가트너(Gartner)가 ‘2025 AI 하이프 사이클(2025 Gartner Hype Cycle for Artificial Intelligence)’ 보고서를 통해 주목해야 할 주요 AI 혁신 기술을 발표했다. 가트너는 2025년 가장 빠르게 발전하는 기술로 ‘AI 에이전트(AI Agents)’와 ‘AI 레디(AI-Ready) 데이터’를 꼽았다. 이들 기술은 올해 높은 관심을 받고 있으며, 낙관적인 전망 및 투기적인 약속이 이어지면서 부풀려진 기대의 정점에 도달한 것으로 나타났다. 가트너 하이프 사이클은 기술 및 애플리케이션의 성숙도와 도입 현황을 시각적으로 표현하고, 실제 비즈니스 문제 해결 및 새로운 기회 창출과의 잠재적 연관성을 제시한다. 이 방법론은 시간 흐름에 따른 기술 또는 애플리케이션 발전 과정을 조망하고, 특정 비즈니스 목표의 맥락에서의 효과적인 도입 관리를 위한 신뢰 있는 인사이트를 제공한다.     AI 에이전트는 AI 기술을 활용해 디지털, 물리 환경에서 인지하고, 의사결정을 내리며, 행동을 수행하고 목표를 달성하는 자율 또는 반자율 소프트웨어다. 기업은 대형 언어 모델(LLM)을 비롯한 다양한 AI 기술과 사용 사례를 활용해 복잡한 작업을 수행할 수 있는 AI 에이전트를 개발 및 배포하고 있다. AI 레디 데이터는 데이터 세트가 AI 애플리케이션에 최적화되도록 보장해 정확성과 효율성을 향상시킨다. 데이터의 준비 상태는 특정 AI 사용 사례에 대해 얼마나 적합한 데이터인지로 결정되며, 이는 해당 사용 사례와 AI 기술 맥락에서 결정될 수 있다. 이는 데이터 관리에 대한 새로운 접근 방식을 요구한다. 가트너는 AI에 대규모로 투자하는 기업이 데이터 관리 관행과 역량을 AI 환경에 맞게 발전시켜야 한다고 조언했다. 이를 통해 기존 및 향후 비즈니스 요구사항 충족, 신뢰 확보, 위험 및 준수 문제 방지, 지적 재산 보호, 편향과 환각 감소를 달성할 수 있다고 전했다. 또한, 가트너는 ‘멀티모달(Multimodal) AI’와 ‘AI 신뢰, 위험, 보안 관리(TRiSM)’가 향후 5년 내 AI 혁신 기술의 주류가 될 것이며 부풀려진 기대의 정점을 주도하고 있다고 분석했다. 이러한 기술 발전은 보다 강력하고 혁신적이며 책임감 있는 AI 애플리케이션을 구현해 기업의 운영 방식을 변화시킬 것으로 전망된다. 멀티모달 AI는 이미지, 비디오, 오디오, 텍스트 등 여러 유형의 데이터를 동시에 학습하는 모델이다. 다양한 데이터 소스를 통합하고 분석함으로써 단일 유형의 데이터만 사용하는 모델보다 복잡한 상황을 더 효과적으로 이해할 수 있다. 이를 통해 사용자에게 더 명확한 정보를 제공하고 AI 애플리케이션의 새로운 가능성을 열 수 있다. 가트너는 멀티모달 AI가 향후 5년 동안 모든 산업 분야의 애플리케이션과 소프트웨어 제품의 성능 향상에 점점 더 필수 요소로 자리 잡을 것으로 전망했다. AI TRiSM은 윤리적이고 안전한 AI 도입을 위한 핵심 기술 프레임워크이다. 이는 모든 AI 사용 사례에 대한 기업 정책을 지원하고, AI 거버넌스, 신뢰성, 공정성, 안전성, 보안, 개인정보 보호, 데이터 보호를 보장하는 기술 계층으로 구성되어 있다. 가트너의 하리타 칸다바투(Haritha Khandabattu) 시니어 디렉터 애널리스트는 “올해도 AI에 대한 투자가 활발하게 이어지는 가운데 운영 확장성, 실시간 인텔리전스를 위한 AI 활용이 주목받고 있다”며, “생성형 AI 중심에서 AI 에이전트, AI 레디 데이터와 같은 지속 가능한 AI 제공을 지원하는 기반 기술로 이동하는 추세”라고 전했다. 이어서 칸다바투 시니어 디렉터 애널리스트는 “AI는 막대한 비즈니스 잠재력을 가지고 있지만 이는 저절로 실현되지 않는다. 목표 달성을 위한 핵심은 비즈니스와 연계된 파일럿 프로젝트, 인프라 벤치마킹, 가치 창출을 위한 AI와 비즈니스 팀 간 협력”이라고 강조했다.

