• 회원가입
  • |
  • 로그인
  • |
  • 장바구니
  • News
    뉴스 신제품 신간 Culture & Life
  • 강좌/특집
    특집 강좌 자료창고 갤러리
  • 리뷰
    리뷰
  • 매거진
    목차 및 부록보기 잡지 세션별 성격 뉴스레터 정기구독안내 정기구독하기 단행본 및 기타 구입
  • 행사/이벤트
    행사 전체보기 캐드앤그래픽스 행사
  • CNG TV
    방송리스트 방송 다시보기 공지사항
  • 커뮤니티
    업체홍보 공지사항 설문조사 자유게시판 Q&A게시판 구인구직/학원소식
  • 디렉토리
    디렉토리 전체보기 소프트웨어 공급업체 하드웨어 공급업체 기계관련 서비스 건축관련 업체 및 서비스 교육기관/학원 관련DB 추천 사이트
  • 회사소개
    회사소개 회사연혁 출판사업부 광고안내 제휴 및 협력제안 회사조직 및 연락처 오시는길
  • 고객지원센터
    고객지원 Q&A 이메일 문의 기사제보 및 기고 개인정보 취급방침 기타 결제 업체등록결제
  • 쇼핑몰
통합검색 " CAD"에 대한 통합 검색 내용이 7,620개 있습니다
원하시는 검색 결과가 잘 나타나지 않을 때는 홈페이지의 해당 게시판 하단의 검색을 이용하시거나 구글 사이트 맞춤 검색 을 이용해 보시기 바랍니다.
CNG TV 방송 내용은 검색 속도 관계로 캐드앤그래픽스 전체 검색에서는 지원되지 않으므로 해당 게시판에서 직접 검색하시기 바랍니다
탄소 감축을 위한 제품 BOM 기반 LCA 설계 방법론
산업을 위한 AI와 버추얼 트윈 기술 (8)   전과정 평가(LCA)는 원료 채취부터 생산·사용·폐기까지 제품의 환경 영향을 평가하는 방법이다. 그러나 제조 현장에서 제품 옵션과 리비전은 계속 늘어나는 반면, 환경 데이터는 엑셀, 보고서, 공급업체 파일에 흩어져 LCA 결과가 설계 이후에 도착하는 경우가 많다. 이번 호에서는 제품 구조(BOM)를 기준으로 환경 목표와 데이터를 연결하고, 설계 단계에서 감축 대안을 비교/검증하는 방법을 살펴본다.   ■ 곽준범 다쏘시스템코리아 IC본부에서 IE&M(Infrastructure, Energy & Materials) 부문 LCA 설루션 컨설턴트, 설루션 아키텍트를 맡고 있다. 홈페이지 | www.3ds.com/ko   설계 데이터 단절의 문제 제조기업에서 LCA(Life Cycle Assessment)를 수행할 때 가장 먼저 확인하는 것은 평가 대상 제품의 BOM(Bill of Materials)과 리비전이다. 하지만 LCA 담당자는 최신 구성이 무엇인지 다시 확인하고, 설계자는 재료와 형상의 변경이 공정· 운송·사용 단계의 환경 영향에 어떻게 전달되는지 별도로 해석해야 하는 경우가 많다. 공급업체 데이터는 파일로 흩어져 있고 인증 보고서의 기준 형상과 현재 CAD가 같은지도 바로 설명하기 어렵다. 현장이 먼저 막히는 지점은 계산 기능보다 데이터의 연결과 변경관리이다. 이 문제는 계산 정확도만 높인다고 해결되지 않는다. CAD와 PDM/PLM은 설계 형상, 문서, BOM과 리비전을 관리하지만 환경 데이터가 엑셀, 컨설팅 산출물, 공급업체 양식으로 분리되면 제품의 기준선과 평가 결과가 함께 움직이지 못한다. 파일을 복사해 대안을 만들수록 기준 형상·생산 거점·활동 데이터의 관계가 흐려지고 변경 때마다 수집과 검토가 반복된다. 그 결과 LCA는 설계 동결 이후의 보고 업무가 되고, 재료·구조·공정을 바꿀 수 있는 시기를 놓치게 된다. ■ 현장 체크 • 평가 대상 BOM과 리비전을 즉시 특정하기 어렵다. • 설계 변경 때 LCA를 다시 만든다. • 합계값은 있지만 원인 부품·공정을 설명하기 어렵다. • 공급업체 데이터의 출처·품질·승인 상태가 흩어져 있다. ISO 14040/14044 계열의 LCA는 목적 및 범위 정의, 전과정 목록 분석(LCI), 전과정 영향 평가(LCIA), 해석의 네 단계로 구성된다. 그러나 현장에서 중요한 질문은 ‘제품당 몇 kgCO²e 인가’에서 끝나지 않는다. 어느 부품과 생애주기 단계가 영향을 만들었는지, 설계 대안을 적용하면 목표에 얼마나 가까워지는지, 그 결과를 누가 어떤 근거로 승인했는지까지 답할 수 있어야 한다.   근거를 요구하는 시장의 변화 이러한 데이터 단절을 더 이상 내부 업무의 비효율로만 볼 수 없는 이유는 시장의 요구가 달라지고 있기 때문이다. 규제와 공급망의 요구는 일회성 보고에서 제품 단위의 지속적 데이터 관리로 이동하고 있다. EU 에코디자인 규정(ESPR)은 제품군별 위임법을 통해 디지털 제품 여권(DPP)을 적용하는 틀을 마련했고, 여권 데이터의 정확성·완전성·최신성과 상호운용성을 요구한다. EU 배터리 규정도 탄소발자국과 배터리 여권을 제품 모델과 제 조공장 맥락에서 관리하도록 요구한다. OEM과 공급업체 사이의 PCF 교환에서도 합계값뿐 아니라 경계, 방법론, 단위, 기준 기간과 데이터 품질이 함께 설명되어야 한다. 여기에 SBTi는 기업 감축목표를 파리협정의 1.5℃ 방향과 정합된 과학적 경로에 맞추고 검증·공개하도록 이끈다. 결국 ‘얼마를 줄일 것인가?’와 ‘어떤 제품 설계로 줄일 것인가?’를 서로 연결지어야 한다. 이러한 흐름 속에서 필요한 것은 기존 CAD·PDM 업무를 대체하는 또 하나의 시스템이 아니라, 제품 구조 위에 환경 요구사항과 평가 이력을 연결하는 것이다. 규제마다 별도 파일을 추가하면 같은 BOM을 반복해서 해석하고 검증해야 하지만, 제품 구조를 공통 기준으로 삼으면 설계 활동에서 규제 대응의 근거가 함께 생성된다. 즉, ‘보고서를 만들기 위한 LCA’에서 ‘제품을 바꾸기 위한 LCA’로 프로세스를 전환해야 한다.   그림 1. 제품 BOM과 공정 데이터를 연결할 때 기대할 수 있는 업무 변화(자료 : 다쏘시스템코리아)   BOM 기반 환경 요구사항 관리 BOM 기반 LCA의 핵심은 제품 구조를 환경 영향 평가의 기준선으로 활용하는 것이다. BOM에는 부품뿐 아니라 옵션, 수량, 상하 관계, 리비전과 변경 이력이 포함된다. EBOM은 설계 의도를, MBOM과 BOP(Bill of Process)는 실제 제조 경로를 설명한다. 이를 활용하면 사양/공급업체별 제품 구성을 하나의 구조에서 관리하고, 설계 대안을 통제된 시나리오로 비교할 수 있다. 부품별 환경 영향은 완제품으로 집계되고, 완제품의 감축 목표는 서브시스템과 부품의 환경 목표로 배분된다. SBTi(Science Based Targets initiative)는 기업의 과학 기반 감축경로를 정하는 하향식(top-down) 체계다. 다쏘시스템은 2020년 SBTi 참여를 선언한 이후 첫 감축목표를 검증받았으며, 2027년 기준 달성 목표를 2025년에 조기 달성했다. 하여 2026년에는 가치사슬 전반의 2050 넷제로를 위한 신규 목표를 다시 검증받았다. 기업의 감축목표를 달성하려면 이를 재료· 부품·공정 등 구체적인 제품 설계 의사결정으로 전환해야 한다. 그러기 위해 감축목표를 실제 제품과 설계 변경으로 전환하는 것이 필요하며, 이는 BOM 기반 LCA를 통해 기업 목표를 제품· 어셈블리·부품의 환경 목표로 구체화하고, 설계 대안의 예상 감축량과 근거를 상향식(bottom-up)으로 집계하도록 한다. SBTi가 감축 방향을 제시한다면, BOM 기반 LCA는 이를 제품 설계에서 실행하는 역할을 한다     ■ 자세한 기사 내용은 PDF로 제공됩니다.
작성일 : 2026-10-07
CAD·CAE·PLM을 하나의 지능형 엔지니어링 워크플로로 연결하다
엔지니어링 툴에서 에이전틱 엔지니어링으로   제조업의 AI는 이제 ‘답변’을 넘어 ‘엔지니어링 액션(engineering action)’으로 진화하고 있다. 단순 질의응답을 넘어 엔지니어링 맥락을 이해하고 CAD·CAE·PLM 을 유기적으로 조율해 실제 작업을 수행하는 ‘엔지니어링 AI 에이전트’가 새로운 패러다임으로 떠올랐다. 이 글에서는 엔지니어링 AI 에이전트의 작동 원리와 핵심 구조를 짚어보고, 제조 엔지니어링의 생산성을 극대화하기 위한 시스템 연계 방안을 살펴본다.   ■ 백영렬 캐드아이티코리아 소속으로 CFD 및 인공지능 분야를 전문으로 하고 있다. 씨디어댑코 및 지멘스 등에서 30년간 근무한 경력을 갖고 있다.   AI 시대, 엔지니어링 업무는 왜 다시 연결되어야 하는가 제조업의 디지털 전환이 본격화되면서 인공지능의 역할도 빠르게 변화하고 있다. 초기의 제조업 AI가 문서 검색, 보고서 작성, 데이터 요약과 같은 정보 처리 중심이었다면, 최근에는 실제 엔지니어링 업무를 수행하고 반복적인 작업을 자동화하는 방향으로 관심이 이동하고 있다. 특히 생성형 AI와 대규모 언어 모델(LLM)의 발전은 엔지니어가 자연어로 시스템에 작업을 지시하고, 필요한 정보와 결과를 대화형으로 얻을 수 있는 가능성을 열었다. 그러나 실제 제조 현장의 엔지니어링 업무는 단순한 질문과 답변으로 해결되지 않는다. 하나의 제품을 개발하기 위해서는 요구 사항을 확인하고, CAD 모델을 작성하거나 수정한 후, 해석에 적합한 모델을 준비하고 CAE 해석을 수행해야 한다. 이후 해석 결과를 검토하고, 필요하면 다시 설계를 변경한다. 또한 제품의 설계 이력과 승인 상태, 관련 문서 및 프로젝트 정보는 PLM/PDM 시스템에서 확인해야 한다. 결국 실제 엔지니어링 업무는 CAD, CAE, PLM을 포함한 여러 시스템과 데이터를 오가면서 반복적인 설계-해석-검증 과정을 수행하는 복합적인 업무이다. 문제는 CAD, CAE, PLM이 각각 매우 전문적인 목적을 가지고 발전해 왔다는 데 있다. CAD는 형상과 설계 피처(feature) 를 관리하고, CAE는 메시(mesh)와 피직스(physics), 경계조건(boundary condition), 솔버(solver) 등을 통해 제품의 성능을 검증하며, PLM은 부품(part), 리비전(revision), 수명 주기(lifecycle), 릴리스(release) 및 관련 문서를 관리한다. 각 시스템의 데이터 구조와 사용자 인터페이스가 서로 다르기 때문에 시스템 사이의 연결은 여전히 엔지니어의 몫으로 남아 있다. “엔지니어가 소프트웨어를 사용하는 방법을 배우는 시대에서, AI가 엔지니어링 소프트웨어를 활용하는 시대로 전환되고 있다.” 이러한 관점에서 앞으로의 엔지니어링 AI는 단순한 AI 코파일럿(copilot)과 다른 접근이 필요하다. 