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.

SAP 코리아가 7월 15일 연례행사인 ‘SAP 나우 AI 투어 코리아(SAP NOW AI Tour Korea)’를 진행하면서, AI(인공지능) 시대를 위한 새로운 비즈니스 운영 방식을 제시했다. ‘Unleash Your Future with Business AI(비즈니스 AI로 미래를 열다)’를 주제로 열린 이번 행사에서는 빠르게 변화하는 AI 시대에 기업의 비즈니스 혁신을 지원하는 SAP의 전략과 비전이 소개됐다. ■ 정수진 편집장   애플리케이션–데이터-AI의 선순환으로 비즈니스 혁신 주도 SAP의 AI 전략은 애플리케이션, 데이터, 비즈니스 AI의 선순환 효과(flywheel effect)를 통해 비즈니스 운영 방식을 근본적으로 혁신하겠다는 것이다. SAP의 지나 바르주-브로이어(Gina Vargiu-Breuer) 최고인사책임자는 이런 전략의 핵심으로 자사의 모든 애플리케이션에 AI를 기본으로 내재화(embedded AI)한다는 ‘AI 퍼스트(AI First)’ 접근법을 꼽았다. SAP는 2025년 말까지 400개 이상의 임베디드 AI 기능을 출시할 계획이다. 이와 동시에 SAP는 ‘스위트 퍼스트(Suite First)’ 전략을 추구한다. 개별 기능이 뛰어난 ‘최고의 설루션(Best of Breed)’을 모아 놓는 것을 넘어, 모든 비즈니스 애플리케이션을 유기적으로 통합한 ‘최적의 스위트(Best of Suite)’를 제공한다는 뜻이다. 바르주-브로이어 최고인사책임자는 이를 통해 기업 고객이 일관성, 유연성, 민첩성을 확보할 수 있다고 전했다. SAP의 전략은 애플리케이션이 생성하는 고품질의 비즈니스 데이터를 기반으로 신뢰할 수 있는 AI(reliable AI)를 구동하고, 이 AI가 다시 애플리케이션을 더욱 지능적으로 만드는 선순환 구조를 완성하는 것으로 요약할 수 있다. SAP는 애플리케이션, 데이터, AI가 긴밀히 연계되어 만들어내는 시너지가 고객에게 실질적인 비즈니스 가치를 제공하는 원동력이 될 것으로 보았다.   ▲ SAP의 이르판 칸 최고제품책임자가 기자간담회를 통해 자사의 AI 전략과 기술을 소개했다.   데이터 복잡성을 해결하는 ‘비즈니스 데이터 클라우드’ 이번 행사에서 SAP가 소개한 ‘SAP 비즈니스 데이터 클라우드(SAP Business Data Cloud : BDC)는 AI 시대에 기업의 데이터 관리와 AI 도입을 지원하고 비즈니스 운영 방식을 혁신하기 위해 새로운 서비스형 소프트웨어(SaaS) 설루션이다. BDC는 분산된 데이터를 통합하고 의미 있는 데이터로 전환하여 AI 활용도를 극대화하는 데 초점을 맞추었다. 이를 위해 BDC는 데이터 통합과 조화를 통한 단일 진실 공급원을 구축하고, 신뢰할 수 있는 AI 및 지능형 애플리케이션의 기반을 마련하면서, 현대적 아키텍처와 강력한 파트너 생태계를 지원한다. 기업들은 AI를 위한 데이터 준비, 수집, 거버넌스 등 데이터 관리에 많은 시간을 쓰고 있으며, 이는 기업에서 AI를 활용하는 데 있어 어려움으로 작용한다. BDC는 이러한 문제를 해결하기 위해 SAP와 비 SAP 데이터를 통합해 연결된 데이터 환경을 구축하도록 한다. 특히 기존 애플리케이션의 데이터 모델을 조화(harmonize)시켜서, 여러 비즈니스 라인에 걸쳐 다르게 정의된 고객 데이터를 단일 뷰로 제공한다. BDC는 고품질의 기업 데이터를 통합 관리하여 AI 애플리케이션이 안정적으로 데이터를 활용하고 모델을 훈련하는 시간을 줄인다. 또한 SAP의 AI 코파일럿인 쥴(Joule)과 연동해 비즈니스 데이터의 맥락을 깊이 있게 파악하고, 분석 및 권장사항 도출에 필요한 데이터를 제공한다. SAP의 이르판 칸(Irfan Khan) 데이터 및 애널리틱스 사장 겸 최고제품책임자는 “ERP와 같은 기업의 핵심 시스템에서 데이터가 추가되거나 변경될 때마다 BDC는 이를 복사하고 최신 상태로 반영하여 일관성을 유지하며, 이렇게 조화된 데이터는 단순한 원시 데이터가 아닌 ‘의미적으로 풍부한 데이터 제품(semantically enriched data products)’으로 전환되어 모든 앱에서 활용된다”고 설명했다. 또한 “BDC는 데이터 추출, 변환, 적재(ETL) 파이프라인 구축과 유지보수를 완전 관리형 서비스로 제공한다. 이를 통해 기업은 데이터 관리의 부담을 덜고, 가치 있는 AI 활용 사례를 만드는 데 집중할 수 있게 된다”고 설명했다. BDC는 스토리지와 컴퓨팅을 분리한 레이크하우스(lakehouse) 아키텍처를 기반으로 설계되었으며, 텍스트, 오디오, 비디오 등 정형 및 비정형 데이터를 구분 없이 저장 및 지원한다. 또한 AWS, 구글 클라우드, 애저 등 주요 하이퍼스케일러 인프라 어디에서나 구동되도록 설계되어, 고객은 기존 인프라를 변경할 필요 없이 BDC를 도입할 수 있다. 칸 최고제품책임자는 “데이터브릭스(Databricks)와의 파트너십을 통해 제로 카피 공유(zero-copy sharing) 방식으로 SAP 및 비 SAP 데이터를 양방향 공유하며, 팔란티어(Palantir)와도 협력해 데이터 파이프라인 구축을 간소화하는 도구를 지원한다”고 소개했다. SAP BDC는 2025년 2월에 글로벌 출시되었으며, 한국 시장에는 7월 말부터 공식 제공된다.   ▲ SAP는 유기적으로 결합된 스위트로 비즈니스 AI를 구현하고자 한다.   데이터의 맥락을 이해하는 AI 코파일럿 ‘쥴’ 한편, SAP는 AI 코파일럿인 ‘쥴(Joule)’이 다양한 개선을 이뤘다고 소개했다. 쥴은 데이터의 맥락을 확인하고 위치에 관계 없이 데이터를 활용할 수 있도록 지원한다. 이를 통해 AI 에이전트가 비즈니스 맥락과 데이터 관계성을 파악하는 과정을 돕는다. BDC가 고품질 기업 데이터를 통합 관리한다면, 쥴은 이를 AI 애플리케이션에서 활용할 수 있도록 지원한다. 특히 지식 그래프(knowledge graph) 기술을 활용해 비즈니스 데이터를 온톨로지(ontology) 기반으로 연결함으로써, AI 모델의 환각 현상을 줄이고 사용자가 자연어 질의로 데이터에 쉽게 접근하도록 돕는다. SAP는 “지식 그래프는 정형 데이터의 이해를 돕는 역할을 하며, 쥴과 같은 기술을 통해 데이터 주변의 사용자 경험을 바꿀 수 있다. 지식 그래프 내에 조화된 데이터 제품(harmonized data products)을 로드하여 온톨로지 뷰를 활성화하고, 자연어 쿼리를 통해 데이터에 접근할 수 있게 한다”고 설명했다. 이외에도 SAP는 쥴 스튜디오(Joule Studio)를 통해 고객이 맞춤형 에이전트를 개발할 수 있도록 지원하며, 최신 LLM(거대 언어 모델)을 연결하고 활용할 수 있도록 한다. 칸 최고제품책임자는 “이러한 개선사항 및 핵심 기능을 통해 쥴은 데이터의 맥락적 이해를 높이고, 고품질 데이터를 기반으로 AI 기능을 강화하며, 사용자 경험을 혁신하고 있다”고 전했다. 그리고 “SAP는 AI 및 생성형 AI를 활용하여 국제화 및 언어 지원 제공을 매우 빠르게 가속화하고 있으며, 이를 통해 한국어뿐만 아니라 모든 언어 및 지역에서 영어와 유사한 기능을 제공하는 것이 목표”라고 덧붙였다.     ■ 기사 내용은 PDF로도 제공됩니다.

