김인한_경희대학교_교수 국내 건축·건설 산업에서 BIM(Building Information Modeling : 건설정보 모델링) 분야를 개척하고 세계적 표준을 정립해 온 경희대학교 건축학과 김인한 교수가 탁월한 연구 성과를 인정받아 ‘2025 경희 펠로우(Kyung Hee Fellow)’로 선정됐다. 경희 펠로우는 매년 연구와 교육에서 독보적인 업적을 이룬 교수에게 수여되는 명예로운 칭호다. 김 교수는 “경희대 1,400여 명의 교수 중 매년 1~3명만 선발되는데, 특히 공학 분야에서도 우리 CDE(Computational Design and Engineering) 영역에서 선정된 점이 매우 기쁘다”며 “기존 엔지니어링이나 BIM·캐드캠 분야에서는 선발이 드물었는데, 이번에 공적을 인정받아 더욱 뜻깊다”고 소감을 밝혔다. BIM 국제 표준(IFC)의 창시자로서 국내에 BIM 학문을 최초로 정립한 김 교수는 박사과정 시절부터 세계 유일의 BIM 국제 표준 ISO 16739(IFC) 개발에 참여했으며, 현재 전 세계 BIM 소프트웨어는 이 표준을 기반으로 하고 있다. 1998년 빌딩스마트협회를 설립해 국내 BIM 확산을 주도했고, 2013년에는 건축 설계 분야에서 유례없는 대형 BIM 연구 과제를 책임지며 건축 산업의 디지털 전환을 견인했다. 정년을 앞둔 그는 최근 모듈러 건축과 로봇 친화형 건축에 집중하며 새로운 건설 패러다임을 준비하고 있다. 김 교수는 “로봇이 건물 내에서 자유롭게 이동하려면 BIM 데이터 기반 디지털 트윈이 필수적”이라며 “로봇의 센서 정보가 BIM의 가상 정보와 매치되어야 정밀 제어가 가능하다. 이제 로봇 공학에서도 BIM 없이는 제조나 3차원 활동이 불가능한 시대가 왔다”고 강조했다. 현재 그는 모듈러 건축 기업 ‘M3시스템즈’를 창업해 연구 성과를 산업에 접목하고 있으며, 2025년 OSC·모듈러 산업협회 초대 회장을 맡아 기술 대중화에도 힘쓰고 있다. 김 교수는 “CDE나 캐드캠 분야도 처음에는 어려웠지만, 이제는 디지털 트윈·AI·로봇과 결합해 핵심 기술이 됐다”며 “변화는 늘 있어 왔고 오늘의 신기술이 곧 미래의 기본 기술이 된다. 후배 연구자들은 두려움을 버리고 새로운 시도와 창업에 도전하라”고 조언했다.

#케이이노텍 설계·제조 2분 진단 이벤트 설계 및 해석, 데이터 관리 과정에서 겪고 있는 고민이 있으신가요? 제조 프로세스의 고민을 단 2분 만에 진단하고, 스타벅스 커피의 행운도 함께 받아 가세요! 이 내용이 보이지 않으면 여기를 클릭해주세요 (06101) 서울특별시 강남구 언주로 122길 30-1 케이이노텍빌딩  |  대표전화 02-585-1295 이메일 info@kinnotech.co.kr  |  사업자등록번호 664-86-00851     

성공적인 유동 해석을 위한 케이던스의 CFD 기술   선박 설계 엔지니어와 조선공학 전문가들은 개발 초기 단계에서 성능을 평가하고, 실물 시험에 대한 의존도를 줄이며, 복잡한 설계 프로젝트 전반의 위험을 관리하기 위해 전산유체역학(CFD)을 점점 더 적극적으로 활용하고 있다. 범용 CFD 소프트웨어도 이러한 작업을 수행할 수 있지만, 해양·조선 분야의 특수한 문제를 해결하기 위해서는 상당한 설정 작업과 워크플로의 맞춤 구성이 필요한 경우가 많다. 피델리티 파인 마린(Fidelity Fine Marine)은 해양 및 조선 분야에 특화되어 개발된 CFD 플랫폼으로, 선박 설계 및 조선 공학에서 요구되는 핵심적인 유체역학(hydrodynamics)과 선박 운동(motion) 해석을 하나의 목적에 최적화된 환경에서 제공한다. 이를 통해 보다 효율적이고 신속한 해석과 설계 의사결정을 지원한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr     피델리티 파인 마린은 아메리카스 컵(America's Cup)에 참가한 에미레이트 팀 뉴질랜드(Emirates Team New Zealand), 이네오스 브리타니아(INEOS Britannia), 아메리칸 매직(American Magic)을 비롯해 방데 글로브(Vendée Globe) 출전 팀에서도 활용되었다. 