제21회 서울국제생산제조기술전(SIMTOS 2026)이 4월 13일 킨텍스 제1전시장에서 개막식을 갖고 5일간의 일정에 들어갔다. 한국공작기계산업협회가 주최하는 이번 전시회는 ‘AI 자율제조, 인재와 연결하다’를 주제로 오는 4월 17일까지 킨텍스 제1·2전시장 전관에서 진행된다. 올해 전시회는 35개국에서 1315개 기업이 참여해 6059부스 규모로 꾸려졌다. 이는 국내 최대 규모의 생산제조기술 전시회로, 전체 참가 기업 중 해외 기업 비중이 53.1%를 차지한다. 독일, 이탈리아, 스위스, 일본, 대만, 중국 등 6개국은 별도의 국가관을 운영하며 자국의 대표 제조기술을 선보인다. 또한 12개국 20개 협단체가 참가해 국제 협력과 산업 네트워크를 확대한다.     개막식에는 김원종 한국공작기계산업협회장을 비롯해 허성무 국회의원, 김성열 산업통상자원부 산업성장실장, 신희동 한국전자기술연구원장 등 국내외 주요 인사가 참석했다. 김원종 회장은 개회사를 통해 “인공지능 전환과 제조 데이터, 자동화 기술이 결합한 지능형 제조 시스템이 확산하면서 공작기계 산업은 제조혁신을 이끄는 핵심 기반 산업으로 역할이 확대되고 있다”고 강조했다. 이어 “이번 전시회가 기업에는 새로운 시장 창출의 기회를, 참관객에게는 제조혁신의 방향을 제시하는 계기가 되기를 기대한다”고 덧붙였다. 정부와 국회 관계자들도 공작기계 산업의 중요성을 역설했다. 허성무 국회의원은 공작기계 산업을 전통 제조업의 핵심으로 꼽으며 국회 차원의 지원을 약속했다. 김성열 산업성장실장은 대한민국이 글로벌 산업 강국으로 도약하는 데 전시회 참가 기업들의 역할이 컸다고 평가했다. 정부는 인공지능 기반 자율제조 기술 중심의 산업 육성과 연구개발 지원, 수출 경쟁력 제고 등 세 가지 정책 방향을 제시하며 기계 산업의 경쟁력 확보를 지원할 방침이다. 전시 현장은 금속절삭 및 금형기술관, 소재부품 및 제어기술관, 툴링 및 측정기술관, 절단가공 및 용접기술관, 프레스 및 성형기술관 등 5개 전문관으로 구성됐다. 특히 ‘로봇 및 디지털제조기술 특별전’을 통해 제조 AX(인공지능 전환) 시대의 산업 구조 변화를 보여준다. 제2전시장 7홀에 마련된 ‘AI 팩토리 테마관’에서는 장비와 데이터, 인공지능이 결합한 미래 제조 시스템을 직접 확인할 수 있다. 이번 행사는 기술 정보를 교류하는 것을 넘어 산업 생태계 전반을 연결하는 플랫폼 역할을 수행한다. 글로벌 제조 AX 혁신 콘퍼런스를 비롯해 여성 엔지니어 네트워크 포럼, 채용박람회인 커리어커넥트 등 다양한 프로그램이 함께 열린다. 캐드앤그래픽스가 주관하는 ‘피지컬 AI·디지털트윈 및 뿌리산업·소부장 컨퍼런스’는 4월 16일~17일 킨텍스 제2전시장 7홀 컨퍼런스룸 A에서 진행된다. 이외에 참관객의 이해를 돕기 위한 테크니컬 가이드 투어와 스탬프 투어 등 체험 이벤트도 마련됐다. 협회는 5일간의 전시 기간에 약 10만 명의 참관객이 방문할 것으로 예상하고 있다.