현장에서 얻은 것 No. 21   “데이터의 양이 아니라 활용이다. 우리는 쌀을 먹지 않고 밥을 먹는다.” – 최재홍 교수(가천대)   거대한 전환점에 선 제조업 21세기, 우리는 산업 혁명의 물결이 AI(인공지능)라는 이름으로 다시금 거세게 밀려오는 시대를 살고 있다. 제조업은 그 최전선에 서 있다. 과거 증기기관, 전기, 컴퓨터가 생산 방식을 송두리째 바꿔놓았듯이, 이제 AI는 우리가 제품을 설계하고, 생산하고, 유통하며, 심지어 소비자와 소통하는 방식까지 근본적으로 재편하고 있다. 많은 제조업체는 이 변화의 물결 속에서 생존과 번영을 위한 새로운 전략을 모색하고 있다. 기존의 방식만으로는 더 이상 지속 가능한 성장을 기대하기 어렵다는 냉정한 현실에 직면하게 된 것이다. 이 거대한 전환점에서 우리는 AI를 어떻게 받아들이고 활용해야 할까? 단순히 자동화를 위한 도구로만 생각할 것인가, 아니면 그 이상의 잠재력을 가진 파트너로 인식할 것인가? 이선 몰릭 교수의 저서 ‘듀얼 브레인’은 이러한 질문에 대한 명쾌한 해답을 제시한다. 바로 AI를 인간의 ‘두 번째 뇌’로 활용하여 시너지를 창출하는 ‘듀얼 브레인’ 개념이다. 이번 호 칼럼은 ‘듀얼 브레인’의 핵심 인사이트를 바탕으로, AI 시대 제조업이 나아가야 할 생존 전략을 제시하고자 한다.   ▲ ‘듀얼 브레인’ 서평 맵(Map by 류용효컨셉맵연구소) (클릭하면 큰 이미지로 볼 수 있습니다.)   AI, 단순한 도구에서 두 번째 뇌로 “인간의 마음은 한계가 없으며, 그것은 스스로를 확장하는 방법을 끊임없이 찾아낸다.” – 이선 몰릭(‘듀얼 브레인’ 저자) 오랜 시간동안 제조업 현장에서 자동화는 주로 육체 노동의 효율을 높이는 데 초점을 맞추었다. 로봇 팔이 정밀하게 부품을 조립하고, 자동화된 설비가 제품을 대량 생산하였다. AI 역시 이러한 자동화의 연장선상에서 ‘똑똑한 도구’로 인식되는 경향이 강하였다. 그러나 ‘듀얼 브레인’이 강조하는 바는 AI가 단순한 도구를 넘어, 인간의 지적 활동을 확장하고 보완하는 ‘두 번째 뇌’가 될 수 있다는 점이다. 제조업 현장에서 AI는 더 이상 데이터를 수집하고 분석하여 보고서를 제공하는 수동적인 역할에 머무르지 않는다. AI는 설계 단계에서 수많은 변수를 고려하여 최적의 디자인을 제안하고, 생산 공정에서 예측 불가능한 오류를 사전에 감지하며, 품질 검사에서 인간이 놓칠 수 있는 미세한 결함을 찾아낸다. 이는 AI가 인간의 인지적 한계, 즉 방대한 데이터 처리 능력의 부재나 고정관념에서 벗어나지 못하는 사고의 경직성을 보완해 주기 때문에 가능한 일이다. 예를 들어, 신제품 개발에 있어 인간 디자이너는 오랜 경험과 직관으로 디자인을 구상한다. 하지만 AI는 방대한 고객 데이터, 시장 트렌드, 과거 성공 사례 등을 학습하여 인간이 상상하기 어려웠던 수십, 수백 가지의 디자인 대안을 즉시 제시할 수 있다. 또한, 각 디자인의 생산성, 재료비, 잠재적 소비자 반응까지 예측하여 제공함으로써 인간 디자이너의 의사결정을 획기적으로 개선한다. 이는 인간의 창의성과 AI의 분석 능력이 결합된 진정한 듀얼 브레인의 작동 방식이라 할 수 있다. 따라서 제조업은 AI를 단순히 공정을 자동화하는 기계로 볼 것이 아니라 R&D, 설계, 생산 관리, 품질 관리, 마케팅 등 모든 분야에서 인간의 지적 파트너이자 두 번째 뇌로 장착해야 한다. 이러한 관점의 전환이야말로 AI 시대 제조업이 생존하고 번영할 첫 걸음이 될 것이다.   듀얼 브레인 활용법 : 질문, 실험, 그리고 인간의 역할 “중요한 것은 질문하는 것을 멈추지 않는 것이다. 호기심은 그 자체로 존재 이유가 있다.” – 알베르트 아인슈타인 듀얼 브레인을 제조업에 효과적으로 장착하기 위해서는 몇 가지 핵심적인 활용법을 숙지해야 한다. 단순히 최신 AI 기술을 도입하는 것만으로는 충분하지 않다. 중요한 것은 ‘어떻게 AI와 협업할 것인가’이다. 첫째, ‘질문하는 기술’의 중요성이다. AI, 특히 생성형 AI는 우리가 던지는 질문(프롬프트)에 따라 전혀 다른 결과물을 내놓는다. 제조업에서는 AI에게 ‘현재 생산 라인의 병목 현상을 파악하고 개선 방안을 제시하라’, ‘신소재 개발을 위해 특정 물성을 가진 분자 구조를 추천하라’, ‘고객 불만 데이터에서 제품 개선에 필요한 핵심 인사이트를 도출하라’와 같이 구체적이고 명확한 질문을 던질 수 있어야 한다. 추상적인 질문은 모호한 답변을 낳고, 결국 AI 활용의 효율을 떨어뜨릴 것이다. 질문의 질이 곧 AI 활용의 질을 결정한다는 사실을 명심해야 한다. 둘째, ‘실험적 사고’와 ‘빠른 반복’이다. AI는 완벽하지 않다. 때로는 잘못된 정보(환각 현상)를 생성하거나, 우리가 의도한 바와 다른 결과를 내놓기도 한다. 제조업에서는 이러한 AI의 특성을 이해하고, 두려워하지 않고 다양한 가설을 세워 AI와 함께 실험하는 태도가 중요하다. AI가 제시한 생산 최적화 방안이 실제로 효과가 있는지 소규모 테스트를 거치고, AI가 제안한 디자인을 프로토타입으로 제작하여 시장 반응을 살피는 등의 빠른 반복 과정이 필수이다. 실패를 통해 배우고, 그 학습을 바탕으로 다음 실험을 진행하는 애자일(agile) 방식이 듀얼 브레인 시대의 핵심 역량인 것이다. 셋째, ‘인간의 개입과 검증’이다. AI는 방대한 데이터를 기반으로 통계적인 결론을 도출하지만, 그 결과가 항상 현실의 복잡한 맥락이나 윤리적 판단에 부합하지는 않는다. 제조업에서는 AI가 제시한 생산 계획이 과연 현장의 인력 운용이나 안전 규정에 부합하는지, AI가 추천한 신소재가 환경 규제를 만족하는지 등을 인간 전문가가 반드시 검토하고 최종 결정해야 한다. AI의 결과물을 맹목적으로 신뢰하기보다는, 비판적인 시각으로 검증하고 인간의 경험과 지혜를 더하는 것이 듀얼 브레인을 완성하는 핵심 단계이다. AI는 강력한 보조 도구이지만, 최종적인 책임과 판단은 결국 인간의 몫인 것이다.   