데이터 사일로 해소부터 거버넌스 수립까지, 전사 협업의 효율 혁신   본격적인 3D 협업을 위한 첫 단추는 흩어진 데이터를 효율적으로 통합하는 팀 환경을 구축하는 것이다. 이번 호에서는 공통 라이브러리에 모든 3D 데이터 소스를 연결하고, 엔지니어링부터 운영 단계까지 모든 팀이 3D 애셋에 안전하게 접근하면서 데이터 임포트 시 정보 손실을 최소화하는 방법을 소개한다. 목표는 새로운 툴을 배포하는 것 자체가 아니라, 부가 가치를 창출하지 않는 작업에 소요되는 시간을 줄이고 액세스 권한 및 규정 준수 정책을 적용할 때 발생하는 불필요한 관리 복잡성을 없애는 것이다. ■ 자료 제공 : 유니티 코리아     대부분의 산업 팀은 방대한 3D 애셋 데이터를 보유하고 있지만, 이러한 데이터는 여러 사일로에 분산되어 서로 다른 조직이 소유하고 있어 재사용하기가 어렵다. 이와 관련해 데이터가 서로 다른 곳에 있으면 사람들은 서로 다른 사실을 기반으로 결정을 내리게 되기 때문에 문제가 발생한다. 예를 들어, 교육 담당자는 엔지니어링 팀에서 이전에 라인 레이아웃을 업데이트했다는 사실을 모르고 신입 직원에게 VR 시뮬레이션을 그대로 제공할 수 있다. 결국 교육 담당자는 교육을 중단하고 최신 데이터를 반영하여 업데이트하거나, 신뢰할 수 없는 콘텐츠로 교육을 계속 진행할 수밖에 없다. 둘 다 시간과 신뢰성 면에서 비용이 발생하게 된다. 해결책은 모든 3D 애셋을 위한 단일 저장소를 구축하여 계층 구조와 메타데이터를 온전히 유지하면서, 필요한 사람에게만 승인된 모델에 대한 액세스 권한을 부여하는 것이다. 모두가 동일한 라이브러리에서 애셋을 가져오면 버전 불일치가 해결되고 재작업의 필요성이 없어지며, 누가 무엇을 변경했는지에 대한 가시성도 확보할 수 있다.   단절의 원인 : 분산된 데이터와 중복 작업 산업 데이터는 어디에나 존재하지만, 서로 연결되어 있는 경우는 별로 없다. 유니티의 산업 부문 수석 부사장 겸 제너럴 매니저인 사라 래시는 “디자이너나 건축가는 CAD나 BIM(건설 정보 모델링)에 액세스할 수 있지만, 엔지니어는 해당 소프트웨어를 사용하지 않는 경우가 있어 결국 팀이 모델을 처음부터 다시 만드는 상황이 발생한다”고 전했다. 이런 사일로(silo) 현상은 운영 또는 기술적 격차로 인해 발생하는 경우가 많다. 예를 들어 엔지니어링 팀은 CAD 파일을 PLM(제품 수명주기 관리) 시스템에 저장할 수 있는 반면, 다른 팀은 사본을 별도의 드라이브나 앱으로 익스포트하므로 결국 동일한 애셋의 여러 버전이 존재하게 된다. 래시 수석 부사장은 “가장 흔한 문제는 동일한 모델의 두 가지 다른 버전으로 작업하는 것이다. 이러면 사실상 재작업을 할 수밖에 없게 된다”고 말했다. 어쩔 수 없이 여러 플랫폼, 툴, 포맷을 사용해야 하는 경우도 많지만, 이는 애셋을 추적하고 공유하는 작업을 어렵게 만든다. 그 결과 생산성이 저하되고 올바른 애셋을 찾는 데 몇 시간씩 허비하게 되며, 어떤 것이 정확한 버전인지 쉽게 알 수 없기 때문에 이미 존재하는 애셋을 다시 만드는 일까지 발생한다. 유니티 산업 고객 성공 부문의 시니어 디렉터인 헤닝 린은 “중복의 위험이 높으면 재작업이 필요한 경우가 많아진다. 애셋이 서로 일치하지 않고 팀이 동일한 소스 파일로 작업하지 않기 때문”이라고 설명했다. 이러한 불일치는 교육이나 납품 같은 후속 단계에서 드러나며, 이는 재작업, 일정 지연, 일관성 없는 경험으로 이어져 애셋 관리의 복잡성을 키운다. 그러나 그로 인한 대가는 기술적인 영역에 그치지 않는다. 이는 부서 간 신뢰뿐만 아니라 브랜드와 고객 간의 신뢰까지 약화시킬 수 있다. 결국 교육 담당자는 신규 직원을 위한 온보딩이 길어지고 일관성이 없어지더라도, 오래 되거나 검증되지 않은 모델로 세션을 시작하는 것을 피하고 싶어 한다. 다른 팀은 생산성을 유지하기 위해 ‘섀도(shadow)’ 라이브러리를 구축하게 되고, IT 팀은 통제되지 않는 환경을 보호하고 관리하느라 분주해진다. 이처럼 공통된 기반이 없으면 모든 신규 프로젝트를 처음부터 다시 시작해야 한다.   연결 대상 : 중요한 데이터를 보존하는 중앙화된 저장소 구축 3D 애셋 라이브러리는 여러 툴과 플랫폼에 걸쳐 있을 가능성이 높기 때문에, 기존에 보유한 모델을 활용하려면 먼저 유니티 애셋 매니저(Unity Asset Manager)와 같이 중앙화된 저장소로 모든 데이터를 임포트해야 한다. 이렇게 하면 이미 보유하고 있는 애셋을 다시 만들 필요가 없다. 린 시니어 디렉터는 “유니티를 활용하면 관련된 모든 데이터를 선호하는 방식으로 높은 품질을 유지하며 임포트할 수 있다. 사실상 업계에서 유니티가 지원하지 못하는 파일 포맷은 거의 없다”면서, “데이터를 통합된 포맷으로 변환하고, 필요에 따라 보강하며 모든 변경 사항을 추적하면 애셋의 전체 라이프사이클 동안 관리가 훨씬 쉬워진다”고 전했다.     데이터를 통합하기 전에, 무엇을 왜 연결하는지를 먼저 이해해야 한다. 대부분의 산업용 3D 파이프라인은 구조와 우선순위가 서로 다른 네 가지 주요 데이터 소스에서 데이터를 가져온다. CAD 모델은 보통 PLM 시스템에 저장되며 부품, 어셈블리, 기계적 프로퍼티에 대한 기본 기준이 되는 데이터 소스이다. BIM 모델은 건물 및 인프라 데이터를 포함하고, 풍부한 공간 및 규정 준수 관련 메타데이터를 갖추고 있으며, 보통 BIM 소프트웨어나 AEC   (건축, 엔지니어링 및 건설) 저장소에 저장된다. 디지털 콘텐츠 제작 툴에서 생성된 메시는 마케팅, 교육, 사용자 경험 등의 영역에서 사용되는 시각화 애셋을 포함하며, 기술적 디테일보다는 시각적 정확도에 최적화된 경우가 많다. XR(확장현실) 및 VR(가상현실) 애플리케이션에서 흔히 사용되는 포인트 클라우드(점군)와 스캔 데이터는 레이저 스캐닝이나 사진 측량 등을 통해 캡처된 데이터를 포함한다. 각 소스는 동일한 실물 애셋(제품, 어셈블리 라인, 전체 시설)을 서로 다른 관점에서 표현한다. 여기에는 기능, 공간, 형상이 포함되며, XR용 포인트 클라우드의 경우 실제로 구축된 물리적 상태가 이에 해당한다. 애셋 라이브러리 규모에 따라 우선순위를 정해야 하므로 팀에서 가장 많이 재사용하는 모델부터 시작하는 것이 좋다. 출처와 관계 없이 공통으로 필요한 사항은 임포트 과정에서 컨텍스트를 유지하는 것이다. 중요한 메타데이터가 손실되면 결국 재작업을 진행해야 하기 때문이다. 임포트 전에는 절대 손실되어서는 안 되는 메타데이터 필드를 식별한다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하도록 해야 한다”고 덧붙였다. 일부 필드는 항상 온전하게 유지되어야 한다. 부품 번호, 버전 코드 또는 고유 ID와 같은 식별자를 사용하면 애셋의 진위 여부를 확인하기 위해 원본 소스로 추적하는 작업이 더 쉬워진다. 병합된 메시가 아닌 계층 구조 및 그룹 메타데이터는 부품이 어떻게 결합되는지, 시설이 어떻게 구성되는지를 보여 주며, 엔지니어가 필요에 따라 부품을 분리하거나 교체할 수 있도록 돕는다. 밀도나 인장 강도와 같은 머티리얼 및 단위 정보, 이름이나 공급업체와 같은 설명 정보를 활용하면 애셋이 올바른 형상과 동작을 유지하도록 할 수 있다. 이러한 세부 정보를 보존하면 모델을 다양한 애플리케이션 전반에서 유용하게 사용할 수 있지만, 그렇지 않으면 목적과 단절된 단순 참고용 이미지에 불과하게 된다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하게 만들어야 한다”고 조언했다.     애셋 임포트를 위한 처리 애셋은 임포트 전과 임포트 과정에서 적절한 가공을 거쳐야 하며, 저장소의 상태를 양호하게 유지하기 위해 피해야 할 몇 가지 일반적인 함정이 있다. 이는 3D 데이터 세트가 극도로 복잡해질 수 있는 대규모 제조나 건설 분야에서 특히 중요하다. 예를 들어, 공장 전체의 디지털 트윈이나 자동차의 전체 모델은 수만 개, 혹은 수십만 개의 부품으로 구성될 수 있다. 이 경우 가장 강력한 소프트웨어와 하드웨어에도 부담이 가해질 수 있기 때문에 마이크로칩, 커넥터, 기계 부품과 같은 더 작은 논리적 그룹으로 분해하면 임포트 작업을 효율적으로 관리할 수 있다. 유니티의 애셋 트랜스포머 툴킷(Asset Transformer Toolkit)과 같이 3D 데이터를 준비하는 소프트웨어는 널리 사용되는 다양한 CAD 및 BIM 포맷을 지원하고, 구조와 메타데이터를 보존하며, 필요에 따라 임포트 과정에서 모델을 자동으로 단순화하고 표준화함으로써 이러한 과제를 해결하도록 설계되었다. 예를 들어, 직원 교육을 위한 XR 시뮬레이션과 같은 실시간 활용 사례에서는 원본 CAD 파일에 포함된 모든 볼트나 리벳이 필요하지 않다. 여기서 중요한 것은 작업을 수행하는 데 충분한 현실감의 수준이다. 린 시니어 디렉터는 “최종 활용 지점에 따라 폴리곤 수를 소폭에서 최대 90%까지 줄일 수 있다”고 밝혔다.   ▲ 유니티 애셋 트랜스포머 플러그인   목표는 성능과 사용성을 최적화하기 위해 모델을 최대한 가볍게 유지하는 것이다. 