제조업에서 효율성은 단순히 비용을 줄이기 위한 수단이 아니다. 앞으로도 경쟁력을 유지하고 지속적인 수익을 창출하기 위한 핵심 조건이다. 전 세계 산업 기계 제조업체들은 인력 부족에 대응하고 혁신 기술을 성공적으로 도입하는 동시에, 비용을 효과적으로 관리해야 하는 복합적인 과제에 직면해 있다. 이러한 목표를 달성하기 위해서는 기존의 생산 환경을 디지털화해야 한다. 디지털 기술을 통해 설계와 생산, 운영 데이터를 연결하고 실제 설비를 구축하거나 변경하기 전에 가상 환경에서 결과를 예측할 수 있어야 생산성과 유연성을 함께 높일 수 있다. 하지만 많은 주문자상표부착생산(OEM) 기업은 여전히 시뮬레이션과 디지털 트윈을 활용하기보다 안전 여유를 지나치게 크게 잡아 공장을 과도하게 설계하거나 필요 이상의 자재를 투입하는 보수적인 방식을 선택한다. 시뮬레이션이 제공할 수 있는 이점이 크다는 사실을 알고 있으면서도, 익숙한 물리적 방식에 의존하는 것이다. 설계 단계에서 디지털 트윈을 활용하면 불필요한 자재와 폐기물을 줄이고 탄소 배출량을 낮추는 동시에 생산 효율을 높일 수 있다. 그러나 시뮬레이션을 효과적으로 활용할 수 있는 전문 인력이 충분하지 않다는 점은 디지털 트윈 도입을 가로막는 중요한 장벽으로 남아 있다. 다행히 이러한 어려움을 해소할 수 있는 기술도 빠르게 발전하고 있다. 특히 AI(인공지능)는 시뮬레이션을 더 쉽게 구성하고 실행할 수 있도록 지원함으로써 디지털 트윈의 진입장벽을 낮추고 있다. 동시에 숙련된 전문가에게는 반복적인 설정 작업을 줄여 더 빠르고 효율적으로 업무를 수행할 수 있는 환경을 제공한다.   시뮬레이션의 진입장벽 낮추기 다른 산업 분야와 비교하면 산업 기계 업계에서 시뮬레이션의 활용도는 아직 높지 않은 편이다. 시뮬레이션을 구축하고 운영할 수 있는 숙련 인력이 부족한 데다, 많은 기업이 시뮬레이션의 투자 대비 수익률(ROI)을 충분히 높게 평가하지 않기 때문이다. 그러나 디지털 트윈은 제조업체가 물리적 설비에 투자하기 전에 가상 환경에서 다양한 가능성을 검토하고, 충분한 정보를 바탕으로 합리적인 의사결정을 내릴 수 있도록 돕는다. 새로운 생산 시스템이나 설비 구성을 검토할 때 실제 장비를 중단하거나 현장 운영에 영향을 주지 않고도 여러 조건과 시나리오를 빠르게 시험할 수 있다. 경우에 따라 시뮬레이션 기반 검증은 며칠 안에 완료될 수 있으며, 이를 통해 보다 최적화되고 유연한 생산 시스템을 신속하게 구축할 수 있다. AI는 이러한 시뮬레이션의 활용 범위를 전문가에서 일반 엔지니어로 넓혀준다. AI가 모델의 경계 조건을 자동으로 인식하고 적합한 소재를 추천하면, 시뮬레이션 경험이 많지 않은 사용자도 복잡한 모델을 보다 쉽게 구성할 수 있다. 한편, 전문 사용자에게도 AI는 강력한 생산성 도구가 된다. 기존에는 모델을 설정하고 조건을 입력하는 데 상당한 시간이 필요했지만, AI가 반복적인 구성 작업을 자동화하면 전문가는 결과를 해석하고 설계를 개선하는 더욱 가치 있는 업무에 집중할 수 있다. AI는 초보 사용자의 기술 접근성을 높이는 동시에 숙련 사용자의 업무 속도와 효율성도 향상시키는 것이다. 국내 제조업 역시 AI를 활용한 디지털 전환을 확대하고 있지만, 아직은 일부 부서나 개별 프로젝트를 중심으로 활용되는 초기 단계에 머물러 있다. 한국지능정보사회진흥원이 2025년 5월 발간한 ‘기업 내 AI 활용 현황 및 애로사항 분석 : 제조업을 중심으로’ 보고서는 국내 제조업의 AI 도입을 저해하는 요인으로 초기 투자 비용 부담과 도입 효과에 대한 불확실성, 실증 사례 부족 등을 지적했다. 기존 설비와 데이터 환경이 서로 단절돼 있어 제조 데이터를 통합하고 AI와 연계하기 어렵다는 점도 주요 과제로 꼽힌다. 따라서 시뮬레이션과 디지털 트윈을 더 많은 사용자가 활용할 수 있도록 대중화하는 것이 중요하다. 그 중심에는 실행 가능한 디지털 트윈(executable Digital Twin : xDT)이 있다. 실행 가능한 디지털 트윈은 실제 장비의 물리적 거동을 나타내는 시뮬레이션 모델을 현장 설비나 에지 시스템, 클라우드 환경에 배포해 실시간으로 운영할 수 있도록 한다. 제조업체는 실제 설비에서 생성되는 데이터를 xDT와 연결해 장비의 현재 상태를 분석하고, 이상 징후를 감지하며, 향후 유지보수 시점을 예측할 수 있다. 실제로 한 밀링 가공 업체는 AI 기반 비전 센서와 xDT를 활용해 가공 과정에서 발생하는 냉각수의 흐름과 절삭 칩의 축적 상태를 분석하고 있다. 이처럼 xDT가 실제 장비와 함께 작동하면, 디지털 트윈은 설계 단계의 검증 도구를 넘어 운영 현장의 의사결정을 지원하는 실시간 시스템으로 발전한다.   AI로 강화되는 시뮬레이션 AI와 시뮬레이션을 결합하면 디지털 트윈의 활용 가능성은 더욱 커진다. 실행 가능한 디지털 트윈이 공장에 효과적으로 통합되면 AI는 장비와 생산 공정에서 생성되는 데이터를 더욱 정교하게 분석해 운영 효율을 높이고 다운타임을 줄일 수 있다. 