AI가 손과 발을 얻은 뒤 - 공장보다 더 크게 바뀌는 것은 아이들의 공부와 인간의 일이다

챗봇 다음의 AI는 왜 ‘손’이 필요한가

지난 몇 년 동안 우리가 만난 AI는 대부분 화면 안에 있었다. 글을 쓰고, 그림을 만들고, 코드를 짰다. 그러나 경제의 상당 부분은 여전히 화면 밖에서 움직인다. 부품을 옮기고, 용접 지그에 금속판을 놓고, 창고에서 상자를 분류하고, 공장의 이상을 점검하는 일이다.

피지컬 AI는 이 간극을 메우려는 기술이다. 카메라와 센서로 현실을 보고, AI 모델이 상황을 이해하고, 모터와 관절을 움직여 행동한다. 생성형 AI가 ‘생각하고 말하는 기계’였다면 피지컬 AI는 ‘보고 움직이며 일을 끝내는 기계’로 가는 과정이다.

Goldman Sachs Research는 휴머노이드 로봇 시장이 2035년 380억달러, 출하량 약 140만대 규모까지 성장할 수 있다고 전망했다. 그러나 전망 숫자보다 먼저 볼 것이 있다. 실제 생산라인에서 몇 시간 버티는지, 몇 번 사람의 도움을 받는지, 작업 하나를 끝내는 비용이 얼마인지다.

BMW는 가장 잘 증명된 실험장, Tesla는 가장 중요한 장기 실험장이 될 수 있다

지금까지 공개적으로 확인된 산업용 휴머노이드 실적 가운데 가장 구체적인 사례는 BMW다. Figure AI의 Figure 02는 2025년 미국 사우스캐롤라이나 스파르탄버그 공장에서 약 1,250시간 작동했고, 9만개 이상의 판금 부품을 처리하며 3만대가 넘는 BMW X3 생산에 관여했다.

화려한 일은 아니었다. 금속 부품을 집어 용접 지그의 지정된 위치에 반복해서 놓는 작업이었다. 한 사이클 84초, 목표 배치 오차 5mm 이내 같은 숫자가 오히려 중요하다. 산업용 로봇의 승부는 공연장에서 박수를 받는 동작이 아니라, 화요일 새벽 2시에도 생산라인을 멈추지 않는 데 있기 때문이다.

그런데 장기적으로 더 흥미로운 실험장은 Tesla일 수 있다.

Tesla는 로봇 제조사이면서 동시에 대규모 제조업체다. 자동차 공장을 직접 운영하고, Optimus 하드웨어를 설계하며, AI 모델과 컴퓨팅 인프라도 내부에 갖고 있다. 로봇이 공장에서 실패하면 그 데이터를 수집하고, 모델을 수정하고, 다시 같은 공장에 배치하는 순환을 한 회사 안에서 돌릴 수 있다.

다만 팩트와 기대는 나눠야 한다. Tesla가 현재 수백 대의 Optimus를 생산라인에 배치해 대규모 실전 업무를 수행하고 있다고 단정할 공식 근거는 부족하다. Tesla의 2026년 2분기 자료를 보면 Fremont에서 Model S와 X 생산라인을 철거한 자리에 1세대 Optimus 생산라인을 설치하고 있으며, 초기 생산분을 ‘Optimus Academy’에서 훈련 데이터 수집과 기능 개발에 사용할 계획이라고 밝혔다. Texas에서도 관련 생산시설 건설이 진행 중이다.

따라서 현재를 이렇게 보는 편이 정확하다. BMW는 ‘휴머노이드가 실제 공장 일을 할 수 있다’는 구체적 증거다. Tesla는 아직 그 증명을 대규모 숫자로 보여주기 전이지만, 성공한다면 ‘로봇을 만드는 공장이 그 로봇을 이용해 다시 더 많은 로봇과 자동차를 만드는’ 자기증폭형 제조 시스템을 만들 수 있는 후보다.

피지컬 AI의 진짜 해자는 로봇의 몸보다 ‘실패 데이터’일 수 있다

초기 휴머노이드가 부품을 놓치거나 잠시 멈추는 장면은 보기에는 실패다. 하지만 AI 개발 관점에서는 귀한 데이터다.

어떤 물체를 잡으려다 미끄러졌는지, 조명이 바뀌었을 때 무엇을 잘못 인식했는지, 사람이 어느 순간 개입했는지, 성공한 궤적과 실패한 궤적이 어떻게 달랐는지가 다음 모델을 가르친다.