교육 및 시뮬레이션 활용 사례에서는 매끄러운 프레임 속도를 유지하면서 최대한 높은 시각적 정확도를 달성하는 것이 목표이다. 헤드셋의 새로고침 속도와 일치하는 안정적인 프레임 속도를 목표로 해야 하며, 그보다 낮을 경우 사용자에게 불편함을 줄 수 있다. 3D 협업 및 디자인 리뷰에서는 일반적으로 엔지니어가 체결 요소나 인터페이스 등을 검토할 수 있도록 높은 기능적 디테일을 요구한다. 높은 폴리곤 수에 대한 부담을 더 원활하게 관리할 수 있도록, 가까운 거리에서만 렌더링되는 하위 어셈블리에 디테일 수준(LOD)을 사용하는 것이 좋다. 임베디드 시스템 및 산업 제어 장치와 같은 인간–기계 인터페이스는 그래픽 처리 성능이 제한적인 경우가 많으므로, 최대한 낮은 복잡도를 목표로 하고 미리 베이크된 조명과 단순한 셰이더를 사용하는 것이 좋다. 고객 경험 애플리케이션은 타깃 기기의 다양성이 매우 크기 때문에 최적화가 어려울 수 있다. 시각적 정확도와 로딩 시간 사이의 균형을 목표로 하고, 중간급 사양의 모바일 기기와 주요 웹 브라우저에서 검증해야 한다. 일반적인 원칙으로는, 지원 계획이 있는 기기 중에서 가장 성능이 낮은 기기를 기준으로 단순화된 모델부터 테스트하는 것이 좋다. 그 후 성능이 허용하는 범위 내에서만 디테일을 추가하여 배포 후 모델이 과도하게 커져 수정해야 하는 상황을 피해야 한다. 예를 들어 임포트 단계에서 LOD를 생성하면 모든 애셋이 확장 가능한 디테일을 갖추게 되어, 향후 더 다양한 기기와 활용 사례에 유연하게 대응할 수 있다. 다만, 보편적으로 정해진 올바른 폴리곤 수는 없다. 중요한 것은 타깃 기기에서 프레임 속도와 로딩 시간 목표를 안정적으로 달성하는 방법이다. 린 시니어 디렉터는 “같은 애셋이라도 폴리곤 수는 수백만 개에서 수십만 개까지 줄어들 수 있다. 중요한 것은 모든 메타데이터가 연결된 동일한 소스 파일을 계속 사용하고 있다는 것”라고 전했다.   ▲ 제공 : HERE HMI   활용성 갖추기 : 거버넌스, 접근성 및 버전 관리 구축 애셋을 임포트하고 적절한 크기로 조정하고 나면, 다음 단계는 필요한 모든 역할에서 애셋에 안전하게 액세스하고 애셋을 쉽게 찾을 수 있도록 만드는 것이다. 이때 목표는 팀이 애셋을 어디서 찾아야 하는지 명확히 알면서도 관련 없는 애셋으로 인해 부담을 느끼지 않도록 하는 단일 라이브러리를 선별하는 것이다. 이를 위해서는 업무 속도를 저해하지 않으면서도 모든 업데이트가 프로젝트 전반에 반영되도록 완전한 감사 추적을 유지할 수 있는 권한 기반의 액세스 모델이 필요하다.   RBAC(역할 기반 액세스 제어) 린 시니어 디렉터는 “보통은 애셋의 임포트와 생성을 감독하는 관리자가 있고, 그 아래에 작업자와 검토자 역할이 있으면 충분하다”면서, 액세스 권한을 단순하게 유지할 것을 권장했다. 예를 들면 관리자는 구조와 표준을 정의하고, 사용자와 리텐션을 관리하며, 버전을 승인하거나 아카이브 처리할 수 있다. 이 사용자 그룹은 가능한 한 작게 유지하는 것이 좋다.     그 다음 계층에는 디자이너, 작업자, 편집자가 있을 수 있다. 이들은 새로운 애셋을 임포트하고 메타데이터를 편집하며 업데이트를 게시할 수 있으며, 필요 시 관리자 승인을 받아 작업을 수행할 수 있다. 이들이 라이브러리를 일상적으로 유지 관리하게 된다. 마지막으로 소비자 역할이 있는 직원은 승인된 애셋을 검색, 미리 보기 및 다운로드할 수 있지만, 수정하거나 게시할 수는 없다. 역할 기반 액세스 제어는 보안 측면에서도 매우 중요하다. 많은 산업용 3D 애셋 라이브러리에는 매우 민감한 정보가 포함되어 있으며, 그 중 일부는 규제 대상이 되기도 한다. 예를 들어 정부, 항공우주 또는 방위 분야의 수출 통제 설계 데이터는 엄격한 ‘알아야 할 필요성(need-to-know)’ 원칙, 완전한 감사 용이성, 엄격히 통제된 환경에서의 배포를 요구하는 연방 규정을 준수해야 한다. 린 시니어 디렉터는 규제가 엄격한 산업에서 운영하는 경우 가상 프라이빗 클라우드 배포를 사용할 것을 권장했다. 산업 분야와 관계 없이 반드시 지켜야 하는 내용은 다음과 같다. 항상 최소 권한의 원칙을 기본으로 하는 RBAC를 사용한다. 사용하는 플랫폼에서 전송 중인 데이터와 저장된 데이터를 모두 암호화한다. 버전별로 포괄적인 감사 로그와 승인 상태를 유지한다. 민감한 작업을 위해 프로젝트를 분리하고, 필요할 경우 데이터 상주 옵션을 적용한다.   ▲ 유니티 애셋 매니저 웹 인터페이스   버전 관리 및 감사 용이성 거버넌스는 보안과 규정 준수만을 의미하는 것이 아니라, 액세스와 활용을 용이하게 하기 위한 애셋 관리 표준화도 포함한다. 실제로 대부분의 거버넌스 문제는 모두가 모든 것을 바꿀 수 있거나, 누구도 아무것도 바꿀 수 없는 두 가지 극단적인 상황 중 하나에서 발생한다. 예를 들어, 교육 담당자가 엔지니어링 팀이 막 승인한 모델을 덮어쓸 수도 있다. 이는 반드시 부주의 때문이라기보다는, 대부분 명확한 버전 관리 체계의 부재로 인해 발생한다. 린 시니어 디렉터는 “동일한 애셋의 여러 브랜치 버전이 존재하는 경우가 많다. 이 모든 것을 일관적이고 표준화된 방식으로 관리해야 한다”고 조언했다. 여기서 버전 관리가 중요한 역할을 한다. 목표는 변경 사항이 명확하고, 되돌릴 수 있으며, 확실한 의도를 가지고 이루어지도록 하는 것이다. 결국 활용 가능한 애셋 라이브러리는 정기적으로 변경될 수밖에 없다. 공장의 디지털 트윈은 매주 레이아웃이 조금씩 조정될 수 있고, 교육 프로그램은 차세대 XR 헤드셋 출시를 앞두고 새로운 모델로 업데이트될 수 있다. 선형적인 버전 이력(v1.0, v1.1 등)과 애셋 상태(초안, 검토 중, 승인됨, 폐기됨 등)를 적용하여, 라이브러리를 계속해서 변화하는 SSOT(Single Source of Truth)로 관리해야 한다. 많은 산업 환경에서 엔지니어링 팀은 공식 설계를 위한 원본 CAD 파일을 유지 관리한다. 그러나 시각화 또는 교육 팀은 일반적으로 특정 목적에 맞게 최적화된 동일한 모델의 실시간 버전을 사용한다. 이러한 애셋은 병합이 아니라 연결되어야 하며, 그렇지 않으면 시각화용 모델이 어떤 CAD 버전에서 파생되었는지 알 수가 없다. 예를 들면 엔지니어링 팀이 도면을 업데이트하더라도 몇 달 전에 제작된 교육용 모델에는 이전 버전이 그대로 반영되어 있을 수 있으며, 이 사실을 아무도 모를 수 있다. 이는 감사 용이성을 훼손하고 잘못된 설정으로 학습하는 등의 오류로 이어질 수 있다는 점에서 문제가 된다. 모델 변형(variant)의 경우, 단순히 새로운 이름으로 복사본을 만드는 대신 해당 범위와 목적에 따라 태그를 지정하는 것이 좋다. 예를 들어 자동차 제조업체는 지리적 지역, 운전석 위치 폼 팩터 기준으로 태그를 지정할 수 있다. 이렇게 하면 기본 부품이 변경될 때 어떤 변형을 업데이트해야 하는지 정확히 알 수 있다. 마찬가지로 교육에 사용되는 단순화된 모델과 같은 특정 기본 모델의 파생 모델이 있다면, 이를 파생 모델로 표시하되 원본 소스와 해당 CAD 수정 버전에 대한 참조를 유지해야 한다. 이렇게 하면 교육 담당자가 XR/VR 시뮬레이션에 사용되는 단순화된 메시를 엔지니어링 팀의 공식 원본과 혼동하지 않게 된다. 물론 이처럼 세분화된 수준의 버전 관리도 사용성을 높이는 데 매우 중요하지만, 대규모로 구현하기는 매우 어렵기 때문에 자동화가 필수이다. 최신 3D 애셋 매니저(3D Asset Manager)는 일반적으로 대량 작업을 수행하기 위한 커맨드 라인 인터페이스(CLI)뿐만 아니라 새로 임포트 또는 업데이트된 애셋에 대한 메타데이터, 미리보기 및 태그를 생성하는 이벤트 기반 자동화 기능을 포함한다.   ▲ 애셋 매니저 팩토리   적절한 애셋 매니저를 통해 수행할 수 있는 운영 변경 사항의 간단한 체크리스트는 다음과 같다. 관리자, 작업자, 소비자로 구성된 3 역할 모델을 도입한다. 추가 승인이 필요한 프로젝트에는 승인 역할을 추가한다. 애셋 ID, 수정 번호, 원본 소스, 소유자 및 승인 상태와 같은 필수 메타데이터 필드를 매핑하고, 대부분의 사용자에게 기본적으로 승인된 뷰를 설정한다. 배리언트 및 파생 모델에 명확한 레이블을 지정하고 가능한 경우 업데이트를 자동화하여, CAD 수정 버전을 해당 실시간 대응 항목과 연결한다.   시작하기 : 30일 체크리스트 애셋을 임포트, 최적화 및 관리하고 나면 마지막 단계는 새로운 시스템을 일상 업무에 적용하는 것이다. 그런 다음 교육, 제품 개발, 고객 경험 또는 그 밖의 목적으로 실제 비즈니스 성과를 창출하는 몰입형 경험을 만들어 통합 3D 애셋 라이브러리의 가치를 빠르게 입증할 수 있다. 30일 이내에 수행할 수 있는 작업을 간단히 요약하면 다음과 같다. 데이터 소스와 해당 소유자를 목록화한다. 파일럿으로 진행할 대표 모델 한두 개를 선정한다. 보존할 메타데이터 필드를 결정한다. 임포트 과정을 테스트하여 게시 사이클을 최적화한다. 액세스 제어 및 감사 추적을 설정한다.     ■ 기사 내용은 PDF로도 제공됩니다.