특히 AI는 실제 생산 현장에서 충분히 확보하기 어려운 데이터를 보완하는 데 중요한 역할을 한다. 정상적으로 관리되는 산업 장비는 대부분의 시간 동안 고장 없이 작동한다. 이는 생산 현장에는 바람직한 일이지만, AI 모델과 디지털 트윈을 개발하는 관점에서는 충분한 고장 데이터를 확보하기 어렵다는 문제로 이어진다. 어떤 조건에서 문제가 발생하며 장비가 고장 직전에 어떤 징후를 보이는지 학습할 수 있는 데이터가 부족하기 때문이다. 이때 AI를 활용해 합성 데이터를 생성하면 실제 현장에서 관측하기 어려운 고장이나 극한 조건을 가상 환경에 구현할 수 있다. 시뮬레이션은 이를 바탕으로 데이터에서 빠진 ‘스트레스 상황’을 보완하고, 현실에 더욱 가까운 가상 장비를 구성할 수 있다. 예를 들어 장비에서 이상 징후가 발견됐을 때 즉시 가동을 중단해야 하는지, 아니면 교체 부품이 도착할 때까지 일정 기간 안전하게 운영할 수 있는지를 판단할 수 있다. 단순히 고장 여부를 예측하는 데 그치지 않고, 생산 일정과 안전성, 유지보수 비용을 함께 고려한 의사결정을 지원하는 것이다. 국내에서도 기업의 디지털 전환을 지원하기 위한 정책적 투자가 확대되고 있다. 산업통상부는 2026년 예산안에서 산업 전반의 인공지능 전환(AX) 확산을 위한 예산을 1조 1347억 원으로 편성했다. 이는 2025년의 5651억 원보다 100.8% 늘어난 것으로, 약 두 배 확대된 규모다. 특히 제조업에 AI를 접목해 생산성을 높이고 제조 비용을 절감하는 AI 팩토리 사업 등에 투자를 확대하고 있다. 이는 AI와 시뮬레이션을 결합한 스마트 제조 기반이 기업 차원의 기술 도입을 넘어 국가 산업정책의 핵심 과제로 다뤄지고 있음을 보여준다. 이러한 움직임은 AI와 디지털 트윈이 개별 기업의 기술 실험을 넘어 산업 현장의 구조적인 문제를 해결하는 기반으로 발전하고 있음을 보여준다. 숙련 인력의 경험과 노하우를 데이터와 디지털 모델로 전환하고, 중소·중견 제조기업도 고성능 인프라와 전문 역량을 공동으로 활용할 수 있게 되면 기술 도입의 문턱은 한층 낮아질 수 있다. 시뮬레이션은 제조기업이 외부 환경의 변화와 예상하지 못한 문제에 더욱 탄력적으로 대응하고, 유연한 운영 체계를 구축하는 데 중요한 역할을 해왔다. 이제 여기에 AI가 결합하면서 시뮬레이션은 더욱 접근하기 쉽고 지능적인 기술로 진화하고 있다. AI와 시뮬레이션의 결합은 공장과 장비를 설계하는 과정을 더 단순하고 직관적으로 만들 뿐 아니라, 장비의 신뢰성과 유지보수 효율을 높인다. 그 결과 제조업체는 다운타임과 자원 낭비를 줄이고 생산성과 전반적인 운영 성과를 향상시킬 수 있다. 디지털 트윈의 가치는 실제 세계를 가상으로 복제하는 데에만 있지 않다. AI를 통해 더 많은 사람이 시뮬레이션을 활용하고, 실제 운영 데이터를 바탕으로 디지털 트윈이 끊임없이 학습하고 발전할 때 그 잠재력이 온전히 실현된다. 궁극적으로 AI와 디지털 트윈의 결합은 제조기업이 더 빠르고 정확하게 판단하고, 변화에 유연하게 대응하며, 지속 가능한 경쟁력을 확보할 수 있도록 하는 핵심 동력이 될 것이다.   ■ 오병준 지멘스 디지털 인더스트리 소프트웨어 한국지사장이다. 30여 년 이상 한국의 여러 글로벌 IT 기업을 거치며 비즈니스 및 기술 전문성을 구축해 왔다. SAS 코리아 대표이사를 지냈으며, 오라클 코리아, 테라데이터 코리아, IBM 코리아 임원으로 재직한 바 있다.  

마이크로소프트는 코파일럿, 마이크로소프트 IQ, 에이전트 365를 기반으로 조직의 데이터와 워크플로를 지능 자산으로 연결하는 고객 및 파트너사의 혁신 사례를 소개했다. AI 활용이 단일 작업 보조를 넘어 업무 흐름 전반으로 확장되면서, 보안과 거버넌스를 갖춘 신뢰 기반 플랫폼의 중요성이 커지는 추세다. 마이크로소프트에 따르면 현재 포춘 500대 기업의 90% 이상이 마이크로소프트 365 코파일럿을 사용하고 있으며, 유료 사용 규모는 3000만 라이선스를 넘어섰다. 5만 라이선스 이상을 도입한 대기업 고객 수도 전년 대비 7배 이상 증가했다. 활성 에이전트 수가 많은 주요 분야는 제조, 은행, 소프트웨어·기술 산업으로 집계됐다. 자동차와 헬스케어 분야 역시 빠르게 성장하며 에이전트 활용이 산업 전반으로 퍼지고 있다.     해외 주요 기업과 기관들은 에이전틱 AI를 활용해 업무 절차를 재설계하고 있다. 프랑스 IT 컨설팅 기업 아토스 그룹은 5만 6000명 직원에게 마이크로소프트 365 코파일럿을 배포하고 1만 9000개 AI 에이전트를 통합 운영 중이다. 회계·컨설팅 기업 EY는 15만 명에게 코파일럿을 배포해 생산성을 15% 높였고, 리드타임 95% 단축 및 재무 운영 비용 37% 이상 절감 효과를 거뒀다. 영국 공공 의료서비스 기관 NHS 잉글랜드는 시범 운영을 통해 사용자당 하루 평균 43분의 행정 시간을 줄였으며, 50만 명 이상의 의료진과 지원 인력으로 확대 도입을 추진하고 있다. 미국 켄터키대학교는 CATS AI 프레임워크로 150개 이상의 AI 이니셔티브를 통합해 7만 명 이상의 학생과 교직원에게 AI 활용 환경을 제공한다. 