피지컬 AI 연구개발 완전 가이드 (총 9편) | 8편 상용화 현실 점검: Figure·BD·Tesla·Agility의 현재

시리즈: 피지컬 AI 연구개발 완전 가이드 (총 9편) | 8편

상용화 현실 점검: Figure·BD·Tesla·Agility의 현재

피지컬 AI 기업들의 화려한 데모 영상을 보면 "곧 상용화 되겠네"라고 생각하기 쉬워요. 하지만 데모와 상용 사이에는 큰 간극이 있어요. 이 글에서는 주요 플레이어들의 실제 배치 현황과 상용화의 현실적 벽을 솔직하게 점검해 봤어요.

Summary

• 초기 상용화는 "범용 가정용"이 아니라 "통제된 산업 환경의 반복 작업"에서 시작돼
• Figure-BMW 사례는 PR과 현실 사이 간극의 대표적 예시야
• 경제성의 핵심은 로봇 단가보다 "운영비(데이터 수집, 유지보수, 안전)"야
• HITL(원격 전문가) 결합이 초기 상용화의 현실적 경로가 될 가능성이 높아

이 글의 대상

• 피지컬 AI 투자/사업 기회를 검토하는 분
• "언제 상용화 되나"가 궁금한 분
• 데모와 실제 배치의 차이를 이해하고 싶은 분

목차

1. 상용화 순서: 어디서 먼저 돈이 될까
2. Figure AI: 수직 통합의 야망과 현실
3. Boston Dynamics: 신뢰의 무게
4. Tesla Optimus: 공장이라는 홈그라운드
5. Agility Digit: 실배치의 선두주자?
6. TCO의 현실: 로봇값보다 운영비가 더 크다

1. 상용화 순서: 어디서 먼저 돈이 될까

현재 공개된 근거를 종합하면, 피지컬 AI 상용화는 다음 순서로 진행될 가능성이 높아:

순서	환경	시기 감각	이유
1순위	통제된 산업 환경 (공장/물류)	가장 빠름	공간 구조화, 안전 프로토콜 설계 쉬움
2순위	HITL 결합 서비스	중기	완전 자율 대신 원격 개입으로 리스크 낮춤
3순위	가정/공공 완전 자율	가장 늦음	규제·책임·프라이버시·의미적 안전 난도 높음

범용 가정용 로봇이 먼저 상용화될 거라는 기대는 현실과 거리가 있어. 기술 자체보다 규제, 책임소재, 프라이버시 문제가 더 큰 병목이거든.

2. Figure AI: 수직 통합의 야망과 현실

Figure AI는 피지컬 AI 스타트업 중 가장 공격적인 행보를 보이고 있어:

• 6.75억 달러 Series B 투자 (26억 달러 기업가치)
• OpenAI와 협력 계약
• Helix 02/Figure 03으로 센서-제어-모델-데이터 오프로드 수직 통합

데모 vs 현실

Helix 02는 4분 연속 설거지, 61개 연속 동작이라는 인상적인 데모를 보여줬어. 하지만 PR과 현실 사이에는 간극이 있어.

Fortune 분석에 따르면, Figure-BMW 공장 테스트는:

• 비생산시간에 제한된 조건에서 이루어졌어
• 실제 생산 라인에 완전 투입된 건 아니야
• "상용화"라기보다 "통제된 PoC(개념 증명)"에 가까워

이건 Figure만의 문제가 아니라 업계 전체의 현실이야. 데모 영상의 화려함과 실제 현장 배치 사이에는 항상 간극이 있거든.

3. Boston Dynamics: 신뢰의 무게

Boston Dynamics는 Figure와 다른 전략을 취하고 있어:

접근 방식

• 신형 Atlas(제품판) + Google DeepMind 파트너십
• "검증된 로컬 제어 위에 파운데이션 모델을 얹는" 모듈형 결합
• Hyundai와 연계한 산업 적용 계획

강점

BD의 최대 강점은 수십 년 축적된 보행/균형 제어 기술의 신뢰도야. Spot(4족 보행 로봇)으로 실제 산업 현장 배치 경험도 있고, 고장률과 운영 프로세스에 대한 데이터가 축적되어 있지.

산업 배치에서의 유리함

산업 환경은 "혁신적인 데모"보다 "예측 가능하고 안전한 운영"을 요구해. BD-DeepMind 결합은 고주파 안정화와 안전은 BD의 검증된 스택이 담당하고, 파운데이션 모델은 임무 수준의 유연성만 제공하는 구조여서, 규제·검증 측면에서 유리해.

4. Tesla Optimus: 공장이라는 홈그라운드

Tesla의 Optimus는 독특한 위치에 있어:

강점

• 자체 공장이라는 압도적 테스트베드
• 자율주행에서 축적한 비전/AI/데이터 파이프라인 경험
• 시뮬레이션과 RL 인프라를 그대로 전용 가능
• 양산 경험과 공급망 역량

현실

다만 공개된 실세계 데모의 깊이와 반복 가능성은 아직 제한적이야. "자체 공장에서 먼저 검증하고, 점진적으로 확대"하는 전략은 합리적이지만, 다른 기업 대비 공개 기술 정보가 적어서 진척도를 정확히 판단하기는 어려워.

5. Agility Digit: 실배치의 선두주자?

Agility Robotics의 Digit은 실제 배치에 가장 가까운 기업 중 하나야:

GXO RaaS 계약

물류기업 GXO에서 RaaS(Robot-as-a-Service) 계약으로 실배치를 진행했어. 이건 의미가 큰 게:

• "데모"가 아니라 계약 기반 운영이야
• RaaS 모델이니까 로봇 구매가 아니라 서비스 사용료 형태야
• "범용 VLA"보다는 산업 작업(물류 피킹/이동) 특화로 집중

시사점

Digit의 사례는 "모든 걸 할 수 있는 범용 로봇"보다 "특정 작업을 안정적으로 하는 로봇"이 먼저 상용화된다는 걸 보여줘. 화려하지는 않지만, 현실적인 상용화 경로야.