SIMTOS 2026 기간 중 캐드앤그래픽스 주관으로 4월 16일~17일 진행된 ‘피지컬 AI&디지털 트윈 컨퍼런스’와 ‘뿌리산업&소부장 컨퍼런스’에서는 디지털 트윈과 피지컬 AI(physical AI)를 중심으로 제조산업의 디지털 전환과 자율 제조의 비전을 공유했다. 이번 행사는 AI(인공지능) 기술을 융합하여 현장의 숙련된 노하우를 데이터화하며, 스스로 판단하고 실행하는 지능형 생산 체계를 향한 근본적인 체질 개선 방안을 집중적으로 논의했다. 또한 제조산업의 AX(인공지능 전환) 실행 전략과 소부장(소재·부품·장비) 산업의 생존을 위한 R&D 정책 방향이 제시되었다. ■ 정수진 편집장     한국공작기계산업협회의 김현무 선임본부장은 개회사를 통해 오늘날 제조업이 마주한 거대한 변화의 물결을 짚었다. “최근 제조업계는 디지털 트윈과 피지컬 AI를 중심으로 그 어느 때보다 빠르게 디지털 전환을 맞이하고 있다. 현실의 생산 환경을 가상 공간에 정밀하게 구현하고 AI가 스스로 판단해 최적화하는 자율 제조 시스템은 이제 선택이 아닌 필수가 되었다”라고 전한 김현무 선임본부장은 “공작기계는 여전히 제조의 심장이다. 아무리 첨단 기술이 고도화되고 AI가 제조 분야의 의사결정을 주도하더라도, 이를 실제 현실에서 제품으로 구현해 내는 물리적인 바탕은 결국 공작기계”라고 역설했다. 또한, “앞으로 우리 제조업의 경쟁력은 이러한 디지털 기술과 공작 기술이 얼마나 높은 수준으로 융합되는지에 따라 판가름 날 것”이라고 전망했다.   ▲ 한국공작기계산업협회 김현무 선임본부장   피지컬 AI·디지털 트윈으로 실현하는 자율 제조의 미래 4월 16일에는 ‘피지컬 AI&디지털 트윈 컨퍼런스’가 진행됐다. 다섯 편의 발표에서는 단순한 자동화를 넘어 로봇이 인간의 숙련도를 학습하고 스스로 최적의 의사결정을 내리는 피지컬 AI와 이를 뒷받침하는 디지털 트윈 기술의 융합 사례가 다뤄졌다. 로봇, 자동차, 조선 등 각 분야의 전문가들은 파편화된 데이터를 통합하고 일하는 방식 자체를 혁신해야만 진정한 자율 제조 생태계를 구축할 수 있다고 입을 모았다.   ▲ 한국로봇산업진흥원 전진우 수석연구원   한국로봇산업진흥원 제조로봇본부의 전진우 수석연구원은 ‘피지컬 AI의 부상, 제조 강국의 길’을 주제로 한 발표에서, 피지컬 AI가 주도할 제조 산업의 미래를 조명했다. 그는 인공지능이 내린 똑똑한 판단을 실제 물리적인 행동으로 연결하는 것이 피지컬 AI의 핵심이라고 강조했다. “세상의 모든 제조 환경과 인프라가 인간을 기준으로 설계되어 있기 때문에, 사람의 형태를 한 휴머노이드 로봇이 가장 경제적이고 효율적인 실행 도구가 될 수밖에 없다”는 것이 전진우 수석연구원의 분석이다. 한편으로 그는 “제조 AX(인공지능 전환)는 로봇을 도입하는 것으로 그치지 않는다”면서, 눈앞에 보이는 로봇 하드웨어의 도입에만 집착해서는 안 된다는 충고도 전했다. 진정한 제조 혁신을 위해서는 일하는 방식 자체를 근본적으로 바꿔야 한다는 것이다. 구체적으로는 현장 장인들의 숙련된 솜씨와 암묵적인 노하우를 다중 감각 데이터로 변환하고 기록하여 로봇의 뇌를 구축하는 작업이 반드시 선행되어야 한다. 전진우 수석연구원은 “다가올 피지컬 AI 시대의 진정한 승부처는 단단한 기계 장비가 아니라, 로봇을 똑똑하게 움직이게 할 양질의 현장 데이터를 어떻게 수집하고 자산화할 것인지 치열하게 고민하는 데 달려 있다”고 조언했다.   ▲ 현대자동차·기아 이현우 팀장   현대자동차·기아의 이현우 팀장은 ‘피지컬 AI와 디지털 트윈을 통한 자율제조혁신’을 주제로 AI 기반 자율 제조를 향한 혁신의 여정을 소개했다. 그는 자율 제조 공장이라는 자동차 제조 산업의 새로운 변화와 함께, 피지컬 AI 및 디지털 트윈을 융합한 자율 제조 혁신이라는 비전을 소개했다.   ▲ HD한국조선해양 이태진 전무   HD한국조선해양의 이태진 전무는 ‘조선 미래를 위한 차세대 설계/생산 통합 플랫폼과 피지컬 AI’를 주제로 발표를 진행했다. 인력난과 복잡해진 선박 건조 환경을 극복할 해법으로 미래형 조선소의 청사진을 제시한 이태진 전무는 “디지털 매뉴팩처링, 디지털 트윈, 피지컬 AI의 세 가지 키워드가 삼위일체되는 것이 지능형 자율운영 조선소의 핵심”이라고 강조했다. 가상 공간의 시뮬레이션 결과가 실제 현장에서 피지컬 AI의 행동으로 이어지고, 디지털 트윈이 두 세계를 빈틈없이 연결해야 진정한 자율 제조가 완성된다는 것이다. 이를 위한 우선 과제로는 파편화된 데이터의 통합이 꼽힌다. 이질적인 시스템의 언어를 온톨로지(ontology) 기술로 하나로 묶어내 단일한 진실의 원천(single source of truth)을 만들어야만 AI가 상황을 정확히 인지하고 올바른 의사결정을 내릴 수 있다는 것이 이태진 전무의 설명이다. 그는 “거대한 야드 위 수많은 로봇과 설비가 충돌 없이 조화롭게 일하는 완벽한 오케스트레이션(orchestration)을 구현하는 것이 대한민국 조선업의 압도적 경쟁력을 지켜낼 열쇠가 될 것”이라고 전했다.   ▲ 한국산업기술기획평가원 김성호 본부장   한국산업기술기획평가원(KEIT)의 김성호 본부장은 ‘제조 AX(M.AX) 얼라이언스 구성·성과 및 운영방향’에 대해 소개하면서, 대한민국 제조업의 강점을 결집하고 지능화된 산업 생태계를 구축하겠다는 비전을 제시했다. 1300개가 넘는 기관이 참여하는 M.AX 얼라이언스(맥스 얼라이언스)는 자동차, 로봇, 조선, 반도체 등 핵심 분야별로 특화된 AI 모델과 하드웨어 기술력을 확보하는 데 주력하고 있다. 김성호 본부장은 데이터 수집부터 기술 개발, 제품 실증에 이르는 전 주기의 로드맵을 설명했다. 특히 2026년에는 약 1조 1000억 원 규모의 예산이 투입되어 ‘AI 팩토리 선도 프로젝트’와 단기 상용화 사업인 ‘AI 스프린트’ 등이 가속화될 전망이다. 또한 민간 투자를 유도하기 위한 국민성장펀드 협력 체계와 GPU 등 필수 인프라 지원책을 병행하여 기업들이 글로벌 시장에서 경쟁력을 갖출 수 있는 토양을 마련한다. 김성호 본부장은 “궁극적으로 맥스 얼라이언스는 개별 기업의 성공을 넘어 제조 AX 세계 최강국으로 도약하기 위한 핵심 거점 역할을 수행할 것”이라고 밝혔다.   ▲ KAIST 장영재 교수   KAIST의 장영재 교수는 ‘제조 피지컬 AI & 제조 자동화’를 주제로 한 발표에서, 다수의 이기종 로봇이 조화롭게 협업하는 무인 공장 통합 운영 시스템인 ‘카이로스’를 소개하면서 제조 피지컬 AI의 실질적인 적용 방안을 제시했다. 과거에는 개별 장비나 로봇 자체의 지능 고도화에만 집중했지만, 실제 생산 현장에서는 수많은 기계가 서로 얽히며 예상치 못한 충돌과 병목 현상이 발생할 수밖에 없다. 장영재 교수는 “이를 근본적으로 해결하기 위해 탄생한 카이로스는 공장 전체의 맥락을 조망하며, 인공지능이 스스로 상황을 판단하고 작업을 지시하는 거대한 ‘공장 운영체제’ 역할을 수행한다”고 설명했다. 또한, 장영재 교수는 “첨단 기술의 도입이 단순한 보여주기식에 그쳐서는 안 된다”면서, “결국 진정한 제조 혁신은 파편화된 AI 기술의 나열이 아니라 공장 전체의 운영 흐름을 통합적으로 통제하는 데서 시작한다”고 전했다. 또한, 스마트폰 앱을 내려받듯이 소프트웨어 업데이트만으로 기계의 성능이 끊임없이 진화하는 소프트웨어 중심의 아키텍처로 탈바꿈하는 근본적인 체질 개선을 거쳐야 제조 혁신이 완성될 수 있다고 덧붙였다.   ■ 같이 보기 : [포커스] 글로벌 공급망 위기 돌파구, 소부장 및 뿌리산업의 AX 전략     ■ 기사 내용은 PDF로도 제공됩니다.

