주요 스마트 건설 DX 솔루션 소개 온톨로지 기반 데이터 지능 플랫폼, NAXiS  개발 및 자료 제공 : 이에이트, 02-6410-2802, https://e8ight.co.kr/   NAXiS(넥시스)는 운영 데이터를 ‘의미 중심 구조’로 재정의하여, AI와 분석 시스템이 동일한 기준으로 이해하고 판단할 수 있도록 만드는 온톨로지 기반 데이터 지능 플랫폼이다. 기존 데이터 환경에서는 시스템과 조직별로 데이터 정의가 달라, 동일한 데이터에도 해석과 판단이 일관되지 않았고, 그 결과 AI는 같은 질문에 서로 다른 답을 내놓거나 운영 맥락을 충분히 반영하지 못하는 한계를 보여 왔다. 데이터가 축적될수록 이러한 문제는 더욱 심화되어 AI 결과에 대한 신뢰성 저하로 이어졌다. NAXiS는 이러한 문제를 AI 모델의 성능이나 알고리즘의 고도화로 해결하려 하지 않는다. 대신, AI가 판단의 근거로 삼는 데이터 자체의 의미와 기준을 먼저 정립하는 데 집중한다. 자산, 설비, 공정, 이벤트, 규칙 등 운영 환경을 구성하는 요소들을 온톨로지 기반의 개념 체계로 구조화하고, 데이터 간의 관계와 맥락을 명시적으로 정의함으로써 모든 AI와 애플리케이션이 동일한 의미 체계 위에서 작동하도록 한다.  이를 통해NAXi는 조직 내에 분산된 데이터를 단순히 연결하는 수준을 넘어, 전사적으로 신뢰할 수 있는 단일 진실 공급원(Single Source of Truth)을 구현한다. 결과적으로 NAXiS는 AI를 하나 더 만드는 플랫폼이 아니라, AI가 정확하고 일관되게 판단할 수 있도록 만드는 ‘판단 기준의 플랫폼’으로 기능한다. 1. 주요 특징  (1) 도메인 온톨로지 기반 모델링 자산, 설비, 공정, 이벤트, 규칙 등 운영을 온톨로지 기반의 개념 체계로 모델링하고, 데이터 간의 관계와 인과 구조, 맥락을 명시적으로 정의한다. 이를 통해 현장에 축적된 암묵적 지식과 경험을 재사용 가능한 디지털 지식 자산으로 전환한다. (2) 의미 기반 데이터 통합 분산된 시스템과 이기종 데이터를 포맷이나 저장 구조가 아닌 ‘의미’ 기준으로 연결하여 데이터 사일로를 해소하고, 전사 단일 진실 공급원(SSoT)을 구현한다. (3) 추론 및 관계 기반 판단 엔진 규칙 기반 추론과 관계·그래프 기반 분석을 결합해 단순 통계 분석을 넘어선 판단을 수행한다. 복합적인 운영 상황 속에서도 결과만 제시하는 것이 아니라, 그 원인과 맥락을 함께 도출함으로써 AI 판단의 설명 가능성과 신뢰성을 높인다. (4) AI·LLM·Agent 연계 최적화 구조 LLM, AI 에이전트, 다양한 분석 모델과 직접 연계되도록 설계되어 있으며, 온톨로지 기반 RAG 구조를 통해 AI가 항상 올바른 맥락과 기준을 참조하도록 한다. 이를 통해 환각(hallucination)과 오판 가능성을 줄이고, AI 결과의 일관성과 정확도를 향상시킨다. (5) AI 비종속 개방형 아키텍처 특정 AI 모델이나 벤더에 종속되지 않는 개방형 구조로 설계되어, 다양한 AI 및 외부 솔루션과 API 기반으로 연동할 수 있다. AI 교체나 확장 시에도 동일한 판단 기준을 유지할 수 있어, 장기적으로 안정적인 플랫폼 운영이 가능하다. 2. 기대효과 NAXiS는 기존 AI 시스템에서 반복적으로 발생하던 데이터 해석 불일치와 판단 편차 문제를 근본적으로 해소함으로써, AI가 일관된 기준 위에서 판단할 수 있는 구조를 제공한다.  (1) 데이터 해석 불일치 해소 및 일관된 판단 기준 확립 시스템과 조직마다 다르게 정의되던 데이터의 의미와 관계를 온톨로지로 구조화함으로써, AI와 분석 시스템이 동일한 기준으로 데이터를 이해하고 판단하도록 한다. 이를 통해 같은 질문에 서로 다른 답을 내놓던 기존 AI 환경의 근본적인 한계를 해소하고, 조직 전반에 일관된 판단 체계를 구축한다. (2) 모델 중심에서 데이터·지식 중심 구조로의 전환 AI 모델 교체·확장에도 동일한 의미 체계 위에서 작동하도록 함으로써 판단의 연속성과 안정성을 확보한다. (3) 사일로 데이터 해소를 통한 상황 인식 및 원인 분석 고도화 분산된 시스템과 이기종 데이터를 의미 기준으로 연결해 통합 지식 그래프를 구축함으로써 데이터 사일로를 해소한다. 데이터 간 인과관계와 맥락이 구조화되어, 복합 운영 환경에서도 단순 이벤트 감지를 넘어 정확한 상황 인식과 원인 파악이 가능해진다. (4) AI 확장 대응력 확보 및 자율 운영 체계 기반 마련 특정 AI 모델이나 벤더에 종속되지 않는 구조를 통해 AI 확장·교체 시 재개발을 최소화하고, 장기적인 운영 안정성과 비용 효율성을 확보한다. 여기에 NAX Ops(넥스 옵스)가 결합될 경우, NAXiS에서 정립된 판단 기준이 곧바로 실행으로 이어지며 자율 운영 체계 구현의 기반이 완성된다.  결과적으로 NAXiS는 데이터 → 정보 → 지식 → 판단으로 이어지는 흐름을 구조화하여, AI를 더 똑똑하게 만드는 것이 아니라 AI가 틀리지 않게 만드는 기반 플랫폼이다.   상세 내용은 <스마트 건설 DX 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

BIM 칼럼니스트 강태욱의 이슈 & 토크   헤르메스(Hermes)는 중앙 집중형 AI의 한계를 극복하고 독립적인 주권적 AI를 구현하기 위해 개발된 로컬 에이전트이다. 사용자 로컬 환경에서 독립 구동되는 헤르메스는 웹 리서치, 디버깅, 멀티 에이전트 협업 등 다양한 업무를 스스로 처리한다. 나아가 로컬 서빙 도구와 연동하면 무료로 고성능 에이전트 생태계를 구축할 수 있다. 이번 호에서는 헤르메스 에이전트의 등장 배경과 설치 방법, 주요 기능 및 활용 사례를 소개한다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   헤르메스(Hermes)는 서버리스로 자체 로컬 컴퓨터에 설치할 수 있는 에이전트이다. 스스로 발전할 수 있도록 구현되어 있어, 지식을 계속 축척하고 이를 재사용할 수 있다. 헤르메스 프로젝트는 중앙 집중형 AI의 한계를 극복하기 위해 누스 리서치(Nous Research)에 의해 개발되었다. 누스 리서치는 특정 기업의 이익보다 오픈소스 AI 모델의 성능 향상과 보급을 목적으로 하는 연구 커뮤니티이자 조직이다. 이들은 이미 AI 오픈소스 프로젝트를 통해 세계 AI 개발자들 사이에서 신뢰를 쌓아왔다. 특정 기업에 종속된 클라우드 기반 AI 와 달리, 사용자의 로컬 환경에서 독립적으로 작동하는 주권적 AI(sovereign AI) 구현을 목표로 한다. 개발팀은 사용자가 자신의 하드웨어 자원을 활용해 보안 걱정 없이 고성능 AI 비서를 운용할 수 있는 생태계를 구축하고자 이 에이전트를 세상에 내놓았다. 헤르메스 에이전트의 공식 정보와 최신 소스 코드는 공식 깃허브(GitHub) 저장소 및 프로젝트 웹사이트를 통해 제공된다. 개발자들과의 원활한 소통 및 기술 지원은 주로 디스코드(Discord) 커뮤니티나 관련 포럼을 통해 이루어지며, 이곳에서 사용자는 최신 업데이트 소식과 문제 해결 방법을 공유받을 수 있다. 헤르메스 에이전트는 현재 매우 빠른 속도로 발전 중이다. 초기에는 단순한 텍스트 기반 응답에 집중했으나, 현재는 도구 사용(tool use), 웹 브라우징, 그리고 장기 기억(long-term memory) 기능을 통합하여 복잡한 태스크를 수행할 수 있는 수준에 도달했다. 특히 오픈소스 커뮤니티의 활발한 참여로 인해 다양한 로컬 LLM(대규모 언어 모델)과의 호환성이 강화되고 있으며, 최적화 작업을 통해 사양이 낮은 개인용 PC에서도 원활하게 구동될 수 있도록 경량화가 진행되고 있다.   설치 방법 설치는 리눅스에서 다음과 같이 실행한다.   curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash   그림 1   만약 이전에 오픈클로(OpenClaw) 에이전트를 설치했다면, 해당 설정을 임포트할 것인지 <그림 2~3>과 같이 질문한다. 필자는 오픈클로를 설치할 때 사용할 LLM 모델 등을 미리 설정하였기 때문에, 이 설정 정보를 그대로 가져오기로 했다.   그림 2   그림 3   그림 4   대부분 디폴트값으로 설정한다. 그러면 <그림 5>와 같이 마지막에 설정 수정 명령과 함께 에이전트를 실행할 지 물어본다. 엔터 키를 눌러 실행한다.   그림 5   그러면 <그림 6>과 같은 화면을 볼 수 있을 것이다.   그림 6     ■ 자세한 기사 내용은 PDF로 제공됩니다.