구글이 지능적인 오픈 AI 모델인 ‘젬마 4(Gemma 4)’를 선보인다. 젬마 4는 고급 추론과 에이전트 기반 워크플로를 위해 특수 설계되었으며, 파라미터당 높은 수준의 지능을 제공하는 것이 특징이다. 구글은 첫 번째 버전을 출시한 이후 개발자들이 젬마를 4억 회 이상 다운로드했으며, 10만 개 이상의 변형 모델로 구성된 젬마버스 생태계를 구축해 왔다고 밝혔다. 젬마 4는 이러한 개발자들의 요구를 반영해 AI의 가능성을 확장하는 방향으로 개발되었다. 구글은 개발자 생태계를 지원하기 위해 젬마 4를 상업적 활용이 가능한 아파치 2.0 라이선스로 제공한다고 밝혔다.  이 모델은 제미나이 3와 동일한 연구 및 기술을 기반으로 한다. 이용자의 하드웨어에서 직접 실행할 수 있는 강력한 성능을 갖췄으며, 개방형 모델과 폐쇄형 툴을 아우르는 조합을 제공한다. 구글은 젬마 4를 네 가지 크기로 제공한다. 효율성을 강조한 E2B(Effective 2B)와 E4B(Effective 4B), 그리고 대형 모델인 26B MoE와 31B Dense로 구성된다. 구글에 따르면 31B 모델은 업계 표준인 아레나 AI 텍스트 리더보드에서 오픈 모델 기준 3위를 기록했으며, 26B 모델은 6위에 올랐다. 젬마 4는 20배 큰 모델보다 우수한 성능을 보이기도 한다. 이러한 성능 향상을 통해 개발자는 적은 하드웨어 자원으로도 높은 수준의 AI 기능을 구현할 수 있다. 특히 에지 컴퓨팅 환경에서는 E2B와 E4B 모델이 온디바이스 활용성을 확장하며 멀티모달 기능과 낮은 지연 시간을 지원한다.   ▲ 4월 1일 기준 Arena.ai 챗 아레나에서 오픈 모델 성능 대비 크기 비교(출처 : 구글)   젬마 4는 안드로이드 기기부터 노트북 GPU, 개발자 워크스테이션까지 다양한 하드웨어에서 효율적으로 실행되고 미세 조정될 수 있도록 설계되었다. 주요 특징으로는 다단계 계획 수립이 가능한 고급 추론 기능과 함수 호출 및 구조화된 JSON 출력을 지원하는 에이전트 기반 워크플로가 꼽힌다. 또한 고성능 오프라인 코드 생성 역량을 갖춰 개인 워크스테이션을 AI 코드 어시스턴트로 활용할 수 있다. 모든 모델은 비디오와 이미지를 기본 처리하며 140개 이상의 언어를 지원한다. 컨텍스트 윈도는 모델 크기에 따라 128K에서 최대 256K까지 제공한다. 하드웨어 환경에 따른 최적화도 이루어졌다. 26B 및 31B 모델은 개인용 컴퓨터에서 오프라인 기반의 높은 지능을 구현한다. 단일 80GB 엔비디아 H100 GPU나 일반 소비자용 GPU에서도 구동이 가능하다. 모바일과 IoT 기기를 위한 E2B 및 E4B 모델은 메모리 사용량과 배터리 소모를 최소화하도록 설계되었다. 픽셀 팀과 퀄컴, 미디어텍 등 하드웨어 파트너와의 협업을 통해 스마트폰과 라즈베리 파이 등에서도 지연 시간 없이 오프라인으로 실행된다. 신뢰성과 안전성 측면에서도 구글의 독점 모델과 동일한 보안 프로토콜이 적용된다. 개발자는 구글 AI 스튜디오나 구글 AI 에지 갤러리에서 젬마 4를 직접 탐색할 수 있으며, 허깅 페이스, 캐글, 올라마 등을 통해 모델 가중치를 다운로드할 수 있다. 구글 클라우드의 버텍스 AI와 클라우드 런 등을 통한 서비스 확장도 가능하며, 엔비디아와 AMD GPU 등 다양한 하드웨어 플랫폼에서 최적화된 성능을 제공한다.

