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.

팀뷰어는 미국 샌디에이고에서 열린 ‘가트너 디지털 워크플레이스 서밋’에서 새로운 대화형 인공지능(AI) 기능인 ‘티아 리포팅(Tia Reporting)’을 발표했다. 이 기능은 복잡한 IT 환경을 최적화하는 엔터프라이즈 설루션인 팀뷰어 DEX(디지털 직원 경험)에 탑재된다. 사용자가 간단한 자연어로 명령하면 실시간 대시보드를 생성해 IT 의사결정 속도를 높이는 것이 특징이다. 티아 리포팅은 IT 팀이 문제를 신속하게 해결하고 디지털 임직원 경험을 개선하며 운영 효율을 높이는 데 필요한 통찰력을 즉시 제공한다. 기존의 수작업 중심 데이터 분석 방식에서 발생하는 지연을 없애고, 자연어 명령어를 AI 기반 실시간 대시보드로 변환한다. 이를 통해 IT 조직 전반이 실시간으로 정보를 공유하도록 가시성을 높인다. 기업은 사후 대응 방식에서 벗어나 선제적이고 예방 중심적인 운영 체계로 전환해 업무 생산성을 높일 수 있다. 이 기능은 기기에서 수집하는 실시간 운영 데이터와 애플리케이션 성능, 임직원 경험 지표를 포괄하는 팀뷰어의 독점 데이터를 기반으로 구축했다. 관리자는 직관적인 노코드 AI 인터페이스를 활용해 필터와 기간, 시각화 방식을 조정하며 실시간으로 문제를 심층 분석한다.     팀뷰어의 아드리안 토드 제품 관리 부문 부사장은 “그동안 IT 팀은 속도와 신뢰를 갖고 측정하기 어려운 성과에 대해 책임을 져야 하는 상황에 있었다”면서, “티아 리포팅은 데이터 분석 전문가의 도움 없이도 필요한 순간에 즉시 활용할 수 있는 인사이트를 제공해 이러한 구조를 근본적으로 바꿀 것”이라고 설명했다. 또한 이번 발표가 올해 여름 예정된 자율형 엔드포인트 관리(AEM) 출시를 앞둔 팀뷰어 AI 로드맵의 성과라고 덧붙였다. 팀뷰어코리아 이혜영 대표이사는 “기업 경쟁력은 임직원 경험과 생산성을 얼마나 빠르게 개선할 수 있는지에 달려 있다”면서, “팀뷰어는 DEX와 AEM을 통해 디지털 워크플레이스의 새로운 기준을 만들고 있으며, 티아 리포팅을 통해 고객이 선제적이고 자율적인 IT 운영 환경을 구축하도록 지원하겠다”고 강조했다.

스노우플레이크가 비즈니스 사용자의 업무 생산성을 높여주는 자율형 엔터프라이즈 AI 플랫폼인 ‘프로젝트 스노우워크(Project SnowWork)’를 리서치 프리뷰 버전으로 출시했다. 프로젝트 스노우워크는 다양한 부서의 직원이 자연어로 업무를 요청하면 여러 단계의 작업을 안전하게 수행하는 기업용 AI 파트너 역할을 한다. 이 서비스는 이사회 보고용 전망 슬라이드 작성이나 이탈 위험 식별용 스프레드시트 제작, 공급망 병목 지점 파악 등 단순 작업부터 복잡한 워크플로까지 스스로 실행해 비즈니스 성과 창출을 돕는다. 에이전틱 엔터프라이즈는 AI로 단순히 질문에 답하는 것을 넘어 의사결정과 실행을 이끄는 방향으로의 전환을 뜻한다. 