대한기계학회 가상제품개발연구회(VPD연구회)가 리스케일과 공동으로 주관한 ‘2026 춘계 심포지엄’이 7월 3일 서울 강남구 포스코타워 역삼 이벤트홀에서 개최됐다. ‘에이전틱 VPD : AI 에이전트가 이끄는 제품개발 혁신’을 주제로 열린 이번 심포지엄에서는 AI 에이전트와 가상제품개발(VPD : Virtual Product Development)의 융합이 제품 설계와 검증, 엔지니어링 프로세스를 어떻게 변화시키고 있는지를 산업계와 학계의 다양한 사례를 통해 조망했다. ■ 최경화 국장     이번 심포지엄은 가상제품개발연구회 박종원 연구회장(한국기계연구원)의 개회사와 대한기계학회 리광훈 회장의 축사로 시작됐다. 참석자들은 단순한 분석과 예측을 넘어 AI가 목표를 이해하고 계획을 수립하며 실행하는 ‘AI 에이전트’ 시대로 접어들면서, 전통적인 시뮬레이션과 제품 개발 방식이 어떻게 변화하고 있는지를 공유했다. 특히 축적된 엔지니어링 데이터와 물리 기반 모델, 디지털 플랫폼, AI 에이전트가 결합한 새로운 제품 개발 패러다임이 주요 화두로 제시됐다.   AI 에이전트 기반 하네스 엔지니어링과 VPD의 미래 기조강연에 나선 경희대학교 임재혁 교수는 ‘에이전트 기반 하네스 엔지니어링과 VPD의 미래’를 주제로 AI 에이전트가 제품개발에 가져올 변화를 소개했다. 임 교수는 VPD를 “실물 중심의 개발을 가상 모델 기반으로 전환해 개발 효율과 완성도를 높이는 기술”이라고 정의하며, 기존 대규모 언어 모델(LLM)과 LLM 에이전트의 차이를 설명했다. 그는 기존 LLM이 단일 응답 생성에 머무르는 반면, LLM 에이전트는 CAD·CAE API 호출, 파이썬(Python) 함수 실행, 서브 에이전트 협업 등을 통해 복합 업무를 자율적으로 수행할 수 있다고 설명했다. 또한 여러 에이전트가 역할을 분담해 병렬로 작업하는 멀티 에이전트 시스템(multi-agent system)이 제품개발 자동화의 핵심 기술이라고 소개했다. 이어 LLM 하네스(harness)에 대해서는 “강력한 LLM을 안전하고 재현 가능하게 활용하기 위한 실행 환경”이라며, 스킬(skill)이 ‘무엇을 수행할 것인가’라면 하네스는 ‘어떻게 안전하게 실행할 것인가’를 담당하는 개념이라고 설명했다. 발표에서는 12U 큐브샛(CubeSat) 개발 사례도 소개됐다. 우 주 모빌리티와 위성 개발은 높은 복잡성과 전문가 부족, 설계 도구의 분산 등으로 개발 난이도가 높다. 이를 해결하기 위해 총괄 에이전트를 중심으로 요구사항 분석, 부품 추천, 형상·배치 설계, 구조 및 열 해석(PINN 기반 가상 센싱 포함)을 담당하는 서브 에이전트를 유기적으로 연결한 설계 시스템을 구축했다고 밝혔다.   데이터와 AI가 만드는 ‘예측하고 발견하는’ VPD 첫 번째 세션에서는 리스케일 김정훈 팀장이 ‘엔지니어링 데이터 기반 가상제품개발과 AI 활용 방향’을 발표했다. 김 팀장은 기존 VPD가 시뮬레이션을 수행하는 데 초점을 맞췄다면, AI 시대에는 데이터를 기반으로 결과를 예측하고 새로운 설계 대안을 발견하는 방향으로 진화하고 있다고 설명했다. 기존 워크플로는 해석 결과가 일회성으로 활용되고 전문가 경험에 의존하는 한계가 있었지만, AI 기반 환경에서는 수천 건의 시뮬레이션을 동시에 수행하고 엔지니어링 데이터를 재사용 가능한 자산으로 축적할 수 있다. 축적된 데이터를 활용해 AI가 성능을 예측하고 최적 설계를 탐색하는 체계가 가능해진다는 것이다. 또한 리스케일은 클라우드 기반 HPC 플랫폼에서 출발해 엔지니어링 데이터 자산화와 AI 물리 기반 기술을 접목한 디지털 엔지니어링 플랫폼으로 진화하고 있다고 소개했다. 그리고 멕라렌, 다이킨, 붐 슈퍼소닉의 적용 사례를 통해 AI 기반 엔지니어링의 실효성도 제시했다.   중공업 및 건설 기계 산업 VPD 현황과 미래 과제 HD현대사이트솔루션 곽성규 상무는 ‘HD건설기계에서의 VPD 현황과 미래 과제’를 발표했다. 이 회사는 굴착기와 휠로더, 지게차 등 다양한 건설 기계를 개발하면서 구조, 유압, 제어, 열, 진동 등 복합 물리 현상을 동시에 검증해야 한다. 이 회사는 2012년부터 VPD 기반을 구축해 최근 5년 동안 건설 기계 179기종과 엔진 44 기종 개발에 적용하며 개발 체계를 지속적으로 고도화해 왔다. 제품 기획부터 상세 설계, 시제품 검증까지 1D 시스템 모델 기반 성능 시뮬레이션을 적용해 목표 성능과 시스템 아키텍처를 검증하고 있으며, AI 기반 지능형 VPD와 XR(확장현실) 기반 Virtual Proto Review 환경도 구축했다. 특히 ‘만들기 전에 보고 검증한다’는 개념 아래 개발자들이 가상 공간에서 시제품을 체험하고 조립성과 시야를 검토할 수 있도록 했다. 또한 웹 기반 VPD(webVPD) 환경과 자동화된 해석 프로세스를 구축해 구조 강도, CFD 기반 열유동, 진동·소음 해석 등을 통합 수행하고 있으며, 이를 통해 개발기간(time-to-market : TTM) 단축과 개발 비용 절감 효과를 거두고 있다고 소개했다.   모빌리티와 전자산업으로 확산되는 버추얼 제품 개발 오후 세션에서는 자동차와 전자산업의 VPD 적용 사례가 이어졌다. 현대자동차 박제승 실장은 ‘차량 아키텍처 단계 버추얼 타이어 개발’을 주제로 발표했다. 전기차는 무거운 배터리와 높은 초기 토크, 반복적인 회생제동 등으로 타이어에 가해지는 부하가 크게 증가한다. 이에 현대자동차는 초기 설계 단계에서 타이어 설계 변수와 차량 성능 KPI를 연계하는 데이터 기반 버추얼 개발 체계를 구축해 실차 시험 이전 단계에서 성능을 확보하는 개발 방식을 추진하고 있다고 설명했다. 이어 현대모비스 송준영 팀장은 ‘제품개발의 AX - 현대모비스 추진 현황’, LG전자 박만수 실장은 ‘LG전자 HS본부의 VPD 추진 방향’을 발표하며 제조업 전반에서 AI 전환(AX)과 버추얼 제품 개발이 품질 향상과 개발 리스크 감소의 핵심 전략으로 자리잡고 있다고 소개했다. 마지막 발표자인 전북대학교 이수민 교수는 ‘데이터 기반 최적 설계를 통한 피지컬 AI’를 주제로 데이터 기반 설계 최적화와 AI 활용 방향을 제시했다.   ▲ 패널토론   에이전틱 AI 엔지니어링 시대 본격화 모든 발표가 끝난 뒤에는 연구회 임원진과 발표자들이 참여한 패널 토론이 진행됐다. 참석자들은 ‘디지털 엔지니어링 고도화와 AI 에이전트 기반 VPD 혁신 방향’을 주제로 의견을 나누며, 산업 분야는 서로 다르지만 엔지니어링 데이터를 표준화하고 디지털 자산으로 축적하는 것이 AI 기반 제품 개발의 핵심이라는 데 공감했다. 또한 AI 에이전트가 축적된 데이터를 기반으로 설계와 해석, 최적화, 의사결정을 지원하는 방향으로 발전하고 있다는 점도 공통된 의견으로 제시됐다. 이번 춘계 심포지엄은 반복적인 해석 업무를 자동화하는 수준을 넘어 AI 에이전트가 설계와 검증, 최적화를 주도하는 에이전틱 엔지니어링(agentic engineering) 시대가 본격화되고 있음을 보여준 자리였다. AI는 단순한 설계 지원 도구를 넘어 엔지니어링 프로세스 전반을 연결하고 의사결정을 지원하는 핵심 기술로 자리매김하고 있으며, VPD 역시 시뮬레이션 중심에서 데이터와 AI 에이전트가 융합된 새로운 디지털 엔지니어링 단계로 진화하고 있음을 확인할 수 있었다.   ▲ VPD연구회 2026 춘계 심포지엄 참가자 단체사진     ■ 기사 내용은 PDF로도 제공됩니다.

