이다. 다만 특정 기업의 플랫폼이 특정 휴머노이드 모델에 실제 탑재됐는지, 어느 산업 현장에 어떤 규모로 적용되는지는 확인 가능한 공개 자료를 기준으로 신중하게 봐야 한다. 스마트폰 산업에서 기기, 운영체제, 앱 생태계가 나뉘었듯 피지컬 AI도 로봇 몸체, AI 모델, 현장 데이터, 운영 소프트웨어가 분리될 수 있다. 이 경우 승자는 가장 인간처럼 걷는 로봇 회사가 아니라, 여러 현장에 빠르게 연결되고 업데이트되는 플랫폼을 가진 회사가 될 가능성이 있다.

무엇을 의미하는가

단기적으로 1~6개월 안에 가장 큰 변화가 나타날 곳은 물류와 제조 현장이다. FigureAI의 Rose 시연처럼 소포 분류, 물체 이동, 반복 검사 등은 피지컬 AI가 가치를 증명하기 쉬운 영역이다. 이 분야는 작업 단위가 비교적 명확하고, 성과 측정도 쉽다. 로봇이 처리한 물량, 멈춘 시간, 사람의 개입 횟수, 파손률 같은 지표를 바로 볼 수 있기 때문이다. 그래서 기업들은 전면 도입보다 제한된 구역에서 파일럿을 진행하고, 성공하면 같은 작업을 여러 지점으로 복제하는 방식을 택할 가능성이 크다.

중기적으로 6~18개월 안에는 수혜자와 피해자가 더 선명해질 것이다. 수혜자는 휴머노이드 하드웨어 기업, 로봇용 AI 플랫폼 기업, 센서·모터·배터리 공급사, 그리고 현장 시스템 통합을 잘하는 기업이다. 뉴로메카가 EIR의 상용 모델을 강조하고, 여러 IT서비스 기업이 자체 AI 플랫폼을 피지컬 AI 영역으로 확장하려는 것도 이 기회를 겨냥한 움직임으로 볼 수 있다. 반대로 단순 반복 업무를 중심으로 인력을 공급하던 일부 아웃소싱 사업자나, 자동화 투자 여력이 작은 중소 현장은 부담을 느낄 수 있다. 로봇 도입이 대기업 중심으로 먼저 진행되면 생산성 격차가 더 벌어질 수 있기 때문이다.

일반 독자의 삶에도 변화는 서서히 나타난다. 택배가 더 빨리 분류되고, 매장 재고 확인이 더 자주 이뤄지고, 공장 제품 불량 검사가 더 촘촘해질 수 있다. 동시에 일터에서는 “로봇과 함께 일하는 법”을 배워야 하는 사람이 늘어난다. 예를 들어 창고 직원의 업무가 직접 소포를 옮기는 일에서 로봇의 오류를 확인하고 작업 흐름을 조정하는 일로 바뀔 수 있다. 이는 단순히 일자리가 사라진다는 말보다 복잡하다. 어떤 일은 줄어들고, 어떤 일은 새로 생기며, 기존 일의 속도와 평가 기준이 달라진다.

반론과 한계

가장 강력한 반론은 “시연은 시연일 뿐”이라는 것이다. FigureAI의 200시간 생중계가 인상적이라 해도, 그것이 곧바로 수많은 창고에서 안정적 상용화를 의미하지는 않는다. 시연 환경은 실제 고객 현장보다 통제돼 있을 수 있고, 처리한 물건의 종류나 예외 상황의 범위가 제한됐을 수 있다. 사람보다 빠른 속도로 소포를 처리했다는 해석 역시 어떤 기준, 어떤 작업 구간, 어떤 조건에서 비교했는지에 따라 달라진다. 실제 도입에서는 로봇 가격, 유지보수 비용, 고장 대응, 안전 보험, 노조와의 협의 같은 문제가 함께 따라온다.

또 다른 한계는 휴머노이드 형태 자체가 언제나 최선은 아니라는 점이다. 공장에서는 사람 모양 로봇보다 고정형 로봇팔, 컨베이어, 자동운반로봇이 더 싸고 안정적일 수 있다. 사람처럼 생긴 로봇은 인간 공간에 들어가기 쉽다는 장점이 있지만, 두 발 보행이나 복잡한 손 동작은 비용과 고장 가능성을 높일 수 있다. 따라서 모든 자동화가 휴머노이드로 갈 것이라고 단정해서는 안 된다. 피지컬 AI의 확산은 휴머노이드, 협동로봇, 이동로봇, 고정형 자동화가 섞이는 형태가 될 가능성이 크다.

