가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (6)   복잡한 시스템 설계를 최적화하기 위해 시스템 모델링 언어인 SysML의 역할이 커지고 있다. 이번 호에서는 블록 정의 및 내부 블록 다이어그램을 통한 설계 애셋의 재사용성과 파라메트릭 모델을 활용한 검증 방법을 살펴본다. 또한 객체지향 시스템 엔지니어링 방법론인 OOSEM의 주요 개발 활동과 모델 요소 간의 연결 구조를 분석한다. 이를 통해 복잡한 요구사항을 체계적으로 관리하고 설계 일관성을 확보하는 통합적인 시스템 엔지니어링 접근법을 제시한다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   블록 정의 및 사용   그림 1. BDD와 IBD에 의한 자동차의 ABS 시스템 예시(제동 시스템)   <그림 1>은 블록 정의 다이어그램(Block Definition Diagram : BDD)과 내부 블록 다이어그램(Internal Block Diagram : IBD)의 관계를 SysML 모델링에서의 블록 정의와 사용(Definition and Usage) 개념을 설명하는 것이다. 특히 시스템 모델에서 정의(definition)와 사용(usage)의 구분이 어떻게 나타나는지를 자동차의 ABS 시스템(제동 시스템) 예시를 통해 직관적으로 설명하고 있다. BDD는 시스템 구성 요소를 정의(definition 또는 type)하는 다이어그램이다. 여기서 블록은 하나의 설계 단위 또는 유형으로 간주되며, 그 자체로는 구현이 아닌 속성, 인터페이스, 동작 등을 기술한다. 예를 들어 Anti-Lock Controller는 하나의 중심 블록으로 정의되어 있고, Traction Detector(d1), Brake Modulator(m1), Sensor(s1)와 같은 하위 블록과 구조적 관계를 가진다. 이들 블록은 각각 독립적으로 정의된 타입이며, 다른 시스템에서도 재사용이 가능하다. Definition에서 Block은 하나의 유형(type)이며 속성, 동작, 포트 등을 정의하여 여러 콘텍스트에서 재사용된다. 연결 방식은 관계 선(연결 구조) 위주로 나타낸다. IBD는 정의된 블록을 특정 콘텍스트에서 사용하는 방식을 나타낸 다이어그램으로 정의된 블록의 실제 사용/구현 구조 표현이다. 여기서는 AntiLock Controller 블록의 내부를 구성하는 part(사용 인스턴스)들이 나타난다. Part(인스턴스 또는 역할)로 모델 내부 특정 위치에 배치된다. 연결방식은 포트와 커넥터로 물리적/논리적 인터페이스로 구성한다. 예를 들어 s1:Sensor, d1:Traction Detector, 102 · m1:Brake Modulator는 모두 정의된 블록을 특정 역할(역할/파트)로 사용하는 형태이다. 각 파트는 인터페이스 포트(c1, c2)를 통해 상호 연결되며, 모델 내 실제 연결 구조를 명시한다. Usage에서 Part는 정의된 블록의 사용 인스턴스이며 특정 콘텍스트에서 기능 역할로 배치되며 블록에 의해 타입(Type)이 지정되며 역할(role) 또는 구성요소(instance)로도 불린다. 또한 <그림 1>은 모델 기반 시스템 설계에서 중요한 개념인 정의와 사용의 분리(separation of definition and usage)를 설명하고 있다. 정의된 블록은 단일 설계 요소로서 명세되고, 이를 다양한 콘텍스트에서 조합하여 모듈화, 재사용성, 유연한 시스템 확장이 가능해진다. SysML에서 BDD와 IBD는 각각 설계와 구성, 추상화와 구현을 잇는 핵심적인 다이어그램으로 활용된다.   