99.3% 다음에 남는 숫자들: 에이트테크 선별 자동화를 검증하는 법

재활용 선별 로봇의 성능을 한 숫자로 설명하라면 에이트테크는 99.3%를 내세운다. 회사 공식 자료는 에이트론이 딥러닝으로 폐기물을 인식하고 흡착식 로봇으로 집어 분류하며, 분당 최대 96개를 선별한다고 소개한다. 인력난과 안전 문제가 겹친 선별장에서는 충분히 눈길을 끌 만한 수치다.

하지만 선별 공정의 성과는 카메라가 물체를 알아본 순간에 끝나지 않는다. 로봇이 제때 집어야 하고, 올바른 통에 넣어야 하며, 모인 물질은 구매자가 받아들일 만큼 깨끗해야 한다. 투입물 속 목표 물질을 얼마나 놓치지 않았는지도 따져야 한다. 마지막에는 그 물질이 실제 재생원료로 판매돼야 한다. 99.3%에서 시작한 숫자가 이 긴 사슬의 어디까지 설명하는지가 에이트테크를 평가할 핵심 질문이다.

99.3%는 무엇의 정확도인가

에이트테크의 현재 공식 홈페이지와 에이트론 브로슈어는 ‘선별 정확도 99.3%’라는 표현을 쓴다. 다른 아이로-MRF 페이지에서는 같은 계열 수치를 ‘객체 인식 정확도 99%’라고 부른다. 두 표현은 비슷해 보이지만 공정 성과로는 전혀 다른 의미가 될 수 있다. 인식 정확도는 보통 사람이 정답을 붙인 시험 이미지나 물체 가운데 AI가 종류를 맞힌 비율이다. 선별 정확도라면 인식 이후의 집기와 투입 통까지 포함하는지부터 밝혀야 한다.

AI 평가에는 정확도 외에도 정밀도, 재현율, mAP가 쓰인다. 다른 플라스틱을 PET로 오인하거나 많은 PET를 지나쳐도 전체 평균은 높게 나올 수 있다. 투명·무라벨·오염·변형 용기별 성능, 학습과 분리된 시험 표본, 품목별 오탐과 미탐이 함께 공개돼야 숫자를 해석할 수 있다.

회사는 한국 폐기물에 최적화된 수백만 건의 학습데이터를 강점으로 설명한다. 그러나 같은 물체의 여러 프레임을 각각 센 것인지, 품목·오염도 분포와 정답 품질은 어떤지 모르면 데이터 건수만으로 성능을 비교할 수 없다.

인식한 물체를 실제로 집는 단계

카메라가 알아봐도 로봇이 모두 집는 것은 아니다. 폐기물은 겹치고 구르며 봉투와 필름은 다른 물체를 가린다. 변형되거나 액체가 남은 용기는 흡착도 어렵다. 인식 뒤에는 집기 명령률, 시도 대비 성공률, 목표 통까지 옮긴 비율이 각각 필요하다.

2024년 와세다대가 다른 음료용기 로봇을 실제 규모로 시험했을 때, 검증 데이터셋의 mAP@0.5는 0.9967이었지만 mAP@0.5:0.95는 0.8968이었다. 실제 입력 495개 중 6%가 오인식됐고, 입력물의 83%에 집기를 시도해 그중 78%를 집었으며, 집은 물체의 93%가 올바르게 분류됐다. 이를 에이트론 성능으로 대입할 수는 없지만 영상 점수와 전체 선별 성공률이 다르다는 비교 사례다.

분당 96개라는 회사 수치도 최대 조건과 실제 평균을 나눠야 한다. 개수뿐 아니라 kg/h와 t/일, 컨베이어 속도, 폐기물 겹침, 목표 품목과 로봇 팔 수, 청소·막힘·정비를 뺀 순가동률이 필요하다. 순간 최고 속도와 교대 전체 순처리량은 다른 지표다.

올바른 통에 들어간 뒤의 순도

정선별은 집은 물체를 맞는 통에 넣었는지를 본다. 순도는 그 통 전체 무게 중 목표 물질의 비율이다. 투명 PET 통 100kg 중 투명 PET가 95kg이면 순도는 95%다. 다른 수지와 이물질이 섞이면 원료 가격과 사용처가 달라지므로 구매 규격을 맞췄는지가 더 중요하다.

순도가 높아도 회수율이 낮을 수 있다. 투입물에 투명 PET가 100kg 있었는데 30kg만 매우 깨끗하게 골랐다면 순도는 높지만 회수율은 30%에 머문다. 바르셀로나의 다른 AI 로봇을 다룬 실규모 연구에서도 여러 품목의 평균 순도는 높은 수준에 도달했지만, 일부 품목 회수율은 13% 이하로 낮았다. 폐기물의 겹침과 불규칙한 유입이 탐지와 집기를 어렵게 한 결과였다. 이 연구 역시 에이트테크 시험이 아니며, 순도와 회수율을 반드시 함께 보아야 한다는 비교 기준으로만 의미가 있다.