특정 애플리케이션 안에서 사용자의 질문에 답하거나 일부 작업을 대신하는 수준을 넘어, 사용자의 엔지니어링 의도(engineering intent)를 이해하고 여러 도구를 조정하여 하나의 목표를 달성하는 ‘엔지니어링 AI 에이전트’가 필요하다.   범용 AI와 엔지니어링 AI 에이전트는 무엇이 다른가 일반적인 범용 AI(generic AI)의 가장 큰 장점은 자연어를 이해하고 방대한 지식을 바탕으로 답변을 생성하는 것이다. 사용자가 “열교환기의 성능을 향상시키는 방법은 무엇인가?”라고 질문하면 AI는 관련된 원리와 방법을 설명할 수 있다. 그러나 실제 엔지니어가 원하는 것은 설명 그 자체가 아닐 수 있다. 엔지니어는 현재 사용하고 있는 모델을 분석하고, 설계변수를 찾아 변경하고, 해석을 실행한 뒤, 결과가 요구사항을 만족하는지 확인하기를 원할 수 있다. 엔지니어링 AI 에이전트는 바로 이 지점에서 범용 AI와 차별화된다. 사용자의 자연어 요구를 단순한 질문으로 처리하는 것이 아니라 엔지니어링 요구사항(engineering requirement)으로 해석하고, 현재의 CAD, CAE, PLM 정보와 관련된 엔지니어링 지식(engineering knowledge)을 결합하여 상황을 이해한다. 그 다음 어떤 작업을 어떤 순서로 수행해야 하는지 계획하고, 연결된 엔지니어링 도구(engineering tool)를 실행하며, 결과를 검증하고 다음 행동을 결정한다. 범용 AI : 사용자 질문 → LLM → 텍스트 답변 엔지니어링 AI 에이전트 : 엔지니어링 요구사항 → 엔지니어링 맥락(engineering context) → 플래닝(planning) → CAD / CAE / PLM 실행 → 결과 검증 → 엔지니어링 의사결정(engineering decision)  따라서 엔지니어링 AI 에이전트의 핵심은 LLM 자체보다도 ‘엔지니어링 맥락’에 있다고 볼 수 있다. CAD 모델의 형상과 피처(feature) 구조, CAE의 메시와 물리조건, PLM의 리비전과 릴리스 상태, 과거 설계와 해석 결과, 사내 설계 규칙과 엔지니어링 가이드라인(engineering guideline) 등을 하나의 맥락으로 이해해야 AI가 실제 엔지니어링 작업을 수행할 수 있기 때문이다.   엔지니어링 맥락이 AI의 성능을 결정한다 엔지니어링 문제는 텍스트만으로 표현되지 않는다. 동일한 ‘설계를 변경해 달라’는 요청이라도 어떤 제품인지, 현재 어떤 리비전을 사용하고 있는지, 어떤 피처가 설계 변경 대상인지, 어떤 재료와 하중조건을 사용하는지에 따라 전혀 다른 작업이 된다. 따라서 엔지니어링 AI가 실제 현장에서 의미 있는 역할을 수행하기 위해서는 기업 내부의 데이터와 지식, 그리고 현재의 엔지니어링 상태(engineering state)를 함께 이해해야 한다. 엔지니어링 맥락은 크게 제품과 설계의 맥락, 시뮬레이션 맥락, 수명주기 맥락, 엔지니어링 지식과 과거 이력 맥락(historical context)으로 구성할 수 있다. 제품 맥락에는 부품, 어셈블리, BOM 등이 포함되고, 설계 맥락에는 CAD 지오메트리, 피처, 설계 파라미터(design parameter)와 설계 의도(design intent)가 포함된다. 시뮬레이션 맥락에는 메시, 재질(material), 피직스, 경계 조건, 솔버 설정(solver setting) 등이 포함된다. 또한 PLM/PDM의 리비전과 승인(approval), 릴리스 상태는 수명주기 맥락을 구성하며, 설계 규칙과 베스트 프랙티스, 과거 프로젝트의 결과는 엔지니어링 지식과 과거 이력 맥락을 형성한다. 이러한 정보가 서로 연결되면 AI는 단순히 ‘문장을 이해하는 것’을 넘어 현재 엔지니어링 상황을 이해할 수 있다. 예를 들어 특정 부품의 최신 리비전을 확인하고, 그 모델에 연결된 과거 시뮬레이션 결과와 테스트 결과를 찾아보며, 사내 설계 규칙을 확인한 후 현재 설계의 문제점을 판단하는 것이 가능해진다. 결국 엔지니어링 AI의 지능은 LLM의 언어 능력과 함께 얼마나 풍부하고 신뢰할 수 있는 엔지니어링 맥락을 구축했는가에 의해 크게 좌우될 것이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.
작성일 : 2026-10-07
AI 에이전트로 확장하는 엔지니어링 워크플로 자동화
심센터 HEEDS 더 깊게 살펴 보기 (10)   자동화의 다음 단계는 단순히 스크립트를 더 많이 작성하는 것이 아니다. 엔지니어가 전달한 목표를 이해하고, 필요한 스킬과 툴을 선택하며, 실행 결과를 다시 확인하는 워크플로를 구성하는 것이다. 심센터 AI 에이전트(Simcenter AI Agents)는 엔지니어링 애플리케이션과 AI 에이전트를 연결하여 이러한 에이전틱 엔지니어링 워크플로를 구현하는 방향을 제시한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 AI 에이전트로 확장하는 엔지니어링 워크플로 자동화 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   시뮬레이션 기반 설계와 검증 업무가 복잡해질수록 엔지니어가 직접 수행해야 하는 반복 작업도 함께 증가한다. CAD 모델을 불러오고, 형상을 정리하며, 메시(mesh)와 물성, 경계조건을 설정한 뒤 솔버(solver)를 실행하는 과정은 해석의 핵심이지만, 실제 업무 시간의 상당 부분은 파일을 찾고 설정을 확인하며 결과를 정리하는 데 사용된다. 기존에는 이러한 반복 작업을 줄이기 위해 매크로, 파이썬 스크립트, 배치 파일, API를 사용했다. 정해진 절차를 빠르고 일관되게 반복한다는 점에서 스크립트 기반 자동화는 여전히 중요한 기술이다. 그러나 작업 조건이 달라지거나 여러 해석 도구를 연결해야 하는 경우에는 어떤 스크립트를 실행할지, 어떤 순서로 작업할지, 결과를 어떻게 해석할지를 사람이 직접 판단해야 한다. 심센터 AI 에이전트는 이 지점에서 기존 자동화를 확장하는 접근 방식이다. 사용자의 자연어 요청을 바탕으로 작업을 단계별로 나누고, 필요한 스킬과 MCP 툴을 선택하며, 엔지니어링 애플리케이션에서 실제 작업을 수행하도록 연결한다. 실행 후에는 결과와 상태를 확인하고, 다음 작업이나 추가 확인 사항을 제시할 수 있다. 이번 호에서는 심센터 AI 에이전트의 개념과 구성 요소를 소개하고, 에이전트·스킬·MCP·엔지니어링 애플리케이션이 어떻게 연결되는지 살펴본다. 또한 심센터 심랩(Simcenter SimLab)을 중심으로 소개된 전처리 및 다중 스킬 워크플로 사례를 통해 기존 자동화 스크립트가 에이전틱 엔지니어링 워크플로로 어떻게 확장될 수 있는지 설명한다.   그림 1. 엔지니어링 AI의 발전 방향   엔지니어링 AI의 세 가지 방향 엔지니어링 분야에서 AI의 활용은 하나의 방식으로만 이루어지지 않는다. 이미 많은 설계·해석 업무에서 AI는 계산 결과를 빠르게 예측하거나, 여러 설계안을 비교하고, 복잡한 데이터를 시각화하는 데 사용되고 있다. 심센터 AI 에이전트 자료에서는 엔지니어링 AI를 크게 세 가지 방향으로 설명한다. 첫 번째는 엔지니어링 AI(Engineering AI)이다. 물리 기반 AI(physics-based AI)와 대리 모델(surrogate model)을 이용해 설계 공간을 빠르게 탐색하고, 고비용 시뮬레이션을 대신하거나 보완하는 방향이다. 예를 들어 다수의 CFD 또는 FEA 결과로부터 ROM(축소 차수 모델)을 구축하면 새로운 설계 조건에 대한 응답을 빠르게 예측할 수 있다. 이 접근 방식은 계산 속도를 높이고 설계 검토에 필요한 시간을 줄이는 데 초점을 둔다. 두 번째는 엔지니어링 인텔리전스(Engineering Intelligence)이다. 시뮬레이션, 테스트, CAD, PLM, 과거 프로젝트(historical project)와 같은 여러 엔지니어링 데이터와 지식을 연결하여 엔지니어가 더 빠르게 판단하도록 지원하는 방향이다. 단순히 결과값을 보여주는 데 그치지 않고, 과거 프로젝트와 유사한 사례를 찾거나 조직의 베스트 프랙티스를 재사용할 수 있도록 한다. 세 번째는 엔지니어링 에이전트(Engineering Agents)이다. AI가 단일 질문에 답하는 것을 넘어 여러 단계의 엔지니어링 워크플로를 조정하고 실행하는 방향이다. 모델 준비, 메시 생성, 솔버 설정, 결과 후처리, 리포트 작성과 같이 순서와 조건이 필요한 작업을 에이전트가 연결하여 수행한다. 이 세 가지 방향은 서로 대체 관계가 아니다. 대리 모델은 계산을 빠르게 만들고, 엔지니어링 인텔리전스는 판단에 필요한 맥락을 제공하며, 엔지니어링 에이전트는 이러한 기능과 엔지니어링 툴을 실제 워크플로 안에서 조정한다. 따라서 AI 에이전트를 도입할 때에는 단순한 챗봇(chatbot) 기능보다 어떤 데이터와 툴을 연결하고 어떤 업무를 자동화할지 정의하는 것이 중요하다.   엔지니어링 에이전트는 기존 자동화와 무엇이 다른가 기존 자동화 스크립트(automation script)는 미리 정의된 명령을 정해진 순서로 실행한다. 예를 들어 파이썬 스크립트가 입력 파일을 읽고, 특정 값으로 변경한 뒤, 솔버를 실행하고, 결과 파일에서 응답을 추출하도록 구성할 수 있다. 이 방식은 동일한 작업을 반복하는 데 매우 강력하며, 실행 결과도 비교적 예측하기 쉽다. 반면 에이전틱 워크플로는 먼저 사용자의 목표를 작업 단위로 분해한다. 사용자가 “이 모델에서 정상 모드 해석을 수행하고 주요 결과를 정리해 달라”고 요청하면, 에이전트는 모델 확인, 메시와 물성 확인, 경계조건 준비, 설루션 생성, 솔버 실행, 결과 확인, 리포트 작성과 같은 하위 작업을 구성할 수 있다. 두 방식의 차이는 다음과 같다. 스크립트 자동화(script automation)는 정해진 절차를 빠르고 일관되게 반복한다. AI 에이전트는 목표를 여러 작업으로 나누고 필요한 절차를 선택한다. 스크립트는 입력 조건이 바뀌면 사람이 코드를 수정해야 하는 경우가 많다. 에이전트는 등록된 스킬과 툴의 설명을 바탕으로 적용 가능한 절차를 탐색한다. 스크립트는 실행 완료 후 결과를 사람이 확인하는 경우가 많다. 에이전트는 결과와 로그(log)를 분석하여 다음 단계나 확인 사항을 제안할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.