최적화 문제를 통찰하기 위한 심센터 히즈 (6)   심센터 히즈(Simcenter HEEDS)는 제품 설계 과정에서 발생하는 다양한 문제에 대해서 최적화 방법론을 적용하고 올바른 결과를 도출하는 데에 도움을 준다. 이번 호에서는 토크 암(torque arm)의 설계 최적화를 위해 히즈에서 심센터 3D(Simcenter 3D) 솔버를 연계하여 시뮬레이션 자동화 워크플로를 구성하고 최적화를 진행하는 예제를 소개한다.   ■ 연재순서 제1회 AI 학습 데이터 생성을 위한 어댑티브 샘플링과 SHERPA의 활용 제2회 근사모델 기반의 최적화 vs. 직접 검색 기반의 최적화 제3회 수집 또는 측정된 외부 데이터의 시각화 및 데이터 분석 제4회 산포특성을 가지는 매개변수의 상관성 및 신뢰성 분석 제5회 실험 측정과 해석 결과 간의 오차 감소를 위한 캘리브레이션 분석 제6회 프로세스 자동화 Ⅰ – 구조 설계 최적화 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화   ■  이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 히즈를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR   그림 1   <그림 1>은 실제 토크 암 제품 이미지와 적용된 위치 및 구조적 특성을 보여주는 예시로, 이 최적화 사례에서 다룬 실제 제품 및 설계 환경을 이해하는 데 참고하길 바란다. 이번 예제에서는 질량 최소화 및 구조적 제약 조건 만족이라는 실제 공학 설계 과제를 효율적으로 수행하는 데 히즈의 성능과 활용성을 살펴 볼 것이다. 이 사례에서 설계 최적화의 목표는 토크 암의 질량을 최소화하는 것이다. 단, 구조적 제약 조건을 반드시 만족해야 하는데, 이 때 구조적 무결성(structural integrity)을 유지하기 위해 응력 수준이 재료의 항복 응력(yield stress)을 넘지 않아야 하는 조건을 만족해야 한다. 이를 위해 설계 상에서 사전에 선정한 치수 변수를 범위 내에서 조정하게 된다. 최적화 설계 프로세스는 심센터 3D와 히즈 MDO를 활용하여 자동화된 워크플로 방식으로 진행된다. 즉, 심센터 3D에서 나스트란(Nastran) 솔버를 이용한 구조 해석 결과를 히즈가 자동으로 처리하고, 해당 결과를 평가하여 최적의 설계안을 찾는 방식이다.   프로세스 자동화(Process Automation) 다분야 설계 최적화(MDO : Multidisciplinary Design Optimization) 수행 시, 설계 및 분석 프로세스는 여러 소프트웨어 환경에서 이루어진다. 이런 환경에서 효율적인 데이터 교환 및 프로세스 연동이 필수이므로, 데이터를 신속하고 정확하게 받기 위해서는 직접 인터페이스 포털(Direct Interface Portal)이 필요하다. 히즈에서는 여러 공학 분야에서 흔히 사용하는 CAD 및 CAE 툴(아바쿠스, 앤시스, 카티아, 솔리드웍스, 매트랩, LS-다이나, 심센터, 파이썬 등)을 모두 지원하므로, 사용자는 기존에 보유한 다양한 소프트웨어를 그대로 활용하면서 히즈를 이용하여 최적화 작업을 자동화할 수 있다. 히즈가 제공하는 직접 인터페이스 포털 중 일부를 <그림 2>에 나타내었다. 포털을 사용하여 <그림 3>과 같이 구성하면 사용자가 수동으로 결과를 처리하고 데이터를 전환하는 번거로운 작업을 하지 않아도 된다. 이는 시간 소모 및 인적 오류 가능성을 줄이고, 작업 흐름을 더 효율적이고 빠르게 만든다. 워크플로의 자동화가 가능하기 때문에, 결과적으로 여러 분야의 시뮬레이션 모델이나 분석을 보다 빠르고 신뢰도 높게 수행하여 더 나은 설계 및 최적화 결과를 도출할 수 있다.   그림 2   그림 3   최적화 문제 정의   그림 4   설계 목적은 <그림 4>에 나타낸 토크 암의 질량을 최소화하는 것이다. 주어진 하중 조건은 25kN이며, 이 때 구조물이 교차 방향에서 받는 최대 응력이 항복 강도를 초과하지 않아야 한다.(최대 700MPa) 또한 최대 변형량이 4mm를 초과하지 않는다는 제약 조건도 함께 고려한다. 최적화에 적용할 주요 치수 변수는 <그림 5>와 같으며, 특히 두께(Thickness of Extrude)를 변수(T1)로 설정하여 최적화 문제를 규정했다.   그림 5     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (24)   현재의 컴퓨팅 성능은 전례 없는 수준이다. 덕분에 더 큰 시스템을 시뮬레이션하고 복잡한 현상을 더 정확하게 예측할 수 있는 고급 계산 기법이 개발되었다. 그러나 터보 기계 시스템의 시뮬레이션은 각 구성 요소를 개별적으로 시뮬레이션하는 현재의 관행으로 인해 구성 요소 간의 상호 작용을 고려하지 못하기 때문에 여전히 과제를 안고 있다. 이 문제를 해결하고 효율성, 신뢰성, 저배출 측면에서 항공 엔진 설계를 개선하기 위해 피델리티 플로우(Fidelity Flow) 유동 솔버의 레이놀즈-평균 나비에-스토크스 방정식을 기반으로 새로운 방법론이 개발되었다. 이 접근 방식을 사용하면 단일 코드를 사용하여 전체 엔진의 완전 결합 시뮬레이션이 가능하다. 이번 호에서는 새로운 방법론인 유동 솔버 기술과 그 구현을 통해 얻은 결과에 대해 설명한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   그림 1. KJ66 MGT의 레이아웃 : ① 임펠러, ② 디퓨저, ③ 연소실, ④ HPT 노즐, ⑤ HPT 로터, ⑥ LPT 노즐, ⑦ LPT 로터, ⑧ 디월 베인, ⑨ 배기 후드   방법론 완전한 항공 엔진 및 가스 터빈 시스템에 대해 안정적이고 시간이 정확하며 완전히 결합된 시뮬레이션을 수행하기 위한 새로운 접근 방식이 개발되었다. 이 방법은 비선형 고조파(NLH) 기법을 사용하여 불안정한 효과를 포착하여 계산 시간을 절약할 수 있다. 이 접근법의 연소 프로세스는 효율적이고 신뢰할 수 있는 화염 생성 매니폴드(FGM)에 의존한다. 비활성 시뮬레이션에 비해 연소 과정을 모델링할 때 발생하는 계산 오버헤드는 약 50%에 불과하다. 또한 스마트 인터페이스 접근 방식은 전체 시스템에서 스칼라의 이동을 피하기 위해 구현되어, 흐름이 반응하는 곳에서만 연소 이동 변수를 해결함으로써 계산 오버헤드를 최소화한다.   유동 솔버 이 연구는 압력 기반 및 밀도 기반 설루션 체계로 구성된 케이던스 충실도 유동 솔버를 사용하여 수행된다. 유동 솔버 패키지에는 터보 기계 모델링, 대형 와류 시뮬레이션(LES), 공액 열전달(CHT), 유체-구조 상호작용(FSI), 스프레이용 라그랑지안 모듈, 캐비테이션, 복사, 다상 유동 및 연소 모델을 포함한 광범위한 물리 모델이 탑재되어 있다. 혼합 평면, 프로즌 로터, 슬라이딩 메시와 같은 표준 접근 방식이 터보 기계 모듈에 구현되어 있다. 또한 다음에서 설명하는 터보 기계 애플리케이션의 불안정한 흐름을 효율적으로 계산하기 위해 비선형 하모닉 방법을 사용할 수 있다.   비선형 고조파 방법(NLH) NLH 방법은 시간 평균 흐름에 대한 불안정성의 영향을 고려하는 비선형 접근 방식이다. 이러한 효과는 결정론적 스트레스로, 주기적 변동의 시간 평균 곱으로 나타난다. NLH 방법의 장점은 계산 효율에 있다. 평균 유동장에 대한 정상 상태 해와 사용자가 해결하기로 선택한 각 고조파의 실수 및 가상 부분에 대한 정상 상태 해만 결정하면 된다. 설루션 정확도는 고조파의 수에 따라 달라지지만, 일반적으로 불안정한 효과를 포착하는 데에는 몇 개의 고조파만 필요하다. 피델리티 플로우의 NLH 모듈은 인접한 행과 인접한 행 사이의 상호작용을 상대 회전 속도에 관계 없이 모델링할 수 있는 랭크 2 효과를 설명한다. 즉, NLH 모듈은 더 복잡하고 불안정한 상호작용을 설명할 수 있다. 랭크 2 설루션을 사용하면 포스트 프로세싱 모드에서 클로킹의 효과를 연구할 수 있다. 또한 피델리티 플로우의 NLH 모듈은 각 블레이드 행에서 사용할 고조파 수를 유연하게 정의할 수 있어, 시뮬레이션 프로세스를 더욱 맞춤화할 수 있고 효율적으로 만들 수 있다.   그림 2. 혼합 평면과 NLH 방식을 사용한 회전자-회전자 상호작용 비교     ■ 자세한 기사 내용은 PDF로 제공됩니다.

