도구의 시대를 지나 운영 모델의 시대로   디지털과 현실을 잇고 아이디어를 실제 가치로 구현하는 방식, 오토데스크가 말하는 ‘디자인 & 메이크(Design & Make)’다. 7월 15일에 열린 ‘오토데스크 디자인 & 메이크 서밋 코리아 2026’은 그 진화를 이끄는 세 개의 키워드(데이터, AI, 컨버전스) 를 축으로 구성되었다. 기조연설로 문을 열고, 세 곳의 고객 성공 사례가 이어졌으며, 오토데스크 코리아의 AI 세션으로 마무리되는 하루였다. 필자가 이날 현장에서 받은 인상을 한 문장으로 요약하면 이렇다. “지난해가 ‘어떤 도구를 써야 하나’로 우왕좌왕하던 시기였다면, 올해의 화두는 ‘어떤 데이터를 어떤 거버넌스로 다룰 것인가’로 옮겨 갔다.” 마지막 세션에서 오토데스크코리아의 정태승 박사가 던진 이 진단은 사실 그날 발표자 대부분이 서로 다른 언어로 반복한 말이기도 했다. 도구(BIM)는 이미 전제가 되었고, 승부처는 그 위에 쌓이는 데이터와 그것을 운영하는 방식으로 넘어가고 있었다.   ▲ 오토데스크 디자인 & 메이크 서밋 코리아 2026 현장   기조연설 — 새로운 청사진, 그리고 모두를 위한 디자인 이번 행사의 기조연설은 오토데스크의 켄 푸(Ken Foo) 전략 파트너십 부사장이 맡았다. ‘The New Blueprint : Data, AI, and Convergence’라는 제목처럼, 데이터·AI·산업 융합이 기업의 운영 방식을 어떻게 재편하는지를 조망했다. 프로젝트는 갈 수록 복잡해지고 수익성 압박은 커지는데, 연결된 데이터와 플랫폼, 그리고 워크플로에 내장된 AI가 의사결정과 리스크 관리, 업무의 예측 가능성, 효율과 품질, 나아가 혁신을 어떻게 끌어올릴 수 있는지가 핵심 메시지였다. 고객 기조연설은 현대자동차 제네시스의 송지현 실장과 이준호 책임연구원이 ‘Nanomobility – Design for All’을 주제로 진행했다. 이동약자와 도시의 이동 문제에서 출발한 나노 모빌리티가 포용적 디자인과 제품 혁신으로 발전하고, 오토데스크 설루션 기반의 워크플로를 통해 더 가볍고 강하며 제조 가능한 구조로 구현된 과정을 소개했다. 현대자동차 제네시스의 나노 모빌리티 사례는 ‘디자인’ 과 ‘메이크’가 하나의 흐름으로 이어지는 구체적인 예시였다.   고객 성공 사례 세 편 — 다른 출발점, 같은 결론 GS건설, 간삼건축, 삼우종합건축사사무소가 연달아 무대에 올라 각자의 현실적인 고민과 시도를 공유했다.   GS건설 — CDE로 ‘흩어진 정보’를 연결하다 GS건설 디지털건설팀의 조재영 팀장은 아주 현실적인 질문으로 발표를 열었다. ‘현장에서 최신 정보를 확인하려면 몇 개의 시스템을 뒤져야 할까?’ 도면은 도면 시스템에, BIM은 별도 서버나 담당자 PC에, 이슈는 메신저와 메일에, 검측 서류는 개인 PC와 휴대전화에 흩어져 있다. 정보가 없는 게 아니라, 서로 연결되어 있지 않다는 것이 문제다. 그 결과 무엇이 최종본이고 기준인지 확인하는 데만 많은 시간이 든다. 그 해법으로 제시된 것이 CDE(Common Data Environment, 공통 데이터 환경)다. 조 팀장은 CDE가 원드라이브 같은 단순 저장소가 아니라는 점을 강조했다. 최신 도면과 BIM, 시방, 이슈, 검측 사진 같은 ‘승인 정보’를 하나의 업무 흐름으로 연결하는 프로젝트 협업 공간이라는 것이다. 모든 참여자가 같은 승인 정보를 기준으로 일하고, 변경·검토·조치 과정이 기록되므로, 문제가 생겼을 때 누가 언제 어떤 정보를 기준으로 판단했는지 추적할 수 있다. 글로벌 건설사의 정보 관리는 파일 저장에서 출발해 사내 서버·EDMS를 거쳐, 영국발 정보 관리 기준(ISO 19650)이 확산되면서 상용 협업 플랫폼으로, 다시 클라우드·모바일 환경으로 발전해 왔다. 지금은 CDE를 PMS·ERP·데이터 레이크·AI와 연결해 전사 데이터 기반으로 확장하는 단계라는 설명이다. 특히 인상적이었던 것은 CDE와 ‘AI 도면 시스템’의 역할을 분명히 구분한 대목이었다. CDE가 답해야 할 질문은 “어떤 도면이 최신 승인본인가”(버전·승인 권한·배포·감사 이력)이고, AI 도면 시스템의 질문은 “이 도면에서 무엇을 찾고 분석할 수 있는가”(검색·비교·요약·오류 후보 탐지)다. 만약 AI 시스템이 승인·배포·버전 관리까지 떠안으면 사실상 또 하나의 CDE를 자체 개발·운영하는 부담을 지게 된다. 공식 기준 정보는 CDE가 관리하고, AI는 그 위에서 검토하는 구조가 바람직하다는 것이다. CDE 선택 기준으로는 여덟 가지 항목이 제시되었다. ISO 19650 기반 정보 관리 적합성 : 작성 중/공유/승인/보관 등 정보 상태 구분, 명명 규칙·고유 ID·메타데이터, 버전·워크플로·감사 추적·아카이브 도면 관리 : DWG·DGN·PDF 등 원본 형식과 외부 참조(Xref) 지원, 시트 단위 관리, OCR 속성 추출, 개정 전후 비교·마크업 BIM 지원 : 레빗(Revit)·나비스웍스(Navisworks)·IFC 등 주요 모델 조회, 건축·구조·설비 통합 검토, 간섭·설계 변경을 이슈로 전환 모바일 사용성 : 지하층·통신 음영 구간에서도 도면 확인, 이슈·체크리스트·사진을 도면 위치에 바로 연결 권한·보안 : 역할·폴더·문서 상태별 권한 구분, 인증·저장 위치·활동 로그 API·데이터 연계성 : PMS·공정·ERP·자재·원가·드론·레이저 스캔 연결, 데이터 레이크·AI 분석 활용 도입·표준화 용이성 : 표준 폴더·권한·워크플로 템플릿화, 한국어 지원, 국내 기술 지원, 확산성 비용·벤더 리스크 : 초기 구축비 외 라이선스·스토리지·교육·운영을 포함한 장기 총비용, 종료 시 데이터 반출과 종속성 조 팀장은 이 여덟 가지를 결국 세 개의 질문으로 압축했다. 공식 기준 정보를 제대로 관리할 수 있는가, 현장에서 실제로 쓸 수 있는가, 회사 시스템과 연계해 장기적으로 운영할 수 있는가. 이 조건을 폭넓게 충족하는 설루션은 많지 않은데, 오토데스크 포마(Forma)가 그 몇 안 되는 선택지에 든다는 것이 결론이었다. BIM 360과 컨스트럭션 클라우드(Construction Cloud, ACC)를 거쳐 지금은 포마를 중심으로 계획·설계·시공 데이터를 잇는 방향으로 발전하고 있고, 그 중심에 도면·문서·모델을 다루는 데이터 매니지먼트가 있으며 그 위에 Collaborate·Build·Takeoff와 초기 계획 기능이 얹힌다. 실제 적용 사례도 구체적이었다. 통도면을 시트 단위로 전환하면 변경된 도면만 새 버전으로 등록되고 개정 전후 비교가 가능해진다. 부담이 되던 통도면 분할은 GS건설이 AI OCR로 도면번호· 도면명을 인식해 자동 분할하는 웹 도구를 자체 개발해 써 왔는데, 최근에는 포마의 페이지·속성 추출 기능으로도 처리할 수 있게 되었다. 다만 잘못 인식된 정보가 그대로 기준이 되지 않도록 최종 검수는 반드시 필요하다는 단서를 달았다. 이 밖에 웹·태블릿에서의 BIM 접근, 도면·모델의 정확한 위치에 이슈를 등록하고 담당자·기한·상태를 지정하는 기능, 그리고 검측 서류의 준비·출력·제출 과정을 통째로 없앤 모바일 검측 사례가 소개되었다. 철근 검측 자동화(도면 속 부재명을 AI가 인식해 구조 일람과 연결)는 아직 개발 중이라고 밝혔다. 마지막으로 포마와 MCP(모델 콘텍스트 프로토콜)를 연결한 확장 실험을 공유했다. CDE의 도면·BIM·공정표·현장 데이터를 API로 LLM(대규모 언어 모델)에 연결해, 자연어로 특정 층 물량을 조회해 보고서로 받거나, 공정표 기반 CP(주공정) 분석, 구조 부재 Takeoff의 엑셀 내보내기, BIM 모델 기반 작업 위험 검토를 시험해 본 결과다. 최근 한글 지원이 개선되었고, 국가건설공사 표준시방·LH·도로·철도 등 국내 기준이 반영되면 활용도가 더 높아질 것이라는 기대도 덧붙였다. 조 팀장의 결론은 명료했다. “CDE는 하나의 시스템을 도입하는 것이 아니라, 프로젝트 구성원이 같은 정보를 기준으로 일하게 만드는 변화다.”   ▲ GS건설 조재영 팀장의 CDE·포마 적용 발표   ▲ GS건설 발표 인포그래픽(필자 생성 by Gemini)   간삼건축 — 데이터 자산화가 가져올 미래 간삼건축 이혁 INNOVATION 부문 대표의 발표는 세 사례 중 가장 서사적이고 성찰적이었다. 2008년 간삼건축에 합류해 십 수 년간 프로세스 효율화와 인적 자산 관리를 고민해 온 그는, “여전히 진행 중이고 실험적인 이야기”라며 담담하게 자사의 시행착오를 풀어놓았다. 출발은 2023년의 한 경험이었다. 