캐드앤그래픽스 CNG TV는 ‘AI 에이전트 대전환, 전문성 설계부터 코딩 혁명까지’를 주제로 인공지능팩토리 김태영 대표와 소이랩(SOY.LAB) 최돈현 대표를 초청, 방송을 진행했다. 이번 방송에서는 CNG TV 전문위원인 한국건설기술연구원 강태욱 연구위원의 사회로 최근 뜨거운 이슈가 되고 있는 AI 에이전트 트렌드에 대해 살펴보았다. 자세한 내용은 다시보기 페이지에서 확인할 수 있다.   CNG TV 발표자 - 김태영 대표(인공지능팩토리), 최돈현 대표(SOY.LAB)   AI 에이전트 대전환 시대, 전문가의 설계와 코딩 혁명이 가져올 미래 단순한 도구 활용을 넘어 AI 에이전트(AIA)가 업무의 주축이 되는 대격변의 시대가 도래했다. 기술의 단순 재현(Representation)을 넘어 전문가가 직접 시스템을 설계(Design)하고 지휘(Orchestration)하는 생존 전략이 필요한 시점이다. 인공지능팩토리 김태영 대표와 SOY.LAB 최돈현 대표는 이번 방송을 통해 AI 에이전트의 최신 흐름과 실무 적용 방안을 심도 있게 다루었다. AI 에이전트의 진화: 툴 콜링에서 자율적 임무 수행까지 AI 기술은 LLM(대규모 언어 모델)에서 시작하여 RAG(검색 증강 생성), 멀티턴 대화, 그리고 도구를 직접 호출하는 '툴 콜링(Tool Calling)' 단계로 빠르게 진화했다. 과거에는 개발자만이 API를 통해 도구를 연결할 수 있었으나, MCP(Model Context Protocol)의 등장으로 일반 엔지니어도 다양한 외부 기능을 에이전트에 연결할 수 있는 길이 열렸다. 특히 최근 주목받는 '오픈클로(OpenClaw)' 시스템은 하트비트(Heartbeat) 기능을 통해 에이전트를 주기적으로 깨워 스스로 업무를 수행하게 한다. 이는 사용자가 일일이 명령을 내리는 리액티브(Reactive) 방식을 넘어, AI가 스스로 판단하고 실행하는 프로액티브(Proactive) 방식으로의 전환을 의미한다. 김태영 대표는 실제 실험을 통해 에이전트의 자율적 업무 가능성을 확인했다고 밝혔다. 바이브 코딩과 코딩 에이전트가 만드는 생산성 혁명 '바이브 코딩(Vibe Coding)'의 등장은 개발 생태계에 큰 충격을 주었다. 커서(Cursor)나 클로드 코드(Claude Code)와 같은 에이전트는 파일 시스템에 접근하여 스스로 코드를 수정하고 실행하며, 사용자의 의도(Vibe)만으로 결과물을 만들어낸다. 이러한 에이전트는 단순히 코드 작성에 그치지 않고 문서 작성, PPT 제작, 웹페이지 구축 등 다양한 스킬(Skill)을 장착하여 범용적인 업무 비서로 진화하고 있다. 하지만 에이전트가 공유기 설정을 변경하거나 시스템 보안을 위협할 수 있는 수준까지 발전함에 따라, 격리된 환경(샌드박스)에서의 운영과 시스템적 보안 설계가 필수가 되었다. 시댄스 2.0과 비주얼 생성 AI의 격변 영상 및 이미지 생성 분야에서도 거대한 변화가 일어나고 있다. 바이트댄스(Bytedance)의 '시덴스(Seedance) 2.0'은 실사에 가까운 고품질 영상 생성 능력을 보여주며 기존의 글로벌 모델들을 위협하고 있다. 이미지 한 장으로 비행기 탈출 장면과 같은 역동적인 영상을 생성하거나, 짧은 명령만으로 고수준의 광고 영상을 제작하는 것이 가능해졌다. 또한 '컴피 클라우드(Comfy Cloud)'의 등장은 고가의 그래픽 카드 없이도 저렴한 비용으로 전문가급 워크플로우를 구축할 수 있게 했다. 이는 개인이 GPU 자원을 클라우드에서 활용하며 복잡한 노드 기반의 생성 프로세스를 운영할 수 있게 됨으로써, 1인 창작자의 기술적 진입 장벽을 혁신적으로 낮추었다. 전문가의 역할 변화와 미래 지향적 관점 AI가 숙련가의 영역을 대체함에 따라, 인간 전문가의 역할은 '어떻게 만드느냐'보다 '무엇을 설계하느냐'로 이동하고 있다. 최돈현 대표는 인문학적 소양과 예술적 통찰력을 바탕으로 한 전문성이 결여된 AI 결과물은 시장에서 오래 살아남기 어렵다고 강조했다. 앞으로의 산업 구조에서는 큰 기업에 소속된 인재보다, AI 에이전트를 지휘하여 가치를 창출하는 '1인 기업가'의 비중이 높아질 것으로 예측된다. 따라서 기술에 매몰되기보다 본연의 도메인 지식을 강화하고, AI를 효율적으로 지휘하는 설계 능력을 갖추는 것이 생존의 핵심이다.

