이미지 제작(챗GPT)    피지컬 AI와 자율제조 기술이 제조 산업의 패러다임을 빠르게 바꾸고 있다. 최근 전문가들은 제조 현장의 고유한 특수성을 고려할 때, 당분간 인공지능과 현장 작업자가 긴밀하게 협업하는 휴먼 인 더 루프 방식의 자율제조가 주를 이룰 것으로 전망하고 있다. 이러한 변화 속에서 캐드, 제조 AI, 스마트팩토리 전문기업인 위즈코어는 성공적인 제조 AI 전환의 출발점으로 데이터의 맥락을 연결하는 디지털 스레드 구축을 강조하고 나섰다. 위즈코어는 성공적인 제조 AX(AI 전환)의 출발점으로 단순한 데이터 축적이 아닌 데이터의 의미와 관계를 정의하는 ‘디지털 스레드(Digital Thread)’ 구축을 제시했다. 위즈코어는 제조 AX는 기존 DX로 구축한 데이터 위에 AI를 결합해 현장의 판단과 실행력을 높이는 과정이며 PLM, MES, CAD, CNC 등 단절되어 있던 시스템 데이터를 하나의 맥락으로 이어주는 디지털 스레드가 선행되어야 문제 원인을 정밀 추적하고 공정을 최적화할 수 있다고 강조한다. 실제 위즈코어는 설계부터 제조까지의 전 과정을 하나의 흐름으로 관리하는 ‘Design-to-Manufacturing AI Platform’ 구축에 역량을 집중하고 있다. 온톨로지 기반으로 정보를 구조화하고 업무 시스템, AI 에이전트, 로봇 등을 연계하는 오케스트레이션 구조를 구현 중이며, 한국생산기술연구원 등 연구기관과 협력해 제조 데이터 표준화 및 MLOps 기술 실증에도 앞장서고 있다. 박승훈 대표는 “자율제조는 단일 AI 모델이 아닌 정보 기반, 판단 조율 체계, 현장 실행 인프라가 함께 갖춰져야 가능하다”며 “제조 현장의 맥락을 이해하는 AX 플랫폼을 통해 국내 제조업의 경쟁력을 세계 최고 수준으로 높여가겠다”고 밝혔다. 

다쏘시스템코리아는 6월 11일 ‘시뮬리아 유저 데이 2026’을 열고, AI 기술과 ‘모드심(MODSIM)’을 결합해 제품 설계 초기 단계부터 의사결정을 최적화하고 개발 주기를 단축하는 방안을 소개했다. 이번 행사에서 다쏘시스템코리아는 ‘버추얼 트윈(virtual twin)’과 ‘가상 동반자 (virtual companion)’를 활용한 엔지니어링 환경의 변화와 미래 전략을 공유하는 한편, 자사의 해석 브랜드인 시뮬리아(SIMULIA) 전반의 기술 성과 및 산업 영역에서의 활용 사례도 소개했다. ■ 정수진 편집장     시뮬레이션, 설계 초기 단계부터 리스크 줄인다 다쏘시스템코리아의 이주상 본부장은 환영사에서 현대 산업이 AI, 휴머노이드 로봇, 전동화, 첨단 제조 등의 신기술과 결합해 전례 없는 속도로 패러다임을 바꾸고 있다고 진단했다. 과거 제품 개발의 후반에서 검증 역할을 한 시뮬레이션은 이제 기획과 설계 초기 단계부터 성능을 예측하고 리스크를 줄이는 핵심 역량으로 진화하고 있다. 특히 AI 시대의 시뮬레이션은 엔지니어를 반복적인 작업에서 해방시켜 본질적인 설계와 검증에 집중하게 만든다. 이주상 본부장은 “복잡한 모델 준비, 해석 조건 설정, 그리고 결과 검토 같은 과정에서 AI는 업무 효율과 판단의 정확도를 높이고 제품 개발에 참여하는 모든 사람이 성능을 이해하고 의사결정에 적극 참여할 수 있도록 지원하고 있다”고 전했다. 또한, “이런 흐름에 발맞춰 다쏘시스템의 시뮬리아는 구조, 유동, 전자기 등 다양한 물리 영역을 통합하고 3D익스피리언스 플랫폼(3DEXPERIENCE Platform) 기반의 모드심을 통해 모델링과 시뮬레이션을 연속된 프로세스로 구현하고 있다”고 소개했다. 다쏘시스템은 버추얼 트윈과 물리 기반 AI를 결합한 시뮬리아 포트폴리오를 통해 복잡한 제품의 성능을 미리 예측하고 다양한 설계 대안을 정밀하게 검토할 수 있도록 지원하고 있다. 이를 통해 기 업이 물리적 프로토타입에 대한 의존도를 낮추고 개발 과정의 재작업과 리스크를 줄여, 높은 품질과 신뢰성을 확보하게 해준다는 것이 다쏘시스템의 설명이다.   ▲ AI 시대 시뮬레이션의 역할에 대해 짚은 다쏘시스템코리아 이주상 본부장   시뮬리아 핵심 전락 : 물리 기반 혁신·모드심·AI 결합 다쏘시스템의 미쉘 애쉬 시뮬리아 CEO는 물리 기반 향상, 모드심의 도입, 인공지능과의 결합 등 세 가지를 시뮬리아 전략의 핵심 요소로 소개했다. 다쏘시스템은 물리 기반의 혁신을 위해 아바쿠스(Abaqus)와 파워플로(PowerFLOW) 등 기존 솔버의 성능을 꾸준히 끌어올리고 있다. 특히 GPU(그래픽 처리 장치) 환경에 맞춰 시스템을 새롭게 구성함으로써 연산 속도를 최고 스물다섯 배까지 높였으며, 파트너사인 엔비디아와의 협력을 통해 이를 시장에 제공하고 있다는 것이 애쉬 CEO의 설명이다. 또한, 기존에 풀기 어려웠던 복잡한 문제를 해결할 수 있도록 여러 대학과 손잡고 솔버 자체의 근본적인 물리적 기능을 다듬는 중이다. 모드심(MODSIM)은 CAD 기반의 모델링과 시뮬레이션을 하나의 프로세스로 매끄럽게 연결하는 기술이다. 다쏘시스템은 설계를 변경할 때마다 메시를 다시 짜고 번거로운 설정을 반복할 필요 없이, 현실 세계에서의 제품 작동 방식을 설계하는 즉시 시뮬레이션할 수 있다는 것을 모드심의 강점으로 내세운다. 애쉬 CEO는 40시간이 걸리던 작업을 네 시간으로 단축한 포드의 사례를 소개하면서 이 기술의 가치를 설명했다. 마지막으로, 다쏘시스템은 AI를 모드심과 해석 솔버에 결합해 새로운 차원의 업무 환경을 구축해 나가고 있다. 다양한 대규모 언어 모델(LLM)에 다쏘시스템이 오랜 기간 축적해 온 전문 산업 지식과 노하우를 접목해, 산업 현장에 특화된 추론과 분석 능력을 제공하고 있는 것이다. 애쉬 CEO는 “이를 통해 물리적 행동의 버추얼 트윈을 구현하고 사람처럼 업무를 돕는 가상 동반자를 도입함으로써, 사용자가 혁신적이고 우수한 제품을 빠르게 개발할 수 있도록 지원하고 있다”고 전했다.   ▲ 시뮬리아의 핵심 전략을 소개한 다쏘시스템 미쉘 애쉬 시뮬리아 CEO    공통 데이터 기반의 동시 공학 구현하는 모드심 다쏘시스템이 제안하는 모드심은 공통 데이터 모델을 기반으로 카티아(CATIA)의 모델링과 시뮬리아의 시뮬레이션을 단일 사용자 환경인 3D익스피리언스 플랫폼에서 통합하는 형태이다. 설계 자가 디자인을 완성하는 즉시 시뮬레이션을 통해 제품이 현실 세계에서 어떻게 작동할지 즉각적으로 파악할 수 있는 것이 모드심의 특징이다. 다쏘시스템은 모드심이 엔지니어링의 패러다임을 선형적인 순차적 방식에서 동시 공학(concurrent engineering)으로 바꿔 놓을 것으로 기대하고 있다. 프란체스코 폴리도로 시뮬리아 월드 와이드 모드심 및 AI 기술 영업 부문 본부장은 “설계 엔지니어, 즉 디자이너가 동일한 데이터 모델 위에서 분석가와 병렬적으로 작업할 수 있는 순환적인 프로세스”라고 설명했다. 모드심은 설계를 변경할 때마다 메시를 다시 생성하고 설정 작업을 반복해야 하는 번거로움을 해결한다. 이 때문에 설계 반복 루프가 빨라져서 제품 개발 시간을 단축할 수 있다는 것이 다쏘시스템의 설명이다. 나아가 모드심은 전문가의 영역이던 시뮬레이션을 비전문가도 쉽게 다룰 수 있도록 한다. 