창의성과 생산성 증대 : 제조업의 새로운 경쟁력 “생산성은 우연이 아니다. 그것은 항상 탁월함에 대한 헌신, 지능적인 계획, 집중된 노력의 결과이다.” – 폴 마이어 듀얼 브레인 개념을 제조업에 적용함으로써 얻을 수 있는 가장 큰 이점은 바로 창의성과 생산성의 비약적인 증대이다. 이는 AI 시대 제조업의 새로운 경쟁력이 될 것이다. 창의성 증대 측면에서 제조업은 전통적으로 ‘효율’과 ‘정확성’을 강조해왔다. 그러나 AI는 이제 제조업의 ‘창의성’을 자극하는 촉매제가 되고 있다. 예를 들어, 제품 디자인 과정에서 AI는 기존 데이터를 기반으로 전혀 새로운 형태나 기능을 제안할 수 있다. 이는 인간 디자이너의 고정관념을 깨고 상상력을 자극하여 혁신적인 제품 개발로 이어진다. 또한, AI는 제조 공정 자체의 혁신에도 기여한다. AI 시뮬레이션을 통해 기존에는 불가능하다고 여겼던 새로운 생산 방식을 탐색하고, 재료의 낭비를 최소화하며, 에너지 효율을 극대화하는 창의적인 해결책을 찾아낼 수 있다. 이는 인간의 직관과 AI의 방대한 계산 능력이 결합되어 가능해지는 결과이다. 생산성 증대 측면은 더욱 명확하다. 제조업의 생산성 증대는 곧 비용 절감과 납기 단축으로 이어져 기업의 수익성에 직접 영향을 미친다. 듀얼 브레인 시스템은 다음과 같은 방식으로 생산성을 극대화할 것이다. 예측 유지보수 : AI가 설비의 미세한 진동, 온도 변화, 전력 소비량 등을 실시간으로 분석하여 고장을 예측하고 사전 유지보수를 가능하게 함으로써, 예기치 않은 생산 중단 시간을 획기적으로 줄일 것이다. 생산 공정 최적화 : AI는 복잡한 생산 라인에서 각 단계의 효율성을 분석하고, 병목 현상을 식별하며, 재고 관리와 물류 흐름을 최적화하여 생산 리드 타임을 단축시키고 생산량을 증대시킬 것이다. 품질 관리 혁신 : AI 기반의 비전 검사 시스템은 인간의 눈으로 감지하기 어려운 미세한 불량까지 정확하게 찾아내어 불량률을 낮추고 제품 품질을 일관되게 유지할 것이다. 데이터 기반 의사결정 : AI는 시장 동향, 고객 피드백, 공급망 데이터 등 방대한 정보를 분석하여 경영진의 전략적 의사결정을 지원하고, 이는 곧 더 빠르고 정확한 시장 대응으로 이어질 것이다. 이처럼 듀얼 브레인은 제조업의 고질적인 문제를 해결하고 나아가 새로운 가치를 창출하는 핵심 동력이 될 것이다.   AI 시대, 제조업 인간의 역할 재정립 “기계는 인간의 일을 대신할 수 있지만, 인간의 마음을 대신할 수는 없다.” – 스티븐 호킹 AI가 제조업 현장에 깊숙이 들어올수록, 많은 이들이 인간의 역할에 대한 불안감을 느끼는 것이 사실이다. 하지만 ‘듀얼 브레인’은 AI가 인간의 일자리를 완전히 대체하는 것이 아니라, 오히려 인간 고유의 역량을 더욱 빛나게 하고 그 역할을 재정립할 기회를 제공한다고 역설한다. 제조업 현장에서 AI는 반복적이고 위험하며, 데이터 기반의 정량적 분석에 특화된 업무를 수행하게 될 것이다. 그렇다면 인간은 어떤 역할을 해야 할까? 문제 정의 및 비판적 사고 : AI는 주어진 문제를 해결하는 데 유능하지만, 무엇이 진정한 문제인지 파악하고 AI가 도출한 결과에 대해 비판적으로 질문하며, 맥락을 이해하여 의미를 부여하는 것은 여전히 인간의 몫이다. 예를 들어, AI가 불량률 감소를 위한 수치적 해답을 제시할 수는 있지만, ‘이 불량이 고객에게 미치는 정서적 영향’이나 ‘기업의 장기적인 브랜드 이미지’와 같은 비정량적인 가치를 판단하고 정책을 결정하는 것은 인간 경영자의 역할인 것이다. 창의적 기획 및 혁신 : AI는 기존 데이터를 기반으로 새로운 조합을 만들 수는 있지만, 완전히 새로운 개념을 무에서 유로 창조하거나, AI의 한계를 뛰어넘는 파격적인 아이디어를 제안하는 것은 인간의 고유 영역이다. 제조업에서 다음 세대 먹거리를 기획하고 시장 판도를 바꿀 기술을 상상하는 것은 AI가 아닌 인간 전문가의 몫인 것이다. 감성 지능 및 공감 : 협상, 팀 빌딩, 고객과의 관계 형성 등 인간 상호작용이 필요한 부분에서는 AI가 인간의 감성을 이해하고 공감하는 데 한계가 있다. 제조업의 영업, 마케팅, 인력 관리 등에서는 여전히 인간의 감성 지능과 공감 능력이 필수인 것이다. 윤리적 판단과 책임 : AI는 데이터를 기반으로 작동하므로 윤리적 가치 판단이나 사회적 책임을 스스로 질 수 없다. 제조업 공정에서 발생할 수 있는 환경 문제, 노동자의 안전, 제품의 사회적 영향 등 윤리적 딜레마에 대한 최종 판단과 책임은 전적으로 인간에게 달려 있는 것이다. 따라서 AI 시대 제조업의 인재는 AI를 활용하는 ‘도구적 능력’을 넘어, AI가 할 수 없는 ‘인간 고유의 역량’을 더욱 갈고 닦아야 한다. 이는 AI를 두려워할 것이 아니라, 오히려 AI의 도움을 받아 자신만의 강점을 극대화하는 길을 모색해야 함을 의미한다.   미래를 위한 제언 : 제조업의 듀얼 브레인 로드맵 “미래를 예측하는 가장 좋은 방법은 미래를 창조하는 것이다.” – 피터 드러커 AI 시대 제조업의 생존과 번영은 듀얼 브레인을 얼마나 성공적으로 장착하느냐에 달려 있다. 이를 위한 몇 가지 제언을 하고자 한다. 첫째, CEO를 포함한 경영진의 인식 전환과 비전 공유가 필수이다. 듀얼 브레인 전략은 단순히 기술팀만의 과제가 아니다. 최고 의사결정권자가 AI를 기업의 핵심 전략 자산이자 ‘두 번째 뇌’로 인식하고, 전사적인 변화의 비전을 제시해야 한다. 기술 투자뿐만 아니라 인력 재교육 및 문화 변화를 위한 투자를 아끼지 않아야 한다. 둘째, 지속적인 학습과 실험 문화를 정착시켜야 한다. AI 기술은 빠르게 진화하고 있다. 