이를 위해 기업은 인텔리전스와 애플리케이션, 엔터프라이즈 데이터 등을 유기적으로 결합해 거버넌스가 적용된 기반을 구축해야 한다. 프로젝트 스노우워크는 데스크톱 경험을 통해 스노우플레이크의 데이터 플랫폼과 AI 역량을 사용자에게 직접 제공하며 이러한 전환을 가능하게 한다.     이 플랫폼은 거버넌스가 적용된 데이터를 바탕으로 복잡한 업무를 계획하고 실행한다. 영업 지역 재조정이나 경영진 보고용 발표 자료 등 완성된 결과물을 생성할 수 있으며, 분석 결과에 따라 각 직무에 맞는 다음 실행 단계를 제안한다. 범용 AI 어시스턴트와 달리 공유된 비즈니스 정의와 보안 및 감사 기능을 갖춘 단일 엔터프라이즈 데이터 소스를 바탕으로 구축한 것이 특징이다. 현업 사용자를 위한 핵심 기능으로는 재무, 영업, 마케팅 등 직무에 맞춰 사전 구성된 AI 프로필을 제공하는 사전 구축된 역할 기반 기능이 있다. 이를 통해 주요 업무 용어와 지표를 빠르게 활용할 수 있다. 다중 단계 업무 수행 기능을 이용하면 데이터 조회부터 인사이트 도출, 후속 작업 준비까지 한 번에 수행해 보고 주기를 단축한다. 또한 스노우플레이크의 역할 기반 접근 제어나 데이터 마스킹 정책 등을 자동 적용하는 빌트인 보안 및 접근 제어 기능으로 기업 데이터 보안을 지킬 수 있도록 했다. 그동안 AI 도구는 높은 기술적 이해도를 요구하거나 엔터프라이즈 데이터 기반이 부족해 비즈니스 성과와의 격차가 존재했다. 프로젝트 스노우워크는 모든 직원이 과거 데이터 전문가에게 요구되던 속도와 정확성을 바탕으로 업무를 수행하도록 지원해 이 격차를 해소한다. 영업 운영팀의 경우 반복적인 보고 업무를 자동화하고 여러 소스의 데이터를 코딩 없이 활용해 며칠씩 걸리던 프레젠테이션 작성을 몇 분 만에 마칠 수 있다. 스노우플레이크는 조직이 데이터 기반의 실행을 수행하는 에이전틱 엔터프라이즈 구현을 지원하고 있다고 전했다. 스노우플레이크 인텔리전스는 직원이 복잡한 질문의 원인까지 이해하도록 돕는 에이전트로, 보안 환경 내에서 검증 가능한 답변을 제공한다. 또한 개발자를 위해 데이터 네이티브 AI 코딩 에이전트인 코텍스 코드를 제공해 데이터 엔지니어링과 AI 에이전트 구축 등 개발 전 과정을 자동화하고 가속화한다. 스노우플레이크의 슈리다 라마스워미 최고경영자는 지금이 에이전틱 엔터프라이즈 시대에 진입하는 단계이며 이는 근본적으로 새로워진 업무 방식의 시작을 의미한다고 설명했다. 그는 “이 변화는 기술 혁신을 넘어 기업 운영 전반에 인텔리전스를 내재화해 새로운 수준의 생산성과 효율성을 달성하는 데 있다”면서, “프로젝트 스노우워크는 모든 데스크톱에 데이터 기반의 AI 에이전트를 제공해 비즈니스 리더와 담당자가 질문부터 실행까지 모든 단계를 이어갈 수 있도록 한다”고 밝혔다. 또한 AI가 실험 단계를 넘어 자율 실행 단계로 확장되면서 프로젝트 스노우워크가 기업 업무 방식의 안전한 기반이 될 것이라고 덧붙였다.