심센터 HEEDS 더 깊게 살펴 보기 (4)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA의 성능을 비약적으로 가속화시키는 AI 시뮬레이션 프레딕터(AI Simulation Predictor) 기술에 대해 자세히 살펴본다. 지난 호에서 다룬 SHERPA의 지능형 탐색 방식에 AI의 예측 통찰력을 결합하여, 어떻게 해석 시간의 병목을 해결하고 검색 효율을 극대화하는지 조명할 예정이다. 이를 통해 고비용 해석 모델에서도 실질적인 리드타임을 단축하고 더 우수한 설계안을 도출해 내는 원리를 알아보고자 한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 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 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   최적화의 병목, 해석 시간과 비용의 문제 고충실도(High-Fidelity) 해석의 딜레마 현대 엔지니어링 설계의 정점은 전산유체역학(CFD)이나 비선형 구조해석과 같은 고성능 계산 과정을 필수로 한다. 이러한 고충실도 해석은 제품 성능을 가상 공간에서 정밀하게 모사할 수 있게 해 주지만, 치명적인 약점이 있다. 복잡한 모델의 경우 1회 해석에 수 시간에서 수 일이 소요되기도 하며, 수백 번의 반복 계산이 필요한 최적화 과정에서 이는 극복하기 어려운 시간적 병목(bottleneck)이 된다.   MDAO 과정에서 직면하는 실제 문제들 연재의 배경이 되는 다분야 설계 분석 및 최적화(MDAO : Multidisciplinary Design Analysis and Optimization) 환경에서는 다음과 같은 네 가지 핵심 문제에 직면한다. 시뮬레이션 시간 & 계산 비용 : 장기간의 CAE 실행은 컴퓨터 자원의 점유와 라이선스 비용 부담을 가중시킨다. 신뢰성 : 시간 제약으로 인해 충분한 설계안을 검토하지 못하면 결과의 신뢰성이 떨어진다. 지식의 재사용 : 이전 프로젝트의 방대한 시뮬레이션 데이터를 현재 최적화에 제대로 자산화하지 못하는 한계가 있다. 시프트 레프트(shift left) : 제품 개발 초기 단계에서 오류를 발견하지 못하면 이후 단계에서 대규모 수정 비용이 발생한다.   기존 대안 : 전통적 최적화 프로세스와 근사 모델의 한계 해석 시간을 줄이기 위해 전통적인 설계 공간 탐색(design space exploration) 과정에서는 반응표면법(RSM)이나 크리깅(kriging)과 같은 근사 모델(surrogate model)이 널리 사용되어 왔다. 하지만 이러한 전통적인 방식은 프로세스 측면에서의 번거로움과 기술적 모델 구축 측면에서의 한계를 동시에 안고 있다.   그림 1   첫째, 전문가 중심의 복잡한 다단계 프로세스로 인한 고충(pain points)이 크다. 목적 정의부터 모델 단순화, 알고리즘 선택 및 튜닝, 탐색 수행, 결과 해석으로 이어지는 과정은 매우 정교한 전문 지식을 요구하며 다음과 같은 문제를 일으킨다. 모델 단순화의 오류 가능성 : 변수 선별이나 응답면 모델을 수동으로 생성하는 과정은 오류가 개입되기 매우 쉽다.(too error-prone) 알고리즘 선택 및 튜닝의 고비용 구조 : 적절한 검색 알고리즘을 결정하기 위해 수많은 반복 시도가 필요하며, 파플레이션 크기나 변이율 등 세부 매개변수 설정에 고도의 전문성이 요구되어 시간과 비용이 많이 든다.(too costly & too difficult) 제한적인 혁신 : 이러한 난이도 탓에 최적화 기술이 일부 전문가에 의해 매우 한정적인 문제에만 적용되어, 결과적으로 설계 혁신의 폭이 좁아지는 결과를 초래한다. 둘째, 기술적으로 구축된 근사 모델 자체가 가진 결정적인 한계가 존재한다. 