어제의 최적해가 오늘의 최적해가 아닐 수 있다. 제조업체는 AI 기술 트렌드를 주시하고, 새로운 AI 도구를 끊임없이 실험하며, 실패를 두려워하지 않고 거기서 배우는 문화를 구축해야 한다. 작은 규모의 파일럿 프로젝트를 통해 AI 활용의 성공 경험을 쌓고, 이를 점차 확대해 나가는 방식이 효과적일 것이다. 셋째, 인력 재교육 및 역량 강화에 적극적으로 투자해야 한다. 기존 인력들이 AI를 두 번째 뇌로 활용할 수 있도록 AI 기초 교육, 데이터 리터러시, 프롬프트 엔지니어링 교육 등을 제공해야 한다. 동시에 AI가 대체하기 어려운 인간 고유의 역량 즉 비판적 사고, 창의성, 문제 해결 능력, 협업 능력 등을 강화하는 교육 프로그램도 병행해야 한다. 넷째, 데이터 기반의 의사결정 체계를 확립해야 한다. 듀얼 브레인은 결국 데이터에 기반한다. 제조업 현장의 모든 데이터(생산, 품질, 재고, 고객, 시장 등)를 통합적으로 수집하고 분석할 수 있는 인프라를 구축해야 한다. 이를 통해 AI가 더 정확하고 깊이 있는 통찰력을 제공할 수 있으며, 인간의 의사결정 역시 데이터에 기반하여 더욱 합리적으로 이루어질 수 있을 것이다. 다섯째, 외부 AI 전문 기업과의 협력을 고려해야 한다. 모든 AI 역량을 자체적으로 구축하는 것은 현실적으로 어렵고 비효율적일 수 있다. AI 설루션 제공 기업, 컨설팅 회사, 학계 등 외부 전문가 그룹과의 협력을 통해 필요한 AI 기술과 노하우를 빠르게 도입하고 내재화하는 전략도 필요할 것이다.   결론 : 듀얼 브레인, 제조업의 새로운 항해를 위한 나침반 “완벽한 계획을 기다리기보다 빠르게 실행하고(선지랄 후수습), 시장과 고객의 피드백을 통해 방향을 수정해 나가는 것이 중요하다.” – 최재홍 교수(가천대) AI 시대는 제조업에 거대한 도전인 동시에 전례 없는 기회이다. 이 기회를 잡기 위해서는 AI를 단순한 생산성 향상 도구로 여기는 구시대적 관점을 벗어나, 인간의 지적 능력을 확장하고 협력하는 듀얼 브레인으로 장착해야 한다. 인간의 비판적 사고와 창의성, 그리고 AI의 방대한 처리 능력이 결합될 때 제조업은 새로운 차원의 혁신과 경쟁력을 확보할 수 있을 것이다. 이제 제조업은 단순히 물건을 만드는 것을 넘어, 지능형 시스템과 인간 지능이 함께 작동하는 ‘코인텔리전스 제조(co-intelligence manufacturing)’의 시대로 진입하고 있다. 듀얼 브레인을 장착하고, AI와 함께 배우고 실험하며, 인간 고유의 가치를 더욱 빛내 나간다면, AI 시대의 제조업은 더욱 강력하고 지속 가능한 미래를 향해 성공적으로 항해할 수 있을 것이다. 이는 선택이 아닌 필수 생존 전략이 될 것이다. 최재홍 교수는 2025년 7월 9일 미모세(미래모빌리티세미나) 2025 키노트에서 이런 말을 남겼다. “오너는 될 때까지 하기 때문에 실패가 없다.” 이 말은 강연장에 모인 스타트업 그리고 상장사 CEO들에게 큰 영감과 감동을 주었다.   ■ 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.

현장에서 얻은 것 No. 20   피곤했지만 놓칠 수 없는 기회, AI 스터디그룹(데이터공작소)에서 답을 찾다.”   AI 시대, 배움과 연결에서 찾은 성장 동력 일상에 지쳐 몸은 천근만근이었지만, 빠르게 변화하는 인공지능(AI) 시대에 뒤쳐질 수 없다는 생각에 발걸음을 재촉했다. 특히 AI 기술이 단순한 효율성 도구를 넘어 업무 방식과 산업 지형을 근본적으로 바꾸고 있다는 통찰 앞에 서니, 피로감은 부차적인 문제로 느껴졌다. 이러한 변화의 파고를 헤쳐나갈 답을 찾기 위해, 필자는 주말에 스터디하는 데이터공작소 TFT, 데이터 공작소의 매주 월요일 줌강의, 매달 모임과 자율주행 회사들의 특별한 만남인 미모셀, 지식을 공유하고 서로 도움을 주는 네트워크 모임인 한국미래융합연구원 등 AI 및 관련 기술 스터디 그룹의 문을 두드렸다. 이곳에서 만난 전문가들과의 지식 공유와 토론은 필자가 가진 궁금증을 해소하고 새로운 가능성을 탐색하는 데 귀중한 기회가 되었다. “배우는 법을 배우라.” − 데미스 허사비스(Demis Hassabis) CEO, 구글 딥마인드   ▲ 피곤했지만 놓칠 수 없는 기회, AI 스터디그룹   AI 에이전트와 MCP : AI의 실행력을 극대화하는 연결 고리 탐색 스터디 그룹에서 가장 주목받는 개념은 AI 에이전트였다. AI 에이전트는 환경을 인식하고 스스로 결정하며 목표를 달성하는 소프트웨어 개체로 정의된다. 독립적으로 작동하며 목표를 향해 지속적으로 학습하고 개선하는 특징을 가진다. 데이터를 수집, 분석하고 최적의 행동을 선택하여 실행하는 방식으로 작동하며, 질문에 대한 하위 질문을 생성하고 리서치한 후 포괄적인 답변을 제공하거나 AI 요약 결과를 자동화하고 개선하는 등 다양한 기능을 수행할 수 있다. 일부는 다양한 도구를 사용하여 복잡한 작업을 수행하는 완전 자율 시스템으로 정의되기도 하고, 미리 정의된 워크플로를 따르는 규범적인 구현을 설명하기도 한다. 이러한 AI 에이전트의 역량을 극대화하는 핵심 기술로 MCP(Model Context Protocol)가 소개되었다. MCP는 LLM(Large Language Model) 애플리케이션과 외부 데이터 소스 및 다양한 도구 간의 원활한 통합을 가능하게 하는 개방형 프로토콜이다. 마치 USB-C가 다양한 전자기기를 연결하듯, MCP는 웹 서비스와 AI 에이전트를 연결하여 AI가 서비스에 직접 접근할 수 있도록 돕는 핵심 기술이다. 이를 통해 LLM은 단순히 텍스트를 생성하는 것을 넘어 현실의 도구들과 연결되며 이메일 작성 및 전송, 캘린더 약속 등록, 슬랙 메시지 전송, 파일 저장 및 정리, 소셜 미디어 검색 및 게시, 스프레드시트 데이터 정리, 줌 회의 예약 및 회의록 작성, 노션 자료 활용 등 다양한 작업을 실행할 수 있게 된다. 