스노우플레이크가 글로벌 시장조사업체 옴디아(Omdia)와 협력해 ‘생성형 AI와 AI 에이전트의 ROI’ 리서치 보고서를 발표했다. 10개국 비즈니스 의사결정권자 2050명이 참여한 이번 설문에 따르면 AI가 노동시장에 미치는 영향은 단순한 인력 감축을 넘어 복잡한 양상을 띠는 것으로 나타났다. 전체 응답 기업 중 77%는 AI 도입 이후 채용이 늘었다고 답했다. 직무 감소를 부분적으로 경험한 조직은 46%였으나, 채용 증가와 직무 감소를 모두 경험한 기업 중 69%는 AI가 전반적인 고용 상황에 긍정적인 영향을 미쳤다고 평가했다. 이는 AI 도입 확대가 일자리 증가로 이어지고 있음을 시사한다.     직군별로는 IT 운영(56%), 사이버보안(46%), 소프트웨어 개발(38%) 순으로 일자리 증가 효과가 두드러졌다. 반면 IT 운영(40%), 고객 서비스 및 지원(37%), 데이터 분석(37%) 직무는 상대적으로 일자리 감소 영향이 컸다. 스노우플레이크는 AI가 조직에 깊이 내재화될수록 전반적인 고용 증가로 이어질 가능성이 높으며, 이는 일부 업무 자동화와 동시에 새로운 역량을 추가하는 조직 재편의 과정이라고 분석했다. 기업들은 AI 투자 1달러당 평균 약 1.49달러의 수익을 거두고 있는 것으로 조사됐다. 하지만 응답 기업의 96%는 여전히 AI 확장 과정에서 어려움을 겪고 있다고 밝혔다. 응답자의 약 80%는 기술 또는 데이터 관련 문제를 장애 요인으로 꼽았으며, 구체적으로는 데이터 사일로 해소(65%), 데이터 품질 측정 및 모니터링(62%), AI 활용에 적합한 데이터 준비(62%) 등이 지목됐다. 데이터 거버넌스 역시 주요 과제로 부상했다. 임원의 66%와 전체 직원의 57%가 승인되지 않은 AI 도구를 사용 중이라고 답했으며, 60%는 데이터 인프라 및 모니터링 소프트웨어에 대한 추가 투자가 필요하다고 응답했다. 비정형 데이터 중 AI 활용이 가능한 상태라고 답한 조직은 글로벌 평균 7%에 불과했다. AI 도입 초기 조직의 92%가 긍정적인 투자수익률(ROI)을 기록했으며, 기업들은 향후 1년간 전체 기술 예산의 22%를 AI에 투자할 계획이다. 현재 전체 코드의 약 48%가 AI에 의해 생성되고 있으며, AI 코딩 도구를 활용하는 조직의 82%는 코드 테스트 및 버그 탐지 분야에서 개선을 경험했다고 보고했다. 스노우플레이크는 AI 코딩 에이전트인 코텍스 코드를 통해 관련 역량을 강화하고 있다. 스노우플레이크의 아나히타 타프비지 최고 데이터 및 애널리틱스 책임자는 “AI의 영향은 일률적이지 않으며 이를 얼마나 효과적으로 활용하느냐에 따라 생산성이 달라진다”라고 설명하면서, “가장 강력한 ROI 지표는 AI를 핵심 운영에 내재화하고 데이터 준비도와 거버넌스를 강화할 때 실현된다”고 밝혔다.

오라클은 건설 현장의 안전 관리를 혁신하는 AI 기반 예측 지능형 설루션인 ‘오라클 컨스트럭션 및 엔지니어링 어드바이저 포 세이프티(Oracle Construction and Engineering Advisor for Safety)’를 공식 출시했다고 발표했다. 건설사는 이 설루션을 통해 프로젝트의 안전 사고를 더 정확히 예측하고 사전에 방지함으로써, 더욱 안전하고 비용 효율적인 현장을 운영할 수 있다. 기존에 정확한 예측 모델을 만들기 위해서는 고객이 모델 학습과 튜닝을 위해 방대한 데이터를 직접 제공해야 했다. 반면, ‘어드바이저 포 세이프티’는 오라클이 구축한 산업 특화 안전 모델을 활용한다. 이 모델은 다양한 프로젝트 유형과 지역을 아우르는 1만 프로젝트-년(project-years) 이상의 데이터를 학습했다. 