조선소 AI 용접 자동화, 장인의 손끝은 사라질까? 한화오션·HD현대·삼성중공업 현장 변화
용접공이 불꽃을 보며 “조금 빨리 가야 한다”, “철판이 벌어지고 있다”, “토치 각도를 바꿔야 한다”고 판단하는 순간을 숫자로 바꿀 수 있을까요?
과거 이런 판단은 ‘손끝 감각’이나 ‘장인의 촉’, 즉 말로 설명하기 어려운 암묵지(Tacit Knowledge)로 여겨졌습니다.
하지만 최신 AI 용접 기술은 바로 그 암묵지를 관측 가능한 데이터로 나누려 합니다. 작업자가 어디를 보는지, 토치를 얼마나 빠르게 움직이는지, 어떤 각도를 유지하는지, 용융된 금속이 어떻게 변하는지, 그리고 숙련자가 어떤 보정을 하는지를 함께 기록합니다. 이후 AI가 이 연속적인 반응을 학습해 비슷한 상황에서 적절한 행동을 선택하도록 만드는 것입니다.
다만 숙련을 데이터화한다고 해서 숙련공 전체를 그대로 복제할 수 있다는 뜻은 아닙니다.
2026년 조선업의 실제 변화는 ‘용접공 대 로봇’보다 하나의 직무 안에서 사람과 기계가 맡는 업무를 다시 나누는 과정에 가깝습니다.
핵심 요약
정형화된 반복 용접에서는 AI와 로봇의 비중이 빠르게 커지고 있습니다. 반면 야외 도크, 복잡한 곡면, 열변형, 단차, 아크광과 스패터가 뒤섞이는 비정형 환경에서는 사람이 예외 처리와 최종 품질 판단에 계속 관여해야 합니다.
따라서 미래의 베테랑 용접공은 하루 종일 직접 비드를 만드는 사람에서 여러 로봇을 관리하고 공정을 조정하며 품질을 승인하는 로봇 오퍼레이터·공정 튜너·현장 감독자로 이동할 가능성이 큽니다.
목차
- 장인의 ‘손끝 감각’은 어떻게 데이터가 되는가
- AI가 배우는 것은 궤적이 아니라 ‘상황-판단-행동’이다
- 한화오션: 67%는 해고율이 아니라 실내 용접 AX 적용 지표다
- HD현대중공업: 한 사람이 여러 로봇을 운영하는 조선소
- 삼성중공업: 배관 공정을 ‘연결된 자동화’로 묶다
- 미국 HII의 HYPR가 보여주는 다음 단계
- 완전 무인화가 어려운 이유: 아크광·스패터·열변형·비정형성
- 더 큰 역설: 초급 일을 없애면 미래 베테랑은 어디서 생기나
- 결국 사라지는 것은 ‘직무’보다 ‘업무 묶음’이다
1. 장인의 ‘손끝 감각’은 어떻게 데이터가 되는가
용접 숙련을 데이터화한다는 것은 베테랑의 토치 경로를 단순 녹화한다는 뜻이 아닙니다.
Hitachi의 용접 숙련 분석 연구에서는 복수 카메라와 모션 캡처를 활용해 용접공의 시선(Gaze), 토치의 위치·높이·이동 속도, 용접부 상태를 측정하고 시각화했습니다. 강한 아크광 때문에 작업 부위를 안정적으로 관찰하기 어렵다는 문제도 연구 대상이었습니다.
현대적인 적응형 용접 제어에서는 다음과 같은 값들이 함께 다뤄집니다.
용융풀도 단순한 2차원 밝기가 아니라 구조광이나 카메라를 이용해 3차원 표면 형상을 복원하고 변화량을 측정하는 방향으로 연구되고 있습니다.
즉 ‘손끝 감각’은 하나의 센서값이 아니라 시선·토치 자세·속도·용융풀·아크·재료 상태를 함께 읽고 다음 행동을 결정하는 폐루프 제어 능력에 가깝습니다.
