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.

트림블은 일본 시장의 주요 가상 기준국(VRS) 서비스 제공업체인 테라샛 재팬(Terasat Japan)을 인수했다고 발표했다. 이번 인수로 트림블은 일본에서 직접 VRS 보정 서비스를 제공할 수 있게 되었다. 이를 바탕으로 지리공간, 건설, 자동차, 농업 분야에서 실시간 센티미터 수준의 위치 결정 서비스 범위를 넓혔다. VRS(Virtual Reference Station)는 여러 개의 주변 관측소에서 실시간으로 수집한 위성 데이터를 이용해 사용자 주변에 가상의 기준국을 생성하고, 이를 통해 위치 오차를 정밀하게 보정하는 기술이다. 사용자가 물리적인 기지국을 직접 설치하거나 유지 및 관리할 필요 없이 센티미터 이하의 정확도를 얻을 수 있는 것이 특징이다. 트림블은 자사의 VRS가 이동통신망을 통해 전문가들에게 즉각적이고 정밀한 GNSS(위성 항법 시스템) 데이터를 제공하는 네트워크 RTK(실시간 이동 측위) 보정 서비스를 제공한다고 밝혔다. 트림블에 따르면 이 서비스는 전체 GNSS 위성 추적과 내장된 이중화 기능을 통해 높은 가용성과 신뢰성을 제공한다. 가파른 지형이나 우거진 숲, 도심의 빌딩 숲처럼 전파 수신이 어려운 환경에서도 작업자가 안정적인 연결을 유지하고 신속하게 정밀한 위치를 파악할 수 있도록 돕는다. 또한 트림블은 일본 인프라 전반에 걸쳐 고정밀 위치 결정 기반을 제공함으로써 디지털 모델과 물리적 세계를 연결한다고 설명했다. 테라샛 재팬은 일본 국토지리원의 관측소 데이터에 기반한 GNSS 보정 서비스를 제공해 왔다. 이 네트워크는 일본 열도 전역에 1300개 이상의 관측소로 이루어진 상시 관측소인 CORS 네트워크를 활용한다.     트림블의 야첵 피에트루차니스 위치 결정 서비스 전략 마케팅 디렉터는 “이번 인수는 글로벌 VRS 네트워크 확장에 있어 중요한 이정표”라며, “테라샛 재팬과 같은 선도기업을 인수함으로써 처음부터 네트워크를 구축해야 하는 어려움을 피할 수 있었다”고 밝혔다. 그는 “측량과 건설에 필요한 국토지리원 데이터 스트림에 즉시 접근할 수 있게 되어, 복잡한 작업에 필수인 최고 수준의 GNSS 보정 데이터를 제공할 수 있다”며, “일본 내에서 IoT(사물인터넷) 및 자율주행과 같은 대중 시장 애플리케이션으로 사업을 확장할 수 있게 되었다”고 덧붙였다. 테라샛 재팬의 후지이 마우로 대표는 “테라샛의 네트워크는 오랫동안 트림블의 피벗(Pivot) 시스템에 의존해 광범위한 고객에게 고품질의 GNSS 보정 서비스를 제공해 왔기 때문에 이번 인수는 매끄럽게 진행될 것”이라고 전했다. 또한 “트림블의 글로벌 자원을 활용해 기존 핵심 산업에 지속적으로 서비스를 제공하면서 새로운 분야로 영역을 넓혀 나가기를 기대한다”고 말했다.

제조현장의 위험을 보이게 하고, 안전한 행동을 유도하는 디자인   지금까지 안전디자인 사업을 통해 만들어진 가이드북 25개를 다시 정리했다.(2025년 8개, 2024년 8개, 2023년 7개, 2022년 2개) 한국디자인진흥원과 한국산업단지공단의 안전서비스디자인사업은 근로자의 행동·인지·작업 맥락을 관찰하고, 현장에서 실제로 일어나는 위험을 디자인으로 개선하는 사업이다. 지게차·차량 충돌, 추락, 화재, 유해화학물질, 분진폭발, 공정별 휴먼에러처럼 기업마다 다른 위험을 찾아 현장 맞춤형으로 실증해 왔다. 안전디자인 가이드북은 디자인 적용 결과를 기업이 스스로 지속적으로 유지·관리·확산할 수 있게 만든 안전디자인 운영 매뉴얼이다.  * 정렬 기준: ① 최신순(2025→2022), ② 같은 연도 내 업체명 가나다순   2022~2025년, 무엇이 달라졌나   25개를 시간순으로 보면 하나의 경향이 보인다. 전체적으로 안전디자인의 개입 수준이 깊어지고 있음을 알 수 있다. 1단계. 위험을 보이게 한다 안전색채 → 픽토그램 → 사인 → 바닥선 2022~2023년 초기 사례에서 두드러진다. 제각각이던 안전정보를 통일하고 보이지 않던 위험구역을 색과 사인으로 가시화한다. 이것만으로도 공장환경에서는 상당한 변화이다. 2단계. 공간의 질서를 만든다 보행자 → 지게차 → 차량 → 작업영역 → 대피로 동선을 구분하고 공간의 용도를 명확하게 한다. 엘티정밀, 케이앤이, 풍산메탈서비스, 한국고분자 등이 대표적이다. ‘조심해서 지나가라’보다 지시문보다 사람과 지게차가 애초에 같은 길을 쓰지 않게 하는 편이 낫다. 3단계. 행동을 디자인한다 인지 → 판단 → 행동 고소작업 전 체크, 보호구 자기점검, 호이스트 조작방향, 화재 역할분담처럼 실제 작업행동에 개입한다. 2024~2025년에 이런 사례가 두드러진다. 안전디자인의 중심이 ‘무엇을 보여줄 것인가’에서 ‘어떤 행동이 일어나게 할 것인가’로 이동한다. 4단계. 위험에 능동적으로 반응한다 센서 → LED → 고보조명 → 실시간 경고 호원오토와 KG스틸은 위험이 발생할 가능성이 생길 때 시스템이 먼저 반응한다. 고정된 표지에서 상황에 따라 변하는 안전정보의 사례를 보여준다. 5단계. 안전을 운영시스템으로 만든다 표준 → 모듈 → 브랜드 → 교육 → 유지관리 최근에는 ‘앞으로 누가 어떻게 유지·확장할 것인가’를 중요하게 다룬다. 위지트의 모듈형 사인, 고려호이스트의 교체형 사인, 리오기업의 브랜드 시스템이 대표적이다.   가이드북 사례에서 발견되는 산업현장 안전디자인의 6가지 유형   25개 사례의 흐름은 다음과 같이 요약할 수 있다. 