작성일 : 2026-10-07
캐디안 2026의 유틸리티 기능 외 Ⅳ
새로워진 캐디안 2026 살펴보기 (11)   오토캐드와 양방향으로 호환되는 국산 CAD인 캐디안(CADian)이 한 차원 높은 사용자 경험을 제공하는 차세대 CAD ‘캐디안 2026’을 선보였다. 이번 호에서는 캐디안 2026에서 원활하게 구동되는 새로운 유틸리티 기능 중에서 유용한 기능 몇 가지를 자세히 살펴보도록 하겠다. ■ 최영석 위즈코어 기술지원팀 부장으로 기술지원 업무 및 캐드 강의를 담당하고 있다. 홈페이지 | www.cadian.com 카페 | https://cafe.naver.com/ilovecadian   캐디안 2026 버전의 유틸리티를 설치하는 방법은 다음과 같다. 캐디안 홈페이지에 접속한 후 고객지원 클릭 → 기술자료실을 클릭하면 기술자료가 목록으로 표시되며, 현재 유틸리티 형태로 지원되는 LISP(리스프) 개수는 총 600개 이상이다. 3번의 ‘캐디안 리습(lisp) 600개 통합본 + 메뉴화일 다운로드 AUTOLISP입니다’ 항목을 클릭하여 안내된 대로 설치하면 캐디안에서 유틸리티 기능을 이용할 수 있다.     파이프 끝단 단면 그리기(PEND) 배관 도면에서 파이프의 끝부분이나 중간 생략 부분을 표시할 때 사용하는 ‘물결 모양(S-Curve)’ 단면은 의외로 손이 많이 가는 작업이다. 각도에 맞춰 호(arc)를 대칭으로 그려야 하기 때문이다. PEND LISP는 단 두 번의 클릭으로 완벽한 곡률의 단면선을 생성해 준다.   주요 기능 및 특징 정교한 기하학적 계산 : 단순히 선을 긋는 것이 아니라, 파이프의 직경(을 기준으로 1/4 지점마다 정점)을 계산하여 자연스러운 곡선을 구현한다. 스마트 스냅 관리 : 실행 시 Endpoint, Center, Perpendicular 스냅을 자동으로 활성화하여 정확한 위치 지정을 돕고, 작도 순간에는 스냅을 일시 해제하여 선이 꼬이는 것을 방지한다. 에러 핸들링 탑재 : 작업 도중 ESC 키를 눌러 취소하더라도 기존의 스냅(osmode) 환경을 원래대로 복구해 주는 코드가 포함되어 있다. 전방향 대응 : 수평, 수직뿐만 아니라 angle 함수를 통해 어떤 기울기의 파이프라도 정확한 수직 단면을 그려낸다.   실행 순서 및 활용 방법 명령창에 ‘PEND’를 입력한다. 첫 번째 끝점(pt1) 지정 : 파이프 외곽선의 한쪽 끝점을 클릭한다. 두 번째 끝점(pt2) 지정 : 반대편 끝점을 클릭한다. 완성 : 현재 레이어 설정에 맞춰 파이프 마감 물결선이 즉시 생성된다.     3차원 객체를 선택해 중량 구하기(3DWT) 3D 모델링 후 재질에 따른 중량 산출은 견적이나 설계 검토 시 필수적인 과정이다. 하지만 여러 객체의 체적을 합산하고 단위 환산을 거쳐 비중을 곱하는 과정은 꽤나 번거롭다. 3DWT LISP는 선택한 모든 3D 솔리드의 무게를 합산해 즉시 알려준다.   주요 기능 및 특징 다중 객체 동시 계산 : 개별 객체는 물론, 여러 개의 3D 솔리드를 한꺼번에 선택해도 합산 중량을 정확히 계산한다. 스마트 필터링 : 선택 영역 내에 선(line)이나 원(circle)이 섞여 있어도 3D 솔리드 객체만 자동 선별하여 오류 없이 실행된다. 비중(density) 자유 설정 : 기본값으로 철(steel)의 비중인 7.85가 세팅되어 있으며, 알루미늄이나 서스(SUS) 등 재질에 따라 원하는 값을 입력할 수 있다. 단위 : ㎣ 및 g으로 정보를 알려준다. 직관적인 결과 알림 : 명령창(F2) 상세 내역은 물론, 팝업 알림창을 통해 최종 합계 무게를 한눈에 보여준다.   실행 순서 및 활용 방법 명령창에 ‘3DWT’를 입력한다. 객체 선택 : 중량을 구할 3D 객체들을 마우스 드래그로 한꺼번에 선택한다. 비중 입력 : 철이 기준이라면 그냥 Enter 키를 누른다.(기본값 7.85 적용) 다른 재질이라면 해당 비중(예 : 알루미늄 2.7)을 입력하고 Enter 키를 누른다. 결과 확인 : 화면에 뜨는 알림창에서 객체 수와 최종 합계 무게(g)를 확인한다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.
작성일 : 2026-10-07
제도 작업의 흐름을 바꾸다 - 아레스 쿠도의 해치 컨텍스트 리본
데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2027 (6)   도면 작업에서 자주 쓰이는 해치(hatch)는 설정과 편집 과정에서 여러 메뉴와 대화상자를 오가야 해 작업 흐름이 끊기는 불편이 따랐다. 웹 기반 CAD인 아레스 쿠도(ARES Kudo)는 작업 맥락에 따라 필요한 도구만을 동적으로 표시하는 ‘해치 콘텍스트 리본’을 도입해 이러한 비효율을 덜어냈다. 별도의 대화상자로 도면을 가리지 않고 리본 안에서 생성부터 편집까지 직관적으로 제어할 수 있어 작업 공간을 한층 효율적으로 활용할 수 있다. 이번 호에서는 인터페이스 재설계로 실무자의 반복 작업 부담을 줄인 아레스 쿠도 해치 콘텍스트 리본의 동작 방식과 실무 활용 효과를 살펴본다.   ■ 최하얀 위즈코어 마케팅팀의 전임으로 ARES CAD의 마케팅 콘텐츠 기획 및 제품 홍보 업무를 담당하고 있다. 홈페이지 | www.arescad.kr 블로그 | https://blog.naver.com/graebert 유튜브 | www.youtube.com/GraebertTV   리본과 대화상자 사이, 흩어져 있던 해치 설정 도면 작업에서 해치는 재료를 표현하고, 단면을 구분하고, 공간의 성격을 시각적으로 드러내는 가장 기본적이면서도 자주 쓰이는 명령 중 하나다. 건축 도면의 단열재와 마감재 표현부터 기계 도면의 단면 해칭까지, 하루 작업 시간 중 상당 부분이 해치를 만들고 수정하는 데 소요된다. 그런데 정작 해치 명령을 실행한 뒤에는 패턴을 고르고, 축척과 각도를 조정하고, 경계를 다시 지정하는 과정에서 사용자가 여러 개의 메뉴와 대화상자를 오가야 하는 경우가 많았다. 필요한 도구가 리본의 다른 탭에, 혹은 별도의 팔레트에 흩어져 있으면 작업의 흐름은 자연히 끊긴다. 이러한 불편은 데스크톱 환경보다 웹 브라우저 기반의 CAD 환경에서 더 두드러진다. 화면 공간이 상대적으로 제한적이고, 브라우저 특유의 인터페이스 제약 속에서 다단계 메뉴 탐색은 곧바로 생산성 저하로 이어지기 때문이다. 아레스 커맨더 2027(Ares Commander 2027)과 함께 업데이트된 아레스 쿠도는 바로 이 지점에 착안해, ‘컨텍스트 리본’이라는 새로운 인터페이스 개념을 해치 작업에 도입했다.   ▲ 아레스 쿠도의 해치 편집기 컨텍스트 리본 : 해치를 선택하면 관련 도구가 리본에 자동으로 표시된다.   컨텍스트 리본이란 무엇인가 컨텍스트 리본은 사용자가 지금 수행 중인 작업에 맞춰, 그 작업에 실제로 필요한 도구만을 리본에 동적으로 표시하는 인터페이스 방식이다. 평상시에는 일반적인 홈, 삽입, 주석, 시트 등의 표준 탭이 노출되지만, 사용자가 해치를 생성하거나 기존 해치를 선택하는 순간 리본 오른쪽 끝에 전용 탭이 나타나고, 그 안에 해당 작업에 필요한 도구가 자동으로 정렬된다. 별도의 명령을 검색하거나 메뉴 트리를 펼칠 필요 없이, 작업 대상을 선택하는 것만으로 다음 단계에 필요한 도구가 눈앞에 준비되는 셈이다. 아레스 쿠도는 이러한 방식을 도입한 첫 웹 CAD 제품이라는 점에서 의미가 있다. 리본이 고정된 형태로 항상 같은 도구를 나열하는 대신, 사용자의 작업 맥락(context)에 반응해 형태를 바꾼다는 발상 자체가 기존 CAD 인터페이스의 문법과는 다른 접근이다.   해치 컨텍스트 리본의 동작 방식 해치 컨텍스트 리본은 크게 두 가지 워크플로를 지원한다. 새로 해치를 만드는 ‘해치 생성’과, 이미 그려진 해치를 다시 선택해 속성을 바꾸는 ‘해치 편집기’다. 아레스 쿠도는 User defined, Predefined, Custom, Solid, Fill 등 다섯 가지 해치 유형을 모두 지원하며, 이들은 공통으로 하나의 해치 생성 컨텍스트 리본을 공유한다. 리본은 경계 설정(Boundary Settings), 무늬(Pattern), 속성(Properties), 원점(Pattern Start Point), 모드(Mode), 놓기(Placement), 닫기(Close)의 일곱 개 패널로 구성된다. 경계를 지정하는 방식부터 패턴 선택, 색상과 축척 같은 속성, 패턴이 시작되는 기준점, 채우기 모드, 배치 방식까지 해치 작업에 필요한 전 과정이 하나의 리본 안에 순서대로 배열되어 있는 구조다. 흥미로운 점은 이 패널의 구성이 고정되어 있지 않다는 것이다. 사용자가 선택한 해치 유형에 따라 표시되는 옵션이 실시간으로 바뀐다.   기존 방식과의 차이 : 메뉴 이동의 번거로움 해소 기존 방식에서 해치 작업은 대체로 다음과 같은 순서를 거쳤다. 먼저 해치 명령을 실행하고, 패턴과 축척, 각도 같은 속성을 설정하기 위해 별도의 대화상자나 팔레트를 연다. 이어서 여러 화면을 오가며 필요한 옵션을 하나씩 지정한 뒤, 다시 리본으로 돌아와 다음 작업을 이어간다. 이 과정에서 사용자는 매번 ‘지금 필요한 도구가 어디에 있는지’를 스스로 기억하고 찾아야 했다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.
작성일 : 2026-10-07
[케이스 스터디] 언리얼 엔진이 그리는 제조·시뮬레이션의 미래
