로보틱스와 피지컬 AI, 로봇판 ChatGPT 순간은 아직 오지 않았다

한눈에 보기

• 원문 성격: 2026년 4월 16일 Bessemer Venture Partners가 낸 로보틱스와 피지컬 AI 투자 전망
• 핵심 메시지: 로봇판 ChatGPT 순간은 아직 오지 않았지만, 데이터와 현장 배치 경쟁은 이미 시작
• 중요한 숫자: Goldman Sachs는 휴머노이드 로봇 시장이 2035년 380억 달러까지 커질 수 있다고 전망
• 병목 요인: 로봇 데이터는 인터넷 텍스트처럼 공짜로 긁을 수 없고, 실제 환경에서 비싸게 만들어야 함
• 서비스 의미: 단기 가치는 범용 로봇 모델보다 현장 문제를 끝까지 해결하는 풀스택 회사에 집중될 가능성
• 우리에게 남는 질문: 로봇을 멋진 데모로 볼 것인가, 아니면 위험하고 반복적인 일을 바꾸는 운영 인프라로 볼 것인가

서론

AI가 처음 대중에게 크게 다가온 순간은 채팅창이었다. 질문을 입력하면 답이 돌아왔다. 틀릴 때도 있었지만, 누구나 바로 써볼 수 있었다. 그래서 ChatGPT는 기술 시연을 넘어 생활 속 경험이 됐다.

로봇과 피지컬 AI는 다르다. 로봇은 채팅창 안에서만 답하지 않는다. 바닥을 지나가고, 물건을 집고, 공장 설비 옆에서 움직이고, 병원이나 창고나 건설 현장에서 사람과 같은 공간을 쓴다. 실패의 비용도 다르다. 챗봇의 틀린 답은 수정하면 되지만, 로봇의 틀린 행동은 물건을 망가뜨리거나 사람을 다치게 할 수 있다.

2026년 4월 16일 Bessemer Venture Partners가 공개한 Bessemer Predicts: Robotics and physical AI는 이 차이를 꽤 선명하게 보여준다. 글의 분위기는 낙관적이다. 하지만 무작정 “로봇 시대가 왔다”라고 말하지 않는다. 오히려 지금을 GPT-2.5 순간에 가깝다고 표현한다. 능력은 보인다. 연구실 데모도 인상적이다. 하지만 누구나 믿고 쓰는 대중적 전환점은 아직 오지 않았다는 뜻이다.

이 글은 원문을 그대로 옮기는 번역보다, 핵심 의미를 중심으로 다시 구성했다. 투자사 관점의 장밋빛 전망은 필요한 만큼 거리를 두고, 왜 이 시장이 흥미로운지, 무엇이 아직 어려운지, 그리고 우리에게 어떤 의미가 있는지를 중심으로 살펴본다.

1. 원문을 한 문장으로 옮기면

Bessemer의 전망을 한 문장으로 줄이면 이렇게 말할 수 있다.

피지컬 AI는 아직 대중화 직전의 완성품은 아니지만, 데이터와 자본과 현장 배치를 먼저 쌓는 회사가 다음 10년의 로봇 시장을 가져갈 가능성이 크다.

여기서 피지컬 AI는 물리 세계에서 보고, 판단하고, 움직이는 AI를 뜻한다. 텍스트를 생성하는 AI가 아니라 공간, 물체, 힘, 마찰, 시간, 안전을 다뤄야 하는 AI다. 로봇 팔이 빨래를 접고, 드론이 시설을 점검하고, 자율 선박이 이동하고, 휴머노이드가 공장이나 창고에서 일하는 장면을 떠올리면 된다.

원문은 여섯 가지 예측으로 구성된다.