매개변수 - 구속조건 정의 및 사용   그림 2. 매개변수 간의 수학적 관계와 제약 조건의 정의 및 실제 시스템 모델에 적용 방법   <그림 2>는 SysML 파라메트릭 다이어그램(Parametric Diagram)을 활용하여 매개변수(변수) 간의 수학적 관계와 제약 조건(구속조건)을 정의하고, 이를 실제 시스템 모델에 적용(usage)하는 방법을 보여준다. 실제로 매개변수와 구속조건 정의 및 사용으로 시스템의 무게 조건을 예로 들어 설명하고 있다. 구속조건 정의(Constraint Definition)의 BDD 부분은 모델링된 제약 조건을 정의한 것이다. 이 영역에서는 다음 두 개의 제약 블록(constraint block)이 정의되어 있다. Total Weight는 수식 wt = Σw로 정의되어 각 구성 요소의 무게를 모두 더하여 총 무게를 계산하는 수식이다. 입력 매개변수는 wi(각 구성 요소의 무게들)과 결과로 wt(총 무게)를 나타낸다. Max Weight는 수식 result = (wt<2000 Ton)이며 총 무게가 2000톤 미만인지 여부를 판단한다. 결과는 불린(boolean) 타입으로 반환(true 또는 false)된다. 이 두 제약 블록은 상위 분석 블록인 Ship Weight Analysis에 속하며, 전체 시스템에서 무게 제한 분석을 수행하기 위한 논리적 조건으로 사용된다. 파라메트릭 다이어그램(Parametric Diagram)은 앞에서 정의한 제약 조건들을 Ship Weight Analysis 블록에 실제 적용한 예시이다. 이 다이어그램에서는 다음과 같은 구성으로 모델이 연결되어 있다. wt는 Total Weight 제약 블록이며 입력 값으로 w1, w2, w3가 연결되며 각각 ship.weight, cargo.weight, ammo.weight와 연결되어 전체 무게를 계산한다. Mw는 Max Weight 제약 블록이며 앞에서 계산된 총 무게 wt를 입력으로 받아 그것이 2000톤 미만인지 여부를 결과로 피드백한다. 이 다이어그램에서 사용된 두 제약 블록은 «usage» 관계로 상단의 BDD에서 정의된 constraint block을 참조하고 있으며, 결과적으로 시스템 설계 모델에 제약을 수학적으로 통합하는 구조이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

오토데스크는 ‘오토데스크 컨스트럭션 클라우드(Autodesk Construction Cloud, 이하 ACC)’를 AI 네이티브 플랫폼인 ‘오토데스크 포마(Autodesk Forma)’로 통합한다고 발표했다. 이번 전환은 설계 의도와 프로젝트 실행 사이의 연속성을 강화하고, 데이터 중심의 미래를 향한 오토데스크의 의지를 구체화한 이정표로 풀이된다. 오토데스크는 2025년 건축가와 엔지니어 등을 위해 구축된 클라우드 기반 플랫폼 ‘포마’를 선보였다. 당시 기획, 설계, 시공 및 운영을 단일 연결 환경으로 통합하겠다는 비전을 선보인 오토데스크는 이번 ACC의 포마 편입을 통해 AECO(건축·엔지니어링·건설·운영) 산업 클라우드로서의 정체성을 강화했다.     이러한 변화는 파편화된 데이터와 단절된 워크플로를 극복하기 위한 필수적인 과정으로 보인다. 기존의 파일 전달 방식에서 벗어나 공유된 세부 데이터를 기반으로 협업함으로써, 프로젝트 상류 단계의 결정이 하류 단계까지 명확하게 전달되는 구조를 갖추게 되었다. 