[슈퍼브 인사이트] 🤖 로봇이 할 수 있는 일은 74%, 인건비보다 싼 일은 0.3%. ROI는 어떻게 될까요?

🌟 SUPERB Spotlight

1만 9,000개 과업을 '할 수 있는지'와 '돈이 되는지'로 따로 셌습니다

지난 9월 30일 앤트로픽이 "로봇은 어떤 일을 할 수 있는가"를 공개했습니다. 미국 노동부 직업 데이터베이스 O*NET에 실린 직업 약 900개와 과업 설명 약 1만 9,000개를 바탕으로 한 리서치인데요. 과업마다 신체·인지·대인 요구를 채점한 뒤, 그 일을 실제로 하는 로봇이 있는지를 배치·판매·시연 사례 인용과 함께 확인하는 방식입니다.

평가는 앤트로픽의 모델 클로드가 맡았습니다. 로봇은 "감지하고 행동하는 자율 물리 기계"로 정의돼, 센서로 차를 스캔해 분사기를 조정하는 세차기는 포함되고 외과의가 전부 조종하는 수술 기계는 빠집니다.

결과는 네 단계로 나눌 수 있습니다.

• E0: 로봇이 수행할 수 없는 과업: 전체 과업의 12%
• E1: 공장 조립 라인처럼 로봇 전용으로 지은 환경에서만 가능: 23%
• E2: 물류 창고처럼 구조화된 사람 작업장에서 가능: 10%
• E3: 도시 도로 같은 비정형 환경에서도 가능: 1%

어떤 형태로든 로봇이 할 수 있는 과업을 다 더하면 미국 물리 노동의 74%, 전체 근무시간의 34%입니다. 그런데 로봇 비용이 그 과업에 드는 인건비보다 낮은 경우, 즉 비용 경쟁력이 있는 과업은 전체의 0.3%였습니다. 인건비는 노동통계국 총보수에 그 과업이 차지하는 시간 비중을 곱해 계산했습니다.

포장 작업자는 로봇이 2,500달러 싸고, 용접공은 로봇이 다섯 배 비쌉니다

미국에서 로봇이 가장 많이 하는 작업 중 하나가 포장 작업입니다. 이 직무를 로봇으로 대체하려면 상자를 접고, 물건을 담고, 검수하고, 라벨을 붙이고, 봉하고, 창고 안에서 자재를 옮기는 로봇 여러 대가 필요합니다. 구매·설치비가 200만 달러를 넘지만 한 대당 작업자 약 14명 몫을 하기 때문에, 연간 비용은 한 사람당 약 4만 5,000달러로 환산됩니다.

포장 작업자의 연 보수는 약 4만 9,000달러이고 근무시간의 97%가 로봇이 할 수 있는 과업입니다. 그래서 로봇 쪽이 연간 약 2,500달러 쌉니다. 비용 경쟁력이 있는 0.3% 안에 들어가는 드문 사례인데요.

용접은 반대입니다. 카메라와 AI를 단 로봇이 자율 용접을 하는 것 자체는 가능합니다. 하지만 사람 용접공은 큰 금속 부품을 자리 잡고, 사다리를 올라 닿기 어려운 이음새를 용접하고, 품질을 확인하고, 연마와 마감까지 합니다. 이걸 전부 자동화하려면 로봇 여러 대가 필요하고, 비용은 사람 용접공의 약 다섯 배입니다.

로봇택시도 비슷합니다. 택시 기사는 노출 지수 3점 만점에 2.2로 가장 노출이 큰 직업인데, 로봇택시 비용은 기사보다 약 7,000달러 비싼 수준으로 추정됐고 규제 장벽이 남아 있습니다.

로봇이 할 수 있는 일이 많아도, 인건비보다 싼 일이 많지 않은 이유는 한 직무가 여러 과업으로 이뤄져 있기 때문입니다. 로봇이 과업 하나를 해낸다 해도, 현재 상황에서는 직무 전체를 맡기려면 여러 대의 로봇이 필요하게 됩니다.