시설 재활용률은 한 단계 더 뒤에 있다. 선별된 물질이 파쇄·세척·건조 과정에서 얼마나 남았는지, 플레이크나 펠릿으로 생산됐는지, 품질검사를 통과해 실제 구매자에게 판매됐는지를 질량수지로 이어야 한다. 회사가 아이로-MRF에서 고순도 r-PET 플레이크 생산과 재활용률 향상을 제시하는 방향은 이 사슬을 겨냥한다. 다만 공개 자료만으로는 월별 투입 중량, 품목별 산출량, 잔재율, 판매 등급과 인수 실적을 확인하기 어렵다.

공공 현장에 들어갔다는 것과 성과가 검증됐다는 것

에이트론은 공공 현장 실증 단계까지 들어갔다. 조달청은 에이트테크의 자동화 자원선별 로봇이 2024년 혁신제품으로 지정됐고, 2026년 3월 성남시 재활용 선별장에서 실증 중이라고 공식 확인했다. 공공 선별장에 장비가 설치돼 운용·점검되고 있다는 사실은 확인되지만, 이것만으로 성능 수준까지 판단할 수는 없다. WIPO도 에이트테크를 2024 Global Awards 수상사로 선정했다.

다만 혁신제품 지정과 수상은 회수율이나 경제성을 독립적으로 인증한 결과표가 아니다. 조달청 공개자료에는 성남 실증의 투입량, 순도, 회수율, 가동률과 비용 절감 결과가 실려 있지 않다. WIPO 소개문의 사람 대비 처리량과 비용 절감 설명도 시험 설계와 원자료가 공개된 성능 감사로 보기는 어렵다. 따라서 ‘실증 중’은 확인된 사실로, ‘실증을 통해 성과가 입증됐다’는 표현은 결과 공개 전까지 유보하는 편이 정확하다.

달라지는 버전의 숫자를 읽는 법

에이트테크의 공개 자료는 제품이 계속 고도화되고 있음을 보여주는 동시에 비교 기준의 필요성도 드러낸다. 현재 메인 브로슈어는 학습데이터 550만 건과 9종·52개 소분류를 제시한다. 별도 투어 브로슈어에는 280만 건과 7종·43개 분류가 남아 있고, WIPO 소개에는 46개 소분류가 나온다. 학습데이터가 늘고 분류 체계가 확장된 과정일 수 있지만, 각 페이지에 모델 버전과 시험일이 붙어 있지 않아 같은 제품의 동시 사양인지 세대 차이인지 판단하기 어렵다.

수선별 대비 효과도 페이지에 따라 선별 속도 220% 또는 240% 증가, 작업시간 106% 또는 126% 증가로 표현된다. 비용은 259% 감소, 279% 감소, 2.8배 절감처럼 수학적으로 서로 다른 문구가 섞인다. 비용은 100%를 넘게 ‘감소’할 수 없으므로 기준 대비 비율이나 생산성 향상을 번역한 것인지 확인해야 한다. 아이로-MRF 역시 최소 10대 또는 30대 구성, 재활용률 60% 또는 70%가 제시되고 일부 페이지에는 여전히 ‘2025년 가동 예정’이라는 문구가 남아 있다.

이를 곧바로 과장으로 단정하기보다 구형 페이지의 동시 노출 가능성을 봐야 한다. 모든 성능표에 모델명, 소프트웨어 버전, 시험기관·날짜, 폐기물 조성, 분모와 신뢰구간을 붙이면 해결된다. 버전 관리 자체가 산업 장비의 신뢰도다.

자동화가 바꾸는 노동의 위치

폐기물 수선별은 반복적으로 손을 뻗고 무거운 물체를 다루며, 분진·소음과 날카로운 이물질, 움직이는 컨베이어 주변 위험에 노출되는 작업이다. 미국 OSHA와 NIOSH 자료도 재활용 작업의 근골격계 부담, 기계 끼임, 유해물질과 소음 위험을 지적한다. 위험한 접촉과 반복 동작을 로봇으로 옮기는 것은 자동화의 실질적 가치가 될 수 있다.