그래서 피지컬 AI 경쟁의 핵심 자산은 로봇 대수 자체가 아닐 수 있다. ‘현실에서 발생한 수백만 번의 시행착오와 인간의 교정 기록’이 더 큰 해자가 될 수 있다.

이 점에서 Tesla의 구조는 흥미롭다. 자동차 사업에서도 Tesla의 강점은 차량 하드웨어 하나보다 차량, 소프트웨어, 데이터 수집, 학습, OTA 업데이트를 하나의 루프로 묶었다는 데 있었다. Optimus에서도 비슷한 루프가 만들어질 수 있는지가 핵심 관전 포인트다.

왜 로봇은 거실보다 공장에 먼저 들어갈까

공장은 로봇에게 쉬운 세상이다. 바닥이 평평하고 조명이 일정하며, 부품 규격과 이동 동선이 정해져 있다. 위험구역을 분리하고 비상정지 장치를 설치할 수도 있다.

집은 정반대다. 장난감, 젖은 수건, 반려동물, 계단, 예측하기 어려운 아이의 행동이 한 공간에 섞여 있다. 피지컬 AI 입장에서는 훨씬 높은 ‘현실의 엔트로피’를 감당해야 한다.

안전과 법적 책임도 다르다. 산업 현장은 안전규칙과 작업 절차, 보험과 책임 분담 구조가 이미 존재한다. 가정에서는 제조물 책임, 프라이버시, 영상 수집, 어린이와 노약자 안전이 한꺼번에 걸린다.

따라서 가정용 휴머노이드가 정확히 몇 년 뒤 대중화될지는 아직 알 수 없다. 다만 공장과 물류보다 훨씬 높은 신뢰성과 사회적 합의가 필요하다는 방향성은 분명하다.

일자리의 미래는 ‘직업이 사라진다’보다 ‘직업이 분해된다’에 가깝다

AI와 로봇 이야기가 나오면 우리는 직업 이름부터 지운다. 회계사가 사라질까, 개발자가 사라질까, 디자이너가 사라질까를 묻는다.

그러나 실제 변화는 더 미세하게 진행될 가능성이 높다. 직업 하나는 수십 개의 작업으로 구성되어 있기 때문이다.

개발자는 요구사항을 듣고, 구조를 설계하고, 코드를 작성하고, 테스트하고, 배포하고, 장애를 고친다. 의사는 문진하고, 기록하고, 진단하고, 설명하고, 치료 결정을 내린다. 교사는 자료를 만들고, 설명하고, 학생의 오해를 발견하고, 동기를 만들고, 평가한다.

AI는 이 작업 묶음 가운데 일부를 먼저 가져간다. 그러면 직업은 사라지기 전에 ‘재조립’된다.

Microsoft의 2026 Work Trend Index가 흥미로운 이유도 여기에 있다. 보고서의 핵심은 사람이 AI를 한 번씩 사용하는 단계를 넘어, 에이전트가 실행을 맡고 인간이 방향 설정과 판단을 맡는 조직으로 이동하고 있다는 것이다.

미래의 생산성 격차는 ‘AI를 쓸 줄 아는 사람과 모르는 사람’보다 ‘AI에게 일을 맡길 줄 아는 사람과 결과를 책임질 줄 아는 사람’ 사이에서 더 커질 수 있다.

코딩 교육은 이미 ‘코드 작성’에서 ‘시스템 지휘’로 이동하고 있다

몇 년 전만 해도 아이에게 미래 기술을 가르친다는 말은 거의 곧 코딩 교육을 뜻했다. Python 문법을 배우고, for문과 if문을 익히고, 직접 코드를 한 줄씩 입력했다.

2026년에는 이 그림이 빠르게 낡아가고 있다.

자연어로 “이런 앱을 만들어줘”라고 설명하고 AI가 코드를 작성하게 하는 ‘바이브코딩’이 대중화됐기 때문이다. 이제 초보자도 몇 시간 안에 웹서비스나 작은 앱의 프로토타입을 만들 수 있다.

교육 현장에서도 변화가 시작됐다. 2026년 ACL의 NLP 교육 연구에서는 학생들이 LLM을 이용해 코드를 생성하도록 허용하고, 대신 개념 이해와 비판적 성찰을 평가하는 방식이 실험됐다. Carnegie Mellon의 2026년 가을 ‘Agentic Software Development’ 강의는 더 직접적이다. 이 수업의 전제는 “그럴듯한 코드를 생산하는 비용은 싸졌고, 그것을 이해하고 검증하고 유지하는 비용이 더 중요해졌다”는 것이다.