연말에 급하게 작은 오피스를 호텔로 리모델링하는 기획설계를 맡게 되었는데, 유튜브에서 본 3D 모델링 기반 AI 렌더링을 처음 시도했다. 금요일 오전 세 시간 모델링, 오후엔 BIM 팀원과 함께 손을 보고, 두 시간 만에 50여 장의 이미지를 얻었다. 주말을 거쳐 결국 둘이서 14시간 만에 보고서를 완성했다. 그가 놀란 것은 이미지 품질이 아니라, ‘AI를 쓰면 우리 프로세스를 이렇게 압축할 수 있구나’라는 사실이었다. CAD와 스케치업이 각각 도면과 모델만 다루는 ‘반쪽짜리’라면, 라이노(Rhino)와 레빗으로 옮겨 모델링이 도면으로 직접 이어지고 AI로 이미지를 얻는 세상이 가능하다는 것. 그래서 그는 “AI를 잘 쓰려면 툴 자체가 바뀌어야 한다”고 말하며, “세상은 데이터로 넘어가고 있었다”고 덧붙였다. 간삼은 지난 5년간 여러 조치를 빠르게 진행했다. BIM 교육 동영상 배포, 전사 BIM 능력시험, CAD 허가제, 템플릿 개정, 파라메트릭 팀 신설, 연 10여 회의 AI 세미나. 그러나 그는 생텍쥐페리의 어린 왕자를 빌려 조직의 저항을 유쾌하게 꼬집었다. 어린 왕자가 지구에 오기까지 거친 여섯 별의 어른들이 회사에 다 있다는 것이다. 정작 본인은 하지 않으면서 아랫사람에게만 BIM을 시키는 사람, 끊임없이 허점만 지적하는 사람, “난 CAD가 BIM보다 빠르다”고 버티는 시니어 — 자전거를 빨리 타서 자동차를 이기겠다는 이들 — 와 매일 씨름한다고 했다. 그럼에도 ‘바오밥 나무를 뽑겠다’는 일념으로 만든 것이 ‘팀31’ 이다. 기존 BIM 매니저 팀에 건축 설계 시니어를 붙인 조직으로, 목표는 SD(계획설계) 종료 시점에 실시설계 도서 총량의 30%를 확보하는 것. 도면 총량 30%에 도면당 완성률 60%를 곱하면 18이라 원래 이름은 ‘T18’이었는데, 직관적인 ‘팀31’로 바꿨다는 뒷 이야기가 웃음을 자아냈다. 설계팀 한 명과 팀31 두 명을 짝지어 올해 이미 12개 프로젝트에서 SD 종료 시 40~45%까지 도면을 만들어 내고 있고, 회사 기준으로 전체 설계 효율을 약 6% 올릴 것으로 기대한다고 했다. 자산화 도구도 촘촘했다. 클라우드 협업 보드 미로(Miro)에 계약·목표와 SD 30% 분량의 도면 150여 장을 올려 피드백을 공유하고, 포마에는 간삼의 매스 자산을 허브에 DB처럼 올려 쓰며(파트너사 상상진화의 Forma Box로 초기 계획을 압축), 환경 분석은 라이노의 그래스호퍼(Grasshopper)보다 간편하다고 평가했다. 이미 2차 교육을 마쳤고 8월 중순 3차 교육 후 전면 적용할 계획이다. 오토데스크의 콘텐트 카탈로그(Content Catalog)로는 엘리베이터의 모든 사양에 이름을 붙여 클라우드에 올려 파라미터 조정 없이 선택·삽입하게 했고, 한 걸음 더 나아가 방풍실·병실·계단실·화장실 등 패밀리 조합을 블록으로 저장했다. 여기에 자체 개발한 디테일 DB는 1/50·1/60 도면을 함께 연동하고, 그 디테일을 언제 써야 하는지·주의점은 무엇인지에 대한 경험자의 설명과 별점·좋아요까지 붙였다. 이 대표는 아키텍트 펌의 기술을 ‘감자 이야기’에 비유했다. 1500년대 유럽에 감자가 퍼졌지만 사람들은 ‘악마의 식물’이라며 먹지 않았고, 1700년대 대기근 때에도 감자를 두고 굶어 죽었다. 1800년대 보급 이후 인구가 폭발했지만, 작황 좋은 한 품종만 심은 탓에 감자 마름병(역병)이 창궐하자 아일랜드에서만 150만이 아사했다. ‘안 먹어서 죽고, 그것만 먹어서 죽는다’는 이 우화를, 이 대표는 AI에 그대로 겹쳤다. 쓰지 않으면 뒤처지고, 특정 방식만 맹신하면 위험하다는 것. 실제로 지금 설계실을 들여다보면 절반은 PPT를, 절반은 AI를 쓰고 있는데, 도면 없이 화려한 겉모습만 남는 상태를 그는 오히려 경계했다. 지식 자산화의 진짜 벽은 기술이 아니라 사람과 세대였다. ‘내 자산인데 왜 회사에 내놔야 하느냐’는 물음은, 이 대표가 보기엔 도제식 문화의 방어 심리로서 나름 합리적이다. 아키텍트 펌은 사람을 자산처럼 다뤄 왔지만, 그 자산은 회계장부에 잡히지 않고 복제·확장·승계도 안 되며 사람이 떠나면 함께 사라진다. 동료의 피드백을 거치지 않은 개인 자산은 품질도 낮다. 결과의 공정성보다 과정의 공정성을 중시하는 MZ 세대는 회사의 지시를 맹목적으로 따르지 않는다. 그래서 그가 내린 결론은, 개인의 가치를 ‘추출’해 회사 가치로 만드는 구조에서 벗어나, 개인이 자신의 가치를 내어놓고 서로 교환하며 성장하는 ‘마당(커뮤니티)’을 만드는 것이다. 성과에는 ‘OO의 리포트’, ‘OO의 LISP’, ‘OO의 AI 디자인’처럼 이름을 붙여 인정한다. TFT로 만든 ‘모두가 만드는 플랫폼’은 이미 베타를 열었고 9월 초 정식 오픈을 앞두고 있다. 특히 간삼건축 이혁 부문 대표의 마지막 말은 이날 여러 발표가 향하고 있던 방향을 가장 명확하게 요약했다. “BIM을 시작으로 AI와 클라우드까지, 단순히 도구를 바꾸는 것만으로는 혁신이 안 되겠다는 생각이 들기 시작했다.”   ▲ 간삼건축 이혁 부문 대표의 ‘데이터 자산화’ 발표   ▲ 간삼건축 발표 인포그래픽(필자 생성 by Gemini)   삼우건축 — DX부터 AX까지 삼우건축 AX팀의 윤종근 프로는 삼우가 BIM 기반 설계 체계에서 출발해 DX(디지털 전환)를 거쳐 AX(AI 전환) 운영 모델로 이동한 여정을 단계별로 정리했다. 그는 이 여정을 새로운 기술의 도입이 아니라, “설계자가 문제를 더 빠르게 정의하고 AI·클라우드로 해결하며 그 결과를 조직의 자산으로 축적하는 새로운 업무 방식”으로 규정했다. 시작은 BIM이었다. 삼우는 2016년부터 전면 BIM을 수행하며 BIM을 조직의 ‘설계 기준’으로 만들었다. 전 직원 BIM 역량 평가, CAD 표준과 수행 경험·자동화 속성을 반영한 표준 템플릿, 반복 업무를 시스템화한 삼우 BIM 익스텐션, 2018년 건축·구조 표준 모델과 도면 기준, 2019년 설계 단계별 권장 모델이 그것이다. 핵심은 ‘BIM을 썼다’가 아니라, 설계 기준과 노하우·모델·도면 작성 방식을 디지털 자산으로 축적했다는 점이다. DX 단계의 목표는 본업 경쟁력 강화였다. AutoDrawings로 도면·시트 작성을, 창호·입면도 자동화로 뷰 생성·주석·시트 배치를 자동화했고, 구조 모델링과 일람표, 실내 마감표, 룸 데이터 시트(문서의 실 정보와 레빗 모델 정보를 연동)로 확장했다. 방식은 기술 부서가 현업의 문제를 수집·분석해 개발·배포·교육하고 현업이 적용하는 구조였다. 초기 성과는 분명했지만 한계도 뚜렷했다. 자동화 수요는 느는데 개발 인력은 제한적이고, 기능을 만들어도 실제 활용까지 이어지지 못했으며, 현업은 어떤 기능이 언제 있는지조차 알기 어려웠다. 질문은 ‘무엇을 더 자동화할 것인가’에서 ‘어떻게 더 잘 활용할 것인가’, 나아가 ‘누가 문제를 정의하고 해결에 참여할 것인가’로 바뀌었다. 이에 대한 두 갈래의 시도가 이어졌다. 하나는 사내 플랫폼 ‘DX 가이드맵’으로, 이미 만든 자동화 기능을 현업이 쉽게 찾아 적용하도록 연결했다. 이때 기술 부서의 역할이 ‘만드는 생산자’에서 ‘환경을 제공하는 프로바이더’로 분화된 것이 중요한 변화였다. 다른 하나는 2024년의 생성형 AI 공모전으로, 현업이 직접 문제를 정의하기 시작했다. 이미지 생성·데이터 분석·시각화 등 다양한 유스케이스가 나왔지만, 개인 역량에 의존한 방식은 회사 전체로 확산되기 어렵다는 한계도 함께 확인했다. 공모전에서 나온 아이디어가 기술 검증(PoC)과 사용성 개선을 거쳐 사내 이미지 생성 AI 서비스 ‘미지’로 발전한 것은, 문제 정의의 출발점이 기술 부서에서 현업으로 옮겨 간 상징적 사례였다. 전환점은 2025년의 APS 도면 자동화 프로젝트였다. 오토데스크 플랫폼 서비스(APS)와 포마를 기반으로 PDF 출도의 반복 업무를 자동화해, 대형 프로젝트에서 하루가 걸리던 작업을 30분으로 줄였다. 그러나 윤 프로가 강조한 진짜 의미는 결과가 아니라 ‘개발 방식’에 있었다. AI와 협업하면서 기술 학습·코드 작성·오류 개선의 속도가 달라졌고, AI가 단순 보조 도구가 아니라 개발 과정을 함께 푸는 파트너로 작동했다는 것이다. 그는 이 프로젝트를 “DX 방식으로 시작했지만 AX 방식으로 완성한 첫 프로젝트”이자 DX에서 AX로 넘어가는 터닝 포인트로 규정했다. 이 가능성을 공식 운영 모델로 구조화한 것이 삼우 AI 프레임워크, 이른바 ‘사이프(CYPHE)’다. 핵심은 AI 활용을 개인의 실험에 머무르게 하지 않는 것이다. 사이프는 세 관점으로 요약된다. 첫째, 고객과 회사의 정보를 안전하게 지키면서 AI를 강력하게 쓰는 표준 환경을 구축한다. 