특히 기존 ‘오토데스크 독스(Autodesk Docs)’가 ‘포마 데이터 매니지먼트(Forma Data Management)’로 명칭이 변경되면서, 플랫폼 전반의 공통 데이터 환경(CDE) 역할을 수행하게 된다. 한편으로, 고객 편의성을 고려해 기존 워크플로나 데이터 마이그레이션, 라이선스 체계에는 변화를 주지 않았다. 현업에서 사용하던 도구의 성능은 유지하면서, 더 긴밀하게 연결된 산업 클라우드 내에서 프로젝트의 연속성을 누릴 수 있도록 한 것이다. 오토데스크는 이번 전환과 함께 건설 분야의 효율을 높일 새로운 서비스들을 선보였다. 3월 25일부터 출시되는 ‘포마 빌드 에센셜(Forma Build Essentials)’은 시공사가 현장에서 사용하는 핵심 도구를 단일 작업 공간에 통합했다. 모바일 앱을 통해 사진과 위치 정보가 포함된 펀치 리스트를 작성하고 최신 모델과 도면을 실시간으로 확인할 수 있어, 중소규모 팀의 작업 속도를 높여준다. 함께 출시되는 ‘포마 데이터 매니지먼트 에센셜(Forma Data Management Essentials)’은 오토캐드, 레빗 등 단독 구독자에게도 클라우드 협업의 문턱을 낮춰준다. 데스크톱 워크플로를 클라우드 프로젝트 데이터와 연계해 버전 혼선을 줄이고 시공 팀에 명확한 가시성을 제공한다. 또한, ‘비딩(Bidding) 툴’의 베타 버전을 통해 입찰 관리 워크플로를 포마의 프리컨스트럭션 환경에 도입하고, 견적 및 입찰 관리의 정렬을 지원한다. 오토데스크는 ACC 및 포마의 변화를 통해, 건설 산업이 파일 기반의 고립된 의사결정에서 벗어나 AI와 자동화 기반의 BIM(건설 정보 모델링)으로 나아가는 방향성을 제시한다. 공유 데이터와 통합 시스템을 활용하면 위험 요소를 조기에 발견해 재작업을 줄일 수 있으며, 자원을 효율적으로 사용하여 지속 가능한 프로젝트 수행이 가능해진다. 오토데스크 관계자는 “이번 이정표는 진정으로 연결된 플랫폼이 산업에 제공할 수 있는 가치의 시작에 불과하다”면서, “팀이 업무를 더 일찍 시작하고 결정을 유기적으로 연결해 개념 단계부터 완공까지 명확하게 실행할 수 있도록 지원을 아끼지 않을 것”이라고 전했다.

가상 제품 개발을 위한 MBSE 및 SysML의이해와 핵심 전략 (5)   이번 호에서는 모델 기반 시스템 엔지니어링(MBSE)의 핵심 언어인 SysML의 정의와 역할을 설명한다. SysML은 기존 문서 중심 방식의 한계를 극복하기 위해 복잡한 시스템을 시각화하고 설계 일관성을 유지하며, 모델리카(Modelica)와의 연동을 통해 수치 해석 및 검증 능력까지 제공한다. 결과적으로 SysML은 요구사항 정의부터 물리적 검증까지 전체 과정을 유기적으로 통합하여 가상 제품 개발의 생산성을 높이는 데에 기여한다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   SysML이란 SysML(Systems Modeling Language)은 시스템을 대상으로 한 그래픽 모델링 언어로, UML(Unified Modeling Language)을 기반으로 확장하여 개발된 것이다. SysML은 OMG(Object Management Group), INCOSE(International Council on Systems Engineering), 그리고 ISO STEP AP233(시스템 엔지니어링 데이터 교환 표준)의 요구사항을 반영한 엔지니어링 RFP(Request for Proposal)에 따라 만들어졌으며, UML 2.0의 하위 집합을 기반으로 하되, 시스템 모델링에 특화된 확장 기능을 포함하고 있다. 