2. AI가 배우는 것은 궤적이 아니라 ‘상황-판단-행동’이다
한 번 성공한 토치 경로를 그대로 재생하는 것만으로는 베테랑을 대신할 수 없습니다.
선박 블록은 제작 과정에서 미세한 갭과 단차가 생기고 열을 받으면 다시 변형됩니다. 처음 입력한 경로와 실제 용접선이 달라질 수 있다는 뜻입니다.
따라서 AI가 배워야 할 것은 단순 궤적이 아니라 다음 관계입니다.
현재 상태 → 숙련자의 판단 → 보정 행동 → 다시 변한 용접 상태
용융풀 폭이나 접합부 상태가 달라졌을 때 숙련자가 토치 속도, 자세, 와이어 송급 조건 등을 어떻게 바꾸는지를 데이터로 남기는 방식입니다.
적응형 GMAW 연구에서도 카메라로 용융풀을 관찰하고 결과에 따라 용접 속도나 토치 방향 같은 공정 변수를 조정하는 폐루프 제어가 연구되고 있습니다. 2026년 University of Kentucky의 Yue Cao 박사학위 연구는 이를 모방학습으로 확장해 인간 시범과 용융풀의 동적 변화를 로봇 제어로 이전하는 방법을 다룹니다.
이 과정이 의미하는 것은 분명합니다. 과거에는 베테랑의 은퇴와 함께 사라지기 쉬웠던 노하우 일부를 표준화된 공정 데이터와 학습 모델로 보존하고 재사용할 가능성이 커지고 있습니다.
다만 이를 “기업이 용접공 개인의 숙련에 대한 법적 소유권을 갖는다”고 해석해서는 안 됩니다. 숙련 데이터의 권리·보상·사용 범위에 관한 보편적으로 확립된 제도가 마련됐다고 볼 공개 근거는 아직 부족합니다.
따라서 여기서 말하는 ‘숙련의 자산화’는 기술적으로 재사용 가능한 조직의 공정 지식이 늘어난다는 의미로 한정하는 것이 정확합니다.
3. 한화오션: 67%는 해고율이 아니라 실내 용접 AX 적용 지표다
한화오션의 사례는 자동화 숫자를 어떻게 읽어야 하는지 잘 보여줍니다.
한화가 2026년 7월 공개한 스마트야드 자료에 따르면 거제사업장에서 AI는 실내 용접 작업의 67%를 보조하고 있으며 회사는 2030년까지 해당 영역의 용접 자동화를 100%로 확대한다는 목표를 제시했습니다. 베테랑 작업자의 작업 패턴과 판단도 데이터로 축적하고 있습니다.
여기서 ‘67%’는 “용접공 67%가 필요 없어졌다”는 뜻이 아닙니다. 실내 용접이라는 특정 공정의 AI 적용 지표이며 자동화율과 인력 감축률은 서로 다른 숫자입니다.
한화의 공식 설명 역시 사람을 완전히 제거하는 방식보다 로봇이 고온·불꽃·밀폐 공간 같은 위험 작업을 맡고 숙련자는 여러 시스템을 감독하며 전체 품질을 관리하는 역할 변화를 강조합니다.
옥외에서는 상황이 다릅니다. 2026년 1월 현장 취재 보도에서는 한화오션의 옥외·도크 자동화 적용 수준을 8.6% 정도로 소개했습니다. 다만 이는 회사가 발표한 전사 공식 지표가 아니라 당시 현장 취재를 통해 알려진 수치라는 점을 구분해야 합니다.
한화오션은 NC AI와 조선 용접용 AI도 개발하고 있습니다. 2026년 6월 공개된 내용에 따르면 산업용 시각언어모델(VLM) ‘VAETKI Vision(배키 비전)’을 활용한 용접 시각 인식과 협동로봇 기반 자율 용접을 추진하고 있으며 아크광·불꽃·분진·렌즈 오염 같은 조선소 특유의 비전 문제도 개발 과제로 제시했습니다.