둘째, 특정 업무 목적에 맞는 AI 활용을 검증·지원하는 구조를 세운다. 셋째, 실제 업무 변화와 성과를 조직 차원에서 인정하고 확산한다. AI 활용의 기본값을 ‘보안 안에서의 활용’으로 바꾸고, 개인의 시도를 조직의 활용으로 전환하는 것이다. 여기에 유스케이스 등록과 인센티브·교육·멘토링으로 이어지는 성장 구조를 얹었다. 현업이 문제를 발굴하면 AX팀이 기술과 보안을 연결해 구체화하고, 현업의 오너십을 유지한 채 거버넌스와 파트너 리소스를 붙인다. 오토데스크 설루션과 연결성이 높은 케이스는 APS·포마 기반으로 더 확장된 업무 전환 모델로 발전시키며, 최근에는 오토데스크와 공동으로 AX 워크숍을 마쳤다고 밝혔다. 결론은 이랬다. “삼우의 AX는 AI 서비스를 도입한 결과가 아니라, 조직이 일하는 방식을 바꾸는 과정이다. BIM이 설계 데이터를 만들었고, 자동화가 프로세스를 바꿨으며, AI와 클라우드는 문제 해결의 주체와 방식을 확장하고 있다.”   ▲ 삼우건축 윤종근 프로의 ‘DX to AX’ 여정 발표   ▲ 삼우건축 발표 인포그래픽(필자 생성 by Gemini)   오토데스크 AI로 여는 업무 혁신 마무리 세션은 오토데스크코리아의 정태승 박사와 성진호 수석이 맡았다. 고객들이 저마다의 방식으로 AI를 쓰는 모습을 본 뒤, ‘그렇다면 오토데스크는 AI를 어떻게 생각하는가’를 짚는 자리였다.   AEC 관점 — 데이터 교환 모델과 포마, 그리고 어시스턴트의 현주소 정 박사는 오토데스크의 토대로 ‘데이터 교환(data exchange) 모델’을 먼저 꺼냈다. 한 프로젝트에서 수많은 소프트웨어가 쓰이지만 모든 데이터가 한곳에 모일 필요는 없고, 각 모델에서 필요한 부분만 상호 교환되도록 하는 것이 요체다. 이 기반 위에서 다양한 소프트웨어가 운영되는 베이스라인 플랫폼이 바로 포마이며, 이것이 오토데스크가 그리는 생태계라는 설명이다. 흥미로운 것은 ‘이미지에서 공간으로’라는 방향이었다. 같은 프롬프트로 이미지를 만드는 것을 넘어 3차원 ‘공간’을 생성하는 기술에 지속 투자하고 있으며, “공간이 다음 세대의 표준이 될 것”이라고 내다봤다. 현주소에 대해서는 솔직했다. 아직 목적 지향의 ‘에이전트’ 단계까지는 아니며, 현재는 ‘어시스턴트’ 수준이라는 것이다. 반복 작업 자동화, 정보 분석, 그리고 내가 잘 모르는 기능의 의사결정 지원이 지금의 몫이다. 제품별로는 사이트 디자인(Site Design)과 올해 출시하는 빌딩 디자인(Building Design)이 소개되었는데, 웹에서 여러 사람이 함께 작업하고 파사드뿐 아니라 개별 실 단위까지 적용하며 그 데이터가 레빗으로 바로 넘어가는 흐름이 강조되었다. AutoCAD에서는 "보여줘/찾아줘/표준을 검토해 줘" 같은 문구로 QA·QC와 도움말을 어시스턴트가 처리하고, 포마(구 ACC)에서는 RFI 등 정해진 정보를 '필터'처럼 자연어로 조회·검토할 수 있다. 특히 공식 레빗 MCP 서버(베타)를 클로드와 약 1분 만에 연결해, 레빗을 열어 두고 문(door)에 대한 대시보드·일람을 3분 남짓에 만들어 내는 시연이 눈길을 끌었다.   D&M 관점 — 퓨전과 클로드(MCP)로 ‘의도’를 전달하다 이어 성진호 수석은 제조(Design & Make) 영역을 맡아, 퓨전(Fusion)과 AI의 결합을 직접 테스트한 결과를 공유했다. 그는 “본사 발표 자료가 아니라 제가 직접 돌려 본 내용”이라고 전제했다. 퓨전의 오토데스크 어시스턴트(Autodesk Assistant)는 같은 모깎기(R) 형상을 한 번에 선택·편집하거나, 마이크로소프트와 협력한 이미지 렌더링, 오픈 API를 활용한 엔지니어링 앱 개발·배포를 지원한다. 제조 및 기계 설계 분야(DNN)를 담당한 성진호 수석의 오토데스크 퓨전 시연 역시 놀라웠다. 퓨전이 앤트로픽의 MCP 표준을 사용하기 때문에 클로드가 이질감 없이 붙어 명령 수행은 물론 결과를 스크린샷으로 분석하고 커뮤니케이션한다. 심플한 의자를 3D로 모델링하면 여섯 개의 골체가 배치되고 치수가 파라미터로 등록되며 BOM까지 자동 작성됐다. STL 메시를 솔리드로 변환하는 작업, 이미지를 주고 네 번의 피드백으로 원하는 형상을 얻는 과정도 시연됐다. 한 걸음 더 나아간 것은 ‘에이전트 협업’이었다. 에이전트 1이 제조를 전제로 한 지침(컨텍스트 약 100줄)을 만들고, 에이전트 2가 그에 맞춰 MCP 서버로 구현하는 방식이다. 이렇게 하면 펼쳐지는 구조의 의자가 제조 가능한 모델로 만들어지고, 관절이 연결된 로봇이 한 시간이 채 안 되어 생성되며, CNC 가공을 위한 툴패스도 만들어진다. 룰 베이스 CAM을 넘어, 가공되지 않는 영역을 피드백으로 알려 주면 공구 길이와 이송 속도를 스스로 조정하고 기가공 영역을 제외해 자동으로 연결하는 모습이 인상적이었다. 2D 도면을 3D로 변환하는 것은 아직 어렵지만, 규칙을 분석할 수 있는 도면이라면 구현이 가능하다고 했다. 성 수석의 결론은 한 문장으로 압축된다. “설계 개념이 ‘소프트웨어 조작’에서 '의도의 전달’로 넘어가고 있다.”   정리 — 데이터 자산화, 적합성 정의, 거버넌스 마지막으로 정 박사는 고객 사례와 겹치는 결론을 세 가지로 정리했다. 첫째, 데이터가 자산화되어야 한다. 둘째, 지금 하는 일이 그 모델로서 적합한가에 대한 정의가 필요하다. 셋째, 조직이 어떤 거버넌스로 이를 운영할 것인가가 정리되어야 한다. 그는 “AX는 결국 운영 모델을 설계하는 것”이라며, 무엇을 쓰고 어떻게 절차를 만들지, 그리고 “누군가는 책임을 져야 한다”는 점을 강조했다. 대부분의 문제가 책임을 지지 않으려는 데서 생긴다는 뼈 있는 말이었다.   ▲ 오토데스크코리아 정태승 박사의 오토데스크 AI 세션   ▲ 오토데스크 코리아 발표 인포그래픽(필자 생성 by Gemini)   필자의 시선 — 도구는 이미 전제, 승부는 데이터와 거버넌스 하루를 되짚어 보면, 네 개의 발표가 서로 다른 언어로 같은 말을 하고 있었다. GS건설은 ‘CDE와 역할 분리’로, 간삼건축은 ‘감자 우화와 지식 자산화’로, 삼우건축은 ‘사이프와 유스케이스 성장 구조’로, 그리고 오토데스크는 ‘데이터 교환 모델과 데이터·거버넌스’로. 표현은 달라도 지향점은 하나였다. BIM 같은 도구는 이미 전제가 되었고, 승부처는 그 위에 쌓이는 데이터를 어떻게 자산화하고, 개인의 AI 활용을 어떻게 조직의 자산으로 전환하느냐로 넘어가 있다는 것. 필자는 이 흐름이 개인 차원의 오래된 교훈과 맞닿아 있다고 본다. AI가 아무리 훌륭한 대안을 제시해도, 최종 판단은 도메인 지식을 가진 사람의 몫이다. 도구는 이미 민주화되었다. 이날 진행을 맡은 사회자가 훈민정음을 빗대어 “누구나 읽고 쓸 수 있다는 것은 지식의 민주화이고, 지금 AI가 바로 그렇다”고 한 것처럼, 이제 관건은 무엇을(도메인) 어떻게(프롬프트와 거버넌스) 시킬 것인가다. 개인 차원에서 ‘일머리’라 부르던 능력이, 조직 차원에서는 ‘데이터 자산화와 거버넌스’라는 이름으로 확장된 셈이다. 특히 “AX는 운영 모델을 설계하는 것”이고 “누군가는 책임을 져야 한다”는 말은, 화려한 AI 시연 사이에서 가장 오래 남는 문장이었다. 결국 도구를 바꾸는 것만으로 혁신은 오지 않는다. 어떤 데이터를 신뢰할 수 있는 기준으로 삼고, 누가 그것을 책임지며, 개인의 성과를 조직의 자산으로 어떻게 축적할 것인가 — 이 질문에 답하는 조직이 다음 단계로 나아갈 것이다.   ▲ 오토데스크 디자인&서밋 코리아 2026 핵심 메시지 인포그래픽(필자 생성 by Gemini)   맺음말 이번 서밋은 신기술의 전시가 아니라, 그 기술을 ‘어떻게 운영할 것인가’에 대한 고민의 공유장에 가까웠다. 지금 이 글을 읽고 있는 독자에게 묻고 싶다. 우리 조직은 어떤 데이터를, 어떤 거버넌스로 자산화하고 있는가. 그리고 각자의 자리에서 만들어 내는 AI 결과물은 개인의 실험으로 소모되고 있는가, 아니면 조직의 자산으로 쌓이고 있는가. 아직 답을 다 갖춘 조직은 없다. 모두 “늦은 감이 없지 않다”면서도 멈추지 않고 실험을 이어 가고 있었고, 오토데스크 역시 “내년에는 더 나아간 기술을 소개하겠다”고 약속했다. 내년 이맘때 이 자리에서 한 걸음 더 나아간 사례를 만나 보길 권한다. 도구를 넘어 운영 모델을 고민하기 시작한 조직에게, 올해의 서밋은 좋은 이정표가 되어 줄 것이다.   ■ 양승규 캐드앤그래픽스 전문 필진으로, MOT를 공부하며 엔지니어와 직장인으로 살아가는 방 법에 대해 탐구한다. 건축과 CAD를 좋아한다. (홈페이지)     ■ 기사 내용은 PDF로도 제공됩니다.