복잡한 과정은 숨기고 사용자가 필요한 결과만 쉽게 얻을 수 있도록 전체 프로세스를 템플릿화해서 제공하기 때문이다. 또한 플랫폼 위에서 이루어지는 모든 작업과 시나리오 결과가 남김없이 기록되어 완벽한 설계 추적성을 제공한다는 점도 이점이다. 여기에 다쏘시스템이 새롭게 구축 중인 AI 기술이 더해지면 물리적 행동의 버추얼 트윈을 바탕으로 몇 시간이 걸리던 작업을 몇 분 만에 끝낼 수 있는 시너지를 발휘하게 된다.   엔지니어를 돕는 세 가지의 ‘가상 동반자’ 다쏘시스템이 그리는 미래 엔지니어링 환경에서 모드심은 AI를 진정으로 활용할 수 있게 해주는 첫 번째 단계이자 중요한 기반 역할을 담당한다. 이러한 모드심을 통해 물리적 환경에서 제품이 어떻게 작동할지 이해하는 버추얼 트윈을 확보하고, 여기에 업무를 돕는 가상 동반자를 결합하면 새로운 차원의 생성형 경험을 창출할 수 있다는 것이 다쏘시스템이 내세우는 비전이다. 애쉬 CEO는 “우리가 ‘가상 동반자’라고 부르는 이유는 말 그대로 엔지니어를 돕는 동료와 같기 때문”이라면서, 아우라(Aura), 레오(Leo), 마리(Marie)라는 세 가지의 가상 동반자를 소개했다. 이들 가상 동반자는 AI가 일으킬 수 있는 환각 현상을 줄이고 각자의 업무에 정확하게 집중할 수 있도록 특화된 전문가로 구현했다. 비즈니스에 중점을 둔 아우라는 프로젝트 계획 수립이나 비즈니스 사례 분석, 공급업체 분석과 같은 비즈니스 전반의 활동을 지원한다. 레오나르도 다빈치의 이름을 딴 레오는 시뮬레이션과 유체 해석을 아우르는 기계 엔지니어로 활약한다. 사용자가 자연어로 시뮬레이션 의도를 전달하면 레오는 메시와 시나리오를 알아서 설정하고 해석을 실행하며, 도출된 결과를 분석해 문제점을 파악한다. 마리 퀴리의 이름에서 영감을 받은 마리는 과학자로서 화학과 과학 분야를 깊이 이해하는 데에 초점을 뒀다. 마리는 제품 및 소재 개발을 지원하며, 기존에 적합한 재료가 없는 경우 특정 용도에 맞는 완전히 새로운 재료를 개발하는 작업까지 수행한다.   ▲ 다쏘시스템 프란체스코 폴리도로 본부장은 설계와 시뮬레이션을 통합한 모드심을 설명했다.   산업용 AI로 엔지니어링의 미래 재정의 다쏘시스템은 산업용 AI가 엔지니어링의 미래를 근본적으로 재정의할 것이라는 비전을 내세웠다. 이런 비전은 ‘3D 유니버스(3D UNIV+RSES)’라는 개념으로 구체화되며, 이는 물리적인 프로토타입을 제작하기 전에 설계, 제조, 실제 사용, 유지보수, 재활용에 이르는 제품의 전체 수명주기를 가상 세계에서 미리 시뮬레이션하는 것을 뜻한다. 이를 통해 기업은 혁신적이고 견고한 제품을 더 빠르게 시장에 출시하는 동시에, 물리적 자원 낭비를 줄여 환경에 미치는 영향을 최소화할 수 있다. 비전을 실현하기 위한 다쏘시스템의 구체적인 전략은 범용 LLM과의 차별화에서 출발한다. 챗지피티나 클로드같은 범용 AI 모델의 능력을 활용하면서, 그 위에 다쏘시스템이 축적한 시뮬레이션 전문 지식과 부품 설계 노하우를 깊이 있게 결합한다는 것이다. 다쏘시스템은 이를 통해 일반적인 수학 문제를 푸는 것을 넘어, 산업 환경에 특화된 합리적 추론과 분석 능력을 제공하는 데에 기술 개발의 초점을 맞추고 있다. 전략의 핵심축 중 하나는 머신러닝을 기반으로 제품의 현실 세계 동작을 예측하는 물리적 행동의 버추얼 트윈이다. 이 기술은 모드심을 통해 제품 개발 시간으로 줄이는 데 이어, 다시 AI 모델 기반의 예측을 적용해 몇 초 만에 완료할 수 있게 만든다. 그리고, 가상 동반자는 비전문가나 숙련도가 낮은 사용자도 시뮬레이션에 쉽게 접근할 수 있도록 진입 장벽을 허문다. 다쏘시스템은 이런 AI 전략이 탄탄한 데이터 구조와 지적 재산권 보호라는 기반 위에서 실행된다고 소개했다. 형상과 시뮬레이션을 연결하는 3D 데이터에 대한 깊은 이해를 바탕으로 산업 월드 모델을 구축하며, 3D익스피리언스 플랫폼을 통해 고객의 지적 자산을 추적하고 보호한다는 것이다. 이와 함께 엔비디아와의 전략적 파트너십을 통해 GPU 환경에서 솔버의 연산 속도를 높이고, 옴니버스(Omniverse) 생태계를 플랫폼에 통합함으로써 고객이 최고 수준의 산업용 AI를 생산 환경에 안전하게 구현하도록 돕는다.     ■ 기사 내용은 PDF로도 제공됩니다.

SAP코리아는 7월 14일 그랜드 인터컨티넨탈 서울 파르나스 호텔에서 ‘SAP 나우 AI 투어 코리아 2026(SAP NOW AI Tour Korea 2026)’을 개최한다고 전했다. 이번 행사는 SAP 고객과 파트너, 업계 전문가들이 모여 비즈니스 AI를 중심으로 기업의 업무 방식을 혁신할 방안과 인사이트를 공유하는 자리다. 올해 행사에서는 AI가 단순한 보조 도구를 넘어 기업 운영의 핵심 동력으로 자리잡는 흐름 속에서, 복잡한 비즈니스 콘텍스트에 대한 명확한 이해와 신속한 실행의 중요성을 강조한다. SAP코리아는 50여 년간 축적한 비즈니스 전문성과 데이터를 바탕으로 ‘SAP 비즈니스 AI 플랫폼(SAP Business AI Platform)’과 ‘SAP 자율형 스위트(SAP Autonomous Suite)’를 선보이고, 실질적인 비즈니스 가치를 실현할 수 있는 전략을 공유할 예정이다.     기조연설에는 SAP의 얀 벙커트 비즈니스 데이터 클라우드 및 비즈니스 AI 부문 CRO(최고매출책임자)가 나선다. 벙커트 CRO는 ‘자율형 기업으로 최고의 성과를 실현하라’를 주제로 SAP의 자율형 기업 비전과 AI 혁신 전략을 제시한다. 이어지는 세션에서 SAP코리아 하경남 부문장은 AI를 업무 운영 메커니즘으로 전환해야 하는 이유와 비즈니스 콘텍스트 기반의 자율 실행형 AI가 기업 경쟁력의 분기점이 되는 방향성을 발표한다. 주요 고객 및 파트너 기업의 SAP 설루션 도입 사례와 적용 효과도 소개한다. LG이노텍 박준기 차세대 ERP 추진실 실장이 클라우드 및 자율형 기업으로 이어지는 차세대 ERP 여정을 공유한다. 삼성전기 박준호 그룹장은 국내 최초 ‘SAP 프리미엄 서플라이어’ 기반 SAP S/4HANA 전환을 통한 AI 혁신 플랫폼 구축 여정을 소개하며, 삼성SDS 지기성 부사장은 콘텍스트 인식 기반의 자율형 기업 전략 실현 사례를 발표할 예정이다. 오후에는 실무 분야별로 4가지 전문 트랙이 운영된다. 엔드 투 엔드 운영 혁신, AI·데이터·플랫폼 통합, 산업별 고객 사례, 서비스 및 지원을 주제로 각 영역별 실무진을 위한 맞춤형 세션 41개가 마련된다. 또한, 참가자들이 자율형 기업을 직접 경험할 수 있도록 ‘자율형 기업 가이드 투어’와 ‘에이전트 랩’ 등 체험존을 운영한다. 참가자는 가이드 투어로 자율형 기업의 전체 여정을 조망하고, 에이전트 랩에서 나만의 AI 에이전트를 실시간으로 구축해볼 수 있다. SAP코리아 신은영 대표는 “에이전틱 AI 시대로의 전환이 가속화되는 가운데, 단순히 AI를 도입하는 차원을 넘어 정확한 비즈니스 콘텍스트와 연결해 실질적인 성과로 이어지도록 하는 역량이 기업 경쟁력의 핵심이 되고 있다”면서, “이번 행사를 통해 참가자들이 SAP의 자율형 기업 비전과 구체적인 AI 혁신 전략을 직접 확인하고, 자사의 비즈니스 혁신을 가속화할 수 있는 실질적인 인사이트를 얻어 가시길 바란다”고 밝혔다.