다만 공개 자료로 확인되는 것은 이러한 개발 방향까지입니다. 자연어 명령만으로 모든 용접이 완전 자율 수행된다고 확대 해석할 단계는 아닙니다.
4. HD현대중공업: 한 사람이 여러 로봇을 운영하는 조선소
HD현대중공업에서는 ‘한 사람이 한 개의 토치를 잡는다’는 기존 생산 방식 자체가 달라지고 있습니다.
2026년 6월 공개된 러그(LUG) 자동화 현장에 따르면 HD현대중공업은 세계 최초 수준의 러그 자율제조 시스템을 구축했습니다. 자동화 대응 품목을 3종에서 43종으로 늘려 전체 러그 수요의 약 95%를 대응하고 있으며 생산량은 기존 대비 87.5% 증가한 것으로 소개됐습니다.
용접 협동로봇 현장에서는 한 작업자가 여러 로봇을 관리하는 구조도 등장하고 있습니다. 관련 보도에는 6대와 8대가 혼재하지만, 원문 취재에서 확인되는 최대 6대 수준을 보수적인 기준으로 사용하는게 적절합니다. 따라서 6~8대라는 숫자를 전사 공통 기준으로 받아들이기는 어렵습니다.
또 다른 자동화 현장에서는 주야간 처리량이 약 500톤에서 1,000톤 수준으로 증가한 사례도 보도됐습니다. 역시 특정 자동화 라인의 성과이지 모든 용접 공정의 생산성이 일괄적으로 두 배가 됐다는 뜻은 아닙니다.
HD현대가 Persona AI와 추진하는 휴머노이드 협업에서는 인간 작업자의 움직임을 세분화하고 모션캡처 데이터와 물리 시뮬레이션·강화학습 등을 활용해 산업 작업 동작을 학습시키는 방향도 제시됐습니다.
반면, “HD현대의 지능형 용접 시스템이 HII 잉걸스 조선소에서 외국 로봇 기술 최초로 미 해군 Navy Standards 인증을 받았다”는 주장은 별도 검증이 필요합니다.
HD현대와 Huntington Ingalls Industries(HII)의 조선·AI·로봇 분야 협력 자체는 양사 공식 자료에서 확인됩니다. 그러나 2026년 8월 8일 기준 공개된 공식 자료에서는 위와 같은 구체적 인증과 현업 가동 사실을 독립적으로 확인하지 못했습니다.
따라서 이 글에서는 해당 내용을 확정된 상용화 실적으로 사용하지 않습니다.
5. 삼성중공업: 배관 공정을 ‘연결된 자동화’로 묶다
삼성중공업의 방향은 개별 용접 로봇 한 대를 추가하는 수준을 넘어섭니다.
2026년 3월 삼성중공업은 경남 함안에 PIPE ROBOFAB을 준공했습니다. 약 6,500㎡ 규모의 이 시설은 설계 정보를 바탕으로 배관의 가공, 측정·정렬, 용접, 물류 등을 Vision AI와 자동화 기술로 연결합니다. 회사가 밝힌 연간 생산능력은 약 10만 개의 파이프 스풀입니다.
핵심은 ‘점 자동화’보다 설계 데이터와 가공·용접·물류를 하나의 흐름으로 연결하는 자동화로 발전하고 있다는 점입니다.
용접 시간 단축 사례도 있습니다. 삼성중공업이 2024년 공개한 K-PAW 공법 실증에서는 24인치 배관 기준으로 기존 수동 TIG 용접 66분을 20분으로 줄였습니다.
다만 이는 특정 배관·공법·시험 조건에서 나온 결과입니다. 모든 조선 용접의 속도가 3.3배 향상됐다는 의미로 일반화할 수는 없습니다.
자동화 수치를 볼 때 가장 먼저 물어야 할 것은 결국 하나입니다.