아마존웹서비스(AWS)는 최근 진행한 설문조사를 통해 국내 기업들의 AI 활용 현황과 과제를 짚었다. 또한, 신뢰할 수 있는 고성능의 인공지능 에이전트(AI agent)를 구축하고 배포할 수 있는 환경을 제공하면서 한국 시장에 지원을 강화하고 있다고 밝혔다. AWS는 AI의 도입과 활용 과정에서 기업이 겪는 기술적 어려움을 줄이고, 더 많은 기업이 쉽고 안전하게 생성형 AI를 도입하여 비즈니스 가치를 창출할 수 있도록 돕는 데 집중하고 있다. ■ 정수진 편집장    기업의 AI 도입률 높지만…고도화 위한 과제는?  AWS와 스트랜드 파트너스(Strand Partners)는 2025년 4월 한국 기업 1000곳과 일반인 1000명을 대상으로 AI에 대한 행동과 인식에 대한 설문조사를 진행하고, 그 결과를 바탕으로 한국 기업의 AI 활용 현황을 평가했다. 이 조사는 유럽에서는 3년째 진행되어 왔는데, 이번에 글로벌로 확장해 동일한 방법론을 적용했다. 스트랜드 파트너스의 닉 본스토우(Nick Bonstow) 디렉터는 설문조사 보고서의 내용을 소개하면서, 한국 기업의 AI 도입 현황과 주요 과제를 분석했다. 조사에서는 한국 기업의 48%가 AI를 도입 및 활용하고 있는 것으로 나타났는데, 이는 전년 대비 40% 성장한 수치이다. 유럽 기업의 평균 AI 도입률인 42%보다 높았는데, 특히 지난해에만 약 49만 9000 개의 한국 기업이 AI를 처음 도입한 것으로 추정된다. 본스토우 디렉터는 “AI를 도입한 기업들은 실질적인 이점을 경험하고 있다. 56%가 생산성 및 효율성 향상으로 매출 증가를 경험했고, 79%는 업무 생산성 향상 효과를 확인했다. 그리고 AI 도입에 따라 주당 평균 13시간의 업무 시간을 절감했다”고 소개했다. AI 도입률은 높지만, 국내 기업의 70%는 여전히 챗봇이나 간단한 반복 업무 자동화와 같은 기초적인 수준의 AI 활용에 머무르고 있는 상황이다. AI를 다양한 업무 영역에 통합하는 중간 단계는 7%, 여러 AI 도구나 모델을 결합하여 복잡한 업무를 수행하거나 비즈니스 모델을 혁신하는 변혁적 단계는 11%에 불과했다. 본스토우 디렉터는 “기업들이 AI의 잠재력을 완전히 활용하기 위해 더 높은 단계로 나아가야 할 필요가 있다”고 짚었다. 본스토우 디렉터는 국내 기업의 AI 도입이 양극화되고, AI 혁신의 편차를 키울 수 있다고 전했다. 한국 스타트업의 70%가 AI를 확대하고 있는데 이는 유럽의 58%보다 높은 수치로, 국내 스타트업 생태계는 AI 도입에서 뚜렷한 강점을 보였다. 스타트업의 33%는 AI를 비즈니스 전략 및 운영의 핵심 요소로 두고 있으며, 32%는 가장 고도화된 방식으로 AI를 활용하고 있다. 또한, 21%는 AI 기반의 새로운 제품 및 서비스를 개발 중이다. 반면, 국내 대기업의 69%는 여전히 AI를 효율 개선, 업무 간소화 등 기초적인 수준에서만 활용하고 있는 것으로 나타났다. 대기업의 10%만이 AI 기반 신제품 또는 서비스 개발 단계에 진입했는데, 이는 스타트업의 절반 수준이다. 이번 조사에서는 AI 도입의 주요 장애 요인으로 기술 및 디지털 인재의 부족, 자금 접근성, 규제 환경 등이 꼽혔다. 조사 응답 기업의 43%가 디지털 인재를 확보하지 못해 AI 도입 또는 확산에 어려움을 겪고 있다고 응답했고, 지난 1년간 디지털 역량 교육에 참여한 직원은 약 34%였다. 67%의 기업은 정부의 지원 정책이 AI 도입 결정에 중요하다고 응답했으며, 45%의 스타트업은 벤처 자본 56 · 접근성이 성장을 위한 핵심 요소라고 평가했다. 그리고 국내 기업들은 기술 예산 가운데 평균 23%를 규제 준수 비용에 투입하고 있으며, 34%는 AI 기본법 등 관련 입법으로 인해 이 비용이 증가할 것으로 예상했다. 본스토우 디렉터는 “한국이 AI 부문에서 세계를 선도할 수 있는 인프라와 스타트업 생태계 그리고 강한 열정을 가지고 있음을 확인했다. 하지만 AI 활용의 깊이를 더해주는 변혁적인 활용으로 나아가지 못하고 있는 점과 인재 부족, 규제 불확실성 등의 장애 요인을 해결해야 AI를 미래의 성장 동력과 경쟁력의 원천으로 삼을 수 있을 것”이라고 평가했다. 그리고, 이를 위해 한국 정부가 ▲기술 인재에 대한 투자 ▲혁신 친화적이고 명확한 규제 환경 조성 ▲공공 부문의 기술 현대화 및 디지털 전환 추진 등에 관심을 기울일 것을 제안했다.   ▲ AWS 김선수 AI/ML 사업 개발 수석 스페셜리스트   기업의 생성형 AI 활용 문턱 낮춘다 AWS의 김선수 AI/ML 사업 개발 수석 스페셜리스트는 국내 기업들이 AI를 잘 활용할 수 있도록 돕는 AWS의 생성형 AI 기술 스택과 주요 서비스를 소개했다. 그는 “2023년이 생성형 AI 개념 검증(PoC)의 해였다면 2024년은 생산 적용, 2025년은 비즈니스 가치 실현의 해가 될 것”이라고 짚었다. 또한 복잡한 작업을 자율적으로 수행하는 에이전트 AI에 대한 관심이 커지고 있다면서, 가트너(Gartner)의 전망을 인용해 “2026년까지 기업의 80% 이상이 생성형 AI API(애플리케이션 프로그래밍 인터페이스)를 사용하거나 관련 기능이 탑재된 애플리케이션을 배포할 것”이라고 전망했다. AWS는 생성형 AI를 위한 기술 스택을 세 가지 계층으로 제공한다. 가장 아래쪽에는 GPU, AI 프로세서 등을 포함해 모델 훈련과 추론에 필요한 인프라 레이어가 있고, 중간에는 AI 모델에 연결하여 각 기업에 최적화된 생성형 AI 애플리케이션을 구현하도록 돕는 모델/도구 레이어, 가장 위쪽에는 복잡한 개발 없이 쉽고 빠르게 활용할 수 있는 생성형 AI 애플리케이션 레이어가 있다. 