지금 속도면 로봇이 사람 일의 10%를 맡는 데 40년이 걸립니다

앤트로픽의 연구에서는 업계와 정부 자료를 근거로 로봇 가격이 1990년대 이후 해마다 약 3%씩 떨어졌다고 합니다. 지금 로봇이 사람보다 싸게 할 수 있는 일은 전체의 0.3%입니다. 이 비율이 10%가 되려면 로봇 비용이 지금보다 약 70% 싸져야 하고, 해마다 3%씩 떨어지는 지금 속도로는 40년 가까이 걸립니다. 비용 말고도 걸림돌이 있습니다. 저자들은 현행 규제 때문에 로봇이 할 수 없는 과업이 14%, 사람들이 로봇보다 사람을 원해서 로봇이 들어가지 못하는 과업이 4분의 1이라고 추정했습니다.

다만 40년이라는 숫자에는 전제가 몇 개 깔려 있습니다. 저자들 스스로 "모든 과업에 같은 비용 하락이나 역량 향상을 적용했다"는 점을 한계로 적었고, AI 로봇이 사다리 오르기처럼 지금 못 하는 일을 배우며 이 척도를 뛰어넘을 수 있다고 썼습니다. 저자들은 1977년 이후 약 50년 치 과거 데이터로 이 지표를 검증했는데, 로봇에 더 많이 노출된 직업일수록 뒤에 임금과 고용이 더 줄었다고 합니다. 다만 과거 추세가 앞으로의 속도까지 보장하지는 않습니다.

독일 매체 믹스드는 10월 2일 기사에서 이 결과를 "한 회사가 자기 시스템으로 만든 경제 모델"이라고 표현했습니다. 언어 모델을 만드는 회사가 자사 언어 모델로 채점한 결과이고, 학술지 심사를 거친 논문이 아니라는 점을 고려해야 합니다.

로봇 소프트웨어 기업 스킬드 AI는 9월 10일 첫 상업 배치 10개월 만에 연환산 매출 1억 달러를 넘겼고 유료 고객이 60곳을 넘었다고 밝혔습니다. 매출의 약 90%가 창고·공장·데이터센터 안의 조작 작업에서 나옵니다. 로봇이 인건비보다 싼 0.3% 일의 비율과 1억 달러라는 매출은 함께 성립할 수 있습니다. 전체 노동시간으로 나눈 비율이 작아도, 구조화된 작업장 안의 과업만 골라 들어가면 지금도 매출이 나는 구간이 있다는 뜻입니다.

국제로봇연맹이 9월 30일 공개한 서비스 로봇 보고서도 참고가 됩니다. 2025년 전문 서비스 로봇 출하는 전년 대비 24% 늘어난 약 25만 대였고, 키 140cm 이상 풀사이즈 휴머노이드는 약 7,000대가 팔렸습니다. 보고서는 대부분이 특정 작업에 특화돼 있고 사람의 원격조작을 필요로 하는 경우가 많다고 적었습니다. 공급업체 238곳 표본 조사라는 한계도 있습니다.

엔터프라이즈가 주목해야 할 시사점

첫째, 로봇 도입 견적은 과업 단위로 쪼개서 받아야 합니다.
포장 직무 하나에도 로봇 여러 대가 들어갔고, 용접은 용접 밖의 과업이 비용을 다섯 배로 만들었습니다. 우리 현장의 한 직무가 몇 개 과업으로 이뤄졌는지, 그중 로봇 전용 환경이 필요한 과업과 지금 작업장에서 바로 되는 과업이 각각 몇 개인지 나눠 두면 견적서가 명확해집니다.

둘째, 비용의 큰 몫은 환경을 로봇에 맞춰 짓는 데 들어갑니다.
로봇이 할 수 있는 과업 34% 가운데 23%포인트가 전용 환경에서만 가능했고, 비정형 환경은 1%였습니다. 현장 쪽을 로봇에 맞춰 바꿔야 하면, 공사비와 라인 정지 비용이 견적에 들어갑니다. 정부가 9월 30일 발표에서 내년에 1,700대 이상을 직접 구매하면서 "성능 미흡이나 도입 후 방치"를 막는 사후관리와 "수집·생산된 데이터를 독자 피지컬AI 파운데이션 모델 개발과 연계"를 함께 적은 것도 같은 문제에 대한 고민으로 보입니다.

셋째, 40년은 가격만 변수로 둔 계산입니다.
저자들이 적은 대로 로봇이 못 하던 과업을 배우면 계산이 많이 바뀝니다. 전용 환경이 필요하던 23%가 지금 작업장에서 바로 되면, 비용 경쟁력이 올라갑니다. 로봇이 현장을 배우는 데이터가 중요해진다는 것이죠.