이를 통해 기업은 현재 운영 중인 안전 프로그램의 성숙도와 관계없이 예측 기반 안전 관리의 혜택을 얻을 수 있다.     이와 함께 오라클은 ‘아코넥스(Aconex)’와 ‘프리마베라 유니파이어 액셀러레이터(Primavera Unifier Accelerator)’에 새로운 관찰(observation) 기능을 도입했다. 어드바이저 포 세이프티와 연동되도록 설계된 이 기능은 프로젝트 엔지니어부터 최고 경영진에 이르는 현장 팀이 모바일 기기나 웹 브라우저를 통해 심각도, 빈도 점수 등 구조화된 안전 데이터를 쉽고 일관되게 수집할 수 있도록 돕는다. 예측 모델 출력에 최적화된 안전 워크플로와 관찰 데이터 수집을 표준화함으로써, 모델의 정확도를 높이고 리스크를 줄이는 행동 변화를 유도할 수 있다. 기존의 안전 도구는 사고가 발생한 후 대응하는 사후 조치와 후행 지표에 의존하는 경우가 많았다. 어드바이저 포 세이프티는 ▲안전 사고의 80%를 차지할 가능성이 있는 상위 20%의 프로젝트를 식별하는 ‘주간 리스크 예측’ ▲고위험 프로젝트에 우선순위가 정해진 조치 사항을 제공하여 교정 조치를 제안하는 ‘실행 가능한 리스크 완화’ ▲신뢰할 수 있는 리스크 예측을 위해 데이터 품질을 유지하면서 선제적인 사고 보고를 유도하는 ‘관찰 기반 안전’ ▲경영진의 통찰력 확보, 전략적 의사결정 및 모범 사례 공유를 위해 안전 데이터를 통합 분석하는 ‘프로젝트 간 분석’ 등의 기능을 통해 선제적 접근 방식을 취한다. 어드바이저 포 세이프티는 오라클 아코넥스, 오라클 프리마베라 유니파이어 액셀러레이터, 오라클 퓨전 클라우드 ERP뿐만 아니라 타사 시스템의 안전 관찰 기록, 사고 보고서, 급여 데이터, 프로젝트 일정 등 다양한 데이터 스트림을 통합한다. 오라클은 고객이 이 설루션을 지속적으로 사용함에 따라 고유 데이터를 미세 조정하여 특정 안전 과제를 해결하거나, 중점 영역에 집중함으로써 예측력을 더욱 정교화할 수 있다고 설명했다. 오라클의 마크 웹스터(Mark Webster) 인프라 산업 부문 수석 부사장 겸 총괄 책임자는 “어드바이저 포 세이프티는 사고를 예측하고 예방할 수 있는 도구를 제공함으로써 건설 안전 관리의 중요한 진전을 이루었으며, 업계 전반의 효율성과 비용 효과를 개선했다”고 밝혔다. 또한 “AI와 머신러닝을 활용해 기업은 사후 대응에서 예측형 안전 관리로 즉시 전환할 수 있으며, 이는 안전 결과 개선은 물론 부상과 관련된 인적·경제적 비용 절감으로 이어진다”고 덧붙였다. 오라클의 조시 캐너(Josh Kanner) 컨스트럭션 및 엔지니어링 분석 및 AI 부문 선임 이사는 “안전 사고를 예측하고 실행 가능한 통찰력을 제공함으로써 이제 고객은 반응이 아닌 예방에 집중할 수 있다”면서, “어드바이저 포 세이프티를 도입한 고객들은 첫해에 사고율을 최대 50% 이상, 산재 보상 비용을 최대 75%까지 절감하는 성과를 거두었다”고 설명했다.

산업을 위한 AI와 버추얼 트윈 기술 (1)   국제적으로 환경 규제가 강화됨에 따라 조선산업에서는 설계 초기 단계부터 탄소 배출을 정량적으로 관리하는 체계가 필수로 자리잡고 있다. 다쏘시스템은 카티아 매직(CATIA Magic)과 다이몰라(Dymola)를 통해 모델 기반 시스템 엔지니어링(MBSE)과 다물리 시뮬레이션을 결합한 ‘프론트 로딩’ 환경을 제공한다. 이를 통해 선박의 복잡한 시스템을 통합적으로 검증하고 최적의 설계 대안을 도출함으로써, 저탄소 친환경 선박 개발의 리스크를 줄이고 기술 경쟁력을 강화할 수 있다.   ■ 신정일 다쏘시스템코리아 조선해양 Technical Executive 홈페이지 | www.3ds.com/ko   전 세계 교역 물량의 약 90%를 담당하는 해운 산업은 전 지구적 온실가스 배출의 약 3%를 차지하고 있으며, 기후 위기 대응의 핵심 산업으로 빠르게 부상하고 있다. 국제해사기구(IMO)는 2050년까지 해운 산업의 온실가스 순배출 제로(net-zero)를 목표로 설정하고, 기존선 에너지효율지수(EEXI : Energy Efficiency Existing Ship Index)와 탄소집약도지표(CII : Carbon Intensity Indicator) 등 규제를 본격적으로 시행하고 있다. 이러한 규제 환경은 선박의 성능을 단순히 ‘만족’시키는 수준을 넘어, 설계 초기 단계에서부터 탄소 배출을 정량적으로 예측, 관리, 검증할 수 있는 체계를 요구하고 있다. 이러한 변화로 인해 기존의 2D 도면 중심 설계와 부문별로 단절된 해석, 사후 검증 위주의 접근 방식만으로는 더 이상 효과적인 대응이 어렵다는 인식이 확산되고 있다. 이에 따라 최근 조선산업에서는 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE)과 시스템 단위 시뮬레이션을 중심으로 한 디지털 전환이 핵심적인 대응 방안으로 부상하고 있다.   조선산업에서 MBSE가 필수인 이유 선박은 본질적으로 추진, 전력, 연료, 안전, 제어, 열, 규제 요구사항이 복합적으로 얽힌 통합 시스템(system of systems)이다. 그러나 전통적인 설계 방식에서는 이러한 요소들이 개별 부서, 개별 해석 도구, 개별 문서로 관리되어 왔으며, 시스템 차원의 상호 영향은 설계 후반부나 시운전 단계에서야 드러나는 경우가 많았다. MBSE는 이러한 한계를 극복하기 위한 접근 방식이다. 선박을 하나의 통합 시스템으로 정의하고 요구사항–기능–구성요소–성능 간의 관계를 모델로 명확히 연결함으로써, 설계 변경이 전체 시스템에 미치는 영향을 사전에 검증할 수 있도록 한다. 이는 단순한 설계 효율화가 아니라, 규제 대응 리스크와 기술 불확실성을 구조적으로 줄이는 방법이다. 특히 저탄소 친환경 선박에서는 연료 소비, 이산화탄소 배출, 에너지 흐름, 운항 조건이 서로 긴밀히 연결되어 있기 때문에, 시스템 차원의 모델링과 시뮬레이션 없이는 설계 단계에서 신뢰성 있는 판단을 내리기 어렵다.   친환경 시스템 설계를 위한 성능 검증 다쏘시스템의 카티아 매직(CATIA Magic)은 이러한 복잡성을 관리하기 위해 MBSE를 단순한 개념이 아니라 설계–검증–의사결정이 유기적으로 작동하는 실질적인 실행체계로 구현한다. 요구사항 관리와 시스템 아키텍처를 중심으로 선박 전체의 구조와 기능을 정의하고, 그 결과를 물리 성능 시뮬레이션과 직접 연결함으로써 설계 초기 단계의 판단이 실제 성능 검증으로 즉시 이어지는 ‘프론트 로딩(front loading)’ 환경을 제공한다. 이 과정에서 다이몰라(Dymola)는 MBSE에서 정의된 시스템 아키텍처를 물리적으로 검증하는 핵심 가교 역할을 수행한다. 카티아 매직에서 정의된 요구사항과 검증 시나리오는 다이몰라의 시스템 모델로 전달되며, 다이몰라는 추진, 전력, 연료공급, 열관리 및 제어시스템 등 선박의 복합한 거동을 다물리(multi-physics) 기반으로 시뮬레이션하여 정량적인 성능 결과를 도출한다. 이러한 결과는 다시 시스템 아키텍처로 피드백되어 설계 대안 간 트레이드오프 분석과 전체 시스템 최적화에 활용된다. 특히 다이몰라는 오픈소스로 무료 사용이 가능한 표준 모델링 언어인 모델리카(Modelica)를 채택하고 있어, 조선소가 자사의 설계 철학과 운용 조건을 반영한 컴포넌트를 직접 구현할 수 있는 높은 유연성을 제공한다. 