시각정보 개선 → 공간질서 구축 → 행동유도 → 실시간 위험대응 → 안전운영 시스템화 ① 동선·충돌 예방형은 가장 빈도가 높다. 지게차·화물차·보행자가 같은 공간을 사용하는 제조현장의 구조적 문제를 다룬다. 호원오토는 IoT 센서, KG스틸은 센서·LED, 풍산메탈서비스는 물류동선, 엘티정밀·케이앤이는 바닥조닝으로 같은 문제를 서로 다른 방식으로 해결한다. ② 공정·설비 안전형은 위험정보를 작업자가 행동하는 바로 그 장소에 붙인다. 대건테크의 3D 프린터, 동양메탈공업의 설비 담당자 간판, 우성정공의 호이스트 방향정보, 대상의 단계별 고소작업 정보가 대표적이다. 안전매뉴얼을 책상 위에서 장비 옆으로 이동시킨 셈이다. ③ 화재·비상대응형은 ‘비상구 표시’를 넘어 대피행동을 다룬다. 고려호이스트의 기숙사 축광체계, 케이앤이의 잔여거리 안내, 위지트의 LED 피난 유도선, 아폴로산업의 역할 기반 화재대응체계처럼 정보 → 길찾기 → 행동 → 훈련으로 발전한다. ④ 유해화학물질 대응형은 위험물질의 이름만 표시하는 방식에서 벗어나 위험성·보호구·초동조치를 함께 보여준다. 동양메탈공업의 MSDS 시각화, 하나머티리얼즈의 Spill Kit와 비상샤워, 풍산디에이케이의 산성물질 중화기 등이 대표적이다. ⑤ 행동유도형은 가장 서비스디자인적인 영역이라 할 수 있다. 위지트와 대건테크의 보호구 자기점검, 우성정공의 리모컨 방향 일치, 대상의 작업단계별 정보처럼 사람에게 주의를 요구하는 대신 안전한 행동이 자연스럽게 나오도록 환경을 바꾼다. ⑥ 안전문화·운영시스템형은 사업이 끝난 뒤에도 지속되게 만드는 장치이다. 리오기업의 안전브랜딩, 위지트의 모듈형 사인, 구영테크의 안전캠페인, 동양메탈공업의 Safety Street 등이 해당한다. 개별 디자인 결과물보다 안전을 계속 운영하는 조직문화에 가까워진다.   안전디자인 가이드북이 갖는 의미   업종과 공정이 다르면 위험도 달라지고, 같은 지게차 사고도 공간구조·조도·소음·작업방식에 따라 해법이 달라진다. 따라서 안전디자인의 핵심은 표준을 바탕으로 현장의 위험과 사람의 행동을 읽어 적절한 개입방법을 선택하는 과정에 있다고 볼 수 있다. 근로자의 경험과 심리·행동적 특성, 작업맥락을 반영한 현장 맞춤형 해결을 제시한다. 25개 가이드북 각각은 한 기업의 매뉴얼이지만, 동시에 제조업 안전디자인의 위험유형별 레퍼런스 라이브러리이자 산업현장의 안전디자인이 ‘무엇을 표시할 것인가’에서 ‘어떻게 하면 사람이 더 안전하게 행동할 수 있는가’로 이동해 온 증거라고 할 수 있다. > 안전디자인 가이드북 모두 보기 (디자인DB)   연도 기업 디자인기업 안전디자인 특징 2025 고려호이스트 김현선디자인연구소 외국인 근로자와 고소작업·기숙사 화재까지 고려해 다국어 안전정보와 생활공간 대피체계를 함께 구축한 사례 2025 구영테크 디자인선 출입게이트부터 물류·작업·소방·캠페인까지 공장의 일상적 안전행동 전체를 하나의 운영체계로 연결한 사례 2025 대건테크 감성플랜 NCL 공정과 금속 3D 프린팅의 특수위험을 공정 식별·장비정보·보호구 점검·유해물질 관리로 연결한 공정 특화형 사례 2025 대상 비저블엑스 분진폭발·고소작업·지게차 등 복합위험을 위험유형과 작업단계에 따라 구조화해 행동을 유도한 사례 2025 동양메탈공업 감성플랜 설비마다 담당자와 필요한 보호구를 가시화하고 이동로를 안전교육 공간으로 활용한 사람 중심 현장운영형 사례 2025 KG스틸 디자인와우앤파트너스 고소음·저조도·사각지대가 많은 철강현장에서 센서와 LED 등 동적 시각정보로 차량·지게차 위험을 능동적으로 알린 사례 2025 풍산메탈서비스 디자인와우앤파트너스 화물차·지게차·보행자가 복잡하게 교차하는 금속가공 현장의 물류 흐름 자체를 안전하게 재구성한 사례 2025 하나금속 한국디자인사이언스연구소 동선과 설비 안전뿐 아니라 보건·위생과 심리적 환기까지 포함해 안전을 작업자의 전체 근무경험으로 확장한 사례 2024 대경이앤씨 에스이디자인그룹 안전디자인의 적용원칙을 법규와 연결하고 작업구역·위험물·작업도구 관리까지 표준화한 규정 중심 사례 2024 비엔스틸라 감성플랜 숙련자의 익숙함에서 생기는 아차사고를 공간조닝·칼날보관·참여활동·모니터링으로 다룬 일상행동 개선형 사례 2024 아폴로산업 비저블엑스 실제 화재 경험을 바탕으로 피난정보뿐 아니라 역할분담과 훈련까지 디자인해 화재 대응을 집단행동 프로토콜로 만든 사례 2024 풍산디에이케이 커프웍스 지게차·화학물질·고온·감전·추락 등 제조현장 위험을 세분화하고 위험상황별 대응책을 라이브러리처럼 구축한 사례 2024 하나머티리얼즈 에스이디자인그룹 청각장애 근로자와 클린룸·유해화학물질 환경을 고려해 시각정보 중심의 화학사고 대응체계를 구축한 사례 2024 한국고분자 디자인선 화재·물류·공정별 재해·정리정돈까지 제조현장의 안전행동을 폭넓게 세분화한 현장 실무형 안전디자인 사례 2024 허스델리 커프웍스 물과 이동장비가 많은 식품공장의 미끄럼·트롤리·지게차·감전 위험을 실제 작업행동을 바꾸는 방식으로 개선한 사례 2024 호원오토 디자인와우앤파트너스 지게차 사각지대를 IoT 센서와 바닥 시그널로 미리 가시화해 충돌위험을 선제적으로 알린 기술결합형 사례 2023 동명산업 마코디자인 지게차·호이스트·배전함·커팅테이블·계단 등 작업자가 매일 마주치는 작은 위험을 촘촘하게 찾아 개선한 현장밀착형 사례 2023 리오기업 마코디자인 현장 작업자 약 10명이 모두 외국인인 사업장에서 픽토그램·영문 병기·직관적 정보로 언어장벽을 줄이고 안전행동을 유도한 포용적 안전디자인 사례 