이러한 프로젝트는 설계 허용 오차가 극히 작은 환경에서 진행되며, 시뮬레이션의 품질이 경기 결과에 직접적인 영향을 미친다. 따라서 이러한 사례는 피델리티 파인 마린이 엄격한 엔지니어링 검증 환경에서 어떤 수준의 성능을 제공하는지를 보여주는 중요한 기준이 된다. 이와 동일한 해석 역량은 상업용 선박과 해양(offshore) 프로젝트에도 적용할 수 있다. 적용 대상과 해결해야 할 과제는 서로 다르지만, 높은 시뮬레이션 정확도에 대한 요구는 모든 분야에서 동일하게 중요하다.   해양 엔지니어들이 범용 CFD에서 벗어나고 있는 이유 “피델리티 파인 마린은 속도, 힐(heel), 리웨이(leeway) 변화에 따른 세일링 요트 선체의 유체력을 높은 신뢰도로 예측할 수 있다. 또한 이러한 해석은 과도하게 높은 격자 밀도를 사용하지 않고도 유효하고 신뢰할 수 있는 결과를 제공한다.” 피델리티 파인 마린은 상선과 해양 플랜트부터 고성능 선박 및 첨단 선박 설계에 이르기까지 다양한 해양 분야에 적용할 수 있다. 범용 CFD 소프트웨어처럼 사용자가 여러 기능을 조합하여 해양 해석용 워크플로를 직접 구성할 필요 없이, 피델리티 파인 마린은 해양 분야에 특화된 통합 해석 환경을 제공한다. 이를 통해 해석 준비 시간을 단축하고 프로젝트 간 일관성을 향상시키며, 개념 설계 단계에서 성능 검증 단계에 이르기까지 보다 효율적인 설계 프로세스를 지원한다. 이와 같은 접근 방식은 해석 환경 구축에 필요한 노력을 줄이는 동시에 프로젝트 전반의 일관성을 높여, 설계 초기의 다양한 아이디어 검토부터 최종 성능 검증까지의 과정을 더욱 원활하게 수행할 수 있도록 한다. 그 결과, 엔지니어링 조직은 더 빠른 설계 반복(design iteration)을 수행하고, 더 많은 설계 대안을 평가할 수 있으며, 시뮬레이션 결과를 개발 기간 단축, 성능 예측의 신뢰도 향상과 같은 비즈니스 목표와 더욱 효과적으로 연계할 수 있다.     실제 성능을 좌우하는 연성 물리 현상 해석 첨단 선박 개발 프로젝트에서 시뮬레이션의 가치는 여러 물리 현상이 서로 어떻게 상호작용하는지를 정확하게 재현하는 능력에 있다. 엔지니어는 일반적으로 하나의 성능 지표만으로 설계를 평가하지 않으며, 다양한 운항 조건과 개발 단계에서 선박이 어떤 성능을 발휘하는지를 종합적으로 분석해야 한다. 피델리티 파인 마린은 이러한 요구를 충족하기 위해 실제 운항 성능에 영향을 미치는 다양한 연성(coupled) 물리 현상을 통합적으로 해석할 수 있도록 지원한다. 여기에는 다음과 같은 요소가 포함된다. 선체 유체역학(hull hydrodynamics) 부가 구조물(appendage)의 거동 공기역학적 하중(aerodynamic loading) 공동현상(cavitation) 통기(ventilation) 조종 성능(maneuvering) 접촉 및 착수 거동(touchdown behavior) 파랑 중 성능(wave performance) 이를 통해 엔지니어는 실제 운항 환경에 더욱 가까운 조건에서 선박 성능을 평가할 수 있으며, 설계 의사결정에 대한 신뢰도를 높이고 개발 후반부에서 발생할 수 있는 예상치 못한 문제를 줄일 수 있다.   실제 선체 형상에 최적화된 격자 생성 및 운동 모델링 정확한 해석 결과를 얻기 위해 과도한 수작업이나 복잡한 해석 설정이 반드시 필요한 것은 아니다. 피델리티 파인 마린은 각 선박의 형상과 해석 목적에 맞게 시뮬레이션을 유연하게 구성할 수 있도록 지원하여, 엔지니어가 보다 효율적으로 해석을 수행할 수 있는 환경을 제공한다.     자유수면 효과(free-surface effects), 압력 구배(pressure gradient), 그리고 주요 유동 영역(critical flow regions)과 같이 계산 정확도가 중요한 영역에 계산 자원을 자동으로 집중함으로써, 피델리티 파인 마린은 더욱 효율적으로 고품질의 해석 결과를 제공한다. 이를 통해 해석 소요 시간을 단축하면서도 높은 예측 정확도를 유지할 수 있으며, 엔지니어링 팀이 보다 신속하고 신뢰성 있는 설계 의사결정을 내릴 수 있도록 지원한다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.