Brown University의 2026년 입문 컴퓨터과학 파일럿도 학생들이 손으로 직접 프로그래밍하는 법과 코딩 에이전트를 사용하는 법을 함께 배우도록 설계됐다. 핵심은 손코딩을 없애는 것이 아니라 AI가 만든 프로그램을 판단할 수 있는 정신적 모델을 갖게 하는 것이다.

따라서 아이들의 코딩 교육을 ‘Python을 배울까, JavaScript를 배울까’로 고민하는 것은 질문 자체가 조금 낡았다.

더 중요한 질문은 이것이다.

“아이에게 자기 아이디어를 컴퓨터가 실행할 수 있는 명확한 사양으로 바꾸고, AI가 만든 결과를 테스트하고, 틀린 부분을 찾아 다시 고치게 할 수 있는가?”

바이브코딩 다음은 ‘에이전틱 메이킹’이다

바이브코딩도 종착지는 아니다.

초기의 바이브코딩은 사람 한 명이 AI 한 개와 대화하며 앱을 만드는 방식이었다. 지금은 하나의 AI에게 전부 시키기보다 역할이 다른 여러 에이전트에게 일을 나누는 방향으로 이동하고 있다.

한 에이전트는 시장조사를 하고, 다른 에이전트는 화면을 설계하고, 또 다른 에이전트는 코드를 작성하고, 별도의 에이전트가 테스트와 보안 검사를 하는 식이다. 인간은 그 위에서 목표와 제약을 정하고, 결과물이 서로 맞물리는지 확인한다.

Anthropic도 2026년 다중 에이전트 시스템에서 AI들이 공유 코드베이스와 시장 같은 환경 안에서 서로 상호작용하는 상황이 빠르게 늘 것이라고 분석했다. OpenAI 역시 교육용 제품을 ‘질문에 답하는 AI’에서 자료를 읽고 도구를 쓰며 여러 단계를 실행하는 agentic capability 쪽으로 확장하고 있다.

미래의 ‘컴퓨터를 잘하는 아이’는 키보드를 가장 빨리 두드리는 아이가 아닐 수 있다. 복잡한 목표를 작은 작업으로 나누고, 각각을 적절한 AI에게 맡기고, 서로 충돌하는 결과를 조정하고, 최종 결과에 책임지는 아이일 가능성이 높다.

말하자면 코딩 교육이 ‘프로그래머 교육’에서 ‘작은 기술회사의 CEO 역할을 연습하는 교육’으로 확장되는 셈이다.

아이들의 교육에서 새로 가르쳐야 할 6가지

그렇다면 2026년 이후 교육의 중심은 무엇이어야 할까. ‘창의성’이나 ‘협업’처럼 좋은 말만 반복해서는 부족하다. AI 시대에는 훨씬 구체적인 기술이 필요하다.

첫째, 문제 선택이다. AI가 답을 싸게 만들수록 무엇을 풀 것인지 결정하는 능력이 비싸진다.

둘째, 사양 작성이다. 앞으로의 프롬프트는 한두 문장의 주문이 아니라 일종의 요구사항 문서가 된다. 목표, 사용자의 조건, 금지사항, 성공 기준, 예외 상황을 명확하게 적는 능력이다.

셋째, 분해와 위임이다. 복잡한 프로젝트를 여러 작업으로 쪼개고 어떤 부분을 사람에게, 어떤 부분을 AI에게, 어떤 부분을 로봇에게 맡길지 판단해야 한다.

넷째, 검증이다. AI 시대에는 ‘만드는 능력’보다 ‘틀린 것을 잡아내는 능력’이 병목이 될 수 있다. 출처 확인, 테스트 케이스 설계, 반례 찾기, 결과 재현이 핵심 학습이 된다.

다섯째, 취향과 편집이다. 누구나 비슷한 수준의 글, 그림, 앱을 몇 분 만에 만들 수 있게 되면 무엇을 버리고 무엇을 남길지 결정하는 안목이 차이를 만든다.

여섯째, 책임이다. 에이전트가 대신 만든 결과에서 사고가 났을 때 “AI가 그랬다”는 변명은 통하지 않는다. AI 시대의 고급 인재는 실행자라기보다 책임 있는 승인자에 가까워질 수 있다.

