산업 특화 AI와 클라우드 플랫폼 통해제조·건설 경쟁력 강화 지원   오토데스크코리아는 플랫폼과 AI를 결합한 ‘디자인 & 메이크(Design & Make)’ 전략을 통해 설계·시공·제조 전 과정의 데이터 단절을 해소하고, 현장 중심의 실질적인 성과 창출에 주력했다. 특히 BIM, 클라우드, 시뮬레이션, 생성형 AI를 기반으로 고객 사례를 확대하며 AX 실행 단계로의 전환을 가속화했다. 올해 오토데스크는 산업 특화 AI와 클라우드 플랫폼을 통해 국내 제조·건설 기업의 경쟁력 강화를 꾸준히 지원할 계획이다. ■ 최경화 국장     지난해 국내 제조/건축 시장에 대해 평가한다면? 지난해 국내 제조 및 건축 시장은 투자 위축, 원자재 비용 부담 등 복합적인 외부 환경 속에서 전반적으로 보수적인 기조를 유지한 한 해였다. 특히 건설 시장은 기존 자산의 효율적 운영과 비용 관리에 초점이 맞춰졌고, 제조 산업 역시 대규모 설비 투자보다는 생산성 개선과 공정 최적화 중심의 전략이 두드러졌다. 다만 이러한 환경 속에서도 대형 건설사를 중심으로 디지털 전환을 통해 사업 경쟁력을 강화하려는 움직임이 가시화되었다. 단순한 툴 도입을 넘어 데이터 기반의 의사결정 체계를 구축하려는 시도가 늘어난 한 해였다고 평가한다.   지난해 오토데스크의 주요 화두와 이로 인해 기대하는 변화는? 지난해 오토데스크의 핵심 화두는 ‘플랫폼’과 ‘AI’였다. 오토데스크는 개별 소프트웨어 공급을 넘어 설계부터 시공, 제조, 운영에 이르는 전 과정을 데이터로 연결하는 ‘디자인 & 메이크’ 플랫폼 기업으로 도약하기 위해 전략을 강화하고 있다. 산업 현장에서는 그동안 데이터가 단절되어 비효율이 발생하곤 했다. 하지만 오토데스크의 플랫폼 전략과 AI 기술이 결합되면서, 고객들은 단순 반복 작업에서 벗어나 창의적인 문제 해결에 집중할 수 있게 되었다. 특히 데이터와 자동화를 통해 단절된 워크플로를 연결함으로써 생산성을 획기적으로 높이는 변화가 현장에서 실제로 일어나고 있다.   지난해 주요한 비즈니스 성과 및 고객 성공사례를 소개한다면? 지난해 오토데스크는 단순 라이선스 공급을 넘어, 고객사가 명확한 비즈니스 목표를 달성할 수 있도록 돕는 ‘컨설팅 파트너’의 역할을 강화했다. 기술은 수단일 뿐이며 고객이 해결하고자 하는 품질, 안전, 원가 등의 문제를 정의하고 이를 해결하는 설루션을 함께 설계하는 데 집중했다. 대표적인 성공 사례로 GS건설과의 협업을 꼽을 수 있다. GS건설은 오토데스크 컨스트럭션 클라우드(ACC)를 도입하여 현장 검측 프로세스를 디지털화했다. 이를 통해 기존에 수작업으로 진행되던 검측 업무 준비 시간을 73% 단축했고, 태블릿과 웹을 통해 최신 BIM 모델을 실시간으로 확인하면서 연간 약 20만 장의 종이 문서를 절감하는 성과도 거두었다. 무엇보다 단순한 문서 관리를 넘어, 현장의 모든 데이터가 플랫폼에 축적되어 향후 자산으로 활용될 수 있는 기반을 마련했다는 점에서 디지털 전환의 모범 사례라고 할 수 있다. 또 다른 사례로는 행림종합건축사사무소가 있다. 행림종합건축사사무소는 오토데스크 포마(Autodesk Forma)의 생성형 AI 기능을 실무에 적극 도입하여 초기 설계 단계의 효율을 극대화했다. 지형, 일조, 소음, 바람 등 복잡한 환경 변수를 자동으로 분석하고, 수십 가지의 설계 대안을 생성·비교함으로써 최적의 결과물을 신속하게 도출해냈다. 이를 통해 초기 설계 검토 시간을 대폭 줄이고 정확도를 높였을 뿐만 아니라, 관련 데이터를 향후 프로젝트에서 활용 가능한 디지털 자산으로 축적한다는 점에서 AI 기반 설계 혁신의 좋은 사례라 할 수 있다.   최근 인수한 회사 및 이로 인한 변화, 전망에 대해 소개한다면? 오토데스크는 디자인 & 메이크 플랫폼의 완성을 위해 핵심 기술을 보유한 기업을 전략적으로 인수해왔다. 이는 각 분야별 전문성을 플랫폼에 통합하여 고객에게 끊김 없는 워크플로 환경을 제공하기 위한 것이다. 먼저 오토데스크 포마(Autodesk Forma)는 2020년 인수한 스페이스메이커(Spacemaker)를 기반으로 발전한 AI 네이티브 플랫폼으로, 설계 초기 단계에서 환경 분석과 대안 검토를 자동화해 보다 나은 의사결정을 지원한다. 최근에는 오토데스크 컨스트럭션 클라우드와의 통합을 통해 기획–설계–시공–운영을 하나의 연속된 흐름으로 연결하는 기반을 마련했다. 또한, 2021년 물 인프라 데이터 분석 및 시뮬레이션 전문 설루션 이노바이즈(Innovyze) 인수를 통해 상하수도 및 배수 시스템의 설계부터 운영까지 아우르는 디지털 트윈 설루션을 확보했다. 기후 변화로 인한 물 관리 중요성이 커지는 가운데, 이노바이즈의 시뮬레이션 기술은 지속 가능한 도시 인프라 구축에 핵심적인 역할을 하고 있다. 2023년 인수한 플렉스심(FlexSim)은 공장 및 물류 센터 시뮬레이션 설루션이다. 이를 통해 오토데스크는 공장 설계뿐만 아니라, 실제 공장 운영 시의 물류 흐름과 병목 현상을 디지털 환경에서 미리 검증할 수 있게 되었다. 