‘2026 제조 고객을 위한 AWS 파트너 AI 클라우드 설루션 콘퍼런스’가 지난 3월 27일 진행됐다. 에티버스와 AWS(아마존웹서비스)가 주최한 이번 콘퍼런스에서는 ‘제조 산업의 인공지능 전환(AX)’을 주제로 AI(인공지능)가 물리적 현장을 직접 제어하는 ‘피지컬 AI(physical AI)’와 스스로 판단하는 자율 공장으로의 패러다임 변화를 짚었다. 그리고 제조 AX의 골든타임을 맞아 미래 제조 전략의 청사진을 제시했다. ■ 정수진 편집장     분석을 넘어 실행으로, ‘피지컬 AI’의 등장 제조산업은 단순한 데이터 분석과 디지털 전환(DX)을 넘어 AI가 생산의 전 과정을 주도하는 자율 공장 시대로 진입하고 있다. 그 중심에 있는 피지컬 AI는 분석 도구에 머물렀던 기존 시스템과 달리 로봇이나 자율제어 물류 등 물리적 세계를 직접 이해하고 제어하는 역할을 맡는다. 특히 고령화와 저출산으로 인해 숙련된 현장 인력이 부족해진 상황에서, 피지컬 AI는 육체적으로 힘들고 반복적인 작업을 로봇이 대신하게 만들어 인간과 로봇이 협업하는 새로운 생태계를 조성할 수 있을 것으로 기대를 받고 있다. 하지만 이런 혁신 기술을 실제 제조 현장에 도입하기 위해서는 넘어야 할 과제가 있다. 가장 먼저 부딪히는 장벽은 데이터의 품질 확보와 IT 및 OT 시스템의 통합 문제다. 제조 현장에는 수많은 산업용 프로토콜이 혼재되어 있어 데이터 표준화가 필수이며, 고품질의 통합 데이터 없이는 피지컬 AI가 제대로 작동할 수 없다. 이와 함께 AI가 내린 결정의 근거를 명확히 추적하고 설명할 수 있는 거버넌스와 안전성 확보도 시급한 과제다. 현장에서는 IT와 OT, 그리고 AI를 동시에 이해하는 융합 인재가 부족하다는 점도 걸림돌이다. 이로 인해 소규모 파일럿 테스트에서는 훌륭한 성과를 내더라도 이를 전사 규모로 확산하는 단계에서 실패하는 경우가 발생한다. 나아가 노후화된 센서와 장비에서 AI 학습에 필요한 양질의 데이터를 확보하기 어려운 기존 현장의 한계를 극복하고, 대규모 로봇 운영과 시스템 유지에 따른 비용 증가 문제를 해결하기 위한 전략이 요구된다. 이번 행사는 기조연설을 포함해 스마트 제조, AX 전략, 데이터 보안 등 세 개의 세부 트랙으로 진행됐다. 피지컬 AI와 에이전틱 AI(agentic AI)같은 최첨단 기술이 실제 현장에 적용된 사례를 공유했으며, 생산성 향상과 비용 효율화를 위한 클라우드 기반의 로드맵과 설루션을 제시했다.   에이전틱 AI와 현장 실행 중심의 제조 혁신 급변하는 산업 환경 속에서 제조업은 단순한 디지털 전환을 넘어 AI가 생산 전 과정을 주도하는 시대로 나아가고 있다. AWS의 정승희 매니저는 “AI는 우리 생의 가장 혁신적인 기술이 될 것이며 일하는 방식 자체를 바꿀 것”이라는 아마존 앤디 재시 CEO의 발언을 인용하면서, 현장의 판도를 바꿀 핵심 기술로 에이전틱 AI와 피지컬 AI를 꼽았다. 정승희 매니저는 “AI가 비즈니스 운영체제처럼 작동해 복잡한 업무를 자동화하고, 반복적인 현장 노동은 로봇이 대신하며 스스로 장애를 감지하고 복구하는 자가 치유 능력을 갖출 수 있다”면서, “이 미래를 현실로 만들기 위해서는 데이터 품질 확보와 운영 시스템 통합, 융합 인재 부족이라는 만만치 않은 장벽을 먼저 넘어야 한다”고 짚었다. 또한, 정승희 매니저는 “완벽한 계획을 기다릴 것이 아니라, 작게 시작하고 검증하고 확대해야 한다”면서, 청사진에 매몰되기보다 소규모 파일럿 테스트부터 속도감 있게 실행할 것을 조언했다. 또한, 기업들이 클라우드 인프라와 파트너 생태계를 영리하게 활용한다면 혁신의 비용을 줄이고 성공적인 미래를 앞당길 수 있을 것이라고 덧붙였다.   ▲ AWS 정승희 매니저는 피지컬 AI가 산업의 게임 체인저가 되고 있다고 짚었다.   디지털 트윈과 데이터 통합의 시너지 추구 제조산업은 단순히 데이터를 분석하는 단계를 넘어 물리적 세계를 직접 실행하고 최적화하는 피지컬 AI 시대로 진입하고 있다. 지멘스 디지털 인더스트리 소프트웨어의 이수아 전략 부사장은 제품 설계부터 생산까지 전 과정을 연결해 글로벌 리더십을 확보하려는 기업들의 움직임이 빨라지고 있다고 분석했다. 하지만 현장에서는 여전히 AI의 신뢰성과 전문 인력 부족이라는 장벽이 존재한다. 이수아 부사장은 기업들의 현실적인 우려에 대해 “기업들은 AI가 정말 안전하고 사람이 개입하지 않아도 믿을 수 있는 것인지, 의사 결정을 맡겨도 되는 것인지에 대한 고민을 가지고 있다”면서, 데이터 기반 의사결정에 대한 신뢰성 검증의 필요성을 짚었다. 그리고, 이 과제를 해결하기 위해 파편화된 시스템을 연결하는 온톨로지(ontology) 기반의 데이터 통합과 산업에 특화된 파운데이션 모델(foundation model)의 도입을 제안했다. 또한, 복잡한 제조 환경을 가상 공간에 구현하는 디지털 트윈과 그 데이터의 흐름을 촘촘히 잇는 디지털 스레드(digital thread)가 필수라고 강조했다. 결국 가상과 현실을 완벽하게 동기화하는 탄탄한 인프라 혁신만이 성공적인 피지컬 AI 시대를 앞당기는 열쇠가 된다는 것이 이수아 부사장의 진단이다.   ▲ 지멘스 디지털 인더스트리 소프트웨어 이수아 부사장은 AI를 통해 제품 R&D를 가속화할 수 있다고 설명했다.   AI 팩토리의 본질은 ‘데이터 표준화’ 서울대학교 이정준 교수는 제조 현장에서 기존에 해오던 일에 데이터를 더해 분석하고, 이를 통해 생산성과 효율을 한층 높이는 과정으로서 ‘AI 팩토리’를 정의했다. 결국 AI는 제조산업이 원하는 가치를 얻기 위해 추가하는 강력한 도구에 불과하다는 것이다. 성공적인 AI 팩토리를 구현하기 위한 핵심 요소로 이정준 교수가 꼽은 것은 데이터이다. 제조 현장의 데이터는 IT와 OT 영역, 그리고 공장 밖의 공급망까지 넓게 퍼져 있지만, 서로 다른 규격과 프로토콜 탓에 이를 하나로 엮는 과정은 험난하다. 이를 해결할 열쇠로는 데이터의 표준화가 꼽힌다. 이정준 교수는 독일의 자산 관리 셸(Asset Administration Shell : AAS)과 같은 국제 표준 데이터 모델을 도입하면 파편화된 정보를 원활하게 통합할 수 있을 것이라고 소개했다. 이와 함께 현장에서 우려하는 기술 유출 문제를 막기 위해 데이터 주권과 신뢰성을 보장하는 데이터스페이스(dataspace)의 구축도 과제다. 이정준 교수는 눈앞의 화려한 기술보다 탄탄한 데이터 표준화가 우선되어야 한다고 전했다.   ▲ SK AX의 안상만 부사장은 AI를 위한 IT 인프라의 재설계 방향을 제시했다.   자율 공장 완성할 유연한 클라우드 인프라 제조산업의 패러다임은 단순한 공정 자동화를 넘어 인간과 AI가 공존하며 스스로 판단을 내리는 자율 의사결정 시대로 진화하고 있다. SK AX의 안상만 부사장은 이러한 제조 현장의 변화를 이끌기 위해 가장 먼저 근본적인 IT의 뼈대를 새로 짜야 한다고 짚었다. “과거의 무겁고 경직된 시스템에서 벗어나 클라우드 기반의 유연한 서비스 환경으로 탈바꿈해야만, 끊임없이 쏟아지는 현장의 데이터를 하나의 플랫폼으로 매끄럽게 연결할 수 있다”는 것이다. 또한, 안상만 부사장은 “업무 프로세스와 데이터가 통합되지 않은 상태에서의 혁신은 사상누각”이라면서, AI 기술의 도입에 앞서 탄탄한 기본기가 우선되어야 한다고 강조했다. 그리고 AI 기술의 성공적인 안착을 위해서는 소규모 파일럿 테스트를 통해 빠르게 성공 모델을 만들고 이를 전사적으로 확산하는 전략이 필요하다고 짚었다. 현장의 데이터가 완벽하게 통합된 인프라 위에서 디지털 트윈과 버티컬 AI(vertical AI)가 결합될 때, AI가 현장 운영을 책임지는 자율 공장을 완성할 수 있다는 것이다.     ■ 기사 내용은 PDF로도 제공됩니다.