2023 신도 커프웍스 공장 입구부터 작업구역과 비상대응까지 사업장 전체의 안전정보를 하나의 일관된 시각체계로 통합한 기본형 사례 2023 엘티정밀 감성플랜 지게차·보행자·물류동선을 분리하고 공정·대피·안전시설까지 색과 사인으로 통합한 공장 전체 안전정보체계 사례 2023 우성정공 커프웍스 레일대차와 호이스트의 조작방향·이동방향을 일치시키는 등 작업자가 실수하기 어렵도록 환경 자체를 바꾼 휴먼에러 예방 사례 2023 위지트 디자인와우앤파트너스 안전색상과 사인을 모듈화하고 작업·이동·대피·보호구 점검까지 연결해 지속적으로 확장할 수 있는 안전디자인 시스템을 만든 사례 2023 케이앤이 감성플랜 긴 공장 복도를 평상시에는 안전한 이동로, 비상시에는 직관적인 대피로로 활용한 안전동선 통합디자인 사례 2022 에스에프시 디자인선 화학공장의 화재대피·배관·차량동선을 재료와 시공방법까지 구체적으로 표준화한 초기 현장적용형 안전디자인 사례 2022 인탑스 디자인선 지게차와 보행자 안전에 더해 휴게공간까지 개선해 근로자의 회복환경을 산업안전의 일부로 다룬 초기 통합 작업환경 개선 사례       출처 : 한국디자인진흥원

디지털 지식전문가 조형식의 지식마당   세계적인 제조업 위기에도 인공지능(AI) 열풍이 불고 있다. 그러나 제조업에서 반도체 분야 말고는 아직은 이익을 내지 못하고 있다. 한국의 제조업은 소프트웨어 중심 전환(SX : Software-Defined Transformation)에 보다 관심을 가져야 된다고 생각한다.   그림 1. 제조업 경쟁력 진화의 함정   제조업은 지금 또 하나의 거대한 전환점에 서 있다. 지난 100여 년 동안 제조업의 경쟁력은 좋은 제품을 얼마나 정밀하고, 빠르고, 저렴하게 생산할 수 있는가에 의해 결정되었다. 설계 역량, 생산 설비, 공정 기술, 품질 관리, 공급망이 기업 경쟁력의 중심이었다. 제품의 가치는 대부분 물리적 하드웨어에 내재되어 있었다. 그러나 AI, 소프트웨어, 클라우드, IoT(사물인터넷), 디지털 트윈, 디지털 스레드가 결합하면서 이러한 전통적 제조업의 공식이 바뀌고 있다.   그림 2. 하드웨어 중심의 성공 공식   앞으로 제조기업의 경쟁력을 결정하는 질문은 단순히 ‘무엇을 잘 만드는가’가 아니다. ‘제품과 공장, 엔지니어링과 서비스를 얼마나 소프트웨어적으로 정의하고 지속적으로 변화시킬 수 있는가’이다. 필자는 이러한 제조업의 구조적 변화를 SX라고 부르고자 한다. SX는 단순한 소프트웨어 도입이나 IT 시스템 구축이 아니다. 제품(product), 공장(factory), 엔지니어링(engineering), 서비스(service), 기업 운영(enterprise)을 소프트웨어 중심 구조로 다시 정의하는 제조업의 패러다임 전환이다. 전통적인 제조업에서는 하드웨어가 제품을 정의했다. 자동차는 엔진과 차체가 정의했고, 항공기는 기체와 엔진이 정의했으며, 공작기계는 기계 구조와 제어장치가 정의했다. 따라서 경쟁력도 하드웨어 중심이었다.(기계 → 전자 → 소프트웨어 → 데이터 → AI) 그러나 오늘날 제품의 기능과 성능은 점점 소프트웨어에 의해 결정된다. 자동차의 주행 특성, 배터리 관리, 운전자 지원 기능, 인포테인먼트 시스템은 소프트웨어로 변화한다. 산업 장비 역시 소프트웨어 업데이트를 통해 새로운 기능을 추가할 수 있으며, 운영 데이터를 분석하여 고장 가능성을 예측하고 성능을 최적화한다. 결국 제조업의 가치(value) 중심이 하드웨어 가치 → 소프트웨어 가치 → 데이터 가치 → AI 가치로 이동하고 있다. 이것이 SX가 필요한 가장 근본적인 이유다.   그림 3. 소프트웨어 가치   지난 10여 년 동안 제조기업들은 DX(Digital Transformation, 디지털 전환)를 추진했다. ERP, PLM, MES, SCM, IoT, 클라우드, 디지털 트윈, AI 등 다양한 디지털 기술이 도입되었다. 그러나 많은 DX 프로젝트는 기존 프로세스를 디지털화하는 수준에 머물렀다. 종이 문서를 전자문서로 바꾸고, 수작업을 시스템으로 옮기고, 데이터를 클라우드로 이전하는 것만으로 제조업의 본질적인 경쟁 구조가 바뀌지는 않는다. DX가 주로 기존 업무를 디지털 기술로 개선하는 것이었다면 SX는 한 단계 더 나아간다. 제품과 제조 시스템 자체를 소프트웨어적으 로 정의하는 것이다. 따라서 다음과 같이 구분할 수 있다. DX = Digitize the Process SX = Software-Define the Business DX가 디지털화를 의미한다면 SX는 기업 구조 자체의 재정의를 의미한다.   그림 4. 소프트웨어 중심 전환   소프트웨어 중심(software-defined)이라는 개념의 핵심은 단순하다. 물리적 시스템의 기능과 동작을 소프트웨어가 정의하고 변경할 수 있도록 만드는 것이다. 과거에는 기능이 하드웨어에 고정되어 있었다. 제품이 출하되는 순간 기능 역시 거의 확정되었다. 그러나 소프트웨어 중심 제품은 출하된 이후에도 소프트웨어를 통해 기능을 추가하거나 변경할 수 있다. 따라서 제품은 더 이상 완성된 물체가 아니다. 제품 = 하드웨어 + 소프트웨어 + 데이터 + AI + 서비스가 된다. 그리고 더욱 중요한 변화가 발생한다. 제품의 생명주기가 설계(design) → 제조(manufacturing) → 공급(delivery)에서 끝나는 것이 아니라, 설계 → 제조 → 공급 → 운영(operation) → 데이터(data) → 학습(learning) → 업데이트(update)라는 지속적인 순환 구조로 바뀐다. 