• 예측 1: 로봇판 ChatGPT 순간은 오고 있지만 아직 도착하지 않음
• 예측 2: 로보틱스에도 확장 법칙이 보이기 시작했고, 데이터와 자본이 해자가 됨
• 예측 3: 인재가 소수 팀에 집중되며 승자가 빨리 갈릴 가능성
• 예측 4: 단기 가치는 범용 모델 회사보다 풀스택 회사에 모일 가능성
• 예측 5: 국방 로보틱스가 첫 500억 달러 이상 상장 사례를 만들 수 있음
• 예측 6: 로보틱스는 거품이라기보다 아직 충분한 자본이 들어오지 않은 시장

이 중 가장 중요한 축은 두 가지다. 하나는 로봇의 대중적 전환점이 아직 남아 있다는 점이다. 다른 하나는 그 전환점이 오기 전부터 데이터와 배치 경험을 쌓는 회사가 유리해진다는 점이다.

2. 왜 아직 ChatGPT 순간이 아닌가

ChatGPT가 성공한 이유는 사용자가 직접 체감할 수 있었기 때문이다. 복잡한 설치 없이 채팅창에서 바로 써볼 수 있었고, 실수해도 위험이 크지 않았다. 로봇은 그렇지 않다.

로봇이 대중을 설득하려면 화면 속 답변보다 더 강한 장면이 필요하다. 낯선 환경에서 복잡한 일을 하고, 사람 개입 없이 반복 성공해야 한다. 빨래 한 번 접는 영상은 흥미롭지만, 매일 다른 옷과 다른 조명과 다른 공간에서 안정적으로 해내는 것은 전혀 다른 문제다.

Bessemer는 지금의 로봇 산업을 GPT-2.5 단계로 본다. GPT-2가 언어 모델의 가능성을 보여줬지만 ChatGPT처럼 대중의 손에 들어온 제품은 아니었던 것처럼, 현재의 로봇 모델도 능력은 보이지만 아직 누구나 믿고 맡길 수준은 아니라는 뜻이다.

이 차이를 숫자로 보면 더 선명하다. 연구실 데모에서 80% 성공은 큰 성과일 수 있다. 하지만 공장, 병원, 도로, 가정에서는 80%가 부족하다. 실제 배치에서는 99%도 불안할 수 있고, 어떤 영역은 99.9% 이상의 신뢰성을 요구한다.

로봇판 ChatGPT 순간은 멋진 영상보다 낯선 현장에서 반복 성공하는 장면으로 증명된다

그래도 변화는 분명하다. NVIDIA Research의 EgoScale 연구는 2026년 2월 19일, 대규모 1인칭 인간 행동 영상이 로봇 조작 성능과 예측 가능한 관계를 보일 수 있음을 제시했다. 이 연구는 2만 시간이 넘는 인간 시점 영상을 학습에 활용했고, 데이터 규모가 커질수록 성능이 꾸준히 개선되는 패턴을 보였다.

중요한 점은 이것이 “로봇 문제가 해결됐다”는 뜻이 아니라는 점이다. 오히려 반대다. 로봇도 언어 모델처럼 데이터가 많아질수록 좋아질 가능성이 보이기 시작했지만, 그 데이터를 모으는 일이 훨씬 어렵고 비싸다는 뜻이다.

3. 로봇 데이터는 인터넷처럼 공짜가 아니다

LLM 시대의 가장 큰 행운은 인터넷이었다. 텍스트, 코드, 문서, 게시글, 책, 웹페이지가 이미 엄청난 규모로 존재했다. 물론 저작권과 데이터 사용 논란은 크지만, 기술적으로는 방대한 텍스트를 모아 학습할 수 있었다.

로봇은 그렇지 않다. 물리 세계의 데이터는 누군가 실제로 만들어야 한다. 로봇이 물건을 집고, 떨어뜨리고, 다시 잡고, 다른 조명에서 시도하고, 다른 물체로 반복해야 한다. 원격 조작자가 필요하고, 센서가 필요하고, 실험 공간이 필요하고, 실패를 기록하고 라벨링하는 과정도 필요하다.

Bessemer는 전 세계 로봇 조작 데이터가 약 30만 시간 수준으로 추정된다고 적었다. 반면 인터넷 영상은 약 10억 시간, 텍스트는 약 300조 토큰 규모로 비교된다. 정확한 추정에는 불확실성이 있지만, 격차의 방향은 분명하다. 로봇 데이터는 훨씬 부족하다.