즉, UML의 한 프로파일(profile)이면서도 시스템 중심 기능이 강화된 언어이다. SysML은 하드웨어, 소프트웨어, 데이터, 입력/출력, 절차 및 설비 등 복합적인 요소를 포함하는 시스템을 요구, 분석, 설계, 검증, 검증 및 검토(V&V) 등 전 과정에 걸쳐 모델링할 수 있도록 지원한다. 이를 통해 복잡한 시스템을 시각적으로 표현하고, 다양한 구성요소 간의 관계를 추적할 수 있다. 또한, SysML은 XML 기반 메타데이터 교환(XMI)을 통해 다른 모델 및 데이터 시스템과의 연동을 지원하며, 국제 표준인 AP233의 진화 과정과도 연계되어 있다. 이러한 상호운용성과 표준성은 SysML이 시스템 모델 중심 개발(model-driven SE)을 위한 핵심 언어로 자리매김하게 된 중요한 배경이다. 결론적으로, SysML은 전통적인 문서 중심 시스템 개발 방식에서 벗어나, 시각적 모델 중심으로 시스템을 통합적으로 정의하고 분석하며 검증할 수 있도록 해주는 핵심 도구라 할 수 있다. 이는 특히 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE)을 실현하기 위한 기반 언어로 널리 사용된다.   왜 SysML 모델링 언어와 MBSE가 연계되는가 지금까지 기본 시스템 엔지니어링의 시스템 설계 활동에 대해 설명해 왔지만 이들의 활동의 주요 목적은 MBSE에서도 마찬가지이다. 그러나 지금까지의 시스템 엔지니어링은 두 가지 ‘불편’이 있었다. 하나는 자연 언어 그 자체의 기술력으로 인한 불편이다. 예를 들어, 자연 언어로 시스템 엔지니어링 영역에서 널리 사용되는 계층 구조와 병렬 동작을 동시에 설명하는 것은 어렵다. 또한, 입력한 정보의 조감과 여러 원인과 결과를 가진 인과 관계를 설명하기도 어렵다. SysML은 시스템 엔지니어링을 위해 개발된 준 형식적 도식 언어이며 이러한 불편을 해소하기 쉽다. 또 다른 불편은 설명 내용의 일관성 유지라는 문제이다. 자연 언어로 작성된 문서 간에 걸친 정보의 완전성 및 일관성을 유지하는 것은 어렵고 문서에 설명된 정보가 변경될 때 시스템의 수명주기에 미치는 영향을 예측하기가 어렵다. 이들에 대해서도 모델링 툴을 병용하면서 SysML을 사용하면 이러한 불편을 없앨 수 있다. 한편 ‘개발 현장용’ 모델 언어의 의미와 메타 모델로서 추적성을 완비해야 한다. 아직 설계서로부터의 자동 코드 생성은 주류가 아니고, 사람의 손으로 프로그래밍에 의존하는 실태를 감안하면 다양한 능력의 사람이 이해하고 사용할 수 있는 설계 모델 언어여야 한다. 즉, 엄밀하지만 그것을 읽어내는데 수학적인 기능이 필수인 형식 언어나 SysML을 자유롭게 구사해 표현한 모델에서는 많은 리뷰어가 이해하는 데 고생하고, 종합적으로는 생산성을 떨어뜨릴 수 있다. 따라서 모델 간 추적성 정의만 엄격하게 한 모델 표현(언어)을 정의했다. 또한 설계 프로세스로 알려진 크게 복잡하고 세밀한 개발 단계를 결정하는 것만으로 그치지 않고 상품 디자인에 집중할 수 있도록, 모델 레벨에서 설계 순서 및 모델 간의 추적성을 나타내고 있다. SysML은 구조, 동작, 속성 및 요구 사항 측면에서 복잡한 시스템 설명을 캡처하기 위한 표준화된 범용 그래픽 모델링 언어이다. 모델리카(Modelica)는 미분 대수 방정식의 관점에서 복잡한 시스템의 연속 및 이산 시간 역학을 분석하기 위한 표준화된 범용 시스템 모델링 언어이다. SysML 모델의 설명력과 모델리카 모델의 분석 및 계산 능력을 통합하면 SysML 또는 모델리카가 개별적으로 제공하는 것보다 훨씬 더 뛰어난 기능을 제공할 수 있다. 