이것이 소프트웨어 정의 제조업의 본질이다. 소프트웨어 중심 자동차(Software-Defined Vehicle : SDV)는 자동차 산업에서 가장 빠르게 나타나고 있는 소프트웨어 중심 전환이다. 그러나 소프트웨어 중심 개념은 자동차에 국한되지 않는다. 앞으로 제조업에서는 다음과 같은 구조가 확대될 것이다. Software-Defined Product : 제품의 기능과 성능을 소프트웨어가 정의한다. Software-Defined Vehicle : 자동차의 기능과 사용자 경험을 소프트웨어가 지속적으로 변화시킨다. Software-Defined Machine : 산업기계의 동작과 성능이 소프트웨어와 AI에 의해 최적화된다. Software-Defined Factory : 공장의 생산능력과 운영방식이 소프트웨어를 통해 동적으로 재구성된다. Software-Defined Engineering : 설계·해석·검증 프로세스가 모델, 소프트웨어와 AI 중심으로 변화한다. Software-Defined Enterprise : 기업의 업무 프로세스와 의사결정 구조가 소프트웨어, 데이터와 AI를 중심으로 운영된다. 따라서 SX는 개별 제품의 변화가 아니다. 제품 → 엔지니어링 → 제조 → 서비스 → 엔터프라이즈 전체를 연결하는 제조업의 구조적 전환이다.   그림 5. 소프트웨어 중심의 구조적 전환   SX를 구현하기 위해 가장 중요한 기반 가운데 하나가 디지털 스레드(digital thread)다. 제조기업에는 이미 많은 시스템이 존재한다. CAD, CAE, PLM, ERP, MES, SCM, IoT, QMS, CRM 등이다. 문제는 시스템이 부족한 것이 아니다. 데이터와 맥락이 서로 단절되어 있다는 것이다. 설계 데이터와 생산 데이터가 분리되어 있고, 생산 데이터와 품질 데이터가 연결되지 않으며, 운영 데이터가 다시 설계로 돌아오지 않는 경우가 많다. 디지털 스레드는 이러한 단절을 연결한다.   그림 6. 새로운 생명주기의 시작   이렇게 제품의 전 생애주기 정보를 연결하면 소프트웨어 중심 제조업이 작동할 수 있는 데이터 기반이 만들어진다. 따라서 필자는 SX를 다음과 같이 표현하고 싶다. SX = 소프트웨어 중심 아키텍처 + 디지털 스레드 + 디지털 트윈 + AI  디지털 스레드가 정보를 연결하는 구조라면 디지털 트윈은 그 정보를 활용하여 현실 세계를 모델링하고 시뮬레이션하는 공간이다. 물리적 제품과 디지털 제품이 연결되고, 물리적 공장과 디지털 공장이 연결된다. 그리고 현실에서 발생하는 데이터가 디지털 트윈으로 전달된다. 물리적 요소 → 데이터 → 디지털 트윈 → 시뮬레이션 → AI → 의사결정 → 물리적 요소의 순환구조가 만들어지면 제조 시스템은 단순 자동화를 넘어 지속적으로 학습하고 최적화되는 시스템으로 발전한다. 과거의 디지털 트윈이 물리적 자산을 복제하는 개념에 가까웠다면, 앞으로의 디지털 트윈은 점차 의사결정을 지원하고 실행하는 지능형 운영 모델로 발전할 것이다. SX의 다음 단계에서 가장 중요한 변화는 AI다. 기존 소프트웨어는 사람이 정의한 규칙에 따라 움직였다. 그러나 AI가 결합된 소프트웨어 중심 시스템은 데이터를 분석하고 패턴을 발견하며 상황에 따라 의사결정을 지원하거나 일부 의사결정을 자동화한다. 여기에 생성형 AI와 AI 에이전트가 결합하면 또 다른 변화가 시작된다. 앞으로 엔지니어는 모든 시스템을 직접 조작하는 대신 AI 에이전트에게 목표를 제시하고, 필요한 데이터를 검색하게 하며, 시뮬레이션과 분석을 수행하도록 할 수 있다. 즉, 소프트웨어 중심 제조(software-defined manufacturing)에서 AI 중심 제조(AI-defined manufacturing)로 발전할 가능성이 커지고 있다. 하드웨어 중심 제조업에서는 경쟁력의 중요한 척도가 생산성이 었다. 얼마나 빨리 만들 수 있는가, 얼마나 싸게 만들 수 있는가, 얼마나 높은 품질로 만들 수 있는가가 중요했다. SX 시대에는 여기에 새로운 경쟁 변수가 추가된다. 얼마나 빠르게 제품과 시스템을 변화시킬 수 있는가? 자동차를 예로 들면, 과거에는 새로운 기능을 제공하려면 새로운 모델을 개발해야 했다. 그러나 소프트웨어 중심 제품에서는 소프트웨어 업데이트를 통해 새로운 기능을 제공할 수 있다. 따라서 경쟁의 단위가 제품 릴리스에서 지속적인 업데이트로 이동한다. 이는 제조업의 시간 개념 자체를 변화시킨다. 과거 제조업의 혁신 주기가 ‘년’이었다면 앞으로는 ‘월’, ‘주’, 경우에 따라 ‘일’ 단위가 될 수 있다. 결국 SX 시대의 핵심 경쟁력은 변화의 속도(change velocity)가 된다.   그림 7. 생산성과 변화의 속도   많은 기업이 ‘데이터가 자산’이라고 이야기한다. 그러나 AI 시대에는 데이터만으로 충분하지 않다. AI가 제조업에서 제대로 작동하려면 데이터의 의미와 관계를 이해해야 한다. 예를 들어 특정 센서 데이터가 어떤 제품의 데이터인지, 어떤 부품에서 발생했는지, 어떤 설계 요구사항과 관계되는지, 어떤 제조공정에서 생산되었는지, 어떤 소프트웨어 버전에서 발생했는지 알아야 한다. 즉 데이터에는 맥락(context)이 필요하다. 이 때문에 앞으로 제조업에서는 온톨로지(ontology)와 지식 그래프(knowledge graph)의 중요성이 더욱 커질 것이다. 데이터 → 정보 → 맥락 → 지식 → 인텔리전스라는 발전구조가 필요하다. 디지털 스레드가 데이터를 연결한다면 온톨로지는 그 연결의 의미를 정의하고, 지식 그래프는 관계를 표현하며, AI는 그 위에서 추론한다. SX의 가장 중요한 의미는 제품의 정의 자체를 바꾸는 데 있다. 