아마존 물류센터에서 공개된 영상 한 편이 2024년 초 산업계 뉴스를 채웠습니다. 두 발로 걷는 휴머노이드 로봇 '디짓(Digit)'이 컨베이어에서 토트(tote) 상자를 꺼내 선반에 올리는 장면이었습니다. 영상 속 로봇의 동작은 부드럽고, 실수 없이, 반복적이었습니다.

같은 창고 200미터 안쪽에서는 사람이 일하고 있었습니다. 컨베이어 끝에서 떨어진 물건을 주워 담고, 찌그러진 박스를 손으로 눌러 다시 형태를 잡고, 규격에 맞지 않는 품목을 별도 구역으로 이동시켰습니다. 디짓이 서 있던 자리와 200미터도 되지 않는 거리입니다.

이 간극이 중요합니다.

통제된 환경이 먼저였다

디짓이 아마존 창고에서 수행한 작업은 정밀하게 정의된 것입니다. 토트의 규격은 고정되어 있고, 선반 높이는 정해져 있으며, 로봇이 서는 바닥면은 평탄합니다. 조명은 일정하고, 온도도 관리됩니다.

아길리티 로보틱스가 밝힌 목표에 따르면, 디짓의 시간당 처리량은 사람 작업자와 동등한 수준입니다. 하지만 이 수치는 토트 규격과 바닥 상태, 전력 공급이 안정적이라는 조건 위에 성립합니다. 조건이 하나라도 바뀌면 로봇은 멈추거나, 사람의 개입을 기다립니다.

아마존이 창고에서 750,000대 이상의 로봇을 운영하면서도 그 대부분을 단순 이송 장치로 채운 이유가 여기에 있습니다. 로봇이 창고에 적응한 것이 아니라, 창고가 로봇에 맞게 재설계된 것입니다. 물류 동선, 선반 간격, 바닥재 규격이 로봇 동작 반경에 맞추어 바뀌었습니다. 적응의 방향이 반대입니다.

디지털 확산과 물리적 확산의 구조

ChatGPT가 출시 두 달 만에 1억 명에게 도달했을 때, 그 확산에 필요한 물리적 조건은 인터넷 연결과 서버 용량뿐이었습니다. 한 번 학습된 모델은 복제 비용이 거의 없습니다. 서울 사용자와 뭄바이 사용자가 같은 환경에서 동일한 모델을 씁니다. 사용자가 1억 명이 돼도 모델 자체는 변하지 않습니다.

로봇은 그렇지 않습니다. 아마존 창고에서 검증된 디짓이 도쿄의 병원 복도에서 같은 성능을 내려면, 그 복도의 치수를 측량하고, 조명 조건을 분석하고, 환자·보호자·의료진의 이동 패턴을 학습해야 합니다. 각 설치 지점은 사실상 새로운 개발 환경입니다. 단위당 비용은 줄어들지 않고, 설치마다 엔지니어링 공수가 발생합니다.

MIT 슬론 경영대학원 연구진이 이 구조를 분석한 결론이 있습니다. 휴머노이드 로봇의 채택 궤적은 생성 AI와 다릅니다. 속도의 차이로 설명되기 어렵습니다. 확산이 일어나는 경로의 구조가 다릅니다.

200미터가 좁혀지지 않는 이유

창고 안 그 200미터를 채우는 것은 '불규칙성'입니다. 찌그러진 박스, 떨어진 물건, 규격 외 품목—이것들은 예외가 아닙니다. 물류 현장에서는 매일, 매 시간 발생하는 통상적인 상황입니다.

소프트웨어에서 예외 처리는 코드로 대응합니다. 물리 환경에서 예외 처리는 몸으로 대응합니다. 박스가 뒤틀렸을 때 사람은 힘의 방향을 즉각 조정합니다. 이 조정은 언어로 설명하기 어려운, 수천 번의 경험에서 누적된 신체 감각입니다.

로봇 공학에서는 이를 '그래스핑 문제(grasping problem)'라고 부릅니다. 불규칙한 형태의 물체를 얼마나 강하게, 어떤 각도에서, 어느 지점을 잡아야 하는지 계산하는 것은 인간에게는 반사적이지만 기계에는 방대한 연산을 요구합니다. 물체의 재질이 딱딱한지 말랑한지, 미끄러운지 거친지에 따라 파지(把持) 방식이 달라져야 하고, 이를 실시간으로 조정하는 감각은 손가락 끝에 있습니다. 기계 손가락은 이 감각을 센서로 근사합니다. 고정된 형태의 물체에는 잘 작동하지만, 형태·무게·재질이 달라질 때마다 재보정이 필요합니다.

