이제 ‘클린룸 안의 코끼리’에 대해 이야기해 볼 때가 됐습니다. 벤처 캐피털리스트들이 새로운 이족 보행 로봇에 투자하기 위해 앞다투어 지갑을 열고 있지만, 그 이면에는 애써 외면해온 뼈아픈 진실이 숨어 있습니다. 수십억 달러가 쏟아졌음에도 불구하고, 이 차세대 로봇들이 실제로 수행한 ‘유의미한 작업’의 총량은 냉정하게 말해 통계적 오차 범위에도 못 미치는 수준이라는 점입니다.
최근 Dyna의 공동 창업자 양 요크(Yang York)는 로봇 산업의 거품을 정밀하게 해부한 보고서를 내놓았습니다. 그가 그려낸 그림은 결코 낙관적이지 않습니다. 파쿠르를 하거나 달걀을 섬세하게 집어 드는 매끄러운 데모 영상은 잊으십시오. 진짜 이야기는 숫자에 있으며, 그 숫자는 심각한 괴리를 증명하고 있습니다. 2022년부터 2025년 사이 로봇 산업은 180억 달러(한화 약 24조 원) 이상의 투자금을 빨아들였습니다. 하지만 2026년 초 현재, 실세계에서의 영향력은 미미하기 짝이 없습니다.
요크는 하드웨어 붐의 상징적인 사례들을 지적합니다. Tesla의 Elon Musk는 2026년 1월 실적 발표에서 사실상 단 한 대의 Optimus 로봇도 공장에서 유의미한 업무를 수행하지 못하고 있음을 시인했습니다. 세계 최대의 휴머노이드 출하량을 자랑하는 Unitree 역시 3월 IPO 투자설명서를 통해 충격적인 사실을 공개했습니다. 매출의 무려 73.6%가 연구 및 교육용 판매에서 발생했다는 것입니다. 실제 산업 현장 배치 비중은 고작 9%에 불과했으며, 그마저도 대부분 ‘기업 안내 및 가이드’ 업무였습니다. 진짜 제조 공정에서 발생한 매출은 고작 200만 달러(약 27억 원) 수준으로, 그야말로 ‘껌값’에 불과했습니다.
요크는 금융 시장의 기대치와 물리적 현실 사이의 이 거대한 심연을 ‘거품’이라 정의합니다. 이는 기술이 언젠가 작동할 것인가의 문제가 아닙니다. 바로 ‘타임라인’의 문제입니다. 그의 표현을 빌리자면, “거품이란 현재의 기술적 역량과 인간의 기대치 사이의 간극에 시간을 곱한 값"입니다.
LLM에 빗댄 유추가 형편없는 이유
요크 주장의 핵심은 로봇 산업이 ‘잘못된 약’에 취해 있다는 것입니다. 즉, 부적절한 비유에 매몰되어 있다는 지적이죠. 거대언어모델(LLM)의 기하급수적 성장에 도취된 투자자와 창업자들은 소프트웨어의 성공 방정식을 원자(Atoms)의 세계에 그대로 대입하려 하지만, 결과는 처참한 실패로 돌아오고 있습니다.
LLM이 빛의 속도로 확장될 수 있었던 건 그것이 순수 소프트웨어였기 때문입니다. 인터넷을 통해 순식간에 수십억 명에게 배포될 수 있었죠. 하지만 로봇은 물리적인 실체입니다. 고장이 나고, 유지보수가 필요하며, 지저분하고 예측 불가능한 현실 세계의 혼돈을 뚫고 지나가야 합니다.
더 매력적이지만 마찬가지로 결함이 있는 비유는 자율주행(AV) 산업입니다. 하지만 이조차도 로봇과는 맞지 않습니다. 자동차는 자율주행 기능이 없어도 그 자체로 유용한 제품이며, 이미 확고한 시장과 유통 채널을 갖춘 상태에서 AI 업그레이드를 기다리는 형국이었습니다. 반면 지능이 없는 휴머노이드는 요크의 농담처럼 “용도도 없이 자유도만 28개인 27kg짜리 쇳덩이"일 뿐입니다. 내재된 사용자 층도, 업그레이드할 설치 기반도 없습니다. 현재 로봇 산업은 앱과 스마트폰, 그리고 통신망을 동시에 구축하려 애쓰고 있는 셈입니다.
이는 로봇 산업이 LLM과 같은 급격한 이륙 곡선을 그리지 않을 것임을 의미합니다. 심지어 자율주행과 같은 곡선도 아닐 것입니다. 로봇 산업은 오직 ‘로봇만의 곡선’을 따를 것이며, 이를 인정하지 않는 것이야말로 이 업계가 저지르고 있는 가장 비싼 실수입니다.
현대 로봇 공학의 3대 기만
요크는 거품을 지탱하고 있는 세 가지 핵심적인 오류를 짚어냈습니다. 수천억 원의 투자금을 챙기며 업계가 스스로에게 속삭이는 달콤한 거짓말들입니다.