과거의 제품은 공장에서 출하되는 순간 거의 완성되었다. 그러나 SX 시대의 제품은 출하가 끝이 아니다. 오히려 출하 이후 새로운 생명주기가 시작된다. 제품은 데이터를 생성하고, 기업은 데이터를 분석하고, AI가 새로운 인사이트를 발견하며, 소프트웨어 업데이트를 통해 제품에 다시 반영한다. 따라서 새로운 제품 생명주기는 다음과 같다. 설계 → 구축(build) → 운영(operate) → 감지(sense) → 학습 → 업데이트 → 진화(evolve). 여기서 중요한 단어는 마지막의 ‘진화’다. 미래의 제조기업은 단순히 제품을 만드는 회사가 아니라 제품을 지속적으로 진화시키는 회사가 될 것이다.   그림 8. 지속적 진화 생태계   제조업의 역사를 길게 바라보면 경쟁력의 중심은 계속 이동해 왔다. 기계화→ 자동화→ 전산화→ 디지털화→ 연결화→ 소프트웨어 중심 → AI 중심. 이 변화 속에서 SX는 단순한 기술 트렌드가 아니다. 그것은 제조기업이 제품을 정의하는 방식, 공장을 운영하는 방식, 엔지니어링을 수행하는 방식, 고객에게 서비스를 제공하는 방식, 그리고 기업 자체를 운영하는 방식을 바꾸는 새로운 제조업 운영체제(manufacturing operating system)라고 할 수 있다. 따라서 SX의 핵심 질문은 ‘우리 회사에 소프트웨어가 얼마나 많이 사용되고 있는가’가 아니다. 진짜 질문은 다음과 같다. ‘우리의 제품과 공장, 엔지니어링과 기업은 얼마나 소프트웨어적으로 정의되고 있는가?’ 그리고 한 단계 더 나아가야 한다. ‘그 소프트웨어 정의 구조 위에서 디지털 스레드, 디지털 트윈, 온톨로지와 AI가 얼마나 유기적으로 연결되어 있는가?’ 필자는 앞으로 제조업의 경쟁 구도가 결국 이 질문에 대한 답에 의해 결정될 것이라고 생각한다. 하드웨어 중심 제조에서 소프트웨어 중심 제조로. 그리고 다시 소프트웨어 중심 제조에서 인공지능 중심 제조로. 이것이 제조업이 직면하고 있는 다음 대전환이며, 바로 SX의 시대다.   ■ 조형식 항공 유체해석(CFD) 엔지니어로 출발하여 프로젝트 관리자 및 컨설턴트를 걸쳐서 디지털 지식 전문가로 활동하고 있다. 현재 디지털지식 연구소 대표와 인더스트리 4.0, MES 강의, 캐드앤그래픽스 CNG 지식교육 방송 사회자 및 컬럼니스트로 활동하고 있다. 보잉, 삼성항공우주연구소, 한국항공(KAI), 지멘스에서 근무했다. 저서로는 ‘ PLM 지식’, ‘서비스공학’, ‘스마트 엔지니어링’, ‘MES’, ‘인더스트리 4.0’ 등이 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

한국지멘스 스마트 인프라(SI) 부문은 데이터 기반의 효율적인 운영 관리와 강화된 사이버 보안 기능을 갖춘 차세대 자동 화재 탐지 시스템 ‘SRF 2.2 시스템’을 국내 시장에 선보였다. 최근 건물 운영의 디지털 전환이 빨라지고 관리 환경이 복잡해지면서, 화재 안전 시스템에서도 높은 수준의 연결성과 운영 효율, 보안성과 확장성이 핵심 요소로 주목받고 있다. 화재 탐지 시스템 역시 단순한 화재 감지 및 경보 설비를 넘어, 운영 데이터를 바탕으로 환경 변화에 유연하게 대응하는 통합 플랫폼으로 발전하는 추세다. 지멘스가 발표한 SRF 2.2 시스템은 이러한 시장 요구를 반영해 개발된 차세대 자동 화재 탐지 시스템이다. 오피스 빌딩, 병원, 데이터센터, 산업시설 등 다양한 상업 및 산업용 건물에 적용할 수 있으며, 사물인터넷(IoT) 환경에 맞춘 플랫폼과 직관적인 인터페이스, 선제적 진단 및 유지보수, 강화된 사이버 보안 기능을 지원한다.     SRF 2.2 시스템은 지멘스의 글로벌 표준 소프트웨어 구조인 공통 컴포넌트 플랫폼(CCP) 기반의 고성능 CPU 모듈을 적용해 변화하는 운영 환경과 요구사항에 유연하게 대응하도록 설계됐다. 지멘스의 UI 표준을 반영한 인터페이스는 화면 구성을 단순화하고 조작 단계를 줄여 효율적인 운영을 돕는다. 17인치 고해상도 LCD 디스플레이를 탑재해 가시성을 개선했으며, 빠른 화면 전환과 터치 반응 속도를 제공한다. 유지보수 측면에서는 데이터 시각화 기능을 강화했다. 운영자는 시각화된 운영 데이터를 통해 반복적인 이벤트와 패턴을 확인하고 잠재적인 문제를 조기에 발견할 수 있다. 이를 통해 설비 운영의 안정성을 높이고 신속한 의사결정을 내릴 수 있도록 지원한다. 또한 글로벌 표준 하드웨어 구성요소를 채택해 일관된 품질을 확보했으며, 정기적인 운영체제(OS) 및 소프트웨어 업데이트를 제공해 시스템 확장성을 높였다. 외부 위협에 대응하기 위한 보안 기능도 보강했다. 설계 단계부터 글로벌 사이버 보안 정책을 적용해 안전한 프로그램 전송 환경을 제공하며, 수신기 도어가 열리면 즉시 경고음과 함께 로그를 기록한다. 사용자 접근 권한은 3단계로 구분해 주요 시스템 설정을 보호하고, 무허가 소프트웨어 실행을 차단하는 시큐어 부트(Secure Boot) 기능을 적용해 시스템 안정성을 강화했다. 한국지멘스의 정하중 대표이사·사장은 “오늘날 화재 안전은 단순한 사고 대응을 넘어, 복잡해지는 디지털 건물 환경에서 인명을 보호하고 비즈니스 연속성을 확보하기 위한 핵심 요소로 자리 잡고 있다”면서, “한국지멘스는 SRF 2.2 시스템을 통해 더욱 안전하고 신뢰할 수 있는 건물 운영 환경을 제공하는 한편, 지속적인 기술 혁신을 바탕으로 지속 가능한 스마트 빌딩 생태계 구축에 기여해 나갈 것“이라고 밝혔다.