이 기술 스택의 핵심으로 AWS가 내세운 것이 아마존 베드록(Amazon Bedrock)이다. 베드록은 생성형 AI 애플리케이션을 쉽게 구축하고 확장할 수 있도록 지원하는 완전 관리형 서비스이다. 앤트로픽, 메타, 미스트랄 AI 등 12개가 넘는 AI 기업의 파운데이션 모델(FM)을 선택해 활용할 수 있다는 점이 특징이다. 아마존 베드록은 비용, 지연 시간, 정확도를 최적화할 뿐만 아니라 기업의 필요에 맞게 모델을 맞춤 설정하거나 유해 콘텐츠/프롬프트 공격 등을 필터링해 안전한 AI 활용 환경을 갖출 수 있도록 돕는다. 김선수 수석 스페셜리스트는 “베드록은 프롬프트 엔지니어링, 검색 증강 생성(RAG), 미세조정(파인 튜닝) 등 다양한 방식으로 모델을 활용할 수 있도록 지원한다. 특히 RAG 구현을 위한 지식 베이스 및 벡터 검색 기능을 기본으로 제공해, 기업의 내부 데이터를 안전하게 연결하고 관련성 높은 답변을 생성할 수 있다”고 전했다. 최근 생성형 AI는 어시스턴트(assistant)를 넘어 워크플로를 자동화하는 에이전트(agent)로 진화하고 있으며, 궁극적으로는 사람의 개입 없이 AI끼리 자율적으로 협업하는 에이전틱 AI(agentic AI) 시스템으로 나아갈 것으로 보인다. AWS는 생성형 AI 에이전트 구축을 위해 ▲아마존 Q 디벨로퍼(Amazon Q Developer)와 같이 사전 구축된 에이전트 제품 ▲아마존 베드록 에이전트(Amazon Bedrock Agents)와 같이 내장된 오케스트레이션을 제공하는 완전 관리형 설루션 ▲스트랜드 에이전트(Strands Agents)와 같은 경량 오픈소스 SDK(소프트웨어 개발 키트)를 활용해 직접 에이전트를 구축할 수 있는 제품 등을 선보이고 있다.    ▲ AWS는 AI 에이전트의 구축과 배포를 위해 다양한 기술을 제공한다.     ■ 기사 내용은 PDF로도 제공됩니다.

제조산업의 경쟁력 강화를 위한 디지털화 전략   경제 불확실성이 커지는 가운데, 국내 제조업계는 디지털 전환과 AI 도입을 통해 위기를 극복해야 할 필요성에 직면했다. 디지털 트윈과 디지털 스레드 같은 신기술은 제품 개발부터 생산까지 전 과정의 효율을 높이고 비용을 절감하여 경쟁력을 강화하는 핵심 역량으로 주목을 받고 있다.   ■ 오병준 지멘스 디지털 인더스트리 소프트웨어 코리아의 한국지사장이다. 30여년 이상 여러 글로벌 IT 기업을 거치며 비즈니스 및 기술 전문성을 구축해 왔다.SAS 코리아 대표이사를 지냈으며, 오라클 코리아, 테라데이터 코리아, IBM 코리아 임원으로 재직한 바 있다. 홈페이지 | www.sw.siemens.com/ko-KR   한국은 세계 12위 규모의 경제 대국으로 자동차, 전자, 철강, 미용, 퍼스널 케어 제품 등 주요 산업을 중심으로 대외무역부(Foreign Trade Department : FTD)에서 가장 빠르게 성장하고 있는 국가 중 하나다. 또한 한국은 미국의 여섯 번째로 큰 무역 파트너로, 수출 품목의 대다수가 가공된 공산품이다. 그러나 최근 미국의 자동차와 철강에 대한 25% 관세 부과로 인해 한국의 수출이 5.2% 감소했다.¹) 대한상공회의소의 최근 조사에 따르면, 국내 제조업체 2107개 중 60.3%가 미국발 관세 정책으로 영향을 받고 있다고 응답했다. 뿐만 아니라 반도체, 의료 장비, 전기 장비, 기계, 통신, 전자 산업을 영위하는 기업의 65% 이상도 영향을 받을 것으로 예상하고 있다.²) 이러한 경제적 불확실성 속에서 한국의 제조업체들은 어떻게 관세의 영향을 최소화할 수 있을까? AI(인공지능), 디지털 트윈 등 신기술을 도입하는 디지털 전환이 그 해답이 될 수 있다. 제조업체들은 품질 보증, 비용 절감, 낭비 최소화와 같은 목표를 설정하고, 이를 달성하기 위한 현대적인 접근 방식으로 디지털화를 지목하고 있다. 스마트 공장 구축을 위해 시뮬레이션 소프트웨어를 적용하는 것이 가장 대표적이며, 많은 제조업체가 IoT(사물인터넷), 첨단 로보틱스와 같은 기술을 쉽게 수용하고 있다. 나아가, 제조업체들은 포괄적인 디지털 트윈을 활용해 업계의 도전 과제를 관리하면서 경쟁력을 유지해야 할 것이다.   그림 1. 소프트웨어와 자동화를 포함한 제품, 생산의 원활한 통합을 통해 제조업체는 포괄적인 디지털 트윈으로 제품을 설계, 시뮬레이션, 테스트, 검증할 수 있다. 동시에 설계 주기를 단축하며 제품과 프로세스 품질을 최적화할 수 있다.(이미지 출처 : 지멘스)   포괄적인 디지털 트윈의 가치 디지털 트윈은 제품 최적화와 생산 시스템 증강을 모두 향상시킬 수 있는 혁신 기술이다. 확장 가능한 포괄적인 디지털 트윈을 통해 제품과 생산 수명 주기를 원활하게 통합할 수 있으며, 여기에는 소프트웨어와 자동화가 포함된다. 물리 기반 디지털 트윈이 ‘포괄적’이려면 기계, 전자, 전기 시스템, 소프트웨어 등 모든 제품 도메인을 통합하고 제조와 연결해 오늘날 스마트 제품과 프로세스를 완벽하게 파악할 수 있어야 한다. 포괄적인 디지털 트윈은 일관된 디지털 모델 세트로 구성되며, 이 디지털 모델 세트는 전체 제품, 생산 수명 주기 전반에 걸쳐 사용할 수 있는 다양한 측면을 나타낸다. 디지털 트윈은 실물 제품과 함께 업데이트된다. 덕분에 제조업체는 생산 라인과 공급망 등의 활성 요소에 대응할 수 있다. 제조업체는 디지털 트윈을 통해 제품, 생산, 프로세스를 설계, 시뮬레이션, 테스트, 개선, 검증할 수 있다. 