캐드앤그래픽스 지식방송 CNG TV 지상 중계   산업 현장의 숙원이던 기계·전기·배관(MEP) 설계 자동화와 유지보수 병목 현상을 인공지능(AI)으로 해결하는 기술이 공개됐다. 에스엘즈(SLZ)는 지난 7월 10일 CNG TV를 통해 3차원 공간을 이해하고 최적의 설계를 스스로 수행하는 AI 파운데이션 모델과 활용 구상을 발표했다. 자세한 내용은 다시보기를 통해 확인할 수 있다. ■ 박경수 기자   ▲ 한국건설기술연구원 강태욱 연구위원과 에스엘즈 정재헌 대표   산업 현장의 설계 병목과 AI 파운데이션 모델의 등장 반도체 팹, 데이터센터, 조선, 플랜트 등 첨단 설비 산업에서는 설비 재정비(re-tooling)와 유지보수 속도가 기업의 핵심 경쟁력으로 꼽힌다. 그러나 기존의 건축 및 설비 설계 방식은 2D 도면(P&ID)을 3D 입체 모델(IFC/AFC)로 전환하는 과정에서 무수한 공간 간섭과 오류가 발생해 수많은 엔지니어의 반복 작업과 시간 투입이 불가피했다. 에스엘즈는 이 같은 고질적인 설계 병목을 해결하기 위해 공간을 직접 학습하고 추론하는 파운데이션 모델 ‘프로 (Pro-B)’와 스마트 라우팅 AI 기술을 개발했다. 이 기술을 활용하면 전문가 수십 명이 한 달간 작업해야 했던 복잡한 배관 경로 설계를 단 하루 만에 높은 정밀도로 완료할 수 있다. 에스엘즈 정재헌 대표는 “전문가 수십 명이 한 달 동안 밤을 새우며 일해야 해결되던 복잡한 입체 설계 병목을, 공간을 스스로 이해하는 AI를 통해 단 하루 만에 정밀하게 해결할 수 있게 되었다”고 강조했다.   EBT 기술 기반의 공간 탐색과 글로벌 적용 사례 에스엘즈가 제시하는 핵심 기술 체계인 EBT(3D 공간 위상 해석 기술)는 기존의 대규모 언어 모델(LLM)이나 2D 비전 모델을 넘어 3차원 공간 자체를 구체(sphere) 단위 버블로 탐색해 최적의 경로를 추론하는 기술이다. 에즈빌트(as-built) 현장 데이터를 벡터 데이터베이스인 ‘스페이스 밸류(Space Value)’로 관리함으로써 보안이 철저한 폐쇄망 환경에서도 기업 고유의 설계 노하우를 안전하게 학습시킬 수 있다. 이 설루션은 이미 두바이의 532m 초고층 타워 MEP 자동 설계 프로젝트 및 글로벌 건설사와의 협업, 국내외 자율주행 선박·해양 플랜트 공간 구조 분석 등에 적용되고 있다. 에스엘즈는 향후 클라우드 플랫폼과 증강현실(AR) 시각화 설루션을 결합해, 낮에는 엔지니어와 AI가 협업하고 밤에는 AI가 자동 작업을 수행하는 ‘다크 오피스(dark office)’ 환경을 구현한다는 구상이다.     실무 도입을 위한 데이터 정제와 조직 거버넌스의 과제 AI 기반 설계 자동화를 실제 현장에 안착시키기 위해서는 기술 성능뿐만 아니라 기업 내부의 데이터 전처리 및 조직적 결단이 필수이다. 수많은 기업이 기존 도면과 레거시 데이터의 규격·속성 차이로 인해 즉각적인 AI 적용에 어려움을 겪고 있는 만큼, AI가 학습할 수 있는 표준화된 데이터 정제 과정이 선행되어야 한다. 아울러 기존의 보수적인 일하는 방식이나 부서 간 자산 경계를 넘어 최고경영진의 결단(top-down)을 바탕으로 한 거버넌스 구축이 성공적인 AI 전환(AX)의 열쇠로 지목된다. 향후 엔지니어의 정밀한 최종 검수와 AI의 높은 생산성이 결합된다면 엔지니어링 전반의 안전성과 품질이 한층 강화될 것으로 전망된다. 정 대표는 “AI 도입을 위한 데이터 정제와 가공 과정이 전체 전환 작업의 절반을 차지할 만큼 중요하며, 확실한 경영진의 결단과 데이터 표준화가 병행될 때 비로소 강력한 AX 성과가 창출된다”고 당부했다.     ■ 기사 내용은 PDF로도 제공됩니다.