트렌드에서 얻은 것 No. 30   우리는 지금 AI를 사용하는 시대에 살고 있다고 말한다. 하지만 조금만 거리를 두고 바라보면, 그 말은 절반만 맞다. 지금의 우리는 AI를 능숙하게 활용하고 있는 것처럼 보이지만, 실제로는 여전히 그것을 하나의 도구처럼 다루고 있기 때문이다. 질문을 던지면 답을 받고, 코드를 요청하면 만들어주고, 문서를 부탁하면 정리해주는 방식은 분명 이전과 비교할 수 없을 정도로 강력한 변화이지만, 그 본질은 크게 달라지지 않았다. 여전히 판단은 사람이 하고, AI는 그 판단을 빠르게 실행하는 역할에 머물러 있기 때문이다. 이 구조는 익숙하고 안정적이지만, 동시에 분명한 한계를 갖는다. 인간이 모든 판단을 내려야 한다는 전제는 결국 속도와 복잡성의 벽에 부딪히게 된다. 그리고 지금, 우리는 그 한계를 넘어서는 변화의 초입에 서 있다. 최근 몇 년 사이 ‘AI 에이전트(AI agent)’라는 개념이 빠르게 확산된 것도 이러한 흐름의 일부다. 에이전트는 단순한 응답을 넘어 작업을 분해하고 도구를 연결하며 결과를 만들어내는 존재로 발전했다. 그러나 여전히 그 방향은 사람이 정한다는 점에서, 구조 자체는 크게 달라지지 않았다.   ▲ 화이트보드 이미지(제공 : 제미나이, by 류용효) (클릭하면 큰 이미지로 볼 수 있습니다.)   하지만 이 흐름은 지금 전혀 다른 방향으로 꺾이고 있다. 단순히 더 똑똑한 AI가 등장한 것이 아니라, AI의 역할 자체가 바뀌고 있기 때문이다. 이제 AI는 ‘무엇을 해야 하는가’를 판단하기 시작하고 있다. 그리고 이 변화는 전쟁과 같은 지정학적 위기, 공급망 붕괴, 에너지 가격 급등과 같은 현실의 변화와 맞물리면서 더욱 빠르게 가속되고 있다. 기업은 더 이상 느린 의사결정으로 버틸 수 없고, 실시간으로 판단하고 실행하는 능력을 요구받고 있다. 이러한 환경에서 등장한 것이 ‘판단하는 시스템(decision system)’이다. 자동화 시스템이 정해진 절차를 빠르게 수행하는 것이라면, 판단하는 시스템은 그 절차 자체를 선택한다. 어떤 선택이 최적인지, 어떤 리스크가 존재하는지, 어떤 자원을 어디에 배치해야 하는지를 스스로 결정한다. 이는 단순한 효율을 넘어, 기업의 생존과 직결되는 영역으로 확장되고 있다. 이 변화는 제조 현장에서 이미 현실이 되고 있다. APS(고급 생산 계획 및 스케줄링 시스템)는 단순한 계획 도구를 넘어 다양한 시나리오를 생성하고 최적의 선택을 제안하는 시스템으로 진화하고 있으며, 점점 더 스스로 실행하는 방향으로 발전하고 있다. 납기 지연을 예측하고 생산 순서를 조정하며 자원을 재배치하는 기능은 더 이상 미래의 이야기가 아니다. 이 흐름은 자연스럽게 피지컬 AI(physical AI)와 로봇으로 이어진다. 디지털 공간에서 이루어지던 판단이 이제 물리적 세계로 확장되고 있는 것이다. 기존의 산업용 로봇이 정해진 동작을 반복하는 기계였다면, 앞으로의 로봇은 상황을 인식하고 판단하며 행동을 바꾸는 존재로 진화한다. 이는 단순한 자동화가 아니라, ‘판단하는 물리 시스템’으로의 전환을 의미한다. 특히 전쟁이나 공급망 위기 상황에서는 이러한 시스템이 더욱 큰 가치를 가진다. 어느 공장을 먼저 가동해야 하는지, 어떤 부품을 대체해야 하는지, 물류를 어떻게 재구성해야 하는지와 같은 문제는 더 이상 사람의 경험만으로 해결할 수 없는 영역이 되었기 때문이다. PLM 역시 이러한 변화의 중심으로 이동하고 있다. 과거의 PLM이 설계 데이터를 관리하는 시스템이었다면, 이제는 판단을 지원하는 지식 기반 플랫폼으로 진화하고 있다. 설계, 생산, 품질, 공급망 데이터가 연결되고, 그 위에서 AI가 판단을 수행하는 구조가 만들어지고 있다. 특히 3D 유사도 기반 기술은 이미 판단의 일부를 시스템이 담당하기 시작했음을 보여주는 대표적인 사례다. 그렇다면 이 변화 속에서 사람은 무엇을 해야 하는가. 이 질문에 대한 답을 찾기 위해 최근 많이 언급되는 개념이 바로 ‘바이브코딩’이다. 비개발자도 AI를 활용해 코드를 생성하고, 간단한 서비스를 구현할 수 있는 시대가 열리면서 많은 사람들이 개발의 문턱을 넘기 시작했다. 실제로 개인의 생산성과 아이디어 구현 속도는 과거와 비교할 수 없을 정도로 빨라졌다. 하지만 여기에는 분명한 현실도 존재한다. 기업용 시스템의 영역에서는 상황이 다르다. 여전히 복잡한 데이터 구조, 안정성, 보안, 성능, 유지보수와 같은 문제가 존재하며, 이는 단순한 코드 생성으로 해결되지 않는다. 바이브코딩은 개인이나 소규모 실험에서는 강력한 도구가 될 수 있지만, 대규모 기업 시스템에서는 아직까지 결정적인 해결책이 되지 못하고 있다. 오히려 이 지점에서 하나의 역설이 드러난다. AI가 발전할수록 개발자가 필요 없어질 것처럼 보이지만, 실제로는 기업용 시스템을 제대로 설계하고 구현할 수 있는 개발자의 부족 현상이 더욱 심화되고 있다. AI가 코드를 만들어주더라도, 그 구조를 이해하고 통제할 수 있는 사람의 필요성은 오히려 더 커지고 있기 때문이다. 이러한 현실 속에서 기업이 선택해야 할 전략은 명확해지고 있다. 모든 것을 새롭게 개발하려 하기보다는, 이미 검증된 OOTB(out of the box) 기능을 최대한 활용하는 방향이다. 완벽한 커스터마이징을 추구하기보다는, 기본 기능에 충실한 시스템을 빠르게 적용하고 그 위에서 점진적으로 확장하는 접근이 더 현실적이다. 조금 돌아가는 것처럼 보일 수 있지만, 오히려 이 방식이 더 빠르고 안정적인 결과를 만들어낸다. 특히 PLM, APS와 같은 복잡한 엔터프라이즈 시스템에서는 이러한 전략이 더욱 중요하다. 기본 기능을 기반으로 표준 프로세스를 정립하고, 필요한 부분만 선택적으로 확장하는 것이 전체 시스템의 안정성과 지속 가능성을 높이는 방법이기 때문이다. 앞으로의 전망을 보면 이 흐름은 더욱 명확해질 것이다. 바이브코딩은 개인의 생산성을 극대화하는 도구로 자리 잡고, 기업 영역에서는 OOTB 기반의 플랫폼과 AI가 결합된 구조가 중심이 된다. 그리고 그 위에서 판단하는 시스템이 작동하게 된다. 결국 우리는 하나의 방향으로 수렴하고 있다. 도구의 시대를 지나 에이전트의 시대로 그리고 판단의 시대로 이동하고 있으며, 그 위에 피지컬 AI와 로봇이 결합된 새로운 산업 구조가 형성되고 있다. 이때 기업의 경쟁력은 더 이상 얼마나 많은 기능을 개발했는지가 아니라, 얼마나 빠르게 판단하고 실행할 수 있는 시스템을 갖추었는지에 의해 결정된다. 그리고 이 모든 변화의 중심에는 여전히 사람이 있다. 다만 그 역할은 분명히 달라지고 있다. 더 이상 직접 실행하는 사람이 아니라, 시스템의 방향과 의미를 설계하는 사람으로 변화하고 있는 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.