그래서 원문은 향후 2년간 산업 전체의 로봇 데이터 비용이 30억 달러를 넘을 수 있다고 전망한다. 이는 단순한 연구비가 아니다. 원격 조작, 1인칭 영상, 시뮬레이션, 물리 시연, 실패 사례 수집을 모두 포함한 비용이다.

이 지점에서 로보틱스의 해자는 알고리즘만이 아니다. 데이터를 계속 만들어내는 운영 능력이 해자가 된다.

• 원격 조작 데이터: 사람이 로봇을 조작해 성공 행동을 보여주는 자료
• 현장 실패 데이터: 실제 배치 중 나온 엣지 케이스와 복구 과정
• 시뮬레이션 데이터: 가상 환경에서 반복 실험하며 얻는 대량 경험
• 인간 시점 영상: 사람이 물체를 다루는 모습을 로봇 학습에 연결하는 자료
• 고객 환경 데이터: 특정 창고, 공장, 선박, 병원에서만 나오는 고유 패턴

로봇을 잘 만드는 회사는 더 많은 로봇을 현장에 깐다. 현장에 깔린 로봇은 더 많은 데이터를 만든다. 그 데이터는 모델을 개선하고, 개선된 모델은 더 많은 현장 계약을 만든다. 이것이 Bessemer가 말하는 데이터 플라이휠이다.

피지컬 AI의 경쟁력은 더 많은 실제 배치가 더 좋은 데이터를 만들고, 그 데이터가 다시 배치를 늘리는 구조에서 나온다

4. 월드 모델은 지름길일까, 비싼 우회로일까

데이터 부족을 해결하는 한 가지 후보는 월드 모델이다. 월드 모델은 영상과 센서 데이터를 통해 세상이 어떻게 움직이는지 배우는 모델이다. 컵을 밀면 움직이고, 천은 접히고, 액체는 흐르고, 사람이 손을 뻗으면 물체가 잡힐 수 있다는 식의 물리 감각을 학습하려는 시도다.

Bessemer는 Meta의 V-JEPA 2 사례를 언급한다. 인터넷 규모 영상으로 학습한 모델이 비교적 적은 로봇 전용 데이터만으로 실제 로봇 팔의 집기와 놓기 작업에서 의미 있는 성과를 보였다는 내용이다. 이런 결과는 흥미롭다. 사람이 세상을 보며 물리 감각을 배우듯, 로봇도 인터넷 영상에서 일부 물리 지식을 배울 수 있다는 기대를 만든다.

하지만 월드 모델은 공짜 지름길이 아니다. 원문은 NVIDIA Cosmos 훈련에 1만 개 H100 GPU가 약 3개월 쓰였다고 적는다. 이 수치가 말하는 것은 단순하다. 실제 로봇 데이터를 줄이려는 시도조차 거대한 컴퓨팅 비용을 요구한다.

또 다른 후보는 시뮬레이션과 강화학습이다. 로봇이 가상 세계에서 수없이 실패하고 배우는 방식이다. 걷기나 달리기 같은 이동 영역에서는 좋은 성과가 나오고 있다. 하지만 물체를 섬세하게 조작하는 영역은 훨씬 어렵다. 천이 손가락 사이에서 어떻게 밀리는지, 부드러운 물체가 어떻게 찌그러지는지, 액체가 어떻게 흐르는지는 시뮬레이션으로 정확히 재현하기 쉽지 않다.

그래서 지금의 결론은 보수적으로 봐야 한다.

• 월드 모델: 가능성은 크지만 훈련비가 크고 일반화는 아직 검증 중
• 시뮬레이션: 이동과 일부 반복 작업에는 강하지만 섬세한 조작은 난제
• 실제 데이터: 가장 확실하지만 가장 비싸고 느림
• 혼합 전략: 당분간은 실제 데이터, 영상 학습, 시뮬레이션을 함께 쓰는 방식이 현실적

결국 로봇 시장의 핵심 질문은 “누가 가장 멋진 모델을 발표했나”가 아니다. “누가 물리 세계의 데이터를 가장 빠르고 안전하게 쌓고, 그것을 다시 제품 개선으로 연결하나”다.