초기 데이터 확보의 높은 비용 : 신뢰할 수 있는 모델을 구축하기 위해서는 설계 공간 전체에 걸쳐 상당수의 초기 샘플 해석이 선행되어야 하며, 고성능 CAE 환경에서는 이 초기 샘플링 과정 자체가 막대한 병목이 된다. 정적 구조의 경직성 : 한 번 구축된 모델은 최적화가 진행되는 동안 설계 공간의 특성 변화나 새로운 유망 영역의 발견을 실시간으로 반영하여 스스로 업데이트되지 않는다. 전역적 경향성과 국부적 정밀도의 딜레마 : 전체적인 경향성은 파악하지만 최적해 주변의 미세한 비선형적 거동을 포착하는 데 한계가 있어, 최종 설계안이 실제 해석 결과와 괴리를 보이는 경우가 빈번하다.   그림 2   반면, 심센터 HEEDS는 이러한 복잡한 중간 단계를 ‘Automated Search’ 하나로 통합하여 엔지니어가 본연의 설계 업무인 목적 정의와 결과 분석에만 집중할 수 있는 환경을 제공한다. 이번 호에서 다룰 AI 프레딕터(AI Predictor)는 이 혁신적인 자동 탐색 과정을 한 단계 더 가속하여 기술적 한계를 극복하고 진정한 설계 디스커버리(discovery)를 실현하는 핵심 기술이다.   기술 혁신 : Boosting SHERPA의 정의와 전략적 가치 AI 시뮬레이션 프레딕터란 무엇인가? 심센터 HEEDS의 AI 시뮬레이션 프레딕터는 최적화 검색 과정을 가속시키는 퍼포먼스 부스터(Performance Booster)이다. 단순히 정해진 데이터를 학습하는 것을 넘어, SHERPA 검색 프레임워크 상단에서 작동하는 AI 오버레이(AI Overlay) 기술을 통해 실시간으로 데이터를 학습(on-the-fly)하여 해석이 필요한 위치(DOE)를 지능적으로 선별한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

디지털 지식전문가 조형식의 지식마당   과거 십수 년간 전 세계 기업들을 관통한 화두는 ‘디지털 전환(digital transformation : DX)’이었다. 아날로그 데이터를 디지털화하고, 클라우드와 모바일 환경을 구축하며 비즈니스의 민첩성을 확보하는 것이 생존의 필수 조건이었다. 하지만 이제 시대의 흐름은 단순한 디지털화를 넘어 ‘AI 전환(AI transformation : AX)’이라는 새로운 국면으로 접어들고 있다.   그림 1. 디지털 전환의 진화   기술의 도입을 넘어 조직의 재설계로 많은 이가 디지털 전환을 IT 인프라의 현대화나 소프트웨어 도입 정도로 오해하곤 한다. 그러나 디지털 전환의 진정한 가치는 기술 그 자체가 아니라, 기술을 중심에 두고 ‘조직을 재설계하는 것’에 있었다. 기존의 파편화된 업무 프로세스를 통합하고, 데이터가 흐르는 구조를 만들어 의사결정의 근거를 마련하는 과정이 바로 DX의 핵심이었다. 하지만 데이터가 쌓이는 것만으로는 충분하지 않다. 방대한 데이터 속에서 의미를 추출하고, 이를 실시간 비즈니스 액션으로 연결해야 하는 과제가 남았다. 여기서 AI 전환의 필요성이 대두된다. 특히 디지털 스레드(digital thread)는 의미 없는 데이터를 연결하여 맥락(context)를 주고 스토리텔링(storytelling)을 만들어서 인간의 감성을 움직인다. 예를 들어서 대부분의 사람들이 매일 스마트폰으로 엄청난 양으로 사진을 찍지만, 대부분을 관리하지 않는다. 그리고 이 사진은 필요할 때 찾지 못해서 사용하지 못하고 있다. 이것은 현대 사회의 일면이다. 자료를 엄청나게 생성하지만 사용하기는 쉽지 않다는 것이다. 기업의 데이터도 마찬가지이다. 또한 이것은 디지털 트윈(digital twin : DT)의 형태로 인간의 현실 세계(real world), 증강현실/가상현실 (AR/VR) 그리고 메타버스(metaverse)의 영역까지 연결할 수 있다. 이것은 미래 기업의 존재 방식이 어떤 형태든 가질 수 있다는 것이다.   