케이던스가 HPE와 협력을 확대해 디지털 트윈 기반의 데이터 센터 현대화를 가속화한다고 발표했다. 이번 협력은 차세대 인프라인 인공지능(AI)과 고성능 컴퓨팅(HPC)을 도입하는 고객이 데이터 센터의 설계, 최적화, 운영 전반의 효율성을 개선하도록 돕는 데 초점을 맞춘다. 양사는 물리 기반의 시뮬레이션과 AI, HPC 기술을 활용해 데이터 센터 환경을 가상화하는 ‘케이던스 리얼리티 디지털 트윈 플랫폼(Cadence Reality Digital Twin Platform)’과 HPE의 지속 가능한 데이터 센터 현대화 서비스를 결합한다. HPE의 AI 특화 모듈형 데이터 센터인 ‘AI 모드 POD(AI Mod POD)’에 이 플랫폼을 표준으로 적용함에 따라, 고객은 총소유비용을 절감하고 배포 속도를 높이며 운영 효율을 끌어올릴 수 있다.   ▲ 이미지 출처 : Era4   AI가 데이터 센터의 요구사항을 새롭게 정의하는 상황에서 디지털 트윈은 고성능 인프라를 설계하고 운영하는 강력한 기반을 제공한다. 케이던스는 HPE와의 협력을 통해 고객이 복잡한 환경을 모델링하고 최적화하도록 지원하며, 이를 통해 운영 위험을 줄이는 동시에 에너지 효율을 높이고 지속 가능성 목표를 달성할 수 있도록 기여할 방침이다. 데이터 센터가 전력 밀도가 높은 AI 워크로드와 첨단 냉각 아키텍처를 수용하는 방향으로 진화함에 따라, 운영자는 규제와 서비스 수준을 준수하면서 신속하게 현대화를 진행해야 한다. 케이던스와 엔비디아, HPE는 에지부터 클라우드까지 아우르는 확장 가능하고 에너지 효율적인 데이터 센터 청사진을 제공한다. 이를 통해 고객은 실제 물리적 구축 전에 결정을 검증하여 위험을 방지하고, 숨은 용량을 확보하며, 요구사항 변화에 맞춰 최적의 성능을 유지할 수 있다. HPE는 AI 시대를 맞아 확장 가능하고 안전하며 지속 가능한 설루션으로 고객의 데이터 센터 현대화를 지원하는 데 주력하고 있다. 케이던스와의 협력을 깊이 있게 발전시킴으로써 엔지니어링 수준의 디지털 트윈 역량을 고객에게 제공하고, 데이터 센터 수명 주기 전반에 걸쳐 용량, 에너지 효율성, 운영 의사결정을 최적화하도록 돕는다는 구상이다. 케이던스는 설계, 배포, 운영 등 데이터 센터 현대화의 핵심 과제를 해결하는 디지털 트윈 기반 설루션을 선보인다. 이 설루션은 고객이 ▲엄격한 전력, 공간, 냉각, IT 지속 가능성 목표를 충족하는 AI 및 HPC 시설을 설계하고 ▲ ‘케이던스 리얼리티 DC 엘리먼트 디자인 라이브러리(Cadence Reality DC Elements Design Library)’를 활용해 배포 시나리오를 미리 평가함으로써, HPE 데이터 센터 서비스의 AI 모드 POD 및 관련 AI 데이터 센터 설루션의 계획과 운영을 앞당기며 ▲ 데이터 센터 내부의 구성 변경이나 워크로드 이동이 일어나기 전에 전력 및 냉각 동작을 예측 모델링하여, IT와 시설의 이용률을 높이고 낭비되는 용량을 줄이는 등의 성과를 거두도록 지원한다. 또한 ▲ 장기적인 용량 계획, 에너지 최적화, 장애 및 업그레이드 계획을 지원하는 가상 시나리오를 실행하여 운영 인텔리전스와 IT 지속 가능성을 강화하도록 돕는다. 케이던스의 엔지니어링 시뮬레이션 및 디지털 트윈 역량을 HPE의 AI 데이터 센터 설루션 및 서비스와 통합함으로써, 고객은 기존 시설과 신축 시설 모두에서 AI 인프라를 한층 신속하고 확신 있게 확장할 수 있게 된다. 케이던스 리얼리티 디지털 트윈 플랫폼은 공급업체가 제공한 디지털 모델을 드래그 앤 드롭 방식으로 배치하여, 실제 데이터 센터와 캠퍼스 전체를 고정밀 디지털 복제품으로 구현한다. 이러한 예측 모델은 데이터 센터 운영자가 초기 설계부터 일상적인 운영에 이르기까지 에너지 효율성, 용량, 복원력을 최적화하도록 돕는다. 데이터 센터 아키텍처를 개선하고자 하는 고객은 HPE의 데이터 센터 설계 및 엔지니어링 팀과 협력할 수 있다. HPE 팀은 케이던스 리얼리티 디지털 트윈 플랫폼을 도입해 엔지니어링 관점에서 정확한 물리 기반 레이어를 구축하며, 이를 통해 설계 단계에서 상충 관계를 미리 평가하고 실제 제약 조건에 맞춰 운영을 지속적으로 정제해 나간다.

산업을 위한 AI와 버추얼 트윈 기술 (4)   이번 호에서는 다쏘시스템의 3D익스피리언스 카티아(3DEXPERIENCE CATIA)에 인공지능을 통합해 설계자의 업무를 지원하는 가상 동반자 설루션을 소개한다. 아우라, 레오, 마리로 구성된 가상 동반자는 자연어로 소통하며 제품 구조 설계와 데이터 관리를 도와 엔지니어링 효율을 극대화한다. 또한, 카티아에 생성형 경험을 접목해 복잡한 스케치나 설계 이력이 없는 부품을 자동으로 재구성하고 반복 작업을 줄일 수 있다.   ■ 오은정 다쏘시스템 코리아의 Industry Process Consult Team에서 카티아 기술 분야를 담당하고 있다. 항공, 자동차, 조선해양, 산업장비 등 다양한 산업 분야에서 카티아의 실무 적용을 위한 프로젝트를 수행하고 있다. 홈페이지 | www.3ds.com/ko   실무 현장에 찾아온 AI 설계와 제조 현장에 인공지능(AI)은 더 이상 미래가 아닌 현장의 생산성과 효율을 결정짓는 필수 요소가 되었다. 다쏘시스템은 사용자의 경험을 향상시키고 업무 효율을 높이며, 신뢰할 수 있는 혁신을 지원하기 위해 제품 전반에 AI 기술을 깊숙이 통합하고 있다. 특히 카티아(CATIA)에서의 AI는 단순한 기능적 자동화를 넘어, 설계자의 의도를 이해하고 공학적 판단을 보조하는 지능형 가상 동반자로서 그 역할을 확장하고 있다. 이제 엔지니어링의 핵심은 AI를 어떻게 활용하여 인간의 창의성을 극대화할 것인가로 이동하고 있다.   카티아에 AI가 녹아드는 혁신 방식 설계자와 엔지니어의 업무를 지원하기 위한 AI는 카티아에 다양한 형태로 접목되었다. 그 핵심축은 가상 동반자(Virtual Companion)와 생성형 경험(Generative Experience)으로 대표된다.   가상 동반자 2026년 2월, 다쏘시스템은 3D익스피리언스 플랫폼(3DEXPERIENCE platform)에서 설계자의 가상 동반자로 ‘새로운 범주의 AI 기반 전문가’를 공식 소개했다. 이 가상 동반자는 과학적 지식과 수십 년간 축적된 업계 수준의 지식에 기반을 두고 있다. 산업계가 혁신과 운영을 창출, 테스트 및 검증하는 방식을 혁신하도록 설계되었으며, 아우라(AURA), 레오(LEO), 마리(MARIE)의 세 가지 동반자로 구성된다. 세 동반자는 미스트랄(Mistral) AI 기반 모델을 토대로 구축되었으며, 다쏘시스템의 아웃스케일(OUTSCALE) 클라우드 인프라에서 운영된다.   그림 1. 가상 동반자   아우라 아우라는 요구사항, 프로젝트 관리, 제품 데이터 변경 사항 전반에 걸쳐 제품 개발 및 생산과 관련된 지식과 노하우를 통합 관리한다. 프로젝트 관리자, 컴플라이언스 담당자, 비즈니스 애널리스트, 리스크 매니저 등 다양한 역할의 업무를 지원하며, 엔터프라이즈 및 웹 기반 지식을 활용하여 모든 사용자가 역량을 발휘할 수 있도록 돕는 역할을 수행한다.   레오 레오는 설계부터 생산까지 엔지니어링 전반의 문제를 해결한다. 레오나르도 다 빈치의 이름을 따서 명명되었으며, 3D익스피리언스 카티아(3DEXPERIENCE CATIA) 2026년 버전에 출시되었다. 사용자와 자연어로 소통하고, 사용자의 지침을 해석하여 3D익스피리언스 플랫폼에서 추출한 설계 데이터를 기반으로 추론하며, 부품, 제품 또는 형상에 대한 작업을 수행한다.   마리 마리는 소재, 화학, 제형 및 치료 방법 분야에서 깊이 있는 과학적 전문성을 보유하고 있다. 마리 퀴리의 이름을 따서 명명되었으며 연구소 분석가, 의약 화학자, 소재 과학자 등 과학 연구 분야 전문가를 위한 가상 동반자로 2026년 출시 예정이다.   레오 메커니컬 엔지니어링 카티아 사용자가 실무에서 가장 유용하게 사용할 수 있는 가상 동반자는 단연 레오이다. 레오는 기계 공학 분야의 역량을 갖추고 있어, 기계 설계자와 엔지니어가 자연어를 사용하여 3D 설계 데이터와 직접 상호 작용할 수 있도록 지원한다. 레오는 설계 환경과 맥락을 분석 및 종합하고, 제품 구조의 생성 및 수정, 제품 구조 및 설계와 상호 작용 등 광범위한 업무를 수행할 수 있다.  레오와의 대화를 통해 찾기 어려운 설계 정보를 신속히 파악하고, 설계 기능과 목적을 명확히 하는데 도움을 받을 수 있다. 레오가 시간이 오래 걸리거나 반복적인 작업을 처리하는 동안, 설계자는 보다 고부가가치가 있는 업무에 집중할 수 있다. 참고로 한글 명령어 입력도 지원한다. <그림 2~5>는 설계자가 카티아 화면에서 레오와 상호 작용하며 업무를 수행하는 예시이다. 레오는 역할과 전문 분야에 따라 세분화된 기능을 제공한다. 앞서 소개한 레오 메커니컬 엔지니어링(LEO Mechanical Engineering)은 기계 공학 역량을 갖춘 가상 업무 동반자로 설계자를 지원한다. 출시 예정인 레오 널리지 베이스드 엔지니어링(LEO Knowledge-based Engineering)은 회사내 지식 자산에 대한 인사이트를 식별하고 설계 파라미터, 규칙, 템플릿을 생성하거나 또는 적용하는 역할을 담당한다.   그림 2. 레오 메커니컬 엔지니어링 예시 1 − 제품, 단품 구조 탐색, 신규 제품/단품 생성, 수정, 제거 및 제품 구조 재구성 등     ■ 자세한 기사 내용은 PDF로 제공됩니다.