제조 프로세스의 최적화를 지원하여 스마트 공장 구현을 가속화할 수 있는 기반을 마련했다.   엔지니어링 소프트웨어 분야에서 AI 대응을 위한 전략은? 오토데스크의 AI 전략은 보여주기 식이 아닌, 현장에서 바로 활용 가능한 실용성에 초점을 두고 있다. 데이터와 자동화를 통해 설계–제작–운영 전 과정의 단절된 워크플로를 연결하고 생산성을 높일 수 있는 고도화된 AI 기능을 제공한다. 오토데스크 AI(Autodesk AI)는 반복 작업 자동화, 축적된 데이터 기반 인사이트 제공, 기존 작업 성능 개선이라는 세 가지 축을 중심으로 발전하고 있다. 이러한 접근은 설계 정확도 향상, 일정 단축, 리스크 예측 등으로 이어지며, 실제 프로젝트 성과로 연결되고 있다. 다만 AI를 효과적으로 활용하기 위해서는 BIM과 같은 디지털 기반 데이터 축적이 선행돼야 한다. 오토데스크는 고객이 이러한 기반을 단계적으로 구축할 수 있도록 기술 컨설팅과 플랫폼을 함께 제공하고 있다.   올해 제조/건축 시장에 대한 전망은? 올해는 AI 전환(AX)이 본격 확산되는 해가 될 것이다. 지난해 오토데스크가 발표한 2025 디자인 & 메이크 글로벌 보고서에 따르면, 조사 대상 기업의 약 61%가 AX를 통해 상당히 의미 있는 생산성 향상을 경험했으며, 디지털 성숙도가 높은 기업일수록 AI 투자를 통해 의미 있는 생산성 향상과 ROI를 거두고 있다고 답했다. 올해는 많은 기업이 AI에 대한 관심을 넘어, 실제 업무 프로세스에 AI를 어떻게 적용할지 구체적으로 실행하는 단계로 진입할 것으로 전망한다. 특히 제조 분야에서는 스마트 공장 고도화와 함께 설계-제조 데이터의 통합이 가속화될 것이며, 건설 분야에서도 BIM 의무화 흐름과 맞물려 데이터 기반의 협업이 필수 생존 전략으로 자리 잡을 것이다.   올해 주목하는 시장 흐름이나 기술 이슈가 있다면? 최근 많은 기업이 AX를 얘기하지만, 이를 성공적으로 추진하는 데 있어 가장 경계해야 할 것은 ‘고립된 AI(siloed AI)’다. 전사적인 데이터 통합 없이 부서별로 파편화된 AI를 도입하면 오히려 데이터의 단절을 초래하여 큰 효과를 보기 어렵다. 따라서 올해의 핵심 이슈는 ‘데이터의 연결(connected data)’이 될 것이다. 설계, 시공, 운영 등 각 단계에서 생성되는 데이터가 하나의 클라우드 플랫폼에 축적되고, 이것이 산업 특화 AI와 연결될 때 비로소 진정한 AX가 실현될 수 있다. 오토데스크는 고객이 파편화된 데이터를 클라우드 상에서 통합 관리할 수 있도록 지원하는 데 주력할 것이다.   올해 신제품 출시나 기술 포트폴리오 확장 계획은? 올해는 AI 기반의 혁신적인 기능들이 제품 전반에 대거 탑재된다. 대표적으로 오토데스크 어시스턴트(Autodesk Assistant)는 자연어 대화를 통해 사용자가 필요한 정보를 찾거나 작업을 자동화할 수 있도록 지원한다. 또한 뉴럴 캐드(Neural CAD)와 같은 차세대 기술을 통해 복잡한 설계 형상을 AI가 이해하고 생성을 지원하는 기능도 선보일 예정이다. 한국 시장을 위한 특별한 라인업 확장도 있다. 국내 사용자들의 다양한 니즈를 반영하여 오토캐드 포트폴리오를 전문 툴셋을 포함한 오토캐드 플러스, 오토캐드, 오토캐드 LT, 오토캐드 웹 등으로 세분화하여 선택의 폭을 넓혔다. 이를 통해 고객은 프로젝트 규모와 예산에 맞춰 최적의 설루션을 선택할 수 있게 되었다.   올해 국내 비즈니스 계획은? 올해 오토데스크코리아는 고객 및 파트너와의 동반 성장을 최우선 목표로 삼고 있다. 첫째, SMB(중소·중견기업) 지원 강화이다. 공공 BIM 확산에 발맞춰 중소기업이 비용 부담 없이 BIM을 도입할 수 있도록 교육 프로그램과 공동 구매 프로모션 등을 관련 협회와 준비하고 있다. 둘째, 오토캐드 시장 확대이다. 확장된 오토캐드 라인업을 바탕으로 2D 도면부터 3D 설계, 현장 협업까지 아우르는 유연한 작업 환경을 제공하여 국내 설계 생산성을 높이는 데 기여할 것이다. 셋째, 미래 인재 양성이다. 정부 산하 기관 및 민간 교육 기관과 협력해 관련 교육 과정을 개설하고 있으며, 교육기관에 오토데스크 소프트웨어를 무상으로 제공하고 있다. ‘숙련된 인재를 확보하고 유지하는 것’이 디지털 전환의 핵심이라고 보고 있는 만큼, 이 부분에 중장기 투자를 이어갈 계획이다.   이외에 전하고 싶은 이야기가 있다면? 오토데스크의 미션은 ‘더 나은 세상을 함께 설계하고 제작하는 것(Design and Make a Better World Together)’이다. 기술은 그 자체로 목적이 아니라, 우리가 사는 세상을 더 안전하고, 편리하고, 지속 가능하게 만들기 위한 도구이다. 한국은 글로벌 시장에서도 혁신을 가장 빠르게 수용하고 실험하는 ‘혁신의 아이콘’이다. 오토데스크코리아는 한국의 기업들이 글로벌 경쟁력을 갖추고 성공적인 디지털 전환을 이룰 수 있도록, 가장 신뢰할 수 있는 파트너로서 늘 함께 할 것이다.     ■ '2025 국내 엔지니어링 소프트웨어 시장조사'에서 더 많은 내용이 제공됩니다.