트렌드에서 얻은 것 No. 34   지난 7월, 필자는 ‘데이터공작소’ 온톨로지 스터디 그룹에서 ‘지식그래프 : AI와 온톨로지로 여는 지식혁명’(이강배 저)의 3장을 주제로 발표를 진행했다. 발표 제목은 ‘온톨로지의 개념, 그리고 컨셉맵’이었다. 이 글은 그날의 발표를 제조기업의 경영자와 실무자를 위해 다시 정리한 것이다. 그리고, 글의 끝에서 8월에 출간되는 필자의 새 책 이야기를 잠시 나누려 한다. 두 이야기는 겉보기엔 다르지만, 결국 하나의 질문으로 만난다. “AI 시대, 우리의 경험과 지식은 어떻게 시스템 위에서 다시 움직이는가?”   “좋습니다. 그런데 실제로 되는 겁니까?” 제조기업의 회의실 풍경이 달라지고 있다. 예전에는 잘 정리된 문서와 유창한 설명이 설득의 무기였다. 지금은 다르다. AI 도입 보고가 끝나면 경영진은 이렇게 묻는다. “좋습니다. 그런데 실제로 되는 겁니까?” 방향이 아니라 증거를, 설명이 아니라 결과를 요구하는 시대가 된 것이다. 그런데 막상 ‘실제로 되게’ 하려고 하면, 대부분의 제조기업은 같은 벽에 부딪힌다. 데이터는 많은데 연결이 안 된다. ERP, MES, PLM, CRM에 수십 년 치 데이터가 쌓여 있지만 같은 부품이 부서마다 다른 코드로 등록되어 있고, 같은 고객이 시스템마다 다른 이름으로 존재한다. AI에게 “이번 달 출하 지연 리스크를 요약해 달라”고 묻고 싶어도, AI는 우리 회사의 ‘출하’가 무엇이고 ‘지연’의 기준이 무엇인지 알지 못한다. 데이터는 있지만 ‘의미’가 없기 때문이다. 이 문제를 정면으로 겨냥한 개념이 바로 온톨로지(ontology)다. 미 국방부와 BMW, 에어버스같은 기업들이 팔란티어(Palantir) 플랫폼에 주목하는 이유도, 그 중심에 온톨로지가 있기 때문이다.   ▲ 제미나이로 생성한 이미지 (클릭하면 큰 그림으로 볼 수 있습니다.)   온톨로지, 어렵지 않다 − 출석부와 우리 반 지도 온톨로지라는 단어는 철학의 존재론에서 왔다. 낯설게 들리지만, 개념 자체는 초등학생도 이해할 수 있다. 전학 온 친구에게 우리 반을 소개하는 상황을 떠올려 보자. 이름만 쭉 적힌 출석부를 건네는 방법이 있고, ‘민수는 축구를 좋아하고, 지우와 짝꿍이다’처럼 관계를 그린 지도를 건네는 방법이 있다. 출석부는 데이터의 나열이고, 지도는 지식의 구조다. 어느 쪽이 우리 반을 더 잘 설명하는지는 물을 필요도 없다. 이 지도에는 온톨로지의 재료 네 가지가 모두 들어 있다. ‘3반 친 구’라는 범주가 클래스(class), 민수와 지우라는 실제 인물이 인스턴스(instance), 키 145cm와 같은 특징이 속성(attribute), ‘짝꿍이다’라는 연결이 관계(relationship)다. 책은 이를 노트북으로 설명한다. ‘컴퓨터’와 ‘노트북’은 클래스, ‘LG 그램’은 인스턴스, ‘사양과 가격’은 속성, ‘노트북은 컴퓨터에 포함된다’는 관계다. 회사 버전으로 바꾸면 이렇게 된다. ‘고객·제품·설비’가 클래스, ‘A 조선소와 스크러버 1호기’가 인스턴스, ‘소재지·등급·가동 상태’가 속성, ‘A 조선소는 스크러버를 발주했다’가 관계다. 스탠포드대학교의 토마스 그루버 교수는 온톨로지를 “공유된 개념화의 정형화되고 명시적인 명세”라고 정의했다. 어렵게 들리지만 세 조각으로 나누면 명료하다. ‘공유된 개념화’란 부서마다 다르게 부르던 용어를 하나로 합의한 회사 공용어 사전이다. ‘정형화·명시적’이란 베테랑의 머릿속 암묵지를 규정집처럼 명문화하는 것이다. ‘명세’란 그것을 사람만이 아니라 시스템도 읽을 수 있는 업무 문법으로 만드는 것이다. 한 줄로 줄이면, 책 76쪽의 표현 그대로 “특정 분야의 지식을 구조화하여 컴퓨터가 이해하고 처리할 수 있도록 표현한 것”이다.   스키마가 이미 있는데, 왜 온톨로지인가 실무자들이 가장 많이 던지는 질문이 있다. “우리 데이터베이스에도 이미 테이블 설계, 즉 스키마가 있는데 뭐가 다릅니까?” 책 3.1.1이 정확히 이 질문에 답한다. 스키마(schema)는 데이터의 구조를 정의한다. 고객 테이블에 이름과 나이 컬럼이 있다는 식이다. 반면 온톨로지는 ‘고객은 사람의 하위 클래스이고, 구매 행동을 수행할 수 있다’는 지식 자체를 모델링한다. 스키마의 모델링 대상이 ‘데이터’라면, 온톨로지의 대상은 ‘개념과 개념 간 관계’이며, 결정적 차이는 추론 가능 여부다. 제조 현장의 언어로 옮기면 차이가 더 선명해진다. ‘선박 코드 SHIP-001, 블록 ID BLK-A-017, 작업 ID WLD-0342’라고 코드를 나열하는 것이 기존 데이터 모델이라면, 온톨로지는 ‘선박은 블록으로 구성된다, 블록은 용접작업을 필요로 한다, 용접은 특정 자격을 가진 작업자만 수행한다, 모든 작업은 규정된 품질 기준을 따라야 한다’는 업무의 문법을 시스템에 심는다. 이 문법이 있어야 설계 변경이 발생했을 때 시스템이 영향받는 블록을 스스로 추적하고, 작업을 재계획하고, 지연 리스크를 예측할 수 있다. 사람이 엑셀로 하루 걸리던 영향 분석이 관계를 따라 실시간으로 이루어지는 것이다. 팔란티어가 조선·자동차 산업에서 보여주는 시나리오가 정확히 이것이며, 그 구동 방식은 다섯 단계다. 레거시 데이터를 옮기지 않고 연결하고, 그 위에 온톨로지 계층을 얹어 의미를 부여하고, 현장이 쓰는 업무 앱을 제공하고, 조치의 비용과 리스크를 시뮬레이션하고, 마지막으로 AI(AIP)가 실행까지 연결한다. 스키마가 ‘데이터를 담는 그릇의 규격’이라면, 온톨로지는 ‘지식의 의미와 규칙까지 담는 모델’이다. 그리고 이 온톨로지라는 설계도에 실제 데이터를 채워 넣은 결과물이 지식 그래프(knowledge graph)다. 구글의 의미 검색과 아마존의 추천이 이미 그 위에서 돌아가고 있다.   회의실의 콘셉트맵이 시스템의 온톨로지가 되기까지 여기서 필자가 오래 다뤄 온 주제인 콘셉트맵(concept map) 이 등장한다. 1970년대 코넬대학교의 조셉 노박이 개발한 콘셉트 맵은 개념(상자)과 연결어(화살표 위의 단어)로 명제를 그리는 생각의 지도다. ‘온톨로지는 지식 그래프의 청사진이다’처럼, 개념−연결어−개념이 한 문장을 이룬다. 흥미로운 것은 이 명제 구조가 지식 그래프의 기본 단위인 트리플(주어−술어−목적어)과 정확히 같다는 점이다. 콘셉트맵과 온톨로지는 같은 뿌리에서 나온, 독자가 다른 두 표현이다. 콘셉트맵은 사람이 읽는 지식의 스케치이고, 온톨로지는 기계까지 읽는 지식의 도면이다. 그래서 필자는 두 가지를 경쟁 관계가 아니라 ‘한 정의의 앞뒤 반쪽’이라고 부른다. 그루버의 정의로 돌아가 보면, 전문가들이 모여 콘셉트맵을 그리고 용어를 표준화하는 과정이 ‘공유된 개념화’이고, 그 합의를 클래스·관계·규칙으로 변환해 시스템에 싣는 과정이 ‘정형화되고 명시적인 명세’다. 