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

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.

케이던스 커넥트 SDA User Conference Korea 2026  MSC Software·BETA CAE·Fidelity CFD 통합 기술 트랙  사전등록하기 아젠다 살펴보기 자동차, 미래 모빌리티, 항공우주·국방, 조선, 전자, 산업기계, 로보틱스 등 다양한 산업 분야의 엔지니어 및 기술 전문가들을 위한 SDA User Conference Korea 2026이 개최됩니다. 케이던스(Cadence)의 일원이 된 MSC Software와 함께, Cadence Physical Systems Design & Analysis (SDA) 포트폴리오의 최신 기술과 실제 적용 사례를 공유하는 이번 행사에 여러분을 초대합니다. View this online Hexagon Design & Engineering (MSC Software) is now part of Cadence. To know more click here. © 2026 Cadence Design Systems, Inc. All rights reserved worldwide. Cadence, the Cadence logo, and the other Cadence marks found at www.cadence.com/go/trademarks are trademarks or registered trademarks of Cadence Design Systems, Inc. All other trademarks are the property of their respective owners. Cadence Design Systems, Inc.  |  2655 Seely Avenue San Jose, CA 95134  

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. 

슈나이더 일렉트릭이 AMD와 손잡고 AMD 헬리오스(Helios) 랙스케일 설루션 레퍼런스 디자인을 공동 개발하고 검증을 완료했다고 밝혔다. 이번 레퍼런스 디자인은 고밀도 AI 인프라를 더 빠르고 안정적으로 구축할 수 있도록 지원하는 청사진으로 양사 협력의 첫 결과물이다. 새롭게 공개된 레퍼런스 디자인은 AMD 헬리오스 랙스케일 설루션의 대규모 연산 환경을 지원하기 위해 개발된 첫 번째 레퍼런스 디자인이다. 슈나이더 일렉트릭은 컴퓨팅 성능과 인터커넥트 대역폭, 메모리 용량, 시스템 통합 기술의 발전을 바탕으로 고객이 전력 효율을 유지하면서도 더 크고 복잡한 AI 워크로드를 처리할 수 있다고 설명했다. AMD 헬리오스 레퍼런스 디자인은 시설 전력, 시설 냉각, IT 공간, 라이프사이클 소프트웨어 등 4개 기술 영역에 대한 세부 정보를 제공한다. 데이터센터 설계자와 운영자는 사전에 검증된 설계 기준을 바탕으로 전력, 냉각, IT 인프라를 보다 효율적으로 설계할 수 있으며, 구축 계획 수립부터 운영까지의 복잡성을 줄일 수 있다. 신규 데이터센터 구축 시 최대 10만 4000kW IT 용량까지 확장할 수 있는 모듈형 멀티 클러스터 구조를 지원하며, 랙당 최대 246kW의 고밀도 AI 워크로드를 처리할 수 있다. 냉각 측면에서는 모티브에어(Motivair) 기반 CDU와 공랭·수랭 하이브리드 방식을 결합한 첨단 액체 냉각 기술을 적용해 최대 84%의 열을 제거할 수 있도록 설계됐다.     이와 함께 이탭(ETAP) 및 에코스트럭처 IT 디자인 CFD(EcoStruxure IT Design CFD)를 활용해 전력 및 열 설계를 검증하고, 전력 디지털 트윈(Electrical Digital Twin) 기능을 통해 인프라 성능을 모델링, 분석, 관리할 수 있도록 지원한다. 