데이터에 ‘경험’을 입히다   언리얼 엔진의 활용 범위가 게임 제작을 넘어 제조와 시뮬레이션 등 다양한 산업 현장으로 넓어지고 있다. 제품 설계 데이터를 가상 환경에 구현해 실제 제작에 앞서 성능과 사용성을 검토하고, 완성된 차량의 인포테인먼트에도 활용하는 방식이다. ‘언리얼 페스트 서울 2026’에서는 현대자동차의 상용차 개발 검증과 그랜저 인포테인먼트 적용, 모빌테크의 서킷 디지털 트윈 구축 사례를 통해 이러한 변화를 구체적으로 확인할 수 있었다. ■ 자료 제공 : 에픽게임즈   에픽게임즈가 지난 8월 20일~21일까지 개최한 이번 행사에는 약 5000명이 온·오프라인으로 참석했다. 게임, 미디어&엔터테인먼트, 제조 및 시뮬레이션 분야에 걸쳐 총 42개 세션이 진행됐으며, 언리얼 엔진의 기술 로드맵과 산업 현장의 제작·검증 사례가 폭넓게 다뤄졌다. 오프닝 키노트에서는 언리얼 엔진의 향후 발전 방향이 제시됐다. 행사에서는 언리얼 엔진의 기술 로드맵과 함께, AI 및 MCP를 활용해 반복 작업을 자동화하는 차세대 제작 워크플로가 소개됐다. 이러한 데이터 연결과 자동화의 흐름은 제조·시뮬레이션 세션에서 실제 산업 데이터를 처리하고 검증하는 사례로 구체화됐다. 키노트에서 강조된 연결성과 자동화는 제조 및 시뮬레이션 세션에서 실제 산업 데이터를 다루는 과정으로 구체화됐다. 현대자동차는 차량 설계 데이터의 처리 자동화와 개발 검증 경험을 공유했으며, 그랜저 인포테인먼트 적용 사례는 언리얼 엔진의 활용이 최종 사용자 경험까지 이어지고 있음을 보여줬다. 모빌테크는 라이다(LiDAR)로 취득한 현실 공간을 주행 가능한 디지털 트윈으로 구현하는 과정을 소개했다.   설계 데이터를 검증 자산으로 바꾼 차량 개발 파이프라인 현대자동차는 차량 설계 데이터를 실제 개발 검증에 활용한 경험을 공유했다. 현대자동차의 김홍용 상용버추얼개발팀 책임연구원은 ‘차량 3D 데이터에서 실시간 검증 콘텐츠까지 : 언리얼 엔진 기반 버추얼 차량 개발 파이프라인’ 세션에서 3D 설계 소프트웨어인 카티아(CATIA)로 제작된 차량 데이터를 언리얼 엔진으로 가져와 검증 콘텐츠로 전환하는 과정을 소개했다. 버스와 트럭은 수천 개의 부품을 설계한 뒤 하나의 풀카(full-car) 데이터로 취합한다. 이 데이터는 부품 간 간섭과 간극, 내·외 관 상품성, 조립성과 작업성, 정비 접근성 등을 실차 제작 전에 검토하는 데 사용된다. 현대자동차는 자유로운 인터랙션과 실시간 라이팅·반사, 멀티플랫폼 지원 등의 장점을 바탕으로 언리얼 엔진의 활용 범위를 넓혀왔다. 차량 설계 데이터를 언리얼 엔진으로 옮기는 과정에서는 메시 품질과 드로 콜, 방대한 메시 수량이 과제로 나타났다. 현대자동차는 CAD 데이터 변환 기술을 활용해 원본 카티아 데이터(CATPart)를 필요한 수준으로 테셀레이션하고, 분리된 서피스를 동일한 보디 단위로 병합했다. 차량 원본 파일 약 400개를 임포트하면 약 4만 3000개의 스태틱 메시가 생성되고, 병합 후에도 약 3300개가 남는다. 이를 효율적으로 처리하기 위해 파이썬 스크립트와 데이터프렙, 에디터 유틸리티 블루프린트를 결합한 자동화 파이프라인을 구축했다. 파이썬 스크립트는 CATPart 파일명에 포함된 파트명과 파트 번호, 시스템 분류 정보를 읽어 폴더 구조를 만들고 데이터를 순차적으로 불러온다. 방대한 설계 데이터를 분류하고 언리얼 엔진으로 가져오는 단계를 자동화한 것이다.   그림 1. 파이썬 스크립트로 CATPart 파일을 분류하고 순차적으로 불러오는 화면   데이터프렙은 과도하게 분리된 메시나 동일한 머티리얼을 사용하는 메시를 선별해 병합한다. 볼트와 용접점처럼 반복되는 소형 부품도 이 과정에서 통합했다. 한 사례에서는 약 1350개의 용접점 메시를 하나로 병합하면서 원본 애셋은 별도로 보관했다.   그림 2. 메시 병합과 분류를 마친 뒤 저장된 데이터프렙을 확인하는 화면   에디터 유틸리티 블루프린트는 분류 기준에 따라 메시를 신(scene)에 자동 배치하고 다수의 메시와 머티리얼 슬롯에 머티리얼을 일괄 적용한다. 액터와 원본 애셋의 이름도 동기화해 데이터 정리부터 배치와 표현까지 이어지는 작업을 효율화했다. 정리된 데이터는 실제 차량 개발 검증에 활용됐다. 버스 운전석에서는 글라스 형상에 따른 시야를 비교하고, 가상현실 체험 장비인 헤드 마운티드 디스플레이(HMD)를 이용해 신장이 다른 평가자도 가상 운전석에서 직접 시야를 확인하도록 했다.   그림 3. 에디터 유틸리티 블루프린트로 선택한 메시에 머티리 얼을 일괄 적용하는 메뉴   이층버스 엔진룸에서는 HMD를 착용한 평가자가 가상 공간에서 손을 뻗어 특정 부품에 접근할 수 있는지 확인했다. 좁고 복잡한 엔진룸의 작업 공간과 정비 접근성을 실차 제작 전에 검토한 사례다. 디지털 사이드미러 화면이 윈드실드에 반사되는 ‘얼비침’ 현상도 언리얼 엔진에서 재현했다. 모니터 위치와 각도, 글라스 곡률을 바꿔 가며 개선 효과를 비교하는 방식으로 실제 차량에서 발생할 수 있는 시야 방해 문제를 검토했다. 현대자동차의 사례는 차량 설계 데이터가 단순한 시각화 자료를 넘어 개발 의사결정을 지원하는 검증 자산으로 활용될 수 있음을 보여줬다. 실제 차량을 제작하기 전에 사람의 시야와 움직임에 따라 달라지는 문제를 직접 경험하고 검토할 수 있다는 점에서 의미가 있다. 이러한 활용은 차량 개발 단계를 넘어 실제 제품 경험으로도 이어지고 있다. 현대자동차는 그랜저 페이스리프트부터 언리얼 엔진을 인포테인먼트에 적용했다. 차량 개발 과정에서의 검증과 실제 차량의 사용자 경험을 모두 지원하는 사례다.   라이다 스캔부터 가상 주행까지, 실제 서킷의 디지털 트윈 구축 과정 현실 공간을 디지털 트윈으로 구현한 사례도 소개됐다. 모빌테크의 배정현 최고기술책임자(CTO)는 ‘실제 서킷을 언리얼 엔진으로 옮기기 : 라이다 스캔부터 디지털 트윈 구축까지’ 세션에서 길이 4.346km의 에버랜드 스피드웨이를 실시간 3D 환경으로 구현한 경험을 공유했다.   그림 4. 서킷의 공간 데이터를 취득하기 위해 라이다와 카메라 등을 탑재한 스캔 차량   그림 5. 서킷의 공간 데이터를 취득하기 위해 라이다와 카메라 등을 탑재한 스캔 차량   모빌테크는 라이다와 카메라 5대, 정밀 GPS 및 관성항법 데이터 측정 장비를 탑재한 차량으로 서킷을 반복 주행하며 3차원 점군(point cloud) 데이터를 취득했다. 보정과 1차 필터링을 마친 데이터는 약 31GB, 10억 포인트 규모였다. 이를 구역별로 나눠 블렌더와 3ds 맥스(3ds Max) 등의 제작 도구에서 건축물과 시설물을 모델링하고 텍스처를 제작했다. 언리얼 엔진에서는 나나이트(Nanite)로 고밀도 모델의 처리 부담을 줄이고 루멘으로 실시간 간접광과 반사를 구현했다. 절차적 콘텐츠 생성(PCG)으로 수목을 배치하고 비와 안개, 젖은 노면 등을 표현했으며, 카오스 비히클(Chaos Vehicle)을 적용해 직접 주행할 수 있는 환경을 완성했다. 해당 프로젝트의 RTX 4090 기반 테스트에서는 나나이트 적용 전 76.69FPS였던 프레임 속도가 적용 후 110.50FPS로 향상됐다. 배정현 CTO는 라이다가 현실 공간을 정밀하게 디지털화하는 데 효과적인 도구이지만 좋은 결과를 자동으로 보장하는 것은 아니라고 강조했다. 프로젝트의 목적에 맞춰 데이터의 정밀도와 시각적 품질, 실시간 성능 사이에서 적절한 균형을 찾는 것이 디지털 트윈 구축의 핵심이다.   그림 6. 언리얼 엔진으로 구현한 에버랜드 스피드웨이의 나나이트 적용 후 성능 테스트 화면   산업 현장의 개발과 검증 방식을 바꾸는 언리얼 엔진 현대자동차와 모빌테크의 사례는 서로 다른 산업 데이터가 언리얼 엔진을 통해 실제로 활용 가능한 자산으로 전환되는 과정을 보여줬다. 현대자동차는 차량 설계 데이터를 자동화된 파이프라인으로 정리해 개발 검증에 활용하고, 그랜저 인포테인먼트에도 언리얼 엔진을 적용했다. 모빌테크는 라이다로 취득한 현실 공간 데이터를 직접 주행할 수 있는 디지털 트윈으로 발전시켰다. 이들 사례에서 언리얼 엔진의 역할은 데이터를 사실적으로 보여주는 데 그치지 않는다. 현실 공간과 설계 데이터를 실시간으로 탐색하고 상호작용하며, 개발자가 문제를 발견하고 설계 변경의 효과를 판단할 수 있는 검증 환경으로 확장한다. 파이썬과 데이터 프렙, 에디터 유틸리티 블루프린트를 활용한 자동화는 방대한 산업 데이터를 반복적으로 처리하는 과정의 효율도 높였다. ‘언리얼 페스트 서울 2026’에서 공개된 사례는 현실과 설계 데이터를 연결하고, 이를 직접 경험하고 검증할 수 있는 환경으로 전환하는 언리얼 엔진의 역할을 보여줬다. 언리얼 엔진이 게임 제작 도구를 넘어 차량 개발 검증과 최종 제품 경험, 디지털 트윈을 아우르는 산업 개발 플랫폼으로 확장되고 있음을 확인할 수 있었다.     ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2026-10-07
[케이스 스터디] AI 가상 벤치마킹 도입한 BMW 그룹
AI와 가상 부품 분해 기능을 통해 엔지니어링 효율 개선   BMW 그룹은 부품 검사 및 벤치마킹 과정의 물리적 한계를 극복하기 위한 설루션을 유니티와 협력하여 개발했다. 이 설루션은 복잡한 3D CAD 데이터를 기반으로 차량 부품을 가상 환경에서 자동으로 분해하고 고품질 이미지로 렌더링한다. 그리고, 여기에 생성된 시각 데이터와 부품 정보를 LLM(대규모 언어 모델)과 연계해 엔지니어링 분석과 설계 개선점을 빠르게 도출한다. BMW 그룹은 이를 통해 실물 분해 없이도 벤치마킹 속도를 높이고, 차량 개발 과정 전반의 비용 절감과 엔지니어링 효율을 개선하고 있다. ■ 자료 제공 : 유니티 코리아   자동차 엔지니어링 분야가 계속해서 진화하는 가운데, 제품의 복잡한 세부 사항을 이해하고 모든 구성 요소를 최적화하는 것이 그 어느 때보다 중요하다. 기존에는 실물 검사를 직접 수행해야 했는데, 이는 많은 리소스와 시간을 소모하며 확장성이 떨어지는 방식이다. 하지만 공구를 전혀 사용하지 않고도 자동차 부품을 분해할 수 있다면 어떨까? BMW 그룹 개발 전략 부서의 AI 기반 활동 테크니컬 프로젝트 리드인 사보 아사닌 박사는 바로 이 문제의 돌파구를 찾고자 했다. 목표는 자동차 부품의 철저한 기술적 분석을 통해 서로 다른 디자인 콘셉트를 비교하는 것이었다. 아사닌 박사의 팀은 유니티와의 협업을 통해 물리적 제약을 뛰어넘는 데 성공했다. 이 팀은 실시간 3D 데이터와 LLM을 결합하여 디자인 콘셉트 비교 및 벤치마킹 프로세스를 자동화하는 새로운 툴 ‘버추얼 테어타운 어시스턴트(Virtual Teardown Assistant)’를 개발했다.   디지털 확장으로 물리적 한계를 극복하다 아사닌 박사의 설명에 따르면 BMW 그룹은 오랫동안 주로 수동 검사를 통해 부품을 분석해 왔다. 엔지니어는 부품을 직접 검사하거나 데이터베이스를 검색해 필요한 정보를 얻었다. 유효한 방식이기는 했지만 많은 리소스와 시간이 소모되었으며 확장성도 부족했다. BMW는 방대한 CAD 데이터를 보유하고 있었으므로, 문제는 데이터 부족이 아니었다. 실질적인 문제는 데이터의 접근성과 해석이 었다. 여러 세대에 걸친 차량 부품의 형상을 비교하기 위해서는 상당한 인적 리소스가 필요했다. 바로 여기서 BMW 그룹의 3D 마인(3D Mine)이 기반이 되어 핵심적인 역할을 한다. 3D 마인은 조직의 누구나 3D 데이터를 쉽게 활용할 수 있게 지원하는 중앙 집중식 설루션 역할을 한다. 버추얼 테어타운 어시스턴트는 이를 기반으로 구축되었으며 지능형 자동화 기능도 제공한다. 이 툴을 개발한 목표는 차량 부품의 형상을 비교해 잠재적인 개선 사항을 자동으로 찾아내고, 부품 분석의 핵심 작업을 AI가 수행하도록 함으로써 높은 확장성을 확보하는 것이었다.   ▲ 차량 모델의 각 시스템에 레이블이 지정된 모습을 보여주는 예시(제공 : BMW 그룹)    핵심 기술 : 유니티 애셋 매니저 및 파이프라인 자동화 버추얼 테어타운 어시스턴트를 제작하기 위해서는 단순한 3D 모델이 아니라, 해당 모델의 구성 요소를 인식하고 이해하는 시스템이 필요했다. 이 워크플로는 차량 전체 모델과 같은 복잡한 CAD 데이터에서 시작된다. 먼저 시스템이 유니티 애셋 매니저(Unity Asset Manager)와 파이프라인 자동화(Pipeline Automation)를 사용하여 차량을 좌석이나 제동 장치 등의 하위 구성 시스템으로 분해한다. 