5. 왜 단기 가치는 풀스택 회사에 모이나

LLM 시장에서는 API가 큰 변화를 만들었다. 좋은 모델을 API로 호출할 수 있게 되자, 작은 팀도 빠르게 제품을 만들 수 있었다. 모델 회사와 응용 서비스 회사가 비교적 깔끔하게 분리됐다.

로봇은 아직 그렇게 분리되지 않는다. 로봇 모델 하나를 호출한다고 바로 공장이나 창고에 배치할 수 없다. 하드웨어를 골라야 하고, 센서를 붙여야 하고, 안전 구역을 정해야 하고, 현장 데이터를 모아야 하고, 유지보수와 원격 지원도 준비해야 한다.

Bessemer는 그래서 단기적으로 풀스택 플레이어가 가치를 가져갈 가능성이 크다고 본다. 풀스택 회사는 모델만 파는 회사가 아니라, 특정 업무를 끝까지 해결하는 회사다. 로봇, 소프트웨어, 데이터 수집, 배치, 운영, 고객 관계를 함께 다룬다.

예를 들어 창고 자동화 회사가 수백 대의 로봇을 여러 시설에 배치했다면, 그 회사는 단순한 모델 회사가 갖기 어려운 자산을 가진다. 어느 통로에서 병목이 생기는지, 어떤 물건이 자주 떨어지는지, 어떤 시간대에 장애가 늘어나는지, 어떤 고객 환경에서 센서가 헷갈리는지 알 수 있다. 이 정보는 모델 구조보다 더 직접적인 경쟁력이 될 수 있다.

로봇은 아직 API 하나로 배치되지 않는다. 그래서 현장 문제를 끝까지 책임지는 회사가 단기 가치를 가져갈 가능성이 크다

물론 장기적으로는 범용 로봇 모델 회사가 강해질 수 있다. Bessemer도 그 가능성을 부정하지 않는다. 다만 원문은 그 시간이 2028년 이후에 더 가까울 수 있다고 본다. 지금은 범용 모델보다 특정 현장에서 작동하는 수직형 솔루션이 더 돈이 되는 구간이라는 판단이다.

이 말은 로봇 산업이 소프트웨어와 반대로 간다는 뜻이 아니다. 오히려 소프트웨어보다 느리게 분리된다는 뜻이다. 처음에는 하드웨어와 소프트웨어와 운영을 함께 묶은 회사가 앞서고, 시간이 지나면서 공통 인프라와 모델 계층이 분리될 가능성이 있다.

6. 국방 로보틱스가 먼저 커지는 이유

원문에서 가장 논쟁적인 예측은 국방 로보틱스다. Bessemer는 국방 로보틱스가 로보틱스 분야에서 첫 500억 달러 이상 상장 사례를 만들 수 있다고 본다.

근거는 자본 흐름이다. TechCrunch는 2026년 3월 3일 Anduril이 600억 달러 가치 평가를 목표로 대규모 투자 라운드를 진행 중이라고 보도했다. WorkBoat는 2026년 3월 31일 자율 선박 스타트업 Saronic이 17억 5,000만 달러 규모 Series D를 유치했고, 기업 가치가 92억 5,000만 달러로 평가됐다고 전했다.

국방 로보틱스가 빠르게 커지는 이유는 상업 시장과 계산 방식이 다르기 때문이다. 일반 기업은 로봇을 도입할 때 투자 대비 효과를 매우 따진다. 기존 인력, 설비, 보험, 장애 대응, 노조, 안전 규정까지 고려한다. 속도가 느릴 수밖에 없다.

국방 영역은 다르다. 예산이 크고, 긴급성이 높고, 한 번 도입된 시스템의 전환 비용도 크다. 특히 드론, 자율 선박, 감시 시스템, 무인 지상 장비처럼 위험 지역에서 사람을 대체하는 기술은 안보 논리와 바로 연결된다.