마이크로소프트는 국내외 기업의 운영 효율 및 ROI 개선 사례도 소개했다. 국내 냉난방·온수 설루션 기업 나비엔은 데이터와 워크플로를 연결해 연간 2만 8000시간을 절감했으며, 애저 전환을 통해 향후 5년간 총소유비용 140만 달러 이상을 절감할 것으로 기대하고 있다. 도미니카공화국의 방코 포퓰라르 도미니카노는 전문 에이전트 생태계 아우라를 구축해 운영 리스크 모니터링 범위를 40%에서 100%로 확대하고 수작업을 70% 줄였다. 생명과학 서비스 기업 캑터스 라이프 사이언스는 맞춤형 에이전트로 데이터 추출 효율을 최대 50% 개선했다. 글로벌 베이커리 기업 그루포 빔보는 감사 계획 시간을 20% 줄였고, 제약 기업 노보 노디스크는 추론 에이전트로 유망 아이디어 평가 역량을 분기당 5~10건에서 50건 이상으로 늘렸다. 투자 운용 설루션 기업 심코프의 심코프 원 고객은 3년간 134%의 ROI를 달성했으며, 자동차 기업 스텔란티스는 100개 이상의 AI 이니셔티브를 개발하고 2029년까지 데이터센터 설치 면적 60% 감축을 목표로 인프라 현대화를 진행하고 있다. 고객 경험과 보안 분야에서도 성과가 나타났다. 중국 보석 소매 기업 저우타이푹은 400개 이상의 맞춤형 AI 에이전트를 운영해 핵심 프로세스 효율을 70% 이상 높이고 판매 전환율을 최대 57% 개선했다. 슈퍼마켓 체인 그랜디오스 슈퍼마켓은 AI 쇼핑 도우미 그랜드셰프를 통해 구매 전환율을 31% 올렸다. 반도체 장비 기업 ASM은 마이크로소프트 시큐리티 코파일럿을 도입해 위협 조사 사고 분류 시간을 68% 단축하고 매주 337시간의 조사 업무를 절감했다. 세인트 루크스 대학 헬스 네트워크는 피싱 경보 분류 업무에서 매월 약 200시간을 절감했다. 마이크로소프트의 저드슨 알소프 커머셜 비즈니스 부문 CEO는 “조직들이 에이전틱 워크플로를 고도화하며 고유한 지식과 데이터를 전략적 경쟁력으로 전환하고 있다”면서, “마이크로소프트는 고객이 조직의 지능 자산을 증폭하고 보호해 운영과 성장 방식을 혁신할 수 있도록 지원을 이어갈 것”이라고 전했다.

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.

태성에스엔이는 지난 5월 14일 시뮬레이션 기술 콘퍼런스인 ‘태성에스엔이 테크 서밋 2026’ 을 개최하고, 시뮬레이션 기술과 AI(인공지능)를 활용한 산업별 공학 해석 사례를 소개했다. 오전에는 AI 기반 메모리 혁신과 레이더 설계 등을 주제로 기조연설이 진행되었고, 오후에는 반도체, 모빌리티, 헬스케어, 항공우주, 에너지 등 5개 영역으로 나뉘어 심도 있는 기술 세션이 진행됐다. 태성에스엔이는 이번 행사에서 디지털 트윈, 자동화 프로세스, 다물리 해석을 통해 실제 제조 및 설계 환경의 효율을 극대화하는 방안을 공유했다. ■ 정수진 편집장     태성에스엔이 박인규 대표이사는 환영사에서 “지금 우리는 기술의 변화가 아니라 제조 산업의 방식 자체가 바뀌는 전환점에 서 있다”면서, 제조 산업의 패러다임 변화를 짚었다. 제조 산업의 경쟁력이 단순한 속도와 정확성을 넘어 결과를 예측하고 의사 결정을 내리는 방향으로 이동하고 있으며, 그 변화의 중심에 시뮬레이션과 디지털 엔지니어링이 있다는 것이다. 이어서 이번 행사가 AI와 시뮬레이션 소프트웨어가 만나 현장에서 얼마나 효과적으로 활용되는지 확인하는 자리가 될 것이라고 덧붙였다. 또한, “1988년 설립 이후 고객과 함께 성장해 온 태성에스엔이는 소프트웨어 공급 기업을 넘어 고객의 엔지니어링 문제를 함께 해결하는 파트너로 진화했다. 앞으로도 고객의 빠른 의사 결정을 돕는 기술을 발굴하고 확실한 결과로 증명되는 가치를 제공하겠다”고 전했다.   에이전틱 AI 시대의 메모리 구조 혁신과 엔지니어의 역 할 변화 KAIST(카이스트) 김정호 교수는 ‘에이전틱 AI 인공지능을 위한 HBM−HBF 메모리 구조의 혁신’이라는 주제로 기조발표를 진행했다. 그는 AI가 향후 산업 전반을 이끌어갈 것이며, 기존의 설계 및 시뮬레이션 방법론의 상당수가 AI로 대체될 것이라고 짚었다. “과거의 AI가 정답을 찾는 사전 학습에 머물렀다면 이제는 방대한 개인화 데이터를 바탕으로 사용자 맞춤형 결론을 실시간으로 도출하는 추론의 시대로 진입했다”는 것이다. 이런 변화 속에서 연산을 담당하는 GPU(그래픽 처리 장치)의 독주 시대는 점차 저물고, 추론 중심의 에이전틱 AI가 고도화될수록 대규모 연산과 메모리 인프라에 대한 요구는 폭발적으로 증가할 수밖에 없다. 이를 해결하기 위해 등장한 고대역폭 메모리(HBM)는 단순한 저장 매체를 넘어 자체적인 연산 능력을 갖춘 시스템 반도체로 진화하고 있다. 김정호 교수는 차세대 HBM4 기술이 그래픽 처리 장치의 계산 기능을 일부 흡수하고, 메모리 간의 자율적인 네트워크를 통해 연산량을 효율적으로 분배할 것이라고 설명한다. 