AI 전환 : 조직을 하나의 지능으로 만드는 과정 AI 전환은 단순히 업무에 챗봇을 도입하거나 분석 도구를 활용하는 수준을 의미하지 않는다. AX의 진정한 지향점은 ‘조직을 하나의 지능으로 만드는 것’이다.   그림 2. 인지 디지털 전환의 형태   기존의 조직이 각 부서의 매뉴얼과 개인의 경험에 의존해 움직였다면, AI 전환을 이룬 기업은 조직 전체가 유기적으로 연결된 하나의 거대한 지능체처럼 작동한다. 마케팅의 데이터가 생산으로 흐르고 고객의 피드백이 실시간으로 제품 설계에 반영되는 구조, 즉 데이터와 알고리즘이 조직의 혈관 역할을 하며 판단과 실행을 주도하는 상태를 의미한다. 그리고 이런 조직은 현실 세계와 연동되는 디지털 트윈의 형태가 될 수도 있고, 가상의 형태가 될 수 있다.   효율적 집단에서 지능 시스템으로의 진화 AI 전환을 통해 기업은 단순한 ‘효율적 집단’에서 ‘지능적 시스템’으로 진화한다. 이러한 진화는 세 가지 차원에서 기업의 존재 방식을 재정의한다. 첫 번째 – 더 빠른 학습 : 시장의 변화와 고객의 패턴을 실시간으로 흡수하여 조직의 지식 자산으로 축적한다. 인공지능의 최대의 장점은 일반적인 학습이다. 두 번째 – 더 정확한 판단 : 인간의 편향이나 정보의 누락 없이, 방대한 데이터를 기반으로 최적의 의사결정을 내린다. 인간은 물론 인공지능도 편향을 가지고 있다. 세 번째 – 더 창의적인 행동 : 반복적이고 소모적인 판단 업무에서 벗어난 인적 자원이 더 높은 차원의 전략과 창의적 비즈니스 모델 창출에 집중한다. 아직도 인공지능은 창의적 생각을 하기는 부족하지만, 인간은 인공지능의 도움을 받아 더 효과적으로 창의성을 발휘할 수 있다. 제조업 분야에서는 피지컬 AI(physical AI)와 자율 제조 시스템(autonomous manufacturing system)의 연결이 될 것이다. 그러나 우리의 기대처럼 될 것 같지는 않다. 부분적으로 실현될 가능성이 높다. 현실적으로 아직도 해결해야 할 과제가 너무 많이 있다. 미래에 대해서 누구나 이야기할 수 있다. 왜냐면 미래는 증명할 필요가 없이 그럴듯하고 듣기 좋은 이야기가 항상 인기 있기 때문이다.   리스크 : AI 전환은 동시에 ‘위험 전환’ AI 전환은 강력한 기회인 동시에, 전례 없는 리스크를 동반한다. 주요 리스크는 데이터 프라이버시, 알고리즘 편향성, 설명 불가능성, 규제 리스크(예 : EU AI Act)이다. 특히 중요한 것은 ‘AI는 정확할 수는 있지만, 항상 공정한 것은 아니’라는 것이다. 따라서 기업은 반드시 설명 가능한 인공지능(explainable AI : XAI)와 윤리적 AI 가이드라인 지속적 감사 체계를 구축해야 한다.   그림 3. AI 시대의 단계   맺음말 : 지능의 확장이 가져올 미래 디지털 전환은 이제 AI 전환으로 진화하고 있다. 우리가 반드시 기억해야 할 점은, 디지털 전환의 궁극적인 목표가 단순한 자동화나 비용 절감을 통한 효율화가 아니라는 사실이다. 그 본질은 ‘인간 조직의 지능을 확장하는 것’이다. AI 전환은 바로 이 지점에서 시작된다. 기업은 이제 기술을 도구로 사용하는 단계를 지나 스스로 더 빠르게 학습하고, 더 정확하게 판단하며, 더 창의적으로 행동하는 ‘지능적 시스템(intelligent system)’으로 거듭나야 한다. 결국 디지털 전환이 ‘조직을 재설계하는 것’이었다면, AI 전환은 그 설계를 바탕으로 ‘조직을 하나의 살아있는 지능으로 만드는 것’이다. 이 거대한 흐름 속에서 AI를 조직의 일부로 내재화하는 기업만이 미래 경쟁력을 선점하게 될 것이다. 우리는 이것은 인지적 디지털 전환(cognitive digital transformation) 이라고 부를 지도 모른다.   ■ 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.