콘셉트맵 없이 온톨로지를 만들면 합의 없는 표준이 되고, 온톨로지 없이 콘셉트맵만 있으면 그림으로 끝난다. 실무 적용법은 단순하다. 업무 인터뷰와 워크숍의 대화를 실시간 콘셉트맵으로 기록해 암묵지를 형식지로 바꾸고, 부서 간 용어 합의의 회의 도구로 쓰고, 합의된 맵을 개념은 클래스로, 연결어는 관계로 변환해 온톨로지 설계의 초안으로 삼는 것이다. 도구는 시맵(Cmap)이든 화이트보드든 상관없다. 경영자에게 강조하고 싶은 지점이 있다. 온톨로지 프로젝트의 성패는 기술이 아니라 합의에서 갈린다. 그리고 품목 명칭조차 통일되지 않은 상태라면 어떤 온톨로지도 그 위에 설 수 없다. 그래서 현실적인 로드맵은 전사 빅뱅이 아니라, 효과가 분명한 핵심 도메인 하나(예컨대 품목, BOM, 변경 관리)를 골라 콘셉트맵으로 합의를 만들고, 온톨로지로 정형화하고, 데이터를 채워 인접 도메인으로 확장하는 것이다. 책도 균형 있게 짚는다. 도메인이 복잡할수록 설계와 유지보수가 어렵고 주기적 갱신 부담이 있다. 그러니 작게 시작해야 한다.   그리고, 바이브코딩 − 8월의 새 책 이야기 온톨로지가 ‘조직의 지식’을 시스템이 이해하게 만드는 일이라면, 개인 차원에서 같은 전환을 다룬 이야기가 있다. 오는 8월 출간 예정인 필자의 새 책, ‘베테랑 기획자의 바이브코딩 도전기’다. “나는 아직 유효한 사람인가.” — 회의실에서 젊은 동료들이 빠르게 도구를 다루는 모습을 볼 때, 은퇴라는 단어가 더 이상 먼 일이 아니게 느껴질 때, 조용히 계산하곤 했다. 내가 가진 경험이 앞으로도 통할까.  책은 이 질문에서 출발한다. 바이브 코딩(vibe coding)이란 프로그래밍 문법을 외워 코드를 치는 것이 아니라, 커서(Cursor)나 제미나이(Gemini)같은 AI 도구에게 자신의 의도와 맥락을 전달해 프로그램을 만들도록 지휘하는 일하는 방식이다. 필자는 데이터공작소 스터디에서 8개월간 개발자들과 함께 배우며, 하루 30분씩 눈으로 70%를 이해하고 손으로 30%를 부딪히는 자신만의 학습 공식을 찾았다. 거창한 프로젝트가 아니라 매주 나를 지치게 하던 엑셀 정리 하나, 파일 정리 하나부터 고쳐 나가는 ‘하루 한 프로그램’의 기록이다. 책의 부록에서는 노코드(no code), 로코드(low code), 바이브 코딩을 비교하며 언제 무엇을 써야 하는지도 다룬다. 요구사항이 표준적이면 노코드, 예외 처리와 연동이 필요하면 로코드, 요구사항이 계속 바뀌고 기획자가 직접 프로토타입을 쥐어야 한다면 바이브 코딩이다. 눈 밝은 독자라면 이미 알아챘을 것이다. 온톨로지 도입 로드맵과 바이브 코딩 학습법은 같은 철학 위에 서 있다. 작게 시작하고, 합의(같은 방향)를 먼저 만들고, 증거로 말하는 것. 조직은 온톨로지로 지식을 시스템에 싣고, 개인은 바이브 코딩으로 의도를 실행에 싣는다. 제조 기업의 디지털 전환이란 결국 이 두 층위가 만나는 지점에서 완성된다.   맺으며 − 같은 방향을 본다는 것 생텍쥐페리는 “사랑이란 서로 바라보는 것이 아니라, 서로 같은 방향을 보는 것”이라고 했다. 필자가 이 문장을 좋아하는 이유는, 프로젝트와 조직의 성패도 결국 같은 방향을 보는 능력에서 갈리기 때문이다. 온톨로지는 사람과 시스템이, 현장과 경영진이, 그리고 사람과 AI가 같은 방향을 보게 만드는 언어다. LLM(대규모 언어 모델)은 유창하지만 사실에 약하고, 지식 그래프는 사실에 강하다. 둘의 결합이 신뢰할 수 있는 기업 AI의 핵심이라는 책의 통찰 (6.3장)은, 앞으로 제조기업의 AI 전략이 어디로 가야 하는지를 가리키고 있다. 이번 여름, 회의실 화이트보드에 우리 회사의 콘셉트맵 한 장을 그려 보기를 권한다. 우리 회사의 ‘고객’이란 무엇인가, ‘품목’과 ‘설비’는 어떻게 연결되는가. 그 한 장의 합의가 온톨로지의 시작이고, 지식 그래프의 청사진이며, AI가 우리 회사를 이해하는 첫 문장이 된다.   ■ 류용효 디원 PLM기술본부에서 상무로 재직 중이며, 페이스북 ‘류용효컨셉맵연구소’ 리더, CNGTV 지식방송 전문위원으로 활동하고 있다. PTC코리아, 오라클, 지멘스 PLM 등을 거치며 PLM과 프로세스 컨설팅 분야에서 일해 왔다. 저서로 ‘베테랑 기획자의 바이브코딩 도전기’가 있다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.

어도비가 생성형 인공지능(AI) 검색 환경에서 기업 브랜드의 가시성을 높이고 신뢰를 구축할 수 있도록 돕는 ‘어도비 브랜드 비저빌리티(Adobe Brand Visibility)’를 발표했다. 이 설루션은 기업이 고객 생애주기 전반을 관리하도록 돕는 에이전틱 AI 시스템인 ‘어도비 CX 엔터프라이즈(Adobe CX Enterprise)’의 일부로 제공된다.     최근 AI 기반 채팅 서비스와 브라우저로 제품을 탐색하고 평가하는 소비자가 늘고 있다. 어도비가 공개한 데이터에 따르면 2024년 10월부터 2026년 5월 사이 미국 소매 사이트로 유입된 AI 트래픽은 1324% 증가했다. 같은 기간 여행 업계의 AI 트래픽도 2215% 늘어나며 성장세를 보였다. 어도비 브랜드 비저빌리티는 생성형 엔진 최적화(GEO)를 위한 포괄적인 설루션이다. 어도비 LLM 옵티마이저(Adobe LLM Optimizer) 기능과 셈러쉬(Semrush)의 AI 최적화 기술을 결합했다. 약 3억 개의 실제 AI 검색 프롬프트 데이터베이스를 바탕으로 챗GPT, 구글 AI 모드, 마이크로소프트 코파일럿, 퍼플렉시티 AI 등 주요 AI 환경에서 브랜드 언급 빈도, 청중 도달, 경쟁사 대비 점유율, 콘텐츠 공백을 분석한다. 분석 후에는 AI 에이전트가 우선순위가 높은 권장 사항을 제시하며, 사용자는 몇 분 안에 업데이트를 적용할 수 있다. 어도비 애널리틱스(Adobe Analytics)와 연동해 모든 작업을 영업 파이프라인 및 매출과 연결해 단일 워크플로로 관리하는 것도 가능하다. 또한 셈러쉬 데이터 기반 가시성 인사이트, 프롬프트 전략 제시, 경쟁 브랜드 비교, 에지 환경 AI 에이전트를 통한 자동 최적화, 285억 개 키워드 기반 SEO 인텔리전스 등을 제공한다. 어도비 브랜드 비저빌리티는 독립 애플리케이션으로 사용하거나, 콘텐츠 및 애셋 관리 시스템인 어도비 익스피리언스 매니저(Adobe Experience Manager)와 통합해 활용할 수 있다. 어도비의 아닐 차크라바티 고객 경험 오케스트레이션 사업 부문 사장은 “고객이 웹사이트 방문 전 AI 툴과 먼저 상호작용하는 환경에서 가시성은 매우 중요하다”면서, “어도비 브랜드 비저빌리티는 기업이 다양한 AI 환경에서 영향력을 확대하도록 지원하는 포괄적인 설루션”이라고 전했다.