하지만 이 영역은 단순히 “돈이 된다”로만 볼 수 없다. 이중용도 논쟁이 따라온다. 같은 자율 주행, 인식, 통신, 의사결정 기술이 상업 시설 점검에도 쓰이고 군사용 장비에도 쓰일 수 있기 때문이다. 기술의 가능성과 사회적 책임이 한 묶음으로 움직인다.

국방 로보틱스는 큰 예산과 긴급성을 갖지만, 이중용도 기술의 책임 문제도 함께 커진다

우리에게 중요한 질문도 여기서 나온다. 로봇이 위험한 일을 대신하는 것은 분명 가치가 있다. 하지만 어떤 위험을 누구 대신 감수하게 하는가. 사람의 안전을 높이는 기술과 공격 능력을 높이는 기술의 경계는 어디인가. 피지컬 AI가 커질수록 이 질문은 기술 논쟁이 아니라 사회적 선택이 된다.

7. 로보틱스는 거품인가, 아직 시작 전인가

Bessemer는 로보틱스가 거품이 아니라고 주장한다. 오히려 충분한 돈이 들어오지 않았다고 본다. 근거로 지난 5년간 3,000만 달러 이상 투자받은 소프트웨어 회사는 745곳인 반면, 로보틱스 회사는 42곳에 불과하다고 비교한다.

이 주장은 흥미롭지만, 투자사 관점이라는 점도 함께 봐야 한다. 벤처캐피털은 새로운 시장의 성장 가능성을 크게 볼 동기가 있다. 따라서 “거품이 아니다”라는 말은 그대로 결론으로 받아들이기보다, 어떤 기준에서는 아직 자본이 적고 어떤 영역에서는 이미 평가가 높아졌는지 나눠 봐야 한다.

현실적인 해석은 이렇다. 로보틱스 전체가 거품이라고 말하기는 어렵다. 제조, 물류, 건설, 에너지, 국방, 의료처럼 물리 업무가 많은 산업에서는 자동화 수요가 구조적으로 존재한다. 고령화, 인력 부족, 안전 문제, 공급망 재편도 로봇 수요를 밀어 올린다.

다만 모든 로봇 회사가 성공한다는 뜻은 아니다. Bessemer 역시 일부 기업 가치는 부담스러울 수 있고, 모든 휴머노이드 회사가 대규모 배치에 성공하지는 못할 것이라고 인정한다. 자본과 인재는 소수 승자에게 몰릴 가능성이 크다.

이 대목에서 가장 중요한 차이는 시장 전체의 성장성과 개별 회사의 성공 가능성을 분리하는 것이다.

• 시장 전체: 물리 업무 자동화 수요는 장기적으로 커질 가능성
• 개별 회사: 데이터, 배치, 안전, 비용, 고객 확보에서 탈락할 수 있음
• 휴머노이드: 주목도는 높지만 실제 경제성 검증은 아직 진행 중
• 산업용 로봇: 덜 화려하지만 제한된 환경에서 먼저 수익화 가능
• 국방 로봇: 빠른 자본 유입이 가능하지만 윤리와 정책 리스크가 큼

결국 “로봇이 뜬다”는 말보다 “어떤 환경에서 어떤 작업이 먼저 자동화될까”가 더 좋은 질문이다.

8. 우리에게 의미 있는 변화는 무엇인가

이 글의 의미는 로봇 스타트업 투자자에게만 있지 않다. 피지컬 AI가 커진다는 것은 소프트웨어가 화면 밖으로 나온다는 뜻이다. AI가 문서를 쓰고 코드를 고치는 단계에서, 물건을 옮기고 시설을 점검하고 위험한 현장에 들어가는 단계로 이동한다는 뜻이다.

우리에게 가장 먼저 보일 변화는 아마 완전한 가정용 로봇이 아닐 가능성이 크다. 영화처럼 집안일을 모두 해주는 휴머노이드보다, 제한된 공간에서 특정 업무를 반복하는 로봇이 먼저 늘어날 것이다.