“무엇을 기준으로 측정한 숫자인가?”
6. 미국 HII의 HYPR가 보여주는 다음 단계
미국 Huntington Ingalls Industries도 로봇과 피지컬 AI를 생산성 전략의 핵심으로 끌어들이고 있습니다.
HII는 2026년 4월 HYPR(High-Yield Production Robotics) 이니셔티브를 발표했습니다. Path Robotics와 GrayMatter Robotics 등이 참여하며 로봇 용접뿐 아니라 자재 이동, 표면 처리, 품질 검사까지 자동화 범위를 넓히는 프로그램입니다.
HII가 공개한 일정에 따르면 2026년에는 개념검증을 진행하고 2027년 전체 파일럿 운영으로 확대하는 것이 목표입니다. 초점도 ‘사람 없는 조선소’라기보다 선박 건조에 필요한 노동시간을 줄이고 생산 일정을 더 예측 가능하게 만들며 기존 인력을 보완하는 데 맞춰져 있습니다.
여기서는 “2026년 8월 6일 최대 9억 달러 규모, 7년간 성과 기반 생산 계약”이라는 수치는 별도로 봐야 합니다.
2026년 8월 8일 기준 HII 공식 뉴스룸과 확인 가능한 공개 원천자료에서는 이 발표를 확인하지 못했습니다. 따라서 공식 자료가 추가로 확인되기 전까지 9억 달러와 7년 계약을 확정 사실로 인용하지 않는 것이 적절합니다.
7. 완전 무인화가 어려운 이유: 아크광·스패터·열변형·비정형성
기술이 빠르게 발전하는데도 조선소 전체를 바로 무인화하기 어려운 이유는 현실이 CAD 도면 그대로 존재하지 않기 때문입니다.
철판을 조립하면 미세한 갭이 생기고 열을 가하면 부재가 뒤틀립니다. 곡면 형상과 현장 공차도 위치마다 달라집니다. 처음 입력한 경로와 실제 용접선이 계속 어긋날 수 있습니다.
카메라에도 조선소는 가혹한 환경입니다. 강한 아크광은 영상을 포화시키고 스패터·연기·분진은 시야를 가리며 렌즈 자체를 오염시킬 수 있습니다. 이 때문에 특정 파장의 빛을 선택하는 광학필터, 구조광, 복수 센서 등을 이용하는 연구가 이어지고 있습니다.
그래서 정형성이 높은 실내 공정부터 자동화율이 빠르게 올라갑니다. 반면 대형 블록의 곡면, 도크와 옥외, 밀폐 공간, 작업 중 계속 형상이 달라지는 부재는 난도가 훨씬 높습니다.
따라서 실내 용접 100% 자동화 목표를 ‘조선소 전체 완전 무인화’로 읽는 것은 맞지 않습니다.
피지컬 AI의 진짜 시험대는 정해진 프로그램을 반복하는 능력이 아니라 예상하지 못한 현장의 변화를 얼마나 안전하게 감지하고 복구하느냐에 있습니다.
8. 더 큰 역설: 초급 일을 없애면 미래 베테랑은 어디서 생기나
자동화에는 생산성 외에 잘 보이지 않는 문제가 있습니다.
숙련자는 처음부터 숙련자로 입사하지 않습니다.
초보자는 비교적 단순한 작업을 반복하고 선배의 판단을 보며 실수를 교정하는 과정에서 암묵지를 쌓습니다. 그런데 AI가 가장 먼저 자동화하기 좋은 업무도 이런 반복적이고 정형화된 초급 작업입니다.
경제학자 Enrique Ide가 2026년 업데이트한 작업논문은 이를 세대 간 지식전승 단절 가능성으로 분석합니다. 자동화가 초급 작업을 없애면 단기 생산성은 높아질 수 있지만 초보자가 숙련자 옆에서 경험을 쌓을 기회가 줄어 장기적인 지식 형성이 약화될 수 있다는 논리입니다.