아이의 나이에 따라 AI 교육 방식도 달라져야 한다

초등학생에게 처음부터 에이전트 오케스트레이션을 가르칠 필요는 없다. 오히려 손으로 쓰고, 읽고, 계산하고, 직접 물건을 만들면서 현실에 대한 내부 모델을 형성하는 시간이 중요하다. 그 위에 AI를 이용해 자신이 상상한 게임이나 작은 도구를 만들어보게 하면 좋다.

중학생부터는 바이브코딩이 상당히 좋은 교육 도구가 될 수 있다. 문법 암기보다 ‘내가 불편한 것을 해결하는 앱’을 직접 만드는 식이다. 다만 완성품만 평가하면 안 된다. 어떤 요구사항을 줬는지, AI의 첫 결과가 왜 틀렸는지, 무엇을 수정했는지까지 함께 평가해야 한다.

고등학생은 한 단계 더 나아갈 수 있다. 조사, 설계, 제작, 검증을 여러 AI 에이전트에 나눠 맡기는 프로젝트를 해보고, 실제 사용자를 받아보고, 오류를 기록하고, 개인정보와 보안 문제도 다루는 것이다.

대학에서는 전공과 AI를 결합해야 한다. 생물학자는 AI로 실험을 설계하고, 역사학자는 방대한 사료를 탐색하며, 디자이너는 프로토타입을 직접 구현하고, 경영학도는 작은 서비스를 만들어 실제 고객 반응까지 확인하는 식이다.

교육의 단위가 ‘수업을 얼마나 들었는가’에서 ‘무엇을 만들어 실제 세계에서 검증했는가’로 이동할 가능성이 있다.

명문대의 진짜 위기는 AI가 지식을 알려줘서가 아니다

AI 때문에 하버드나 스탠퍼드의 가치가 곧 사라진다고 말하는 것도 지나치다. 명문대의 가치는 지식 전달만으로 만들어진 것이 아니기 때문이다. 뛰어난 동료, 연구 인프라, 교수, 네트워크, 선발 신호가 함께 작동한다.

하지만 대학이 받는 압력은 분명해진다.

과거에는 ‘어려운 지식을 배웠다’는 사실 자체가 희소했다. 이제 지식 접근 비용은 급격히 내려가고 있다. 따라서 대학은 학생이 무엇을 들었는지가 아니라 무엇을 만들고, 어떤 연구를 하고, 어떤 문제를 풀 수 있게 되었는지 증명해야 한다.

Stanford AI Index 2026에 따르면 미국 4년제 대학의 컴퓨터과학 등록은 2024년에서 2025년 사이 11% 감소한 반면 AI 관련 대학원 과정은 성장했다. 동시에 미국 고등학생과 대학생의 5명 중 4명이 이미 학업에 AI를 사용한다.

앞으로 학위의 경쟁 상대는 AI가 아니라 ‘증명 가능한 포트폴리오’일 수 있다. 실제 사용자가 있는 앱, 공개된 연구, 로봇 프로젝트, 오픈소스 기여, 소규모 사업 같은 결과물이 학점표 옆에 놓이게 된다.

부모가 지금 아이에게 해줄 수 있는 가장 현실적인 변화

아이에게 AI를 금지하는 것과 아무 제한 없이 맡기는 것 사이에는 훨씬 넓은 공간이 있다.

가장 좋은 출발은 ‘소비’보다 ‘제작’에 AI를 쓰게 하는 것이다.

유튜브를 한 시간 더 보는 대신 자신의 관심사를 설명하는 작은 사이트를 만든다. 게임을 하는 대신 간단한 게임을 만들어본다. 여행 계획을 AI에게 받는 데서 끝내지 않고 가족 여행 예산 계산기를 만든다. 책을 요약시키는 대신 책의 등장인물을 비교하는 퀴즈 앱을 만든다.

그리고 부모가 결과물보다 과정을 묻는 것이다.

“어떤 문제를 풀려고 했니?” “AI가 처음에는 뭘 잘못했니?” “네가 직접 결정한 것은 뭐야?” “다른 사람이 써보니 어디서 막혔니?” “이 결과가 맞다는 걸 어떻게 확인했니?”

이 다섯 질문만으로도 AI는 숙제 대행기가 아니라 사고 훈련 도구가 된다.