주요 스마트 건설 DX 솔루션 소개   플랜트 BIM 배관 ISO 도면 자동화의 새로운 기준, Ez-ISO V2 개발 : 휴엔시스템, www.huensystem.com 자료 제공 : 엠티엠디지털컨스트럭션, 02-565-0989, www.mtmdc.co.kr   플랜트 설계 프로젝트에서 Piping ISOmetric Drawing(ISO) 은 시공, 제작, 자재 관리 전 과정의 기준이 되는 핵심 도면이다. 그러나 Revit에서는 ISOmetric Drawing을 자동으로 추출할 수 있는 기능을 제공하고 있지 않아 EZ-ISO V2는 이러한 한계를 해결하기 위해 개발된 화공 플랜트 특화 Revit 기반 Piping ISO 및 BOM 자동 생성 솔루션이다. Revit 3D BIM 모델을 직접 참조하여 도면, 자재 정보, 치수, 태그, BOM(Material Take-Off)을 일관된 데이터 기준으로 추출함으로써, 표준화된 고품질 ISO 도면을 자동 생성한다. 1. 주요 특징  (1) Revit 기반 네이티브 ISO 생성 EZ-ISO는 Revit Add-in 방식으로 동작하며, 중간 변환 포맷 없이 Revit 모델을 직접 참조하여 ISO를 생성한다. 이를 통해 모델–도면 간 데이터 불일치를 원천적으로 차단하고, 설계 변경 사항을 즉시 ISO 도면에 반영할 수 있다. (2) 화공 플랜트 실무 기준 반영 ISO 템플릿 화공 플랜트 프로젝트에서 요구되는 Line No., Spec, Size, Rating, End Type은 물론 Pipe, Valve, Flange, Gasket, Fitting 정보를 실무 기준에 맞게 자동 표기한다. 또한 발주처 및 EPC별 표준 ISO 양식 커스터마이징을 지원하여 프로젝트 적용성을 높였다. (3) 자재 정보(BOM) 자동 연계 추출 Pipe, Valve, Flange, Gasket, Fitting 등 모든 Piping 구성 요소의 정보를 ISO 도면과 BOM에 자동 연계하여 도면–자재 산출 간 오류를 최소화한다. (4) 설계 변경 대응에 최적화된 워크플로우 3D 모델 수정 후 ISO를 재생성하면 변경 사항이 즉시 반영되어 EZ-SPOOL과 연계하면 Revision 관리가 용이하며, 재작업을 최소화하고 변경 이력 추적이 가능하다. (5) Support 표기 및 Bolt BOM 자동 산출 그동안 Ez-ISO의 약점으로 지적된 Support ISO 표기가 획기적으로 보완되었다. 대부분의 EPC 설계사가 보유한 Standard Support 및 Special Support를 ISO 도면에 표기할 수 있으며, 다양한 플랜지 접합 조건에 따른 Bolt 수량 및 길이 Calculation 결과를 BOM으로 자동 산출한다. 2. 주요 기능 ■ Revit Piping 모델 기반 ISO 자동 생성 ■ Line 단위 ISO 생성 ■ 치수, Flow Direction, Slope, Elevation 자동 표기 ■ BOM(Material Take-Off) 자동 작성 ■ 프로젝트·발주처별 ISO 템플릿 관리 ■ 화공 플랜트 Standard / Special Support 도면 표기 ■ 다양한 플랜지 접합 조건에 따른 Bolt Length Calculation BOM 산출 ■ EZ-Spool 연계 시 Revision 및 변경 이력 관리 용이 3. 도입 효과 (1) 도면 품질 및 신뢰도 향상 Revit 3D 모델과 ISO 도면이 단일 데이터 소스(Single Source of Truth) 를 공유함으로써 치수 오류, 자재 누락, 태그 불일치 문제를 근본적으로 제거한다. (2) 설계 변경 리스크 최소화 잦은 설계 변경이 발생하는 플랜트 프로젝트 환경에서 변경 대응 속도와 정확도를 획기적으로 개선한다. (3) 시공·제작 단계 연계 강화 정확한 ISO 및 BOM 제공을 통해 Shop Drawing, 제작, 현장 시공 단계까지 데이터 연속성을 확보한다. (4) BIM 기반 플랜트 전환 가속 기존 2D 중심 ISO 작성 방식에서 벗어나 BIM 기반 디지털 플랜트 환경 구축을 위한 실질적인 전환 수단을 제공한다. 4. 주요 고객 사이트 Ez-ISO는 단순한 ISO 자동화 도구를 넘어, 플랜트 Piping 설계–도면–자재–시공을 연결하는 핵심 BIM 솔루션이다. 플랜트 프로젝트에서 반복되는 ISO 작업의 비효율을 줄이고 설계 품질과 생산성을 동시에 향상시키고자 한다면, EZ-ISO는 가장 현실적이고 강력한 대안이 될 것이다. ■ 한국 : SK에코엔지니어링, SK에코플랜트, 삼성물산, 글로텍엔지니어링, 케이씨이엔씨, 세보엠이씨, 대아이앤씨, 신화플랜, 세방테크, 케이엔솔, 성도이엔지, 제이에스솔루션, 에이아이코리아, 지오그리드, 우호엔지니어링건축사사무소, 에스티아이, 케이펙기술, 엠제이테크 등 ■ Japan: Shinryo Corporation, Integration Core ■ India: STUP Consultants, Neilsoft, Petrocon Engineers & Consultant  ■ Singapore: Meinhardt EPCM, GRADIANT, CES Salcon ■ USA: Jacobs, AECOM, GSE Engineering, Batchelor & Kimball, ZAP Engineering & Construction Services ■ Saudi Arabia, UAE: Jacobs, ImageGrafix Software FZCO, Worley ■ France: Veolia, Technip Energies France, Equans, SUEZ ■ Germany, Ireland: Exyte, Caverion Deutschland GmbH, Etteplan, Dornan Engineering, Jones Engineering ■ Austria, Sweden: Zauner Group Holding GmbH, Bravida Group   상세 내용은 <스마트 건설 DX 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

엔비디아는 로보택시와 자율주행차 개발을 위한 개방형 추론 모델 ‘엔비디아 알파마요 2 슈퍼(NVIDIA Alpamayo 2 Super)’의 상업적 이용을 지원한다고 밝혔다. 이 모델은 개방형 상용 라이선스와 높은 추론 성능, 검토 가능한 의사결정 과정을 바탕으로 자율주행차의 대규모 배포를 돕는다. 로보택시를 비롯한 자율주행차가 해결해야 할 과제는 드물고 복잡한 롱테일 상황이다. 이러한 상황에 대응하려면 상황을 이해하고 인과관계를 추론해 적절한 행동을 선택할 수 있어야 한다. 상업적 이용이 가능한 알파마요 2 슈퍼는 단일 파운데이션 모델에서 자율주행차 관련 기능을 지원한다. 엔비디아 코스모스 3 슈퍼 리즈너(Cosmos 3 Super Reasoner)를 기반으로 구축된 이 모델은 개방형 상용 라이선스인 오픈MDW(OpenMDW)-1.1에 따라 허깅페이스(Hugging Face)에서 제공된다. 해당 라이선스는 파인 튜닝과 파생 모델 개발, 상업적 재배포를 허용한다. 자율주행차 개발사와 완성차 업체는 자체 데이터와 주행 정책에 맞춰 모델을 조정할 수 있다.     기존 알파마요 모델은 연구개발 목적으로 공개됐다. 현재 오픈MDW 라이선스는 알파마요 모델군 전체에 적용된다. 개발자는 추가 허가 없이 모델을 상업적으로 배포할 수 있으며, 개발팀은 각 작업에 적합한 모델을 효율적으로 선택할 수 있다. 알파마요 2 슈퍼는 클라우드 기반 개발 워크플로에서 추론을 지원하며 합성 학습 데이터와 모델 증류를 위한 교사 모델의 출력값을 생성한다. 알파마요 1.5와 알파마요 1은 비용 효율적인 선택지를 제공하며, 여기서 생성된 증류 모델은 양산 차량에서 실시간 추론을 수행하도록 최적화된다. 엔비디아는 알파마요 2 슈퍼가 자율주행 추론 벤치마크인 링고QA(LingoQA)에서 평가된 약 40개 모델 가운데 1위를 차지했다고 밝혔다. 100억 개의 파라미터를 갖춘 이전 모델보다 3배 큰 규모로 제작돼 복잡한 상호작용에도 효과적으로 대응할 수 있다는 것이다. 알파마요 2 슈퍼는 차량의 전방과 측면, 후방을 아우르는 360도 카메라 영상을 통합해 추론하며 교차로나 비보호 회전 같은 위험 상황을 쉽게 이해하도록 돕는다. 이 모델은 주행 궤적, 인과관계 연쇄(CoC) 추적 정보, 메타 액션, 추론 자동 라벨, 2D 시각 그라운딩 기반 시각 질의응답 결과 등 다섯 가지 결과를 생성한다. 이를 통해 개발자는 모델의 의사결정 과정을 파악하고 비판적으로 검토할 수 있다. CoC 추적 정보는 ISO/PAS 8800 요구사항에 맞춘 AI 안전 체계를 지원한다. 또한 자동 라벨러로 배포돼 주행 영상에서 라벨을 생성하고 주석 작업 주기를 수개월에서 수일로 단축해 준다. 자율주행차 개발팀은 시뮬레이션을 제공하는 엔비디아 알파심(AlpaSim)과 강화학습을 지원하는 엔비디아 알파짐(AlpaGym) 등 다양한 개방형 모델과 데이터세트 제품군을 활용할 수 있다.