동시에 전력 소모와 그로 인한 발열 문제가 AI 하드웨어의 최대 난제로 떠오르고 있으며 이를 해결하기 위해 복잡한 열과 전력 공급 문제를 다루는 멀티피직스(다중 물리) 시뮬레이션이 필수라고 짚었다. 한편, AI의 진화는 엔지니어의 작업 방식과 기업의 성과 평가 기준까지 완전히 뒤바꿔 놓을 것으로 보인다. 김정호 교수는 단순한 챗봇을 넘어 스스로 계획을 수립하고 다양한 소프트웨어를 직접 구동하며 문제를 해결하는 에이전틱 AI 시대가 왔다면서, “기업의 핵심 평가 지표 역시 전통적인 투자 대비 수익률(ROI)에서 AI 토큰을 얼마나 효과적으로 활용하여 성과를 냈는지를 묻는 토큰 대비 수익률(ROT)로 변화하고 있다”고 전했다. 또한, 김정호 교수는 미래의 엔지니어는 직접 코드를 짜거나 수동적인 연산을 수행하는 대신 수많은 AI 에이전트를 평가하고 올바른 방향을 지시하는 총괄 관리자로 변모하게 될 것으로 보았다. 결국에는 단일 작업자가 수백 대의 자율형 AI를 동시에 통제하며 일하는 강력한 1인 기업의 형태로 진화할 것이라는 전망도 제시했다.   ▲ AI의 진화가 반도체 개발의 변화를 가져올 것으로 전망한 KAIST 김정호 교수   첨단 무기 체계 개발을 위한 시뮬레이션 활용과 검증 LIG D&A의 신동준 수석연구원은 최첨단 방위 산업 현장에서 시뮬레이션 기술이 어떻게 국방력을 끌어올리고 있는지에 대해 소개했다. 그는 현대전의 양상이 미사일과 스텔스기를 넘어 무인 드론과 사이버전으로 급격히 이동하고 있다고 소개했다. 특히 값싼 자폭 드론이 전장의 판도를 바꾸고 있으며, 미래 K-방산은 휴머노이드 같은 피지컬 AI와 유무인 복합 무기체계(MUM-T) 기술을 중심으로 발전할 것이라고 전망했다. 이렇게 고도화된 무기 체계를 개발하는 모든 과정에는 공기역학부터 구조 해석과 열 관리에 이르기까지 시뮬레이션 기술이 폭넓게 쓰이고 있다. 신동준 수석 연구원은 LIG D&A가 무기 체계 개발 과정에서 시뮬레이션을 활용한 사례를 소개했다. 함정의 최종 방어를 책임지는 근접방어무기체계 핵심 부품의 개발 과정에서는 드론이나 미사일을 정밀 탐지하는 레이더 내부의 고출력 반도체 소자를 식히는 수랭식 냉각판 설계가 필수이다. 냉각판 내부의 높은 압력을 버틸 수 있는 구조를 만들고, 열 변형을 최소화하는 접합 방식을 적용하는 것이 까다로운 기술적 난제로 꼽힌다. 신동준 수석연구원은 “이 문제를 극복하기 위해 앤시스 메커니컬(Ansys Mechanical)을 활용한 구조 해석을 선제적으로 도입해, 냉각판의 변형과 응력을 미리 예측했다”면서, 시뮬레이션 예측에 더해 실제 프로토타입을 제작하여 광섬유 센서를 통한 변위 측정과 헬륨 기밀 시험으로 성능을 엄격하게 검증했다고 전했다. 이런 과정을 통해 예측 오차율을 5% 이내로 좁히는 데 성공했으며, 이 무기 체계는 양산을 앞두고 있다고 한다.   ▲ 앤시스와 시높시스의 AI 통합 방향을 소개한 태성에스엔이 윤진환 본부장   AI 기반 시뮬레이션의 진화와 현장 엔지니어의 통찰력 태성에스엔이 윤진환 기술본부장은 일상생활은 물론 CAE 분야에서도 AI가 뜨거운 화두로 떠올랐다고 짚었다. 과거 엔지니어들이 복잡한 수식을 직접 다루며 컴퓨터로 문제를 풀었던 것과 달리, 이제는 알 수 없는 블랙박스 형태의 AI가 결과값을 도출하는 시대가 열렸다는 것이다. 윤진환 본부장은 “새로운 도구로서의 AI를 적극 수용해야 한다”면서, “특히 멀티피직스 시뮬레이션의 선두 주자인 앤시스와 반도체 설계 분야 1위 기업인 시높시스의 AI 기술이 통합되면서 소프트웨어가 단순한 보조자를 넘어 처음부터 끝까지 문제를 해결하는 오토파일럿 단계로 진화하고 있다”고 전했다. 윤진환 기술본부장은 제품 설계와 최적화 관점에서 적용되고 있는 앤시스의 설루션을 소개했다. 클라우드에 형상 데이터를 입력하면 빠른 시간에 해석 결과를 예측해 내는 심AI(SimAI)와 새로운 모델링을 자동으로 생성하는 지옴AI(GeomAI)가 대표적이다. 윤 진환 본부장은 “이 두 가지 도구를 결합하면 무게나 공력 조건 등 엔지니어가 원하는 성능을 만족시키는 최적의 제품 형상을 실시간으로 도출해 낼 수 있다”고 설명했다. 또한 앤시스는 엔비디아의 옴니버스(Omniverse)와 협력하여 다양한 데이터를 바탕으로 시각적인 디지털 트윈을 구현하고 있으며, 메시 생성 중 발생하는 오류를 돕거나 입력값의 오류를 진단하는 지능형 어시스턴트 기능도 개발 중이다. 이러한 기술적 진보는 역설적으로 현장 엔지니어의 깊은 통찰력을 더욱 요구하도록 만든다. AI의 도입으로 문제 해결 속도와 제품 개발 주기가 기하급수적으로 빨라지면서, 엔지니어들은 한 차원 높은 난제를 마주하게 되었다. 윤진환 본부장은 “어떤 데이터를 입력하느냐에 따라 결과가 달라지기 때문에, 해석 대상에 대한 깊은 이해와 오랜 경험을 바탕으로 AI의 결과를 걸러내고 보완하는 작업이 필수”라고 짚었다. 또한, “태성에스엔이는 새롭게 구축한 AI 전문 조직을 통해 고객들이 정확하고 효율적인 모델을 생성할 수 있도록 이끄는 든든한 기술 파트너가 되겠다”고 덧붙였다.     ■ 기사 내용은 PDF로도 제공됩니다.