아사닌 박사가 설명한 것처럼, 이 워크플로는 CAD 모델을 가져와 구성 부품으로 분해한 뒤 각 부품에 서로 다른 컬러 코드를 지정하고 에디터에서 흰 배경을 바탕으로 각각의 ‘사진’을 촬영하는 과정이다. 이 과정은 모두 자동으로 진행된다. 바로 여기서 유니티의 엔터프라이즈 설루션이 진가를 발휘한다. 유니티 애셋 매니저 기반의 3D 마인 : SSOT(Single Source of Truth)로서 선택된 3D 모델과 관련 메타데이터 파일을 불러온다. 파이프라인 자동화 : 핵심 작업을 처리한다. 데이터를 기반으로 부품을 분리하여 모든 나사와 브래킷까지 확인할 수 있는 분해도를 생성하며, 고품질의 분석용 이미지를 렌더링한다.  이렇게 생성된 이미지는 부품 번호 및 치수와 같은 중요한 메타 데이터가 포함된 BOM(자재 명세서)과 함께 LLM에 제공된다. AI는 분해도를 살펴보고 데이터를 읽어 엔지니어링 분석 결과를 제공하며 이를 통해 경량화, 비용 절감, 기능 개선 기회를 대규모로 파악해낸다.   지금까지 확보한 인사이트와 비용 절감 효과 아사닌 박사의 팀은 처음 POC(Proof of Concept)를 시작했을 때 AI가 시각 데이터를 어떻게 처리할지 확신하지 못했다. 이처럼 어떤 결과가 나올지 알 수 없었음에도 제한된 형상 정보만으로도 모델이 잘 작동한다는 사실에 개발팀은 고무되었다. AI는 유용한 인사이트를 제공했으며 형상 정보를 정확하게 이해했다. 개발팀은 이미 주요 시스템에서 긍정적인 결과를 거두고 있다. 이러한 효율 향상은 상당한 의미를 지닌다. BMW는 차량의 다양한 시스템에 대한 파이프라인을 자동화함으로써 효율성을 높이고 엔지니어링 분석을 가속화하고 있다. 버추얼 테어타운 어시스턴트를 조직 전체에 도입하면 여러 팀에서 콘셉트, 디자인, 공급업체 설루션을 더욱 신속하고 일관성 있게 비교할 수 있다. 덕분에 벤치마킹 속도가 높아지고, 엔지니어가 개발 초기 단계에서 가장 유망한 옵션을 파악하는 데 도움이 된다.   협력을 통한 혁신 버추얼 테어타운 어시스턴트의 성공은 BMW 그룹과 유니티 간의 더욱 긴밀해진 협력 관계를 잘 나타낸다. 단순히 소프트웨어를 도입하는 데 그치지 않고, 함께 설루션을 공동 개발하는 것이다. 아사닌 박사의 팀은 유니티와 긴밀히 협력하면서 유니티의 고객 담당 팀으로부터 기술적 전문 지식을 직접 지원받았다. 그 결과 개발팀이 원하는 대로 고품질의 부품 시각화 성능은 그대로 갖추면서 많은 사람이 쉽게 사용할 수 있는 플랫폼이 탄생했다. BMW의 최종 사용자, 즉 차량 설계에 관해 중요한 결정을 내리는 엔지니어에게는 백엔드의 복잡성이 노출되지 않는다. 이들은 파일을 변환하는 애셋 트랜스포머 SDK(Asset Transformer SDK)와 같은 유니티 설루션이나 백그라운드에서 실행되는 파이프 라인 자동화 스크립트를 볼 수 없다. POC에 대한 피드백은 긍정적이었으며, 다른 여러 팀에서도 이 툴을 폭넓은 차량 부품에 적용하기를 희망하고 있다.   기술 심층 분석 : 버추얼 테어타운 어시스턴트의 구현 방식 이 혁신적인 툴은 어떻게 만들어졌을까? 여기서는 유니티의 시니어 소프트웨어 개발 컨설턴트인 다니엘 비어위드가 버추얼 테어타운 어시스턴트를 탄생시킨 아키텍처, 기술, 엔지니어링적 접근법을 자세히 설명한다.   필수 구성 요소 버추얼 테어타운 어시스턴트는 유니티 애셋 매니저를 기반으로 하며, 이 확장 가능한 플랫폼을 통해 세밀한 분해도의 렌더링 과정을 간소화한다. 시스템은 자동화된 API를 통해 LLM 파이프라인에 직접 연결함으로써 출력 데이터를 손쉽게 전송한다. 이 설루션의 핵심은 유니티 파이프라인 자동화(Unity Pipeline Automation)이다. 시스템을 연결하고, 데이터를 변환하며, 3D 콘텐츠를 대규모로 업데이트하는 로코드 인터페이스이다. 파이프라인은 유연한 클러스터의 가상 머신에서 실행되며 이벤트, 일정 또는 온디맨드 방식을 통해 트리거될 수 있다. 유니티 애셋 트랜스포머 SDK는 프로세스를 가속화하며, 70개 이상의 3D 및 CAD 파일 형식을 지원한다. 이 SDK를 사용하면 애셋 수집, 최적화 및 표준화가 처리되므로 애셋을 어떠한 실시간 3D 워크플로에도 쉽게 통합할 수 있다.   ▲ 입력 데이터는 유니티 애셋 매니저에 업로드되어 버추얼 테어다운 파이프라인에 서의 협업을 위한 중앙 공유 저장소를 형성한다.(제공 : BMW 그룹)   중앙 집중식 디지털 애셋 관리 허브(여기서는 BMW 그룹의 3D 마인)는 모든 것을 체계적으로 정리하고 접근성을 높인다. 덕분에 여러 팀에서는 복잡한 실시간 3D 애셋을 한곳에서 검색하고 관리하면서 협업할 수 있으며, 이를 통해 생산 속도가 높아지고 확장 가능한 고품질의 디지털 경험을 구축할 수 있게 된다.   버추얼 테어타운 어시스턴트 파이프라인 단계 버추얼 테어타운 어시스턴트 파이프라인은 자동화된 데이터 처리, 시각화, AI 기반 인사이트를 결합하여 복잡한 3D 엔지니어링 모델 분석 프로세스를 간소화한다.   파이프라인 개요 이 워크플로는 모델 로드 액션(Model Load Action)이 유니티 애셋 매니저/3D 마인에서 선택한 3D 엔지니어링 모델을 JT 형식으로 불러오는 것으로 시작된다. 그와 동시에 시스템 필터 파일이 로드되어 전체 제품 모델 내의 특정 하위 시스템을 분리한다. 두 작업은 모두 그래픽 파이프라인 인터페이스를 통해 구성된다. 일반적인 활용처에서 파이프라인은 수천 개의 부품과 수백만 개의 폴리곤으로 구성되어 있으며, 완전한 엔지니어링 모델을 포 함한 수 기가바이트(GB) 이상의 JT 파일을 처리한다.   ▲ 애셋 검색 및 애셋 트랜스포머 실행이 이루어지는 파이프라인 단계로, 분해도를 분리하고 렌더링한다.   데이터 처리 및 변환 애셋 매니저에서 모델이 로드되면, 파이프라인이 애셋 트랜스포머 SDK가 설치된 가상 머신에서 실행되는 커스텀 파이썬(Python) 스크립트를 통해 주요 작업을 처리한다. 이 스크립트는 전체 JT 모델을 로드한다. 애셋 트랜스포머 SDK는 이전 파이프라인 단계에서 CSV 파일로 가져온 필터 테이블을 사용하여 데이터 세트의 개별 부품에 필터링 메커니즘을 적용하고, 관련 시스템 부품을 분리하는 데 사용된다. 다음으로 SDK 알고리즘을 통해 머티리얼 프로퍼티를 추출하고 조정하여 각 부품에 고유한 색상을 지정함으로써 명확하게 시각적으로 구분할 수 있도록 한다. 이는 레이블이 지정된 부품 정보로, BOM 및 형상 프로퍼티와 함께 LLM이 차량 모델을 분석하는 데 활용된다.   ▲ 차량 모델의 전면 차축 시스템에 레이블이 적용된 모습을 보여주는 예시(제공 : BMW 그룹)   분리된 부품들은 계층적 관계와 형상적 관계를 모두 고려하는 커스텀 알고리즘을 사용하여 분해된다. LLM을 이용한 시각적 분석을 위해서는 부품들이 적절하게 분리되어 있어야 하며 캡처 카메라에 명확하게 보여야 한다. 애플리케이션은 파이프라인 인터페이스를 통해 커스텀 설정을 분해 및 렌더링 레시피로서 적용하여, 제품 및 시스템 특성에 따라 파이프라인 설정을 동적으로 수정할 수 있다. 애셋 트랜스포머 SDK는 레이블이 지정된 시스템의 분해도를 처리 파이프라인의 일부로 렌더링하는 데 사용되는 클라우드 렌더링 기능을 제공한다. 이렇게 생성된 시각적 데이터는 인적 검토와 AI 분석 모두의 기반이 된다.   ▲ 전면 차축 시스템의 분해도 렌더링 예시. 분리된 시스템(왼쪽)과 생성된 분해도 (오른쪽)를 확인할 수 있다.(제공 : BMW 그룹)   데이터 익스포트 및 AI 분석 또한 커스텀 스크립팅 함수는 BOM을 모든 시스템 부품에 대한 메타데이터가 포함된 CSV 파일로 내보내며, 애셋 트랜스포머 SDK 함수를 사용하여 각 부품의 형상적 특성을 계산한다. BOM은 렌더링된 분해도와 함께 3D 마인에 저장된다.   ▲ 전면 범퍼 시스템 분해도의 렌더링 예시. 분리된 시스템(왼쪽)과 생성된 분해도 (오른쪽)를 확인할 수 있다.(제공 : BMW 그룹)   이제 AI가 작업을 이어받는다. 파이프라인 자동화 인터페이스가 다음과 같이 LLM에 HTTP 요청을 전송하여 분해도, BOM, 시스템 설명을 제공한다. 먼저 파이프라인 단계에서 렌더링된 이미지와 BOM을 시스템 설명, LLM 지침, 프롬프트와 함께 요청 본문에 인코딩하여 LLM 요청에 대한 페이로드를 생성한다. LLM은 입력 데이터를 종합적으로 분석한 후, 설계 구조 관련 주요 인사이트, 소재 및 부품 결합 전략, 제조 가능성 평가, 1차 성능 KPI 추정치, 신뢰도 평가가 포함된 가정, 설계 개선 제안 등이 포함된 텍스트 파일을 반환한다.   ▲ API를 통해 LLM 파이프라인과의 연결을 설정하여 파이프라인 출력 데이터를 수동 개입 없이 전송할 수 있게 하는 버추얼 테어타운 어시스턴트 파이프라인 단계   결과와 영향 파이프라인의 마지막 단계에서는 AI가 생성한 벤치마크 보고서와 레이블이 지정된 분해도를 애셋 매니저에 다시 업로드하여 직원들이 중앙 집중식으로 참조할 수 있게 한다. 이를 통해 부품을 실제로 분해하기도 전에 일찌감치 벤치마크를 확인할 수 있다. 버추얼 테어타운 어시스턴트 파이프라인은 복잡한 CAD 처리 및 시각화 작업을 자동화하는 한편, AI 기반 인사이트를 통합하여 초기 제품 분석에 활용할 수 있는 툴을 제공한다. 확장 가능한 파이프 라인 자동화, 실시간 렌더링, 고급 LLM 평가 기능의 결합으로 실제 활용 가능한 엔지니어링 벤치마크를 도출하는 데 필요한 시간과 비용을 절감할 수 있다.   향후 전망 살펴보기 현재 버추얼 테어타운 어시스턴트는 실제로 배포되고 있으며, 주요 시스템에 대해 일관된 렌더링 결과를 제공한다. 하지만 아사닌 박사 팀의 여정은 이제 막 시작되었을 뿐이다. 이들의 계획은 향후 2년 동안 시스템의 확장성을 최적화하고 BMW의 CAD 저장소와 같은 내부 시스템에 툴을 직접 연결하는 것이다. 이를 통해 다양한 각도에서 사진을 촬영하여 더욱 세밀하게 분석하고, 특정 부품을 집중적으로 분석하여 품질을 개선할 수 있다. 아사닌 박사의 팀은 비전 알고리즘과 대규모 언어 모델을 결합하는 것이 확장성을 위한 관건임을 파악했다. 비슷한 설루션 도입을 고려하는 기업에 전하는 메시지는 분명하다. 실제 문제를 선택하고, 신속하게 POC를 완료한 후 결과를 통해 가치를 입증해야 한다는 것이다. 전략도 중요하지만, 실질적 효과를 입증하는 것만큼 조직을 효과적으로 설득할 수 있는 방법은 없다. 일단 가시적 효과가 나타나면, 비즈니스 측에서 먼저 자연스럽게 확장을 원하게 될 것이다. BMW 그룹은 유니티의 생태계를 활용하여 단순히 차량을 시각화하는 데 그치지 않고, AI에게 자동차에 대한 이해를 학습시킴으로써 더욱 스마트하고 신속하며 데이터 중심적인 차량 엔지니어링의 미래를 만들어 가고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2026-10-07