로크웰 오토메이션은 지난 3월 4일~6일 열린 ‘오토메이션 월드 2026’에 참가해 산업 운영의 미래 비전과 자율 제조 전환 전략을 소개했다. 하드웨어 중심에서 소프트웨어 및 서비스 중심 기업으로 탈바꿈하고, 자동화를 넘어 AI와 데이터 중심의 자율 운영 단계로 진화하겠다는 비전을 밝힌 로크웰 오토메이션은 글로벌 파트너들과 함께 자율형 스마트 공장 생태계를 구축할 계획이다. ■ 정수진 편집장     AI 기반의 자율 제조 운영으로 산업 패러다임 전환 로크웰 오토메이션 코리아의 인더스트리 및 OEM 영업 본부장인 김낙현 상무는 “제조 산업이 하드웨어 중심 자동화에서 AI와 소프트웨어 기반의 자율 운영 단계로 진입하는 변곡점을 맞이했다”고 짚었다. 로크웰 오토메이션은 이러한 변화가 제조업의 복합적인 위기와 기술 진화가 맞물린 결과라고 보고 있다. 김 상무는 현재 제조업계가 에너지 비용 상승, 숙련 인력 부족, 공급망 리스크 등 거대한 위기에 직면했다고 진단하면서, “제조 기업은 전방위 압박 속에서도 지속 가능한 생산 능력을 키워야 하는 과제를 안고 있다”고 전했다. 기술 발전도 가속화되고 있다. AI와 로보틱스 등 생산 기술이 빠르게 발전하면서 적용 분야 또한 넓어지는 추세다. 김낙현 상무는 이에 따라 기존의 공장 운영 방식을 새롭게 재조명해야 한다면서, “하드웨어 통제 위주의 제조 환경이 AI와 데이터 기반으로 스스로 학습하고 최적화하는 자율 운영 체계로 넘어갈 것”이라고 전망했다. 로크웰 오토메이션 코리아의 이용하 대표는 “산업 현장의 AI는 더 이상 자동화를 보완하는 부가 기술이 아니다. 데이터 단절을 극복하고 공장 운영 전반의 의사결정 구조를 바꾸는 핵심 인프라로 자리 잡았다”면서, 제조 기업들이 자연스럽게 통합 데이터 기반의 자율 운영 단계로 전환해 나가고 있다고 밝혔다.     산업 생애주기 전반에 걸친 AI 통합 추진 로크웰 오토메이션 코리아의 마켓 액세스 영업 본부장인 이원석 상무는 산업용 AI의 특수성을 강조했다. 실시간 제어와 운영기술(OT) 데이터, 안전성이 중요한 산업 현장에서는 단순 분석형 AI보다 설계–운영–유지보수 전반에 내재된 특화 AI가 필요하다는 설명이다. 로크웰 오토메이션은 제품의 전체 생애주기에 AI를 결합하는 엔드 투 엔드 전략을 추진하고 있다. ▲설계 단계에서는 자연어 질의로 프로그램 코드를 자동 생성하고, 디지털 트윈 설루션으로 가상 공간에서 물리적 장비의 시뮬레이션을 수행한다. ▲운영 단계에서는 제어기 내부에 AI 모듈을 탑재해 장비가 머신러닝으로 제어 값을 조정하고 이상을 예측한다. 여기에 AMR(자율이동로봇) 설루션을 융합해 공장의 자율 최적화를 구현한다. ▲유지보수 단계에서는 설비의 에지(edge) 단에 AI를 적용해 실시간 모니터링을 진행하고, 유지보수 시스템과 연동해 선제적인 작업 지시를 내려 다운타임을 방지한다. 이원석 상무는 “수명주기 전반을 아우르는 파트너십을 바탕으로 모든 제품군에 AI 기술을 내재화해 시작부터 끝까지 책임지는 역량이 로크웰 오토메이션의 산업용 AI가 가진 차별점”이라고 강조했다.     중소기업을 위한 자율 공장 로드맵과 구축 전략 제시 로크웰 오토메이션은 디지털화 및 데이터 인프라가 상대적으로 부족한 중소·중견 기업을 위한 단계별 전략도 소개했다. 핵심은 중소·중견 기업이 자율형 스마트 공장으로 원활하게 나아갈 수 있도록 맞춤형 컨설팅과 기술의 자연스러운 내재화를 결합해 제공하는 것이다. 김낙현 상무는 “한국의 많은 중소·중견 기업이 아직 데이터 수집조차 제대로 되지 않는 기초적인 스마트 공장 단계에 머물러 있다”면서, “이를 해결하기 위해 로크웰 오토메이션은 전담 컨설팅 조직을 통해 고객의 상황을 분석하고, 자율형 공장으로 가기 위한 구체적인 AI 접목 플랜과 단계별 설루션 활용을 지원하고 있다”고 밝혔다. 로크웰 오토메이션 코리아의 라이프사이클 서비스 사업본부장인 최태능 상무는 “오랜 기간 공장 자동화를 수행해 온 전문성을 바탕으로, 기존 제조업 현장에서 친숙하게 사용되는 제어기(PLC)나 휴먼 머신 인터페이스(HMI) 등 기존 자동화 설루션에 AI 기능을 탑재하여 내재화하는 작업을 진행하고 있다”고 밝혔다. 또한, “기업들이 거부감 없이 AI를 도입하고 기존 시스템에 자연스럽게 스며들도록 유도하는 것이 핵심 방향”이라고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.

트렌드에서 얻은 것 No. 29   “진짜 창작자는 결국 결과물을 세상에 내놓는다.” – 스티브 잡스 AI가 소프트웨어 개발의 문턱을 낮추고 있다는 말은 이제 낯설지 않다. 누구나 아이디어만 있으면 앱 하나쯤 만들 수 있을 것처럼 말하는 분위기도 강하다. 그러나 현장에서 체감하는 현실은 훨씬 복합적이다. 누군가는 “이제 비개발자도 충분히 만들 수 있다”고 말하고, 또 누군가는 “기업 시스템은 그렇게 단순하지 않다”고 말한다. 두 말 모두 맞다. 문제는 이 둘의 경계를 구분하지 않은 채 바이브 코딩(vibe coding)을 마치 모든 개발 문제를 한 번에 해결해줄 만능 해법처럼 받아들이는 데 있다. 필자가 최근 직접 경험한 바이브 코딩은 기대보다 흥미로웠고, 동시에 예상보다 훨씬 현실적이었다. 결론부터 말하면 바이브 코딩은 분명 강력하다. 다만 그 힘은 모든 영역에서 같은 방식으로 작동하지 않는다. 비개발자에게 바이브 코딩은 ‘개발의 대체재’라기보다 ‘제작의 첫 진입로’에 가깝고, 개발자에게는 생산성과 속도를 높여주는 가속 장치에 가깝다. 같은 용어를 쓰더라도 출발점도 다르고, 활용 방식도 다르며, 기대해야 할 결과도 다르다. 스티브 잡스는 “단순함은 복잡함보다 더 어렵다”고 말했다. 바이브 코딩이 바로 그렇다. 