그러나 ‘무인’이라는 말만으로 안전 개선이 입증되지는 않는다. 로봇 팔, 컨베이어, 압축기와 이송장비는 새로운 끼임·충돌 위험을 만들고, 막힌 물체를 제거하거나 정비할 때 잠금·표지 절차가 필요하다. 기존 선별 인력이 사라진다고 가정하기보다 투입물 관리, 품질검사, 설비 청소, 모델 학습과 유지보수로 역할이 이동하는지를 봐야 한다. 도입 전후의 총 노동시간, 위험구역 체류시간, 고장 대응시간, 사고와 근접사고를 비교해야 노동 효과를 숫자로 말할 수 있다.

품질 측면에서도 사람과 로봇의 조합이 과도기 해법이 될 수 있다. 로봇은 반복 품목을 빠르게 처리하고 사람은 겹치거나 오염된 예외를 판단하는 방식이다. 어느 단계까지 자동화할지는 최대 속도보다 유입 폐기물의 변동성과 요구 순도, 정비 역량에 따라 달라진다. 자동화율이 높다는 사실보다 판매 가능한 재생원료를 안정적으로 만드는 운영 설계가 우선이다.

구매 전에 해야 할 한 번의 현장 감사

도입 검증은 공급사가 가장 잘 정리한 표본을 보여주는 시연과 달라야 한다. 먼저 기존 라인의 일주일 이상 투입 중량, 품목별 함량, 인력시간, 잔재율, 전력과 판매 가능한 산출량을 기준선으로 잡는다. 그다음 같은 계절과 유사한 조성에서 장비를 운전하고, 무작위 표본을 독립적으로 계량한다. 젖고 더럽거나 찌그러진 물체, 비닐과 봉투, 겹침이 많은 시간대도 빼지 않아야 한다.

결과표에는 품목별 인식 정밀도·재현율, 입력 대비 집기 시도율, 시도 대비 집기 성공률, 올바른 통 투입률, 중량 기준 순도와 회수율이 한 줄로 이어져야 한다. 여기에 kg/h, 순가동률, 막힘·청소·정비시간, 전력, 소모품과 인력 변화를 붙이면 경제성을 계산할 수 있다. 마지막으로 플레이크·펠릿 생산수율과 구매자의 실제 인수 규격을 확인해야 ‘선별됐다’가 ‘원료가 됐다’로 완성된다.

탄소도 같은 질서를 따른다. 일본 환경성 사례는 혼합폐기물 1t을 단위로 전력, 회수량, 재생수지와 대체 버진 소재를 계산했다. 가상 시나리오이며 실제 사업자는 AI가 수선별보다 효율을 낮출 가능성도 지적했다. 장비 효과를 말하려면 기존 처리, 전력, 세척·재가공, 소각·매립 회피와 대체 소재의 경계를 밝혀야 한다.

자료와 해석 범위

이 글은 2026년 8월 20일 기준 에이트테크 공식 홈페이지와 제품·투어 브로슈어, 조달청의 2026년 성남 실증 현장 자료, WIPO 공식 수상자료를 검토했다. 성능 지표를 해석하기 위해 바르셀로나 실규모 선별장 연구와 와세다대의 실제 규모 음료용기 로봇 연구, 일본 환경성의 AI 선별 평가 사례, OSHA·NIOSH의 재활용 작업 안전자료를 함께 참고했다. 외부 연구의 장비와 폐기물 조건은 에이트론과 다르므로 에이트테크의 성능값으로 사용하지 않았다.

에이트론을 직접 시험하거나 실증 발주기관·현장 작업자·재생원료 구매자를 인터뷰하지 않았다. 시험성적서 원문, 성남 실증 결과, 아이로-MRF의 월별 질량수지·가동률·판매 자료와 계약 가격도 공개자료에서 확인하지 못했다. 따라서 제품 설치와 공공 실증 진행, 수상은 확인된 사실로 다뤘고, 정확도·처리량·비용·재활용률·탄소 효과는 회사가 제시한 수치로 귀속했다. 실제 계약 판단에는 동일한 투입 조건의 현장 검증이 별도로 필요하다.

도입 또는 계약 전에 확인할 질문은 다음과 같다.

• 99.3%는 어떤 모델·시험일·폐기물 조성에서 무엇을 분모로 계산했으며 품목별 정밀도와 재현율은 얼마인가?
• 입력물 대비 집기 시도율, 시도 대비 성공률, 정선별률, 중량 기준 순도와 회수율을 같은 실증 기간으로 제공할 수 있는가?
• 분당 최대 96개가 나온 조건과 실제 교대 평균 kg/h, 순가동률, 막힘·청소·정비시간은 얼마인가?
• 성남 실증과 아이로-MRF에서 투입 중량부터 판매 가능한 재생원료까지 이어지는 월별 질량수지와 구매자 품질 판정이 있는가?
• 자동화 전후 인력시간·위험구역 체류·사고·전력·소모품을 포함한 총비용과 탄소 산정 경계는 어떻게 달라졌는가?