데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2027 (4)   아레스 커맨더(ARES Commander)는 최신 버전인 아레스 커맨더 2027에서 DWG 도면을 STEP(*.stp/*.step) 형식으로 변환할 수 있는 기능을 한층 확장했다. 기존에 지원하던 STEP 가져오기 기능에 더해 새롭게 STEP 내보내기 기능이 추가되면서, 사용자는 이제 완전한 양방향 워크플로를 통해 3D 데이터를 자유롭게 주고받을 수 있게 되었다. 이는 단순한 파일 형식 추가를 넘어, 서로 다른 CAD·CAM·CAE 생태계를 잇는 실질적인 협업 도구로서의 의미를 지닌다. 이번 호에서는 STEP이라는 표준 형식의 의미부터 아레스 커맨더가 이를 지원하게 된 배경, 그리고 현장에서 기대할 수 있는 실질적 가치까지 순서대로 살펴보겠다.   ■ 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   STEP, 3D 데이터 교환의 표준 언어 CAD 데이터는 더 이상 하나의 소프트웨어 안에 머물지 않는다. 하나의 설계가 완성되기까지는 여러 부서와 협력사, 그리고 서로 다른 플랫폼을 거치는 과정이 필요하며, 이 과정에서 파일 형식의 호환성은 업무 효율을 좌우하는 핵심 요소로 작용한다. 특히 3D 모델을 기반으로 제조·설계 데이터를 주고받아야 하는 환경에서는 특정 소프트웨어에 종속되지 않는 표준 교환 형식의 존재가 필수이다. STEP은 국제표준화기구(ISO)가 제정한 ISO 10303 표준에 기반한 제품 모델 데이터 교환 형식으로, 3D CAD 및 PLM(제품 수명주기 관리) 소프트웨어 환경에서 가장 널리 사용되는 교환 형식 중 하나이다. 특정 CAD 벤더의 고유 포맷과 달리 STEP은 기하학적 형상 정보를 플랫폼에 구애받지 않고 전달할 수 있도록 설계되었다. 그 결과 서로 다른 소프트웨어를 사용하는 조직 간에도 형상 정보의 손실 없이 3D 모델 데이터를 주고받을 수 있다. DWG가 2D 도면 편집과 설계 작업에 최적화된 형식이라면, STEP은 완성된 3D 형상을 다른 시스템으로 전달하는 데 특화된 형식이라 할 수 있다. 두 형식의 성격이 다르기 때문에, DWG를 기반으로 작업하는 CAD 소프트웨어가 STEP을 함께 지원한다는 것은 곧 설계 단계와 제조·협업 단계를 하나의 흐름으로 연결한 다는 의미를 갖는다.   그림 1   가져오기에서 내보내기로, 완성되는 양방향 워크플로 아레스 커맨더는 이전 버전에서 이미 STEP 파일을 가져오는 기능을 도입한 바 있다. 이번 아레스 커맨더 2027 업데이트에서는 여기에 STEP 내보내기 기능이 새롭게 추가되면서, 사용자는 STEP 파일을 가져오는 것은 물론 자신이 작업한 DWG 도면을 STEP 형식으로 내보낼 수도 있게 되었다. 이로써 솔리드웍스, 카티아, 인벤터, PTC 크레오, PTC 온쉐이프 등 업계에서 널리 사용되는 다양한 3D CAD·PLM 설루션과 2D 또는 3D 지오메트리를 자유롭게 주고받을 수 있는 양방향 워크플로가 비로소 완성되었다. <그림 2>는 아레스 커맨더를 중심으로 DWG와 STEP 사이에서 데이터가 어떻게 순환하는지를 정리한 것이다.   그림 2   가져오기와 내보내기가 하나의 애플리케이션 안에서 모두 지원됨에 따라, 사용자는 별도의 변환 프로그램이나 외부 서비스를 거치지 않고도 아레스 커맨더 안에서 곧바로 데이터 교환을 완결할 수 있다. 이는 특히 여러 CAD 환경이 공존하는 프로젝트에서 작업 단계를 단축하는 효과로 이어진다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   기능 안전(functional safety)은 차량 시스템의 오동작 또는 고장으로 인해 발생할 수 있는 위험을 분석하고 이를 허용 가능한 수준으로 관리하기 위한 개발 접근 방식이다. 최근 차량은 자율주행 및 소프트웨어 중심 구조로 빠르게 변화하고 있으며, 이에 따라 시스템 오류가 실제 안전 문제로 이어질 가능성 또한 증가하고 있다. 이러한 이유로 자동차 산업에서는 차량 전기·전자(E/E) 시스템의 안전성을 체계적으로 개발하고 검증하기 위한 기준으로 ISO 26262를 폭넓게 적용하고 있다. ISO 26262는 안전 요구사항의 정의부터 설계, 구현 및 검증까지 기능 안전 개발 전 과정에서 수행해야 하는 안전 활동과 요구사항을 규정하고 있으며, 자동차 산업에서 기능 안전 확보를 위한 대표적인 국제 표준으로 활용되고 있다.   ■ 우시경 태성에스엔이 AE6팀의 매니저로, Ansys Medini analyze 관련 기술지원, 교육, 컨설팅 업무를 진행하고 있다. 홈페이지 | www.tsne.co.kr   최근 기능 안전 개발에서는 요구사항과 안전 분석 결과를 연계하여 관리하는 모델 기반(model-based) 접근 방식이 확대되고 있다. 앤시스 메디니 애널라이즈(Ansys medini analyze) 는 이러한 모델 기반 기능 안전 개발을 지원하는 플랫폼으로, 요구사항, 안전 분석 및 시스템 아키텍처 간의 추적성과 연계성을 관리하는데 활용되고 있다. ISO 26262는 V 모델(V-Model) 기반의 기능 안전 개발 프로세스를 제시하며, 각 개발 단계에서 수행해야 하는 안전 활동과 검증 절차를 정의하고 있다.   그림 1. 앤시스 세이프티 워크숍   ISO 26262 V 모델 기반 기능 안전 개발 프로세스 ISO 26262는 기능 안전 개발 전 과정에서 수행해야 하는 안전 활동을 정의하기 위해 V 모델 기반의 개발 프로세스를 제시하고 있다. V 모델은 요구사항 정의부터 시스템 설계, 구현 및 검증에 이르기까지 각 개발 단계와 검증 활동 간의 관계를 나타내는 대표적인 기능 안전 개발 프레임워크이다. V 모델의 왼쪽 영역은 개념 수립 및 설계 단계로 구성된다. 개발 초기에는 아이템 정의(Item Definition)를 통해 개발 대상 시스템의 기능과 경계를 정의하고, 위험 분석을 수행하여 안전 목표와 안전 요구사항을 도출한다. 이후 기능 안전 콘셉트(functional safety concept : FSC)와 기술 안전 콘셉트(technical safety concept : TSC)를 수립하고 이를 시스템 설계 단계로 전개하게 된다. 시스템 수준에서 정의된 안전 요구사항은 하드웨어 및 소프트웨어 개발 단계로 전달된다. 하드웨어 개발 단계에서는 하드웨어 아키텍처 설계와 정량적 안전 분석이 수행되며, 소프트웨어 개발 단계에서는 소프트웨어 아키텍처 설계, 구현 및 검증 활동이 수행된다. V 모델의 오른쪽 영역은 검증 및 확인 활동으로 구성된다. 각 개발 단계에서 생성된 산출물은 단위 검증(unit verification), 통합 검증(integration verification), 시스템 통합 시험(system integration test) 등의 과정을 거치며, 최종적으로 안전 검증(safety validation)을 통해 시스템이 의도된 안전 목표를 충족하는지 확인하게 된다. 이와 같은 V 모델 기반 개발 프로세스는 기능 안전 활동을 개발 수명주기 전반에 체계적으로 적용하기 위한 기준을 제공하며, ISO 26262에서 요구하는 안전성 확보 활동의 기반이 된다.   그림 2. ISO 26262 기능 안전 표준 구조   OEM부터 티어 2까지, 모델 기반 안전 개발의 연결고리 자동차 산업은 OEM, 티어 1(tier-1), 티어 2(tier-2)로 이어지는 공급망 구조를 기반으로 개발이 이루어진다. OEM은 차량 수준의 기능과 안전 목표(safety goal)를 정의하고, 티어 1은 이를 기반으로 시스템 아키텍처와 기술 안전 요구사항을 개발한다. 티어 2는 MCU, 반도체, 센서 등 구성요소 수준에서 상세 설계 및 안전 메커니즘 구현을 수행한다. 이 과정에서 각 조직은 서로 다른 관점의 모델과 개발 산출물을 활용하기 때문에 요구사항과 설계 정보의 일관성을 유지하는 것이 중요한 과제로 꼽힌다. 특히 ISO 26262 기반 기능 안전 개발에서는 안전 목표, 기능 안전 요구사항(functional safety requirement : FSR), 기술 안전 요구사항(technical safety requirement : TSR)이 시스템, 하드웨어(HW), 소프트웨어(SW) 수준까지 체계적으로 전개되고 추적되어야 한다. 앤디스 메디니 애널라이즈는 이러한 개발 환경에서 요구사항, 안전 분석 결과 및 시스템 아키텍처를 통합 관리할 수 있는 모델 기반 기능 안전 플랫폼을 제공한다. OEM 수준의 기능 모델과 티어 1의 기술 안전 아키텍처, 티어 2의 구성요소 수준 안전 분석 결과를 연계함으로써 개발 단계 간 추적성을 확보할 수 있으며, 설계 변경 시 영향 범위를 신속하게 파악할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