다만 이는 조선업에서 이미 대규모로 입증된 현상이라기보다 경제학적 모델이 제시하는 위험 시나리오입니다.
보완 방향으로는 증강현실과 시뮬레이션이 연구되고 있습니다. CHI 2026의 WeldAR 연구에서는 24명의 초보자를 대상으로 실시간 AR 가이드가 이동 속도와 작업각 등 일부 수행 능력에 도움을 줄 수 있는지를 실험했습니다.
표본이 작아 산업 전체로 일반화할 수는 없지만 자동화가 초급 경험을 줄이는 시대에는 교육용 디지털 훈련 환경을 별도로 설계해야 할 필요성을 보여주는 초기 연구로 볼 수 있습니다.
결국 스마트 조선소의 경쟁력은 로봇 수만으로 결정되지 않습니다.
다음 세대의 숙련을 어떻게 만들어낼 것인가도 자동화 전략의 일부가 됩니다.
9. 결국 사라지는 것은 ‘직무’보다 ‘업무 묶음’이다
“AI가 용접공을 대체할 것인가?”
이 질문은 실제 변화를 지나치게 단순하게 만듭니다.
한 명의 용접공이 하는 일에는 반복 토치 이동뿐 아니라 작업조건 설정, 이상 감지, 공정 수정, 품질 확인, 예상하지 못한 상황에 대한 판단이 함께 들어 있습니다.
현재 조선사 사례를 종합하면 업무는 다음처럼 재배치되는 방향으로 움직이고 있습니다.
- 반복적이고 위험한 직접 용접은 로봇이 더 많이 담당
- 작업자는 여러 로봇 셀의 상태와 작업순서를 관리
- 숙련자는 비정상 용융풀, 단차, 변형 등 예외 상황을 해석
- 공정 조건과 로봇 행동을 조정하는 시스템 튜너 역할 확대
- 최종 품질 판단과 책임 있는 승인에는 인간이 계속 참여
이는 공식적으로 확정된 단일 직종 체계가 아니라 현재 자동화 사례에서 읽을 수 있는 직무 재구성의 흐름입니다.
중요한 조건·예외·한계
자동화율과 고용감축률은 같은 숫자가 아닙니다.
67%의 AI 적용률이나 특정 라인의 생산성 향상을 해당 사업장의 인력 감축률로 환산할 근거는 없습니다.
2030년 100%는 회사가 제시한 목표입니다.
한화오션의 수치는 특정 실내 용접 영역에 관한 목표이며 전체 조선소가 이미 100% 무인화됐다는 의미가 아닙니다.
숙련 데이터의 권리 문제도 별개입니다.
베테랑의 동작과 판단을 데이터로 남길 수 있다고 해서 그 데이터의 소유권·활용 동의·보상체계가 자동으로 결정되는 것은 아닙니다.
결론: 장인의 손끝은 사라지는 것이 아니라 이동하고 있다
조선소의 AI 용접 자동화가 먼저 가져가고 있는 것은 ‘장인’ 자체라기보다 장인이 반복적으로 수행해온 위험하고 정형화된 손작업입니다.
베테랑의 시선, 토치 움직임, 용융풀 변화에 대한 대응은 점점 데이터화되고 일부는 로봇의 능력으로 이전될 것입니다.
하지만 조선소는 실험실이 아닙니다. 철판은 변형되고 단차는 달라지며 카메라 앞에는 아크광·연기·스패터가 나타납니다. 이런 예외 상황에서 무엇이 잘못됐는지 판단하고 공정을 정상으로 되돌리는 능력의 가치는 오히려 커질 수 있습니다.
그래서 미래의 최고 숙련자는 가장 빠르게 토치를 움직이는 사람이 아니라 여러 로봇이 만들어내는 데이터를 읽고 이상을 발견하며 공정 전체를 조율할 수 있는 사람이 될 가능성이 큽니다.
장인의 손끝은 사라진다기보다 위치를 옮기고 있습니다.