RPA(로보틱 프로세스 자동화) 기술 기업인 유아이패스가 에이전틱 비즈니스 오케스트 레이션 및 자동화 분야의 글로벌 리더로 변신에 나섰다. 유 아이패스코리아는 5월 19일 서울 포시즌스 호텔에서 기자 간담회를 열고, 한국 기업들이 AI 도입 실험 단계를 넘어 실질적인 비즈니스 성과를 창출할 수 있는 구체적인 해법 을 제시했다. ■ 최경화 국장   유아이패스는 전 세계 다양한 조직이 복잡한 기업 운영 환경을 AI 에이전트가 추론하고, 로봇이 실행하며, 사람이 주도하는 지능 적이고 안전한 운영 체계로 전환할 수 있도록 지원하는 기업이다. 특히 현대적 기업 환경과 규제가 엄격한 산업을 위해 자동화, 오케 스트레이션, AI를 통합하여 거버넌스 기반의 확장 가능한 워크플 로우를 제공하는 데 강점을 지니고 있다. 유아이패스코리아 형원준 지사장은 “많은 기업이 에이전트 빌더 에만 집중하는 것은 빙산의 일각을 보는 것과 같으며, 실제 현업 시 스템에 오차 없이 계획을 실행하고 조율하는 ‘지휘자’로서의 오케 스트레이션 능력이 혁신의 핵심”이라고 언급하며 유아이패스의 방 향성에 대해 소개했다.   ▲ 유아이패스코리아 형원준 지사장   AI 투자의 불편한 진실 : ‘ROI 격차’라는 장벽 이번 간담회의 주 발표자로 나선 유아이패스 야니스 브루스타스(Yiannis Broustas) 제품 마케팅 담당 부사장은 현재 글로벌 기업들이 직면한 ‘ROI(투자자본수익률) 격차’ 문제를 화두로 던졌다. 브루스타스 부사장은 가트너에 따르면 2025년 글로벌 AI 투자액이 1조 5000억 달러에 이르고 CIO의 89%가 에이전트 기반 AI 를 전략적 우선순위로 꼽고 있음에도 불구하고, 실제 기대한 성과 를 거두는 프로젝트는 극히 드물다는 점을 지적했다. 브루스타스 부사장은 가트너와 MIT의 데이터를 인용해 엔터프라이즈 AI 프로젝트의 28%만이 기대한 ROI를 달성하고 있으며, 생성형 AI 파일럿의 95%는 기업의 손익에 즉각적인 영향을 주지 못하고 있는 것이 현실이라고 전했다. 또한, 이러한 격차가 발생하는 근본 원인으로 기존 자동화가 대부분 ‘단일 업무(task) 기반’으로 이루어져 복잡한 전체 비즈니스 프로세스를 아우르지 못하기 때문이라고 분석했다.   ▲ 유아이패스 야니스 브루스타스 제품 마케팅 담당 부사장   지능형 오케스트레이션, 파편화된 자동화를 엮는 ‘지휘자’ 브루스타스 부사장은 이 문제를 해결하기 위해 ‘지능형 오케스트레이션(intelligent orchestration)’을 핵심 대안으로 제시했다. 이는 AI 에이전트와 소프트웨어 로봇, 그리고 사람이 유기적으로 협업하여 비즈니스의 엔드 투 엔드 프로세스를 지능적으로 관리하고 변화하는 비즈니스 환경에 적응해 가는 것을 의미한다. 그는 “자동화를 통해 많은 기업이 운영을 개선하고 있지만, 태스크 기반의 한계로 인해 프로세스에 문제가 발생하곤 한다”며, “복잡성을 명료함으로 바꾸기 위해서는 고립된 자동화에서 벗어나 측정 가능한 비즈니스 성능을 창출하는 인텔리전트 오퍼레이션으로 나아가야 한다”고 강조했다. 이를 구체화하기 위해 유아이패스는 플랫폼에 ‘코딩 에이전트(UiPath for Coding Agents)’ 레이어를 새롭게 추가했다. 개발자들이 터미널이나 기존 작업 환경을 그대로 유지하면서 챗GPT, 클로드, 제미나이 등 다양한 외부 AI 모델을 네이티브하게 활용할 수 있도록 지원하는 기능이다. 브루스타스 부사장은 “1000개 이상의 커넥터와 재사용 가능한 패턴을 제공하여 아이디어 구상부터 실제 운영까지의 시간을 수개월에서 단 수일로 단축해 준다”고 설명했다.   산업 현장의 복잡성을 해결하는 ‘마에스트로’ 실제 산업 현장의 비즈니스 프로세스는 매우 역동적이고 예외 사항이 많으며 파편화되어 있다. 브루스타스 부사장은 이러한 복잡한 프로세스를 재구성하여 ROI 격차를 줄이기 위해 ‘마에스트로 케이스 매니지먼트(Maestro Case Management)’를 한국 시장에 발표했다. 이 설루션은 복잡한 공정이나 업무 흐름을 여러 단계로 나누어 유연한 워크플로를 구축할 수 있게 돕는다. 예를 들어 대규모 산업 현장의 수급 관리나 운영 프로세스에서 AI가 데이터를 수집 및 검증하고, 사기나 위험 요소를 평가하는 단계별 과정마다 전문가가 개입해 최종 승인을 내리도록 설계함으로써 AI의 잠재적 실수를 통제하고 리스크를 관리할 수 있다.     한국 시장을 위한 특화 전략 : 데이터 주권과 규제 해소 이날 유아이패스는 한국 기업들이 보안 규제로 인해 AI 도입에 겪는 어려움을 해소하기 위한 두 가지 방안을 소개했다. 첫째는 마이크로소프트 애저(Azure)의 한국 리전을 통해 제공되는 ‘오토메이션 클라우드 포 코리아(Automation Cloud for Korea)’다. 이를 통해 국내 고객은 데이터 레지던시 요건을 준수하면서도 유아이패스의 전체 에이전틱 자동화 스택을 엔터프라이즈급으로 활용할 수 있게 되었다. 둘째는 인터넷이 차단된 폐쇄망 환경을 선호하는 기업들을 위한 ‘온프레미스 에이전틱 AI 배포’ 지원이다. 고규제 산업군인 금융, 공공, 헬스케어 기업들은 이제 ‘오토메이션 스위트’를 통해 자체 데이터센터 내에서 에이전틱 AI를 운영하며 데이터에 대한 완벽한 통제권을 확보할 수 있다. 유아이패스는 단순한 기술 제공자를 넘어, 한국 기업들이 AI 도입의 딜레마를 극복하고 실질적인 비즈니스 가치를 실현할 수 있도록 돕는 파트너로서의 입지를 공고히 한다는 계획이다. 형원준 지사장은 “규정 준수 요건이 혁신을 가로막아서는 안 되지만, 한국의 고규제 산업은 엄격한 제약으로 인해 초기 에이전틱 AI 도입의 성과를 충분히 누리지 못했다”며, “오토메이션 스위트는 AI 도입과 데이터 주권 유지 사이의 딜레마를 해소해 금융, 공공, 헬스케어를 비롯한 다양한 산업의 기업이 자체 인프라 제어권을 바탕으로 구상 단계를 넘어 실질적인 비즈니스 성과를 낼 수 있도록 돕는다”고 말했다. 