겉으로 보기에는 말 몇 줄로 프로그램을 만드는 간단한 방식처럼 보이지만, 실제로는 무엇을 만들고 싶은지 더 선명하게 설명해야 하고, 문제를 더 세밀하게 구조화해야 하며, 결과를 더 집요하게 검토해야 한다. 개발 문법의 부담은 다소 줄어들 수 있지만, 사고의 부담까지 사라지는 것은 아니다. 오히려 생각을 더 명료하게 만드는 훈련이 필요하다. 비개발자의 바이브 코딩은 결국 문제를 언어로 구조화하는 데서 시작된다. 무엇이 불편한지, 어떤 흐름이 필요한지, 어떤 화면이 있어야 하는지, 어떤 데이터를 어디서 가져와야 하는지, 결과를 어떤 방식으로 보여줘야 하는지를 AI에게 설명하고, 그 결과물을 계속 수정하고 다듬는 방식이다. 이때 중요한 것은 프로그래밍 문법을 얼마나 많이 아느냐보다 문제를 얼마나 또렷하게 정의할 수 있느냐다. 반면 개발자의 바이브 코딩은 결이 다르다. 개발자는 AI를 이용해 아키텍처 초안을 잡고, 반복 코드를 줄이고, 오류를 빠르게 디버깅하고, 리팩토링을 효율화하며, 배포 속도를 높인다. 비개발자가 바이브 코딩을 통해 ‘처음 만들어 보는 사람’이 된다면, 개발자는 ‘더 빠르고 더 많이 만드는 사람’이 된다. 이 차이를 구분하지 않으면 바이브 코딩에 대한 기대도 쉽게 과장되고, 반대로 불필요한 실망도 생긴다. 이번에 필자가 시도한 작업은 몇 가지 방향으로 나뉘어 전개되었다. 투자와 자산을 구조화해보는 도구, 여행과 탐험을 시각적으로 정리하는 도구, 그리고 개념을 더 직관적으로 연결해보는 실험 등이 그 예다. 접근 방식도 조금씩 달랐다. 어떤 것은 빠른 프로토타이핑 도구로 시험했고, 어떤 것은 웹 기반 구조를 상상했으며, 어떤 것은 생성형 AI를 결합해 해석 기능을 더해보았다. 중요한 것은 특정 기술 이름이 아니었다. 문제의 성격에 따라 도구 조합이 달라졌다는 점, 그리고 그 조합을 통해 ‘작동하는 형태’를 빠르게 확인할 수 있었다는 점이 핵심이었다. 그중에서도 가장 손에 잡히는 성과를 보여준 것은 투자 관리용 실험 도구였다. 한국 시장과 미국 시장에 동시에 투자하는 개인을 염두에 두고, 자산을 한 화면에서 함께 보고, 환율을 반영한 체감 손익을 계산하고, 단순 수익률이 아니라 수수료와 환차까지 고려한 실제 순수익에 가깝게 접근해보는 방식이었다. 여기에 종목의 가치, 품질, 위험도를 함께 보려는 시도와, 매매 기록을 정리하는 자동화 기능까지 더해보았다. 한마디로 말하면, 개인 투자자가 늘 엑셀과 계산기와 감으로 처리하던 일을 하나의 흐름 안에서 정리해보려는 실험이었다. 이런 시도는 바이브 코딩의 장점을 잘 보여준다. 현장의 불편을 가장 잘 아는 사람이 그 문제를 가장 먼저 작동하는 도구로 바꿔볼 수 있다는 점이다. 특히 개인 투자 영역에서는 불편이 명확하다. 원화 자산과 달러 자산이 분리돼 보이기 때문에 전체 자산 배분을 한눈에 파악하기 어렵고, 과거 환율이나 거래 수수료를 반영한 실제 수익 계산은 늘 번거롭다. 단일 지표만 보고 투자하면 가치 함정에 빠질 수 있고, 매매 기록을 체계적으로 남기지 않으면 판단의 맥락도 쉽게 흐려진다. 바이브 코딩은 바로 이런 불편을 작은 단위로 쪼개어 도구로 만들어보는 데 강점을 보인다.   ▲ 클릭하면 큰 이미지로 볼 수 있습니다.   피터 드러커의 말처럼 “측정할 수 있어야 관리할 수 있다.” 투자든 업무든 결국 비슷하다. 막연히 ‘잘하고 있다’고 느끼는 동안에는 개선도 어렵다. 숫자가 보여야 하고, 흐름이 보여야 하며, 내 행동의 결과가 구조적으로 드러나야 한다. 바이브 코딩은 이 지점에서 의외로 힘을 발휘한다. 정교한 상용 시스템 수준은 아니더라도, 내가 무엇을 보고 싶은지 정확히 정의할 수만 있다면 적어도 첫 번째 가시화 도구는 만들어볼 수 있다. 그 순간 막연한 감각은 데이터가 되고, 데이터는 다시 판단의 기준이 된다. 특히 인상적이었던 것은 ‘정답 제시’보다 ‘판단 보조’에 초점을 맞춘 설계였다. 단순히 싸 보이는 종목을 찾는 것이 아니라 가치와 퀄리티, 리스크를 함께 고려하는 구조를 상상하고, 이동평균선이나 거래량 변화 같은 기술적 신호를 함께 보는 식이다. AI는 여기서 결정을 대신 내려주는 존재가 아니라, 사람이 놓치기 쉬운 신호를 먼저 정리해주는 조수 역할을 맡는다. 이런 경험을 통해 느낀 것은, 바이브 코딩의 진짜 효용이 거창한 인공지능 자체에 있는 것이 아니라 사용자의 판단 포인트를 더 선명하게 드러내는 데 있다는 점이었다. 그러나 여기서 반드시 짚고 넘어가야 할 현실이 있다. 이런 경험이 곧바로 기업용 핵심 시스템 개발로 이어질 것이라고 생각해서는 안 된다. PLM, ERP, MES, APS 같은 글로벌 설루션 기반의 엔터프라이즈 환경은 개인 실험과는 전혀 다른 차원의 세계다. 데이터 모델은 정교하고, 권한 체계는 복잡하며, 인터페이스는 수많은 예외를 품고 있고, 변경 이력과 검증 절차, 보안과 운영 책임까지 촘촘하게 연결되어 있다. 자연어 몇 줄과 AI의 코드 제안만으로 안전하게 다룰 수 있는 구조가 아니다. 바로 이 지점에서 비개발자의 바이브 코딩과 개발자의 바이브 코딩은 다시 갈라진다. 비개발자는 문제를 빠르게 형태화하고 아이디어를 프로토타입으로 검증하는 데 강점을 가질 수 있다. 반면 개발자는 그 프로토타입을 기존 시스템 환경과 연결하고, 예외 처리와 안정성, 보안과 운영성을 검증하는 역할까지 감당할 수 있다. 따라서 바이브 코딩은 모든 사람을 동일한 수준의 개발자로 만들어주는 기술이라기보다, 각자의 위치에서 ‘만들어보는 속도’를 높여주는 기술에 가깝다. 이런 환경에서는 바이브 코딩이 할 수 있는 역할이 자연스럽게 제한된다. 핵심 업무 로직을 직접 대체하기보다는 화면 프로토타입, 보조 대시보드, 분석용 유틸리티, 개인용 자동화 도구, 테스트용 샌드박스, 보고용 시뮬레이터처럼 본체 주변의 영역에 더 적합하다. 다시 말해, 바이브 코딩은 글로벌 설루션의 중심부를 재구축하는 기술이라기보다, 그 주변부의 불편을 빠르게 줄여보는 실험 도구에 가깝다. 