캐드앤그래픽스 지식방송 CNG TV 지상 중계   지난 6월 24일 진행된 CNG TV 웨비나에서는 EPC 및 건설 업계의 핵심 화두인 AWP(advanced work packaging) 방법론의 기본 개념과 예측 가능성(predictability) 향상 방안, 그리고 옥타브의 디지털 실행 플랫폼 사례를 통한 프로젝트 성과 극대화 전략이 소개되었다. 자세한 내용은 다시보기를 통해 확인할 수 있다. ■ 박경수 기자   ▲ AWP의 개념과 절차 등을 소개한 연세대학교 건축공학과 강영철 교수   AWP의 개념, 절차 및 기대 효과 AWP는 기술이라기보다 EPC(엔지니어링·구매·시공)의 모든 정보와 업무를 플래닝 단계부터 시공 중심 기준으로 통합하여 정렬하는 업무 흐름(workflow)이다. 핵심 목적은 현장 근로자의 작업 생산성(tool time)을 높이고 대기·이동 시간을 단축하는 것이다. 정량적 효과로는 근로자의 직접 작업 시간 증가로 인한 생산성 향상(최대 25%), 감독관의 현장 관리 시간 증가(15%→65%)를 통한 안전·품질 개선 등이 보고되어 있으나, 조직의 AWP 성숙도 레벨이나 추가 비용 분담 및 이익 배분 등의 계약구조 이슈가 존재한다. 반면 정성적 효과로는 투명한 정보 공유, 작업 승인권에 따른 책임감 강화, 이직률 감소 및 안전성 제고, 분야 간 협업 개선, 그리고 가장 유의미한 요소로 평가받는 ‘예측 가능성(predictability)’ 향상을 꼽을 수 있다. 연세대학교 건축공학과 강영철 교수는 “AWP를 수행할 때 너무 기술에만 치중하지 말고 사람, 프로세스, 기술이라는 세 가지 관점을 균형 있게 고려해야 한다”며, “단기적 성과보다는 프로세스 개선과 조직 문화 변화를 바탕으로 지속 가능한 실행 체계를 갖추는 것이 중요하다”고 이야기했다.   ▲ AWP의 성공적 수행을 위한 실행 전략을 소개한 옥타브 남궁진 영업이사   AWP의 성공적 수행을 위한 디지털 기술 실행 전략 AWP를 성공적으로 현장에 안착시키기 위해서는 플랫폼 기반의 테크놀로지 이네이블먼트(technology enablement)가 필수적이다. 디지털 기술 구현 영역은 크게 네 가지 영역으로 구분된다. AWP 라이프사이클 관리 : POC부터 CWP, IWP까지 제약 조건 및 워크플로를 통제하는 거버넌스 체계 디지털 공급망 관리(SCM) : BOM부터 현장 설치, 시운전 단계까지 Auto-ID/IoT 기반 자재 트래킹 및 자재 준비도(readiness) 확보 시공 관리 및 시운전 지원 : 모바일 디바이스와 3D 모델 기반으로 현장 제약 사항을 시각화하고 실시간 작업 및 커미셔닝 관리 인포메이션 허브 및 데이터 연계 : 엔지니어링, 구매, 시공 간의 데이터 사일로(silo)를 제거하고 일관된 맥락에서 실시간 의사결정을 지원하는 데이터 통합 환경 옥타브는 이와 관련하여 SCM/Jobsite, Smart Completions, iConstruct(3D 모델 기반 워크 패키징 및 4D 스케줄 시뮬레이션) 등 설루션 포트폴리오를 제공하고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

최근 인공지능(AI) 산업 확산으로 전력 수요가 급증하고, 탄소중립 실현을 위해 소규모 분산형 설비인 분산 에너지 자원의 도입이 빠르게 늘면서 전력망의 복잡성도 심화되는 추세이다. 이에 따라 전력계통의 안정성을 확보하기 위해 종단간(end-to-end) 디지털 아키텍처 구축과 고성능, 고신뢰성 네트워크 기술을 통합하는 일이 필수 요건으로 떠올랐다. 시스코는 효성중공업과 함께 이러한 시장 변화에 대응해 차세대 디지털 변전소 구현에 필요한 핵심 기술 검증을 공동으로 진행했다고 밝혔다. 양사는 실제 변전소 환경에서 발생할 수 있는 고부하 트래픽 상황을 구현하고, 샘플값 등 핵심 디지털 데이터가 지연이나 손실 없이 전송되는지를 확인했다. 그 결과 전력 디지털화의 핵심 요건인 무손실 데이터 전송을 검증했다고 양사는 밝혔다. 특히 효성중공업의 핵심 전력 기기인 지능형 정보취합장치와 시스코의 산업용 사물인터넷(IoT) 설루션 간의 상호운용성 테스트를 성공적으로 마쳤다. 이번 검증은 전력망 이중화 표준 프로토콜인 HSR 및 PRP를 기반으로 진행했으며, 장애가 발생해도 중단 없이 전력 서비스를 제공할 수 있음을 입증했다.     이번 기술 검증에는 에스넷시스템과 세니온도 참여했다. 에스넷시스템은 시스코 프리퍼드 파트너로서 네트워크, 보안, 클라우드, AI 인프라 설계 및 구축 역량을 바탕으로 전체 아키텍처 구현을 지원했다. 전력 IT 전문기업 세니온은 전력망 통합 경험을 토대로 송전, 변전, 배전 분야의 실제 변전소 환경을 반영한 검증 시나리오를 설계하고 적용했다. 앞으로 양사는 사전 검증을 마친 기술과 제품군을 패키지 형태로 글로벌 전력 시장에 제공할 계획이다. 전력 운영사는 신규 디지털 변전소를 구축할 때 발생할 수 있는 기술적 불확실성을 줄이고, 구축 기간을 단축하며 운영 효율을 높일 수 있을 전망이다. 효성중공업의 한영성 연구소장은 “차세대 디지털 변전소 구현에는 전력기기의 디지털화와 고가용성 네트워크, 종단간 통신 성능, 사이버보안이 모두 검증된 통합 아키텍처가 중요하다”면서, “이번 머징 유닛 상호운용성 검증을 토대로, 전력제어 시스템과 산업용 네트워크 보안이 결합되는 영역에서 시스코와 공동 설계 및 보안 상호운용성 검증 분야의 협력을 지속 검토해 나갈 계획”이라고 전했다. 시스코코리아 최지희 대표는 “시스코의 산업용 스위치는 가혹한 전력 환경에 특화된 세계적으로 검증된 고성능 네트워크 장비”라면서, “효성중공업의 지능형 전력 기기가 가진 최상의 성능을 발휘할 수 있도록 적극 지원하겠다”고 말했다.

