Physical AI 시대, 작은 팀의 역량 공백을 메우는 법

Vantora(옛 UP.Labs)가 1억 달러를 모았다. 유니콘을 만드는 게 아니라, 제조·물류 대기업을 위해 AI 스타트업을 직접 지어주는 사업이다. 이 구조가 흥미로운 건 숫자 때문이 아니다. 이 모델이 성립한다는 사실 자체가, 지금 채용 시장에서 어떤 역량이 얼마나 희귀한지를 간접 증명하기 때문이다.

핵심부터 말하면: Physical AI 전환에서 인재 조달이 병목이다. 대기업들이 내부에서 못 만드니 외부에 통째로 맡기는 구조가 나왔고, 그걸로 1억 달러 시장이 생겼다. 작은 팀이 이 흐름에서 배울 건 로봇을 만들자는 게 아니라, 그 병목이 어떤 역량 공백에서 비롯됐는지 역추적하는 것이다.

단, 역량 공백을 채우는 방향이 틀리면 오히려 더 경쟁이 치열한 곳으로 들어가는 꼴이 된다. 그 함정이 아래에 있다.

대기업이 AI 스타트업 빌더에게 돈을 주는 이유

Vantora의 모델은 단순하다. 산업 대기업(에너지, 제조, 물류)이 돈을 내고, Vantora가 그 돈으로 AI 스타트업을 지어주고, 지분을 나눈다. 전통 컨설팅과 다른 점은 소프트웨어 납품이 아니라 사업체를 만든다는 것이다.

왜 대기업이 이걸 내부에서 안 할까. 현장 엔지니어와 ML 연구자를 한 팀에 모으는 게 상상 이상으로 어렵기 때문이다. 제조 현장 경력 10년인 사람은 파이썬으로 모델 파인튜닝을 못 하고, LLM 엔지니어는 공장 네트워크 토폴로지나 PLC 프로토콜을 모른다. 두 세계가 교집합을 이루는 사람이 극히 드물다.

OpenAI가 Physical AI 로드맵을 발표할 때마다 업계가 흥분하는 이유도 여기 있다 — 기술보다 그걸 실제 현장에 붙일 수 있는 사람이 더 부족하다. 2025년 기준 미국 제조·물류 분야 ML 엔지니어 공고의 평균 채용 소요 기간은 순수 소프트웨어 ML 포지션보다 약 40% 더 길다(LinkedIn Talent Insights). 도메인 지식 요구 조건 하나가 후보군을 그만큼 줄인다. Vantora 같은 스튜디오는 그 사람들을 미리 모아두고 기업에 임대하는 구조에 가깝다.

Physical AI가 요구하는 역량 스택은 뭐가 다른가

일반 SaaS AI와 Physical AI의 가장 큰 차이는 실패 비용이다. 추천 알고리즘이 틀리면 클릭률이 떨어지지만, 물류 로봇 제어 알고리즘이 틀리면 사람이 다친다. 이 차이 하나가 요구 역량 전체를 바꾼다.

구체적으로 세 가지 레이어가 겹쳐야 한다. 첫째, 실시간 추론 — 클라우드로 왕복하면 늦다. 에지 디바이스에서 100ms 이하로 결과를 내야 하는 상황이 많아서 모델 경량화, TensorRT·ONNX 변환 경험이 이 레이어다. 둘째, 센서 데이터 파이프라인 — 카메라, LiDAR, 온도·진동 센서에서 오는 노이즈 투성이 데이터를 전처리하고 시계열로 정렬하는 작업이다. SQL 쿼리만 다루던 사람에게는 완전히 다른 세계다. 셋째, 도메인 지식 — 어떤 센서 값이 비정상인지, 어떤 패턴이 실제로 의미 있는지는 현장 경험 없이 데이터만 봐서는 알기 어렵다.

이 세 가지를 한 사람이 다 갖추는 건 비현실적이다. 그래서 이건 개인 역량의 문제가 아니라, 팀 역량 포트폴리오를 설계하는 문제다.