따라서 물리적 프로토타입에 소요되는 시간과 비용을 절감해 귀중한 자원을 절약할 수 있다. 실시간 시뮬레이션은 개선이 가능한 프로세스를 식별하고, 잠재적인 변경 사항을 테스트하며, 전체 시스템을 모니터링하는 데 도움을 준다. 포괄적인 디지털 트윈은 제품 수명 주기 전반에 걸쳐 일관성을 보장하고 이를 생성, 유지하는 데 드는 노력을 최소화한다. 제조업체는 디지털 트윈을 도입해 신제품, 제조 시스템, 서비스 제공 또는 프로세스의 개발 수명 주기 초기에서부터 주요 활동을 전환할 수 있다. 이를 ‘시프트 레프트(shift-left)’ 방법론이라고 한다. 엔지니어링, 설계, 원가 계산, 기타 분석 활동에 시프트 레프트를 도입하면 수명 주기 초기에 귀중한 정보와 인사이트가 생성된다. 제조업체는 이를 이용해 즉시 품질을 개선할 수 있다. 즉, 포괄적인 디지털 트윈은 운영 비용을 절감하고, 예지보전을 촉진해 생산 중단 시간을 최소화하며, 처리량을 최적화한다. 동시에 제품과 성능의 전반적인 품질과 문제 해결을 개선할 수 있다. 이러한 시간, 비용 절감으로 제조업체는 시장 출시에 필요한 시간을 단축시킬 수 있다. 또한 포괄적인 디지털 트윈을 사용해 가상으로 새로운 제품 설계 구성을 탐색할 수 있어 경쟁 우위 달성이 가능하다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

최적화 문제를 통찰하기 위한 심센터 히즈 (5)   심센터 히즈(Simcenter HEEDS)는 제품 설계 과정에서 발생하는 다양한 문제에 대해서 최적화 방법론을 적용하고 올바른 결과를 도출하는 데에 도움을 준다. 이번 호에서는 심센터 히즈에서 해석 모델의 정확도를 높이기 위한 캘리브레이션(calibration) 분석에 대해 살펴본다.   ■ 연재순서 제1회 AI 학습 데이터 생성을 위한 어댑티브 샘플링과 SHERPA의 활용 제2회 근사모델 기반의 최적화 vs. 직접 검색 기반의 최적화 제3회 수집 또는 측정된 외부 데이터의 시각화 및 데이터 분석 제4회 산포특성을 가지는 매개변수의 상관성 및 신뢰성 분석 제5회 실험 측정과 해석 결과 간의 오차 감소를 위한 캘리브레이션 분석 제6회 프로세스 자동화 Ⅰ – 구조 설계 최적화 및 사례 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 및 사례 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 및 사례 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 및 사례 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화 및 사례   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 히즈를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR   지난 호까지 연재 내용에서는 스칼라 값을 최대화하거나 최소화하는 데에 최적화의 중점을 두었다. 그러나 목표 성능 곡선을 시뮬레이션 데이터와 실험 데이터의 일치 또는 규정된 제품 사양의 일치와 같이 목표 성능 곡선을 일치시키는 것이 목표인 경우가 많다. 그리고 제품 설계에서 시뮬레이션은 시간과 비용을 절약하며 성능 예측을 가능하게 하지만 시뮬레이션 결과는 종종 실험 측정 데이터와의 오차를 보인다.  이러한 오차는 여러 가지 원인에 기인한다. 첫째, 모델링 과정에서의 가정 및 이상화로 인해 실제 물리적 현상을 완벽하게 반영하지 못할 수 있다. 둘째, 재료 물성치나 경계 조건과 같은 입력 데이터의 불확실성 또는 부정확성이 결과에 영향을 미친다. 마지막으로, 해석 소프트웨어의 수치 해석 한계로 인해 미세한 차이가 발생할 수 있다. 이러한 오차를 줄이지 않고서는 시뮬레이션 결과에 대한 신뢰성을 확보하기 어렵다. <그림 1>에서는 변형 속도에 민감한 폴리머 거동을 시뮬레이션으로 구현하기 위해 four-term Prony series의 Neo-Hookean 재료 모델에서 사용되는 5개의 재료 상수를 최적화하여, 재료의 실제 거동과 가장 잘 일치하는 계수를 식별하는 사례를 나타낸다.   그림 1   이러한 오차를 줄이기 위해 캘리브레이션(calibration) 분석이 필요하며, 이를 통해 모델의 정확도를 향상시킬 수 있다. 심센터 히즈의 ‘Curve Fit’ 기능을 활용하면 효율적인 최적화를 통해 캘리브레이션 과정을 자동화할 수 있다. 이번 호에서는 1차원 스프링-댐퍼 모델의 진폭 감쇄 곡선을 참조 곡선과 일치시키기 위해 심센터 히즈를 사용한 최적화 방법을 소개한다.   예제 - 1차원 스프링-댐퍼 모델 <그림 2>는 예제로 사용된 1차원 스프링-댐퍼 모델을 나타낸다.   그림 2   예제는 다음과 같은 변수를 가진다. 여기서 스프링 상수 k와 감쇠 계수 c는 시스템의 동적 특성을 결정하는 중요한 변수로 작용한다.  m = 1.0 # mass(kg)  k = 10.0 # spring constant(N/m)  c = 0.5 # damping coefficient(Ns/m)  F = 10.0 # external force(N) 파이썬(Python)을 사용하여 변위(x), 속도(v)를 (dx/dt = v), (dv/dt = (-c v - k x + F)/m) 관계로 10초 시간에 대해 진폭을 계산하며 결과를 <그림 3>과 같이 확인할 수 있다.   그림 3     ■ 자세한 기사 내용은 PDF로 제공됩니다.