현재 대부분의 에이전틱 자동화 기능은 유아이패스 오토메이션 스위트에서 이용할 수 있으며, 대화형 에이전트(Conversational Agent)와 IXP(Intelligent Xtraction and Processing) 기능은 2026년 10월 제공될 예정이다.     전 산업군으로 확산되는 실무 중심의 에이전틱 AI 소개 기자간담회와 같은 날 진행된 ‘유아이패스 퓨전 서울(UiPath FUSION Seoul)’ 행사에서는 에이전틱 AI를 대규모로 배포하고 실질적인 성과를 낸 국내외 실무 담당자들의 목소리가 생생하게 전달되었다. 유아이패스 야니스 브루스타스 부사장이 ‘에이전틱 엔터프라이즈의 오케스트레이션’을 주제로 글로벌 전략을 공유했으며, IDC 김경민 이사가 차세대 AI 자동화가 여는 자율 지능 시대에 대한 시장 인사이트를 전했다. LG CNS 진요한 AI센터장이 에이전틱 AI와 오케스트레이션의 실제 결합 사례를, 쏘카 김주녕 팀장이 AI 기반 업무 혁신 여정을 공유하며 제조·서비스 등 다양한 산업군에서 의 활용 가능성을 시연했다. 또한 딜로이트 정창모 수석위원은 미래형 에이전틱 ERP 전략을 제시하고, 유아이패스코리아 김형수 파트너는 복잡한 구현 없이 빠르게 시작할 수 있는 ‘산업별 AI 에이전트’를 소개했다. 이번 행사에서는 기조연설과 라이브 제품 시연을 통해 에이전틱 AI를 실제 운영 단계로 전환하기 위한 현실적인 방안인 엔드 투 엔드 오케스트레이션과 산업별 특화 설루션, 그리고 측정 가능한 ROI 실현 과정 등이 소개되었다.     ■ 기사 내용은 PDF로도 제공됩니다.

마이크로소프트는 프론티어 트랜스포메이션(Frontier Transformation) 전략을 통해 업무 방식과 비즈니스 운영을 재설계하고, 성장을 가속화하는 글로벌 기업 혁신 사례를 공개했다. 프론티어 트랜스포메이션은 지능과 신뢰를 기반으로 비즈니스 성과를 실현하는 AI 전략이다. 마이크로소프트에 따르면 AI 도입의 가치 평가 기준이 단순한 시간 절감이나 생산성 향상을 넘어, 핵심 비즈니스 프로세스에서 측정 가능한 임팩트로 확장되고 있다. 조직 고유의 지능을 의사결정에 연결해 실질적인 비즈니스 성과를 창출하는 역량이 핵심 경쟁력이 되고 있다는 설명이다. 업무 도구에 내재된 지능은 운영 복잡성을 늘리지 않으면서 고객 대응과 프로세스 혁신을 가속화한다. 이를 통해 기업은 운영 부담을 키우지 않으면서 혁신 속도를 높이고, 성과를 경쟁력으로 연결할 수 있다. 또한 신뢰는 변화를 지속시키고, 조직이 AI를 안정적으로 확장하도록 돕는다. 이를 구현하는 핵심 설루션으로는 마이크로소프트 IQ(Microsoft IQ)와 에이전트 365(Agent 365)가 있다. 마이크로소프트 IQ는 데이터에 업무 맥락을 더해 정확성과 신뢰성을 높인 AI 경험을 구현한다. 에이전트 365는 타사 플랫폼을 포함한 멀티 플랫폼 환경 전반의 에이전트에 대해 관측성, 거버넌스, 보안을 제공해 AI 활용 결과의 신뢰성을 높이고 투자수익률(ROI) 확보를 지원한다.     마이크로소프트는 AI 에이전트를 업무에 도입해 고객 대응과 운영 자동화를 혁신하고 있는 항공, 철도, 금융, 보안 산업 사례를 소개했다. 하루 4만 건의 문의를 처리하는 에어 인디아(Air India)는 애저 오픈AI(Azure OpenAI)와 마이크로소프트 파운드리(Microsoft Foundry) 모델 기반 AI 에이전트 ‘AI.g’를 6개월 만에 구축하고, 고객 서비스에 생성형 AI를 대규모로 도입했다. 홍콩 철도 운영사 MTR은 티켓팅, 역 시설, 주변 정보 등을 실시간으로 안내하는 애저 기반 AI 비서 ‘AI 트레이시(AI Tracy)’를 통해 승객 경험을 개선했다. 코파일럿을 전사 표준으로 채택해 파편화된 환경을 통합하고 업무 방식을 현대화한 글로벌 기업 및 공공 기관 사례도 있다. 메르세데스-벤츠(Mercedes-Benz)는 마이크로소프트 365 코파일럿을 전사에 배포하고 있다. 이와 함께 AI를 핵심 운영 워크플로에 체계적으로 통합해 운영 비용을 절감하는 동시에, 시장 변화에 더 민첩하게 대응할 수 있는 의사결정 역량 강화를 추진하고 있다. 펩시코(PepsiCo)는 마이크로소프트 팀즈(Microsoft Teams)를 표준화하고 마이크로소프트 365 코파일럿을 전사에 배포했다. 이로써 협업 과정의 불필요한 단계를 줄이고 임직원이 보다 가치 있는 핵심 과제에 몰입할 수 있는 기반을 마련했다.  최신 데이터 플랫폼을 통해 분산된 데이터 환경을 통합하고, 경영 지표 분석 및 의사결정 주기를 단축한 사례도 이어졌다. 건자재 분야에서는 세멕스(Cemex)가 마이크로소프트 파운드리와 애저 오픈AI 기반 AI 에이전트 ‘루카 봇(LUCA Bot)’을 구축해 120개 이상의 핵심성과지표(KPI)를 실시간으로 제공하고 있다. 이를 통해 의사결정에 걸리던 시간을 일 단위에서 초 단위로 줄였다. 컨설팅 기업 KPMG는 마이크로소프트 패브릭(Microsoft Fabric)을 도입해 분산된 데이터 환경을 통합했다. 그 결과 고객 데이터 온보딩 시간은 16시간에서 2시간으로 87% 단축됐고 IT 운영 업무량도 25% 경감됐다. 마이크로소프트의 저드슨 알소프(Judson Althoff) 커머셜 비즈니스 부문 CEO는 “프론티어 트랜스포메이션은 조직이 운영되고 경쟁하며 성장하는 방식을 근본적으로 바꾸고 있다”면서, “마이크로소프트는 개방적이고 안전하며 다양한 모델을 지원하는 플랫폼을 통해 기업들이 인간의 잠재력을 실현하고, 고유의 지능을 의사결정과 실행으로 전환해 측정 가능한 비즈니스 성과로 이어지도록 지원하고 있다”고 전했다.