엔비디아가 엔비디아 토르(NVIDIA Thor) 아키텍처를 기반으로 한 신규 T3000과 T2000 모듈을 공개했다. 이번 신제품은 컴팩트한 크기와 높은 전력 효율을 바탕으로 대중 시장을 겨냥한 로보틱스와 에지 AI(인공지능) 애플리케이션의 대규모 배포를 지원한다. 최근 범용 로봇과 자율 기계의 상용화가 확대되면서, 에지 단에서 파운데이션 모델을 구동할 AI 슈퍼컴퓨터 수요가 늘고 있다. 엔비디아는 이 같은 시장 요구에 대응해 신규 모듈을 선보였다. 현재 젯슨 AGX 토르(Jetson AGX Thor)는 1X, 아마존 로보틱스, 보스턴 다이내믹스, 화낙 등 주요 기업의 차세대 로봇 시스템 구축에 활용되고 있다.     신형 젯슨 및 IGX T3000 모듈은 기존 T5000 대비 크기와 전력 소비가 절반 수준이다. 865 FP4 테라플롭스의 AI 연산 성능을 갖췄으며, 엔비디아 블랙웰(Blackwell) GPU와 8코어 네오버스 Arm(Neoverse Arm) CPU, 32GB LPDDR5X 메모리를 탑재했다. 대규모 언어 모델(LLM)과 비전 언어 모델(VLM) 등 다양한 멀티모달 워크로드에서 T5000에 상응하는 추론 성능을 제공해 메모리 비용 절감 효과도 기대할 수 있다. IGX T3000은 기능 안전성을 통합해 협동 로봇용 풀스택 안전 시스템을 구동할 수 있다. 젯슨 T2000 모듈은 400 FP4 테라플롭스의 성능과 16GB 메모리를 제공한다. 비주얼 AI 에이전트와 자율이동로봇, 산업용 매니퓰레이터 개발에 적합한 진입점을 제공하며, 엔비디아는 70 TOPS부터 2000 테라플롭스까지 이어지는 에지 AI 라인업을 구축했다. 소프트웨어 측면에서는 메모리 최적화를 자동화하는 ‘젯슨 에이전트 스킬(Jetson agent skills)’을 선보였다. 개발자는 이 기능을 활용해 시스템 구성과 메모리 절감 작업을 수일 내로 마칠 수 있다. 유비테크와 애자일 로봇 등은 이 기술을 통해 메모리 사용량을 최대 15GB 줄여 상위 모듈에서 하위 모듈로 전환하는 데 성공했다. 스마트 교통 업체 노트래픽도 메모리 사용량을 30% 줄여 시스템 여유 자원을 확보했다. 또한 엔비디아는 체화형 AI 시스템을 위한 경량 파운데이션 모델인 ‘코스모스 3 엣지(Cosmos 3 Edge)’를 추가했다. 40억 개의 파라미터를 갖춘 이 모델은 온디바이스 추론을 통해 로봇이 환경을 인식하고 실시간으로 판단하도록 돕는다. 개발자는 개방형 프레임워크를 이용해 단기간에 특정 로봇 하드웨어에 맞춰 사후 학습을 진행할 수 있다. 개발자들은 현시점에서도 젯슨 AGX 토르 개발자 키트의 에뮬레이션 모드를 통해 T3000과 T2000 모듈의 성능을 사전에 검증할 수 있다. 엔비디아는 7월 달 말 젯팩(JetPack) 7.2.1을 통해 T3000 에뮬레이션 모드를 먼저 제공하며, 정식 젯슨 T3000 및 T2000 모듈은 2027년 1분기에 출시할 예정이다.

모두솔루션은 7월 8일 PTC코리아, 디모아, 선도설루션과 공동으로 세미나를 개최했다고 전했다. ‘AI 시대, 제조업 경쟁력은 PTC 기반 디지털 제품 데이터에서 시작된다’를 주제로 열린 이번 세미나는 크레오(Creo), 윈칠(Windchill) 기반의 제품 데이터 관리 전략과 AI 적용 방향을 공유하기 위해 마련됐다. 이번 세미나에서는 단순한 설루션 소개를 넘어 제조기업이 보유한 설계 및 제품 데이터를 어떻게 체계적으로 관리하고 AI 활용 기반으로 연결할 것인지가 집중적으로 다뤄졌다. 선도설루션은 제품 데이터 관리를 위한 PDM의 중요성을 소개했고, PTC코리아는 크레오 관점에서의 생성형 AI 기술과 향후 개발 계획을 발표했다. 디모아는 제조 데이터를 활용하는 피지컬 AI와 MCP, 대규모 언어 모델(LLM) 적용 전략을 공유했다.     모두솔루션은 ‘AI 환경 구축을 위한 멀티 CAD 데이터 관리 PLM : 윈칠 시연’을 주제로 발표를 진행했다. 발표를 맡은 모두솔루션 최정욱 프로는 크레오뿐만 아니라 솔리드웍스 등 다중 CAD 환경에서 발생하는 설계 데이터를 윈칠 PLM으로 통합 관리하는 방안을 시연했다. 이와 함께 설계 데이터와 BOM(자재명세서)을 연계해 관리하는 구조, EBOM 및 MBOM 관리, 작업 지시서, 데이터 상태 관리, 변경 관리 프로세스 등을 실제 업무 흐름에 맞춰 설명했다. 특히 윈칠의 버전 관리, 부품 중심 데이터 구조, 결재 워크플로, ECR·ECO·ECN 기반 변경 관리 등 설계 데이터의 신뢰성을 확보하는 핵심 기능을 소개됐다. 모두솔루션은 이러한 기능이 단순한 데이터 저장을 넘어 AI가 학습하고 활용할 수 있는 기준 데이터 체계를 만드는 밑바탕이 된다고 강조했다. 체계적인 메타데이터와 버전 관리, 부품과 도면 간의 연관 관계가 구축되어야 AI를 활용한 유사 부품 추천이나 변경 영향 분석 등으로 확장할 수 있다는 설명이다. 제조업에서 AI를 실무에 적용하려면 정확하고 일관된 데이터가 필수이다. 데이터가 분산되어 있거나 최신 버전이 명확하지 않으면 AI의 분석 결과를 신뢰하기 어렵기 때문이다. 이에 따라 제품 데이터를 중앙 집중식으로 관리하고 부품 중심으로 정보를 연결하는 PLM이 AI 시대의 핵심 인프라로 주목받고 있다. 모두솔루션에서 PTC 사업부를 총괄하는 김상진 이사는 “AI를 실제 제조 업무에 활용하기 위해서는 먼저 AI가 신뢰할 수 있는 기준 데이터가 준비되어야 한다”면서, “모두솔루션은 크레오와 윈칠을 중심으로 제조기업이 설계 데이터와 제품 정보를 체계적으로 관리하고, 향후 AI 활용까지 확장할 수 있도록 지원하겠다”고 밝혔다.

주요 CAD 벤더들이 최근 들어 일제히 AI 기능을 정식 제품에 통합하고 있다. 그동안 프리뷰나 베타 단계에 머물러 있던 기능들이 잇따라 정식 출시되면서, 업계에서는 AI가 더 이상 CAD의 부가 기능이 아니라 표준이라는 평가가 나오고 있다. 주요 캐드 벤더의 최근 행보를 정리했다.   캐드 벤더  AI 동향(이미지 제작: 챗GPT)   1. 업계 공통 흐름: 3가지 핵심 AI 기능 (1) 제품 지원 챗봇 사용 설명서와 지원 문서를 학습한 AI 챗봇은 이미 여러 CAD 프로그램에 자리 잡았다. Onshape의 'AI Advisor', 지멘스 Solid Edge·NX의 'Design Copilot', 오토데스크의 'Autodesk Assistant', 다쏘시스템 3DEXPERIENCE의 가상 도우미 'Aura', 트림블 스케치업의 'AI Assistant' 등이 대표적이다. 기존 대형언어모델(LLM)을 자사 지원 문서에 맞춰 튜닝하는 방식이라 구현 부담이 상대적으로 낮다는 점이 확산 배경으로 꼽힌다. ② 도면 자동 생성 3D 모델을 2D 도면으로 변환하는 반복 작업에도 AI가 적용되고 있다. 오토데스크 Fusion의 'Automated Drawings'는 템플릿과 AI 모델을 결합해 표준 체결 부품(볼트·너트 등)을 자동으로 인식하고 도면에서 제외하는 방식으로 작업 시간을 줄인다. 지멘스는 Solid Edge(현 Designcenter Solid Edge)에서 최소한의 입력만으로 도면 뷰의 최대 80%까지 자동 생성하는 기능을 공개했으며, 다쏘시스템 역시 SOLIDWORKS에 유사 기능을 준비 중인 것으로 알려졌다. ③ 생성형 렌더링 장면의 조명·재질을 수동으로 세팅하지 않고 텍스트 프롬프트만으로 사실적인 렌더링 이미지를 생성하는 기능이다. 