이는 에이전틱 AI(agentic AI) 발전의 중요한 요소로 강조되었다. 또한, MCP는 프레임워크나 벤더에 관계없이 에이전트 간 상호 운용 가능한 통신을 안전하게 지원하는 것을 목표로 한다. API와 MCP가 반드시 필요한 것은 아니지만, 엄청난 잠재력을 가지고 있다는 점이 강조되었다. API 연결은 개발자에게도 쉬운 일은 아니며 권한 부여 문제 등이 있기 때문에, MCP가 이를 더 쉽게 만들 수 있는지에 대한 고민도 있었다. “미래를 예측하는 최선의 방법은 미래를 창조하는 것.” − 정종기 박사, AI 비즈니스 전문가   바이브 코딩과 커서 : AI를 개발 동료로 활용하는 방법 AI 스터디에서는 개발의 패러다임 변화인 ‘바이브 코딩’에 대한 논의도 활발했다. 전통적인 코딩이 ‘개발자가 자신의 작업을 대신할 프로그램을 만드는 것’이라면, 바이브 코딩은 ‘AI가 자신의 작업을 대신할 프로그램을 만드는 것’이다. 이는 AI에게 개발을 외주로 맡기는 것과 유사한 개념으로 설명된다. 좋은 바이브 코더는 좋은 외주 의뢰자가 갖춰야 할 다섯 가지 역량을 AI에게 적용해야 한다. 내 문제를 풀기 위한 작업 정의(PRD, 유저 플로) AI가 잘 이해할 수 있게 의사소통(프롬프트, 지침) 프로그램을 잘 만들기 위한 리소스 지원(데이터, API, 실행/배포 환경) 프로그램이 의도대로 동작하는지 검수(자동화 테스트) 이 과정에서 모르는 것을 배워 점차 스스로 할 수 있게 되는 것이다. 커서(Cursor)는 이러한 ‘LLM-assisted IDE’ 개념을 제시하는 도구로 소개되었다. 복잡한 프로그래밍 지식, 문서, 오류 메시지 기반의 학습 곡선이나 사전 설계 중심의 신중한 개발 문화, 툴과 언어, 개발 환경의 복잡성 같은 문제 속에서 커서는 아이디어를 즉각 코드로 구현하고 비전문가의 접근성을 폭발적으로 증대시키며 LLM 기반의 빠른 실험과 피드백 루프를 가능하게 한다. 문법 대신 의도 전달과 맥락 중심으로 전환되는 패러다임의 변화를 지원한다. 데이터공작소 개발TFT(서울팀) 관련 세션에서는 커서를 활용한 실질적인 개발 프로세스가 시연되었다. 혼자서 다양한 역할을 수행하는 ‘솔로프리너’ 관점에서 기획부터 개발, 테스트, 배포, 모니터링, 마케팅까지 전 과정을 AI와 함께 진행하는 방법이 제시되었다. 커서를 통해 아이디어 구체화, 기획 문서 작성(PRD, 비즈니스 모델 캔버스), 프로젝트 관리(Task Master MCP를 활용한 작업 목록 생성, 복잡도 계산, 하위 태스크 분해), 실제 코드 작성, 그리고 문서화(Obsidian 연동) 등이 가능함을 보여주었다. 특히 개발 경험이 있는 발표자인 어니컴의 최성훈 팀장은 커서를 통해 불편하고 반복적인 작업의 상당 부분을 자동화하고, 단계별로 명확한 지시를 내리며 태스크 관리를 통해 AI가 맥락을 이해하도록 유도하는 장점을 강조했다. 그는 커서를 쓰면서 처음에는 AI가 코딩을 짜는 것을 도와주는 정도라고 생각했고, 코드를 다 안 봐도 알아서 다 짜 주는 줄 알았다고 했다. 하지만 실제로 해 보니 절대 그렇지는 않았고, 다만 불편하거나 반복적인 작업에서는 충분히 활용 가치가 있음을 느꼈다고 했다. AI와 소통하며 생각을 체계화하고 문서화하며 원하는 것을 구체화하고 실행 계획을 짜서 이뤄가는 과정을 보였다고 했다. 그는 커서 하나로 A부터 Z까지 다 해 볼 수 있겠다는 느낌을 받았고, 솔로프리너를 목표로 하는 사람들은 연구해 볼 만하다고 개인적인 의견을 덧붙였다. AI에게 외주를 맡기는 개념이기 때문에 사람이 명확하게 문제 정의를 하고, 의사소통하며, 검수하는 역할이 중요하다고 언급했다. 또한, 커서가 굉장히 많은 도움을 주었다고 말했다. 개발자는 커서를 통해 코드의 문제점이나 개선 포인트를 찾는 데 도움을 받을 수 있고, 혼자 개발하면서 보조적인 도움이 필요할 때 효과적일 수 있다고 했다. 또한 자동 PR 요약이나 커밋 메시지 작성 등 깃(Git)과의 연동도 잘 되는 장점이 있었다. 오랜 개발 경험을 가지고 있는 양선희 대표는 필자의 숙원 고민거리를 반나절만에 해결해 주었다. 디자인씽킹 기법 중 첫 번째인 공감대 형성의 템플릿을 시스템화시켜 주었다. 클로드(Claude)로 대화하듯이 고민거리를 얘기하고 프로그램 기획, 개발, 테스트 등을 통해 언제든지 실행 가능한 설루션으로 만들어 주었고 소스도 공유했다. 보안 분야를 다루면서 다양한 경험을 통해서 항상 정리를 잘 하고 번뜩이는 아이디어를 내는 NSHC 장주현 이사와 AI인터시스 신동욱 대표는 AI 일타 강사이다. 항상 새로운 기술, 주제를 뚝딱 만들어내고 강의도 잘 한다. 최근에는 개발, 교육을 병행하느라 전국을 일일 생활권으로 두고 있다. 신동욱 대표의 회사에서 핵심 인재인 정성석 상무는 차세대 유망주인데, 알고 보니 고등학교 후배였다. 세상은 넓고 할 일은 많지만, 오늘 이 모임이 있기까지 도움을 준 데이터마이닝 이부일 대표는 유튜브 R릴에오를 통해 데이터 통계 분석 기법을 유튜브로 알렸다. 2022년 콘셉트맵 캘린더 9월호의 주인공으로 모신 인연으로 SNS에서 자주 소통하고 온/오프라인으로 인연을 이어가고 있다. “결국 실행되는 지식만이 힘이다.” − 데일 카네기   노트북LM : 개인 맞춤형 학습 및 연구 파트너 활용 또 다른 유용한 AI 도구인 노트북LM(NotebookLM)은 맞춤형 AI 리서치 어시스턴트이자 AI 기반 학습 및 연구 파트너로 소개되었다. 노트북LM의 가장 큰 강점은 사용자가 제공한 소스 내에서만 정보를 검색하고 답변을 생성하여, 환각 현상을 줄이는 데 도움을 준다는 것이다. PDF, 구글 드라이브 문서, 웹사이트 링크, 유튜브 링크, 마크다운 등 다양한 형태의 소스를 학습할 수 있으며, 특히 유튜브 공개 동영상 URL을 소스로 사용할 수 있는 점은 챗GPT에서 제공하는 프로젝트 기능과의 차별점으로 언급되었다. 