토치 끝에 있던 숙련의 일부는 데이터와 제어 시스템으로 이동하고 인간은 그 위에서 로봇을 감독하고 판단하는 역할로 이동하고 있습니다.
결국 경쟁력은 ‘몇 명을 없앴는가’가 아니라 얼마나 많은 숙련을 보존하면서 더 안전하고 생산적인 인간-로봇 협업 구조를 만들었는가에서 갈릴 가능성이 높습니다.
<실제 사용한 공개 원천자료>
- 한화, 거제사업장 스마트야드와 실내 용접 AI 적용률 67%, 2030년 실내 용접 자동화 100% 목표 및 베테랑 숙련 데이터화 관련 공식 Feature Story, 2026년 7월.
- 연합뉴스, NC AI와 한화오션의 산업용 시각언어모델 ‘VAETKI Vision(배키 비전)’ 기반 조선 용접 시각 인식·협동로봇 기술 개발 보도, 2026년 6월.
- Hitachi R&D, 용접 작업자의 시선·토치 위치·높이·이동 속도와 용접부 상태를 측정·분석한 숙련 기술 연구, 2021년.
- University of Kentucky, Yue Cao 박사학위논문, 인간 시범과 용융풀 동역학을 활용한 모방학습 기반 자율 용접 연구, 2026년.
- University of Kentucky 연구진, 구조광과 카메라를 활용한 3차원 용융풀 표면 형상 실시간 측정 연구.
- 학술 연구, 카메라 기반 용융풀 관측과 용접 속도·토치 방향 등 공정 변수의 적응형 GMAW 제어 연구, 2024년.
- HD현대, Persona AI와 모션캡처·물리 시뮬레이션·강화학습을 활용한 산업용 휴머노이드 작업 학습 협력 공식 발표, 2026년.
- 뉴스핌, HD현대중공업 러그 자율제조 시스템의 자동화 대응 품목 확대, 전체 러그 수요 약 95% 대응 및 생산량 87.5% 증가 관련 현장 보도, 2026년 6월.
- 조선업 현장 보도, HD현대중공업 자동화 용접 라인의 다수 로봇 관제 및 주야간 처리량 약 500톤에서 1,000톤 수준으로 증가한 사례, 2026년 6월.
- 삼성중공업, 설계·가공·측정·정렬·용접·물류를 Vision AI와 자동화 기술로 연결한 ‘PIPE ROBOFAB’ 준공 및 연간 약 10만 개 파이프 스풀 생산능력 공식 발표, 2026년 3월.
- 삼성중공업, K-PAW 공법 적용 시 24인치 배관 용접시간을 기존 수동 TIG 66분에서 20분으로 단축한 실증 결과 공식 발표, 2024년 6월.
- Huntington Ingalls Industries(HII), Path Robotics·GrayMatter Robotics와 로봇 용접·자재 이동·표면 처리·품질 검사 자동화를 추진하는 HYPR(High-Yield Production Robotics) 프로그램 공식 발표, 2026년 4월.
- HD현대·Huntington Ingalls Industries(HII), 미국 조선산업의 디지털 전환·AI·로봇 등 첨단 조선기술 협력 관련 공식 발표, 2026년.
- Enrique Ide, 「Automation, AI, and the Intergenerational Transmission of Knowledge」 작업논문, 자동화가 초급 업무와 세대 간 숙련 전승에 미칠 수 있는 영향 분석, 2026년 업데이트.
- CHI 2026 WeldAR 연구, 초보 용접자 24명을 대상으로 실시간 증강현실 가이드가 이동 속도·작업각 등 용접 수행에 미치는 영향을 실험한 연구, 2026년.
※ 이 글은 공개된 산업·기업 정보를 분석한 정보성 콘텐츠입니다. 특정 종목이나 금융상품의 매수·매도·보유를 권유하지 않으며 과거 주가와 현재의 산업 전망은 미래 성과를 보장하지 않습니다.