  INFOWORLD   Focus 17　AX 시대의 제조 혁신, 피지컬 AI와 지능형 에이전트가 이끈다 25　다쏘시스템, “AI와 모드심 결합으로 제품 개발 패러다임 바꾼다” 49　IBM, 소프트웨어 개발 전반을 관리하는 기업 AI 파트너 공개   Case Study 28　더 광범위한 타깃에게 창작물을 선보이는 방법　타깃 고객이 사용하는 플랫폼에 인터랙티브 3D 배포하기 34　실시간 고품질 시각화로 건설/제조 산업을 혁신하는 PSG　실제 환경을 가상으로 검증하는 디지털 트윈 구현   New Product 39　제조산업을 위한 데이터 기반 운영 AI 설루션　D.A.N.A Work 42　AI 기반으로 CFD 설계 탐색 가속화　심센터 피직스AI 44　NC 프로그램 검증 및 최적화 효율 향상 지원　NCSIMUL 2026.2 46　개인용 AI 시대의 PC를 위한 슈퍼칩　RTX 스파크 52　이달의 신제품   Column 55　디지털 지식전문가 조형식의 지식마당 / 조형식　인공지능 시대의 성공 법칙 : 혁신과 변화를 연결하는 새로운 생각 58　트렌드에서 얻은 것 No. 33 / 류용효　PLM 분야에서 AI의 현주소 : 기업은 AI를 어디에, 어떻게 쓰고 있나   On-Air 62　CNG TV 디지털 지식방송 지상중계　로보틱스의 미래를 여는 시뮬레이션 : 피지컬 AI를 위한 데이터 전략   64　News   Directory 107　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 65　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　오픈클로와 같은 에이전틱 시스템 구조 및 동작 메커니즘 분석 70　새로워진 캐디안 2026 살펴보기 (8) / 최영석　유틸리티 기능 외 Ⅱ 74　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2027 (3) / 최하얀　아레스 커맨더의 최적화된 경로 관리와 지능형 링크   Visualization 76　생성형 AI 영상 제작의 기술과 전략 (2) / 최석영　비디오 생성형 AI 모델의 구조와 실무 비교 분석   Mechanical 80　산업 AI 시대, 전기 설계의 패러다임 전환 / 구형서　도면 제작에서 엔지니어링 오케스트레이션으로 84　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (12) / 김성철　향상된 복합재 설계 및 제조 Ⅱ   Analysis 89　앤시스 워크벤치를 활용한 해석 성공 사례 / 우시경　메디니를 활용한 ISO 26262 HARA 분석 및 안전 목표 도출 94　심센터 HEEDS 더 깊게 살펴 보기 (7) / 이종학　특별한 워크플로 구성 및 자동화 98　산업을 위한 AI와 버추얼 트윈 기술 (5) / 김문성　시뮬레이션 엔지니어를 위한 AI/ML 가상검증 전략 104　성공적인 유동 해석을 위한 케이던스의 CFD 기술 / 나인플러스IT　고충실도 CFD를 이용한 항공기의 고양력 공력 성능 예측     2026-7 from 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기

주요 스마트 건설 DX 솔루션 소개 BIM 및 이기종 3D 데이터 경량화 웹 환경 구현 협업 솔루션, InnoM3D 개발 및 자료 제공 : 이노액티브, 02-6249-4311, https://innoa.co.kr   이노액티브는 건축 및 플랜트 분야의 3D 모델링 및 프로젝트 업무를 중심으로, 자동화 기술과 데이터 기반 협업 환경을 구축해 온 엔지니어링 소프트웨어 전문 기업이다. 파노라마 이미지 및 Scan 데이터를 활용한 Digital Twin 솔루션 InnoR3D 개발을 시작으로, 배관 ISO 도면 자동 추출, P&ID 도면 검도시스템, 자동 작도 등 현업 활용도가 높은 자동화 솔루션을 지속적으로 개발해 왔다. 이노액티브는 다수의 이해관계자가 동시에 참여하는 프로젝트 환경에서 발생하는 협업 단절과 정보 분산 문제에 주목하여, 3D 모델을 중심으로 데이터를 통합하고 실시간으로 공유할 수 있는 협업 환경의 필요성을 인식하였다. 이러한 현장 경험과 기술 축적을 바탕으로, 동시 접속 기반 3D 모델 중심 실시간 협업 솔루션 InnoM3D를 출시하였으며, 특정 업무 단계에 국한되지 않고 시공 및 운영(O&M) 단계까지 연계 가능한 Digital Twin 기반 협업 플랫폼을 제공한다. 1. 주요 특징  InnoM3D는 회의실이 아니라, 3D 모델 위에서 협업한다. InnoM3D는 3D 모델을 중심으로 프로젝트 전 단계의 이슈와 의사결정을 연결하는 협업 솔루션이다. 설계, 시공, 운영 단계에서 발생하는 이슈를 실시간으로 공유하고 협의함으로써, 업무 간 단절을 최소화하고 의사결정 속도를 향상시킨다.   Legacy System에서 생성되는 이기종 데이터를 표준화된 변환 프로세스를 통해 3D 플랫폼에 통합할 수 있으며, BIM Data와 Shop Floor Data를 일원화하여 Web 기반 환경에서 공장 및 설비의 가시성을 확보한다. 단순한 모델 조회나 공유를 넘어, 복잡한 O&M 운영 환경에서도 즉시 적용 가능한 협업 구조를 제공하며, 사용자 업무 프로세스에 최적화된 UI/UX와 직관적인 인터페이스를 통해 협업 부담을 최소화한다. 2. 주요 기능 (1) 실시간 이슈 공유 및 협업 설계/시공 작업뿐 아니라 O&M 에서 발생하는 문제를 즉시 담당자와 공유하여 담당자 간 빠른 확인과 의사결정이 가능하다. (2) 통합된 작업 히스토리 관리 모델 변경, 이슈 처리, 피드백 이력을 단계별로 기록하여 이슈 발생 원인과 조치 내용을 명확히 추적할 수 있다. 또한, 유사한 이슈를 확인하여 해결 방안 및 담당자를 빠르게 도출할 수 있다. (3) 작업자간 원활한 소통 채팅과 히스토리를 연계하여 이슈 맥락이 유지된 상태로 소통할 수 있으며, 불필요한 재설명과 커뮤니케이션 비용을 줄인다. 3. 도입 효과 다수의 참여자가 동시에 작업하는 3D 기반 프로젝트에서는, 정보 누락과 커뮤니케이션 단절로 인한 수정 지연과 재작업이 빈번하게 발생한다. InnoM3D는 3D 모델을 협업의 기준점으로 삼아 이슈 공유, 피드백, 변경 이력을 하나의 흐름으로 연결함으로써 협업 효율을 향상시킨다. 이를 통해 협의시간 단축, 수정 및 재작업 감소, 프로젝트 전 단계의 정보 일관성 확보가 가능하며, 보다 체계적이고 생산적인 협업 환경을 제공한다.     상세 내용은 <스마트 건설 DX 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기  

AI 컴퓨팅의 다양화와 메모리 장벽으로 인해 반도체 경쟁의 중심이 미세화를 넘어 시스템 수준의 공동 최적화로 이동하고 있다. 이에 대응하기 위해 한국 반도체 소부장 생태계는 공통 의미 체계인 온톨로지와 인과추론을 도입하여 현장 데이터의 한계를 극복하고 제조 AX(AI 전환)의 기반을 다져야 한다. 또한 다목적 베이지안 최적화(MOBO)와 물리 정보 신경망(PINN) 기반의 자율 실험실을 구축하고, 고객사 인증을 설계 단계부터 통합하는 혁신이 필요하다. 궁극적으로는 단순한 기술 확보를 넘어 의사결정을 가속화하는 새로운 운영체계를 짜야 한다.   ■ 이 글은 지난 4월 17일 진행된 'SIMTOS 2026 뿌리산업 & 소부장 콘퍼런스'에서 발표된 내용을 정리한 것이다.   AI는 어떻게 반도체 산업의 게임 규칙을 바꾸고 있는가 지난 2년간 생성형 AI는 두 단계의 진화를 거쳐 왔다. 첫 번째 단계는 ‘지식 Al(knowledge Al)’의 시대로, GPT-4o, 클로드(Claude), 제미나이(Gemini) 같은 생성형 AI 모델과 같이 사전 학습과 후처리(post-training)를 통해 글을 잘 쓰는 모델이 주류였다. 두 번째 단계는 강화학습 기반의 ‘추론 Al(thinking Al)’의 시대다. 긴 사고연쇄(chain-of-thought), 에이전트 워크플로, 수리적 추론을 수행하는 모델들이 등장하면서, AI는 단순한 정보 생성기가 아니라 의사결정 보조 도구로 진화하고 있다. 이 변화는 반도체 하드웨어 수요 구조 자체를 흔든다. 한때 GPU 일변도였던 AI 가속기 시장은 이제 구글 TPU, 메타 MTIA, AWS Trainium(트레이니움), 마이크로소프트 Maia(마이아), 오픈AI(OpenAI) 자체 칩, 애플 자체 칩 등 ‘ASIC 다극화’ 국면에 들어섰다. 핵심은 이들 칩이 모두 첨단 노드(N2~N3급)와 HBM3e/HBM4 같은 고대역폭 메모리, 그리고 CoWoS 계열 첨단 패키징을 공통의 토대로 삼는다는 점이다. 다시 말해, AI 컴퓨팅의 다양화가 진행될수록 메모리, 패키징, 소부장 같은 한국이 상대적으로 강하거나 육성하려는 영역의 수요는 오히려 더 두꺼워지고 있다. 엔비디아가 그리는 ‘AI 팩토리’ 청사진도 이 흐름과 정확히 맞물린다.(그림 1) CPU(오케스트레이터), GPU(병렬 연산), DPU(데이터 이동 및 보안), 추론 ASIC(주문형 반도체), 그리고 미래에는 QPU(양자처리장치)까지 워크로드를 분해해 각 엔진에 최적 배분한 뒤 다시 하나의 플랫폼으로 묶는 구조다. 이 구조에서 가장 큰 병목은 ‘연산 그 자체’가 아니라, 엔진 사이를 흐르는 데이터의 대역폭과 지연시간이다. 결국 AI 시대의 반도체 경쟁력은 단일 노드의 미세화가 아니라, ‘시스템 수준에서 얼마나 잘 합치는가(co-optimization)’로 옮겨가고 있다.   그림 1. AI 워크로드는 분해되어 각 엔진에 배분된 뒤 통합 플랫폼으로 다시 결합된다. 메모리-인터커넥트-전력-냉각이 반도체 소부장의 새로운 경쟁축으로 자리매김하고 있다.   AI를 반도체 제조에 적용한다는 것의 진짜 의미 AX(AI 전환, Al transformation)는 단순히 ‘공정에 AI를 붙이는 일’이 아니다. AX의 본질은 산업 전반에 걸쳐 데이터와 의사결정 구조를 재편하는 작업이며, 반도체 소부장 영역은 그중에서도 가장 까다로운 사례로 볼 수 있다. 산업통상부와 주요 제조업계가 추진하는 ‘제조 AX 얼라이언스(M.AX)’가 한국 산업 특화 AI 모델, AI 반도체 집적 데이터센터(AIDC), 피지컬 AI, 디지털 트윈, 합성 데이터 증강 등을 묶어 다루는 이유도 여기에 있다. 무인화, 자동화, 예지보전, 다품종 소량생산을 동시에 달성해야 하기 때문이다.   LLM이 부딪히는 ‘보이지 않는 벽’ 그렇다면 왜 그토록 뛰어난 LLM이 막상 제조 현장에 들어가면 “그럴듯한 예측과 묘사” 수준에 머무는가? 핵심 원인은 네 가지다. 첫째, 산업 데이터의 대부분은 통제된 실험 데이터가 아니라 관측 데이터이며, 인과관계가 아닌 상관관계만을 학습한 모델은 ‘만약 X를 바꾸면 Y가 어떻게 변할까’라는 개입(intervention) 질문에 답하지 못한다. 둘째, 숨겨진 변수(confounder)와 운영 편향이 거짓된 상관을 만든다. 예를 들어 불량률이 높은 날 숙련자를 더 투입하다 보면, ‘숙련자가 늘면 불량이 늘어난다’는 엉뚱한 역상관이 데이터에 새겨진다. 셋째, 설비 교체나 원료 변경 혹은 계절 변화로 인해 분포가 끊임없이 이동(distribution shift)하므로, 상관관계 기반 모델은 학습한 분포를 벗어나는 순간 급격히 성능이 저하된다. 넷째, 제조의 목적함수는 수율만이 아니라 에너지, 안전, 비용, 납기를 동시에 만족시키는 다목적 최적화이며, 이는 본질적으로 인과적 이해를 요구한다.   