슈퍼브에이아이가 독자 AI 파운데이션 모델 프로젝트(독파모) 2차수에서 한 일이 이 둘째·셋째 변수에 해당합니다. 한국 가정 50개소를 고정밀 3D 공간 자산으로 복제하고, 설거지·청소·정리 같은 가사 노동을 7,500건 촬영해 품질 선별을 거친 4D 행동 자산 5,000건으로 만들었습니다. 로봇 조작 빈도가 높은 가사 사물 객체 자산 1만 장도 함께 구축했고, 합성 데이터 1만 장 생성은 진행 중입니다. 전용 환경을 새로 짓는 대신 로봇이 배울 현장을 데이터로 옮기는 방식인데요. 1.3억 장 이상의 산업용 시각 데이터 위에서 산업 특화 비전 파운데이션 모델 제로(ZERO)가 하는 일도 같은 방향입니다. 처음 보는 현장을 전용 라인으로 바꾸지 않아도 인식이 따라가게 하는 것입니다.

앤트로픽의 표에서 로봇이 할 수 있는 일은 74%, 인건비보다 싼 일은 0.3%였습니다. 구독자님의 현장에서는 이 두 숫자 사이가 지금 몇 배쯤 벌어져 있을까요? 그 거리를 좁히는 데 로봇 가격표 말고 무엇이 더 빨리 움직일 수 있는지, 우리 현장의 데이터부터 살펴 보시면 어떨까요?

👉 로봇이 배울 현장을 데이터로 옮기는 과정 >> 피지컬 AI 데이터 팩토리 살펴보기

✏️ SUPERB Curation

차문수 CTO의 추천:

OpenAI, 생성 대신 판단하는 Decisions API 공개

OpenAI가 DevDay 2026에서 실시간 의사결정에 특화된 Decisions API를 공개했습니다. 일반적인 LLM처럼 긴 답변을 생성하는 대신, 개발자가 질문과 가능한 선택지를 미리 정의하면 주어진 텍스트나 이미지 맥락을 바탕으로 그중 적절한 답을 선택하는 방식인데요. 콘텐츠 분류, 요청 라우팅, 에이전트의 다음 행동 결정처럼 빠르고 구조화된 판단이 필요한 작업에 활용할 수 있다고 합니다.

앞서 공개된 Jev와 유사하게 ‘생성’보다 ‘결정’ 자체에 집중한다는 점이 흥미로운데요. OpenAI는 Luna의 지능을 특정 질문에 집중시키고, 답변 범위를 유한한 선택지로 제한해 애플리케이션에서 바로 활용할 수 있도록 설계했습니다. LLM 활용 방식이 모든 결과를 텍스트로 생성하는 것에서 벗어나, 필요한 순간에 빠르게 판단하고 다음 행동을 결정하는 방향으로 확장되고 있음을 보여주는 사례입니다.

👉 OpenAI, Decision API 살펴보기

정현지 Product Advocate의 추천:

FLUX.3, 자연스러운 이미지 생성과 인페인팅 지원

Black Forest Labs가 새로운 이미지 생성 모델 FLUX.3를 공개했습니다. 고품질 이미지 생성뿐 아니라 기존 이미지의 특정 영역을 자연스럽게 수정하는 인페인팅(Inpainting)을 지원하여, 원하는 부분만 추가하거나 교체하면서도 주변의 조명과 질감, 이미지 맥락을 일관되게 유지하는 것이 특징인데요.

특히, 이미지 생성과 편집을 하나의 워크플로우에서 처리할 수 있어, 단순한 이미지 생성 모델을 넘어 에이전트의 이미지 작업 도구로 활용할 가능성도 눈에 띕니다. 에이전트에 FLUX.3를 Skill이나 API 형태로 연결하면 이미지를 생성한 뒤 특정 부분을 수정하고, 결과를 확인해 다시 보정하는 반복적인 작업까지 자동화할 수 있다고 하네요. 텍스트 중심이었던 AI 에이전트가 이제 이미지를 직접 생성하고 수정하는 멀티모달 작업까지 수행하는 방향으로 확장되고 있다는 점에서 주목해볼 만합니다.

👉 FLUX.3 모델 살펴보기