연결된 데이터를 인터랙티브 3D 경험으로 전환   이번 호에서는 풍부하고 몰입감 있는 3D 환경을 만들고 협업하기 위한 팀 셋업과 관련한 전문가의 조언을 제공한다. 지난 호에서는 관리되는 중앙 집중형 3D 애셋 라이브러리를 구축하고 계층 구조와 메타데이터를 임포트 및 보존하여 기반을 마련하는 방법을 안내했다. 다음 단계는 해당 데이터를 판매하는 제품, 실행 중인 시뮬레이션 또는 모니터링하는 시설을 재현하는 몰입형 인터랙티브 경험으로 전환하는 것이다. ■ 자료 제공 : 유니티 코리아     디자인 검토나 교육 시뮬레이션이 데이터의 부족으로 인해 실패하는 경우는 드물다. 대개 실패의 원인은 한자리에 모인 사람들이 데이터를 동일한 방식으로 경험하지 못하는 데 있다. 엔지니어링팀 은 단면도와 공차 누적 자료를 가져오고, 제조팀은 어셈블리 라인의 스냅샷을 보여 주며, 제품팀은 이해관계자의 이해를 돕기 위해 슬라이드를 제시한다. 이러한 프레젠테이션 자체에는 문제가 없지만, 각자가 서로 다른 프레임에 기반을 두고 있으며 서로 다른 출처의 데이터를 가져온다. 또한 특정 사용자 역할에만 중요한 일부 내용만을 전달한다. 각 팀은 자신의 기준에서는 옳을 수 있지만, 전달되는 정보가 정확하고 관련성이 있으며 최신 상태인지 모두가 확신하지는 못하기 때문에 중요한 질문이 계속해서 남게 된다. 하지만 여러 팀에게 동일한 3D 모델을 제시하면 얘기가 달라진다. 어셈블리가 움직이고, 공차 수준이 반영되며, 점검 패널이 열리고, 문제가 며칠이 아니라 몇 초 만에 드러난다. 이렇게 하면 사람들은 동일한 SSOTT(single source of truth)를 기반으로 같은 부분을 식별하고, 테스트하고, 의사 결정을 내릴 수 있다. 이번 호에서는 이러한 유형의 경험을 만드는 방법을 소개한다.   ▲ 이미지 제공 : ABB   병목 현상 : 연결된 모델, 누락된 경험 아무리 잘 정리되어 있더라도 원시 3D 모델만으로는 그 자체로 가치를 창출하지 못한다. 애셋 라이브러리를 구축했다면, 다음 단계는 해당 모델에서 최종 사용자가 필요로 하는 것을 제공하는 경험을 만드는 것이다. 이 단계에서 흔히 발생하는 마찰 요인은 다음과 같다. 사람들이 동일한 모델에 대해 갖는 서로 다른 기대치 : 엔지니어는 기능 면에서의 정확성을 기대하고, 교육 담당자는 절차를 가르치기 위한 명확성과 현실성을 필요로 하며, 고객은 이해하기 쉽고 매력적인 시각 자료를 원한다. 동적인 문제를 전달하지 못하는 정적 출력 : 스크린샷이나 슬라이드 자료로는 동작 중 충돌이나 부자연스러운 툴 경로 등을 보여 줄 수 없으며, 시퀀스 오류는 동작을 단계별로 실행하거나 작업을 직접 수행해 보는 경우에만 확인할 수 있다. ‘전부 아니면 전무’식의 현실주의 : XR 헤드셋에서 최대한의 디테일을 추구하면 프레임 속도가 급격히 떨어져 불편한 경험을 초래할 수 있다. 반대로 디테일을 지나치게 제거하면 신뢰를 잃을 위험이 있다. 미적 요소를 가지고 논쟁하기보다는, 필요한 용도에서 반드시 정확하게 구현해야 하는 요소에 집중해야 한다. 일관적이지 않은 기기 간 경험 : 워크스테이션에서 원활하게 실행되는 작업도 헤드셋이나 모바일 기기에서는 불안정할 수 있다. 지나치게 높은 해상도의 텍스처, 요구 사양이 높은 셰이더 또는 베이킹되지 않은 조명과 같은 요소는 라이브 데모나 교육 시뮬레이션 직전에 쉽게 수정하기가 어렵다. 이러한 문제에는 공통점이 있다. 바로 모두가 함께 직접 확인하고 다뤄 볼 수 있는 공유된 시각이 부족하다는 것이다. 모델을 최종 결과물이 아닌 출발점으로 삼으면 원하는 결과에 집중하고 해당 타깃과 기기에 맞게 디자인할 수 있다.     인터랙티브 요소가 확실한 성과로 이어지는 순간에 집중 화려한 그래픽스와 모든 세부 사항까지 고려한 완전한 시뮬레이션이 모든 워크플로에 필요한 것은 아니다. 최상의 결과는 사용 사례를 이해하고 그에 맞게 경험을 조정하는 과정에서 나온다. 인터 랙티브 3D는 산업 전반에 폭넓게 적용되는 영역에서 가장 큰 성과를 내는 경향이 있다. 유니티의 산업 부문 수석 부사장 겸 제너럴 매니저인 사라 래시는 “성과를 낼 수 있는 영역은 사용자가 달성하고자 하는 목표에 따라 달라진다”면서, “무엇보다도 달성하고자 하는 결과를 먼저 정의하는 것이 중요하다. 어떤 팀에게는 몰입형 디자인 검토, XR 기반 현장 배치 검토, 또는 고객이 다양한 옵션을 직접 둘러볼 수 있는 웹 컨피규레이터처럼 영향력이 큰 활용 사례가 첫 번째 성과가 될 수 있다”고 전했다. 네 가지 주요 활용 사례 유형을 간단히 살펴보겠다.   교육 및 시뮬레이션 효과적인 시뮬레이션은 학습 성과와 안전성을 크게 향상시킬 수 있지만, 이는 몰입도, 정확성, 신뢰도에 달려 있다. 효과적으로 구축된 교육 시뮬레이션에서는 올바른 절차 순서, 결과에 대한 체감, 그리고 각 단계를 뒷받침하는 논리를 보여 준다. 예를 들어 시뮬레이션을 사용하여 지게차나 크레인 운전자를 교육할 경우, 하중의 흔들림과 관성을 통해 동영상으로는 절대 구현할 수 없는 방식으로 운전자의 판단력을 훈련시킨다. 유지 관리 작업에서는 실질적인 액세스 경로와 오류에 대한 실시간 피드백을 제공하여 신규 기술자가 생산적으로, 무엇보다도 안전하게 작업할 수 있는 자신감을 기를 수 있다. 교육 시나리오에 적합하며 신뢰할 수 있고 정확한 동작이 중요하다. 타깃 헤드셋이나 태블릿에서의 명확한 시각적 신호와 안정적인 프레임 속도가 미적 요소보다 훨씬 중요하기는 하지만, 그래도 시뮬레이션에는 실제 환경이나 오브젝트를 반영해야 한다.   ▲ 이미지 제공 : I-CAR   3D 협업 및 디자인 검토 디자인 검토에서 인터랙티브 기능은 말로만 하는 토론을 직접 보여 주고 확인하는 방식으로 바꿀 수 있어야 한다. 이처럼 성과가 높은 사용 사례에서는 엔지니어, 디자이너 및 관계자가 실시간 3D로 디자인을 검토하여 오류를 더 일찍 발견하고 더 빠른 반복 작업을 통해 개선할 수 있다. 검토자는 변형(variant) 간에 전환할 수 있어야 하며, 부품을 전체 동작 범위로 움직여 충돌 여부를 확인하고, 레이어를 제거하여 컨텍스트 내 간극을 점검할 수 있어야 한다. 모두가 같은 시점에 같은 관점으로 같은 것을 바라보면 더 현명한 의사 결정이 훨씬 빠르게 이루어진다. 시각적 완성도는 대체로 선택 사항이지만, 사실적인 움직임과 정확한 디테일은 필수이다. 부품이 충돌 없이 얼마나 이동하는지를 보여주는 것과 같은 정확한 크기와 움직임이 무엇보다 중요하다. 가드레일을 해제하거나 셀프 서비스 모드를 활성화하여 문제 및 최악의 시나리오를 보여 주는 등의 간단한 위험 토글을 포함할 수도 있다.   ▲ 이미지 제공 : Facebook Reality Lab   인간−기계 인터페이스 운영 어셈블리 라인 제어 화면이든 차량 내 디스플레이든, HMI(휴먼−머신 인터페이스) 애플리케이션에서는 명확성이 가장 중요하다. 운영자는 현재 상황을 파악하고 다음에 취해야 할 조치를 알아야 하므로, 이러한 경우에는 경량 3D가 더 적절할 수 있다. 또한 사용자가 HMI를 통해 상호 작용하는 많은 임베디드 시스템은 그래픽스 처리 능력이 제한적이므로, 높은 수준의 시각적 정확도가 기술적으로 실현 가능하지 않은 경우가 많다. 한편 상황이 변할 때 운영자에게는 대응할 시간이 몇 초밖에 없을 수 있으므로, 반응성 및 가독 성과 같은 요소는 타협할 수 없다. 지연이 발생하거나 읽기 어려운 UI 요소가 있을 경우 오류, 다운타임 또는 안전 사고로 이어질 수 있다. 타깃 하드웨어에서 즉시 렌더링되는 경량 3D 모델을 사용하는 것이 좋다. 단순화된 메시, 사전에 베이크된 조명 및 고대비 머티리얼은 성능 부담을 줄여 주며, 일반적인 HMI 활용 사례에서 모델의 가독성을 유지한다.    ▲ 이미지 제공 : Mercedes-Benz Group Media   고객 경험 및 컨피규레이터 고객들은 관심 있는 제품과 가상으로 상호 작용할 수 있을 때 더 많은 시간을 할애하고 더 빠르게 결정을 내린다. 제품을 회전시키거나 확대/ 축소해 보고, 옵션을 변경하거나 증강현실(AR)을 통해 자신의 주변 환경에 배치해 볼 수도 있기 때문이다. 중요한 요소를 충실하게 재현할 때 신뢰성이 높아지므로, 머티리얼과 조명은 사실적이어야 하며 움직이는 부품도 실제와 동일하게 작동해야 한다. 하지만 화려한 비주얼을 선호하는 고객이라도, 프레임이 끊기거나 로딩이 길어지기를 원하지는 않는다. 고객 경험에서 가장 중요한 이른바 ‘히어로’ 요소를 우선적으로 고려해야 한다. 이는 유리, 금속, 페인트, 직물과 같이 디테일이 핵심적인 영역을 의미한다. 중간급 사양 기기에서의 빠른 로딩 시간도 중요하므로, 여러 디테일 수준(LOD)을 고려할 필요가 있다.   ▲ 이미지 제공 : Audi & Govar Studios    최상의 결과를 위해서는 앞에서 소개한 기본 사례 중 하나를 선택하여 단일 시나리오부터 시작하는 것이 좋다. 타깃 고객에게 가장 중요한 활용 사례를 구축한 다음, 연결된 동일한 3D 모델을 활용하여 다양한 기본 및 기타 용도로 확장할 수 있다.   정확성을 고려하여 디자인하되, 성능을 고려하여 구축할 것 신뢰와 확신은 두 가지에서 비롯된다. 신(scene)은 올바르게 보여야 하며, 최종 사용자가 실제로 사용하는 기기에서도 현실 세계와 동일하게 작동해야 한다. 설득력 있고 사용하기 쉬운 3D 경험을 만들기 위해서는 시각적 요소, 상호 작용, 통합의 세 가지 계층으로 구성된 접근 방식을 취하는 것이 좋다.   ▲ 이미지 제공 : TomTom   시각적 요소 : ‘실현 가능한 최소한의 사실성’을 고려한 조정 특정 경험에 적합한 시각적 디테일 수준을 찾는 것은 가장 어려운 요소에 속한다. 최종 사용자에게 최상의 경험을 제공하고 싶겠지만, 동시에 해당 경험을 전달할 기기의 성능도 고려해야 한다. 한편, 시각적 요소의 품질이 낮으면 충분한 의미를 전달하지 못할 수 있다. 반면 낮은 프레임 속도는 반응성이 떨어지고 몰입도가 낮은 경험을 초래한다. 필요 이상으로 사실적인 시각적 요소를 만들어 과도한 엔지니어링이 이루어지는 상황을 피해야 한다. 예를 들어, 중간급 사양의 VR 헤드셋에서 실행할 내부 교육 경험을 위해 초고해상도 텍스처를 몇 주 동안 제작할 필요는 없다. 교육생은 그 추가적인 디테일을 알아차리지 못할 수도 있지만, 성능 지연은 분명히 느낄 것이다. 팀이 CAD 어셈블리의 모든 세부 사항과 내부 컴포넌트를 실시간 신으로 임포트하는 경우에도 과도한 엔지니어링이 발생하며, 이는 해당 디테일이 보이지 않거나 경험에 필요하지 않더라도 마찬가지이다. 그러나 특히 고객을 대상으로 하는 경험에서는 시각적 요소의 엔지니어링이 미흡한 것 역시 해가 된다. 예를 들어, 로 폴리 모델과 흐릿한 텍스처를 사용하는 제품 데모는 보기에도 좋지 않을 뿐만 아니라, 제품을 제대로 선보이지 못해 신뢰도를 떨어뜨릴 수 있다. 또한 사용자가 반드시 확인해야 하는 중요한 경고 레이블이나 안전 장치를 생략한 교육 시뮬레이션처럼, 이해에 영향을 주는 디테일이 누락되는 경우도 미흡한 엔지니어링에 해당한다. 최종 사용자가 시뮬레이션을 신뢰하지 못하거나 혼란을 느낀다면 현실과 지나치게 동떨어져 있기 때문일 가능성이 높다. 실현 가능한 최소한의 사실성을 목표로 삼는 것이 가장 좋다. 원하는 결과를 달성하는 데 필요한 최소 수준의 시각적 정확도를 구현해야 한다. 또한, 의사 결정에 정보를 제공하거나 영향을 미치기 위해 반드시 정확하게 유지되어야 하는 요소가 무엇인지 파악해야 한다. 여기에는 머티리얼, 모양, 조명 신호 또는 그 외의 요소가 있을 수 있다. 기능과 품질을 전달하는 작은 신으로 시작하고, 의미 를 담고 있는 지오메트리 구조는 유지해야 한다. 그다음 지원하려는 가장 낮은 사양의 타깃 기기에서 경험을 테스트하고, 추가 프레임 여유가 있을 때만 디테일을 더하는 방식으로 진행한다. 유니티의 헤닝 린 인더스트리 커스터머 석세스 시니어 디렉터는 “모든 것이 극사실적일 필요는 없다. 실사에 가까운 스트리밍은 매우 비용이 많이 들며, 사실성을 20%만 줄여도 대부분의 사람들은 그 차이를 알아차리지 못한다. 충분한 정도의 수준으로 조정하고 중요한 곳에 프레임을 활용해야 한다”고 전했다.   ▲ 이미지 제공 : Travancore Analytics    상호 작용 : 실제처럼 느껴지는 경험 제공 대부분의 산업 분야 활용 사례에서 상호 작용은 시각적 사실성보다 더 중요하다. 따라서 중력, 충돌, 유체 역학과 같은 현실 세계의 규칙을 따르는 3D 경험을 만들어야 한다. 물론 이로 인해 복잡도와 계산 비용도 증가한다. 예를 들어 교육 성과는 현실 세계에서의 동작에 따라 결정되지만, 이러한 동작을 사전에 베이크된 프리셋만으로 모방하기는 어렵다. 신입 직원에게 크레인 조작을 교육하는 경우, 시뮬레이션에서 하중의 흔들림, 마찰, 관성과 같은 요소를 정확히 전달해야 한다. 반면 복잡한 물리 계산이 과할 수 있는 경우도 있다. 예를 들어, 제품 데모에서 문이 열리고 닫힐 때 어떤 일이 일어나는지를 시뮬레이션하고자 한다면 간단한 애니메이션으로도 충분하다. 이는 항상 동일하게 보이겠지만, 변동성이 필요하지 않다면 문제가 되지 않는다. 경첩이 고장났을 때 어떤 일이 발생하는지까지 고객이 확인할 필요는 없기 때문이다. 하지만 엔지니어링 팀은 어떤 일이 발생하는지 확인해야 할 수 있다. 최상의 결과를 얻으려면 물리 요소를 선택적으로 사용하고, 교육적 또는 경험적 가치를 더하는 부분에만 적용해야 한다. 그 외 변동성이 필요하지 않은 부분에는 계산 부담이 훨씬 적은 간단한 스크립트 애니메이션을 사용해도 좋을 것이다. 예를 들어, 기기 어셈블리에 관한 교육 시뮬레이션에서는 나사를 조이는 과정에서 부품이 실제처럼 충돌하는 모습을 보여 주도록 물리를 적용해야 할 수 있다. 반면, 패널이 열리거나 표시등이 켜지는 등 중요하지 않은 동작에는 사전 설정된 애니메이션을 사용할 수 있다. 헤닝 린 시니어 디렉터는 “예를 들어 운전 시뮬레이터처럼 까다로운 활용 사례가 있다고 가정해 보자. 이 경우 유니티의 실시간 비주얼을 전용 물리 시뮬레이터와 함께 사용할 수 있다. 현실감을 떨어뜨리지 않으면서도 프레임 속도를 높게 유지하려면, 결정론적 분명성이 필요하지 않을 때 간단한 애니메이션을 사용할 수 있다”고 전했다.   통합 : 제작물을 계속 움직이게 만들기 정적인 모델은 상호 작용이 가능해지고 컨텍스트 데이터와 연결되면 강력한 3D 작업 공간으로 변한다. 목표는 디자인 리뷰의 승인, 출시 전 문제를 확인하기 위한 점검 경로, 또는 교육 시뮬레이션 중 특정 작업과 같이 중요한 순간에 사실성을 반영하는 것이다. 정적인 모델에 컨텍스트와 의미를 부여하는 경우 3D가 아닌 다른 데이터 소스의 데이터를 통합할 수 있다. 많은 산업 환경에서 가장 영향력 있는 통합 방식 하나는 실시간 IoT(사물인터넷) 또는 센서 데이터를 3D 경험에 직접 연결하는 것이다. 예를 들어, 작업 현장의 어셈블리 라인에서 IoT 텔레메트리 데이터를 통합하면 시뮬레이션을 통해 현재 온도, 속도 및 압력을 전달할 수 있다. 교육 및 R&D 애플리케이션에서는 연결된 센서를 통해 수집된 실제 텔레메트리 데이터가 운영 인식과 의사 결정 역량을 향상시킨다. 그 밖에 유용한 통합 대상으로는 PLM(제품 수명주기 관리), ERP(전사 자원 관리) 및 유지 관리 데이터베이스와 같은 엔터프라이즈 시스템 등이 있다. 3D 모델을 이러한 데이터 소스에 연결하면 정보를 통합하고 협업을 개선할 수 있으며, 디자인 승인이나 점검 요청과 같은 영역에서 발생하는 반복 작업을 줄일 수 있다. 애셋 데이터베이스에서 모델을 열자마자 ERP 시스템에서 해당 모델의 유지 관리 이력과 재고 상태를 즉시 가져온다고 생각해 보자. 산업별로 보다 특화된 연동 사례도 찾아볼 수 있다. 예를 들어 석유 및 가스, 건설 또는 스마트 시티 계획 분야에서는 GIS(지리 정보 시스템) 및 지도 데이터를 통합하여 3D 모델을 실제 지도 좌표 위에 오버레이하거나, BIM(건설 정보 모델링) 데이터를 지리 공간 컨텍스트에 추가하여 여러 관계자가 프로젝트를 현장의 맥락에서 확인하도록 할 수 있다. 유틸리티 및 에너지 기업은 풍력 터빈이나 변전소의 3D 모델 위에 SCADA(감시 제어 및 데이터 수집) 텔레메트리와 일기 예보를 오버레이할 수 있다. 물류 및 창고 관리 분야에서는 혼잡 상황 등을 파악하기 위해 실시간 교통 데이터와 히트맵을 통합할 수 있다. 헤닝 린 시니어 디렉터는 “유니티를 사용하면 MQTT(Message Queuing Telemetry Transport) 또는 OPC UA(Open Platform Communications Unified Architecture)와 같은 업계 표준 프로토콜을 사용하여 IoT 데이터를 시뮬레이션에 손쉽게 통합할 수 있다. 온도 오버레이, 실시간 유동 인구 또는 차량 트래픽 등 무엇이든 가능하다”고 짚었다.     입증 : 다양한 관계자의 신뢰 강화 아무리 잘 만들어진 경험이라도, 팀에서는 가치 증명을 보여 주는 성과를 측정해야 한다. 예를 들어 교육 성과는 전문성 확보 시간이나 오류 감소 등, 협업은 디자인 검토 사이클 시간, CX는 전환 지표 등의 KPI로 측정할 수 있다. 이러한 성과를 측정하기 위해서는 간단한 사용 기록, 단계 완료 여부 또는 상호 작용 빈도를 활용할 수 있다. 최상의 결과를 얻으려면 프로젝트당 하나의 주요 KPI를 선택하고 목표로 삼을 기준선을 설정하는 것이 필요하다. 또한 팀에는 자신이 만든 결과물이 시간이 지나도 계속 안정적으로 유지되고 활용될 수 있다는 확신이 필요하다. 그렇기 때문에 유니티의 3년 LTS와 같은 장기 지원 약정의 가치가 중요한 것이다. 이러한 장기 지원은 안정성, 업데이트, 전문가의 가이드를 제공하여 기업이 고립된 상태에서 실험하고 있는 것처럼 느끼지 않도록 할 수 있다. 유니티는 여러 산업 전반에 걸친 수천 명의 실무자 커뮤니티를 통해 집단 지성과 오픈 소스 툴 및 애셋을 활용할 수 있게 한다는 점에서도 신뢰를 보장한다. 사라 래시 수석 부사장은 “기술 분야에 속하지 않는 사용자도 노코드 웹 기반 플랫폼인 유니티 스튜디오(Unity Studio)를 통해 애셋을 가져와 기본적인 신을 구축하고 시뮬레이션을 생성할 수 있다. 교육 관리자, 아티스트 및 공장 관리자도 개발자에게 의존하지 않고 몰입형 애플리케이션을 제작할 수 있게 된다”고 설명했다.   시작하기 : 30일 체크리스트 애셋을 임포트, 최적화 및 관리하고 나면, 마지막 단계는 새로운 시스템을 일상적으로 사용하는 것이다. 그런 다음 교육, 제품 개발, 고객 경험 등 무엇이든 실질적인 비즈니스 성과를 창출하는 몰입형 경험을 제작함으로써, 통합된 3D 애셋 라이브러리의 가치를 신속히 입증할 수 있다. 30일 이내에 할 수 있는 일들을 간단히 정리해 보면 다음과 같다. 데이터 소스와 해당 소유자를 목록화한다. 파일럿으로 진행할 대표 모델 한두 개를 선택한다. 보존할 메타데이터 필드를 결정한다. 임포트 과정을 테스트하여 퍼블리시 사이클을 최적화한다. 액세스 제어 및 감사 추적을 설정한다.     ■ 기사 내용은 PDF로도 제공됩니다.