벽을 넘어서기 위한 두 개의 다리: 온톨로지와 인과추론 온톨로지 : 기계가 현장을 이해하게 만드는 번역기 데이터-DX-AX-AI로 이어지는 모든 연결 부위가 제대로 연결되어 있지 않다면 아무리 큰 모델도 무용지물이다. 이 단절을 잇는 첫 번째 다리가 ‘온톨로지(ontology)’다.(그림 2) 온톨로지는 설비, 공정, 제품, 품질이라는 현장의 모든 대상을 기계가 이해하는 ‘공통 사전’이자 ‘공통 의미 체계’다. 의미가 부여된 측정치, 체계적인 식별자, MES(제어 시스템)와 ERP(전사 관리 시스템)의 시간축 통합, 그리고 작업 규정, 안전 규칙, 노하우와 같은 암묵지의 디지털화. 이 네 가지가 온톨로지의 출발점이다. 현실적인 접근은 ‘대형 완성형 온톨로지’가 아니라 ‘최소기능 온톨로지(minimum viable ontology)’의 3층 구조다. 공장별로 매핑(local mapping) 위에 산업별 확장(industry extension)을 얹고, 그 위에 산업 간 호환을 보장하는 공통 코어(core)를 두는 식이다. 반도체 소부장의 경우, 제품 온톨로지 아래로 소재(조성 및 물성), 부품(설계 및 공정), 장비(파라미터 및 유지보수)의 세 갈래가 뻗고, 각 도메인 사이를 지식 그래프로 연결한 뒤 ISO 23247(디지털 트윈), SEMI E10/E79(장비), MatML(소재), EMMO(유럽 멀티스케일 온톨로지) 같은 표준 인터페이스 계층 위에 AI 신소재 탐색·공정 최적화, 예측 정비, 공급망 추적 응용을 올리는 구조가 자연스럽다.   인과추론 : 전면 규명보다 국소 의사결정부터 두 번째 다리는 인과추론이다. 시스템 전체에 대한 인과 모델을 한 번에 짜는 것은 거의 불가능하다. 따라서 단계적 접근이 필요하다. 가까운 미래(phase 1)에는 국소 인과효과 추정(local causal effects)에 집중한다. 예컨대 ‘특정 온도 구간에서 압력 변경이 수율에 미치는 평균 처치효과(ATE)와 조건부 처치효과(CATE)’를 추정해 즉시 의사결정에 반영하는 식이다. 디지털 트윈과 제어 로그를 활용해 자연실험이나 A/B 테스트와 유사한 준-실험 설계(quasi-experimental design)도 가능하다. 이 단계의 목적은 ‘원인을 완벽히 규명하는 것’이 아니라, ‘외부 조건이 바뀌어도 덜 실패하는 강건한 운영 정책’을 설계하는 것이다. 더 먼 미래(phase 2)의 목표는 미국 에너지부의 ‘제네시스 미션(Genesis Mission)’이 그리는 그림과 닮아 있다. 로봇 실험실과 AI를 연동해 ‘개입 데이터’를 체계적으로 생성하고, 인과 모델과 정책 학습을 닫힌 순환구조(closed-Loop)로 가속하는 것이다. 한국 소부장 산업이 단번에 거기까지 갈 필요는 없다. 다만 그 방향성을 분명히 인지하고, 매 단계에서 인과적 사고를 선택지에 올려두어야 한다.   그림 2. 소부장 도메인은 지식 그래프와 표준 인터페이스(ISO 23247, SEMI E10/E79, MatML, EMMO)를 통해 통합되며, 그 위에 AI 신소재 탐색·공정 최적화·예측 정 비·공급망 추적 응용이 작동한다.   메모리 장벽이 만드는 새로운 반도체 소부장 혁신 압력 AI 반도체의 성능은 더 이상 연산 코어만으로 결정되지 않는다. 지난 20년간 하드웨어 FLOPS(초당 부동소수점 연산)는 9만 배 증가했지만, DRAM 대역폭과 인터커넥트 대역폭은 30배 성장에 그쳤다. 이른바 ‘메모리 장벽(memory wall)’이다. AI 칩에서 90~95%의 에너지가 메모리의 입출력과 로드·언로드에 소비되며, 연산 지연시간(latency)의 60~70%는 이 메모리 장벽에서 발생한다. 산술연산강도(arithmetic intensity)가 낮은 워크로드일수록 더 빨리 포화되기 때문에, AI 반도체의 진짜 경쟁은 ‘얼마나 많은 코어를 박느냐’가 아니라 ‘메모리에 얼마나 가까이 붙느냐’의 싸움이 되었다. 이 압력은 한국이 강한 메모리·패키징 영역으로 곧장 전이된다. 첫째, 어드밴스드 메모리 장치 자체의 혁신이 필요하다. 임의접근 지연시간 단축, MRAM/ReRAM/PCRAM 같은 비휘발성 소자, TSV 기반 3D 적층이 핵심이다. 둘째, 패키징 인터커넥트는 광 링크(photonics link), 칩렛 기반 모듈, 에너지 효율 극대화로 진화한다. 셋째, 아키텍처와 소프트웨어가 함께 최적화되는 DTCO(design-technology co-optimization), PIM(processing-in-memory), 스마트 스크래치패드, 메모리 소프트웨어, 데이터 레이아웃 프리패칭 등이 빠르게 부상한다. 현장의 본딩 기술 경쟁이 이를 단적으로 보여준다. SK하이닉스의 MR-MUF는 매스 리플로 몰디드 언더필 방식으로 열전도 성능을 극대화하며 현재 가장 검증된 주력 방식이다. 삼성전자는 NCF(비전도성 필름)+TCB(열압착) 조합으로 미세 피치에서의 정밀도와 고단 적층을 노리고 있다. 그리고 모두가 16단 이상 고적층을 위한 차세대 해법으로 ‘하이브리드 본딩(hybrid Bonding : 범프(bump) 자체를 없애고 구리 접점으로 직연결하는 방식)’을 향해 가고 있다. 결합 밀도, 정렬 정밀도, 장기 신뢰성 관점에서 수율을 어떻게 극복할 것인가가 향후 5년의 승부처다. 그러나 GPU-HBM 패키지(SiP)에서 일단 불량이 발생하면, 원인 규명에 들어가는 자원은 천문학적이다. AI 기반 검사·신호 모델링, 디지털 트윈을 활용한 가상 테스트, 그리고 연합 학습을 통한 현장 데이터 학습 전략이 ‘선택’이 아니라 ‘필수’가 되는 이유가 여기에 있다. 더 본질적으로, 첨단 패키징 소재에는 기계·열·전기·광학·계면 등 최소 다섯 가지 이상의 물성이 동시에 요구된다. 소재-소자-접합-양산 최적화는 더 이상 순차적 방식으로 풀리지 않는다. 동시 병렬-가속적 방식이 요구되고 있는 것이다.   소재 설계의 패러다임 전환 : Al-Driven Materials Discovery 전통적인 실험계획법(DOE)은 명확한 한계를 안고 있다. 선형적·순차적이며, 다중 스케일/차원/물리의 동시 최적화는 기본적으로 수학적으로 해결하기 쉽지 않다. ‘아직 모르는 것을 모른다(unknown unknowns)’가 가득한 N차원 공간에서 제한 요소들을 뭉뚱그려 가정하고 시간 스케일 차이를 무시한 결과, 시간과 자원은 낭비되고 초기 후보군 필터링 효율은 낮다. 결정적으로 고객사 인증 데이터와 추론을 반영하기 어려워, 인증 라운드가 곧 비용 증가와 시장 진입 지연으로 직결된다. 패러다임 전환의 방향은 분명하다. 과거의 ‘인간 직관 중심의 순방향 시뮬레이션’과 현재의 ‘대량 계산 데이터 기반 데이터 드리븐 AI’를 거쳐, 미래는 ‘자율 실험실(autonomous labs)’이다. AI 에이전트와 로봇이 능동적으로 가설을 수립·실행하고, 성공한 데이터뿐 아니라 실패한 네거티브 데이터까지 100% 무손실 자동 캡처하며, 다중 목적함수를 동시에 최적화한다. 단일 소재의 상용화에 10~20년이 걸리던 시간 축이, 이론적으로는 한 자릿수 배수로 압축될 수 있다.   MOBO와 PINN : 두 개의 핵심 엔진 이 패러다임을 떠받치는 두 엔진이 다목적 베이지안 최적화(MOBO : multi-objective bayesian optimization)와 물리 정보 신경망(PINN : physics-informed neural network)이다. MOBO는 다출력 가우시안 프로세스(MOGP) 같은 서로게이트 모델, qEHVI나 CEHVI 같은 획득함수, 그리고 베이지안 최적화 진화 알고리즘 강화학습 같은 탐색 패러다임을 조합해, 적은 실험 횟수로 파레토 프론트(Pareto front)를 효율적으로 탐색한다. PINN은 AI가 추상적으로 상상하는 공간을 물리법칙(나비에-스토크스 방정식, 픽의 법칙, 아레니우스 동역학 등)이 작동하는 현실 공간으로 ‘편집’해 준다. 전통적 머신러닝이 2nm 식각 프로파일을 학습하기 위해 500장 이상의 웨이퍼 데이터를 요구할 때, 손실 함수에 유체역학을 직접 박아 넣은 PINN은 데이터를 약 10배 줄이고 비물리적 환각(hallucination)을 차단한다. 10nm에서 학습한 물리 계층을 그대로 동결한 채 50장의 2nm 웨이퍼 데이터만으로 미세 조정해 만족할 만한 정확도에 도달하는 ‘전이 학습’도 가능해진다. 이 흐름이 가져오는 산업적 효과는 결코 추상적이지 않다. 시장 진입 시간(time-to-market) 30~40% 단축, R&D 시뮬레이션 예산 50~60% 절감, 동일 노드 성숙도에서 5~10%포인트의 수율 향상, 그리고 CHIPS Act 세액공제 같은 정책 지원의 적극적 활용 가능성 등은 모두 정량적으로 추적 가능한 효과다.   사례 : EUV 리소그래피용 금속산화물 포토레지스트 이 모든 논의가 너무 이론적으로 추상적 방향으로 치우치지 않도록, 한 가지 구체적 사례를 들어보자. 0.55 NA 아나모픽(anamorphic) 광학을 사용하는 차세대 EUV 리소그래피의 핵심 난제는 ‘RLS 트릴레마(resolution-LER-sensitivity trilemma)’다. 30nm 이하로 떨어지는 초점 심도(DoF)는 20nm 미만의 초박막 포토레지스트(PR, 광감응재)를 강요하고, 얇아진 막은 광자를 12% 적게 흡수하므로 광자 산탄 잡음(photon shot noise)이 지배적이 된다. 14nm 피치, 20mJ 도즈 조건에서 가장자리 부피에 도달하는 광자는 약 1130개 수준에 불과해 푸아송 잡음(Poisson noise)이 선예도(LER : line-edge roughness)을 1.36nm 이상으로 끌어올린다. 잡음을 잡으려 도즈를 높이면 처리량이 떨어지고, 후노광 베이크(PEB) 온도를 낮추면 반응이 불완전해진다. 단일 소재로는 풀리지 않는 ‘물리 한계 트릴레마’다. 기존의 화학증폭형 레지스트(CAR)는 EUV 흡수율이 낮고 PFAS 규제 리스크에 취약하다. 금속산화물 레지스트(MOR)는 EUV 흡수율이 5배 높고 PFAS 컴플라이언스를 통과하지만, 결함 밀도가 여전히 도전적이다. 