[핫윈도] 2026 국내 스마트 건설 DX 현황 분석 리포트
AI와 BIM이 이끄는 건설산업의 대전환   캐드앤그래픽스는 ‘스마트 건설 DX 가이드’ 책자 발간 기념으로 국내 스마트 건설 및 DX(디지털 전환)에 관심이 있는 관련 종사자 703명을 대상으로 설문조사를 실시했다. 이번 조사는 국내 건설산업의 디지털 전환 수준과 BIM 활용 현황, AI 도입, 향후 투자 방향 및 산업 과제를 종합적으로 파악하기 위해 진행됐다. ■ 최경화 국장   스마트 건설 DX, 선택이 아닌 생존 전략 건설산업은 지금 거대한 변화의 중심에 서 있다. 설계와 시공, 유지관리 전 과정이 디지털 기술을 중심으로 재편되면서 산업의 경쟁력 기준도 빠르게 달라지고 있다. 과거에는 경험과 기술력이 경쟁력을 좌우했다면, 이제는 데이터를 얼마나 효과적으로 축적하고 활용하는지가 기업의 생산성과 경쟁력을 결정하는 핵심 요소가 되고 있다. 이러한 변화의 중심에는 BIM(건설 정보 모델링), 인공지능(AI), 디지털 트윈, 클라우드 협업, IoT, 자동화 기술 등이 있다. 각각의 기술은 독립적으로 발전하는 것이 아니라 하나의 디지털 생태계를 구성하며 설계와 시공, 운영 전반의 혁신을 이끌고 있다. 정부도 스마트 건설 DX(디지털 전환) 활성화를 국가 전략으로 추진하고 있다. 공공사업 BIM 적용 확대와 스마트 건설기술 개발, 디지털 트윈 구축, 건설정보 표준화 등을 추진하며 산업 전반의 디지털 전환을 지원하고 있다. 이에 맞춰 건설사와 엔지니어링 기업들도 단순한 소프트웨어 도입을 넘어 데이터 기반 업무혁신을 적극 추진하고 있다. 이번 조사에는 실제 스마트 건설 프로젝트를 수행하는 실무자의 의견이 폭넓게 반영됐다. 응답자의 직무를 살펴보면 엔지니어가 49.1%로, 전체 응답자의 약 절반이 실제 설계와 시공, 엔지니어링 업무를 담당하는 실무자였다. 경영진의 비중도 15.1%로 높아 현장과 경영 양측의 시각을 함께 확인할 수 있었다. 응답자의 산업 분야를 살펴보면 건축·건설 분야가 44.2%로 가장 큰 비중을 차지했다. 이어 토목 16.1%, 플랜트 15.2%, 전기전자·반도체 12.8%, 시각화·그래픽 7.7%, 산업용 장비 6.5%, 자동차 5.4% 순으로 조사됐다.(복수응답) 다양한 산업 분야의 응답자가 참여한 것은 스마트 건설 DX가 건축·건설 분야를 넘어 다양한 산업과 연계되는 흐름을 보여주는 것으로 해석할 수 있다. 응답자들의 업무 관련 관심분야를 살펴보면 CAD·3D 모델링이 58.6%로 가장 높은 비중을 차지했다. 이어 AI·머신러닝·빅데이터 38.1%, VR·AR·XR 18.3%, 시스템 통합(SI) 18.2%, CAE 16.2%, IoT 12.4%, PLM 11.2% 순으로 나타났다. 다양한 기술에 대한 관심도가 높다는 것은 스마트 건설이 단일 기술이 아니라 여러 디지털 기술이 융합되는 방향으로 발전하고 있음을 시사한다.   스마트 건설 DX 사용 기업 및 유저 대상 설문조사 전체 응답자 중 ‘스마트 건설 DX 사용 기업 및 유저 대상’ 설문 조사는 스마트 건설 DX 및 BIM 기술을 활용 중인 국내 건설·엔지니어링·시공 분야 종사자 253명을 대상으로 진행되었다.   건설 분야 사용자 기업 및 유저 설문 현황 설문 참가자들의 주요 분야는 시공사(30.4%), 종합설계사(28.1%), BIM 컨설팅/엔지니어링(27.3%), 건축설계사(16.2%) 순으로 집계되었다. 스마트 건설 DX를 추진 중인 기업들의 매출 규모 분석 결과, ‘5000억 원 이상’의 대형 기업이 36.8%로 가장 높은 비중을 차지했다. 한편 ‘10억 원 미만’의 소규모 기업도 9.9%를 나타내며 기술 도입을 시도하고 있으나, 10억~100억 원대 중소 규모 기업 구간은 각각 5~7%대에 머물렀다. 이는 BIM 기술 도입 및 DX 인프라 구축에 필요한 초기 투자 비용과 전문 인력 유지비용이 중소기업에게는 여전히 높은 진입장벽으로 작용하고 있음을 반증한다. 응답 기업의 직원 수 기준 분석에서도 기업 매출 규모와 동일한 궤의 양극화 경향이 관찰되었는데, 1000명 이상의 대규모 조직이 전체의 43.4%를 차지하는 것으로 조사되었다. 인력 인프라가 풍부한 대형 기업일수록 BIM 전담 조직 구성 및 디지털 툴 보급이 원활한 만큼, 상대적으로 인력난과 교육 인프라 부족을 겪는 중소· 중견기업을 위한 맞춤형 DX 기술 지원 및 컨설팅 프로그램 확대가 필요한 것으로 보인다.   설계 툴 사용 현황 설문 응답자들의 건설 및 설계 현장에서 사용 중인 설계 툴 현황(중복 응답)을 조사한 결과, 전체 응답자의 67.6%가 ‘BIM을 적용 중’이라고 답해 스마트 건설 DX의 핵심으로서 BIM의 보급이 상당 수준 이루어졌음을 확인시켰다. 그러나 여전히 ‘2D CAD와 3D CAD를 모두 사용 중’이라는 응답이 46.6%, ‘2D CAD만 사용 중’이라는 응답이 22.9%에 달해, 완전히 BIM 기반으로 일하는 방식이 전면 교체되었다기보다는 전통적인 2D CAD 작업과 BIM 3D 작업이 혼용되는 과도기적 단계에 머물러 있는 것으로 풀이된다.     BIM 사용 현황 및 전망 응답 기업 및 유저의 BIM 기술 사용 수준을 파악한 결과, ‘중급(어느 정도 실무 활용 가능)’이 28.5%로 가장 높았으며, ‘전문(능숙 활용, 프로젝트 조율 가능 단계)’이 23.3%, ‘초급’이 20.9%로 집계되었다. ‘고급(실무 능숙 활용)’은 15.0%를 기록했다. 초급과 중급을 합산한 중급 이하 숙련도 인력이 전체 응답자의 절반에 가까운 49.4%에 달하며, 복합 프로젝트를 전반적으로 조율할 수 있는 전문 단계는 23.3% 수준에 머물러 있다. 이는 BIM 기술의 단순 라이선스 도입을 넘어, 고급·전문 역량을 갖춘 실무형 리더급 인재 양성을 위한 교육 프로그램 체계화가 시급함을 시사한다.     건설/토목 관련 유저 업체의 BIM 소프트웨어 실제 적용 현황을 묻는 질문에 ‘현재 사용 중’이라는 응답이 67.2%를 기록하며 건설 산업 내 BIM 실무 적용이 대세로 자리잡았음을 보여주었다. 또한 ‘도입을 검토 중’(12.3%) 및 ‘향후 도입할 계획’(7.9%)이라는 응답을 합산하면 전체 응답자의 87.4%가 BIM을 현재 사용하거나 도입을 긍정적으로 검토·추진하고 있는 것으로 집계됐다.     정보 활용 성숙도에 따른 BIM 기술 단계(BIM 사용자 그룹) 분석 결과, BIM 모델을 통해 통합 정보를 구축·활용하는 ‘통합 BIM(Integrated BIM)’ 단계가 38.7%로 가장 높게 나타났다. 그러나 2D 도면을 기반으로 3D 모델로 전환하는 수준인 ‘전환 BIM(2D-3D Conversion BIM)’ 역시 33.6%로 높은 비중을 차지했다. 2D와 3D를 병행하는 ‘투 트랙 BIM’도 13.8%를 기록했다. ‘커넥티드 BIM’(4.3%)이나 단순히 뷰어 위주로 활용하는 ‘시각 BIM’(4.0%)에 비해, 시장은 전환 BIM에서 통합 BIM으로 발전하는 단계에 있는 것으로 분석된다.     BIM을 원활하게 활용하지 못하거나 장애가 되는 걸림돌(중복 응답)에 대한 조사 결과, ‘전문 인력 부족’이 36.8%로 가장 심각한 걸림돌로 지목되었다. 뒤이어 ‘BIM 소프트웨어 도입 비용 부담’이 22.9%, ‘발주처에서 BIM 요구가 없음’이 19.4%를 기록했다. 그 외에도 ‘기존 도면/프로세스와의 연계 문제’(15.4%), ‘BIM 발주처의 불명확한 요구사항 및 업무범위’(13.8%), ‘사용 방법 어려움’(13.0%) 등이 지적됐다. 단순히 툴을 구매하는 비용 문제보다, 이를 실제 프로젝트에서 운용할 숙련된 인력 확보와 현장 업무 프로세스 개편의 어려움이 기업들에게 더 큰 압박으로 작용하고 있음을 보여준다.     BIM 기술의 향후 발전 방향 및 산업 내 중요도 전망에 대해서는, 응답자의 55.7%가 ‘매우 중요하게 성장할 것’이라고 답했으며, 32.8%가 ‘다소 성장할 것’이라고 전망했다. 전체 응답자의 88.5%가 BIM의 향후 중요도와 성장 가능성을 긍정적으로 평가한 것이다. ‘현재 수준에서 유지될 것’이라는 응답은 9.1%, ‘중요성이 낮아질 것’이라는 의견은 0.8%에 불과했다. 건설 산업 DX의 불가피한 흐름 속에서 BIM이 중심 기술로서 자리를 확고히 잡을 것이라는 점에는 산업계 전체가 강력한 공감대를 형성하고 있다.     BIM 구축과 생태계 확대를 위해 가장 필요한 요소(5순위 누적 가중치 분석) 조사 결과, ‘경영진의 의지와 BIM에 대한 이해’가 누적 가중치 647점으로 가장 높게 평가되었다. 이어 ‘BIM 관련 산업 표준화’(416점), ‘BIM 관련 전담 인력 및 조직 확보’(325점), ‘BIM 관련 기술 개발 및 성능 향상’(271점), ‘비용 절감 및 ROI 명확성’(247점), ‘BIM 설루션 도입/유지 비용 인하’(237점) 순으로 나타났다. 실무진의 기술 습득뿐만 아니라, 기업 최고경영진의 강력한 DX 추진 의지와 함께 국가 및 산업 차원의 명확한 BIM 가이드라인·표준화 구축이 선행되어야만 BIM의 성공적인 정착이 가능할 것으로 분석된다.     이번 조사 결과는 국내 건설업계에서 BIM 도입 자체는 이미 상당한 수준에 도달했음을 보여준다. 그러나 앞으로 기업 간 경쟁력을 좌우할 요소는 단순한 도입 여부가 아니라 BIM을 얼마나 깊이 있게 활용하고 AI·클라우드·디지털 트윈과 연계할 수 있는지에 달려 있다. 또한 BIM은 더 이상 설계 부서만의 도구가 아니다. 프로젝트 참여자 간 협업을 지원하고, 데이터를 통합 관리하며, AI 기반 분석과 자동화의 기반이 되는 핵심 플랫폼으로 진화하고 있다. 향후 스마트 건설의 성패는 BIM 데이터를 얼마나 체계적으로 구축하고 활용하느냐에 의해 결정될 가능성이 크다.   스마트 건설 DX 투자 및 기술 도입 동향 건설 기업들이 향후 1년 이내에 가장 집중적으로 투자하고자 하는 건설 DX 분야를 조사한 결과(중복 응답), ‘BIM(설계/시공 통합)’이 54.2%로 1위를 차지했다. 그 뒤를 이어 ‘AI(설계/자동화/분석)’가 47.8%를 기록하며 높은 투자 수요를 나타냈다. 이 외에도 ‘디지털 트윈’이 27.7%로 3위를 차지했으며, 3D CAD(12.6%), VR/AR/XR(9.1%), 투자 계획 없음(8.7%), PDM/PLM(7.5%), 3D 스캐닝(6.3%) 순으로 조사됐다. 이는 건설 산업이 단순 3D 모델링 단계를 넘어, AI를 통한 자동화 분석과 디지털 트윈 기반의 실시간 현장 관리 기술로 투자의 중심축을 이동시키고 있음을 보여준다.     건설 DX 시스템 구축을 위한 구체적인 투자 시기를 묻는 질문에서, ‘2년 이내’에 투자를 집행하겠다는 응답이 32%로 가장 높게 나타났다. 이어 ‘1년 이내’가 19.4%, ‘6개월 이내’가 9.5%를 차지했다. 전체 응답자의 60.9%가 향후 2년 이내에 DX 관련 투자를 본격화하겠다고 답해 단기·중기적 관점에서의 시스템 구축 의지가 명확히 확인되었다. 