카본식스, 연구실 밖으로 나온 피지컬 AI의 첫 청구서

로봇 AI 시장은 오랫동안 연구실의 장면으로 소비됐다. 영상 속 로봇은 매끄럽게 움직였지만, 공장의 생산라인은 훨씬 덜 관대했다. 변수는 많고, 멈춤의 비용은 크며, 성능은 논문이 아니라 계약서와 매출로 증명된다. 그 연구실 밖의 문제를 잡겠다는 카본식스에 600억원이 붙었다¹.

왜 현장 AI였나 — 데모가 아니라 멈추지 않는 라인이 돈을 불렀다

카본식스의 이번 라운드가 눈에 띄는 이유는 금액만이 아니다. Series A에서 4천만 달러, 약 600억원을 조달했다는 숫자도 크지만, 투자 논리의 중심은 더 선명하다. 투자자들은 로봇 AI가 무엇을 할 수 있는지보다, 그것이 이미 어디에 놓였는지를 봤다¹.

제조업의 자동화는 새 이야기가 아니다. 그러나 Physical AI는 기존 자동화와 다르다. 고정된 규칙으로 반복 동작을 수행하는 장비가 아니라, 현장에서 쌓이는 데이터를 다시 모델 개선으로 돌리는 구조가 핵심이다. 공장이 학습의 장소가 되는 순간, 로봇 AI 회사의 경쟁력은 알고리즘만이 아니라 설치된 라인의 수와 데이터의 질로 이동한다.

카본식스는 이 지점에서 자신을 연구 회사가 아니라 제조 현장에 적용 가능한 로봇 AI와 자동화 솔루션 회사로 설명한다¹. 기사에서 반복되는 표현도 "기술 시연"이 아니라 "실제 생산라인 적용", "고객 계약", "매출"이다¹. 딥테크 기업이 가장 자주 막히는 구간, 즉 기술에서 구매로 넘어가는 구간을 이미 통과했다는 신호다.

창업진의 이력도 이 베팅을 설명한다. 문태연 CEO는 산업용 AI 기업 수아랩을 창업해 코그넥스에 매각한 경험을 갖고 있고, 서형주 CTO는 MIT 박사 출신 로봇 AI 전문가로 소개된다¹. 제조 AI는 연구 역량만으로 팔리지 않는다. 현장 도입, 고객 설득, 품질 책임, 반복 판매의 문법을 아는 팀인지가 중요하다.

무엇이 달랐나 — 자동화 장비가 아니라 데이터 플라이휠을 판다

어떻게 돈이 붙었나 — VC가 산 것은 기술보다 반복 가능성이다

1. 첫째, 현장 배치가 있었다. 카본식스는 제품을 실제 제조 생산라인에 적용했다고 알려졌다¹. 딥테크의 가장 큰 리스크는 "될 것"과 "쓰일 것" 사이의 간극인데, 이번 라운드는 그 간극이 일부 좁혀졌다는 판단 위에 서 있다.
2. 둘째, 계약과 매출이 있었다. 회사는 기술 시연에 머무르지 않고 고객 계약과 매출을 만들어내고 있다는 점을 차별화 요소로 내세운다¹. 로봇 AI가 예산 항목으로 들어가는 순간, 그것은 연구비가 아니라 생산성 비용의 언어로 평가된다.
3. 셋째, 데이터 플라이휠이 있었다. 자동화 툴 사용 과정에서 생산 데이터를 축적하고, 그 데이터를 기반으로 AI 모델을 개선한 뒤 제품 성능으로 되돌리는 구조가 설명됐다¹. 이 구조가 작동하면 고객 현장이 늘어날수록 제품이 좋아지는 선순환을 주장할 수 있다.

The Bet — 왜 이 VC들은 이 베팅을 샀나

다음 12개월에 지켜볼 지표 3개

1. 생산라인 배치의 폭 공개된 자료는 실제 제조 생산라인 배치가 있었다고 말하지만, 고객사 수와 산업군, 반복 도입률은 공개되지 않았다¹. 다음 단계에서는 한두 현장의 성공이 아니라 여러 공정으로 복제되는지가 중요하다.
2. 매출의 성격 고객 계약과 매출 창출은 확인됐지만, 매출 규모와 반복 매출 비중은 공개되지 않았다¹. 하드웨어성 프로젝트 매출인지, 소프트웨어와 모델 업데이트가 붙는 반복 매출인지에 따라 기업가치의 질이 달라진다.
3. 데이터 플라이휠의 증거 회사는 생산 데이터 축적과 AI 모델 개선의 선순환을 설명한다¹. 앞으로는 데이터가 실제 성능 개선, 도입 시간 단축, 고객 재구매로 이어지는지가 관찰 포인트다.