공정진단 AI 솔루션 DutchBoy로 제조 프로세스 생산성과 인사이트 제공 인공지능(AI)과 데이터 기술이 제조 현장에 본격적으로 도입되면서, 공정 운영 방식 역시 새로운 전환점을 맞이하고 있다. 설비와 공정에서 생성되는 방대한 데이터를 어떻게 분석하고, 이상을 조기에 감지하며, 근본 원인을 규명할 것인가는 스마트 제조 시대의 핵심 과제로 떠올랐다. 산업용 AI 솔루션 전문기업 에이아이비즈(AIBIZ)는 딥러닝 기반 공정 진단 플랫폼 ‘DutchBoy(더치보이)’를 통해 이러한 과제에 대한 해법을 제시하고 있다. ■ 자료 제공 I 에이아이비즈. 02-334-6988, www.ai-biz.net 1. 스마트 제조 시대, 새로운 과제와 기회 제조 산업은 지금 전례 없는 변화의 흐름 속에 있다. 인공지능(AI), 사물인터넷(IoT), 빅데이터 기술이 결합되면서 ‘스마트 팩토리’는 더 이상 미래의 개념이 아니라 현실적인 산업 전략으로 자리 잡았다. 그러나 기술 도입이 확대될수록 제조 현장이 직면하는 문제 역시 복잡해지고 있다.  대표적인 과제는 데이터 활용이다. 제조 설비와 공정에서는 초 단위, 나노 초 단위로 수많은 시계열 데이터가 생성된다. 이 방대한 데이터를 단순히 저장하는 것만으로는 의미 있는 가치를 창출하기 어렵다. 공정 중 발생하는 미세한 이상 징후를 어떻게 실시간으로 감지할 것인지, 불량의 원인이 되는 공정이나 장비를 어떻게 신속하게 규명할 것인지가 기업 경쟁력을 좌우하는 핵심 요소로 떠올랐다. 이러한 문제의식에서 출발한 기업이 산업용 AI 솔루션 전문기업 에이아이비즈(AIBIZ Co. Ltd.)다. 에이아이비즈는 다년간의 연구개발과 현장 적용 경험을 토대로, 딥러닝 기반 산업용 AI 플랫폼 ‘DutchBoy’를 개발했다. DutchBoy는 현장 엔지니어가 복잡한 AI 전문 지식 없이도 공정 데이터를 활용해 생산성과 수율을 개선하고, 공정 안정성을 확보할 수 있도록 설계된 것이 특징이다. 2. DutchBoy 플랫폼이란 무엇인가? DutchBoy는 반도체, 이차전지, 자동차 등 고정밀 제조 산업을 위해 개발된 딥러닝 기반 산업용 AI 플랫폼이다. 제조 공정에서 발생하는 방대한 시계열 데이터를 실시간으로 분석해, 육안으로는 확인하기 어려운 미세한 이상 징후까지 탐지한다.  기존 제조 현장의 데이터 분석 방식은 샘플링 분석이나 사후 분석에 의존하는 경우가 많았다. 이는 전체 공정을 대표하기 어렵고, 문제가 발생한 이후에야 원인을 추적할 수 있다는 한계를 지닌다.  DutchBoy는 이러한 한계를 넘어, 실시간 전수 데이터 분석을 기반으로 공정을 진단한다는 점에서 차별성을 갖는다.  특히 DutchBoy는 이상 탐지에 그치지 않고, 이상 발생의 근본 원인을 추적하고 사전 예방 계획 수립까지 지원하는 통합형 솔루션으로 설계됐다. 이를 통해 제조 현장은 단순한 자동화 단계를 넘어, 데이터 기반의 예측·진단·의사결정이 가능한 지능형 공정 운영 단계로 전환할 수 있다. 3. DutchBoy의 핵심 기술: 빠르고, 확장 가능하며, 강건하게 DutchBoy의 성능과 현장 적용성은 에이아이비즈가 보유한 독자적인 핵심 기술에서 비롯된다. 주요 기술은 ADTW, GNN, TTTM 세 가지로 요약된다. 이러한 기술들은 보안성과 신뢰성, 확장성을 고려한 안정적인 AI 운영 환경과 함께 제공되며, 제조 현장에 적용 가능한 실용 기술로 구현된다. (1) ADTW: 데이터 레이블링 없는 빠른 현장 적용  먼저 ADTW(Advanced Dynamic Time Warping)는 데이터 레이블링 없이도 빠른 현장 적용을 가능하게 하는 기술이다. 일반적으로 AI 모델 학습 과정에서 가장 큰 장벽은 데이터에 ‘정상’과 ‘이상’을 구분해 표시하는 레이블링 작업이다. 이는 많은 시간과 인력을 필요로 하며, 경우에 따라 1년 가까운 준비 기간이 소요되기도 한다. ADTW는 정상 데이터만을 자동으로 추출해 모델을 학습하기 때문에 별도의 레이블링 과정 없이도 약 1주일 만에 현장 적용이 가능하다. (2) GNN: 데이터 간 상관관계를 통한 확장성 확보  제조 현장의 센서 데이터는 개별적으로 존재하는 것이 아니라 서로 복잡한 상관관계를 가진다. GNN(Graph Neural Network)은 이러한 센서 간 상호작용 구조를 학습해, 동일 장비군 내에서는 하나의 AI 모델을 공유할 수 있도록 한다. 이를 통해 장비마다 별도의 모델을 구축해야 하는 비효율을 줄이고, 모델의 확장성과 적용 유연성을 크게 높인다. (3) TTTM: 장비 간 편차 극복 및 강건성 유지  동일한 장비라도 노후화나 부품 교체로 인해 데이터 패턴이 달라질 수 있다. TTTM(Tool To Tool Matching)은 장비 간 미세한 편차를 자동으로 보정하고, 패턴 변화를 감지해 AI 모델의 성능이 일관되게 유지되도록 한다. 엔지니어가 수작업으로 모델을 재조정하지 않아도, 시스템이 스스로 최적의 성능을 유지하는 구조다. 4. DutchBoy의 작동 방식: 데이터에서 인사이트까지 DutchBoy는 '수집 → 저장 → 분석 → 활용'의 체계적인 데이터 파이프라인과 4가지 핵심 모듈을 통해 제조 공정의 이상을 종합적으로 진단한다. (1) 데이터 파이프라인 데이터 수집 단계에서는 레거시 시스템(Legacy System)과 IoT 장비 등 다양한 소스로부터 스트리밍 또는 배치 형태의 데이터를 받아들인다. 수집된 데이터는 Data Lakehouse와 인메모리(In-memory) DBMS를 통해 신뢰성 있게 저장된다. 이후 딥러닝 기반 AI 플랫폼이 자동 분석을 수행하며, 결과는 대시보드, 웹, 모바일 환경에서 실시간으로 확인할 수 있다. (2) 핵심 모듈 핵심 모듈은 이상 탐지, 이상 검사, 이상 판정, 이상 진단 모듈로 구성된다. 이러한 구조를 통해 DutchBoy는 단순한 이상 감지를 넘어, 원인 분석과 대응 전략 수립까지 지원하는 통합 진단 체계를 구축한다. ■ 이상 탐지 모듈: 공정에서 발생하는 시계열 센서 데이터를 실시간 모니터링하여 이상을 탐지하고, 이상의 원인 센서 정보를 제공한다. ■ 이상 검사 모듈: 측정 데이터를 Wafer Map으로 시각화하고 하여 불량 패턴(Particle, Shot 등)을 자동으로 분류 및 분석하여 불량의 원인이 되는 공정과 장비 정보를 제공한다. ■ 이상 판정 모듈: 제품 이미지 데이터를 활용하여 불량을 판정하며, 불량 패턴을 자동으로 분류하고 불량 원인 공정과 장비 정보를 제공한다. ■ 이상 진단 모듈: 센서, 장비, 공정 측면의 다각도의 분석 결과를 종합적으로 분석, 시각화하여 불량의 근본 원인을 제공한다.   5. 적용 분야 및 현장 도입 효과 DutchBoy는 반도체, 이차전지, 자동차 산업 등 다양한 첨단 제조 분야에 적용되고 있다. 국내 반도체 장비 S사, 파운드리 D사, 이차전지 제조 L사 등 국내 유수의 기업들과의 PoC(Proof of Concept, 기술 검증) 및 상용화를 통해 그 성능을 입증받았다. DutchBoy 도입을 통해 기업들은 불량률 감소, 설비 효율 향상, 공정 안전성 확보, 제품 수율 개선 등 가시적인 성과를 거두고 있으며, 데이터 기반의 객관적인 의사결정과 탐구적 업무 환경으로의 변화를 경험하고 있다. 6. 