이를 통해 특정 벤더의 정형화된 라이브러리에 종속되지 않고, 기업 고유의 도메인 지식과 설계 노하우를 모델로 축적하고 활용할 수 있으며, 지식재산권 보호 측면에서도 경쟁력을 확보할 수 있다. 이러한 특성은 복잡성과 다양성이 높은 조선산업의 설계 및 생산 환경에서 성능을 검증, 최적화하는 데 적합하다.   그림 1   즉, MBSE가 ‘무엇(what)을 만족해야 하는가’를 정의한다면, 다이몰라는 ‘그 요구사항이 실제 물리 법칙 하에서 가능한가(how)’를 입증하는 역할을 담당한다. 이러한 시스템 아키텍처–성능 시뮬레이션 간 폐순환(closed-loop) 구조를 통해 설계 변경이 발생하더라도 그 영향이 신속하게 시뮬레이션 모델에 반영되며, 엔지니어는 그 결과를 바탕으로 데이터에 근거한 최적의 설계 대안을 도출할 수 있다. 이러한 초기 단계에서의 검증은 선박의 생산 및 시운전 단계에서의 시행착오를 획기적으로 줄이고, 한국 조선업의 기술적 리더십을 공고히 하는 핵심 경쟁력이 될 것이다.   카티아 매직과 다이몰라를 활용한 저탄소 친환경 성능 검증 사례 카티아 매직과 다이몰라는 이미 글로벌 조선산업에서 저탄소 성능을 설계 초기부터 검증하는 데 활용되고 있다. 대표적인 사례로는 전력 시스템 성능 검증, 그리고 IMO CII 규제 검증이 있다. 첫 번째 예로, 유럽의 한 조선소에서 선박 운항 중 전력 부하 해석을 통해 케이블, 변압기, 발전기 등 주요 전력 구성 요소의 적정 용량을 산정하고, 제어기를 포함한 전력 시스템의 전력 소모를 최소화하여 친환경 운항을 도모한 사례이다. <그림 2>와 같이 부하 흐름(load flow) 해석과 과도(transient) 시뮬레이션을 통해 주요 전력 구성 요소의 용량과 전력 계통의 거동을 설계 초기 단계에서 검증함으로써, 전압 강하 및 과부하 발생 여부를 사전에 평가할 수 있다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

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.

가민이 스윙 완성도를 높여주는 휴대용 런치(launch) 모니터 겸 프리미엄 핸드헬드 GPS 디스플레이인 ‘어프로치 G82(Approach G82)’를 출시했다. 어프로치 G82는 스윙 분석과 퍼팅 연습을 하나의 기기에서 지원하는 올인원 골프 디바이스다. 확장된 레이더 지표를 통해 유저의 스윙 완성도를 높이고 새롭게 도입된 퍼팅 지표로 퍼팅 일관성 향상을 돕는다. 가민의 핸드헬드 골프 제품 중 가장 큰 5인치 컬러 터치스크린을 탑재해, 내장되어 있는 전 세계 4만 3000개 이상의 골프 코스 정보를 확인할 수 있다. 드라이빙 레인지, 퍼팅 그린 등 연습 시설에서 다음 라운드를 체계적으로 준비할 수 있는 기능도 지원한다. 내장형 런치 모니터를 통해 볼과 클럽 스피드, 스매시 팩터, 스윙 템포 등 핵심 레이더 지표를 추적할 수 있어 사용자는 스윙을 정밀하게 분석하고 조정 가능하다. 퍼팅 피드백도 제공해 데이터를 바탕으로 일관성 있는 퍼팅을 만들 수 있다.     백 맵핑(Bag Mapping) 기능으로 드라이빙 레인지에서 각 클럽의 평균 비거리를 측정·기록할 수 있으며, 수집된 데이터는 가상 캐디 기능과 연동돼 클럽별 거리 특성을 분석하고 라운드 중 정확한 클럽 선택을 돕는다. 이와 함께 목표하는 캐리 거리 또는 총 거리를 설정해 정확도를 높이는 타깃 연습, 이상적인 백스윙과 다운스윙 타이밍을 훈련하는 템포 트레이닝, 볼을 치지 않고도 스윙 스피드를 측정하는 클럽 스피드 트레이닝 기능을 통해 연습 효율을 높일 수 있다. 