반면 ‘도입 계획이 없다’는 응답은 24.5% 수준이었으며, 이는 기술 도입의 불확실성이나 초기 예산 확보의 어려움 때문인 것으로 풀이된다. 건설 DX 관련 소프트웨어 및 설루션 구매 시 선호하는 라이선스 방식을 조사한 결과는, ‘서브스크립션(구독형)’ 방식이 49%를 기록하며 ‘영구 버전(43.1%)’을 앞질렀다. 과거 자산 형태로 소유하는 영구 라이선스를 선호하던 건설 업계의 관행에서 벗어나, 지속적인 업데이트와 초기 도입 비용 부담을 줄일 수 있는 SaaS 및 구독 모델이 시장의 주류 구매 형태로 자리 잡아가고 있는 것으로 보인다.     조직 내에서 현재 가장 중요하게 고려하거나 투자 중인 기술 요소(3순위까지 선택, 누적 가중치 분석) 조사에서는 ‘BIM 기반 설계 및 4D/5D 활용’이 누적 가중치 1293점으로 최우선 과제로 꼽혔다. 이어 ‘AI/빅데이터 기반 공정 최적화/분석’이 1137점으로 2위에 올랐으며, ‘클라우드 및 데이터 플랫폼 구축’(781점), ‘디지털 트윈’(595점), ‘현장 안전 관리 및 모니터링 시스템’(358점), ‘건설 로봇 및 자동화 장비 도입’(313점) 순으로 집계되었다. 단순 3D 형상 설계를 넘어 공정(4D) 및 내역/비용(5D) 관리, 그리고 AI 연계 데이터 분석에 대한 실질적 니즈가 매우 높음을 나타낸다.     조직의 건설 DX 추진 현황 단계를 파악한 결과, ‘개념 정립 및 전략 수립 단계’가 36%로 가장 높은 비중을 차지했다. 그 다음으로 ‘파일럿 프로젝트/부분 도입 단계’가 28.5%로 나타났다. 반면 ‘전사적 도입 및 확산 단계’는 15.0%, 지속적 개선과 혁신이 이뤄지는 ‘성숙 단계’는 4.0%에 머물렀으며, ‘추진하고 있지 않다’는 응답도 16.6%에 달했다. 절반 이상이 전략 수립 또는 파일럿·부분 도입 단계에 머물러 있어, 국내 건설 DX는 본격적인 전사 확산 단계로 넘어가기 위한 과도기에 있는 것으로 분석된다.     스마트 건설 DX 기술 전망 및 애로사항 건설 DX와 관련해 향후 가장 주목할 만한 핵심 기술을 조사한 결과(최대 3개 복수 선택), ‘인공지능/에이전틱 AI/피지컬 AI’가 77.4%로 압도적인 1위를 차지했다. 이어 ‘디지털 트윈’이 46.9% 로 2위, ‘생성형 설계(제너레이티브 디자인)’가 42.1%로 3위에 올랐다. 이 외에도 공통 데이터 환경(CDE, 23.0%), 시공 자동화/로보틱스(22.0%), 탈현장 공법(OSC/모듈러, 14.2%), 증강현실 시각화(9.2%), 드론/LiDAR 스캐닝(9.0%), IoT 센서(8.5%) 순으로 집계됐다. 건설 업계가 단순한 3D 가시화를 넘어 AI 및 실시간 시뮬레이션 기술을 미래 핵심 성장 동력으로 명확히 인식하고 있음을 보여준다.     인공지능 기술이 향후 3년 내 건설 엔지니어의 업무를 어느 정도 대체하거나 보조할 것인지 물어본 결과, 응답자의 56.6%가 ‘단순 반복 업무의 상당 부분을 자동화할 것(획기적 효율 증대)’이라고 답했다. ‘공기·비용 최적화 등 의사결정을 지원하는 수준의 보조적 역할을 할 것’이라는 응답도 33.0%를 기록하여, 전체 응답자의 89.6%가 AI가 엔지니어의 실질적인 업무 효율을 끌어올리는 강력한 도구가 될 것으로 내다봤다. 반면 ‘데이터 정리 등 일부 업무에 한해 쓰일 것’(8.5%)이나 ‘현장 특성으로 도입 효과가 미미할 것’(1.8%)이라는 회의적 시각은 소수에 불과했다.     스마트 건설 DX 추진 과정에서 업계 실무자들이 느끼는 문제점과 애로사항(주관식 응답)을 종합 분석한 결과, 가장 큰 걸림돌로는 ‘정량적 ROI(투자 대비 효과) 산출의 어려움’과 ‘국가/산업 차원의 표준화 체계 미비’, ‘현장 사용성 저하’ 등이 지적됐다. 실무자들은 기술 도입 비용 대비 직접적인 수익성이 명확하지 않아 경영진을 설득하기 어렵고, 기업/프로젝트마다 표준화된 가이드라인과 데이터 체계가 없어 단편적인 활용에 그치고 있다고 지적했다. 아울러 아무리 고도화된 시스템이라도 실제 현장 실무자가 쓰기 불편하면 외면받는 만큼, 직관적이고 쉬운 UI/UX 구현과 전문 인력 교육 지원, 발주자의 디지털 전환 의지가 선결되어야 한다는 의견이 지배적이었다.   맺음말 : 스마트 건설의 경쟁력은 ‘데이터 활용 능력’ 이번 캐드앤그래픽스 설문조사는 국내 스마트 건설이 기술 도입 단계를 넘어 활용과 고도화 단계로 진입하고 있음을 보여준다. BIM은 이미 업계의 핵심 인프라로 자리 잡았으며, AI와 디지털 트윈은 이를 기반으로 새로운 가치를 창출하는 기술로 빠르게 확산되고 있다. 동시에 전문인력 확보와 데이터 표준화, 조직 문화 개선, 공공 발주 체계 개선 등 해결해야 할 과제도 있는 것으로 보인다. 스마트 건설의 미래는 단순히 최신 기술을 도입하는 데 있지 않다. 데이터를 표준화하고, 프로젝트 전 과정에서 이를 연결하며, AI를 통해 새로운 가치를 창출하는 기업이 미래 건설산업의 경쟁력을 확보하게 될 것이다. 국내 건설산업은 DX를 넘어 AI 활용을 통해 AX 시대로 나아가는 중요한 전환점에 서 있다. 앞으로는 기술 자체보다 데이터를 활용하는 역량과 이를 조직 전체의 경쟁력으로 연결하는 실행력이 기업의 지속 가능한 성장을 좌우할 핵심 요소가 될 것이다.     ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2026-10-07
[포커스] 코리아 그래픽스 2026, AI와 에이전트가 이끄는 크리에이티브의 미래 제시
올해로 열네 번째를 맞은 ‘코리아 그래픽스 2026’이 지난 9월 10일 온라인으로 진행됐다. 올해 행사는 ‘크리에이티브의 확장, 피지컬 AI와 에이전트가 만드는 미래’라는 주제 아래, 제품 디자인부터 건축 시각화, 3D 프린팅 기술을 아우르는 최신 트렌드를 짚었다. ■ 정수진 편집장     인공지능(AI)의 고도화는 기업 조직을 ‘AI 네이티브’로 재편하고 있으며, 실무 밀착형 도구와 AI CAD 기술의 결합을 통해 설계 생산성을 높이고 있다. 캐드앤그래픽스 최경화 국장은 개회사에서 현실 세계를 인식하고 물리적 환경과 상호작용하는 피지컬 AI와 주도적으로 업무를 해결하는 AI 에이전트가 결합해, 산업 전반의 자율적 혁신을 이끄는 새로운 시대가 열리고 있다고 짚었다. 올해 코리아 그래픽스 행사를 관통하는 중심축으로 ‘AX 디자인과 인간 맥락의 결합’ 및 ‘피지컬 AI와 자율형 에이전트가 주도하는 현장 혁신’을 짚은 최경화 국장은 “도구가 아무리 진화하더라도 결국 경쟁력의 본질은 기계적 프롬프트가 아니라 건축가와 디자이너가 평생에 걸쳐 쌓아온 고유의 콘텍스트”라고 강조하면서, “이번 코리아 그래픽스가 비즈니스와 창의적 연구의 새로운 지평을 여는 출발점이 되기를 기대한다”고 전했다.   시스템 설계자로 진화하는 AX 디자이너 서울미디어대학원대학교의 유훈식 교수는 ‘크리에이티브 시스템 디자인 : AGI 시대를 준비하는 AX 디자이너’를 주제로 기조연설을 진행했다. 디자인 패러다임은 인공지능 시대를 맞아 근본적인 전환을 맞고 있다. 이에 따라 전통적인 사용자 경험(UX) 중심 시대를 지나, 이제는 기업 시스템 전체를 인공지능 중심으로 재편하는 AI 네이티브 조직으로 탈바꿈해야 한다는 것이 유훈식 교수의 진단이다. 유훈식 교수는 “에이전트 직원들이 실무를 잘 담당할 수 있는 환경을 만들어 주는 것이 중요하다”고 강조하면서, 단순 도구 활용을 넘어 자율형 에이전트와 협업하는 시스템 구축을 핵심 과제로 제시했다. 이를 실현하기 위해서는 마크다운 표준을 기반으로 사내 지식을 체계화하는 ‘LLM 위키’ 구축이 필수로 꼽힌다. 데이터를 폴더가 아닌 연결 중심의 로컬 자산으로 관리할 때, 자율형 에이전트가 높은 디자인 생산성과 고품질 산출물을 완성하는 에이전트 OS 환경이 열린다는 것이다. 유훈식 교수는 “결국 미래의 디자이너는 직접 요소를 그리는 수준을 넘어, 에이전트가 최적의 창의성을 발휘하도록 시스템을 설계하는 ‘AX(인공지능 전환) 디자이너’로 진화해야 한다”고 짚었다.   ▲ 서울미디어대학원대학교 유훈식 교수   실시간 시각화와 3D 공간 추론으로 엔지니어링 혁신 카오스코리아의 신동근 팀장은 ‘건축 및 인테리어 디자이너를 위한 가장 현실적인 AI 가이드 Chaos Veras’에 대해 소개했다. 건축 및 인테리어 시각화 분야에 특화된 차세대 AI 설루션 베라스(Veras)는 2D 스케치나 3D 모델을 실시간으로 사실적인 렌더링 이미지로 전환하며, 다양한 디자인 콘셉트와 자재 특성을 신속하게 탐색하도록 지원한다. 특히 카메라 구도가 변경되어도 공간 구성 요소를 고정하는 ‘디자인 락’과 원하는 부위만 초고속으로 수정하는 ‘스마트 셀렉션’이 핵심 기능이다. 신동근 팀장은 “AI 이미지가 단순히 픽셀 덩어리로 끝나지 않고 CAD 툴의 3D 자산으로 다시 기록되는 양방향 워크플로를 완성하는 것이 중요하다”고 강조했다. 또한 “아이디어 구상부터 실시간 렌더링, 애니메이션 비디오 생성까지 하나로 연결되는 베라스는 크리에이터의 업무 생산성을 획기적으로 높이는 실무 가이드가 될 수 있다”고 전했다.   ▲ 카오스코리아 신동근 팀장   에스엘즈의 정재헌 대표는 ‘3D 공간 추론 AI 에이전트와 자율 라우팅 벤치마크 공개’를 주제로 발표했다. 숙련 엔지니어 부족으로 인한 설계 병목이 산업계의 당면 과제로 꼽힌다. 이에 대응하고자 에스엘즈는 EDA(전자 설계 자동화) 분야의 설계 원리를 건축 및 플랜트 설비 배관(MEP) 설계에 접목한 머신러닝 학습 모델을 구축했다. 이를 통해 다양한 저작 소프트웨어 간에 형상과 속성 정보의 손실 없이 고속 데이터 전환을 지원하고, 3차원 공간 속 가치를 점수화해서 장애물을 회피하는 최적 배관 경로를 실시간 생성할 수 있게 됐다. 정재헌 대표는 “현장 실증 결과, 숙련 엔지니어 두 명이 석 달 넘게 소요하던 설계를 단 이틀 만에 마칠 수 있었다”면서, “낮에는 에이전트와 일하고 사람이 퇴근하면 에이전트끼리 자율적으로 일을 해서 디지털 트윈 데이터가 실시 설계 수준까지 완결되는 ‘다크 오피스 체계’를 구상하고 있다”고 소개했다.   ▲ 에스엘즈 정재헌 대표   제조 현장 자율화를 이끄는 AI·3D 플랫폼 유비씨 AI센터의 정현석 이사는 ‘다크 팩토리가 그리는 미래의 전제, 온톨로지 기반 디지털 트윈과 에이전트 오케스트레이션’을 주제로, 완전 자율 제조의 실현 방안을 소개했다. 완전 자율 생산을 뜻하는 ‘다크 팩토리’를 완성하려면 AI가 현실 환경을 인식하고 행동하는 에이전틱 AI와 피지컬 AI로 진화해야 한다. 이를 훈련시킬 가상 세계는 단순한 시각 충실도를 넘어 물리적 법칙과 의미 관계를 반영하는 시뮬레이션 충실도를 확보해야 한다. 특히 AI가 데이터의 맥락을 이해하도록 지식 구조화 기술인 온톨로지(ontology)를 적용하는 것이 중점으로 꼽힌다. 