• 물류: 창고 피킹, 분류, 재고 확인, 이동 로봇
• 제조: 품질 검사, 부품 이송, 반복 조립, 위험 공정 보조
• 건설: 현장 스캔, 안전 점검, 자재 이동, 드론 측량
• 에너지: 송전망, 풍력, 태양광, 석유화학 설비 점검
• 의료: 수술 보조, 병원 물류, 고령자 돌봄 일부 작업
• 일상: 청소, 세탁, 정리처럼 좁은 범위의 가정 자동화

여기서 중요한 것은 로봇이 사람을 단번에 대체한다는 식의 이야기가 아니다. 현실은 더 복잡하다. 로봇은 사람의 모든 일을 가져가기보다, 위험하고 반복적이고 인력 부족이 심한 작업부터 들어올 가능성이 크다. 그리고 그 과정에서 새로운 일도 생긴다. 로봇 운영자, 원격 조작자, 데이터 검수자, 현장 안전 관리자, 로봇 정비 인력, 시뮬레이션 설계자 같은 역할이다.

서비스로서의 의미도 크다. 피지컬 AI 제품은 단순 판매보다 운영형 서비스로 갈 가능성이 크다. 고객은 로봇을 한 대 사는 것보다, 특정 업무가 얼마나 안정적으로 처리되는지에 돈을 낼 수 있다. 예를 들어 “로봇 한 대 가격”보다 “한 달에 몇 건의 점검을 안전하게 완료했는가”가 과금 기준이 될 수 있다.

이렇게 보면 피지컬 AI는 하드웨어 사업이면서 동시에 구독형 서비스, 데이터 사업, 운영 인프라 사업이다. 그래서 더 어렵고, 그래서 더 큰 기회가 생긴다.

9. 피지컬 AI를 볼 때의 점검표

로봇과 피지컬 AI 뉴스를 볼 때는 멋진 영상에 쉽게 끌린다. 하지만 영상은 시작일 뿐이다. 실제 사업 가능성을 보려면 더 차분한 질문이 필요하다.

• 안전성: 실패했을 때 사람과 설비에 피해가 없는가
• 반복성: 같은 작업을 다양한 환경에서 여러 번 성공하는가
• 데이터 루프: 현장 배치가 다음 모델 개선으로 이어지는가
• 비용 구조: 로봇 가격, 유지보수, GPU 추론, 원격 지원을 감당할 수 있는가
• 고객 가치: 사람이 하기 싫거나 위험한 일을 실제로 줄여주는가
• 배치 난이도: 고객 현장에 설치하고 운영하기까지 시간이 얼마나 걸리는가
• 규제와 책임: 사고가 났을 때 책임 경계가 명확한가
• 확장성: 한 곳에서 성공한 방식이 다른 현장으로 옮겨갈 수 있는가

피지컬 AI의 경쟁력은 모델 시연보다 안전하게 반복 배치되는 운영 능력에서 드러난다

특히 비용 구조는 과소평가되기 쉽다. 텍스트 AI는 많은 요청을 서버에서 묶어 처리할 수 있다. 하지만 로봇은 각 기계가 실시간으로 주변 상태를 판단해야 한다. 몇 밀리초 단위의 판단이 필요하고, 네트워크 지연이나 장애도 고려해야 한다. 로봇 한 대가 움직일 때마다 사실상 작은 AI 인프라가 현장에 붙는 셈이다.

그래서 피지컬 AI의 가격 경쟁력은 모델 성능뿐 아니라 하드웨어 가격, 추론 비용, 센서 비용, 정비 비용, 보험, 규제 대응까지 포함해 봐야 한다. 이 전체 비용이 사람의 노동, 사고 위험, 품질 편차, 운영 중단 비용보다 낮아지는 순간부터 시장은 빠르게 열린다.

10. 앞으로 3년의 관전 포인트

Bessemer 글을 바탕으로 앞으로 3년을 보면 관전 포인트는 꽤 분명하다.