팀뷰어는 메르세데스-AMG 페트로나스 포뮬러 원 팀이 기존 원격 연결 플랫폼인 ‘팀뷰어 텐서(TeamViewer Tensor)’에서 자율 엔드포인트 관리 플랫폼인 ‘팀뷰어 원(TeamViewer ONE)’으로 업그레이드했다고 발표했다. 메르세데스-AMG 페트로나스 F1 팀은 이번 도입을 통해 브래클리 공장부터 트랙 현장의 개러지까지 수천 개의 IT 및 OT 엔드포인트 전반에 걸쳐 실시간 가시성과 제어 기능을 확보하게 되었다. 팀뷰어 원은 인공지능(AI)을 활용해 문제를 사전에 감지하고 운영에 영향을 미치기 전에 선제적으로 해결하는 기능을 지원한다. 사소한 IT 문제 하나가 레이스 결과를 바꿀 수 있는 환경에서 이러한 선제적 대응은 팀 운영의 핵심적인 요소로 평가받는다. 팀뷰어 원은 엔드포인트 관리와 보안 원격 연결, 그리고 자율 엔드포인트 관리(AEM) 전략의 핵심인 디지털 직원 경험을 통합한 것이 특징이다. 특히 기기에서 로컬로 작동하는 구조를 채택해 네트워크가 중단되더라도 트랙 현장 운영에는 차질이 없도록 설계되었다. 이러한 대규모 자율형 IT를 구현하는 동력은 데이터에서 나온다. 팀뷰어 원은 폐순환(closed-loop) 학습 시스템을 통해 이상 현상을 감지하고 복구 조치를 실행하며 문제가 사용자에게 영향을 미치기 전에 선제적으로 해결한다. 시스템 고도화를 위해 원격 지원 세션에서 축적된 전문가 지식과 심층적인 기기 텔레메트리 정보가 대규모로 활용된다. 현재 AI 지원 세션은 100만 건을 넘어섰으며 지난 3월에만 30만 건 이상이 추가되었다. 팀뷰어에 따르면 AEM은 IT 운영의 차세대 흐름으로 부상하고 있으며, 2029년에는 산업 전반에 본격적으로 도입될 전망이다.     메르세데스-AMG 페트로나스 F1 팀의 토토 울프(Toto Wolff) CEO는 “레이스 도중에는 텔레메트리부터 기상 정보, 무선 통신까지 수십 종의 데이터를 실시간으로 활용하며 이를 뒷받침하는 기술은 단 하나의 오류도 없어야 한다”고 강조했다. 이어 “팀뷰어는 우리가 타협하지 않는 신뢰성과 성능을 제공하며 팀뷰어 원으로의 전환은 F1의 현재와 미래를 고려한 전략적 선택”이라고 덧붙였다. 메르세데스-AMG 페트로나스 F1 팀의 마이클 테일러(Michael Taylor) IT 총괄은 0.001초 차이로 승부가 갈리고 비용상한제 규정이 엄격한 F1 환경에서 팀뷰어 원의 도입 가치를 설명했다. 테일러 IT 총괄은 “팀뷰어 기술은 이미 까다로운 레이스 환경에서 안정성을 증명했으며 팀뷰어 원으로의 전환은 당연한 수순”이라면서, “다운타임 감소와 데이터 품질 개선, 팀 전반의 생산성 향상 측면에서 비즈니스 타당성이 명확하다”고 밝혔다. 팀뷰어의 올리버 스테일(Oliver Steil) CEO는 메르세데스-AMG 페트로나스 F1 팀이 운영하는 IT 환경이 세계에서 가장 복잡하고 까다로운 수준이라고 진단했다. 스테일 CEO는 “팀뷰어 원은 수천 개의 핵심 엔드포인트를 관리하면서도 다운타임을 허용하지 않는 실시간 운영이 요구되는 환경을 위해 설계되었다”면서, “세계에서 가장 까다로운 환경에서 검증된 기술은 어떤 산업 현장에서도 효과를 발휘할 수 있다”고 말했다.

주요 스마트 건설 DX 솔루션 소개   클라우드 기반 개방형 협업도구, 트림블 커넥트(Trimble Connect) 개발 트림블, www.tekla.com/kr 자료 제공 트림블코리아, 070-4940-4600, www.tekla.com/kr   트림블 커넥트(Trimble Connect)는 건설 산업의 설계, 제작, 시공 전 과정을 연결하는 클라우드 기반의 공통 데이터 환경(CDE)이자 개방형 협업 플랫폼이다. 기획부터 건축을 넘어 자산의 전체 수명 주기 전반에 걸쳐 모든 이해관계자에게 혁신적이고 연결된 솔루션 생태계를 제공하며, 올바른 데이터를 적시에 적절한 사람에게 연결해 프로젝트의 효율성과 생산성을 극대화한다. 1. 주요 특징 (1) 단일 협업 플랫폼 프로젝트별 클라우드 공간에 3D 모델, 2D 도면, 일반 문서, 이미지 등 다양한 포맷의 파일을 업로드·다운로드하고, 자체 2D/3D 뷰어로 즉시 열람·검토·공유할 수 있다. 트림블 커넥트를 중심으로 스케치업(SketchUp), 테클라(Tekla), 프로젝트사이트(ProjectSight) 등 트림블 솔루션과 다양한 서드파티 애플리케이션이 연동돼, 설계-시공-유지관리 데이터가 하나의 플랫폼에서 이어진다. (2) 건설 현장 중심 워크플로우 지원 설계사, 시공사, 사전제작공장(프리캐스트/프리팹), 전문 시공사, 유지보수 조직 등 각 참여자의 역할에 맞는 모델 검토, 모델 조정, 사전 시공, 교육, 설치 가이드, 시공 검증, 유지보수 뷰 등을 지원한다. 현장에서 1:1 스케일로 BIM 모델을 실제 공간에 매핑하는 가상 건설(AR/MR) 워크플로우를 통해 설치 순서(4D)와 간섭 이슈를 직관적으로 파악하고, 사전 조립·설치 검증을 수행할 수 있다. (3) 3Cs 개념 구현 트림블이 제시하는 트림블 빌딩 솔루션의 3Cs(Constructible, Connected, Content-Enabled) 개념에 따라, 실제 시공 가능한 수준의 모델(Constructible)과 현장-사무실 간 연결(Connected), 풍부한 BIM 콘텐츠(Content-Enabled)를 통합 지원한다. 또한 시공 BIM과 현장 디지털 전환을 위한 실질적인 워크플로우를 제공한다. 2. 주요 기능 (1) 모델과 도면 관리 다양한 포맷의 BIM/2D 데이터를 프로젝트·폴더 구조로 관리하며, 웹·데스크톱·모바일·MR 환경에서 고성능 3D 뷰어로 시각화·검토할 수 있다. 사전 정의된 뷰포인트(Viewpoint)와 모델 시퀀싱, 간섭 체크, 시공 검증 뷰를 제공해 복잡한 구조물도 직관적으로 점검한다. (2) 협업과 작업 관리 모델 상에서 문제를 태그하고 사진·메모를 첨부해 실시간 공유하며, 담당자·마감일을 설정해 작업(Task) 단위로 추적한다. 설계 의도 전달, 이해관계자 협의·승인, 마크업·코멘트·히스토리 관리로 변경 내역을 투명하게 기록한다. (3) 가상 건설과 원격 지원 1:1 실규모 홀로그램을 통해 설치 위치·순서를 시뮬레이션하고, 프리캐스트·모듈러 등 조립식 부품의 적합성을 사전에 검증한다. 비숙련 작업자 교육용 조립·설치 방법 가이드, 현장 원격 지원 기능을 통해 작업 품질과 안전성을 향상시킨다. 3. 도입 효과 (1) 재작업 감소 모든 참여자가 단일 소스의 최신 모델·도면·문서를 사용해 구버전 도면 사용, 간섭 미검출, 설계 변경 누락으로 인한 재시공을 크게 줄인다. 설계 검토, 시공 전 시뮬레이션, 사전 제작 부품 적합성 검증으로 공사 착공 전 리스크를 선제적으로 제거한다. (2) 생산성 개선 모델 시퀀싱과 4D 시각화로 공정 계획과 현장 실행을 연계해 공정 지연과 대기 시간을 줄이고, 장비·인력 활용을 최적화한다. GNSS/AR 기반 위치 검증과 설치 QA/QC로 오차와 재시공률을 낮춰 자재·인건비 낭비를 최소화한다. (3) 원활한 협업과 의사결정 설계사-시공사-전문 시공사-발주처-유지관리 간 동일 모델·이슈 정보를 공유해 소통 비용을 줄이고, 의사결정 속도와 품질을 높인다. 준공 모델과 IoT 3D 뷰, 이슈·검증 이력을 유지관리 단계까지 활용해 설비 관리·리뉴얼 계획 등에서 데이터 기반 의사결정을 가능하게 한다. 4. 주요 고객 현대엔지니어링, Strabag, Skanska, Granite Construction, Ramboll, Hensel Phelps, Yates Construction, Turner Construction Company, Arup, WSP, DPR Construction 등 전 세계에서 수천 개의 기업이 트림블 커넥트를 사용해 프로젝트 수행 능력을 강화하고 있다.  상세 내용은 <스마트 건설 DX 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기    

