에이전틱 AI와 피지컬 AI를 계속 지켜봐야 하는 이유: 현장 엔지니어의 관점

최근 국내 언론이 5개 AI 모델에 "2026년 기술 키워드"를 물었더니 하나같이 에이전틱 AI와 피지컬 AI를 꼽았다는 기사가 나왔다. 흥미로운 실험이지만, 이 결과는 사실 AI가 미래를 예측했다기보다 지금 인터넷에 축적된 담론의 무게중심을 그대로 반영한 것에 가깝다. 그럼에도 불구하고 이 두 키워드는 진지하게 볼 가치가 있다. 다만 이유는 언론이 말하는 것과 조금 다르다. 현장에서 이 기술들이 부딪히는 벽은 "모델 성능"이 아니라 "책임 소재"와 "물리 법칙"이기 때문이다.

배경: 왜 중요한가

에이전틱 AI는 사람이 단계마다 지시하지 않아도 목표를 받아 스스로 도구를 호출하고, 중간 결과를 판단하며, 다음 행동을 결정하는 방식을 말한다. 챗봇이 "답변을 생성"했다면 에이전트는 "작업을 수행"한다. 피지컬 AI는 그 행동의 무대가 화면 밖 물리 공간으로 확장된 것이다. 로봇 팔, 자율주행 이송장비, 설비 제어 루프가 여기에 속한다. 두 개념은 별개가 아니라 하나의 축 위에 놓여 있다. 판단의 자율성이 올라가고, 그 판단이 실제 물질에 힘을 가하기 시작하는 연속선이다.

산업 현장에서 이 흐름이 주목받는 이유는 인력 구조 때문이다. 반도체 팹, 화학 플랜트, 산업가스 생산기지 같은 장치산업은 공통적으로 24시간 연속 운전을 전제로 한다. 그런데 이 설비들을 실제로 이해하는 사람은 대개 20년 이상 근속한 소수의 숙련 오퍼레이터다. 이들의 판단은 문서화되어 있지 않다. "펌프 소리가 평소와 다르다", "이 계절에 이 밸브는 이렇게 반응한다" 같은 형태로 몸에 남아 있다. 이 암묵지가 은퇴와 함께 사라지는 속도가, 신규 인력이 축적하는 속도보다 빠르다. 에이전틱 AI에 대한 기대는 본질적으로 여기서 출발한다.

동시에 설비 자체가 복잡해지고 있다. 반도체 공정은 노드가 미세해질수록 제어해야 하는 변수의 개수와 상호작용이 기하급수적으로 늘어난다. 챔버 내부 온도, 압력, 가스 유량, 플라즈마 파워가 서로 얽혀 있고, 어떤 조합이 수율을 떨어뜨렸는지 사후에 역추적하는 것조차 어렵다. 사람의 인지 대역폭이 설비의 복잡도를 따라가지 못하는 지점에 도달한 것이다. 이 격차가 자동화된 판단 주체에 대한 수요를 만든다.

핵심: 일반 기사가 놓치는 지점

기술 기사들은 대체로 "AI가 얼마나 똑똑해졌는가"를 다룬다. 벤치마크 점수, 추론 능력, 도구 사용 성공률 같은 지표들이다. 그런데 현장에서 도입 여부를 가르는 변수는 그 목록에 거의 없다. 실제로 논의를 멈추게 만드는 질문은 대개 이런 것들이다. 이 에이전트가 밸브를 잘못 열어서 배치를 날렸을 때, 누가 서명하는가.

세부 포인트 1: 정확도가 아니라 실패 모드가 문제다

현장 엔지니어가 신뢰하는 자동화는 정확한 자동화가 아니라 예측 가능하게 실패하는 자동화다. 기존 PLC 로직이나 DCS 인터락은 성능이 뛰어나서 신뢰받는 게 아니다. 어떤 조건에서 어떻게 멈출지 결정론적으로 알 수 있기 때문에 신뢰받는다. 반면 대형 언어 모델 기반 에이전트는 같은 입력에 다른 출력을 낼 수 있고, 실패할 때 조용히 그럴듯한 답을 내놓는다. 이것이 현장에서 가장 다루기 어려운 성질이다. 명백하게 멈추는 시스템보다, 틀린 채로 계속 돌아가는 시스템이 훨씬 위험하다.