대한기계학회 가상제품개발연구회가 지난 6월 12일 2025년 춘계 심포지엄을 개최했다. ‘AI와 VPD의 만남 : Journey to the Digital Transformation’을 주제로 한 이번 심포지엄에서는 제조업 분야의 인공지능 전환(AX) 시대에 발맞춘 가상 제품 개발(VPD) 기술 및 디지털 전환 사례가 소개됐다. ■ 정수진 편집장     디지털 전환에서 AI 전환으로, 새로운 시대가 열린다 지난 2020년 출범한 가상제품개발연구회는 제조업 분야의 가상 제품 개발 기술과 디지털 전환 사례를 공유하고 기술 교류를 통해 산업 분야의 글로벌 경쟁력을 높이는 것을 목표로 삼았다. 2021년부터는 매년 봄·가을 심포지엄과 특별 세션을 열고 있다. 가상제품개발연구회의 오세기 회장은 개회사에서 “빅데이터와 딥러닝으로 시작된 디지털 전환(DX)은 생성형 AI(generative AI)가 등장하면서 기업의 문화, 전략, 비즈니스 모델까지 인공지능 중심으로 재설계하는 인공지능 전환(AX) 시대로 진화하고 있다”면서, 그 동안 연구회 심포지엄의 모토였던 ‘디지털 전환으로의 여정’이 이제는 ‘인공지능 전환으로의 여정’으로 바뀌어야 할 시점이라고 밝혔다. 대한기계학회의 배중면 회장은 축사를 통해 “챗GPT (ChatGPT)나 생성형 AI로 대표되는 현대 인공지능 시대의 개막은 기계공학 분야에서도 예외가 아니며, 물리기반 모델과 인공지능의 융합, 시뮬레이션의 자동화, 그리고 설계 최적화의 지능화가 실현 가능한 시대가 되었다”고 짚었다. 그리고 “가상제품개발연구회는 디지털 기반 제품 개발의 혁신을 선도해 왔으며, 대한기계학회 역시 이 분야의 발전을 적극 뒷받침하겠다”고 전했다.   물리지식 기반 AI와 생성형 AI를 활용한 VPD KAIST의 이승철 교수는 ‘제품 개발 가상화를 위한 물리지식 기반 인공지능의 역할’을 주제로 기조연설을 진행했다. 생성형 AI를 활용한 제품 가상화 설계 및 공학 문제 해결 방법에 대한 고민을 전한 이승철 교수는 “생성형 AI의 출현 이후 디지털 전환에서 인공지능 전환의 시대로 진화했으며, 기계공학 분야에서도 물리기반 모델과 AI의 융합, 시뮬레이션 자동화, 설계 최적화의 지능화가 가능해졌다”고 강조했다. 생성형 AI는 하나의 입력값에서 많은 수의 결과를 생성하여 설계의 다양성을 확보하는 데에 유용하다. 특히, 위상 최적화에서 문제를 ‘불량 설정(ill-posed)’하여 다양한 최적화 설루션을 생성하고, 이를 전통적인 최적화 방법의 초기 조건으로 활용하여 설계 시간을 줄일 수 있다. 이승철 교수는 “생성형 AI를 제품 설계에 적용하는 과정에서는 정밀도와 다양성의 절충점을 찾는 것이 중요하다”고 짚었다. 또한, 이승철 교수는 VPD에 AI 신경망 학습을 접목하기 위한 방법론을 소개했다. 물리지식 기반 인공지능(PINN)은 물리 지식을 데이터 프레임워크에 결합하여 인공지능 학습에 활용하는 방식으로, 특히 알려지지 않은 물리적 특성을 예측하는 ‘역방향 문제 해결’에 장점이 있다. 딥 오퍼레이터 네트워크(DeepONet)는 입력 매개변수나 형상이 바뀌어도 재학습 없이 거의 실시간으로 해석 결과를 예측할 수 있어서, 입력 파라미터의 변경이 예측 결과에 곧바로 반영되지 못하는 PINN의 단점을 극복할 수 있을 것으로 보인다. 이승철 교수는 “물리지식 기반의 DeepONet은 유동장 및 압력 분포를 실시간으로 예측하고, 복잡한 형상 변화에 따른 유동, 압력, 온도장 등을 실시간으로 예측할 수 있음을 입증했다”면서, “인공지능 기반의 새로운 도구들이 공학 문제를 해결하고 설계 분야를 혁신하는 데에 기여할 것”이라고 전망했다.   ▲ KAIST의 이승철 교수는 물리지식 기반의 AI를 제품 개발에 적용하기 위한 방법론을 소개했다.   AI/ML 기반 가상 검증 사례와 활용 전략 이번 심포지엄을 가상제품개발연구회와 공동 주관한 다쏘시스템코리아의 김문성 파트너는 ‘AI/ML 기반 가상 검증 사례와 활용 전략’에 대해 소개했다. 그는 인공지능 기반의 생성형 경험(generative experience)이 창의적이고 자동화된 설계를 가능하게 하며, 인공지능/머신러닝이 제품 개발 과정에서 반복 작업을 줄이고 비용과 시간을 절감하는 데 기여한다고 전했다. 이번 발표에서는 시뮬레이션에 적용할 수 있는 다양한 머신러닝 기법이 소개됐다. 합성곱 신경망(CNN)은 이미지 특징 추출에, 순환 신경망(RNN)과 장단기 메모리(LSTM)는 시계열 데이터 예측에, 딥러닝은 복잡한 3차원 필드 데이터 예측에, 그리고 그래프 신경망(GNN)은 유한요소모델(FEM)과 같은 그래프 구조 데이터 처리에 유용하다는 것이 김문성 파트너의 설명이다. 또한, 김문성 파트너는 문제 정의 − 학습 데이터 준비(실험 계획법 및 자동화 스크립트 활용) − 모델 학습 − 신뢰도 검증 − 예측 모델 구축까지 다쏘시스템의 아바쿠스(Abaqus)와 아이사이트(Isight)를 활용하는 머신러닝 프로세스 구현 단계를 소개했다. 김문성 파트너는 AI/ML 기법의 시뮬레이션 적용 사례로 LSTM을 활용한 하중-변위 선도 예측, 디스플레이 스트레인 예측, 전자기 성능 예측 등을 소개했으며, GNN을 사용해 빔과 항공기 랜딩기어 부재의 3차원 응력/변형량 예측이 가능하다고 전했다. 그는 “머신러닝 기술이 시뮬레이션 작업의 효율을 높이고, 데이터 기반의 정확한 의사 결정을 지원하는 강력한 도구가 될 것”이라고 전망했다.   ▲ 다쏘시스템코리아 김문성 파트너는 AI/ML 기반의 가상 검증 전략과 사례를 소개했다.   VPD와 AI의 융합, R&D 혁신을 이끈다 이외에도 이번 심포지엄에서는 물리지식 기반 인공지능과 생성형 AI를 활용한 제품 가상화 설계 방안, AI/머신러닝 기반 가상 검증 사례와 활용 전략 등에 관한 논의를 통해 미래 제품 개발의 방향을 짚어보는 기회가 마련됐다. 주제 발표로는 ▲히타치 야마자키 미키 박사의 ‘AI가 주도하는 MBSE·MBD와 VPD의 융합 : 가상화를 통한 차세대 제품 개발 가속 및 DX 추진’ ▲피도텍 대표인 한양대 최동훈 교수의 ‘VPD 대중화로 가는 길 : Al-Aided Design Optimization’ ▲현대모비스 송준영 팀장의 ‘AI를 이용한 R&D Shift’ ▲LG전자 백영진 팀장의 ‘AI와 VPD 연계를 통한 효율적 제어 시스템 개발 프레임워크’ ▲한화에어로스페이스 윤용상 상무의 ‘디지털 해석 기술을 활용한 항공엔진 개발과 국내 항공엔진의 미래’ 등이 진행됐다. 또한 패널토론에서는 VPD와 AI의 융합을 통해 R&D 혁신을 이끌어낼 수 있는 가능성과 미래 방향에 대해 논의했다.      ■ 기사 내용은 PDF로도 제공됩니다. 