연습을 넘어 실제 라운드에서 현명한 판단을 내릴 수 있는 다양한 정보도 제공한다. 가상 캐디 기능은 백 맵핑 기능을 통해 수집된 스윙 데이터를 기반으로 바람, 고도 변화, 해저드 위치 등을 종합적으로 반영해 상황에 맞는 클럽을 추천한다. 코스 내 높낮이 변화와 환경을 반영해 보정 거리를 계산하는 플레이스라이크 디스턴스(PlaysLike Distance) 기능과 같이 전략적 플레이를 돕는 기능도 지원한다. 골프 클럽 분석 센서인 ‘어프로치 CT10(Approach CT10)’과 연동하면 자동으로 샷을 감지해 플레이 데이터를 가민 골프 앱에 기록할 수 있다. 호환 가능한 가민 레이저 거리측정기와 연결할 경우 레인지 중계(Range Relay) 기능을 활성화해 핀까지의 거리를 더욱 정밀하게 확인할 수 있다. 여기에 가민 골프 멤버십을 구독하면 골프 코스 지도와 그린 등고선 데이터까지 확인 가능해 코스와 그린을 보다 입체적으로 파악하고 경기력을 향상시킬 수 있다. 이 밖에도 스마트폰과 연동할 경우 풍속·풍향 정보와 자동 코스 업데이트, ‘가민 장치 찾기(Find My Garmin)’를 포함한 커넥티드 기능을 사용할 수 있다. 내장 자석 및 클립을 통해 카트나 골프 가방에 간편하게 부착할 수 있다. 어프로치 G82는 모든 유형의 날씨를 고려해 설계됐으며 IPX7 방수 등급을 갖추고 있다. 장시간 라운딩에도 배터리 걱정 없이 사용할 수 있도록 GPS 모드 기준 최대 25시간, 레이더 모드 기준 최대 8시간까지 지속되는 배터리 성능을 지원한다. 가민의 수잔 라이먼(Susan Lyman) 글로벌 컨슈머 세일즈·마케팅 부사장은 “어프로치 G82는 가민 골프 제품 중 가장 큰 핸드헬스 디스플레이를 탑재한 제품으로 측정 지표와 코스 정보를 한눈에 파악할 수 있도록 설계됐다”면서, “라운드 전 워밍업은 물론 코스 위에서는 가상 캐디 역할을 하는 이번 신제품은 퍼팅 지표까지 새롭게 도입해 사용자가 전반적인 경기력을 끌어올릴 수 있도록 지원한다”고 말했다. 어프로치 G82는 2월 23일부터 가민 공식 홈페이지에서, 3월 3일부터 가민 브랜드샵에서 순차 판매될 예정이다. 권장 소비자 가격은 95만 9000원이다.

제조 산업의 디지털 전환이 ‘데이터 기반 실행형 AI’로 한 단계 도약하고 있다. 위즈코어는 산업AI가 단순 분석을 넘어 현장 문제 해결로 이어지기 위해서는 신뢰도 높은 데이터 기반과 표준화된 운영 체계가 필수라고 강조한다. 위즈코어는 기업맞춤형 AI 에이전트 ‘위디(Widdy)’를 통해, 그는 제조 현장의 지식과 데이터를 연결하는 실행형 DX의 미래를 제시한다.   위즈코어_서비스 도식화 이미지 제조 DX 솔루션 공급 기업, 위즈코어 위즈코어는 2010년 설립된 기업으로, 제조 산업의 디지털 전환을 지원하고 있다. 현장 네트워크부터 제조 데이터의 수집, 실시간 분석·모니터링까지, 현장 데이터 활용의 전 단계에 대한 전문성을 보유하고 있다. 단순한 페이퍼리스, MES 등 기초 디지털화뿐 아니라 AI, 5G 연계형 공정 자동화까지 자율제조 구현에 필수적인 제조 DX 솔루션을 제공한다.   기업맞춤형 AI 에이전트인 ‘위디(Widdy)’  위즈코어는 기업맞춤형 AI 에이전트인 ‘위디(Widdy)’를 중심으로, 기업 내부 지식과 현장 데이터를 통합하고 제조 현장까지 연결하는 데이터 기반 운영 구조를 소개했다. 위디는 기업 내부의 기술문서, 매뉴얼, 고객 이력과 같은 비정형 데이터뿐 아니라, 생산 공정 데이터나 안전 데이터처럼 현장에서 발생하는 실시간 모니터링 데이터를 통합한다. 