구글 딥마인드가 2023년 발표한 RT-2 모델은 새로운 물체와 새로운 지시어를 기존보다 훨씬 잘 처리하는 능력을 보였습니다. 그럼에도 배경이 크게 달라지거나 물체가 익숙하지 않은 각도로 놓이면 성공률이 낮아지는 특성은 여전히 보고됩니다. 이 문제를 소프트웨어 업데이트만으로 해결하기 어려운 이유는 센서 해상도, 구동기 정밀도, 실시간 피드백 루프가 모두 하드웨어에 속해 있기 때문입니다. 하드웨어가 소프트웨어보다 느리게 진화하는 한, 이 간극은 쉽게 좁혀지지 않습니다.

채택 속도가 갈리는 자리

그렇다면 로봇이 들어오는 현장과 그렇지 않은 현장을 가르는 것은 무엇인가.

환경의 변동성과 오류의 비용, 두 기준이 교차하는 지점에서 채택 속도가 결정됩니다.

변동성이 낮고 반복성이 높은 환경에서 도입 경제성이 먼저 성립합니다. 자동차 조립 라인, 식품 포장 공정, 반도체 공정이 여기에 해당합니다. 로봇 한 대가 연간 아끼는 인건비가 구매·유지 비용을 넘어서는 계산이 비교적 빠르게 나옵니다. 미국 창고 노동자의 평균 시급은 19달러 내외인데, 이 수치가 아마존이 로봇 투자를 가속하는 배경입니다. 응급실, 재난 현장, 건설 현장처럼 매 상황이 달라지는 환경에서는 이 계산이 성립하기 어렵습니다.

오류 비용도 채택 속도를 조정합니다. 산업 도장 로봇이 칠을 1밀리미터 벗어나도 보정이 가능합니다. 수술 보조 로봇이 같은 오차를 내면 결과가 달라집니다. 오류의 파급이 클수록 인증 요건이 늘어나고, 도입 속도는 느려집니다.

월마트는 2019년부터 500개 이상의 매장에 선반 스캐닝 로봇을 배치했습니다. 보사 노바 로보틱스가 만든 이 로봇의 역할은 재고 상태와 진열 오류를 파악하는 것이었습니다. 2020년 11월 월마트는 계약을 전면 종료했습니다. 공식 이유는 사람이 동일한 작업을 더 유연하게, 더 낮은 추가 비용으로 처리했다는 것이었습니다. 매장 환경은 날마다 달라집니다. 진열 배치가 바뀌고, 통로에 고객이 오가고, 판촉물이 추가됩니다. 로봇은 이 변동을 처리하는 데 사람만큼 빠르지 못했습니다.

아마존 창고와 월마트 매장, 두 사례가 공유하는 것은 자동화 시도입니다. 하지만 하나는 지속됐고 하나는 철수했습니다. 환경 변동성과 오류 비용 조건이 반대였기 때문입니다.

어느 자리인지를 아는 것

MIT 슬론 연구가 실제로 제기한 질문은 "어느 현장에, 어떤 속도로" 오는가입니다.

자동화가 흡수하는 역할과 남겨두는 역할 사이의 경계는 모호하게 느껴지지만, 환경 변동성과 오류 비용이라는 기준으로 측정할 수 있습니다. 이 기준을 역으로 읽으면, 어떤 역량이 남는지가 보입니다. 매 순간 달라지는 상황을 판단하는 것, 언어화되지 않는 신호를 읽는 것, 실수의 결과가 돌이킬 수 없는 상황에서 결정을 내리는 것—이런 일에서 기계 대체는 여전히 느립니다.

2030년 노동 시장을 분석하는 연구들이 반복적으로 지목하는 역량도 이 범주 안에 있습니다. 공감, 즉흥적 판단, 맥락 의존적 협업은 정확히 환경 변동성이 높고 오류 비용이 높은 자리에서 요구되는 것들입니다.

서 있는 자리의 변동성과 오류 비용을 수치로 따져보는 것은 가능합니다. 작업의 반복성은 측정할 수 있고, 환경 변동성도 관찰할 수 있으며, 오류의 파급 범위도 기록할 수 있습니다. 그 수치가 나오면, 어느 방향에서 자동화 압력이 오는지가 보이고, 어떤 역량을 더 두텁게 쌓아야 하는지도 보입니다.