그래서 실제 도입은 대부분 자문 계층에서 시작된다. 에이전트가 설비를 직접 제어하는 것이 아니라, 오퍼레이터에게 "이 파라미터를 확인해보라"고 제안하고 최종 결정은 사람이 내리는 구조다. 이 단계에서 에이전틱 AI의 가치는 의사결정 대체가 아니라 탐색 범위 확장에 있다. 사람이 볼 수 있는 변수 조합의 수를 늘려주는 도구인 셈이다. 여기서 다음 단계로 넘어가려면 모델 성능이 아니라 검증 체계, 감사 추적, 보험, 규제 승인이 갖춰져야 한다. 이 인프라의 진척도가 실제 확산 속도를 결정한다.

세부 포인트 2: 피지컬 AI의 병목은 데이터가 아니라 센싱과 액추에이터다

피지컬 AI 논의는 흔히 "로봇이 학습할 데이터가 부족하다"는 진단으로 흐른다. 시뮬레이션과 합성 데이터가 해법으로 제시된다. 현장의 감각은 조금 다르다. 문제는 학습할 데이터가 없다는 것보다, 애초에 측정되지 않는 물리량이 너무 많다는 데 있다.

플랜트 배관의 두께 감소, 회전기기 베어링 내부의 미세 균열, 촉매의 활성 저하 같은 것들은 대부분 실시간으로 측정되지 않는다. 간접 지표로 추정하거나, 정기 정비 때 뜯어봐야 안다. 아무리 좋은 모델도 관측되지 않는 상태를 알 수는 없다. 반대편에는 액추에이터 문제가 있다. 사람이 손끝 감각으로 조절하는 힘을, 산업용 로봇이 재현하려면 정밀한 힘 제어와 그에 맞는 기구 설계가 필요하다. 이건 소프트웨어 업데이트로 해결되지 않는다.

이 관점에서 보면 피지컬 AI의 실질적 진전은 모델 발표가 아니라 하드웨어 계층에서 먼저 나타날 가능성이 높다. 저비용 다축 힘/토크 센서, 고온·부식 환경에서 견디는 센서 패키징, 촉각 센싱, 고정밀 서보 구동계 같은 것들이다. 화려하지 않은 영역이지만, 여기가 실제 제약 조건이다.

그래서 뭘 봐야 하나

투자 관점에서 하나의 시각을 제시하자면, 에이전틱 AI와 피지컬 AI를 하나의 테마로 묶어 보는 접근은 오히려 시야를 좁힐 수 있다. 두 흐름은 병목이 서로 다르고, 따라서 진전의 시점과 수혜 구간도 다르게 나타날 가능성이 있다.

에이전틱 AI 쪽에서 눈여겨볼 만한 신호는 모델 발표가 아니라 도입 사례의 성격 변화다. 파일럿 발표가 아니라, 자문 계층에서 제어 계층으로 권한이 넘어간 사례가 나오는지. 그리고 그때 어떤 검증 절차와 규제 근거가 동원되는지. 산업 안전 규격이나 기능안전 표준이 AI 기반 판단을 어떻게 다루기 시작하는지도 함께 볼 만하다. 이 제도적 문턱이 낮아지는 속도가 실제 시장 형성 속도의 상한선이 되기 쉽다.

피지컬 AI 쪽에서는 센서와 구동계의 단가 곡선을 보는 편이 유용할 수 있다. 로봇 대당 가격이 아니라, 힘 제어가 가능한 관절 하나의 원가가 어디까지 내려오는지가 보급의 임계점을 결정하는 구조에 가깝다. 여기에 더해 전력 문제가 있다. 추론을 현장에서 실시간으로 돌리려면 엣지 연산이 필요하고, 이는 결국 전력·냉각 인프라 이야기로 되돌아온다. 데이터센터 전력 수요 논의가 산업가스, 냉각, 전력 설비로 파급되는 경로와 구조적으로 닮아 있다.

물론 이 모든 것은 하나의 관점일 뿐이다. 기술적 병목이 예상보다 빨리 풀릴 수도 있고, 제도가 기술보다 먼저 움직일 수도 있다.

에이전틱 AI와 피지컬 AI를 계속 지켜봐야 하는 개인적 이유는 단순하다. 이 두 기술이 성공하든 실패하든, 그 결론은 논문이나 벤치마크가 아니라 현장의 밸브와 센서 앞에서 내려지기 때문이다. 그리고 그 판정 과정에서 무엇이 진짜 제약이었는지가 드러난다.