하지만 그렇다고 해서 그 의미를 과소평가할 필요는 없다. 오히려 반대다. 필자는 바로 그 제한성 때문에 바이브 코딩이 더 현실적이라고 본다. 실제 업무에서는 거대한 혁신보다 작지만 반복되는 불편이 훨씬 많다. 예를 들어 품질 이슈를 정리하는 간단한 대시보드, 협력사 대응용 정리 화면, 설계 변경 영향 체크리스트, 일정 가시화 도구, 개인용 원가 계산기, 회의록 자동 정리 보조 도구처럼 ‘정식 시스템으로 만들기엔 작지만 그대로 두기엔 계속 불편한 것들’이 현장에는 늘 존재한다. 바이브 코딩은 바로 그 틈새를 파고든다. 스티브 잡스의 말, “진짜 창작자는 결국 결과물을 세상에 내놓는다”는 문장은 이 맥락에서 유난히 실감난다. 바이브 코딩의 장점은 완벽한 시스템을 만들게 해준다는 데 있지 않다. 머릿속에만 있던 아이디어를 실제로 한번 작동해보게 만든다는 데 있다. 비개발자에게 이 경험은 특히 중요하다. 그전까지는 ‘좋은 아이디어’와 ‘실제로 작동하는 결과물’ 사이에 너무 큰 간극이 있었기 때문이다. 이제는 그 사이를 AI가 어느 정도 메워준다. 물론 완성도 높은 상용 시스템을 만들기 위해서는 여전히 전문 개발과 검증이 필요하다. 그러나 첫 번째 프로토타입을 만드는 데까지는 이전보다 훨씬 빠르게 갈 수 있다. 필자는 이 점에서 바이브 코딩의 현재 위치를 ‘개인의 실험실’에 가깝다고 본다. 지금의 바이브 코딩은 거대한 엔터프라이즈 시스템을 통째로 만드는 기술이라기보다, 순수한 개인 또는 소규모 팀이 자기 문제를 해결하기 위해 무언가를 직접 만들어보는 수준에서 가장 잘 작동한다. 그렇다고 그 수준이 가볍다는 뜻은 아니다. 바로 그 개인 실험의 축적이 조직의 디지털 감각을 바꾸고, 현장의 언어를 더 구조화하며, 나중에는 더 정교한 시스템 구축을 위한 문제 정의력으로 이어질 수 있기 때문이다. 특히 제조 기업의 실무자와 리더에게 이 흐름은 시사점이 크다. 설계, 생산, 품질, 구매, 자산 관리, 프로젝트 관리 영역에는 늘 현장만이 아는 불편이 있다. 외부 설루션은 그 불편을 모두 담아내지 못하고, 내부 IT는 모든 요청을 즉시 반영하기 어렵다. 이때 바이브 코딩은 완성형 설루션의 경쟁자가 아니라, 아이디어를 빠르게 시험해보는 사전 실험장 역할을 할 수 있다. 사용자는 먼저 문제를 언어로 정리하고, 필요한 데이터 흐름을 구조화하고, AI를 이용해 작은 도구를 만들어본다. 그렇게 만들어진 결과는 때로는 개인용 유틸리티에서 끝날 수도 있고, 때로는 정식 프로젝트의 출발점이 될 수도 있다. 중국 고전에서 유래한 말처럼 “천 리 길도 한 걸음부터다.” 바이브 코딩은 거창한 완성의 기술이 아니라, 작지만 구체적인 첫걸음을 가능하게 하는 방식이다. 비개발자는 그것을 통해 문제를 구조화하는 감각을 익히고, 개발자는 그것을 통해 더 빠르게 실험하고 구현한다. 그리고 기업은 그 사이에서 정식 시스템 이전의 가능성을 시험해볼 수 있다. 필자는 바이브 코딩을 지나치게 낙관적으로 보지도 않고, 반대로 일시적 유행으로만 보지도 않는다. 그것은 지금 당장 모든 것을 바꿔놓을 혁명은 아닐 수 있다. 그러나 적어도 한 가지는 분명하다. 이제 현장을 가장 잘 아는 사람이, 자신이 겪는 불편을 직접 작동하는 형태로 바꿔볼 수 있는 시대가 열리고 있다는 점이다. 그 가능성은 생각보다 크고 그 시작은 생각보다 작다. 그래서 지금 바이브 코딩은 거대한 답이라기보다 한 번 진지하게 시도해볼 만한 좋은 질문에 가깝다.   ■ 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.

파수가 AI 혁신(AX)을 지원하는 기업으로 정체성을 강화하기 위해 ‘파수AI(Fasoo AI)’로 사명을 변경했다고 전했다. 2000년 설립 이후 데이터 보안 및 관리 시장에서 활동해 온 파수는 이번 사명 변경을 통해 기존 보안 영역을 넘어 AI, 데이터, 거버넌스 전반을 아우르는 AI 전문 기업으로 거듭나겠다는 전략이다. 파수AI는 2022년 생성형 AI 기반 개인정보보호 설루션을 시작으로 기업용 거대 언어 모델(LLM)인 ‘엘름(Ellm)’을 출시하며 AI 사업을 확대해 왔다. 최근에는 미국 법인과 현지 AI 기업 컨실릭스(Konsilix)의 합병을 통해 기업용 AI 설루션 기업인 ‘심볼로직(Symbologic)’ 출범을 앞두고 있어 글로벌 AX 시장 공략도 본격화할 계획이다. 파수AI의 조규곤 대표는 “보안 기업을 넘어 AI 기업으로 재탄생한다는 의지를 담아 창사 26년 만에 사명을 변경했다”며, “그동안 쌓아온 데이터 관리 역량에 AI를 더해 고객이 AX에 이르는 가장 안전하고 효율적인 길을 제시하겠다”고 밝혔다.     한편, 파수AI는 사명 변경 후 첫 공식 행보로 오는 4월 15일 서울 여의도 페어몬트 앰버서더 서울에서 연례 고객 콘퍼런스 ‘FDI 심포지움(FDI Symposium) 2026’을 개최한다. ‘지속가능한 AI 혁신(Sustainable AI Transformation)’을 주제로 열리는 이번 콘퍼런스에서 파수AI는 안전한 AX 실현을 위한 구체적인 전략과 사례를 발표한다. 조규곤 대표를 비롯해 심볼로직의 롭 마라노(Rob Marano) 최고경영자(CEO) 등이 참여해 글로벌 AX 및 AI 보안 구축 사례를 공유할 예정이다. 세부 세션에서는 국내 기업에 최적화된 AX 지원 설루션과 컨설팅, AI 시대의 데이터 인프라 전략 등이 소개된다. 또한 장일수 스패로우(Sparrow) 대표가 AI를 활용한 소프트웨어 공급망 보안 방안을 발표하며, 현장 부스에서는 파수AI의 주요 설루션 시연도 진행된다. 조규곤 대표는 “이번 행사는 파수AI의 변화된 방향성과 역할을 구체적으로 보여주는 자리가 될 것”이라며, “AI 전환을 준비하는 기업들에게 실질적인 통찰력을 제공하겠다”고 말했다.