노트북LM의 주요 기능으로는 학습 자료(소스) 내 정보 검색 및 답변 생성, 소스 요약(핵심 내용 추출), 추가 탐색, 메모 추가 및 소스 전환, AI 오디오 오버뷰(팟캐스트 형태의 요약 청취), 오버뷰, 마인드 맵(소스 기반 개념 및 관계 구조화), 생성 맞춤 설정, 학습 가이드, FAQ 생성, 브리핑 문서, 타임라인(시간적 순서 정리), 소스 검색, 심화 질문 및 분석 등이 있다. AI 오디오 오버뷰 기능은 두 명의 팟캐스트가 대화 형식으로 소스 내용 중 중요한 부분을 6~7분 분량의 팟캐스트로 만들어 주며, 원하는 내용에 초점을 맞추어 생성할 수도 있다. 시각 장애인에게도 좋은 서비스로 생각된다고 언급되었다. FAQ 기능은 우리가 생각하지 못했던 질문을 많이 만들어 준다고 했다. 마인드 맵 기능은 주어진 소스를 기반으로 개념과 관계를 시각화하는 데 상당히 잘 작동한다고 했다. 타임라인 기능은 소스에 있는 여러 이벤트를 시간 순서대로 정리해 주는데 정말 훌륭하다고 했다. 활용 사례로는 새로운 개념 이해, 핵심 자료 수집, 스터디 메이트 역할(학습 계획 관리, 질문/답변 학습, 복습, 약점 보완, 동기 부여), 모의 시험 및 문제 풀이, 창의력 및 사고력 훈련, 논문 관련 작업(주제 선정, 배경 탐색, 선행 연구 정리, 개념 정립, 논리 구성, 글쓰기 초안, 피드백) 등이 제시되었다. 특히 장비 매뉴얼 이해나 유튜브 영상 내용 파악에 유용하며, 논문 작성을 위한 참고 문헌 제안 및 형식 정리에도 활용될 수 있다고 했다 새로운 개념을 이해하고 싶을 때나 중요한 질문에 대한 핵심 자료를 만들고 싶을 때 소스 검색 기능이 유용하다고 했다. 다만 노트북LM은 과제나 태스크를 대신해주는 도구가 아니라 도와주는 어시스턴트라는 점과 좋은 소스를 제공하는 것이 중요하다는 점이 강조되었다. 쓰레기를 집어넣으면 쓰레기가 나온다는 ‘Garbage In, Garbage Out’이라는 말이 있듯이. 노트북LM만 단독으로 사용하기보다 챗GPT, 제미나이(Gemini) 등 다른 툴과 함께 사용하는 것이 더 중요하다고 생각한다고 했다. 다른 툴로 좋은 소스를 만들어서 노트북LM에 넣어 활용하는 선순환 구조를 잘 활용하면 좋다고 했다. “성공하고자 하는 의지가 강하다면, 실패 따위가 나를 압도할 수 없다.” − 정광천, 이노비즈협회 회장   다양한 스터디 그룹의 시너지 : 연결과 성장의 기회 한국미래융합연구원은 정기적인 지식 공유 모임을 통해 AI를 비롯한 다양한 분야의 최신 트렌드와 비즈니스 인사이트를 공유하는 플랫폼 역할을 하고 있다. 정종기 박사는 AI 비즈니스 전문가로서 AI 대중화 시대에 지속 가능한 미래 준비, AI 활용 능력의 중요성, 그리고 AI 트랜스포메이션에 대한 강의를 진행하며 멤버들에게 영감을 주고 있다. 그는 AI가 기업 경영의 효율화와 비용 절감에 핵심적인 역할을 하며 제조 등 다양한 산업에 영향을 미치고 있음을 강조한다. AI에게 일을 잘 시키는 사람이 능력 있는 사람이라고 했다. 미모셀은 미래 모빌리티 분야의 전문가들이 모여 업계 동향 공유와 네트워킹을 하는 그룹이다. 자율주행 기술, 센서(라이다, 레이다), SDV(Software Defined Vehicle) 등 모빌리티와 AI가 접목되는 분야의 최신 정보를 공유하고 토론한다. 어려운 시기에도 서로 힘이 되고 지지하는 관계를 형성하며 연결의 중요성을 보여준다. 미모셀의 목표는 대표님들의 어깨를 가볍게 해 드리는 것이라고 했다. 이처럼 다양한 스터디 그룹은 AI 기술 자체뿐만 아니라 기술이 비즈니스, 커리어, 그리고 사회 전반에 미치는 영향에 대해 깊이 있게 논의하고 있다. 유발 하라리 교수는 초지능 AI가 인류를 파멸로 이끌 위험이 있지만 경쟁 때문에 개발 속도를 늦추지 못하며, AI는 단순 도구가 아닌 스스로 생각하고 결정하는 주체(agent)라고 했다. AI는 인간과 달리 휴식이 필요 없어 지속적으로 활동 가능하며, 알고리즘 속도를 인간의 속도에 맞게 조절해야 한다고 했다. 또한, AI는 인간을 대체해 불평등한 사회를 초래할 가능성이 있다고 했다. 이러한 예측 속에서 AI 활용 능력은 개인과 기업의 생존에 필수라는 메시지가 반복적으로 강조된다. “AI 활용 능력이 당신의 생존입니다.” − 정종기 박사, AI 비즈니스 전문가   맺음말 : 배움과 연결을 통한 미래 준비 AI 시대는 불확실성이 높지만 지속적인 학습과 유연성 개발, 광범위한 역량 개발을 통해 기회를 잡을 수 있다고 한다. 특히 기술 변화에 대한 적응력과 개인적인 열정을 바탕으로 오픈소스 도구 등을 활용해 실습하고 실험해보는 것이 중요하다. 데이터공작소와 같은 AI 스터디 그룹, 데이터공작소 개발TFT(서울팀)에서의 실질적인 기술 학습, 미모셀에서의 산업 지식 공유, 그리고 한국미래융합연구원에서의 비즈니스 및 트렌드 통찰은 이러한 미래를 준비하는 강력한 기반이 된다. 피곤함에도 불구하고 참여했던 이 스터디 그룹들에서 필자는 AI 기술의 최신 동향과 더불어 그것이 어떻게 실제 업무와 비즈니스에 적용될 수 있는지, 그리고 개인의 역량을 어떻게 발전시켜야 하는지에 대한 실질적인 답과 영감을 얻을 수 있었다. 기술 도입을 넘어 조직 문화와 일하는 방식을 근본적으로 전환할 용기를 가지고 AI를 경쟁 상대가 아닌 협업 파트너로 받아들일 준비를 하는 것, 그리고 배움과 연결을 멈추지 않는 것이 이 급변하는 시대에 생존하고 번영하는 길임을 다시 한 번 확인했다.   ■ 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. 