델 테크놀로지스는 ‘델 테크놀로지스 월드(DTW) 2026’에서 엔비디아 기반 델 AI 팩토리(Dell AI Factory with NVIDIA)의 업데이트 사항을 발표했다. 이번 발표는 에이전틱 AI, 데이터 오케스트레이션, 차세대 인프라, 에코시스템 전반에 걸친 혁신을 소개하면서, 기업과 기관이 AI 비전을 실제 비즈니스 성과로 전환할 수 있도록 지원하는 데 초점을 맞췄다. 델 테크놀로지스에 따르면, 현재 전 세계 5000개 이상의 고객들이 델 AI 팩토리를 사용하고 있으며, 이는 신뢰할 수 있는 데이터와 제어 가능한 인프라를 통해 안전하게 AI를 구축하고 목적에 맞춰 확장하며 성과를 달성할 수 있도록 설계됐다. 많은 기업이 AI에 대한 계획과 목표를 실행에 옮기는 과정에서 어려움을 겪고 있으며, 데이터 가용성과 품질은 AI 성숙도의 모든 단계에서 직면하는 가장 큰 구현 과제로 꼽힌다. 신뢰할 수 있고 AI에 최적화된 데이터 기반이 준비되지 않은 경우, 인프라 설루션이라고 하더라도 적절한 역할을 하지 못해 운영 전 단계의 파일럿 프로젝트에서 중단되는 등 에이전틱 AI를 구현하기 어렵다. 엔비디아와 델 테크놀로지스는 이를 해결하기 위해 간소화된 통합 접근 방식을 제시하며, 이러한 접근 방식은 가치 실현 시간을 최대 84% 단축하고 기업이 확신할 수 있는 범위 내에서 규모를 확장할 수 있도록 지원한다고 설명했다. 에이전틱 AI 워크로드가 점점 복잡해짐에 따라 클라우드 사용 비용을 예측하기가 더욱 어려워지고 있다. 성능, 데이터 주권, 비용 효율성이 최우선 과제로 부상하면서, 많은 조직이 보다 통제된 방식으로 자율형 AI를 구축하는 방안을 모색하는 추세다. 이에 맞춰 공개된 ‘델 데스크사이드 에이전틱 AI(Dell Deskside Agentic AI)’는 델의 고성능 워크스테이션과 엔비디아 네모클로(NemoClaw) 기반의 신규 설루션으로서, 기업이 데이터를 기기 외부로 반출하지 않고도 로컬 환경에서 자율형 AI 에이전트를 안전하게 구축하고 실행할 수 있도록 지원한다. 델 테크놀로지스의 엔드 투 엔드 서비스를 통해 제공되는 이 설루션은 소프트웨어 엔지니어링, 학술 연구, 그리고 규제가 엄격한 산업 분야의 전문 조직을 위해 설계됐다. 이를 통해 변동성이 큰 클라우드 토큰 비용을 보다 예측 가능하고 통제 가능한 인프라 투자로 전환할 수 있으며, 퍼블릭 클라우드 API 사용과 비교해 빠르면 3개월 만에 투자 비용을 회수할 수 있다는 것이 델 테크놀로지스의 설명이다.   ▲ 델 데스크사이드 에이전틱 AI   자율형 AI 에이전트를 위한 보안 런타임인 엔비디아 오픈쉘(OpenShell)이 델 AI 팩토리 전반에 새롭게 지원된다. 델 프로 프리시전(Pro Precision) 타워, 델 프로 맥스 위드 GB10(Dell Pro Max with GB10) 및 델 프로 맥스 위드 GB300(Dell Pro Max with GB300)에서부터 델 파워엣지 XE(Dell PowerEdge XE) 서버 제품군에 이르기까지 다양한 환경에서 개인정보 보호를 제어하는 상태로 AI 에이전트를 구축하고 배포하며 거버넌스를 적용할 수 있다. 델 AI 데이터 플랫폼(Dell AI Data Platform) 기반의 델-엔비디아 AI-Q 2.0(Dell-NVIDIA AI-Q 2.0) 레퍼런스 아키텍처는 규제 산업을 위한 프로덕션 수준의 멀티 에이전트 연구 워크플로를 제공해 지원 범위를 확장했다. 또한 델 테크놀로지스는 데이터 탐색, 준비, 분석, AI 기반 경험 제공까지 전체 라이프사이클에 걸쳐 기업 데이터를 대규모로 AI 활용에 적합하도록 지원하는 델 AI 데이터 플랫폼의 주요 기능 향상을 발표했다. 먼저 오케스트레이션 및 검색 기능을 강화해 수십억 개의 비정형 파일을 색인하고, 이를 거버넌스 기반 데이터 파이프라인으로 연결할 수 있게 됐다. 이를 통해 데이터 탐색과 AI 학습용 데이터셋 구축 속도를 대폭 단축할 수 있다. 또한 델 AI 데이터 플랫폼 통합 서비스를 통해 데이터 준비, 전문 인력 부족, 운영 복잡성 등 고객이 겪는 주요 과제를 해결함으로써 AI 파일럿 프로젝트를 운영 환경으로 빠르게 전환할 수 있도록 지원한다. 이와 함께 델 AI 데이터 플랫폼 내에서 스타버스트(Starburst) 기반의 델 데이터 애널리틱스 엔진(Dell Data Analytics Engine)은 GPU 가속 SQL 분석 기능을 제공해 엔터프라이즈 AI 분석 성능을 향상시킨다. 현재 엔비디아 블랙웰(Blackwell) GPU에서 최대 6배 빠른 쿼리 성능을 제공하며, 향후 차세대 엔비디아 베라(Vera) CPU 플랫폼도 지원할 예정이다. 이를 통해 전통적인 데이터 분석뿐 아니라 대규모 데이터를 처리하는 에이전틱 AI 애플리케이션의 인사이트 도출 속도를 높일 수 있다. 새로 발표된 델 오브젝트스케일 X7700(ObjectScale X7700)은 이전 세대 대비 최대 45% 더 높은 HDD 용량을 제공하며, 컴퓨팅과 스토리지를 유연하게 확장할 수 있어 총소유비용(TCO)을 절감한다. 향후 245TB 올플래시 드라이브 지원이 추가되면 오브젝트스케일 플래시 스토리지 집적도는 3배 이상 향상될 예정이다. 엔비디아 기반 델 AI 데이터 플랫폼의 스토리지 및 검색 엔진은 엔비디아 옴니버스(Omniverse) 라이브러리와 통합돼 확장형 오브젝트 스토리지와 의미 기반 및 벡터 검색 기능을 결합한다. 이를 통해 PLM 시스템과 각종 데이터 저장소를 옴니버스와 직접 연결해 디지털 트윈 및 피지컬 AI 학습을 지원하고, 검증 워크플로에 신뢰할 수 있는 데이터를 제공할 수 있다. 한편, 델 테크놀로지스는 ‘델 파워랙(PowerRack)’을 자사의 AI 인프라 포트폴리오에 추가했다. 델 파워랙은 컴퓨팅, 네트워킹, 스토리지를 하나의 통합 시스템으로 설계한 설루션으로, 열 설계, 전력 관리, 소프트웨어 최적화를 엔지니어링 초기 단계에서부터 함께 구현했다. 개별 구성 요소를 조립할 때 발생하는 통합 부담 없이 엔터프라이즈 규모의 AI 및 HPC 워크로드를 가속하도록 돕는다. 델 파워랙의 스토리지 및 네트워킹 설루션은 공장에서 통합된 전용 델 엑사스케일(Exascale) 스토리지와 의도 기반 네트워킹을 지원하는 델 파워스위치(PowerSwitch)를 사용해 시스템 차원에서 성능, 전력, 냉각을 최적화하고, 모든 자원은 델 통합 랙 컨트롤러(Dell Integrated Rack Controller)를 통해 일관되게 관리된다. 이 밖에도 다양한 인프라 설루션 업데이트가 이루어졌다. 초대규모 확장을 위해 ‘델 파워플렉스(PowerFlex)’를 ‘델 엑사스케일’ 스토리지에 추가해 델 파워랙을 위한 통합 랙 아키텍처를 완성했으며, 컴팩트한 랙 장착형 워크스테이션인 델 프로 프리시전 7 R1은 1U 폼팩터에 엔비디아 RTX 프로 블랙웰 맥스-Q 워크스테이션 에디션 GPU와 최대 64TB의 스토리지를 탑재해, 공간 제약이 있는 환경에서도 고성능 컴퓨팅을 구현할 수 있도록 지원한다. 통합 랙 관리를 돕는 델 통합 랙 컨트롤러와 델 오픈매니지 엔터프라이즈(OpenManage Enterprise)의 최신 버전은 통합 컴퓨팅 환경을 위한 단일 제어 플랫폼을 제공해 원격 장치 연결 기능을 확대하고 랙 전체에 대한 오케스트레이션을 일관되게 수행하게 한다. 차세대 냉각 기술인 델 파워쿨(PowerCool) CDU C7000은 4U, 19인치의 컴팩트한 폼팩터에서 엔비디아 베라 루빈(Rubin) NVL72 플랫폼의 냉각 요구사항을 충족하는 랙 장착형 냉각 분배 장치다. 새롭게 발표된 ‘델 AI 에코시스템 프로그램(Dell AI Ecosystem Program)’은 AI 소프트웨어 기업들이 델 AI 팩토리 인프라 상에서 자사 설루션을 체계적으로 검증할 수 있는 구조화된 경로를 제공한다. 