1. 하드웨어는 유통 채널이 아니다
가장 값비싼 착각은 물리적인 로봇을 출하하는 것이 곧 유통 채널을 구축하는 것과 같다는 생각입니다. 일단 고객의 시설에 하드웨어를 들여놓기만 하면 나머지는 알아서 따라올 것이라는 논리죠. 이는 치명적인 오류입니다.
진정한 채널은 반복적인 가치를 창출해야 합니다. 로봇이 화려한 데모를 선보인 뒤, 투자 대비 수익(ROI) 기준을 충족하지 못해 구석에서 먼지만 쌓이고 있다면 그것은 채널이 아닙니다. 그저 아주 비싼 ‘종이 누르개’일 뿐입니다. 요크는 진정한 로봇 채널이란 현장 평가, 작업 정의, 데이터 캡처, 원격 디버깅, 그리고 지속적인 업데이트가 결합된 ‘풀스택 배포 시스템’이어야 한다고 주장합니다.
“채널의 성능을 측정하는 척도는 ‘다음 배포가 이전보다 빨라졌는가’이다. 만약 그렇지 않다면 당신은 채널을 구축한 것이 아니라, 그저 재고와 홍보물을 쌓은 것에 불과하다.” 요크의 일침입니다.
2. 당신의 ‘파운데이션 모델’은 기초 공사에 불과하다
두 번째 오류는 AI 모델이 실제로 어떻게 고도화되는지에 대한 오해입니다. 로봇 업계의 담론은 온통 방대한 데이터셋을 통한 사전 학습(Pre-training)에만 쏠려 있습니다. 하지만 현대 LLM의 핵심 비결은 단순한 사전 학습이 아니라, 도메인별 사후 학습과 피드백 사이의 긴밀하고 반복적인 루프에 있습니다.
로봇 공학은 이제 막 이 루프를 시작했을 뿐입니다. 대부분의 팀은 그저 모델에 더 많은 데이터를 쏟아부으며 기적이 일어나길 기도하고 있습니다. 하지만 실제 공장 바닥에서 로봇이 실패하며 얻는 현장 피드백 없이는 모델이 성숙해질 수 없습니다. LLM의 ‘퍼플렉서티(Perplexity)‘처럼 최적화의 기준이 될 통합된 지표도 부재합니다. 실험실의 벤치마크를 통과한 모델이라도 실제 창고의 조명 변화 하나 감당하지 못한다면 아무런 쓸모가 없습니다.
3. 플라이휠은 지루한 것들로 만들어진다
이는 로봇 공학 스택에서 가장 과소평가된 부분, 즉 ‘배포 인프라’로 이어집니다. 이는 단순한 영업이 아닙니다. 일회성 배포를 재사용 가능하고 복리 성장이 가능한 자산으로 전환하는, 고되고 매력 없는 엔지니어링 작업입니다. 원격 진단, 데이터 라우팅, 신뢰할 수 있는 업데이트를 위한 툴링을 구축하는 일 말입니다.
이 ‘플라이휠’이 없다면 시스템 전체가 멈춰버립니다. 로봇은 실제 환경에 투입되지 못하고, 모델은 개선에 필요한 실전 데이터를 얻지 못합니다. 아무리 많은 컴퓨팅 자원을 쏟아부어도 성능 곡선은 평탄해질 뿐입니다. 요크는 “거품은 이 사실을 깨달은 팀과, 여전히 벤치마크 숫자와 데모 영상에만 매달리는 팀 사이의 간극에서 생겨난다"고 말합니다.
결국 정면 돌파뿐이다
이러한 현실 앞에서 업계는 두 갈래로 나뉘었습니다. 어떤 이들은 강력한 ‘두뇌’가 모든 문제를 해결하고 하드웨어는 소모품이 될 것이라 믿는 모델 우선(Model-first) 전략을 택합니다. 다른 이들은 완벽한 ‘신체’가 핵심이며 소프트웨어의 빈틈은 오픈 소스가 채워줄 것이라 믿는 하드웨어 우선(Hardware-first) 전략을 밉니다.
요크와 Dyna는 확고하게 제3의 길인 **수직 계열화(Vertical Integration)**를 선택했습니다. 트렌드라서가 아닙니다. 지난 1년 동안 자신들의 DYNA-1 모델을 현장에 배치해 본 결과, 다른 대안은 불가능하다는 것을 깨달았기 때문입니다. 배포는 결코 마법처럼 쉬워지지 않습니다. 연구, 하드웨어, 그리고 배포 현장 사이의 피드백 루프가 동시에 닫혀야만 합니다.
이것이 우리 앞에 놓인 과제입니다. 다음번 바이럴 데모 영상을 쫓는 것이 중요한 게 아닙니다. 열 번째 배포를 첫 번째보다 더 빠르고 확실하게 만드는 시스템을 구축하는 고통스러운 과정이 핵심입니다. 이 코드를 진정으로 풀어내는 첫 번째 팀은 단순히 시장을 점유하는 것을 넘어, 시장 그 자체를 정의하게 될 것입니다. 그때까지 우리는 그저 아주 비싼 ‘과학 경진대회’를 관람하고 있는 것일지도 모릅니다.