‘PLM/DX 베스트 프랙티스 컨퍼런스 2025’가 지난 6월 20일 서울 코엑스에서 열렸다. ‘제조의 미래를 위한 PLM 혁신과 AX 전략’을 주제로 한 이번 행사에서는 제조산업에서 불확실한 외부 환경에 대응하고 기술 및 비용 경쟁력을 확보하기 위한 통합 PLM(제품 수명주기 관리) 설루션과 인공지능 전환(AX)의 중요성을 강조했다. ■ 정수진 편집장     한국산업지능화협회 PLM 기술위원회 위원장인 KAIST 서효원 명예교수는 개회사에서 AI와 결합하여 다시 중요해진 PLM의 미래를 강조했다. 그는 “AI 혁신이 전 세계를 휩쓰는 가운데 특히 제조 산업에서 GPT와 같은 LLM(대규모 언어 모델)을 어떻게 적용할지가 핵심 과제”라면서, “제조 특유의 반구조화된 데이터, 환각(hallucination) 문제, 막대한 학습 데이터 구축 비용 등의 난관을 극복하고 1~2년 내에 현업에서 성과를 내야 한다”고 강조했다. 또한, “이번 콘퍼런스가 PLM을 넘어 생성형 AI, 디지털 트윈 등 폭넓은 미래 지향적 주제를 다루며, 산업 전문가들이 디지털 혁신의 본질적 가치와 방향성을 논의하고 상호 인사이트를 얻는 교류의 장이 되기를 바란다”고 전했다.   ▲ 서효원 한국산업지능화협회 PLM 기술위원회 위원장   한국CDE학회의 회장인 충남대학교 정현 교수는 격려사를 통해 “이번 행사에서 PLM의 AI 전환을 위해 생성형 AI, 디지털 트윈 등 폭넓은 미래 지향적 논의가 이뤄지기를 바란다”면서, 다양한 산업 전문가들의 교류를 통해 디지털 혁신의 본질적 가치와 방향성을 점검하고 상호 인사이트를 얻는 것이 중요하다고 짚었다. 그는 또한 기술 확산을 넘어 회사의 전략, 내부 문화, 조직 혁신이 동반되어야 진정한 디지털 AI 전환이 완성될 것이라고 강조하면서, “이번 PLX/DX 베스트 프랙티스 콘퍼런스가 새로운 협업과 혁신의 출발점이 되기를 바라며, 한국CDE학회 또한 산학연 협력의 구심점 역할을 이어나갈 것”이라고 전했다.   ▲ 한국CDE학회 정현 회장   이번 행사의 오전 시간에는 세 편의 기조연설이 진행됐다. 기조연설에서는 제조 산업의 미래를 위한 PLM 기반의 통합적 디지털/ AI 전환 전략을 통해 경쟁력을 강화하고 새로운 가치를 창출해야 한다는 메시지와 함께, 단순한 기술 도입을 넘어 데이터 통합과 표준화 그리고 궁극적으로 일하는 방식과 조직 문화의 근본적인 변화가 필요하다는 지적이 있었다.   PLM과 산업 AI, 미래 제조 산업의 핵심 동력이 되다 가천대학교의 조영임 교수는 ‘제조 산업의 미래, 산업 AI 트렌드와 과제’를 주제로 한 기조연설에서 전 세계적으로 AI 기술 개발이 빠르게 추진되고 있으며, 제조 기업이 AI에 몰입하지 않으면 경쟁력을 유지하기 어렵다고 짚었다. 그리고 AI를 통한 제조 산업의 미래 활성화 방안을 제시하면서, AI 기술 발전과 함께 제조업이 갖춰야 할 기술/전략/인프라/인재 양성의 중요성을 언급했다. PLM은 제품의 전체 생애 주기에 걸친 프로세스와 데이터를 통합 관리하는 개념으로 설명된다. 최근에는 단순한 제품 관리를 넘어 순환 경제(circular economy)의 핵심 개념으로 정의되고 있으며, 데이터 중심의 관리 및 전략적 최적화를 추구하고 있다. 조영임 교수는 “최근 PLM이 다시 중요하게 부각되는 이유는 디지털 전환에 있어 PLM이 디지털 스레드(digital Thread)와 디지털 트윈(digital Twin)을 포괄하는 상위 관리 체계로서 중요한 역할을 하며, 디지털 전환에 AI가 결합되는 구조가 글로벌 제조 산업 AI의 기본 모델이기 때문”이라고 짚었다.   ▲ 가천대학교 조영임 교수   한편, AI 기술은 현재 클라우드 중심의 LLM(대규모 언어 모델)에서 미래에는 온디바이스 기반의 SLM(소규모 언어 모델)로 변화하며 효율성과 협업, 그리고 지속가능성을 강조할 것으로 보인다. 특히 에이전틱 AI(agentic AI)는 LLM을 넘어 사용자의 복잡한 작업을 스스로 처리하는 비서 역할을 수행할 것으로 기대를 모으고 있다. 조영임 교수는 “국내 제조업의 AI 도입률은 아직 낮고, 대기업이 중소기업보다 도입률이 높다. 또한, 한국 기업은 핵심 기술 영역보다는 재무 관리 등 주변 인프라에 AI를 집중하는 경향이 있다”고 지적했다. 향후 산업 AI의 과제로는 핵심 기술에 대한 고도화된 도입과 전략 및 데이터 연결의 표준화가 꼽힌다. 조영임 교수는 “산업 AI는 제조 디지털 전환의 핵심 기술로서, PLM과 AI의 공동 연계, 통합 패키지 개발, 산업 AI 표준 반영, 제조 DX 가이드라인 개발 및 공공 조달 지침 마련 등이 정부가 기업과 함께 추진해야 할 과제”라고 전했다.   AI 시대 제조 경쟁력 향상을 위한 통합형 PLM 전략 SAP 코리아의 고건 파트너는 ‘AI 혁신을 기회로! 제조 경쟁력을 높이는 통합형 PLM 전략’이라는 주제로 기조연설을 진행하면서, SAP의 PLM과 ERP(전사 자원 관리) 통합 전략을 소개했다. SAP는 예측 불가능한 외부 환경에 대응하고 내부 역량을 강화하기 위해 애플리케이션 레벨의 수평적 통합과 데이터 및 AI 레이어를 통한 수직적 통합을 동시에 추구하고 있다. SAP가 추진하는 수평적 PLM 통합은 디지털 스레드를 통해 데이터 사일로를 해소하고, 사내뿐 아니라 협력사 및 고객사를 포함한 전체 가치사슬(value chain)의 데이터를 실시간으로 통합하는 것을 목표로 한다. 고건 파트너는 “SAP는 이를 위해 별도의 비즈니스 네트워크를 운영하며, 설계 단계의 산출물이 제조 및 설비 관리까지 원활하게 연동되어 정보 재활용이 극대화되는 환경을 제공한다”고 소개했다.   ▲ SAP 코리아 고건 파트너   수직적 PLM 통합은 애플리케이션 위에 AI 레이어를 두어 정형 및 비정형 데이터를 활용하고 AI가 비즈니스를 이해하도록 하는 전략이다. 고건 파트너는 국내 기업의 AI 도입 시 가장 큰 문제점으로 데이터 부재와 품질 문제를 꼽으면서, AI와 함께 지식 그래프(knowledge graph)를 PLM에 적용하여 예지 정비 및 설계 변경 영향도 분석 등이 가능한 데이터 플랫폼을 제안했다. 