개별적으로 흩어져 있던 혁신 기술을 실제 운영 환경에 배포할 수 있는 검증된 설루션으로 전환하게끔 돕기 위해 고안됐다. 기업에서는 이를 통해 프로덕션 규모의 AI 구축 시 리스크를 줄이고, 개념검증(PoC)에서 실제 운영 환경으로의 전환 시간을 단축하며, 데이터가 저장된 위치에서 직접 AI 설루션을 실행할 수 있다.  델 테크놀로지스의 마이클 델 회장은 “에이전틱 AI가 부상하면서, 인텔리전스를 신속하게 실질적인 비즈니스 성과로 전환하지 못하는 기업들은 경쟁력을 잃을 수 밖에 없다”면서, “델 테크놀로지스는 고객들이 보안, 거버넌스, 비용 효율성을 직접 통제할 수 있는 인프라 상에서 데이터를 AI의 연료로 전환하여, AI가 실제 비즈니스 가치를 창출할 수 있도록 지원하고 있다”고 전했다. 엔비디아의 젠슨 황 CEO는 “에이전틱 AI 시대가 본격적으로 도래하면서, 기업의 AI 도입은 폭발적인 성장 국면에 접어들고 있다. 델과 엔비디아는 이러한 변화의 순간에 맞춰 데스크톱부터 데이터센터에 이르기까지 확장 가능한 풀스택 AI 팩토리를 공동으로 구축하고 있다”면서, “여기에는 가속 컴퓨팅, 네트워킹, 스토리지, 소프트웨어 및 서비스가 모두 포함되며, 이를 통해 전 세계 기업들이 AI의 잠재력을 전례 없는 수준의 생산성 향상으로 전환할 수 있도록 지원하고 있다”고 말했다.

트렌드에서 얻은 것 No. 28   ▲ 클릭하면 큰 그림으로 볼 수 있습니다.   21세기 제조 산업은 기계적 자동화를 넘어 데이터와 인공지능(AI)이 설계, 생산, 운영의 전 과정을 주도하는 지능형 시대로 진입하고 있다. 2025년을 기점으로 인공지능은 생산성을 보조하는 도구의 단계에서 벗어나, 엔지니어링의 근간을 재정의하는 ‘AI 네이티브(AI-native)’ 환경의 핵심 인프라로 자리 잡았다. 과거의 제조 방식이 숙련공의 경험과 직관에 의존하는 결정론적(deterministic) 방식이었다면, 미래의 스마트 엔지니어링은 방대한 산업 데이터를 기반으로 최적의 의사결정을 자율 수행하는 확률론적(probabilistic) 방식으로 전환되고 있다. 이번호 칼럼에서는 글로벌 선도 기업의 실무 적용 사례를 통해 2026년 제조업이 나아가야 할 방향을 알아보고자 한다.   스마트 엔지니어링의 역사적 진화와 패러다임의 전환 스마트 엔지니어링의 역사는 물리적 모델을 디지털 공간으로 옮기려는 지속적인 노력의 산물이다. 1990년대 초반, 보잉은 777 기종의 개발 과정에서 CAD를 활용한 디지털 목업(DMU) 기술을 도입하며 설계 혁신을 시작했다. 이는 종이 도면 없이 항공기 전체를 3D 상에서 검증한 최초의 사례로 기록된다. 이후 2010년대에 들어서며 에어버스 A350의 사례와 같이 설계 리뷰 전 과정이 디지털화되었고, 2020년대에 이르러서는 복제를 넘어 물리적 대상과 실시간으로 데이터를 주고받는 디지털 트윈(digital twin) 기술이 성숙기에 접어들었다. 2025년부터 2026년 사이의 기술적 전향점은 이러한 디지털 트윈이 AI 네이티브 지능을 탑재하기 시작했다는 점이다. 이제 엔지니어링 업무의 30%를 차지하던 과거 데이터 검색 및 비부가가치 활동은 구체적인 사례가 공개되고 있지는 않지만, 시대의 흐름에 따라 서서히 생성형 AI와 검색 증강 생성(RAG) 기술로 대체되어 갈 것으로 보인다. 또한, 글로벌 기업의 끊임없는 연구로 인해 엔지니어는 반복적인 분석 대신 창의적인 문제 해결과 맥락적 의사결정에 집중하는 ‘코파일럿(co-pilot)’ 시대도 곧 맞이할 것으로 예상된다.     이러한 패러다임의 전환은 한국 제조업에도 시급한 과제다. 미국, 독일, 일본 등 주요 제조 강국과 비교할 때 한국의 제조업 부가가치율은 여전히 상대적으로 낮은 수준에 머물러 있으며, 대기업과 중소기업 간의 생산성 격차는 약 4배에 이른다. 고령화와 저출산으로 인한 노동력 감소, 근로시간 단축 등 제약 사항이 증가하는 상황에서 AI를 통한 제조 지능화는 선택이 아닌 생존을 위한 필수 전략으로 부상하고 있다.   제조 지능화를 위한 AI 핵심 활용 방안 및 기술 분석 제조 현장에서 AI를 실무에 적용하는 방식은 정보 추출부터 복잡한 공정 시뮬레이션 및 자율 제어에 이르기까지 넓은 영역을 포괄한다. 지능형 지식 검색 및 데이터 파이프라인 최적화는 엔지니어링 업무의 상당 부분은 과거의 기술 문서, 도면, 실험 데이터를 찾는 데 소요된다. 최근의 RAG(Retrieval Augmented Generation) 기술은 수십 년간 축적된 비정형 데이터(PDF, 엑셀, 문서)를 벡터 데이터베이스(vector DB)로 변환하여 자연어 질문에 답변하고 근거가 되는 출처를 명확히 제시함으로써 환각(hallucination) 문제를 해결하고 있다. 이는 글로벌 프로젝트에서 기술 문서의 실시간 번역과 용어 표준화를 지원하여 협업 효율을 극대화한다. 또한, 연구 프로세스 개선을 위해 데이터 파이프라인 중심의 자동화가 추진되고 있다. 기존의 실험 연구자가 수기로 기록하던 방식에서 벗어나 디지털화된 시료 분석과 제어 데이터를 클라우드 협업 환경에 통합함으로써, 연구 산출물의 재현성을 높이고 멘토링의 질을 개선하는 것이 핵심이다. 생성형 설계(generative design)와 제조 공법 인지는 엔지니어의 상상력을 정교한 설계안으로 구현하는 데 결정적인 역할을 한다. 설계자가 경량화, 강성 등 목표 조건과 재료, 제조 공법 등의 제약 조건을 입력하면 AI는 수백 가지의 대안을 생성한다. 특히 ‘제조 공법 인지(manufacturing-aware)’ 기능은 주조 공법 시 금형에서 제품이 빠져나올 수 있는 구배 각도를 자동 고려하거나 3축/5축 가공 시 공구가 접근할 수 없는 언더컷 형상을 배제하는 수준까지 진화했다. 일본의 니프코(Nifco)는 이를 활용해 전통적인 육각형 허니콤 구조를 넘어선 비정형 유기적 패턴을 설계함으로써 강성을 유지하면서도 재료 사용량을 획기적으로 절감하는 성과를 거두었다. 에이전틱 AI(agentic AI)와 자율적 프로세스 제어 부분을 살펴보면, 2026년의 주요 트렌드인 에이전틱 AI는 분석을 넘어 독립적으로 과업을 계획하고 실행하는 능력을 갖출 것이다. 기존의 AI가 ‘무엇이 잘못되었는가’를 알려주는 예측 도구였다면, 에이전틱 AI는 ‘어떻게 해결할 것인가’를 결정하고 실행한다.     인과관계 AI(causal AI)와 지식 조립 공장은 전통적인 머신러닝 모델은 데이터 간의 상관관계에 의존하기 때문에 ‘왜’라는 질문에 답하기 어렵고, 공정 환경이 변하면 모델이 붕괴되는 한계를 가진다. 이를 극복하기 위해 2026년에는 인과관계 AI가 제조업의 핵심 기술로 부상하고 있다. 인과관계 AI는 데이터 패턴 학습을 넘어 원인과 결과의 사슬을 규명한다. 예를 들어, 공장 내 배관의 결로 현상과 습도 데이터 사이에는 강한 상관관계가 존재하지만, 습도가 결로의 원인인지 혹은 그 반대인지를 명확히 정의하지 못하면 잘못된 설비 투자가 이루어질 수 있다. 인과관계 AI는 주다 펄(Judea Pearl)의 수학적 기초를 바탕으로 개입(intervention) 분석을 수행하여 ‘만약을 변경한다면은 어떻게 변할 것인가’라는 질문에 명확한 수치를 제공한다. 인하대학교 이창선 교수가 제시한 KAMG AI(Knowledge Assembly Factory) 개념은 AI가 스스로 모든 것을 만드는 것이 아니라, 인간 전문가가 설계한 ‘인과 지식 설계도(blueprint)’를 기반으로 AI가 지식을 조립하는 방식을 취한다. 이는 존재(entity), 속성(attribute), 관계(relation) 프레임워크를 통해 지식을 해부하고 표준화된 조립 공정을 거쳐 인과 예측 모델을 산출한다. 이 과정에서 엔지니어는 프로그래머가 아닌 시스템의 의미와 변수의 역할을 결정하는 ‘지식 설계자(architect)’로 거듭나게 된다. 