제조 산업의 디지털 전환은 이제 단순한 자동화나 시스템 도입의 단계를 넘어섰다. 최근 산업 현장에서 화두가 되는 것은 AX(AI Transformation), 즉 인공지능이 실제 공정과 의사결정에 얼마나 깊이 관여하며 성과로 연결되는가에 대한 문제다. 이러한 변화의 중심에서 엘리스그룹 (https://elice.io) 은 교육 기업의 정체성을 넘어, AI 인프라·클라우드·산업별 솔루션을 아우르는 ‘AI 풀 스택 기업’으로 진화하며 제조 AX의 새로운 기준을 제시하고 있다. ▲ 엘리스그룹 김재원 대표 AI 교육 기업에서 AI 풀스택 기업으로 엘리스그룹은 가상화 실습 환경 기반의 AI 교육 실습 플랫폼 ‘엘리스LXP’를 통해 국내 AI 교육의 표준을 정립해 온 기업이다. 대학과 공공기관, 기업 교육 현장에서 축적한 실습 중심 교육 경험은 엘리스의 출발점이었다. 그러나 엘리스는 교육을 출발점으로 삼아, AI를 실제 현장에서 작동시키는 기술로 영역을 확장해 왔다. 기업의 DX를 넘어 AX 전환을 설계하는 핵심 파트너로 자리매김한 것이다. 김재원 대표는 이러한 변화에 대해 “AI는 교육만으로 완성되지도, 인프라만으로 작동하지도 않는다. 엘리스는 교육과 인프라, 그리고 산업 현장을 하나의 흐름으로 연결하는 구조를 만들고자 했다”고 설명한다. 엘리스그룹의 핵심 경쟁력은 교육과 인프라를 동시에 보유한 독특한 사업 구조에 있다. 엘리스는 현재 고성능 GPU 기반의 모듈형 데이터센터 ‘엘리스 AI PMDC(Portable Modular Data Center)’와 AI 특화 클라우드 솔루션 '엘리스클라우드'를 운영하며, 기업 맞춤형 AI 솔루션 개발과 인재 양성 교육을 병행 제공하고 있다. 특히 엘리스 AI PMDC는 데이터 주권과 보안이 중요한 제조 현장을 겨냥한 이동식 모듈형 데이터센터로, 짧은 시간 안에 프라이빗 클라우드 환경을 구축할 수 있는 것이 특징이다. 공장 내부 설치가 가능해 민감한 공정 데이터를 외부로 반출하지 않고도 AI를 운용할 수 있으며, 가상화된 환경에서 효율적인 인프라 운영이 가능하도록 설계됐다. 김 대표는 “제조 현장에서 AI를 도입하지 못하는 가장 큰 이유는 기술 부족이 아니라 데이터 주권과 보안에 대한 우려”라며, “PMDC는 이러한 현실적인 장벽을 해결하기 위한 엘리스의 해답”이라고 강조한다. 제조 AX의 A to Z를 제시하다 엘리스그룹은 ‘교육부터 인프라까지 아우르는 제조 AX의 A to Z’를 핵심 전략으로 내세운다. 단일 기술이나 제품이 아닌, 제조 AX 전 과정을 하나의 로드맵으로 제시하는 것이 엘리스의 전략이다. 엘리스는 임원을 위한 AX 전략 교육부터 실무 임직원을 위한 AI 활용 교육까지, 직급·산업별 맞춤형 AX 교육 커리큘럼을 운영한다. 데이터 및 인프라 진단을 시작으로, 임원 및 실무자 AX 교육, 맞춤형 PoC 진행, 엘리스클라우드 기반 AX 솔루션 개발, 전사 확산으로 이어지는 종합 AX 로드맵을 제안한다. 김 대표는 “인프라를 구축했지만 이를 운영할 인력이 없거나, 교육은 받았지만 실습할 환경이 없는 기업이 여전히 많다”며, “당사는 이 단절을 없애는 데 집중하고 있다”고 부연했다.  에이전틱 AI로 제조 현장의 판단을 자동화하다 최근 엘리스그룹이 주력하는 분야는 에이전틱 AI(Agentic AI) 기반 제조 AX다. 이는 단순히 데이터를 분석하는 수준을 넘어, AI가 스스로 문제를 인식하고 판단하며 공정을 최적화하는 자율적 시스템을 의미한다. 엘리스는 자체 개발한 VLM 기반 AI 문서 분석 솔루션을 비롯해, 제조 현장의 방대한 매뉴얼과 공정 기록을 학습하는 산업 맞춤형 AI 솔루션을 선보이고 있다. 이러한 솔루션은 숙련 인력의 경험에 의존하던 현장 업무를 AI가 신속하고 정확하게 지원하도록 돕는다. 김 대표는 “제조 현장의 경쟁력은 결국 얼마나 빠르고 정확하게 판단하느냐에 달려 있다”며, “에이전틱 AI는 사람의 의사결정을 보조하는 수준을 넘어, 공정 자체를 지능화하는 핵심 기술”이라고 강조한다. 데이터 주권과 보안, 그리고 검증된 AX 역량 제조 AX 시장은 현재 ‘도입’보다 ‘안착’이 더 큰 과제로 떠오르고 있다. 많은 기업이 생성형 AI와 에이전틱 AI 도입을 검토하고 있지만, 핵심 제조 데이터의 외부 유출 우려와 내부 인력 부족이라는 현실적인 문제에 직면해 있다. 엘리스그룹은 이러한 문제를 AI 풀 스택 역량으로 해결한다. 고객의 요구에 따라 온프레미스, 프라이빗 클라우드를 유연하게 구성하며, PMDC 기반 구조를 통해 물리적으로 격리된 폐쇄형 환경에서의 AI 운영을 가능케 한다. 특히 현대차 남양연구소와 제조 AI 솔루션을 공동 개발한 경험은 엘리스의 보안 신뢰도와 공정 이해도를 동시에 입증하는 사례로 평가받는다. 대규모 제조 기업의 복잡한 보안 요구사항을 아키텍처 설계 단계부터 반영할 수 있는 역량은 엘리스의 중요한 경쟁력이다. 김 대표는 “AX는 단기간에 끝나는 프로젝트가 아니다. 인프라, 보안, 인재가 함께 준비되지 않으면 결국 현장에서 멈추게 된다”고 강조하며, 엘리스가 인프라와 교육을 수직 계열화해 AX 상용화의 허들을 낮추고 있다고 설명했다. ▲ 엘리스 AI PMDC 모형 현장에서 완성되는 AX, 그리고 글로벌 확장 엘리스그룹의 궁극적인 목표는 기술이 현장에서 완성되는 선순환 구조를 만드는 것이다. 이를 위해 업종별 제조 AX 레퍼런스 아키텍처와 맞춤형 AX 교육 커리큘럼을 고도화할 계획이다. 자동차, 부품, 식음료 등 산업별로 요구되는 AI 역량을 정교하게 정의하고, PMDC와 에이전틱 AI를 결합해 공장 단위의 AI 생태계를 완성한다는 구상이다. 또한 국내에서 검증된 PMDC와 AX 솔루션을 기반으로 글로벌 제조 거점으로의 진출도 추진한다. 데이터 주권 걱정 없이 AI를 활용할 수 있는 인프라와 교육 패키지를 글로벌 시장에 확산시켜, 글로벌 AI 클라우드 시장에서의 영향력을 확대해 나갈 방침이다. 김 대표는 “제조 AX는 국가와 산업을 가리지 않는 공통 과제”라며, “국내에서 검증된 엘리스의 모델을 글로벌 제조 현장으로 확장해 나가겠다”고 밝혔다.  ‘현장에서 즉시 작동하는 AI’를 만나다 엘리스그룹이 시장에서 지향하는 바는 분명하다. 막연한 AI 기술이 아닌, 제조 현장에서 즉시 작동하는 AI의 실체를 보여주는 것이다. 엘리스는 이를 통해 데이터 주권과 보안, 인력 문제로 AX 도입을 망설이던 기업들에게 현실적인 해법을 제시하고자 한다. 현장의 실무자부터 경영진까지 엘리스의 AI 풀스택 솔루션을 통해 자사 AX의 청사진을 구체화할 수 있을 것으로 기대된다. 교육과 인프라, 그리고 산업 현장을 하나로 연결하는 엘리스그룹의 AX 전략이 제조 산업의 새로운 기준으로 자리 잡을지 주목된다.  

로봇과 사람이 같은 공간에서 함께 일하는 제조 현장은 더 이상 미래의 이야기가 아니다. 협동로봇과 자율로봇이 공정 곳곳에 투입되면서 생산성은 비약적으로 높아졌지만, 동시에 ‘안전’이라는 근본적인 과제가 다시금 부각되고 있다. 이러한 변화의 한가운데서 로봇이 스스로 안전하게 판단하고 움직이도록 만드는 ‘안전 지능(Safety Intelligence)’ 기술로 주목받는 기업이 있다. ▲ 세이프틱스 신헌섭 대표 로봇 안전 지능 기술 전문기업 세이프틱스 2020년 설립된 세이프틱스(Safetics)는 로봇이 사람과 같은 공간에서 안전하게 작동하도록 하는 ‘로봇 안전 지능’ 기술을 개발하는 스타트업이다. 많은 기업이 협동로봇을 도입하며 펜스 없이 자유롭게 움직이는 작업 환경을 기대하지만, 현실의 제조 현장에서는 법적·제도적 안전 기준으로 인해 여전히 물리적 펜스 설치가 요구된다. 이에 대해 신헌섭 대표는 “협동로봇이 도입됐다고 해서 곧바로 펜스 없는 작업이 가능한 것은 아니다. 실제 현장에서는 안전 규제가 가장 큰 진입 장벽으로 작용하고 있다”라고 설명한다. 세이프틱스는 이러한 제도적·기술적 장벽을 근본적으로 해결하고자 출발했다. 단순히 로봇을 멈추거나 격리하는 방식이 아니라, 로봇이 스스로 위험을 인지하고 안전한 동작을 선택하도록 만드는 것이 이 기업의 지향점이다. 이 같은 기술은 제조 현장뿐 아니라 카페, 급식실 등 로봇이 사람과 밀접하게 접촉하는 다양한 공간으로 적용 범위를 넓혀가고 있다. 안전과 생산성을 동시에 잡는 최적 설계 솔루션 ‘SafetyDesigner’ 세이프틱스가 시장에 주력으로 선보이는 솔루션은 협동로봇의 PFL(Power and Force Limiting) 모드를 실질적으로 구현하는 웹 기반 안전 설계 솔루션 ‘SafetyDesigner’다. SafetyDesigner는 안전성과 생산성 사이의 상충 관계를 기술적으로 해소하는 데 초점을 맞추고 있다. 충돌 안전 시뮬레이션 기능: 별도의 물리적 실험 없이도 가상 시뮬레이션을 통해 로봇과 사람이 충돌할 경우 발생하는 힘과 압력을 정밀하게 계산할 수 있다. 이를 통해 실제 현장에서 발생할 수 있는 위험을 사전에 분석하고 설계 단계에서부터 대응이 가능하다. 최대 안전 속도 추천 기능: 시뮬레이션으로 도출된 힘과 압력 값을 기반으로 ISO 안전 표준을 충족하면서도 공정 효율을 최대한 유지할 수 있는 최적의 로봇 속도를 제안한다. 이는 ‘안전을 위해 속도를 낮출 수밖에 없다’는 기존 인식을 뒤집는 핵심 기능이다. 지능형 위험성 평가 기능: 설문 기반의 위험성 평가 방식을 통해 안전 전문 지식이 없는 현장 담당자도 로봇 작업 환경에 대한 정보를 입력하면, 관련 표준과 법규에 대응하는 위험성 평가 보고서를 자동으로 생성할 수 있다. 안전 설계와 규제 대응을 동시에 간소화할 수 있다는 점에서 현장의 신뢰가 높다.   