아베바 유니파이드 오퍼레이션 센터(AVEVA Unified Operations Center)와 연동해 실시간 모니터링과 운영 가시성을 제공하며, 전력, 냉각, IT 인프라 전반의 시스템 최적화를 지원한다. 슈나이더 일렉트릭은 이러한 설계를 통해 전 부하 기준 전력 사용 효율성(PUE) 약 1.12 수준의 에너지 효율을 구현할 수 있다고 전했다. 이번 레퍼런스 디자인은 미국 시장을 대상으로 ANSI 표준에 따라 검증을 마쳤으며, 향후 글로벌 시장 적용을 위해 IEC 표준까지 검증 범위를 확대할 계획이다. AMD 데이터센터 설루션 비즈니스 그룹의 포레스트 노로드 총괄 부사장은 “AI 인프라는 AI 공장으로 빠르게 진화하고 있으며 이를 위해서는 컴퓨팅, 네트워킹, 전력, 냉각을 처음부터 함께 설계해야 한다”면서, “슈나이더 일렉트릭과 공동 개발한 검증된 레퍼런스 디자인을 통해 고객이 고밀도 AI 환경을 보다 빠르게 구축하고 시스템 통합 리스크를 줄이는 동시에 더욱 높은 확장성과 효율을 확보할 수 있을 것”이라고 전했다. 슈나이더 일렉트릭 시큐어 파워 및 데이터센터 사업부의 마니쉬 쿠마르 총괄 부사장은 “오늘날 기업들은 AI 인프라를 계획 단계부터 구축까지 더 빠르고 낮은 리스크로 연결할 수 있는 AI 지원 레퍼런스 디자인을 필요로 한다”면서, “AMD와의 협업을 통해 첨단 AI 컴퓨팅 플랫폼과 에너지 기술, 실제 데이터센터 구축을 연결하는 엔지니어링 기반 레퍼런스 디자인을 제공함으로써 고객이 보다 높은 신뢰성과 효율, 속도를 바탕으로 확장 가능한 고밀도 AI 환경을 구축할 수 있도록 지원할 것”이라고 밝혔다.

한국 EPC 산업은 인력 부족과 비용 압박이 심화되는 상황에서도 더 많은 인프라와 복잡한 자산을 구축하는 동시에, 운영 회복성까지 확보해야 하는 과제에 직면해 있다. 산업통상자원부와 한국플랜트산업협회에 따르면, 국내 플랜트 수주액은 2023년 302억 달러에서 2025년 436억 달러로 증가했다. 프로젝트 규모와 수행 난이도는 계속 높아지는 반면, 가용 인력은 제자리를 맴돌고 있다. 한국건설산업연구원도 숙련 인력 부족과 건설 현장 고령화에 대한 우려가 커지고 있음을 지적한다. 문제의 핵심은 단순히 ‘인력을 더 구하는 것’이 아니다. 프로젝트 팀이 달성하려는 목표와 분산된 정보 흐름 사이에서 벌어지는 격차를 좁히는 것이다. 이러한 상황에서 엔지니어링·건설업계 리더들이 직면한 현실적인 질문은, 가용 인력은 줄고 복잡도는 높아지는 환경에서 어떻게 안전하고 법규에 부합하는 고품질 프로젝트를 납기 내에 완수할 것인가이다. 해답의 상당 부분은 설계에서 시공, 운영에 이르는 전체 자산 수명주기(라이프사이클)에 걸쳐 정보를 체계적으로 구조화·공유·활용하는 방식을 개선하는 데 있다. 라이프사이클 인텔리전스(lifecycle intelligence)와 현대적 정보 관리가 ‘디지털 비전’에서 실질적인 생산성 향상 수단으로 전환되고 있는 것도 바로 이 지점이다.   생산성 향상의 걸림돌, 데이터 부족보다 활용 가능한 데이터의 부재 많은 기업이 디지털 도구에 막대한 투자를 했음에도 일관된 성과를 거두지 못하고 있다. 데이터가 지나치게 많은 환경에 분산돼 있기 때문이다. 딜로이트(Deloitte)가 아시아·태평양 지역 약 900개 기업을 대상으로 실시한 ‘2025 건설업 디지털 전환 현황(2025 State of Digital Adoption in the Construction Industry)’ 보고서에 따르면, 건설 기업이 사용하는 데이터 환경의 중앙값은 11개에 달한다. 이는 단순한 IT 문제가 아니다. 현장에서는 도면 버전 혼선, 업무 중복, 승인 지연, 재작업 리스크 증가, 잠재 이슈 조기 발견 실패 등의 형태로 고스란히 나타난다.   ▲ 다양한 시스템에 분산된 정보를 통합적으로 조회하고 검증할 수 있는 환경은 자료 탐색과 보고서 작성에 드는 시간을 줄이고, 핵심 업무에 집중할 수 있도록 지원한다.   같은 보고서는 데이터 환경 통합·연계 시 기대 효과도 정량화하고 있다. 건설업계 리더들은 데이터 환경을 단일화할 경우 주당 약 10.5시간을 절감할 수 있다고 응답했다. 대형 프로젝트 기준으로 환산하면, 이는 엔지니어링 및 시공 팀에 실질적인 여유 역량이 되돌아오는 것을 의미한다. 확보된 역량은 주공정(critical path) 의사결정, 안전 계획, 시공성 검토, 품질 보증, 이해관계자 커뮤니케이션 등 고부가가치 업무에 재투입될 수 있다. 딜로이트는 기술 도입 속도도 빨라지고 있다고 분석했다. 건설 기업이 도입한 기술의 평균 수는 전년도 5.3개에서 6.2개로 약 20% 증가했다. 그러나 메시지는 분명하다. 도입 자체만으로는 충분하지 않다. 핵심은 도입한 기술이 수명주기 전반에 걸친 일관된 정보 관리와 워크플로로 연결되어 있는가 하는 것이다.   엔지니어링·건설업에서 라이프사이클 인텔리전스가 중요한 이유 라이프사이클 인텔리전스란 설계·시공·운영·유지보수 전반에 걸쳐 의사결정과 데이터를 연결함으로써, 팀이 맥락을 파악하고 의존 관계를 이해하며 단순히 최신 정보를 확인하는 데 시간을 쓰기보다, 인사이트를 바탕으로 의사결정하고 실행할 수 있는 역량을 뜻한다. 실제로는 자산·프로젝트 정보의 단일 진실 공급원(single source of truth)을 구축하고, 이를 기반으로 기획을 고도화하고 업무 조율 마찰을 줄이며, 리스크가 발생할 때 선제적으로 개입하는 것을 의미한다. 이는 단순한 이론적 지향점이 아니다. 목표는 단순하다. 정보 품질이 프로젝트 수행의 예측 가능성과 직결되는 만큼, 정보 자체를 하나의 자산으로 체계적으로 관리해야 한다.   ▲ 설계 및 공간 데이터를 하나의 환경에서 통합하면 프로젝트 참여자는 자산의 위치와 상태, 관련 정보를 맥락과 함께 파악하고 보다 신속하게 의사결정할 수 있다.   플랜트 EPC 분야의 AI 기반 엔지니어링 자동화 고도화를 위해, 현대건설과 옥타브(Octave, 당시 헥사곤 애셋 라이프사이클 인텔리전스)는 2025년 9월 업무협약(MOU)을 체결했다. 협약에는 플랜트 특화 AI 기술 개발 협업, 기술 교류, AI 세미나 개최 등이 포함되어 엔지니어링 워크플로 내 AI의 실질적 적용 가능성을 모색하고 협력을 강화하는 것을 목표로 한다. 정보가 제대로 관리되면, 엔지니어는 자료를 찾고 검증하는 데 쓰는 시간을 줄이고 실제 엔지니어링에 집중할 수 있다. 현장 감독자는 상충되는 스프레드시트를 조율하는 대신 안전과 품질 관리에 전념할 수 있다. 프로젝트 관리(project controls) 팀은 보고서 작성에 매달리는 대신 예측과 리스크 완화에 역량을 쏟을 수 있다. 발주처는 더 완성도 높은 핸드오버 정보를 받아 유지보수성과 장기 성능을 높일 수 있다. 연세대학교 건축공학과 강영철 교수는 “건설 프로젝트의 성과는 개별 정보 기술 사용 수준보다 업무 프로세스에 의해 더 직접적인 영향을 받는다. 즉, 어떤 정보 기술을 사용하느냐가 중요한 것이 아니라, 업무 프로세스에 정보 기술을 어떻게 활용하여 프로세스 수행의 효율화를 높이느냐가 중요하다. 일관된 프로세스 수행은 일관된 프로젝트 성과로 이어지는데, 이를 위해서는 프로세스 수행을 뒷받침하는 정보의 흐름 역시 일관되게 유지하는 것이 매우 중요하다”고 말했다. 이어 “이러한 일관된 정보의 흐름을 위해서는 E(엔지니어링), P(조달), C(시공)와 관련된 여러 정보의 통합(information integration)이 중요하다. 최근 업계에서는 AI와 자동화 기술에 대한 관심이 높아지고 있지만, 단순히 새로운 기술을 도입하는 것보다 설계·시공·운영 단계 전반에 걸쳐 정보를 일관되게 관리하고 활용할 수 있는 체계를 구축하는 것이 더욱 중요하다. 