디지털 지식전문가 조형식의 지식마당   현재는 디지털 전환(DX : Digital Transformation)의 시대를 지나서 인공지능 전환(AX : AI Transformation)의 시대에 진입하고 있다. 챗GPT(ChatGPT)로 시작된 생성형 인공지능의 사용이 모든 분야에서 일상화되고 있는 시점에서, 과거의 학습과 암기를 근간으로 하는 전통적인 지식은 그 가치가 줄어들고 있다. 이러한 전통적인 지식에 대한 가치와 효용에 대해서 다시 생각하지 않을 수 없다. 우리의 뇌가 기억하고 있는 과거의 정보 지식은 점점 인공지능의 능력에 비해서 경쟁의 상대가 되지 않고 대체되고 있지만, 아직도 우리의 특별한 경험에서 오는 지식과 창의성 그리고 인공지능과 협업을 통합 인간의 지능 증폭(IA : Intelligence Amplification)은 인간의 미래 경쟁력이 될 수 있다.   그림 1. 지능 증폭 기술(출처 : Grant Munro, CC BY-SA 4.0)   스탠퍼드 대학교의 제러미 어틀리(Jeremy Utley) 교수가 AI를 활용한 창의성에 대해 설명하는 내용에 집중할 필요가 있다. 그는 AI를 단순한 도구가 아닌 팀원처럼 대해야 한다고 강조하며, 이는 생산성과 창의성 향상에 결정적인 차이를 만든다고 주장한다. 또한, AI 시대의 창의성은 단순히 아이디어를 생성하는 것을 넘어 다양하고 풍부한 영감(inspiration)을 AI에 제공함으로써 더욱 탁월한 결과를 도출하는 것이라고 설명한다. 궁극적으로 인공지능 전문가가 아닌 사람들이 AI와 협력하여 새로운 가능성을 발견하고 잠재된 창의성(creativity)을 발휘할 수 있음을 보여준다. 이것은 필자가 여러 차례 인공지능에게 단순하게 질문과 대답을 하지 않고 인공지능 에이전트(AI agent)와 소통을 잘 해서 특정한 일을 시키거나, 예를 보여주면 우리가 원하는 구체적인 작업을 하면 생산성이 급격하게 올릴 수 있다고 주장한 것과 유사하다. 또한 AI 시대에 인간의 창의성을 극적으로 증폭시키는 도구로 작용하며, 인공지능과 협력하는 방식에 따라 그 결과가 크게 달라지는 놀라운 사실을 발견할 수 있다. 이런 현상은 개인의 생산성을 25% 높이고, 작업 속도를 12% 빠르게 하며, 품질을 40% 향상시킬 수 있음에도 불구하고, AI와의 협업을 통해 실질적인 생산성을 얻는 전문직 종사자는 10% 미만에 불과하다고 한다. 어틀리 교수는 이를 ‘깨달음의 격차(Enlightenment Gap)’라고 부르며, AI 사용 방식의 차이에서 비롯된다고 설명한다. AI 사용의 가장 중요한 원칙은 AI를 사용하지 않는 것이 유일한 오답이며, AI와 ‘일하기’ 시작하면 모든 것이 이전에 생각하고 행동하는 방식과는 달라질 수 있다. 우리는 항상 수족 같은 조수와 나의 분신을 원한다. 이제는 가장 평범한 사람도 AI 기술을 통해 자신의 상황, 목소리, 의도를 이해하는 조수를 가질 수 있다. 그리고 더 나아가서는 자신의 생각과 모양 그리고 목소리를 가진 아바타(avatar)를 생성할 수 있는 기술에 한 걸음 더 접근했다. 최근 필자는 인공지능 도구(Artificial Intelligence Tool)를 이용해서 나의 전문지식과 경험을 결합해서 나의 아바타를 만들고 있다. 최근에는 일레븐랩스(ElevenLabs)라는 인공지능 도구 소프트웨어를 이용해서 나의 목소리와 거의 유사한 목소리로 나의 칼럼을 읽는 유트브 영상을 만들어 봤다.   그림 2. 음성 복제 기술(출처 : ElevenLabs)   유트브 동영상에는 많은 얼리어댑터가 다양한 인공지능 도구를 소개하면서 좋은 점만을 강조한다. 아직 비용도 비싸고 생각지 못한 버그들이 있으나, 이런 시장의 방향은 지속될 것으로 예상된다. 이것을 선택하고 잘 사용하는 것은 개인의 몫이다. 결국은 이러한 도구에 채울 수 있는 것은 개인의 아이디어라고 할 수 있다. 어틀리 교수는 저서 ‘아이디어 흐름(Ideaflow)’에서 창의성과 혁신은 개인이 타고난다는 믿음보다 학습과 개발할 수 있는 기술로 창의성을 보아야 한다고 했으며, 이를 위해서 양을 우선시하는 아이디어 생성, 즉각적인 기록 습관, 실험 중심적 사고방식, 그리고 다양한 관점 수용과 같은 구체적 방법론을 제시했다. 이러한 창의적인 사고방식과 접근 방식은 낭비되는 노력을 줄이고 성공 가능성을 높여 개인과 조직 모두의 지속적인 성장을 가능하게 한다고 주장한다. 결론적으로 디지털 전환과 인공지능 전환 시대의 창의성은 인공지능을 이용한 양적인 아이디어 생성과 함께 디지털 도구를 사용한 즉시 기록, 인공지능을 이용한 지능의 증강 및 생성을 통해 생산성이 비약적으로 커질 수 있다. 그리고 인간의 다양한 관점 수용과 실험 중심적 사고 방식으로 뇌의 변화를 필요로 한다. 현재의 인공지능 시대에도 창의적 아이디어와 결정권은 아직은 인간에게 달려 있다고 생각한다.   ■ 조형식 항공 유체해석(CFD) 엔지니어로 출발하여 프로젝트 관리자 및 컨설턴트를 걸쳐서 디지털 지식 전문가로 활동하고 있다. 현재 디지털지식연구소 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. 