트림블 스케치업이 'SketchUp AI Render'로 이 기능을 상용화했고, 오토데스크와 다쏘시스템도 각각 Fusion과 SOLIDWORKS에 관련 기능을 시연·예고한 상태다. 2. 벤더사들의 AI 관련 주요 동향 (1) 오토데스크: Fusion·Inventor 전방위 AI 확장 오토데스크는 'Autodesk Assistant'라는 단일 브랜드로 Fusion, Inventor, Moldflow, Vault 등 제품 디자인·제조(PD&M) 포트폴리오 전반에 AI를 확산시키는 전략을 펴고 있다. 회사 측은 프런티어 모델과 자체적으로 구축한 3D 설계 특화 모델을 결합하는 방식이라고 설명한다. Fusion에서는 자연어 명령으로 Fusion API 전체 기능에 접근할 수 있는 '프롬프트-투-API' 방식이 도입됐고, 이미지 생성(렌더링) 기능도 상용 구독자 기준 월 20회까지 제공된다. 4월에는 Fusion 관련 데이터를 조회·관리할 수 있는 'Autodesk Fusion Data MCP' 서버가 공개돼 Claude Desktop, VS Code 등 외부 AI 도구와의 연동이 가능해졌다. 같은 달 Anthropic은 오토데스크, 블렌더, 어도비 등과 파트너십을 맺고 Fusion용 MCP 커넥터를 출시했다. 이를 통해 자연어 입력만으로 형상을 생성하는 'Text-to-CAD' 워크플로가 구현된다. 3월에는 인벤터 2027이 출시되며 'Autodesk Assistant'가 테크 프리뷰 형태로 처음 도입됐다. 작업 화면 옆에 도킹되는 패널을 통해 자연어로 모델 정보를 조회하고 분석할 수 있으며, Model Context Protocol(MCP)을 기반으로 실제 모델 구조와 속성에 근거한 응답을 제공하는 점이 특징이다. 다만 5월 기준으로 파라미터 업데이트, iProperty 편집, 컴포넌트 상태(가시성·억제 등) 변경 등 비형상 데이터 작업까지는 지원하지만, 3D 형상 자체를 직접 생성하거나 수정하는 기능은 아직 제공되지 않아 어시스턴트가 "이해와 분석" 단계에 머물러 있다는 평가도 있다. 인벤터에는 이와 별개로 위상 최적화 기반의 'Shape Generator'가 이미 정식 기능으로 자리 잡았고, iLogic 자동화도 이번 릴리스에서 드래그 앤 드롭 방식의 시각적 프로그래밍인 'iLogic Codeblocks'로 확장돼 코드 작성 없이도 자동화 로직을 구성할 수 있게 됐다.   (2) 다쏘시스템: '생성 경제'를 표방한 SOLIDWORKS 2026 다쏘시스템은 지난해 11월 SOLIDWORKS 2026을 출시하며 '생성 경제(Generative Economy)'라는 슬로건 아래 AI 기반 설계·협업·데이터관리 기능을 대거 반영했다. 도면 작성과 상세 작업을 가속하는 생성형 AI 기능, 볼트·너트 등 표준 체결 부품을 자동으로 인식해 조립하는 기능, 커뮤니티 게시글·위키·Q&A에서 인사이트를 추출해 답변을 제공하는 가상 도우미 'Aura' 등이 새롭게 포함됐다. 지난 2월 미국 휴스턴에서 열린 '3DEXPERIENCE World 2026'에서는 설계부터 시뮬레이션, 제조, 거버넌스에 이르는 제품 전 주기에 걸친 AI 적용 사례가 집중적으로 소개됐다. (3) PTC: Creo 13에 AI 어시스턴트 3단계 도입 PTC는 지난 6월 Creo 13과 SaaS 버전 Creo+ 13.3을 발표하며 'Creo AI Assistant'를 공식화했다. 어시스턴트는 세 단계로 구성된다. 모든 사용자에게 기본 제공되는 'Advise'는 채팅 인터페이스를 통해 모범 사례와 공식 문서 기반의 설계 가이드를 제공하고, 별도 확장팩 형태인 'Assist'(베타)는 3D 모델을 직접 분석해 설계 결함을 조기에 발견하고 규정 준수 여부를 검증하며, 'Automate'(알파)는 CAD 형상을 이해해 설계를 생성·수정·최적화하는 수준까지 나아간다. PTC는 AI 어시스턴트 도입으로 특정 개인에게 집중돼 있던 노하우 의존도를 낮출 수 있다는 점을 이번 도입의 의미로 강조했다. 이와 함께 2016년 출시 이후 꾸준히 고도화돼 온 생성형 위상 최적화(GTO)·클라우드 기반 생성설계 확장팩(GDX) 등 기존 생성설계 도구도 이번 릴리스에서 어셈블리 단위 최적화와 멀티피직스 해석 범위 확장이 이뤄졌다. PLM 솔루션 윈칠(Windchill)과의 연계를 통해 AI가 제안한 설계 대안에도 기존과 동일한 변경 이력·버전 관리가 적용된다는 점도 특징이다. (4) 종합: AI, 도구에서 워크플로 파트너로 세 벤더의 행보를 종합하면 공통된 방향성이 보인다. 첫째, AI 챗봇은 이제 기본 지원 기능을 넘어 실제 작업을 수행하는 '에이전트'로 진화하고 있다. 둘째, MCP(Model Context Protocol) 같은 개방형 표준을 통해 CAD 소프트웨어와 외부 AI 모델(Claude 등)을 연결하려는 시도가 확산되고 있다. 셋째, 아직까지 AI가 형상을 자유롭게 생성·수정하는 단계에는 이르지 못했으며, 대부분의 벤더가 "AI는 제안하고 최종 판단은 엔지니어가 한다"는 원칙을 강조하고 있다는 점도 공통적이다. 국내 CAD 사용자와 기업 입장에서는 이러한 AI 어시스턴트가 아직 베타·프리뷰 단계인 경우가 많은 만큼, 정식 반영 시점과 국내 라이선스 정책을 함께 확인해 도입 전략을 세울 필요가 있어 보인다. 3. 보급형·대안 CAD 벤더 AI 동향 대안캐드 벤더 AI  동향(이미지 제작: 챗GPT) 오토캐드 호환 보급형 CAD 진영에서도 AI를 앞세운 경쟁이 본격화되고 있다. 다만 이 진영은 대형 벤더와 달리 LLM 기반 대화형 어시스턴트보다는 반복 작업 자동화에 'AI'라는 이름을 붙이는 경우가 많아, 실제 기능 수준을 구분해서 볼 필요가 있다. (1) CADiAN(캐디안) 국내 개발 CAD인 캐디안은 지난 해 11월 'CADian 2026'을 출시하며 스마트 치수, 중심선 자동 생성, 상세도 작성기 등 반복 작업 자동화 기능을 대폭 강화했다. 이와 별개로 도면 이미지·DWG 파일 내 객체를 AI가 자동 탐지해 도면을 재구성하고 BOM을 자동 산출하는 'AI-CE(AI-Cost Estimation)', 전통 목조 건축물을 AI로 가상 복원하는 'TWArch' 등 특화 AI 솔루션도 함께 선보이고 있다. 올해 4월에는 AI-CE와 경량 2D 솔루션 'CADian 2026 Classic'을 앞세워 유럽 시장 공략에 나섰으며, 2026년 초에는 AI 기반 PDF 문자 자동 인식, AI 기반 도움말 기능도 추가될 예정이다. (2) GstarCAD Gstarsoft는 지난 6월 ‘Faster by Core, Smarter by AI’를 슬로건으로 내건 GstarCAD 2027을 출시했다. 이번 버전은 재생성·줌·이동 등 주요 명령 속도를 10% 이상, GPU 가속 성능을 최대 80% 이상 끌어올리는 등 엔진 성능 개선이 핵심이며, 동적 블록 파라메트릭 구속조건·중심선 자동 생성 같은 실무 기능도 추가됐다. 또한 Gstarsoft는 지난 6월 CAD·BIM·클라우드·AI를 아우르는 신규 포트폴리오를 공개하며, 자연어로 설계 생성·작업 자동화·엔지니어링 지식 검색을 지원하는 'AI Assistant'와 이미지 기반 도면을 편집 가능한 CAD 객체로 변환하는 'AI ScanToCAD'를 새롭게 선보였다. 건축 특화 제품인 GstarBIM 2027에도 AI 지원 시각화 기능이 추가됐다. (3) ZWCAD 지난 해 출시된 ZWCAD 2026은 '스마트 매치'(회전·크기 변형된 동일·유사 객체 일괄 수정), '유사 검색'(외부 도면에서 유사 블록·객체 검색), 자체 개발 구속조건 엔진 기반의 파라메트릭 설계 기능을 'AI 기반 자동화'로 소개했다. 