6. TCO의 현실: 로봇값보다 운영비가 더 크다

상용화의 진짜 장벽은 "로봇 가격"이 아니야. 총소유비용(TCO)을 따져보면:

TCO 구성 요소

비용 항목	내용
로봇 하드웨어	구매 또는 리스 비용
데이터 수집	텔레오퍼레이션, 자동 수집, 리셋 비용
유지보수	부품 마모, 센서 교체, 소프트웨어 업데이트
안전 사고 리스크	보험, 사고 대응, 책임 비용
모델 업데이트/검증	새 모델 배포 시 검증 절차
운영 인력	모니터링, HITL 인력, 관리

로봇 한 대의 가격이 아무리 내려가도, 운영비가 비싸면 경제성이 안 나와. 그래서 "학습 가능한 로봇"이 진짜 돈이 되려면:

• 자동 리셋이 돼야 해 (RTR이 보여준 방향)
• 안전 중재가 내장돼야 해 (가드레일)
• 실패 복구가 자동이어야 해 (장기 작업 핵심)

1X NEO의 현실적 타협

소비자/가정용 경로에서 1X NEO는 흥미로운 타협을 보여줘:

• 온보드 LLM으로 기본 대화와 단순 작업 처리
• 복잡한 상황에서는 원격 '1X Expert'가 개입
• 소유자 승인 기반 연결로 프라이버시 관리

완전 자율이 아니라 HITL 하이브리드야. 화려하지는 않지만, 규제·안전·프라이버시를 현실적으로 다루는 접근이지.

핵심 정리

1. 초기 상용화 = 통제된 산업 환경 + 제한된 반복 작업
2. 데모와 상용 사이 간극은 모든 기업에 존재해 — PR 주의 필요
3. BD-DeepMind의 모듈형 결합이 산업 배치에서 유리할 수 있어
4. Agility Digit의 GXO RaaS가 "실배치"의 가장 현실적인 사례
5. TCO의 핵심은 로봇값이 아니라 운영비 (데이터·유지보수·안전·인력)

FAQ

Q: 피지컬 AI 로봇이 내 공장에 언제쯤 올까?

A. 반복 작업 중심의 통제된 환경이라면, 일부 기업(Agility, BD 등)에서 파일럿 수준의 배치는 이미 시작됐어. 하지만 본격적인 대규모 배치는 안전 인증과 운영 체계가 갖춰진 후, 아마 2~3년 후부터 가속될 거야.

Q: RaaS 모델이 뭐야?

A. Robot-as-a-Service의 약자로, 로봇을 구매하는 대신 서비스 이용료를 내고 쓰는 방식이야. 클라우드 서버를 빌려 쓰는 것과 비슷해. 초기 투자 부담을 줄이고, 유지보수와 업데이트를 제공자가 담당하니까 도입 장벽이 낮아지지.

Q: Figure-BMW 파트너십은 실패한 거야?

A. 실패라기보다 "현실적 범위의 PoC"라고 보는 게 맞아. 비생산시간 테스트라는 건, 아직 생산 라인에 직접 투입할 만큼의 신뢰성이 확보되지 않았다는 뜻이야. 이건 자연스러운 단계지, 실패는 아니야.

Q: 가정용 로봇은 정말 먼 미래야?

A. 완전 자율 가정용은 아직 멀어. 기술보다 규제·책임·프라이버시 문제가 더 크거든. 하지만 1X NEO처럼 원격 전문가가 개입하는 HITL 모델이라면, 제한적인 서비스(청소, 간단한 배달 등)는 좀 더 일찍 나올 수 있어.

Q: Tesla Optimus가 다른 기업보다 유리한 점은?

A. 자체 공장이라는 통제된 대규모 테스트베드가 최대 장점이야. 외부 파트너에 의존하지 않고 자체 환경에서 데이터 수집부터 검증까지 할 수 있거든. 자율주행에서 축적한 AI/데이터 인프라도 전용 가능해.

Q: 운영비가 그렇게 크다면, 경제성은 언제 나올까?

A. 두 가지가 맞물려야 해. 첫째, 자동 리셋·안전 중재·실패 복구가 내장되어 운영 인력이 줄어드는 것. 둘째, 플릿 학습으로 현장 데이터가 쌓이면서 모델이 자동 개선되는 것. 이 두 가지가 돌아가기 시작하면 TCO가 빠르게 낮아질 수 있어. 그 전까지는 "비싼 실험"에 가까워.

참고 자료 (References)

데이터 출처

출처	설명	링크
Figure AI	Series B 투자, OpenAI 협력	PR Newswire
Fortune 분석	Figure-BMW 파트너십 현실 점검	Fortune
BD-DeepMind	Atlas + Gemini Robotics 파트너십	공식 블로그
Agility-GXO	RaaS 실배치 계약	공식 사이트

핵심 인용

"The integration of foundation models into robotics has accelerated real-world deployment, while introducing new safety challenges arising from open-ended semantic reasoning and embodied physical action." — arXiv:2602.04056

다음 편 예고

[9편] 피지컬 AI의 미래: 2026~2028 전망과 관전 포인트

• 앞으로 2~3년의 핵심 관전 포인트 4가지
• 이해관계자별(제조사, 투자자, 정책결정자) 실행 권고
• 피지컬 AI가 바꿀 세상의 모습