모호함 없이 SysML과 모델리카 모델 간에 모델링 정보를 효율적이고 자동으로 전송하기 위한 구현을 지원하는 두 모델링 언어 간의 표준화된 양방향 변환이 개발되고 있다. 이러한 양방향 변환 접근 방식에 대한 개요 외에도, 이번 호에서는 변환 원리를 명확히 하고 이 두 언어 간의 통합으로 인해 발생하는 중요한 시너지 효과를 설명하는 간단한 예를 제공한다. SysML은 기본 의미론을 갖춘 잘 정의된 그래픽 구성을 사용하여 시스템 모델을 생성하고 관리하는 데 사용할 수 있는 범용 시스템 모델링 언어이다.(Object Management Group, 2008) SysML은 UML 2(Object Management Group, 2009)의 하위 집합을 재사용하고 새로운 모델링 요소와 두 가지 새로운 다이어그램 유형을 추가하여 이를 확장한다. 이러한 SysML 다이어그램은 <그림 1>에 나와있다.   그림 1. SysML 다이어그램 개요 및 UML 다이어그램과의 관계   요구 사항 다이어그램 및 매개변수 다이어그램과 결합된 일련의 동작 및 구조 다이어그램은 시스템의 통합 보기를 제공한다. 그러나 SysML은 단순한 다이어그램 세트 그 이상을 나타낸다. 다이어그램의 기본에는 모든 모델링 구성을 공식적으로 나타내는 추상 구문 모델 저장소가 있다. 그만큼 위에 표시된 대로 SysML의 시스템 동작은 활동 다이어그램, 상태 머신 다이어그램 및/또는 시퀀스 다이어그램과 관련 의미론의 조합을 통해 캡처된다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

AI·디지털 트윈으로 제조 현장의 실질적 가치 입증할 것   지멘스 디지털 인더스트리 소프트웨어의 오병준 한국지사장은 지난해 국내 대형 조선사의 차세대 설계 시스템 수주 등 굵직한 성과를 거뒀다고 소개했다. 그는 알테어 인수를 통한 기술 시너지와 엔비디아와 협력한 디지털 트윈 신제품으로 올해 제조 현장에 실질적인 가치를 제공하겠다고 밝혔다. 아울러 국내 기업에는 데이터 주권을 확보하고 작은 성공부터 만들어가는 실용적인 디지털 전환 전략을 주문했다. ■ 정수진 편집장     지난해 제조 시장의 분위기와 주요한 변화를 소개한다면? 2025년에는 많은 대기업이 지출을 통제하면서 제조 시장의 전반적인 경기가 좋은 편은 아니었지만, 하반기에 들어서면서는 많이 회복되어 지멘스 디지털 인더스트리 소프트웨어 입장에서는 목표를 달성할 수 있었다. 조선이나 일부 업종을 제외한 중소기업들은 여전히 큰 어려움을 겪었다.가장 큰 변화는 디지털 스레드(digital thread) 기반의 제조업 변환이 본격적으로 시작되었다는 점과, 알테어 인수 이후 AI 기반의 엔지니어링 프로세스 혁신을 지멘스가 주도하게 되면서 고객의 관심이 높아졌다는 것이다. 특히 BYD 등의 중국 기업이 디지털 전환(DX)을 통해 제품 출시를 크게 앞당기는 것을 보면서, 국내 시장에서도 DX 전략 도입을 더욱 적극적으로 고민하는 환경으로 바뀌었다. 산업별로 살펴 보면, 항공/방산 분야에서는 무기를 수출할 때 예방 정비 데이터를 함께 납품해야 하는 트렌드에 따라 팀센터 SLM 기반의 MRO(유지·보수·운영) 데이터 체계 구축에 대한 수요가 늘었다. 가장 큰 성과는 조선 분야에서 HD현대와 4년간 공동 개발한 끝에 지멘스의 설루션이 차세대 설계 시스템으로 선정된 것이다. 향후 5년간 전환을 거쳐 2028년에는 실제 선박 설계에 투입될 예정이다. 반도체 기업들의 전사 프로젝트 역시 계속 확장되고 있다.   