이 분석의 불확실성도 분명하다. 제공된 자료에는 FigureAI Rose의 정확한 비용, 장기 고장률, 실제 고객 도입 규모, 사고 데이터가 포함돼 있지 않다. 뉴로메카의 EIR은 상용 모델 완성을 목표로 기능 고도화와 안정성 확보에 속도를 내고 있지만, 상업적 성과가 얼마나 빨리 나타날지는 아직 열려 있다. 또 국내 기업의 피지컬 AI 사업 확대 보도는 있으나, 특정 휴머노이드 모델 탑재 여부나 실제 적용 규모는 공개 자료만으로 단정하기 어렵다. 만약 로봇 가격이 충분히 낮아지지 않거나, 현장 안전 규제가 강화되거나, 실제 업무에서 예외 상황을 처리하지 못한다면 확산 속도는 크게 늦어질 수 있다. 반대로 특정 기업이 한두 개 업무에서 확실한 투자 대비 효과를 증명하면 도입 속도는 예상보다 빨라질 수도 있다.

앞으로 12개월 전망

낙관적 시나리오에서는 피지컬 AI가 제한된 현장 업무에서 빠르게 신뢰를 얻는다. FigureAI식 장시간 시연이 더 많은 실제 고객 현장으로 이어지고, 뉴로메카의 EIR처럼 상용 투입을 목표로 한 로봇이 특정 작업에서 성과를 입증하는 경우다. 기존 기업이 로봇 하드웨어에 자체 AI 플랫폼과 업무 시스템을 얹는 방식도 확산될 수 있다. 이 경우 휴머노이드 시장은 연구소 중심의 홍보 경쟁에서 벗어나, “몇 시간 일했는가”, “얼마나 자주 멈췄는가”, “사람이 얼마나 덜 개입했는가”를 겨루는 실적 경쟁으로 바뀐다. 기업 고객은 화려한 데모보다 운영 데이터가 있는 회사를 선호하게 된다.

비관적 시나리오에서는 기술 기대가 현장 현실과 충돌한다. 로봇이 제한된 시연에서는 잘 움직였지만 실제 창고의 복잡한 물건, 좁은 통로, 사람과의 동선 충돌, 예외 주문을 충분히 처리하지 못할 수 있다. 고장 한 번이 전체 라인을 멈추게 만들거나, 안전 사고 우려가 커지면 기업은 도입을 미룰 수 있다. 또 투자 대비 효과가 불명확하면 로봇은 “멋지지만 비싼 장비”로 남는다. 특히 휴머노이드는 기존 자동화 장비보다 유지보수가 어렵고, 현장 직원 교육이 더 필요할 수 있다. 이 경우 피지컬 AI 확산은 몇몇 대형 기업의 실험에 머물 가능성이 있다.

지금 당장 주목해야 할 변수는 크게 세 가지다. 첫째는 장시간 가동 데이터다. 200시간 시연 다음에는 실제 고객 환경에서의 누적 가동 시간과 사람 개입 횟수가 중요해진다. 둘째는 연결성이다. 로봇이 창고관리시스템, 제조 실행 시스템, 매장 운영 데이터와 얼마나 쉽게 붙는지가 도입 속도를 좌우한다. 셋째는 안전과 책임 문제다. 로봇이 물건을 떨어뜨리거나 사람과 충돌할 때 책임이 제조사, 운영사, AI 소프트웨어 공급사 중 누구에게 있는지 정리돼야 한다. 이 세 변수가 풀리지 않으면 피지컬 AI는 기술적으로 가능해도 상업적으로 느리게 갈 수 있다.

결론

FigureAI Rose의 200시간 시연은 휴머노이드 로봇이 갑자기 인간 노동을 모두 대체한다는 신호가 아니다. 더 정확히 말하면 AI 산업이 텍스트와 코드의 세계를 넘어, 물류창고와 공장, 매장과 건설 현장으로 이동하기 시작했다는 신호다. 앞으로의 핵심은 로봇이 사람처럼 보이는지가 아니라, 현장 적응력과 지속 가동 능력을 갖췄는지다. 독자가 가져가야 할 단 하나의 메시지는 이것이다. AI의 다음 전장은 더 큰 모델이 아니라, 현실 세계에서 오래 버티는 피지컬 AI다.

출처 및 참고

한국경제, "200시간 쉼 없이 소포 분류 생중계…피규어AI 로봇 혁명 자신감" (2026-05-25) — https://www.hankyung.com/article/2026052568761
Hindustan Herald, "Figure AI Rose 200-Hour Autonomous Run" — https://hindustanherald.in/figure-ai-rose-200-hour-autonomous-run/
뉴스핌, "뉴로메카 '휴머노이드 승부수 제로샷 AI…EIR에 모든 역량 집중'" (2026-02-11)
파이낸셜뉴스, "'이노봇 출격'…롯데이노 '아이멤버' 기반 피지컬 AI 사업 확대" (2026-01-12) — https://www.fnnews.com/news/202601121644269067
콴다 블로그, "MCP(Model Context Protocol)란? 기업 AI 도입의 새로운 표준"

커뮤니티