이후 공개된 ZWCAD 2027 베타에는 3D 모델을 사실적으로 렌더링하는 기능과 RVT 파일 가져오기 개선 등이 추가된 것으로 보인다.    4. AI로 인한 변화와 혜택 AI의 적용으로 캐드 업계와 작업 방식의 변화는 어떻게 이루어지고 있을까. 이러한 변화가 실제 사용자와 기업에 가져올 혜택도 짚어볼 만하다. ■ 반복 업무 감소 : PTC는 파라미터 정의, 문서화 등 반복 작업을 AI가 자동화해 수작업 부담을 30~50%까지 줄일 수 있다고 설명한다. 엔지니어는 그만큼 시스템 설계·시뮬레이션 같은 고부가가치 업무에 집중할 수 있다. ■ 진입장벽 완화 : SOLIDWORKS의 AI 시뮬레이션 어드바이저처럼 해석 조건 설정을 AI가 보조하면서, 비전문 인력도 정밀 시뮬레이션에 접근할 수 있게 된다. ■ 협업 오류 감소: A&E 분야 조사에 따르면 AI 기반 협업 도입 시 프로젝트당 정보요청서(RFI)가 평균 6건에서 3건으로 줄어드는 등, 설계-시공 간 충돌을 사전에 걸러내는 효과가 보고된다. ■ 온보딩 단축: Advise형 챗봇은 신규·저경험 사용자의 학습 곡선을 낮춰, 특정 숙련자에게 쏠린 노하우 의존도를 줄이는 효과가 있다. 이처럼 긍정적인 평가에도 남는 과제는 비용·숙련도 장벽으로 도입 속도에 기업별 편차가 클 수 있고, 클라우드 기반 AI 확산에 따라 데이터 거버넌스·보안 검토가 새로운 도입 조건으로 떠오르고 있다는 것이다. 또한 캐드 벤더사 측면에서는 AI가 크레딧(토큰) 형태로 사용되면서 새로운 추가 수익 모델로 여겨지기도 하나, AI가 가져오는 매출 증가가 관련 인력을 줄일 수도 있을 것으로 보여 시장 재편의 신호탄이 될 수 있다는 우려도 나온다 실제로 일부 벤더는 AI 기능을 구독형 요금제의 상위 티어로 묶거나 별도의 크레딧 과금 방식으로 제공하기 시작했는데, 이는 라이선스 판매에 의존해온 기존 수익 구조가 사용량 기반 과금으로 조금씩 옮겨가고 있음을 보여준다.  이 과정에서 설계 인력은 반복 작업을 AI에 맡기고 검증·판단에 집중하는 방향으로 재편될 가능성이 크다는 것이 업계 전반의 시각이다. 캐드와 AI의 만남은 향후 엄청난 변화를 가져올 것으로 예상되며, 이것을 거스를 수 없는 대세가 되어 가고 있다.  결국 AI가 캐드 산업에 가져올 변화는 '누가 더 적은 인력으로, 더 빠르고 정확하게 설계를 완성할 수 있도록 지원하느냐'는 구도로 변화해 갈 것으로 보인다.   

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 오픈클로와 같은 에이전틱 시스템의 구조 및 동작 메커니즘에 대해 살펴본다. 자율형 AI 에이전트 프레임워크인 오픈클로(OpenClaw)는 사용자의 로컬 컴퓨터에서 백그라운드 데몬(daemon)으로 상시 구동되며, 메신저 인프라를 UI로 삼아 파일 시스템, 웹 브라우저, OS 셸 명령 등을 직접 제어하는 아키텍처를 가지고 있다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast    그림 1. 에이전트 시스템 개념도   이번 호에서 분석에 사용된 오픈클로의 설치 및 사용법은 다음 링크를 참고한다. https://daddynkidsmakers.blogspot.com/2026/03/openclaw.html   오픈클로의 핵심 객체 지향 컴포넌트 구조와 시퀀스는 다음과 같다.   아키텍처 구조 오픈클로는 중앙의 관리 데몬이 허브 역할을 수행하며, 외부 메신저 및 대규모 언어 모델(LLM) 인프라, 그리고 로컬의 기술 (Skills) 디렉토리를 유기적으로 연결하는 구조를 취한다. 게이트웨이 데몬(GatewayDaemon) : 시스템의 최상위 실행 주체이다. OS의 LaunchAgent나 리눅스의 systemd와 결합하여 24시간 백그라운드에서 상시 구동되는 데몬 프로세스 역할을 한다. 메신저 브리지(MessagingBridge) : 텔레그램(Telegram), 왓츠앱(WhatsApp), 디스코드(Discord) 등 외부 커뮤니케이션 채널과 소통하기 위한 추상화 인터페이스이다. 사용자로부터 전달받은 명령을 입력 데이터로 파싱하여 내부 시스템에 넘겨준다. 에이전트 코어(AgentCore) : 인컨텍스트 메모리(in-context memory)와 가드레일 검증 로직을 포함하는 핵심 클래스이다. LLM의 판단 결과에 따라 루프를 지속할지, 마칠지 결정한다. LLM 공급자(LLMProvider) : 클로드(Claude), 딥시크(DeepSeek), 오픈AI(OpenAI) 또는 로컬의 올라마(Ollama) 서버와 통신하는 추론 레이어이다. 자연어 명령과 가용한 툴 목록을 입력받아 정형화된 툴 호출(tool call) 응답을 반환한다. 스킬 매니저(SkillManager) : 오픈클로의 확장 모델인 ‘Skills’를 스캔하고 관리한다. 워크스페이스 내 SKILL.md 파일에 기록된 YAML 메타데이터와 실행 스크립트를 로드하여 실제 OS 자원(셸, 브라우저 등)을 구동한다. 로컬 워크스페이스(LocalWorkspace) : ~/.openclaw 경로를 기반으로 자율 작업 목록인 HEARTBEAT.md, 대화 기록, 스킬 소스코드를 보관하는 물리적 로컬 저장소 공간이다.   그림 2. 클래스 구조 분석   시퀀스 구조 오픈클로는 사용자의 직접적인 메신저 입력뿐만 아니라, 정해진 시간 주기(heartbeat)마다 HEARTBEAT.md를 스캔하여 스스로 할 일을 판단하고 추론-실행 루프(ReAct Loop)를 구동한다. 루프 진입 단계 : 실행 경로는 두 가지로 나뉜다. 첫째는 데몬이 주기적으로 HEARTBEAT.md 파일을 열어 자율적으로 태스크를 발굴하는 경로이며, 둘째는 메신저 인터페이스를 통해 사용자의 다이렉트 명령이 인입되는 경로이다. ReAct 추론 단계 : 에이전트 코어가 현재의 상태값과 파일 내부의 컨텍스트, 그리고 스킬 매니저가 확보한 사용 가능 도구 명세를 취합하여 LLM 레이어로 전송한다. LLM은 이를 분석하여 다음에 실행할 구체적인 행동(도구 종류 및 파라미터)을 결정한다. 가드레일 및 도구 실행 단계 : 에이전트 코어는 도구 실행 전 내부 보안 정책을 검증한다. 검증을 통과하면 스킬 매니저가 파일 시스템 접근이나 외부 웹 브라우징, 내부 셸 스크립트 실행과 같은 고권한 작업을 로컬 컴퓨터 내부에서 직접 수행한다. 상태 동기화 및 종결 단계 : 도구의 수행 결과 데이터는 다시 컨텍스트 메모리에 병합되어 다음 루프의 판단 근거로 활용되며, 동시에 로컬 워크 스페이스에 마크다운(markdown) 파일 형태로 실시간 저장된다. 더 이상 추가 행동이 필요 없다고 판단되면 루프가 종료되고 결과물이 사용자의 메신저 창으로 전송된다.   하네스 엔지니어링과 주요 md 문서 역할 오픈클로와 같은 자율형 AI 에이전트 프레임워크에서 하네스 엔지니어링(harness engineering)은 에이전트가 호스트 OS 자원을 크게 소모하지 않고, 안전하고 일관되게 임무를 수행하는지 격리, 테스트, 평가하기 위한 환경을 구축하는 작업이다. 하네스 시스템이 에이전트를 통제하고 검증하기 위해 워크스페이스에 추가로 요구하는 핵심 마크다운 파일들의 역할과 구체적인 작성예시는 다음과 같다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.