인수합병 등으로 제품 라인업과 타깃 산업군이 방대해졌는데 어떻게 정리할 수 있을지? 지멘스 디지털 인더스트리 소프트웨어의 포트폴리오는 CAD 제품군인 디자인센터(Designcenter), 알테어 설루션을 포함한 시뮬레이션 제품군인 심센터(Simcenter), PLM 설루션인 팀센터(Teamcenter), 제조 운영 관리를 위한 옵센터(Opcenter), AI/에이전트 플랫폼인 멘딕스(Mendix)와 래피드마이너(Rapidminer), HPC, IoT 등으로 구성된다. 이에 더해 최근 인수한 닷매틱스(Dotmatics)를 통해 바이오 산업의 SaaS(서비스형 소프트웨어) 분야도 본격 공략할 예정이다. 주요 타깃 산업은 자동차, 전기·전자, 반도체, 조선, 기계, 항공국방, 배터리, 의료기기, 에너지, 프로세스 산업 등 10여 개 이상이다. 건설 산업에서는 직접적인 제품 포트폴리오는 크지 않지만, 지멘스 스마트 인프라(SI) 사업부의 빌딩 관리 및 알테어 시뮬레이션을 통해 협업하고 있다.   알테어 인수를 포함해 내부 조직 및 세일즈 체계에는 어떤 변화가 있었는지? 지멘스는 2007년부터 약 45조 원을 투입해 수많은 인수합병을 진행해 왔다. 현재 알테어, 지멘스 EDA(구 멘토그래픽스), 지멘스 디지털 인더스트리 소프트웨어를 모두 합쳐 한국에만 600명이 넘는 직원이 근무 중이다. 내부적으로는 모든 제품을 총괄하는 어카운트 세일즈와 특정 설루션에 특화된 스페셜티 세일즈 조직이 긴밀히 협업하는 체계를 갖추고 있다. 알테어와의 법인 통합은 올해 7월경으로 예상되며, 기존에 별도로 움직이던 지멘스 EDA 조직도 글로벌 산하로 사업 관리가 통합되었다.   산업 분야에서 AI 기술의 적용 현황과 지멘스의 전략을 소개한다면? 엔지니어링 레벨에서는 설계 툴인 NX의 코파일럿(Copilot) 등 AI 기능이 자리를 잡았고, 알테어를 인수하면서 물리적 시뮬레이션을 데이터 기반으로 보완하는 피직스 AI(Physics AI) 적용 사례가 늘고 있다. 알테어의 인수는 AI 기반 혁신의 큰 모멘텀이 될 것으로 기대하고 있다. PLM 분야에서도 RAG(검색 증강 생성)를 통해 기업 내·외부의 데이터를 엮어 리포팅 공수를 줄이는 작업이 진행 중이다. 특히 향후 기대되는 분야는 온톨로지(ontology)이다. 온톨로지는 부품이나 장비 등 데이터가 가진 속성 간의 숨겨진 관계를 찾아내서 ‘지식 그래프(knowledge graph)’를 만들고, 전사적 뷰에서 프로세스를 연결해 부서 간에 데이터가 단절되는 사일로(silo)를 없애는 기술이라고 할 수 있다. 무리하게 전사 시스템 전체를 통합하려다 실패하는 경우가 적지 않은데, 이와 달리 지멘스는 제조산업의 도메인 지식을 바탕으로 품질 관리 시스템의 고도화처럼 특정 영역부터 시작하는 바텀업(bottom-up) 방식을 채택했다. 2026년부터는 실질적인 비즈니스 가치를 현장에서 입증해 나갈 계획이다.   ▲ 지멘스가 엔비디아와 함께 개발한 디지털 트윈 컴포저   구체적인 AI 접근법과 최근 발표한 신제품에 대해 소개한다면? 지멘스는 ▲NX 등 툴 자체에 내장된 엔지니어링 AI ▲래피드마이너 등을 활용해 전사 내·외부 데이터를 엮는 데이터 패브릭 기반 AI ▲멘딕스 플랫폼과 PLM을 엮어 프로세스 자동화를 돕는 디지털 스레드 기반 에이전틱 AI(agentic AI) 등 세 가지 핵심 영역에 집중해 AI 전략을 추진하고 있다. PLM은 단순 관리 시스템을 넘어 AI가 장착된 프로세스 중심의 혁신 플랫폼으로 변화할 것이다. 