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

스마트제조혁신협회와 대한화장품협회가 2026년 부처협업형 스마트공장 구축지원사업에 참여할 화장품 제조기업을 모집한다고 밝혔다.  이번 사업은 중소·중견 화장품 제조기업의 현안 문제를 해결하고 화장품 GMP 활성화·안정적 정착을 위하여 중소벤처기업부의 스마트공장 구축지원사업과 식품의약품안전처의 화장품 GMP 활성화 지원사업·서비스를 연계하여 지원하는 사업이다. 운영기관은 중소기업기술정보진흥원 부설 스마트제조혁신추진단을 통해 스마트제조혁신협회와 대한화장품협회가 공동 운영기관으로 선정되어 2025년부터 운영하고 있다. 모집 대상은 화장품 GMP 및 스마트 공장 구축을 필요로 하는 화장품 제조 기업으로 식품의약품안전처 제조업자 등록이 되어 있어야 한다. 주요 지원 내용은 ▲화장품 제조 기업의 제품 설계·생산 공정 개선 등을 위한 스마트 공장 설루션 구축 및 설루션과 연동되는 자동화 장비·제어기·센서 등 구축 지원 ▲화장품 GMP 인증 컨설팅 ▲화장품 GMP 전문가 양성 교육 ▲K-뷰티 전문가 멘토링(8회) 등이다. 지원 조건의 경우 올해부터 목표수준별 총 2억 5000만 원 내에서 2회(1회차 고도화→2회차 동일 수준)까지 지원하되, 회당 최대 2억원 한도, 지원비율 50% 이내에서 지원 가능하다. 한편, 이번 사업에 선정되는 화장품 제조 기업은 CGMP 인증 컨설팅 및 교육, K-뷰티 전문가 그룹(화장품 선도기업 전문가·스마트 공장 구축 전문가로 구성)으로부터 스마트 공장 구축 운영 노하우 및 기업별 요구·문제 해결을 위한 1:1 멘토링 밀착 지원 서비스를 무상으로 지원받는다. 이번 사업에 대한 자세한 내용은 스마트공장 사업관리시스템 누리집에서 확인할 수 있으며, 모집은 4월 9일까지 온라인 신청이 가능하다.  

산업 디지털 전환을 가속화하는 버추얼 트윈 (11)   제조업 전반에서 PCF(Product Carbon Footprint)에 대한 관심은 해마다 빠르게 높아지고 있다. 그 배경에는 EU를 중심으로 한 환경 규제 강화가 있으며, 특히 제품 단위의 탄소 배출량 산정을 규제 대응을 위한 산출물로 요구하고 있다는 점이 핵심이다. PCF는 LCA(Lifecycle Assessment : 전 과정 평가)의 하위 개념이다. LCA가 원재료 채굴부터 생산, 사용, 폐기까지 제품 전 생애주기의 환경 영향을 종합적으로 평가하는 반면, PCF는 그 중에서도 ‘온실 가스 배출량(GHG)’에 초점을 맞춘다는 차이가 있다.   ■ 정유선 다쏘시스템코리아의 ENOVIA 브랜드 기술 컨설턴트이다. 홈페이지 | www.3ds.com/ko   그동안 많은 OEM은 매년 ESG 보고서를 공시하기 위해, 전통적인 LCA 컨설팅 업체에 외주를 맡겨왔다. 이 과정에서 기업은 특정 공정에 대한 데이터를 엑셀 파일 형태로 제공하고, LCA 컨설팅 업체는 공정의 전력 및 에너지 소비량, 폐수 배출량 등을 분석하는 결과를 다시 엑셀 파일로 전달하는 방식이 일반적이었다. 하지만 이러한 전통적인 LCA 컨설팅은 결과와 데이터가 파일 단위로 관리되어 연속성과 추적성이 떨어질 뿐 아니라, 민감한 공정 정보를 외부에 공유해야 하는 구조적인 보안 한계를 안고 있다. 더 나아가 이는 본질적으로 공정을 개선하고 최적화하는데 목적을 두고 있기 때문에, 분석 단위가 제품이 아닌 공정으로 설정하는 경우가 대부분이다. 핵심은, 이러한 접근 방식만으로는 제품 단위의 환경 영향을 정량적으로 파악하기 어렵다는 점이다. 하나의 공정에는 여러 제품이 동시에 관여하며, 개별 제품에 영향을 미치는 환경 영향을 명확히 식별하여 영향도를 분배하기가 까다롭기 때문이다. 결과적으로 기존 방식은 제품 단위 PCF 산정과 이를 요구하는 최근의 규제 대응에는 구조적인 한계를 가질 수밖에 없다.     다쏘시스템의 LCA 설루션은 이러한 한계를 극복하기 위해 ‘설계 단계’부터 제품의 환경 영향을 체크하여 이를 사전에 줄이고자 하는 데 목적이 있다. 시스템의 분석 단위 역시 공정이 아닌 제품(Product/BOM) 이며, 설계 과정에서 빈번하게 일어나는 소재나 중량의 변경, BOM(Bill of Materials : 자재 명세서) 구조 변경 등을 즉각 반영하여 시뮬레이션할 수 있다. 이는 단순한 사후 보고를 넘어, 설계 의사결정 단계에서부터 환경 성과를 고려할 수 있게 해준다는 점에서 기존 LCA 접근 방식과 본질적인 차별98 · 성을 갖는다. 다만 제품 단위의 LCA와 PCF 산정이 실제 규제 대응과 비즈니스 의사결정에 활용되기 위해서는, 공급망 전반에 걸친 데이터 연계와 신뢰성 있는 정보 교환이 필수이다. 이러한 배경 속에서 최근에는 OEM–부품사–소재사–서비스사까지 하나의 생태계로 구성하여, 제품 및 공정 관련 데이터를 안전하게 교환할 수 있도록 만든 산업 협력 플랫폼이 등장하고 있다. 독일 정부 주도로 자동차 산업용 데이터 네트워크를 구성한 카테나-X(Catena-X)가 대표 사례다. 카테나-X에는 BMW, 메르세데스-벤츠, 폭스바겐 등 주요 OEM이 참여하고 있으며, 각 기업의 데이터를 표준 프로토콜 기반으로 중앙 데이터베이스 없이 안전하게 공유하는 구조를 갖는다. 또한 제품 및 자산 정보를 디지털 트윈 표준 구조로 표현하고, 이를 기반으로 DPP(Digital Product Passport : 디지털 제품 여권)를 표준화해 적용할 계획을 가지고 있다.     제품 단위 PCF를 요구하는 다가올 미래의 규제 환경은 제조업의 역할과 책임을 설계 단계로 앞당기고 있다. 이는 환경 성과가 더 이상 생산 이후에 사후적으로 계산되는 지표가 아니라, 설계 단계에서 의사 결정에 직접 반영되어야 함을 의미한다. PLM 기반 LCA와 공급망 데이터 플랫폼의 결합은 이러한 규제를 대응하기 위한 가장 효과적인 설루션이며, EU 시장으로 수출을 하고 있거나 이를 준비 중인 기업에게는 해당 역량을 얼마나 빠르게 설계 프로세스에 내재화하느냐가 중요한 요소가 될 것이다.     ■ 기사 내용은 PDF로도 제공됩니다.