첫째, 로봇 데이터 수집 방식이 바뀔 것이다. 원격 조작만으로는 부족하다. 사람 영상, 시뮬레이션, 실제 배치 로그, 실패 복구 데이터가 섞인 데이터 전략이 중요해진다. 좋은 회사는 데이터를 많이 모으는 데서 끝나지 않고, 어떤 데이터가 모델 개선에 실제로 도움이 되는지 골라내는 능력을 갖춰야 한다.

둘째, 월드 모델과 비전·언어·행동 모델의 비용 곡선이 중요해진다. LLM 추론 비용은 몇 년 사이 크게 내려갔다. 로봇 추론도 비슷한 속도로 내려갈 수 있을지가 핵심이다. 비용이 충분히 낮아지지 않으면 기술은 좋아도 대규모 배치가 늦어진다.

셋째, 풀스택 회사와 인프라 회사의 경계가 계속 움직일 것이다. 지금은 풀스택 회사가 유리하지만, 공통 모델과 공통 운영 플랫폼이 성숙하면 일부 영역은 API처럼 분리될 수 있다. 이때 로봇 산업도 소프트웨어처럼 플랫폼과 애플리케이션의 분업이 커질 수 있다.

넷째, 해석 가능성과 안전 도구가 새로운 인프라가 될 가능성이 있다. 피지컬 AI는 블랙박스가 위험하다. 왜 그런 행동을 했는지 설명할 수 없으면, 사고가 난 뒤 책임을 나누기 어렵다. 로봇의 판단을 기록하고 분석하고 검증하는 도구는 장기적으로 큰 시장이 될 수 있다.

다섯째, 휴머노이드 열풍과 실제 수익화 사이의 간격을 봐야 한다. 휴머노이드는 상징성이 크고, 범용성의 꿈을 담고 있다. 하지만 단기 수익은 더 단순하고 제한된 로봇에서 먼저 나올 수 있다. 덜 멋진 로봇이 더 빨리 돈을 벌 수도 있다.

결론

Bessemer의 로보틱스와 피지컬 AI 전망은 낙관적이지만, 무작정 들뜬 글은 아니다. 오히려 로봇 산업의 어려움을 분명히 보여준다. 데이터는 부족하고, 현장 배치는 어렵고, 신뢰성 기준은 높고, 비용 구조는 무겁다. 그래서 아직 로봇판 ChatGPT 순간은 오지 않았다.

하지만 바로 그 이유 때문에 지금이 중요하다. 대중적 전환점이 오기 전, 실제 현장에 로봇을 배치하고 데이터를 쌓고 운영 능력을 만드는 회사가 다음 기회를 잡을 수 있다. 로봇 시장의 승부는 멋진 데모 영상보다 지루한 반복에서 갈릴 가능성이 크다.

우리에게 피지컬 AI는 “사람처럼 생긴 로봇이 언제 집에 오나”라는 질문만이 아니다. 위험한 일을 누가 대신할 것인가. 반복적인 물리 업무를 어떻게 줄일 것인가. AI가 현실 공간에서 움직일 때 안전과 책임을 어떻게 설계할 것인가. 이 질문들이 앞으로 더 자주 등장할 것이다.

AI가 글과 코드의 세계를 바꿨다면, 피지컬 AI는 공장, 창고, 도로, 병원, 에너지 시설 같은 물리 세계의 운영 방식을 바꾸려 한다. 아직 완성된 순간은 아니다. 하지만 바퀴는 이미 굴러가기 시작했다.

참고 자료

• Bessemer Predicts: Robotics and physical AI - Bessemer Venture Partners, 2026년 4월 16일
• The global market for humanoid robots could reach $38 billion by 2035 - Goldman Sachs, 2024년 2월 27일
• EgoScale: Scaling Human Video to Unlock Dexterous Robot Intelligence - NVIDIA Research, 2026년 2월 19일
• Anduril aims at $60 billion valuation in new funding round - TechCrunch, 2026년 3월 3일
• Saronic secures additional $1.75 billion for shipyard expansion and autonomy - WorkBoat, 2026년 3월 31일