이와 함께 지난 CES 2026에서 엔비디아와 공동 발표한 ‘디지털 트윈 컴포저(Digital Twin Composer)’를 올 6월에 출시할 예정이다. 기존의 공장 시뮬레이션이 단방향으로 이뤄졌다면, 이 설루션은 실제 공장 데이터와 가상의 모델 공장이 양방향으로 실시간 데이터를 주고받으며 AI가 둘 사이의 차이(gap)을 분석하고 최적화해주는 리얼타임 메타버스 설루션이다. 여타의 디지털 트윈 설루션이 가진 과도한 코딩의 한계를 해결할 수 있을 것으로 기대한다.   최근 산업 분야별 비즈니스 트렌드와 기술 투자 현황에 대해서는 어떻게 보는지? 비용 절감과 제품 출시 시간 단축을 위해 가상 제품 개발(VPD), 디지털 트윈, 소프트웨어 중심 자동차(SDV) 등에 대한 관심과 투자가 크게 늘고 있다. 실제로 실제 제품을 사용하는 소음진동(NVH) 테스트 장비 시장은 정체되는 반면, 이를 가상화하는 시뮬레이션 투자는 증가하고 있다. 특히 시뮬레이션 데이터 관리(SPDM)에 대한 투자가 늘고 있는데, 지멘스의 팀센터 포 시뮬레이션(Teamcenter for Simulation)과 알테어가 가진 다중 시뮬레이션 및 HPC 호스팅 플랫폼인 알테어 원(Altair One)이 결합하면서 이 시장에서 경쟁력을 갖추게 되었다. 또한 디지털 매뉴팩처링(DM)을 통한 생산 프로세스 최적화도 현장에 깊이 자리 잡고 있는 상황이다.   새로운 기술이 등장하면서 기업에서는 이를 활용하는 데에 어려움도 느끼는 것 같다. 어떤 조언을 해 줄 수 있을지? 기술적인 호기심만으로 접근하지 말고 비즈니스 문제와 가치를 먼저 명확히 정의한 후에 투자를 결정해야 한다고 강조하고 있다. 또한 가장 중요한 것은 데이터의 소유권(ownership)을 절대 설루션 공급사에게 내주지 말아야 한다는 것이다. 특정 툴에 종속되지 않으려면 기업 스스로 전사 데이터 모델을 이해하는 데이터 아키텍트를 반드시 육성해야 한다. 지멘스 디지털 인더스트리 소프트웨어는 기업들에게 실질적인 도움을 주기 위해 다양한 노력을 기울이고 있다. 작년에 기업 임원급을 대상으로 ‘디지털 전환 아카데미’를 꾸준히 진행해 왔는데, 올해도 이런 활동을 이어갈 계획이다. 아카데미에는 한국타이어, LG이노텍, KG모빌리티 등 여러 국내 기업의 C 레벨 임원들이 직접 참석하고 있는데, 설루션 소개가 아닌 베스트 프랙티스와 문제 해결 경험담을 공유하면서 높은 참여율과 좋은 호응을 얻고 있다. 아카데미의 주된 목적은 수백억 원의 큰 투자나 거대 담론에 휩쓸리지 말고, 임원의 권한 내에서 당장 할 수 있는 작은 디지털 전환 과제부터 빠르게 실행할 수 있도록 독려하는 것이다.   2026년 국내 제조 시장 전망과 주요 비즈니스 계획을 소개한다면? 복잡한 대내외 환경 속에서도 주요 대기업들은 근본적인 혁신을 계속 추구할 것으로 보인다. 현대자동차 등의 오픈 이노베이션 가속화, 휴머노이드 로봇 산업의 성장, 전고체 배터리 등 신시장 혁신이 공격적으로 진행될 것으로 본다. 지멘스 디지털 인더스트리 소프트웨어는 올 한 해 AI를 산업에 적용해 실질적인 비즈니스 효과를 검증하고 확산하는 데 집중하고자 한다. 특히 조선 분야를 중심으로 디지털 트윈 컴포저의 현장 적용을 지원할 예정이다. 미국이나 중국 기업들이 호기심을 갖고 빠르게 테스트해 보는 반면 국내 기업들은 실행 속도가 다소 느린 경향이 있다고 느끼는데, 앞으로는 실패를 두려워하지 않는 과감한 실험적 투자 문화가 자리 잡기를 바란다.     ■ 기사 내용은 PDF로도 제공됩니다.

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.