트렌드에서 얻은 것 No. 27   “AI의 다음 단계는 로봇공학이다.” – 젠슨 황, 엔비디아 CEO   라스베이거스에서 목격한 ‘가치의 증명’ 매년 1월, 미국 라스베이거스는 전 세계 기술의 향연장으로 오프라인뿐만 아니라 온라인으로 그 열기가 실시간으로 전달되지만 올해 열린 CES 2026의 공기는 사뭇 달랐다고 한다. CES에 참석한 전문가들이 전해주는 실시간 열기를 통해서 현지에서 느낀 것처럼 쉽게 접할 수 있음에 감사 말씀을 먼저 전하고 싶다. 화려한 비전과 먼 미래의 청사진을 늘어놓던 과거의 관행은 사라지고, 그 자리를 치열한 ‘실증(proof)’과 ‘현실(reality)’이 채웠다. 올해 CES의 슬로건인 ‘혁신가들의 등장(Innovators Show Up)’은 단순히 참가자들이 행사장에 나타났다는 뜻이 아니다. 아이디어를 가진 자가 아니라, 실제로 작동하는 혁신을 만들어내는 자만이 이 무대의 주인공이 될 수 있다는 냉정한 선언과도 같았다. 올해 CES를 관통하는 단 하나의 키워드를 꼽자면 단연 ‘피지컬 AI(physical AI)’다. 지난해까지 우리가 화면 속의 생성형 AI와 대화하며 그 지적 능력에 감탄했다면, 2026년의 AI는 모니터 밖으로 걸어 나와 로봇과 모빌리티라는 육체를 입고 물리적 세계를 직접 변화시키기 시작했다. 엔비디아의 젠슨 황 CEO가 “AI의 다음 단계는 로봇공학”이라고 천명했듯, 이제 기술 경쟁의 룰은 ‘무엇을 할 수 있는가(show)’에서 ‘어떤 실질적 가치를 제공하는가(prove & sell)’로 완전히 바뀌었다. 이번 호 칼럼에서는 CAD/PLM, 엔지니어링, 제조 분야의 전문가에게 이번 CES 2026이 시사하는 바를 심층적으로 분석하고, 피지컬 AI, 디지털 트윈, 그리고 한국 기업의 생존 전략을 중심으로 산업의 대전환을 조망해보고자 한다. “AI, 모니터 밖으로 걸어 나왔다.” – 김난도, 서울대학교 교수   AI, 육체를 얻다 - 피지컬 AI와 로보틱스의 진화 CES 2026 현장에서 가장 주목받은 변화는 소프트웨어 중심의 AI가 하드웨어 로봇 시장으로 폭발적으로 전이되고 있다는 점이다. 이를 ‘피지컬 AI’라고 부른다. 이는 단순히 로봇이 미리 프로그래밍된 대로 움직이는 자동화를 의미하지 않는다. 로봇이 센서와 카메라를 통해 현실 세계를 인지(perception)하고, 상황을 이해(cognition)하며, 이를 바탕으로 스스로 판단하여 물리적 행동(action)을 수행하는 단계로 진화했음을 의미한다.   ▲ CES 2026 정리 – 교수님의 화이트보드(출처 : 나노바나나 by 류용효) (클릭하시면 큰 이미지로 볼 수 있습니다.)   현대자동차그룹의 행보는 이러한 흐름을 가장 명확하게 보여주었다. 현대차는 이번 CES에서 ‘인간 중심의 AI 로보틱스’ 비전을 선포하며, 보스턴 다이내믹스의 휴머노이드 로봇 ‘아틀라스(Atlas)’의 차세대 전동식 모델을 공개했다. 과거의 유압식 모델이 연구용에 가까웠다면, 이번 전동식 모델은 실제 산업 현장 투입을 전제로 설계되었다. 현대차는 구글 딥마인드와의 협력을 통해 로봇의 ‘두뇌’를 고도화하고, 이를 2028년부터 미국 조지아주 메타플랜트 아메리카(HMGMA) 공장에 실제 투입하겠다는 구체적인 로드맵을 제시했다. 이는 로봇이 더 이상 쇼케이스용 전시물이 아니라, 제조 공정의 데이터와 결합하여 생산성을 혁신하는 실질적인 ‘노동력’으로 자리 잡았음을 시사한다. 로봇의 진화는 산업 현장에만 머물지 않았다. LG전자는 ‘공감지능’을 탑재한 AI 홈 로봇 ‘클로이드(CLOiD)’를 통해 가사 노동이 없는 ‘제로 레이버 홈(Zero Labor Home)’의 비전을 구체화했다. 클로이드는 사용자의 목소리 톤을 분석해 감정을 파악하고, 세탁기에 빨래를 넣거나 요리를 돕는 등 복잡한 물리적 가사 노동을 수행한다. 이는 로봇이 단순한 기계 장치를 넘어, 인간의 맥락을 이해하고 능동적으로 상호작용하는 ‘반려 가전’ 혹은 ‘지능형 파트너’로 격상되었음을 의미한다. 엔지니어링과 설계 관점에서 볼 때, 이러한 피지컬 AI의 부상은 하드웨어 설계와 AI 소프트웨어의 결합이 선택이 아닌 필수가 되었음을 시사한다. 로봇의 관절을 움직이는 액추에이터의 정밀 제어부터 센서 데이터를 처리하는 에지 컴퓨팅 그리고 이를 통합하는 운영체제(OS)까지, 기계 공학과 컴퓨터 공학의 경계가 완전히 허물어지고 있는 것이다. “흙(dirt)을 파는 기업에서 데이터(data)를 파는 기업으로.” – 캐터필러(Caterpillar)의 비전   데이터가 자산이 되는 산업 메타버스 - 제조의 미래 CES 2026은 제조업의 패러다임이 ‘하드웨어 제조’에서 ‘데이터 자산화’로 이동하고 있음을 여실히 보여주었다. 독일의 지멘스와 미국의 캐터필러가 보여준 비전은 전통적인 제조 기업이 어떻게 소프트웨어 및 플랫폼 기업으로 변모해야 하는지에 대한 해답을 제시한다. 지멘스는 ‘산업용 메타버스’와 ‘디지털 트윈’을 전면에 내세웠다. 현실의 공장을 가상 공간에 똑같이 복제하여 시뮬레이션함으로써 공정 최적화와 예지 보전을 수행하는 것은 이제 기본이 되었다. 핵심은 이러한 디지털 트윈이 생성형 AI와 결합하여, 엔지니어가 자연어로 설비의 상태를 묻거나 최적화 방안을 제안받는 ‘에이전틱 AI(agentic AI)’ 단계로 진입했다는 점이다. 마이크로소프트와의 협력을 통해 공개된 ‘제조 공동 지능’ 이니셔티브는 공장 내의 파편화된 데이터를 통합하고, AI가 스스로 문제를 진단하여 해결책을 제시하는 수준의 자동화를 예고했다. 중장비 업체 캐터필러의 변신 또한 극적이다. 그들은 ‘흙(dirt)을 파는 기업에서 데이터(data)를 파는 기업’으로의 전환을 선언했다. 자율주행 광산 트럭과 원격 제어 시스템을 통해 건설 현장의 모든 움직임을 데이터화하고, 이를 바탕으로 작업 효율을 극대화하는 설루션을 판매한다. 이제 굴착기는 단순한 기계가 아니라 데이터를 생성하고 수집하는 IoT(사물인터넷) 디바이스이자, 거대한 로봇이 되었다. 