에이아이비즈, 산업 AI 혁신을 선도하다 2020년 설립된 에이아이비즈는 ‘2026년 산업용 AI 솔루션 글로벌 1위 기업’을 비전으로 빠르게 성장하고 있는 스타트업이다.  CES 2026 혁신상, 2025 세계일류상품 인증, IR52 장영실상 수상 등 대외적 성과를 통해 기술력을 인정받고 있다. 현재 등록 특허 24건, 출원 특허 30건(해외 출원 포함)을 보유하고 있으며, 이는 시계열 데이터 분석 기술 분야에서의 경쟁력을 보여준다.  에이아이비즈는 공정 진단 솔루션 'DutchBoy S' 외에도 R&D(연구·개발) 자동화 솔루션 'DutchBoy R', ELT자동화 솔루션 ‘DutchBoy E’를 통해 반도체 소자 개발 TAT(Turn Around Time) 단축과 데이터 추출, 저장, 변환 자동화를 지원하며, 지속적인 기술 혁신을 통해 산업 현장의 디지털 전환(DX)을 선도하고 있다. 7. 결론: 실시간 전수 검사로 여는 제조 품질 혁신 DutchBoy는 단순한 이상 탐지 툴을 넘어, 제조 현장의 엔지니어에게 AI라는 강력한 조력자를 제공하는 통합 플랫폼이다. 기존의 제조 현장에서는 불량 검사를 위해 주로 두 가지 방식에 의존해 왔다.  첫째는 제품 생산 후 카메라로 이미지를 촬영하여 불량을 판별하는 비전 검사 방식이었다. 이는 최종 생산 단계에서만 불량을 감지할 수 있어, 이미 발생한 불량품을 걸러내는 사후 조치에 불과하였다. 불량의 원인을 실시간으로 파악하기 어렵고, 불량이 발생하는 순간을 놓쳐 생산 효율성을 크게 저해하는 한계가 명확하였다.  둘째는 샘플링 검사 방식이었다. 이는 특정 수량의 제품만을 샘플링하여 검사하는 방식으로서, 전수 검사가 불가능할 뿐만 아니라, 검사 대상이 아닌 제품에서 불량이 발생할 경우 이를 인지하기조차 어려웠다. 또한, 생산된 제품의 일부를 손실해야 하는 비효율성 또한 존재하였다. DutchBoy는 이러한 기존 검사 방식들의 근본적인 한계를 극복하며 제조 품질 관리의 패러다임을 혁신한다. DutchBoy는 생산 공정 중 실시간으로 수집되는 시계열 센서 데이터를 활용한다. 온도, 압력, 전압, 전류, 속도 등 수많은 공정 변수들의 미세한 변화를 초 단위, 나노 초 단위로 전수 검사하여 이상 징후를 즉각적으로 탐지한다. 이는 최종 제품이 나오기 전에, 심지어 불량이 시작되는 시점에서 이상을 감지하고 경고함으로써, 불량품 발생 자체를 최소화하고 생산 손실을 극적으로 줄이는 사전 예방적 관리의 가능성을 현실화한다. 이러한 실시간 전수 검사의 강점은 단순히 불량을 줄이는 것을 넘어선다. 공정 데이터의 상시 모니터링을 통해 미세한 성능 저하 징후나 잠재적 설비 고장 위험까지 예측할 수 있게 된다. 이는 계획된 유지보수를 가능하게 하여 예기치 않은 가동 중단을 방지하고, 설비의 수명을 연장하며, 전반적인 생산 효율성을 극대화하는 데 기여한다. 공정 자체가 정상 범위 내에서 최적으로 운영되도록 실시간으로 통제하고 관리하는 '능동적이고 지능적인 제조'를 가능하게 하는 것이다. 에이아이비즈는 DutchBoy솔루션을 통해 국내는 물론, CES, SEMICON West 등 글로벌 무대에서 기술력을 선보이며 K-산업 AI의 위상을 높이고 있다. 제조 공정의 혁신을 꿈꾸는 기업이라면, DutchBoy솔루션이 실시간 전수 검사 기반의 스마트 제조 실현을 위한 강력한 해답이 될 것이다.  

PTC가 설계된 제품과 유지보수 상태의 자산 간 격차를 좁혀주는 클라우드 네이티브 자산 인텔리전스 설루션 ‘PTC 오빗(PTC Orbit)’을 발표했다. PTC 오빗은 PLM(제품 수명주기 관리), ERP(전사적 자원 관리), CRM(고객 관계 관리), IoT(사물인터넷), EAM(전사 자산 관리), FSM(현장 서비스 관리) 시스템을 단일 자산 기록으로 통합한다. 이후 엔지니어링, 품질, 서비스 팀이 자산 정보에 쉽게 접근하고 탐색하며 조치를 취할 수 있도록 AI를 적용해 지능형 제품 수명 주기의 가치를 확장한다. 제조업체는 설계부터 제조까지 제품 수명주기를 관리하기 위해 많은 투자를 진행하며, 모든 수정과 구성 및 변경 사항을 PLM에서 추적한다. 그러나 제품이 출고되면 구조화된 시각화가 중단되고 각 자산의 유지보수 상태는 서로 단절된 시스템으로 파열된다. PTC 오빗은 유지보수 관점의 자산 인텔리전스 시스템 역할을 수행해 이 격차를 메운다. 이를 통해 모든 팀이 정확하고 최신의 동일한 자산 정보를 바탕으로 작업할 수 있도록 지원하며, 폐쇄 루프 기반의 제품 신뢰성 향상과 선제적인 서비스 준비 및 애프터마켓 수익 프로그램 확대를 견인한다.     PTC 오빗은 자산 데이터 통합, AI 기반 수명주기 인텔리전스, AI 지원 접근 및 상호작용 등의 주요 기능을 지원한다. PTC 오빗은 기업 내 다양한 시스템의 자산 데이터를 연결하고 조정한다. 이를 통해 각 자산의 통합된 유지보수 상태 뷰를 생성하고, 제품 출고 시 발생하는 시각적 공백을 제거한다. 그리고 AI를 적용해 서비스 패턴과 고장 트렌드를 감지한다. 자산 그룹, 고객 계정, 지역별로 자산 건전성 점수를 계산하고 서비스 및 유지보수 수요를 예측한다. 또한 정적 대시보드를 넘어 사용자의 상황에 따라 동적으로 인사이트를 제공하는 AI 캔버스를 구축한다. 이를 통해 기업 내 모든 팀이 자산 데이터와 상호작용하고 필요에 따라 관련 정보에 접근할 수 있도록 돕는다. PTC의 조셉 준 서비스 수명주기 관리(SLM) 및 AI 전략 부문 총괄은 “자산 데이터는 언제나 도처에 존재했지만 어디에서도 진정으로 활용되지 못했다. “PTC 오빗은 자산 인텔리전스의 기록 시스템이 될 수 있도록 기초부터 완전히 새롭게 구축한 AI 우선 설루션이다, 이번 설루션을 통해 자산 데이터를 사후에 관리하는 대상에서 제품 수명 주기 전반에 걸쳐 선제적으로 활용할 수 있는 자산으로 전환하고 있다”고 전했다. PTC는 오빗을 비롯한 전체 포트폴리오를 통해 ‘인텔리전트 제품 라이프사이클’에 대한 비전을 실현하고 있다. 제조업체와 제품 기업이 제품 데이터의 기반을 구축하고 기업 전반으로 데이터의 가치를 확장하며, AI 기반의 디지털 전환을 가속화할 수 있도록 지원한다. 제품 데이터를 광범위하게 활용하는 기업은 더 높은 품질의 제품을 시장에 빠르게 출시하고, 제품의 복잡성을 효과적으로 관리하며, 규제 및 컴플라이언스 기준을 보다 수월하게 충족할 수 있다.