슈나이더 일렉트릭 코리아가 AI 및 소프트웨어 기반의 산업 자동화 설루션을 통해 산업 전반의 통합 운영 혁신에 나선다고 전했다. 최근 산업 현장은 AI 확산과 설비 고도화, 에너지 비용 상승 등 복합적인 변화 속에서 생산·전력·운영 데이터를 개별적으로 관리하는 구조를 넘어, 전 주기를 아우르는 통합 운영 체계를 요구받고 있다. 이에 슈나이더 일렉트릭은 설계, 자동화, 전력, 운영을 단절된 기술이 아닌 하나의 흐름으로 연결하는 통합 포트폴리오 전략을 강화하고 있다. 슈나이더 일렉트릭이 제시하는 전략의 핵심은 공정, 자동화, 전력 시스템을 최적화(optimize)–운영(operate)–온보드(onboard) 레이어로 구성해 분산된 운영 데이터를 AI 기반으로 실시간 통합·분석하고, 운영 전반의 가시성과 효율을 동시에 높이는 데 있다. 슈나이더 일렉트릭은 이러한 통합 구조를 기반으로 고객의 산업 환경 전반을 함께 설계하고 운영하는 ‘에너지 테크놀로지 파트너’로서의 비전을 구체화하고자 한다. 먼저 최상위의 최적화 영역에서는 아비바가 핵심 역할을 수행한다. 아비바 UOC(Unified Operations Center)와 인더스트리얼 AI(Industrial AI)는 공정, 자산, 운영 데이터를 통합 관리하고, 이를 기반으로 실시간 인사이트를 제공한다. 이를 통해 기업은 단순 모니터링을 넘어 비용 절감과 생산성 향상으로 이어지는 고도화된 의사결정을 수행할 수 있다. 또한 아비바는 통합된 데이터를 기반으로 산업 전반의 디지털 트윈을 구현함으로써, 운영 환경을 가상 공간에서 시뮬레이션하고 전략적 운영 계획을 수립할 수 있도록 지원한다. 운영 영역에서는 실행 및 제어, 전력 운영을 담당하는 설루션이 각각의 기능에 맞게 구성된다. 그중 EAE(EcoStruxure Automation Expert)는 IEC 61499 기반의 개방형 소프트웨어 정의 자동화 플랫폼으로, 하드웨어 종속성을 최소화하고 애플리케이션 중심의 제어 구조를 구현한다. 기능 블록 기반 설계를 통해 생산 라인의 확장성과 재구성을 유연하게 지원하며, 변화하는 생산 요구에 신속히 대응할 수 있는 자동화 환경을 제공한다. 전력 분야에서는 이탭(ETAP)이 전력 시스템 전용 디지털 트윈 및 시뮬레이션 설루션으로 활용된다. 이탭은 부하 흐름 분석, 단락 계산, 보호 협조, 전력 품질 분석 등 다양한 전력 시나리오를 설계 단계에서 검증할 수 있도록 지원한다. 이를 통해 실제 운영 이전 단계에서 잠재적 리스크를 사전에 예측하고, 보다 안정적이고 신뢰성 높은 전력 인프라 설계를 가능하게 한다. 또한 이탭과 에코스트럭처 파워 모니터링 엑스퍼트(EcoStruxure Power Monitoring Expert : PME)의 연계는 전력 디지털 트윈의 시뮬레이션 정밀도를 고도화하는 데 초점을 둔다. PME는 디지털 트윈을 위한 실시간 전력 및 에너지 데이터 관리 설루션으로, 현장에서 발생하는 전력 사용 및 품질 데이터를 지속적으로 수집·분석한다. 이렇게 확보된 데이터는 이탭 모델에 반영되어, 설계 기반 시뮬레이션을 실제 운영 조건에 맞춰 동적으로 보정할 수 있다. 슈나이더 일렉트릭 코리아 산업 자동화 사업부 채교문 본부장은 “슈나이더 일렉트릭은 단일 제품을 공급하는 기업이 아니라, 고객의 산업 전 주기를 아우르는 ‘원 설루션 프로바이더’로서 통합 포트폴리오 기반의 운영 혁신을 지원하고 있다. 앞으로도 생산성과 에너지 효율, 지속가능성을 동시에 달성할 수 있는 통합 설루션을 지속적으로 확대해 나갈 계획”이라고 밝혔다. 한편, 슈나이더 일렉트릭 코리아는 오는 3월 4일부터 서울 코엑스에서 열리는 ‘스마트공장·자동화산업전(AW 2026)’에 참가한다. 이번 전시에서 슈나이더 일렉트릭은 ‘Welcome to Industrial Automazing – Your Energy Technology Partner’를 메인 테마로, 설계 단계부터 운영 최적화까지 하나의 흐름으로 유기적으로 연결되는 통합 데모를 선보일 예정이다.