로크웰 오토메이션은 한국을 포함한 17개국 1500여 개 제조기업을 대상으로 조사한 ‘제11차 연례 스마트 제조 현황 보고서’를 발표했다. 이번 스마트 제조 현황 보고서는 10년 이상의 글로벌 연구 결과를 바탕으로 인텔리전스, 회복탄력성, 적응력, 인력 혁신 등 현대 산업 운영을 주도하는 핵심 역량을 조명한다. 보고서에 따르면 제조 산업의 초점은 디지털 기술 도입 여부를 넘어, 이를 어떻게 실행하고 확장하며 측정 가능한 가치를 창출할지로 이동하고 있다. 특히 제조기업들이 실험적 파일럿 단계를 넘어 디지털 역량을 실제 운영 전반에 적용하는 실행 중심 단계로 나아가고 있음을 보여준다.     조사 결과, 글로벌 제조기업의 90%는 경쟁력 유지를 위해 디지털 전환이 필수라고 응답했다. 한국 응답자들 사이에서는 이러한 경향이 더욱 두드러지게 나타났으며, 95%가 최근 산업 기술 환경 변화 속에서 디지털 전환이 필요하다고 응답했다. 특히, 53%는 인공지능(AI)과 머신러닝(ML)을 비즈니스 성과를 이끄는 가장 중요한 스마트 제조 기술로 꼽았다. 반면 실제 투자와 실행 단계에서는 격차가 확인됐다. 국내 제조기업의 AI와 ML 기투자율은 28%로 글로벌 평균인 50%보다 낮았으며, 운영 예산 중 산업 기술 투자 비중도 평균 22.8%로 글로벌 평균인 27.6%를 밑돌았다. 이는 한국 제조기업들이 AI와 스마트 제조 기술의 필요성을 강하게 인식하고 있으나, 실제 투자와 운영 확산 단계에서는 여전히 간극이 존재함을 시사한다. 특히 AI 도입의 장애 요인으로 비용(37%)과 투자수익률(ROI) 불확실성(17%), 회사 정책(13%), 데이터 보안(13%) 등이 꼽히며 예산 부담과 내부 규제가 국내 기업의 AI 도입을 제한하고 있음을 보여줬다. 보고서에 따르면 제조기업들은 파일럿 단계를 넘어 본격적인 확대 단계로 나아가고 있다. 글로벌 제조기업 10곳 중 6곳인 59%는 스마트 제조 기술을 운영 전반에 적극 활용하고 있다고 응답했다. 반면 파일럿 단계에 머물러 있다고 답한 비율은 18%에 그쳤다. 한국의 경우 스마트 제조 기술을 이미 일부 활용 중이거나 대규모로 활용하고 있다고 응답한 비율은 43%로 나타났으며, 31%는 투자 의향을 갖고 적극 검토 중이라고 답했다. AI는 산업 경쟁력의 핵심 동력으로 부상하고 있다. 현재 글로벌 제조 운영의 3분의 1인 34%가 AI를 활용하고 있으며, 제조기업은 2030년까지 운영 업무의 절반 이상이 AI의 지원을 받게 될 것으로 예상하고 있다. 국내 제조기업도 AI와 ML을 성과 창출 핵심 기술로 보고 있으나, AI와 ML을 이미 도입했다고 응답한 비율은 27%에 그쳤다. 운영 인텔리전스는 이제 경쟁의 분기점이 됐다. 기업이 방대한 양의 데이터를 수집하고 있지만, 글로벌 기준 실제 효과적으로 활용되는 비율은 43%에 불과하다. 한국 역시 평균 34%에 머물러, 데이터 수집 이후 이를 실질적인 의사결정과 운영 개선으로 연결하는 역량 강화가 중요한 과제로 나타났다. 사이버보안은 이제 운영에 필수가 됐다. 국내 제조기업의 거의 절반인 41%는 지난 1년 동안 최소 한 건의 사이버 공격을 경험했다. 응답자들은 사이버 공격에 가장 취약한 영역으로 IT 시스템 및 엔터프라이즈 네트워크(39%), 임직원 인식 및 교육(36%), 원격 접속 및 연결 장비(29%) 등을 꼽았다. 이는 운영 환경의 연결성과 자동화가 확대되면서 사이버 위험 노출도 증가하고 있음을 보여준다. 안전한 통합 IT와 OT 아키텍처는 이제 AI와 고급 자동화 확산을 위한 필수 기반이 됐다. 또한 보고서는 제조기업들이 품질 개선, 비용 절감, 운영 위험 감소, 전반적인 설비 효율성 증대 등 측정 가능한 성과를 목표로 디지털 전환에 투자하고 있음을 보여준다. 로크웰 오토메이션 코리아의 이용하 대표는 “한국 제조업은 그 어느 때보다 디지털 전환 및 AI 도입의 중요성에 대한 인식이 높은 반면, 운영 예산 중 기술 투자 비율은 글로벌 평균에 비해 눈에 띄게 낮은 수준”이라면서, “글로벌 경쟁력을 유지하기 위해선 AI 및 스마트 제조 기술에 대한 투자를 가속화하는 것이 시급한 과제로 보인다”고 말했다.