AX 시대의 로봇 자율성을 뒷받침하는 안전 지능 기술 제조 AX(AI Transformation) 시대의 핵심은 로봇의 ‘비정형 유연성’이다. AI 로봇은 실시간으로 경로와 속도를 바꾸며 작업을 수행하지만, 이러한 자율성은 기존의 고정된 안전 설계 방식으로는 충분히 담보하기 어렵다. 세이프틱스의 경쟁력은 다양한 로봇 모션을 수만 번의 가상 시뮬레이션으로 분석해, 표준에 부합하는 안전 속도를 정량적으로 제시하는 데 있다. 더 나아가 세이프틱스는 SafetyDesigner로 분석된 데이터를 로봇과 실시간으로 연동해 자율적인 안전 판단과 제어를 수행하는 ‘SafetyGiver’ 솔루션으로 기술을 고도화하고 있다. 두산로보틱스, 뉴로메카 등 주요 로봇 제조사와의 협업을 통해 구축 중인 이 기술은, AX 시대 제조 현장에서 로봇 자율성을 안전하게 통제하고 증명하는 핵심 인프라로 자리매김할 것으로 기대된다. 휴머노이드 시대를 여는 ‘로봇 안전 지능’ 세이프틱스는 공장을 넘어 일상으로 확장될 휴머노이드 로봇 시대를 준비하고 있다. 휴머노이드는 사람과 같은 공간에서 빠르고 복잡한 동작을 수행하기 때문에, 기존의 펜스나 단순 정지 방식으로는 안전을 보장하기 어렵다. 이에 세이프틱스는 사람이 경험을 통해 안전 감각을 익히듯, 로봇이 스스로 위험을 판단하고 최적의 행동을 선택하는 ‘안전 지능’을 모든 형태의 로봇에 보급하는 것을 목표로 한다. 신 대표는 “앞으로의 로봇 안전은 ‘멈추는 기술’이 아니라, ‘판단하는 기술’이 되어야 한다”고 강조한다. 세이프틱스는 이 같은 정의를 바탕으로 사람과 로봇이 가장 안전하게 공존하는 미래를 구현하고 있다. 펜스 없는 생산성 혁신과 글로벌 시장 진출 가속화 세이프틱스는 로봇 도입 과정에서 안전 규제 대응에 어려움을 겪는 기업들에게 SafetyDesigner를 활용한 현실적인 해법을 제시하고 있다. 펜스나 잦은 정지 없이도 법적 기준을 충족하며 생산성을 극대화할 수 있다는 점이 시장에서 입증되고 있다. 또한 안전 비전문가도 쉽게 활용할 수 있는 위험성 평가 솔루션을 통해 국내 제조 현장의 안전 인프라 수준을 한 단계 끌어올리고 있다. 최근 파트너십을 체결한 대만 넥스코봇을 비롯해 글로벌 기업들과의 접점을 확대하며 세계 시장 진출을 본격화하고 있다. 지능형 로봇 시대를 위한 안전 패러다임 전환 제조 AX와 산업 AI 시장이 지속적으로 성장하기 위해서는 로봇 안전을 사후 보완이 아닌 초기 설계의 핵심 요소로 인식하는 패러다임 전환이 필요하다. 특히 휴머노이드와 같이 사람과 밀착해 작동하는 로봇일수록, ‘피지컬 AI’ 기반의 안전 기술은 시장 확대의 필수 조건이 될 것이다. 세이프틱스는 안전을 공정의 제약이 아닌 성능 극대화의 도구로 활용함으로써, 공간 효율 개선과 멈춤 없는 공정을 동시에 실현하고 있다. 사람과 로봇의 경계 없는 협업, 세이프틱스가 여는 새로운 길 로봇 안전의 패러다임은 이제 펜스로 격리하던 시대를 넘어, 로봇 스스로 위험을 판단하고 안전하게 행동하는 ‘지능의 시대’로 진화하고 있다. 세이프틱스는 지구상의 모든 로봇이 사람과 경계 없이 협업하는 세상을 지향한다. 펜스라는 물리적 장벽이 사라진 자리에서 안전한 공존이 뿌리내릴 수 있도록, 세이프틱스는 전 세계 로봇 산업의 혁신 파트너로서 역할을 이어갈 계획이다.  

지멘스가 4월 20일~24일까지 독일 하노버에서 열린 세계 최대 산업 기술 박람회 ‘하노버 메세 2026’에 참가해 제조 현장의 혁신을 이끄는 산업용 AI 설루션과 기술력을 선보였다고 전했다. 지멘스는 이번 전시를 통해 로봇 공학 분야의 새로운 AI 기술과 신기술을 활용해 공급망의 회복 탄력성을 높이는 방안을 소개하며 글로벌 기술 리더십을 강조했다. 이번 행사에서 지멘스는 보조 역할에 머물던 산업용 AI를 자율 실행 단계로 발전시킨 ‘아이겐 엔지니어링 에이전트(Eigen Engineering Agent)’를 공개했다. 이 시스템은 산업 자동화 엔지니어링 작업을 실제 환경에서 계획하고 실행하며 검증까지 수행하는 상용 AI 기반 설루션이다. 지멘스에 따르면 이 설루션은 단순한 추천을 넘어 실제 엔지니어링 프로세스에 직접 작동하며 수동 워크플로 대비 생산 속도를 2배에서 5배까지 높이고 자동화 엔지니어링 효율을 약 50% 개선한다. 피지컬 AI를 실제 산업 현장에 구현한 협업 사례도 소개됐다. 지멘스는 엔비디아, 휴머노이드와 협력해 바퀴형 알파 휴머노이드 로봇 ‘HMND 01’이 지멘스 에를랑겐 공장에서 자율 물류 작업을 수행하는 모습을 시연했다. 지멘스는 이를 “세계 최초의 완전 AI 기반 적응형 제조 현장 구축을 위한 중요한 이정표”라고 설명했다. 피지컬 AI는 지능형 시스템이 물리 세계를 인지하고 스스로 행동하게 하는 기술로, 지멘스는 ‘지멘스 엑셀러레이터’ 포트폴리오를 통해 로봇이 산업 환경에서 효율적으로 작동할 수 있도록 디지털 중추와 자동화 인프라를 형성하는 역할을 맡고 있다.     전시 부스에서는 식품 기업 프링글스 및 펩시코와의 구체적인 협력 사례도 소개되었다. 양사는 산업용 AI로 물류와 재고, 공급망 전반을 유기적으로 연결해 생산 전 과정의 투명성을 확보하고 제품 출시 속도를 높이고 있다. 또한 산업용 메타버스 환경에서 공정을 설계하고 피지컬 AI가 이를 실행하는 모듈형 미니 공장 ‘팝업 팩토리’도 전시되었다. 이노베이션 허브에서는 적층 제조(AM) 기반의 신발 밑창 생산 공정이 대표 사례로 제시되었다. 사용자가 AI 기반 자연어 인터페이스에 요구사항을 입력하면 AI가 이를 분석해 디지털 트윈 시뮬레이션과 설계 도구를 자동으로 연계한다. 이후 AI 에이전트가 생산 공정을 자율적으로 운영하고 휴머노이드 로봇이 제품 이송과 포장을 담당하는 등 전 과정이 지능형 시스템으로 구현되는 모습을 확인할 수 있었다. 급증하는 데이터 센터의 에너지 수요에 대응하기 위한 혁신적인 설루션도 발표되었다. 지멘스는 반도체 기반 보호 및 스위칭 시스템을 선보였다. 고효율·고성능 직류 전력망은 재생 에너지와 에너지 저장 시스템을 직접 연계할 수 있어 효율성과 전력 공급 안정성을 동시에 확보한 에너지 운영 환경을 제공한다. 지멘스그룹의 롤랜드 부시 회장은 “산업용 AI는 미래 산업의 주도권을 결정짓는 핵심 요소가 될 것”이라면서, “지멘스는 제품 설계부터 운영에 이르는 전 과정에 적용 가능한 AI 운영 체계를 구축하고 있으며 이를 통해 고객이 더 빠르고 효율적인 비즈니스를 구현해 경쟁력을 확보할 것으로 기대한다”고 밝혔다.

생산제조기술 전시회인 SIMTOS 2026이 4월 17일 5일간의 일정을 모두 마쳤다. 한국공작기계산업협회가 주최한 이번 전시회에는 세계 35개국에서 1315개 기업이 참여해 6059 부스 규모로 열렸다. 5일 동안 전시장을 찾은 참관객은 약 10만 명으로 집계되었다. SIMTOS 사무국은 “이번 전시회는 사전등록자의 현장 방문 비율이 높아지며 계획에 기반한 방문이 실제 성과로 이어지는 양상을 보였다. 이는 전시회가 단순한 관람을 넘어 명확한 목적과 요구를 갖춘 핵심 참관객 중심으로 재편되고 있음을 보여준다”고 전했다. 해외 바이어 유치 전략도 성과를 거두었다. 60개국 바이어가 현장을 방문해 글로벌 비즈니스 플랫폼으로서의 위상을 높였다. 인도, 일본, 중국, 독일, 대만, 미국, 이탈리아를 중심으로 주요 국가 바이어의 방문이 이어졌으며 신흥 시장과의 상담도 진행되었다. 한국의 생산제조 기술에 대한 관심은 수출 상담과 에이전트 발굴, 기술 협력 및 파트너십 논의로 확장되었다.     전시 현장에서는 제조 인공지능 전환(AX)을 기반으로 한 기술 변화와 산업 적용 흐름이 두드러졌다. 제1전시장에서는 단품 중심의 전시에서 벗어나 가공장비와 로봇 자동화, 소프트웨어 엔지니어링 기반의 디지털 제조 설루션이 결합된 통합 공정 구현 사례가 늘어났다. 무인 가공과 다크 팩토리 구현을 위한 장비 출품도 증가해 제조 현장의 고도화 방향을 제시했다. 제2전시장에서는 인공지능 팩토리 테마관을 중심으로 제조 AX와 디지털 제조의 현재 수준 및 산업 적용 사례가 소개되었다. 이를 통해 인공지능 기반 자율 제조가 실제 산업 현장으로 빠르게 확산되고 있음을 확인할 수 있었다. 다양한 부대행사도 참관객의 눈길을 끌었다. 글로벌 제조 AX 콘퍼런스와 오픈 세미나를 비롯해 채용 박람회인 커리어커넥트, 여성 엔지니어 네트워크 포럼, 테크니컬 투어 등이 진행되었다. 특히 ‘자율제조, 인재와 연결하다’라는 주제에 맞춰 기획된 커리어커넥트는 기업과 구직자를 연결하며 실질적인 성과를 냈다. 여성 엔지니어 네트워크 포럼은 생산 제조 분야 내 여성 인력의 역할과 방향성을 조명하는 자리가 되었다. 전시 기간 중에는 차기 전시회인 SIMTOS 2028에 대한 참가 문의도 이어졌다. 생산제조 산업의 현재와 미래를 확인한 이번 전시회의 성과를 바탕으로 사무국은 차기 행사를 준비할 계획이다. SIMTOS 2028은 2028년 4월 3일부터 7일까지 킨텍스 제1전시장과 제2전시장에서 개최될 예정이다.