데이터 거버넌스와 팔란티어 온톨로지(ontology) 전략의 핵심은, 제조 AI가 진정한 가치를 창출하기 위해서는 현장의 모든 데이터가 실시간으로 연결되는 ‘디지털 스레드(digital thread)’가 전제되어야 한다는 것이다. 팔란티어의 온톨로지 기술은 데이터 사일로(silo) 문제를 해결하고 기업의 전체 데이터 유니버스를 비즈니스 맥락으로 재구성하는 핵심 아키텍처를 제공한다. 온톨로지는 데이터를 분류하는 것을 넘어 업무, 조직, IT 시스템 간의 공통 언어를 제공한다. 팔란티어 파운드리는 기존 레거시 시스템(ERP, PLM, MES 등)의 데이터를 물리적으로 옮기지 않고 연결하며, 이를 객체(object)와 관계(link)로 모델링한다. 객체(entity) : 차량 모델, 부품, 공정, 설비, 고객 등 핵심 요소를 개체화한다. 속성(attribute) : 개체의 특징(온도, 압력, 재질, 작업 시간)을 정의한다. 관계(relationship) : ‘부품은 공정에서 사용된다’, ‘설계 변경은 생산에 영향을 준다’와 같은 업무적 연결을 구조화한다. 구축된 온톨로지 위에서 팔란티어의 AIP(Artificial Intelligence Platform)는 자연어 인터페이스를 통해 현장의 복잡한 상황을 분석하고 대응한다. 예를 들어, ‘5월 출하 지연 리스크를 요약해달라’는 명령에 대해 AI는 공급망, 재고, 생산 실적 데이터를 온톨로지 상에서 실시간으로 탐색하여 리스크의 원인을 파악하고, 대체 시나리오의 비용 효율을 시뮬레이션한 뒤 실행 승인을 요청한다. HD현대(전 현대중공업그룹)의 FOS(Future of Shipyard, 미래 첨단 조선소) 프로젝트는 2030년까지 세계 최초의 자율 운영 스마트 조선소를 구현하기 위해 팔란티어의 빅데이터 플랫폼인 ‘파운드리(Foundry)’를 도입하는 핵심적인 디지털 전환 사업이다. BMW는 팔란티어의 데이터 플랫폼인 파운드리를 도입하여 생산, 공급망 관리 및 품질 관리 시스템을 고도화하고 있다. 특히 팔란티어의 QMOS(Quality Management Operating System) 설루션을 통해 데이터 기반의 ‘제로 디펙트(zero defect, 무결점)’ 생산 환경을 구축하는 것이 핵심이다. 에어버스는 팔란티어의 파운드리 기술을 도입하여 항공기 제조 및 운항 데이터를 통합 관리하는 ‘스카이와이즈(Skywise)’ 플랫폼을 구축했다. 이를 통해 A350 인도 속도를 33% 향상시키고 운영 효율을 극대화하며, 데이터 기반의 의사결정 시스템을 혁신했다.   품질, 예지보전 및 에너지 최적화의 기술적 심화 AI가 제조 현장에 가져온 가장 직접적인 성과는 품질 비용 절감과 비가동 시간(downtime)의 최소화다. 현대트랜시스는 자체 개발한 AI 기반 품질 검사 시스템인 TADA(Transys Advanced Data Analytics) 스마트 설루션을 생산 현장에 적용하여, 기존 93% 수준이던 불량 검사 정확도를 99.9%까지 끌어올렸다. LG에너지솔루션은 AI 및 빅데이터 기술을 활용해 전 세계 생산 공장을 ‘지능형 스마트 팩토리’로 전환하고, 배터리 제조 품질과 생산 효율을 극대화하는 것을 AI 비전으로 삼고 있다. 특히, CDO 직속 AI 기술팀을 통해 공정 데이터를 분석하여 배터리 수명을 예측하고, 스마트 공장 기술을 적용하여 글로벌 생산 기지의 경쟁력을 강화하는 중책을 맡고 있다. 기존의 예지보전이 단일 센서의 임계치 모니터링에 의존했다면, 예지보전 2.0은 진동, 전류 파형, 소음, 온도를 동시에 분석하는 멀티모달(multi-modal) 방식을 취한다. AI는 고장 징후를 발견할 뿐만 아니라, ‘최근 3개월간의 패턴 분석 결과 내륜 손상이 의심되니 메뉴얼 45페이지의 베어링 교체 절차를 따르라’는 처방적 가이드를 생성형 AI를 통해 현장 작업자에게 즉시 전달한다. 포스코 광양제철소는 이를 연속 주조 설비에 적용하여 고장 예지 시스템을 성공적으로 구축했다. 탄소 배출 규제가 강화되는 가운데 AI는 에너지 사용량 예측과 최적화에 결정적인 역할을 한다. 슈나이더 일렉트릭은 예측 AI를 활용하여 산업 시설의 에너지 효율을 높이고 운영비를 절감하는 설루션을 제공하고 있으며, 한국그린데이터 등 국내 기업들도 AI 챗봇이 탑재된 운영 체제를 통해 제조업의 에너지 피크 관리와 전력 최적화를 지원하고 있다.   2026 글로벌 기술 트렌드 및 리더십의 우선순위 2026년은 AI가 ‘생산성 향상 도구’에서 ‘책임과 신뢰의 기반’으로 진화하는 해가 될 것이다. 딜로이트와 가트너 등의 보고서에 따르면 기업 리더들은 다음의 네 가지 영역에 집중해야 한다. 첫째, 에이전틱 리얼리티 체크(agentic reality check)이다. 챗봇 도입을 넘어 비즈니스 프로세스 자체를 재설계해야 한다. 보고서에 따르면 40%의 에이전틱 AI 프로젝트가 2027년까지 실패할 것으로 예상되는데, 이는 기술적 문제보다는 기존의 망가진 프로세스를 단순히 자동화하는 ‘자동화 함정’ 때문이라고 분석된다. 성공하는 기업은 엔드 투 엔드 프로세스 전체를 혁신하며 인간과 에이전트 팀을 오케스트레이션하는 모델을 채택하고 있다. 두 번째, 소버린 AI(sovereign AI)와 보안 거버넌스이다. 데이터 주권과 국가별 규제 대응이 중요해짐에 따라 소버린 AI 전략이 필수이다. 2026년에는 기업의 77%가 공급업체 선택 시 설루션의 원산지를 고려하며, 로컬 벤더를 중심으로 한 독립적인 AI 스택 구축이 확산될 것이다. 또한, 데이터 모델 오염(poisoning) 리스크에 대응하기 위한 예측적 OT 사이버 보안 체계 구축이 가속화될 전망이다. 세 번째, 피지컬 AI와 휴머노이드 로봇의 확산이다. 제조, 물류, 국방 분야를 중심으로 피지컬 AI의 도입이 급증하고 있다. 2026년에는 아시아-태평양 지역을 중심으로 피지컬 AI 채택률이 80%에 도달할 것으로 보이며, 이는 공장 내 정적인 자동화 설비를 대체하여 비정형 환경에서도 유연하게 대응하는 자율 운영 공장의 핵심 요소가 될 것이다. 네 번째, 지능형 컴플라이언스 및 표준화이다. 규제 당국 역시 AI를 활용하여 기업의 데이터를 실시간 모니터링하는 시대가 오고 있다. 이제 정기 감사에 대비하는 수준을 넘어, 시스템이 스스로 규정 위반 리스크를 예측하고 보고하는 ‘예측적 컴플라이언스’가 표준으로 자리 잡을 것이다.   실무자를 위한 실행 로드맵 스마트 엔지니어링을 위한 AI 활용은 더 이상 미래의 담론이 아닌 2026년 현재의 경영 핵심 과제다. 2026년은 지식 소유 자체가 무의미해지는 시점이며, AI가 생성한 결과물을 편집하고 맥락화하는 ‘아키텍트(architect)’ 능력이 엔지니어의 몸값을 결정짓게 될 것이다. 기업은 성공적인 AI 전환을 위해 다음의 3단계 로드맵을 고려해야 한다. 첫째, 지능형 설계 및 시뮬레이션 단계를 통해 아이디어를 가장 빠르게 현실화할 수 있는 데이터 환경을 구축해야 한다. 둘째, 스마트 생산 및 운영 단계를 통해 물리적 세계를 정밀하게 제어하고 최적화하는 디지털 스레드와 온톨로지 체계를 완성해야 한다. 셋째, 제품, 공장, 도시를 하나의 유기체로 연결하는 생태계 통합 단계로 나아가야 한다. AI는 도구가 아니라 설계–생산–운영 전반을 학습하고 최적화하는 ‘지능형 플라이휠(intelligent flywheel)’이다. 지금 이 순간에도 데이터는 쌓이고 있으며, 이를 인과관계로 해석하고 에이전틱 AI로 실행에 옮기는 기업만이 2026년 이후의 제조업 패러다임 변화에서 승리자가 될 수 있을 것이다.   ■ 류용효 디원의 상무이며 페이스북 그룹 ‘컨셉맵연구소’의 리더로 활동하고 있다. 현업의 관점으로 컨설팅, 디자인 싱킹으로 기업 프로세스를 정리하는데 도움을 주며, 1장의 빅 사이즈로 콘셉트 맵을 만드는데 관심이 많다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.