가트너가 2030년까지 1조 개 파라미터를 보유한 거대 언어 모델(LLM)의 추론 비용이 2025년과 비교해 90% 이상 줄어들 것이라는 전망을 내놓았다. 생성형 AI 모델이 처리하는 기본 데이터 단위인 AI 토큰은 이번 분석에서 약 3.5바이트로 정의되었다. 가트너는 반도체와 인프라의 효율 개선, 모델 설계 혁신, 추론 특화 반도체 확대 등에 힘입어 2030년에는 LLM의 비용 효율이 2022년 초기 모델 대비 최대 100배까지 좋아질 것으로 내다봤다. 가트너는 이번 비용 분석을 위해 최첨단 반도체 기반의 프런티어 시나리오와 기존 반도체를 혼합해 사용하는 레거시 혼합 시나리오를 활용했다. 분석 결과 레거시 혼합 시나리오는 연산 성능이 상대적으로 낮아 프런티어 시나리오보다 비용이 상당히 높은 것으로 나타났다.   ▲ 가트너의 생성형 AI 추론 비용 시나리오 전망   하지만 토큰 단가가 떨어진다고 해서 기업의 AI 관련 비용이 곧바로 줄어들지는 않을 것으로 보인다. 고도화된 AI 기능일수록 더 많은 토큰을 사용하는 구조적 특성 때문이다. 가트너의 분석에 따르면 AI 에이전트는 기존 챗봇보다 작업당 최소 5배에서 최대 30배 많은 토큰을 필요로 한다. 토큰 단가의 하락 속도보다 토큰 사용량의 증가 속도가 더 빠르기 때문에, 전체적인 추론 비용은 오히려 늘어날 가능성이 크다. 가트너의 윌 소머 시니어 디렉터 애널리스트는 “제품 총괄 책임자는 범용 토큰 가격의 하락을 고급 추론 역량의 대중화로 오해해서는 안 된다”고 강조했다. 기본적인 AI 기능은 비용이 거의 들지 않는 수준이 되겠지만, 고급 추론을 위한 컴퓨팅 자원과 시스템은 여전히 희소하다는 설명이다. 그는 이어 “저렴한 토큰 비용에 의존해 아키텍처의 비효율을 방치하는 기업은 향후 에이전트 기반 AI를 확장하는 단계에서 한계에 부딪힐 것”이라고 경고했다. 가트너는 앞으로 다양한 모델 포트폴리오 사이에서 업무 부하를 효율적으로 조정하는 플랫폼의 가치가 높아질 것이라고 전망했다. 자주 반복되는 업무는 소형 모델이나 도메인 특화 모델로 처리하고, 비용이 많이 드는 프런티어급 모델은 복잡하고 가치가 높은 추론 작업에만 선택적으로 활용해야 한다는 전략이다. 이러한 멀티 모델 운영 방식은 특정 작업 흐름에서 범용 모델보다 낮은 비용으로 더 뛰어난 성능을 제공할 수 있다.

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.