작은 팀에게 실제로 의미하는 것

우리 같은 작은 팀 입장에서 솔직하게 이야기하면, Physical AI를 직접 만들 기회는 당장 없다. 하지만 이 흐름이 간접적으로 우리 스택에 닿는 경로는 분명히 있다.

자동화 파이프라인을 운영하다 보면 데이터 소스가 계속 다양해진다. 물류 API, IoT 플랫폼, ERP 연동 등 Physical AI 인프라가 만들어내는 데이터가 결국 우리 자동화 시스템 위에 올라온다. 이 시점에서 "내가 잘 모르는 도메인의 데이터를 빠르게 이해하고 파이프라인에 붙이는 능력"이 병목이 된다.

가상 시나리오를 하나 들면 이렇다. 제조사 클라이언트가 공장 라인 이상 탐지 데이터를 우리 자동화 플랫폼으로 연동하고 싶다고 요청한다. MQTT 브로커에서 오는 센서 스트림을 받아 정상/이상 분류 결과를 우리 DB에 적재하는 작업이다. 이걸 할 수 있는 팀과 못 하는 팀의 차이는 ML 실력보다 "이런 구조를 본 적이 있는가"에서 갈린다. 직접 MQTT를 처음 붙여봤을 때 WebSocket이랑 개념이 비슷할 거라고 생각했다가 완전히 다른 멘탈모델이 필요했다 — 읽어서 아는 것과 실제 구현 맥락이 있는 것의 차이가 생각보다 컸다.

역량 투자의 트레이드오프

역량 투자에는 언제나 기회비용이 있다. Physical AI 쪽으로 시간을 쓸수록 지금 잘하는 것에 덜 집중하게 된다. 작은 팀일수록 이 선택이 더 아프다.

트레이드오프를 정직하게 보면: 에지 ML이나 센서 파이프라인을 직접 깊이 파는 건 인력 부담 대비 단기 수익 기여가 불투명하다. 반면 도메인 지식 없이 Physical AI 클라이언트를 만나면 대화 자체가 안 된다. 중간 지점은 "얕지만 넓게 노출"이다. 실제 물류·제조 자동화 사례를 읽고, 그 업계 엔지니어들이 쓰는 언어를 익히는 것. 기술을 직접 구현하지 않더라도 문제를 정의하는 대화에 참여할 수 있는 수준이면 충분한 경우가 많다.

Vantora 모델이 증명하는 건 사실 이것이다. 도메인과 AI를 연결하는 '번역자' 역할이 독립적인 사업 가치를 만들 만큼 희귀하다는 것. 대기업도 그게 없으니 1억 달러를 써서 사는 거다.

지금 당장 쓸 수 있는 시사점

뜬구름 없이 적는다.

팀 내 "Physical AI 리터러시" 담당자를 한 명 지정할 만하다. 전담 개발자가 아니라, 매달 제조·물류 자동화 관련 케이스 스터디 하나를 읽고 팀에 공유하는 사람. MQTT, OPC-UA, 에지 AI 관련 개념을 익히는 데 월 4시간이면 충분하다. 6개월 후 클라이언트 대화 품질이 달라진다.

채용 공고를 쓸 때 "도메인 경험 우대" 조건을 하나라도 더 구체화해라. "제조/물류 프로세스 이해" 한 줄이 단순 소프트웨어 엔지니어와 다른 후보군을 걸러준다. 이 조건을 갖춘 사람에게 연봉을 10~15% 더 줄 수 있는지도 지금 미리 팀 내 합의를 해두면 채용 때 흔들리지 않는다.

마지막으로, Vantora 같은 스튜디오가 공개하는 채용 공고와 포트폴리오 케이스를 주기적으로 보는 것 자체가 공부다. 그들이 어떤 역할을 모집하고 어떤 산업 문제를 풀었는지가 "2~3년 후 시장이 뭘 원할지"의 선행 지표다. 1억 달러짜리 베팅이 무엇에 걸렸는지 역추적하면, 우리 팀이 다음에 무엇을 배워야 할지의 방향이 보인다.

원문: AI News & Artificial Intelligence | TechCrunch