카스퍼스키는 VDC 리서치와 함께 산업 부문 내 사이버보안 환경을 조사한 연구 보고서인 ‘Securing OT with Purpose-built Solutions’를 발표했다. 이번 조사는 에너지, 유틸리티, 제조, 운송 등 핵심 산업에 초점을 맞춰 250명 이상의 의사결정자를 대상으로 하였으며, 산업 환경을 사이버 위협으로부터 강화하기 위한 주요 동향과 과제를 제시했다. 보고서에 따르면 산업 기업의 7%는 필요할 때만 취약점을 관리하고 있어, 이로 인해 많은 기업들이 예기치 않은 가동 중단, 생산 손실, 그리고 잠재적 사이버 침해로 인한 평판 손상 및 재정적 피해에 노출되고 있다.     구체적으로 살펴보면, 상당수의 기업이 정기적인 침투 테스트나 취약점 평가를 시행하지 않고 있는 것으로 나타났다. 응답자의 27.1%만이 월간 기준으로 이러한 중요한 평가를 수행하는 반면, 다수인 48.4%는 몇 개월에 한 번씩 평가를 진행하고 있었다. 특히 16.7%가 연 1~2회만, 7.4%는 필요할 때만 취약점에 대응한다고 답했는데, 이러한 불규칙한 대응은 복잡해지는 위협 환경에서 기업을 취약하게 만들 수 있다. 강력한 사이버보안 전략은 기업 자산에 대한 완전한 가시성 확보에서 시작된다. 이는 리더들이 보호해야 할 자산이 무엇인지 이해하고, 위험도가 높은 영역을 평가할 수 있도록 한다. IT와 OT 시스템이 융합되는 환경에서는 단순한 자산 목록 이상의 것이 요구된다. 기업은 운영 현실에 맞는 위험 평가 방법론을 도입해야 한다. 명확한 자산 기준을 설정해야만 하며, 이를 통해 기업은 기업 위험 기준과 취약점이 발생할 수 있는 물리적 및 사이버 영향을 모두 반영하는 실질적 위험 평가를 수행할 수 있다. 모든 소프트웨어 플랫폼은 본질적으로 버그, 불안전한 코드, 그리고 악의적 행위자가 IT 환경을 침해할 수 있도록 악용할 수 있는 기타 약점에 노출된다. 따라서 산업체에 있어 효과적인 패치 관리는 이러한 위험을 완화하는 데 매우 중요하다. 그러나 연구에 따르면, 많은 기업이 패치 적용을 위한 운영 중단 시간 확보에 어려움을 겪으며, 효과적인 패치 관리에 상당한 도전을 받고 있다. 특히, 많은 기업이 OT 시스템에 대해 몇 개월에 한 번 혹은 그 이상 간격으로만 패치를 적용해 위험 노출이 크게 증가하고 있다. 구체적으로는 31.4%가 월 단위로 패치를 적용하며, 46.9%는 몇 개월에 한 번, 12.4%는 연 1~2회만 업데이트한다. 이러한 효과적인 패치 관리 유지의 어려움은 기기 가시성 제한, 공급업체별 불규칙한 패치 제공, 전문 기술 요구, 규제 준수 문제 등이 더해지는 OT 환경에서는 더욱 심화된다. IT와 OT 시스템의 융합이 점점 가속화됨에 따라, 전통적으로 독점 기술에 의존해왔던 이러한 이질적인 시스템을 조화롭게 통합할 필요가 있다. 이 과제는 자산 추적과 상태 모니터링을 위한 카메라, 스마트 센서, 고급 기후 제어 시스템 등 다양한 사물인터넷 장비가 급증함에 따라 더욱 복잡해지고 있다. 이러한 연결된 기기의 폭발적 증가는 산업 기업의 공격 표면을 넓혀, 강력한 사이버보안 대책이 필요한 시점이다. 이에 대해 카스퍼스키는 “산업 고객을 위해 전문 OT 등급 기술, 전문가 지식 그리고, 차별화된 전문성 등의 서비스를 원활하게 통합하는 강력한 생태계를 제공한다”고 소개했다. Kaspersky Industrial Cybersecurity(KICS)는 중요 인프라를 위한 네이티브 XDR 플랫폼으로, 중앙 집중식 자산 관리, 위험 관리, 감사를 지원하며, 단일 플랫폼을 통해 분산된 다양한 인프라 전반에 걸쳐 보안 확장성을 가능하게 하는 OT 생태계의 핵심이다. 또한, 카스퍼스키는 산업 기업이 신규 OT 장치 또는 시스템 도입 시 Secure by Design 이념을 채택할 것을 권장한다.  카스퍼스키의 아드리안 히아 아시아태평양 지역 총괄사장은 “극심한 경쟁이 펼쳐지는 비즈니스 환경에서 일관성과 연속성은 기업 성과의 핵심 기둥이다. 따라서 강력한 보안 시스템의 구축은, 예기치 않은 가동 중단, 장비 손상, 작업 중인 재고 손실 등 심각한 운영 중단을 초래할 수 있는 사이버 침해로부터 보호하기 위해 필수이다. 기업들은 사이버보안 시스템의 복원력을 강화하여, 단순히 운영을 보호하는 데 그치지 않고 디지털 중심 경제에서 경쟁력을 확보해야 한다”라고 말했다. 카스퍼스키 이효은 한국지사장은 “산업계의 디지털 전환 과정에서 OT 보안은 기업 생존에 매우 중요한 요소가 되었다. 많은 기업이 아직도 수동적 대응 모델에 머무르고 있으나, 진정한 해법은 선제적이고 적극적인 ‘Secure by Design’ 시스템 구축에 있다. 한국 기업들은 지능형 운영과 아키텍처적 복원력을 통합하여 복잡한 IT/OT 융합 환경에서 산업 사이버보안의 새로운 패러다임을 선도하고 있다”라고 말하며, “기업이 기존 취약점 패치 방식에서 벗어나, 점점 심각해지는 산업 사이버 위협에 대응하기 위해 전체 수명주기 보호를 제공하는 전문 OT 보안 설루션을 도입해야 한다”라고 말했다.