이를 통해 협업 사용자가 복잡한 시스템을 거치지 않고도 필요한 정보를 바로 조회하고 실행에 연결할 수 있도록 지원한다. 지식과 정보의 단절을 해결하는 데 초점을 맞춘 구조이다. 특히 제조 통합 관리 플랫폼 ‘넥스폼(NEXPOM)’, 산업 안전 관리 솔루션 ‘세이플리(SAFELY)’와의 연계를 통해 생산, 품질, 설비, 안전까지 제조 전반의 데이터를 하나의 흐름으로 연결할 수 있다. 이처럼 지식 접근성과 실질적 운영 효율성을 동시에 확보할 수 있는 방안을 제공하고 있다. ‘피지컬 AI’ 시대를 앞당길 위즈코어 산업 AI 시장은 이제 단순한 생성 단계에서 벗어나, 실제 물리적 행동까지 연결되는 ‘피지컬 AI’로의 전환을 본격적으로 준비하고 있다. 단순히 데이터를 분석하거나 요약하는 수준이 아니라, 현장의 상황을 이해하고 실행을 유도할 수 있는 수준까지 AI가 도달해야 한다는 요구가 커지고 있다. 이 과정에서 핵심은 AI가 작동할 수 있는 ‘데이터 기반(파운데이션)’을 어떻게 조성할 것인가이다. 단순히 많은 데이터를 모으는 것이 아니라, 도메인별로 신뢰할 수 있는 데이터를 수집하고, 이를 어떤 방식으로 전처리·활용할지에 대한 표준화가 중요하다. 위즈코어는 이러한 기반 조성의 현실적 조건을 누구보다 오래 고민해온 기업이다. AI 도입 과정에서 많은 기업들이 ‘데이터가 부족하다’고 말하지만, 실제로는 어떤 데이터를 수집해야 하는지, 어떤 지표가 중요한지는 이미 내부에 존재한다. 문제는 그 정보가 소수 실무자에게만 공유되거나 조직 차원에서 체계적으로 활용되지 못한다는 점이다. 이에 위즈코어는 내부 지식의 구조화와 활용 가능성 중심의 표준화를 기술 개발의 중심에 두고 있다.  ‘위디’는 이러한 접근을 대표하는 사례이다. 위디는 기업 내부에 흩어져 있던 기술 매뉴얼, 보고서, 숙련 인력의 노하우와 같은 암묵적 지식을 AI가 활용 가능한 데이터로 구조화한다. 이는 단순히 데이터를 불러오는 AI가 아니라, 기업의 지식 자산을 ‘쓸 수 있는 구조’로 완성한 것으로, 산업 AI의 미래 방향성을 잘 보여준다.   제조 산업 전반의 운영 체계 고도화와 표준 확립 선도 제조 현장에서는 여전히 단순한 문제들이 반복되고 있다. 원인을 찾기 어려운 고장 이슈, 담당자만 기억하는 대응 이력, 현장과 사무실의 개별 운영 시스템 등이 대표적이다. 위즈코어는 기술 자체보다 중요한 것은 ‘무엇을 해결하는가’라고 생각하며, 데이터를 통해 실제로 문제를 해결할 수 있는 실행 가능성에 초점을 두고 기술을 고도화해 왔다. 위즈코어의 경쟁력은 산업 도메인에 특화된 데이터 구조 위에 실행 가능한 체계를 얹고, 이를 현장 중심의 운영 구조로 구현하고 있다는 점이다. 앞으로는 국내 제조 현장 경험을 바탕으로 글로벌 시장 확장을 본격화할 계획이다. 글로벌 제조 환경에서는 데이터 통합과 지식 접근의 불균형이 더욱 중요한 과제이다. 다국적 기업은 현장마다 시스템, 언어, 운영 환경이 상이하기 때문에, 동일한 조건에서 누구나 필요한 정보에 접근·활용할 수 있는 체계 마련이 필수이다. 특히 산업AI가 제대로 작동하기 위해서는 AI 모델보다 먼저, 현장을 반영한 신뢰도 높은 데이터가 기반이 되어야 한다. 산업 현장에서는 센서 하나의 오차나 단 몇 초의 지연이 전체 의사결정을 흔들 수 있기 때문에, 데이터의 실시간성·정확성·표준화가 매우 중요하다. 이러한 변화에 맞춰 위즈코어는 실행형 AX(AI Transformation)에 초점을 맞춰, 데이터 통합과 지식 활용의 격차를 해소함으로써 제조 산업 전반의 운영 체계 고도화와 표준 확립을 선도할 계획이다.