레노버가 엔비디아 GTC에서 AI 도입을 가속화하고 첫 토큰 생성 시간을 단축하며, 개인용 기기부터 기업 및 클라우드 환경 전반에 걸쳐 측정 가능한 비즈니스 성과를 창출하도록 설계된 레노버 하이브리드 AI 어드밴티지 위드 엔비디아의 신규 솔루션을 공개했다. 레노버 테크 월드에서 선보인 추론 가속 기술을 바탕으로 하이브리드 AI 실행의 다음 단계를 제시하는 이번 출시는 개인용 기기에서 데이터센터, 나아가 기가와트급 AI 클라우드 배포에 이르기까지 범위를 확장한다. 이를 통해 전 세계 다양한 산업 분야에서 실시간 의사결정과 운영 효율성, 지능형 자동화를 구현할 수 있도록 지원한다. 실시간 의사결정을 위한 추론 중심의 하이브리드 AI 시대 AI가 모델 학습 단계를 넘어 실시간 의사결정을 지원하는 단계로 진화함에 따라 추론은 기업 가치 창출의 최전선이 되었다. 기업들은 이제 엣지, 데이터센터, 클라우드 전반에서 이를 보안상 안전하게 구현할 인프라를 필요로 하고 있다. 레노버의 의뢰로 IDC가 조사한 글로벌 연구 보고서인 CIO 플레이북 2026에 따르면, 기업의 84퍼센트가 클라우드와 더불어 온프레미스 또는 엣지 환경에서 AI를 실행할 것으로 예상하고 있다. 이는 실제 운영 규모의 추론을 위해 구축된 검증된 하이브리드 AI 플랫폼에 대한 수요 증대로 이어지고 있다. 양위안칭 레노버 회장 겸 CEO는 레노버와 엔비디아가 실험 단계부터 기업용 운영 환경, 나아가 AI 클라우드 기가팩토리에 이르기까지 기업이 AI를 운영할 수 있도록 돕는 독보적인 위치에 있다고 강조했다. 에이전틱 AI가 추론 워크로드의 기하급수적인 성장을 이끌면서 비용 관리와 토큰 당 성능 확보가 핵심 과제가 되었다며, 엔비디아 AI 엔터프라이즈 소프트웨어와 레노버의 풀스택 하이브리드 AI 플랫폼을 결합해 고객이 더 높은 효율성과 낮은 비용으로 AI 규모를 확장하도록 지원할 것이라고 밝혔다. 어디서나 구현 가능한 AI 개발 및 추론 환경 구축 레노버는 차세대 엔비디아 RTX 프로 블랙웰 기반의 모바일 및 데스크톱 워크스테이션을 통해 전문가들에게 실시간 AI 개발 및 추론 기능을 즉시 제공한다. 초경량 씽크패드 P14s 7세대, 씽크패드 P16s 5세대 및 프리미엄 모델인 씽크패드 P1 9세대를 포함한 모바일 라인업 전반에 엔비디아 RTX 프로 블랙웰 제너레이션 랩탑 GPU를 탑재했다. 데스크톱 모델인 씽크스테이션 P5 2세대에는 최대 2개의 엔비디아 RTX 프로 6000 블랙웰 워크스테이션 에디션 GPU가 들어간다. 또한 최대 2,000억 개의 파라미터를 가진 AI 모델을 지원하고 1페타플롭의 연산 성능을 갖춘 씽크스테이션 PGX 기반 AI 개발자용 디바이스를 제공한다. 이는 안전한 프라이빗 및 온프레미스 AI 개발에 최적화되어 있다. 이와 함께 데이터 과학자들이 워크로드를 구축하고 보호할 수 있도록 지원하는 레노버 AI 디벨로퍼 제품군과 배포를 간소화하는 이미징 서비스도 함께 선보였다. 실시간 엔터프라이즈 추론을 위한 최적화 플랫폼 레노버 하이브리드 AI 어드밴티지 위드 엔비디아 솔루션은 유사한 사양의 클라우드 서비스형 인프라(IaaS) 대비 6개월 빠르게 투자자본수익률(ROI)을 달성하고 최대 8배 낮은 토큰 당 비용을 실현한다. 추론에 최적화된 신규 레노버 씽크시스템 및 씽크엣지 서버는 유통, 제조, 헬스케어 등 다양한 환경에서 실시간 AI 추론을 지원한다. 확장된 포트폴리오는 엔비디아 AI 엔터프라이즈 소프트웨어와 통합된 엔비디아 검증 시스템을 제공한다. 여기에는 스케일아웃 엔터프라이즈 AI를 위한 RTX 프로 6000 블랙웰 서버 에디션 GPU 탑재 플랫폼과 대규모 추론 사례를 위한 블랙웰 울트라 기반 플랫폼이 포함된다. 또한 뉴타닉스 엔터프라이즈 AI 및 쿠버네티스 플랫폼 기반의 씽크애자일 HX650a를 통해 보호된 추론 및 에이전틱 워크로드의 기반을 제공한다. 산업별 특화 AI 솔루션과 기가와트급 AI 클라우드 구현 레노버는 실시간 운영 수준의 추론 기능을 기업 워크플로우에 도입하기 위해 레노버 AI 라이브러리를 확장했다. 스포츠 분야에서는 실시간 분석과 중계 최적화를, 유통 분야에서는 지능형 온오프라인 매장 어시스턴트를 통해 개인화된 서비스를 제공한다. 제조 및 모빌리티 환경을 위한 피지컬 AI 솔루션은 로보틱스와 엣지 컴퓨팅을 결합하여 검사 자동화와 작업자 안전을 강화한다. 특히 레노버는 차세대 엔비디아 루빈 플랫폼을 통해 고객이 기가와트 규모의 데이터를 관리할 수 있도록 지원한다. 엔비디아 베라 루빈 NVL72의 출시 파트너로서 완전 수랭식 랙 규모 시스템을 공급하며, 이는 이전 세대 대비 최대 10배 높은 처리량과 10배 낮은 토큰 당 비용을 달성한다. 젠슨 황 엔비디아 창업자 겸 CEO는 AI가 이제 실제 운영 단계에 들어섰으며, 레노버와 엔비디아가 가속 컴퓨팅과 AI 팩토리 수요를 선도할 풀스택 플랫폼을 함께 제공해 나갈 것이라고 전했다.