프로젝트 기획 및 설계 단계에서 생성된 정보가 시공 및 운영 단계까지 단절 없이 이어지며 활용될 때 정보의 단절로 인한 비효율을 줄일 수 있고 의사결정의 품질을 높일 수 있으며, 이러한 생애주기 기반 정보 관리가 앞으로 EPC 산업의 생산성과 경쟁력을 좌우하는 핵심 요소가 될 것”이라고 설명했다.   실제 현장에서의 ‘정량적 성과’란 무엇인가 정량적 성과는 각 단계별로 의미 있는 소수의 운영 지표를 정의하고, 데이터를 일관되게 수집해 적시에 해당 담당자가 접근할 수 있도록 하는 것에서 시작된다. 효과적인 프로그램은 대체로 주 단위로 추적 가능한 다음과 같은 핵심 지표에 집중한다. 주요 프로젝트 정보 조회·검증 소요 시간 : 최신 승인 도면, 사양서, RFI(request for information), ITP(inspection and test plan) 등. 딜로이트가 제시한 ‘데이터 환경 단일화 시 주당 10.5시간 절감’ 수치는 효과 측정을 위한 유용한 벤치마크 승인 및 변경 관리 사이클 타임 : 해당 단계의 지연이 후속 공정 전반의 차질로 이어질 수 있다는 점에서 중요한 지표 중복 업무 발생률 : 시스템 간 데이터 재입력, 이해관계자별 보고서 재작성 등 비효율 발생 수준 핸드오버 시점의 자산 정보 완성도 : 운영 초기 단계의 리스크 최소화와 유지보수성 확보 수준 목표는 대시보드를 늘리는 것이 아니다. 정보를 신뢰할 수 있고, 구조화되어 있으며, 재활용 가능하게 만들어 납품 변동성 자체를 줄이는 것이다.   통합 플랫폼의 역할 이러한 흐름 속에서, 엔지니어링과 운영 정보를 통합하는 플랫폼이 데이터 파편화 해소의 수단으로 주목받고 있다. 옥타브는 설계·시공·운영 전반의 정보를 연결해 기업이 데이터 과잉 상태에서 의사결정 가능한 인사이트로 전환할 수 있도록 라이프사이클 전반의 인텔리전스를 지향한다. 이 접근 방식은 정보 흐름의 문제가 안전, 공기, 원가, 장기 성능으로 직결되는 복잡한 자산 집약적 환경을 위해 설계됐다. 핵심은 엔지니어의 판단을 대체하는 것이 아니다. 팀이 데이터를 신뢰하고 맥락을 파악하며 의사결정이 생애주기 전반에 걸쳐 어떻게 파급되는지 확인할 수 있도록 함으로써, 엔지니어링 판단을 더 빠르고 정확하게 적용할 수 있게 하는 것이다.   프로젝트 생산성 향상을 위한 실질적 출발점 지금 당장 변화를 추진하려는 리더라면 몇 가지 실용적인 조치부터 시작할 수 있다. 먼저 정보 흐름을 프로젝트 수행 리스크와 연결해 살펴봐야 한다. 분산된 정보가 재작업, 일정 지연, 또는 컴플라이언스 미준수 가능성을 높이는 지점이 어디인지 파악하는 것이 우선이다. 또한 핵심 문서와 자산 데이터가 관리되는 기준 정보 시스템(system of record)의 수를 줄여야 한다. 딜로이트 연구가 보여주듯 데이터 환경이 지나치게 분산될수록 복잡성은 빠르게 증가하며, 이는 생산성과 의사결정 효율 저하로 이어질 수 있다. 아울러 절감된 시간과 감소한 업무 변동성을 지속적으로 측정하는 것도 중요하다. 인력 확보가 쉽지 않은 시장에서 시간은 곧 조직의 역량이기 때문이다. 한국건설산업연구원 역시 건설업 전반에 걸쳐 인력 제약이 지속되고 있다고 지적한 바 있다. 한국 EPC 산업은 복잡성이 저절로 해소되기를 기다려서는 오늘날의 프로젝트 수행 과제를 해결할 수 없다. 그러나 방향을 전환하는 것은 가능하다. 정보를 생산성 자산으로 인식하고 생애주기 전반에 걸쳐 체계적으로 관리한다면, 이를 측정 가능한 시간 절감과 향상된 리스크 관리, 그리고 더욱 높은 프로젝트 수행 확실성으로 연결할 수 있을 것이다.   ■ 이민수 옥타브 Design and Build Business Unit 영업이사     ■ 기사 내용은 PDF로도 제공됩니다.

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.