정현석 이사는 “제조 AI의 출발점은 자율적인 지능이 아니라 믿을 수 있는 제어”라면서, “이를 위해 정해진 워크플로 안에서 AI 모델을 정교하게 제어하고 통제하는 ‘에이전트 오케스트레이션’ 체계를 구축해야 한다”는 해법을 제시했다.   ▲ 유비씨 AI센터 정현석 이사   나니아랩스의 서민식 CTO는 ‘생성형 AI를 넘어 에이전틱 AI로 : 제조업 설계 프로세스의 다음 단계’ 발표를 통해, 제조업 설계가 최적 설계와 생성형 설계를 거쳐 자율 설계 시대로 진화하고 있다고 전했다. 또한, 엔진 성능 예측부터 자동차 이너 패널, 사출 성형 결함 예측 등 다양한 현장 사례를 거치며 발견한 진짜 병목은 단순한 소프트웨어 부재가 아니라 복잡한 공학 문제를 다루는 숙련된 문제 해결 역량에 있다고 짚었다. 서민식 CTO는 “문제 해결 역량을 에이전트로 옮기는 것이 설계 AI의 나아갈 방향”이라고 강조했다. 나니아랩스는 제조업 특화 AI 플랫폼 아슬란X(AslanX)에 MCP를 연결하고 독자적인 지식베이스를 결합해, 모호한 요구 사항을 명확한 스펙으로 변환하고 자율적으로 최적의 AI 설루션을 탐색·구축하는 에이전트 생태계를 제시하고 있다.   ▲ 나니아랩스 서민식 CTO   에픽게임즈코리아의 진득호 차장은 ‘언리얼 엔진 MCP 워크플로와 제조업 맞춤형 소프트웨어 개발’에 대해 발표했다. 리얼타임 3D 엔진이 제조 현장의 핵심 플랫폼으로 진화하는 흐름을 짚은 진득호 차장은 언리얼 엔진 5.8 버전에 대해 “소스 코드의 개방성을 바탕으로 로봇 학습, 철도 및 항공 시뮬레이션, 스마트 공장 관제 등 다채로운 맞춤형 설루션 구축을 지원한다”고 소개했다. 진득호 차장은 “리얼타임 3D 엔진 간의 격차는 소스 코드 개방 여부에서 크게 갈릴 것”이라고 짚었다. 언리얼 엔진의 경우 LLM을 엔진과 결합하는 MCP 워크플로를 공식 통합해서, 자연어 명령만으로 절차적 생성(PCG)이나 라이팅, 블루프린트 작업을 실시간 제어하도록 구현했다. “이는 비개발자 실무자도 복잡한 3D 공간을 손쉽게 구축하며 업무 생산성을 높이는 혁신적 전환점”이라는 것이 진득호 차장의 설명이다.   ▲ 에픽게임즈코리아 진득호 차장   스트라타시스의 최장윤 부장은 ‘피지컬 AI 시대의 제조 혁신 - AI 에이전트와 적층제조가 만드는 미래 생산 패러다임’을 소개했다. 3D 프린팅이 단순 시제품 제작을 넘어 부품을 양산하는 제조 영역으로 진화하고 있다고 전한 최장윤 부장은 “3D 프린팅의 패러다임이 단순 시제품 제작을 넘어서 실제 부품과 도구를 생산하는 제조 영역으로 급격히 전환되고 있다”고 밝혔다. 스트라타시스는 AI 기반 설계 자동화 툴인 픽스처메이트(fixturemate)와 FDM 시뮬레이션 설루션 노비패스(NoviPath)를 통해 고정구 설계 시간을 90%, 부품 무게를 35% 줄인 사례를 소개했다. 최장윤 부장은 “스트라타시스는 FDM, 폴리젯 등 핵심 기술을 바탕으로 현장에서 즉시 출력하는 온디맨드 생산 방식을 구축하며 스마트 공장 혁신을 이끌어간다”고 말했다.   ▲ 스트라타시스 최장윤 부장   도면 지능화와 콘텍스트 기반의 설계 혁신 위즈코어의 한명기 AI 연구소장은 ‘설계 생산성 혁신, AI-CAD 기술의 발전과 적용 사례’ 발표를 통해 전통적인 CAD 작업의 비효율을 해소할 대안을 제시했다. 한명기 소장은 “설계 엔지니어가 전체 업무 시간의 절반 이상을 단순 정보 검색과 가공에 소모하는 노동집중적 구조를 개선해야 한다”고 강조했다. 그리고 이를 위해 이미지 인지 기술과 LLM을 결합한 위즈코어의 차세대 AI-CAD 설루션을 선보였다. 이 설루션은 도면에서 지능적으로 개체와 스펙을 추출해 적산과 자재목록을 자동 생성하는 기술, 실시간 대화로 명령을 안내하는 디자인 어시스턴트, 그리고 스키마 기반 추론으로 도면 제작을 주도하는 디자인 에이전트가 핵심 축이다. 한명기 소장은 이런 기술이 반복되는 수작업을 줄여 설계 생산성의 도약을 이끌 수 있다고 전했다.   ▲ 위즈코어 AI 연구소 한명기 소장   디에이건축의 송수헌 선임은 ‘건축 설계와 생성형 AI를 연결하는 법 - AIRender : 프롬프트에서 콘텍스트로’라는 주제로 발표를 진행했다. 송수헌 선임은 생성형 AI를 건축 실무에 이식하기 위한 핵심 조건으로 ‘콘텍스트(맥락)’를 꼽았다. 단순한 프롬프트 조합만으로는 사내 조직 고유의 암묵지와 법규, 설계 기준을 담아내기 어렵기 때문이다. 송수헌 선임은 “도구가 진화할수록 차이를 만드는 것은 프롬프트가 아니라 건축가가 쌓아온 콘텍스트”라면서, “AI 시대 건축가의 본질적인 경쟁력은 단순 생성을 넘어 지속적인 선택과 판단으로 자신만의 맥락을 쌓아가는 데에 있다고 강조했다. 또한, AI에게 사내 지침과 검토서를 학습시켜 특화 에이전트를 구축하고, 연속적인 대화와 탐색으로 설계 서사를 완성하는 방안을 제시했다.   ▲ 디에이건축 송수헌 선임     ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2026-10-07
[포커스] 케이던스, 물리 시뮬레이션-AI 결합한 엔지니어링 비전 제시
케이던스 디자인 시스템즈가 지난 9월 4일 ‘케이던스 커넥트 : SDA 유저 콘퍼런스 코리아 2026’을 진행했다. 케이던스는 MSC 소프트웨어, 베타 CAE, 피델리티 등을 통합해 칩 설계부터 반도체 패키징, 완성차 및 항공 우주 시스템을 아우르는 ’시스템 설계 및 분석(SDA)’ 포트폴리오를 강화하고 있다. 복잡한 물리 현상을 가상 환경에서 완벽히 구현해 제품 개발의 불확실성을 제거하고 품질 신뢰도를 높이는 것이 케이던스가 제시한 비전이다. ■ 정수진 편집장     반도체부터 다중물리까지, 통합 설계·해석 포트폴리오 구축 케이던스의 SDA(System Design & Analysis) 부문은 온칩 (on-chip) 반도체 중심이었던 전통적 EDA 영역을 오프칩(off-chip), PCB, 모듈, 기계 및 물리 시스템 전반으로 확장하는 핵심 사업부 중 하나이다. 케이던스는 신호 무결성 분석의 시그리티 (Sigrity)를 시작으로 데이터센터 디지털 트윈 기술을 가진 퓨처 퍼실리티(Future Facilities), 유체 해석 플랫폼 피델리티 (Fidelity)와 찰스(Charles), 전/후처리 플랫폼 기업인 베타 CAE 시스템(BETA CAE Systems) 등을 차례로 인수했다. 그리고 2026년 2월에는 MSC 소프트웨어를 중심으로 하는 헥사곤의 설계 및 엔지니어링(D&E) 사업부 인수를 완료하고, 이들 기술을 SDA 사업부에 통합했다. 이를 통해 전자기부터 구조, 유체, 열에 이르는 다중물리(멀티피직스) 시뮬레이션 포트폴리오를 구성했다. 케이던스 SDA 포트폴리오의 대표 설루션은 각 분야의 핵심 난제를 해결한다. 3D 전자기장 해석 설루션인 클래리티(Clarity)는 대규모 디자인에서도 연산이 중단되지 않는 안정성과 빠른 해석 속도를 보여준다. 열 해석 및 패키징 휨 현상을 분석하는 셀시우스(Celsius)와 신호·전력 무결성을 검증하는 시그리티(Sigrity)는 전자 시스템 설계의 안정성을 지원한다. PCB 및 패키징 설계 설루션인 알레그로 X(Allegro X)는 인공지능 기술을 접목해 부품 배치와 라우팅을 자동화함으로써 생산성을 높인다. 해석 인프라와 플랫폼 부문에서는 ANSA와 META가 다양한 타사 솔버와 CAD 데이터를 아우르는 통합 전/후처리 환경을 제공한다. 엔비디아와 협력하여 개발한 GPU 가속 시스템 밀레니엄(Millennium)은 유체 및 다중물리 해석 속도를 끌어올리며, 리얼리티 DC(Reality DC)는 데이터센터의 에너지 및 온도 관리를 효 율화하는 디지털 트윈 환경을 구축한다.   데이터 연결과 가상 시험으로 엔지니어링 불확실성 해소 케이던스는 시스템 설계 및 해석 영역의 시장 규모를 약 220억 달러로 보고 있으며, 전자와 물리의 경계를 허무는 디지털 엔지니어링 생태계를 구축하고 있다. 케이던스의 도지훈 상무는 “끊어져 있던 데이터 흐름과 분석 도구를 하나로 연결하여 완성도 높은 통합 플로 설루션을 제공하겠다”고 밝혔다. 자동차, 항공우주, 로봇 등 현대 산업 제품들이 전자, 기계, 유체, 열, AI가 복잡하게 결합된 형태로 발전함에 따라, 개별 부품 해석을 넘어 전체 시스템을 아우르는 통합 시뮬레이션 생태계를 구축하는 것이 케이던스의 목표다. 나아가 디지털 공간에서 제품 특성을 완벽히 검증하는 가상 시험 환경을 구축함으로써 제조업과 미래 기술의 디지털 엔지니어링 혁신을 이끌고자 한다. 케이던스의 SDA 부문을 이끄는 성브라이언 세일즈 그룹 디렉터는 “복잡해진 시스템 환경에서 시뮬레이션의 역할은 단순한 결과 예측을 넘어 불확실성을 줄이고 엔지니어가 더 나은 결정을 내릴 수 있도록 확신을 제공해야 한다”라고 강조했다. 카일라삼 부사장 역시 “물리 기반 AI와 GPU 가속, 에이전틱 AI 기술을 다중물리 해석에 결합하여 엔지니어가 더 빠르고 똑똑하게 최적의 시스템을 구현하도록 돕겠다”고 밝혔다.     인공지능으로 구현하는 차세대 지능형 엔지니어링 제조업과 엔지니어링 환경이 단일 부품의 설계를 넘어 전자, 기계, 유체, 열 등이 복잡하게 얽힌 시스템으로 진화하고 있다. 이렇게 고도화된 제조 환경에서 AI는 단순한 작업 자동화나 결과 예측 도구를 넘어선다. 성브라이언 디렉터는 “AI 기반 시뮬레이션의 궁극적인 목적은 불확실성을 줄이고 품질의 신뢰도를 높이며 더 나은 엔지니어의 의사결정을 가능하게 하는 데 있다”고 설명했다. 케이던스가 제시하는 피지컬 AI(physical AI) 전략은 시뮬레이션을 통해 확보한 가상의 지능을 자율주행차, 산업용 로봇, 휴머노이드 등 현실 세계의 물리적 기기에 직접 이식하는 것이다. 케이던스는 다물체 동역학 해석 도구인 아담스(Adams)나 자율주행 시뮬레이션 플랫폼 VTDx를 활용해 기계 메커니즘의 설계뿐 아니라 로봇을 가상 환경에서 직접 훈련하고 실전에 배치하는 단계까지 확장한다. 엔비디아와 협력과 고성능 계산 인프라를 바탕으로 대규모 시뮬레이션 데이터를 공급함으로써, 로봇이 눈길이나 빙판길같은 극한 조건에서도 스스로 감지하고 판단할 수 있는 에지 지능(edge intelligence)을 완성하도록 돕는다. 에이전틱 AI(agentic AI) 영역에서 케이던스는 단순 대화형 코파일럿을 넘어 자율적으로 복잡한 해석 업무를 수행하는 에이전트 스택(agent stack) 전략을 추진한다. 반도체 설계를 지원하는 칩 스택(ChipStack)에 이어, 다중물리 해석 제품군을 하나로 묶어 자동화된 워크플로를 수행하는 시스템스택(SystemStack)을 개발 중이다. 특히 제다이(JedAI)라는 인프라 레이어를 매개로 엔터프라이즈 고객이 선호하는 대규모 언어 모델(LLM)을 자유롭게 선택하도록 지원하며, 보안 구역 안에서 자체 데이터를 안전하게 운용하도록 조율한다.     ■ 기사 내용은 PDF로도 제공됩니다.
작성일 : 2026-10-07