이러한 변화는 CAD/CAE/PLM 전문가들에게 시사하는 바가 크다. 제품을 설계한다는 것은 이제 단순히 3D 형상을 모델링하는 것을 넘어 제품이 생성할 데이터를 정의하고, 가상 공간에서의 시뮬레이션 시나리오를 설계하며, 운영 단계에서의 데이터 피드백 루프까지 고려해야 함을 의미한다. ‘설계–제조–운영’의 전 과정이 데이터로 연결되는 엔드 투 엔드(end-to-end) 엔지니어링 역량이 그 어느 때보다 중요해졌다. “미국과 중국이 앞서가는 상황에서, 한국 기업들이 살아남을 방법은 결국 압도적인 기술 격차뿐이다.” – 정구민, 국민대학교 교수   모빌리티, 바퀴 달린 AI 디바이스로 재정의되다 모빌리티 분야에서의 화두는 단연 ‘SDV(Software Defined Vehicle : 소프트웨어 중심 자동차)’의 고도화와 AI의 전면 도입이었다. 자동차는 이제 엔진과 변속기로 정의되는 기계 장치가 아니라 거대한 스마트폰, 혹은 ‘바퀴 달린 AI 디바이스’로 재정의되었다. CES 2026에서 현대모비스와 LG이노텍 등 전장 기업은 차량 내 경험(in-cabin experience)을 혁신할 디스플레이와 센서 기술을 대거 선보였다. 투명 디스플레이가 적용된 전면 유리, 운전자의 시선과 상태를 감지하는 인 캐빈 센싱, 그리고 이 모든 것을 통합 제어하는 고성능 컴퓨팅 플랫폼은 모빌리티가 단순한 이동 수단을 넘어 생활과 업무, 휴식이 가능한 ‘제3의 생활 공간’으로 진화하고 있음을 보여준다. 특히 엔비디아는 자율주행 플랫폼 ‘알파마요’를 공개하며, AI가 단순히 사물을 인식하는 것을 넘어 상황을 추론하고 미래를 예측하여 주행하는 시대를 열었다. 예를 들어 골목길에서 공이 굴러나오면 아이가 뒤따라 나올 것을 예측하여 속도를 줄이는 식이다. 이는 자율주행 기술이 규칙 기반(rule-based)에서 AI 모델 기반으로 완전히 전환되고 있음을 의미한다. 또한, 현대차의 ‘모베드(MobED)’와 같은 로보틱스 모빌리티 플랫폼은 기존 자동차의 형상을 파괴하고 있다. 납작한 직육면체 보디에 네 개의 바퀴가 독립적으로 움직이며 어떤 지형에서도 수평을 유지하는 이 플랫폼은 배송, 안내, 촬영 등 다양한 목적에 맞게 상부 모듈만 교체하여 사용할 수 있다. 이는 모빌리티 설계가 ‘목적 기반(PBV)’으로 세분화되고 있으며, 하드웨어 플랫폼의 모듈화가 가속화되고 있음을 보여준다. “CES는 전시장이 아닌 글로벌 ‘생존 실험실’이다.” – 주영섭, 서울대학교 특임교수   K-테크의 약진과 과제 - 생존을 위한 피버팅 이번 CES 2026에서 한국 기업들의 활약은 눈부셨다. 최고혁신상의 상당수를 한국 기업이 휩쓸었으며, 참가 기업 수나 전시 규모 면에서도 주최국인 미국에 이어 2위를 기록하며 존재감을 과시했다. 삼성전자와 LG전자는 AI 가전을 통해 스마트홈 생태계의 표준을 제시했고, HD현대와 두산은 무인화·자동화 기술로 산업 현장의 미래를 그렸다. 특히 주목할 점은 스타트업들의 약진이다. 마음AI는 CTA 주관 미디어데이에서 지멘스와 함께 ‘반드시 주목해야 할 기업(one pick)’으로 선정되며 글로벌 무대에서 기술력을 인정받았다. 그들이 선보인 것은 단순한 개념 증명이 아닌, 실제 산업 현장에서 즉시 활용 가능한 ‘작동하는 피지컬 AI’였다. 또한 딥엑스, 스튜디오랩 등 딥테크 기업들이 혁신상을 수상하며 AI 반도체, 로보틱스 등 첨단 분야에서 한국의 기술 저력을 입증했다. 하지만 화려한 수상 실적 이면에는 냉혹한 현실도 존재한다. 주영섭 서울대학교 특임교수는 CES를 “전시장이 아닌 생존 실험실”이라고 정의하며, 한국 기업들이 글로벌 시장의 니즈에 맞춰 끊임없이 ‘피버팅(pivoting : 사업 방향 전환)’해야 한다고 강조했다. 중국 기업들이 끈질긴 생존력으로 저가형 로봇 시장을 잠식하고 있고 빅테크 기업들이 AI 인프라를 독점해가는 상황에서, 한국 기업들은 ‘보여주기식’ 기술이 아닌 ‘돈이 되는’ 비즈니스 모델을 증명해야 하는 과제를 안고 있다. 삼성전자가 주 전시관인 LVCC를 떠나 윈 호텔에 별도 전시관을 마련하고 B2B 고객과의 깊이 있는 미팅에 집중한 것, LG전자가 가사 노동 해방이라는 명확한 고객 가치를 제안한 것은 모두 이러한 고민의 산물이다. 기술 자체의 우수성보다 그 기술이 고객에게 어떤 가치를 줄 수 있는지를 증명하는 것이 생존의 열쇠가 되었다. “혁신은 우리의 삶을 진정으로 더 낫게 만들 때만 의미가 있다.” – 류재철, LG전자 H&A사업본부장   테크 터치, 기술이 감성과 만나는 지점 CES 2026을 관통한 거대한 흐름을 한마디로 요약하자면 ‘테크 터치(tech touch)’라고 할 수 있다. 이는 기술(tech)이 산업의 효율을 높이는 것을 넘어, 인간의 삶과 감성(touch)을 어루만지는 단계로 진화했음을 의미한다. 차가운 금속 로봇이 인간의 언어를 이해하고 물을 건네주며, 자동차가 운전자의 기분을 파악해 실내 조명을 조절하고, AI가 개인의 건강 데이터를 분석해 질병을 예방한다. 이제 CAD/CAM 및 엔지니어링 분야의 전문가들은 단순히 기능적 요구사항을 충족하는 설계를 넘어, AI와 데이터가 결합된 지능형 시스템을 설계해야 하는 시대에 직면했다. 제품의 형상뿐만 아니라 그 제품이 현실 세계에서 어떻게 데이터를 수집하고, 사용자와 상호작용하며, 스스로 진화할 것인지를 설계 단계에서부터 고민해야 한다. CES 2026은 우리에게 명확한 질문을 던졌다. “당신의 기술은 실험실을 넘어 삶 속에서 작동하고 있는가?” 한국 기업들은 ‘패스트 팔로어’의 시대를 지나 이제 ‘퍼스트 무버’로서 기술의 표준을 정의해야 하는 위치에 섰다. 피지컬 AI, 디지털 트윈, SDV 등 CES가 보여준 미래 기술은 더 이상 먼 미래의 공상과학이 아니다. 바로 지금 우리의 설계 도면 위에서 그리고 생산 라인에서 구현되어야 할 현실이다. 혁신은 말이 아닌 행동으로, 그리고 실질적인 가치 증명으로 완성된다는 점을 잊지 말아야 할 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.