이 문제를 푸는 접근이 PINN과 머신러닝 원자간 포텐셜(MLIP)의 결합이다. 약 300개의 DFT 구조(금속산화물 클러스터 + 유기물 리간드 분자)에 대한 능동 학습(active learning), 이완 에너지, HOMO-LUMO 갭 기준 스크리닝, 학습된 모델의 DFT 검증, 그리고 시간의존 밀도범함수론(TD-DFT)을 통한 들뜬 상태 계산을 결합하면, DFT-MD-KMC-연속체 역학·광학에 걸친 다중 스케일 다중 물리 문제를 ‘가상 팹 퍼널(Virtual Fab Funnel)’ 방식으로 처리할 수 있다.(그림 3) 10만 개의 생성형 후보군에서 시작해 빠른 물리 필터-중간 충실도 시뮬레이션-고충실도 TCAD를 거쳐 실제 합성 검증할 2~3종의 후보로 압축하는 이 접근은, 전통적 다구치 L27 DOE 대비 비용을 약 절반, 시간을 약 60% 줄이는 것으로 추정된다.   그림 3. 생성형 풀 → 물리 필터 → 중간 충실도 시뮬레이션 → 고충실도 TCAD → 실험 합성으로 이어지는 ‘가상 팹 퍼널’은 시간을 50%, 비용을 40% 줄이고 성공률 을 10~20배 끌어올린다.   진짜 병목은 Lab이 아니라 Lab-to-Fab 그러나 한 가지 냉정한 사실을 짚어야 한다. AI가 소재 발굴을 10배 가속해도, 실제 매출까지의 주기(time-to-revenue)는 50% 정도밖에 줄지 않는다. 진짜 병목은 ‘고객 승인 대기’ 구간이다. 기존 방식에서는 소재 발굴 12개월, 공정 최적화 6개월, 내부 인증 4개월, 고객 재인증 12개월의 총 34개월이 소요된다. AI를 도입해 발굴 단계를 12개월에서 1.2개월로 압축해도, 고객 승인 대기 10개월이 그대로 남아 총 16.2개월 수준에 머문다. 90%를 단축한 것 같지만 전체 리드타임은 절반밖에 줄지 않는 셈이다. 패러다임 전환이 한 번 더 필요하다. AI 기반 소재·공정 개발 가속화를 ‘내부용 도구’ 차원을 넘어 ‘고객 인터페이스’로 격상시켜야 한다. 사후 검증에 불과했던 고객사 인증을 아예 설계 단계부터 반영하고, 고객사의 인증 데이터를 가우시안 프로세스의 사전분포(prior)로 인코딩해 두는 식이다. 인증 관점은 사후 병목(afterthought)에서 ‘설계 단계 통합(by design)’으로, 고객 관계는 단순 공급자-구매자에서 ‘리스크 셰어링 파트너’로, 정보 흐름은 단절된 블랙박스에서 ‘투명한 대시보드’로, 인증 모드는 점진적·단절적 이벤트에서 ‘연속적 상태 모니터링’으로 옮겨가야 한다. 이것이 단순한 ‘AI 적용’이 아니라 ‘AI 기반 파운드리(Al-Driven Foundry)’ 전략의 본질이다.   자율 실험실이라는 종착점 이 흐름의 자연스러운 종착점이 자율 실험실(SDL : self-driving lab)이다. AI가 다음 실험을 제안하고, 로봇이 합성하며, 자동화된 측정 장비가 데이터를 수집해 다시 AI에 피드백하는 폐쇄 루프다. HBM packaging 소재를 예로 들면, 충전재 종류, 충전율, 입자 크기, 에폭시 수지 조성 등을 설계 공간으로 정의한 뒤, 분자 동역학(MD) 시뮬레이션과 소량 도포, 레오미터(rheometer)의 중간 충실도 유체역학 실험, 실제 패키징이나 열충격(TCT) 신뢰성 평가의 다중 충실도 실험을 GP-MOGP 서로게이트와 EHVI 획득함수로 묶어 운영한다. 액상 분배 로봇, 자동 경화 오븐, 레이저 플래시법(열전도), TMA/DMA(CTE), 열충격 챔버를 자동 측정으로 묶고 나면, 탐색 횟수는 약 1/20로, 실험 사이클은 2~3일에서 6시간 수준으로 줄어든다. OLED 발광 소재의 경우는 SMILES 표현을 GP에 직접 입력하는 타니모토(Tanimoto) 커널을 활용해 이산적인 분자 공간을 연속 파라미터 없이 탐색하고, 톰슨 샘플링으로 병렬 합성을 분산시키는 식이다.   AX 전환 프레임워크와 시뮬레이터 이상의 논의를 '무엇을 어떻게 할 것인가'의 단계론으로 정리하면 다섯 단계가 도출된다. 1단계 : DX 기반 구축(데이터 수집-표준화 온톨로지 설계 디지털 인프라) 2단계 : AI 파운데이션 모델 도입(LLM, GNN, 확산, 서로게이트 모델 선택과 사전학습) 3단계 : 도메인 특화 파인튜닝(소재 물성, 장비 공정, 부품 신뢰성 데이터 기반의 미세조정) 4단계 : 디지털 트윈과 서로게이트 모델(실시간 공정 시뮬레이션, 가상 실험, 예측적 품질 관리) 5단계 : 산업적 가치 창출(개발 주기 단축, 수율 개선, 비용 절감, 한계 극복) 이 다섯 단계는 소부장의 세 도메인에서 동시에 진행되어야 하며, 각 도메인은 자체 핵심 모델을 갖는다. 소재는 IBM의 Materials Foundation Model에 MACE와 베이지안 최적화를 결합한 형태, 부품은 비전 트랜스포머와 PINN, 디지털 트윈의 결합, 장비는 PINN과 트랜스포머, 강화학습 에이전트의 조합이 자연스럽다. 전공정의 8단계(산화 – 포토리소그래피 – 식각 – CVD – 이온주입 – CMP – PVD – 열처리)를 하나의 디지털 트윈으로 묶으면, 각 단계의 수율을 곱한 누적 수율(cascading yield)이 시각화된다. 여기에 소재 순도(3N~6N), 장비 노후화, 다운타임, 대기시간(0~24시간) 같은 외부 영향 요인을 ‘섭동 계층(perturbation layer)’으로 얹으면, 시나리오 엔진이 ‘소부장 교체 효과 추정’, ‘민감도 분석’, ‘병목 공정 식별’, ‘ROI 계산’ 같은 왓이프(what-lf) 분석을 즉시 수행한다. 개별 챔버 단위에서는 PECVD SiN 증착 공정 시뮬레이터처럼 챔버 온도, 압력, 전구체 유량, RF 파워를 슬라이더로 조절하면서 증착 속도 균일도·막 응력·표면 거칠기, 파티클 리스크, 건강도를 실시간 모니터링하는 것도 가능하다. 결국 이런 챔버 시뮬레이터는 ‘보기 좋은 그림’이 아니라 ‘의사결정 도구’로 활용될 수 있다.   맺음말 : 한국 반도체 소부장의 새로운 운영체계 AI 시대의 반도체 경쟁력은 단일 노드의 미세화에서 시스템 수준의 공동 최적화로 무게 중심이 옮겨갔다. 메모리 장벽이 만드는 혁신 압력, HBM4–HBM4E–하이브리드 본딩으로 이어지는 적층 경쟁, 첨단 패키징 소재의 다물리 동시 최적화, 그리고 EUV MOR 같은 차세대 소재 개발, 이 모든 영역에서 한국이 가진 자산은 결코 작지 않다. 그러나 그 자산이 ‘제조 AX’라는 새로운 운영체계 위에서 작동하지 않으면, 자산의 잠재력은 빠르게 평가절하된다. 앞에서 짚었듯이, 제조 AX의 본질은 ‘좋은 모델을 가져와서 데이터에 적용하는 일’이 아니다. 데이터–DX–AX–AI로 이어지는 단절된 조인트를 잇는 ‘온톨로지’라는 다리, 상관관계가 아닌 인과관계로 의사결정을 개선하는 ‘인과추론’이라는 다리, 그리고 사후 검증이 아닌 설계 단계 통합으로 격상되는 ‘고객 인증’이라는 다리를 동시에 놓는 작업이다. 이 세 다리 위에 MOBO, PINN, SDL이라는 도구가 얹히고, 그 위에서 비로소 한국 반도체 소부장은 ‘기술 경쟁’을 넘어 ‘운영체계 경쟁’의 무대에 오른다. 기술 확보 자체가 최종 목적이 되어서는 안된다. AI도, 디지털 트윈도, 자율 실험실도 결국은 ‘더 빨리, 더 정확하게, 더 적은 비용으로 의사결정하기 위한 수단’이다. 이 점을 분명히 하는 순간 ‘무엇부터 시작할 것인가’라는 질문에 대한 답은 의외로 단순해진다. 가장 작은 의사결정 단위에서 데이터를 잇고, 그 데이터에 의미를 부여하고, 의미가 부여된 데이터로 인과적 질문을 던지는 것부터 시작되어야 한다. 한국 반도체 소부장의 다음 10년은 그 작은 출발점에서 결정될 것이다.   ■ 권석준 성균관대학교 화학공학부 교수 및 공과대학 부학장     ■ 기사 내용은 PDF로도 제공됩니다.

오토데스크가 한국공항공사와 국내외 공항 인프라 사업의 디지털 혁신, 그리고 글로벌 프로젝트 대응 역량 강화를 위한 업무협약을 체결했다고 밝혔다. 국내 14개 지방 공항을 운영하고 관리하는 한국공항공사는 국내 공항 개발과 운영 사업은 물론 해외 신공항 개발과 투자 프로젝트까지 적극 추진하고 있다. 최근 공항 인프라 프로젝트가 점차 복잡해지면서 설계, 시공, 운영, 유지관리 전 과정에 걸쳐 데이터를 연계하고 활용하는 디지털 기반 프로젝트 수행 체계의 중요성이 커지는 추세다. 이번 협약은 공항 인프라 사업 전반에 국제표준 기반의 디지털 협업 환경을 확대하고, 데이터 중심의 프로젝트 수행 체계와 정보 관리 역량을 강화하기 위한 협력이라는 점에서 의미가 있다는 것이 오토데스크의 설명이다. 이번 협약에 따라 양사는 한국공항공사의 오픈빔(openBIM) 기반 공항시설정보 통합관리시스템(KAC-BIM)과 오토데스크의 BIM(건설 정보 모델링), AI(인공지능) 및 클라우드 기반 디지털 기술을 바탕으로 설계, 시공, 운영, 유지관리 단계 간 데이터 연속성과 협업 체계를 강화하는 방안을 공동 검토할 예정이다. 아울러 양사는 IFC 4.3, ISO 19650 등 국제표준 기반의 데이터 관리 체계를 토대로 프로젝트 참여자 간 정보 접근성과 운영 효율을 높이고, 공항 인프라 분야의 디지털 프로젝트 디리버리(DPD) 기반 확대를 위해 협력해 나갈 계획이다. 양사는 KAC-BIM과 디지털 협업 환경 연계를 위한 콘설팅 및 공동 기획과제 발굴, 국제표준 기반 빔 데이터 관리체계 협력 방안 검토, 기술 세미나 및 교육 등 관련 활동 협력, 국내외 공항 건설사업 시장 대응 역량 강화를 위한 협력 등을 중심으로 협의를 이어갈 예정이다.     한국공항공사 박재희 사장직무대행은 “글로벌 기술 기업과 협력을 통해 공사의 디지털 트윈 기반 기술 역량을 한층 강화하게 됐다”면서, “국내 공항을 넘어 해외 공항 사업 분야에서도 경쟁력을 높여 나가겠다”고 말했다. 오토데스크코리아 오찬주 대표는 “공항 인프라는 설계와 시공, 운영, 유지관리 단계 간 긴밀한 데이터 연계와 협업이 중요한 국가 핵심 인프라”라면서, “한국공항공사와의 협력을 통해 데이터 기반 프로젝트 수행 체계와 디지털 협업 환경 구축을 지원하고, 국내 공항 인프라 산업의 인공지능 기반 디지털 전환에 기여해 나가겠다”고 말했다.