고건 파트너는 “SAP는 PLM에 AI 코파일럿인 쥴(Joule)을 적용해 협업 및 문서 요약 기능을 제공하고 있으며, 오픈 AI, 엔비디아, 메타 등 30개 이상의 파운데이션 모델과 협력하여 제조 현장의 로봇 제어까지 확장하고 있다”고 전했다. 또한 “현재 기업들이 직면한 불확실성에 대응하기 위해서는 제품 정보 관리의 고도화가 필수이며, 통합형 PLM 전략이 그 해답이 될 것”이라고 강조했다.   조선산업의 미래를 위한 차세대 설계/생산 통합 플랫폼 HD현대의 이태진 전무는 ‘조선업의 미래를 위한 차세대 설계/생산 통합 플랫폼’을 주제로 한 기조연설에서 조선산업의 현황과 디지털 전환 전략의 필요성을 짚었다. 국내 조선산업은 탈탄소 정책, 에너지 무기화, 군사력 강화 등으로 호황을 맞고 있지만, 한편으로 중국 조선소의 추격, 높은 원가와 인건비, 친환경 선박 생산의 어려움, 숙련 인력의 이탈, 그리고 신사업 발굴 필요성 등으로 인해 위기감을 갖고 있기도 하다. 이태진 전무는 이러한 상황에서 디지털 전환은 조선산업의 미래를 위한 필수 요소라고 진단하면서, 2020년부터 2030년까지 10년간 디지털로 최적 운영되는 초일류 조선소 구현을 목표로 하는 HD현대의 디지털 전환 전략을 소개했다. HD현대의 ‘FOS(Future of Shipyard)’ 프로젝트는 조선소 데이터의 디지털화, 데이터 연결 및 최적화, 지능형 조선소 구축 등 세 3단계로 진행되며, 그 핵심은 차세대 CAD와 PLM을 근간으로 하는 차세대 설계/생산 통합 플랫폼 구축에 있다.   ▲ HD현대 이태진 전무   HD현대의 차세대 설계/생산 통합 플랫폼은 연결성, 일하는 방식의 변화, 전체 업무 효율 극대화, 디지털 제조 기반 구축 등 네 가지 핵심 목표를 지향한다. 이를 실현할 수 있는 차세대 CAD/PLM 구축을 위해 HD현대는 올해 말 최종 설루션을 선정하고 2026년부터 구축에 들어갈 예정이며, 설루션 선정뿐만 아니라 업무 프로세스 변화를 함께 추진할 계획이다. 이태진 전무는 “PLM/DX는 제조업 경쟁력 강화의 핵심 구현 수단이며, 디지털 스레드는 생산, SCM(공급망 관리), MRO(유지보수, 수리, 운영) 사업까지 연결하여 새로운 부가가치를 창출할 기회가 될 것”이라고 전망하면서, “이러한 설계/생산 디지털 전환이 장기적으로 제조산업의 경쟁력 강화에 크게 기여할 것이며, ERP, SCM, 데이터 플랫폼, AI 등 모든 연관 시스템과의 연결이 중요하다”고 덧붙였다.   기술 트렌드부터 사례까지, PLM·DX의 현재와 미래 짚다 ‘PLM/DX 베스트 프랙티스 컨퍼런스 2025’의 기조연설에 이어 오후 시간에는 ▲베스트 프랙티스 ▲트렌드/신기술/설루션 ▲ SDM(MES/MOM) 등 세 개의 트랙에서 18편의 발표가 진행됐다.   ■ 같이 보기 : [포커스] 기술 트렌드부터 사례까지, PLM·DX의 현재와 미래 짚다   또한, 부스 전시에서는 제조 혁신을 실현하기 위한 디지털 전환 및 인공지능 전환 설루션 기술이 다양하게 소개되어 참가자들의 눈길을 끌었다.   ▲ 다쏘시스템 부스   ▲ 마이링크 부스   ▲ 세원에스텍 부스   ▲ 쓰리피체인 부스   ▲ 씨이랩 부스   ▲ 아이지피넷 부스   ▲ 인코스 부스   ▲ 한화시스템 부스     ■ 기사 내용은 PDF로도 제공됩니다.

알테어가 2월 27일 개최된 ‘CIO 서밋 2025’에서 현업 담당자를 위한 생성형 AI 전략과 경량 대규모 언어 모델(sLLM) 활용 사례를 발표했다. 이번 행사는 ‘생성형 AI의 새로운 지평을 넘어서’를 주제로, 기업 의사결정권자들에게 생성형 AI의 비즈니스 가치 창출 전략을 공유하는 자리였다.   한국알테어의 이상헌 이사는 발표를 통해 “대규모 언어 모델(LLM)이 빠르게 발전하고 있지만, 기업 환경에서는 데이터 보안, 비용, 할루시네이션(환각) 문제 해결이 여전히 중요하다”면서, “특히 기업이 자체 데이터를 안전하게 활용하고 맞춤형 AI 설루션을 구축하기 위해서는 보다 경량화된 모델이 필요하다”고 설명했다. 이어 그는 “이러한 이유로 기업 내부 데이터를 효과적으로 활용할 수 있는 sLLM의 구축이 중요한데, 알테어의 데이터 분석 플랫폼 ‘래피드마이너’를 활용하면 오픈소스 기반으로 구축할 수 있어 기업이 원하는 환경에 최적화된 AI 설루션을 손쉽게 개발할 수 있다”고 말했다.   또한 그는 “기존에 수백 줄의 파이썬 코드가 필요했던 복잡한 작업을 알테어의 노코드 환경에서 현업 담당자도 쉽게 구현할 수 있다”며, “이렇게 개발된 검색 증강 생성(RAG) 기반 AI 설루션은 정밀한 검색과 문맥 반영이 가능해 엔지니어링 기술 지원과 인사 관리 등 다양한 분야에 활용될 수 있다”고 AI 챗봇 구축 사례를 소개했다.   한국알테어의 김도하 지사장은 “현업 담당자가 sLLM 기반 AI 모델을 활용하면 각자의 업무 프로세스에 맞춰 기업 필요에 따라 지속적으로 모델을 개선할 수 있다”며, “알테어는 sLLM 기반의 안전하고 효율적인 AI 설루션을 제공하는 등 기업의 업무 혁신을 위해 적극적으로 지원하겠다”고 밝혔다.  

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 전문적인 BIM 자료를 이해할 수 있는 대규모 언어 모델(LLM, Large Language Model)을 개발하는 방법을 알아본다. BIM 기반 LLM을 개발하는 방법은 여러 가지가 있으나, 여기에서는 그 중 하나인 RAG(Retrieval Augumented Generation, 증강 검색 생성) 시 LLM이 잘 추론할 수 있도록 모델을 파인튜닝(fine-turning)하는 기술을 사용해 본다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   LLM 모델 파인튜닝의 개념 파인튜닝이란 사전에 학습된 LLM을 특정 도메인이나 작업에 맞게 최적화하는 과정이다. 기본적으로 LLM은 일반적인 자연어 처리 작업을 수행하도록 설계되어 있지만, 전문적인 특정 지식 도메인(예 : 건설 분야의 BIM 데이터)이나 문제를 다룰 때는 환각 현상이 심해지므로 해당 도메인에 특화된 데이터로 모델을 재학습시켜야 한다. 이를 통해 모델이 특정 영역에서 더 정확하고 유용한 결과를 생성하도록 만든다. 파인튜닝 과정은 다음과 같은 단계로 이루어진다.  ① 사전 학습된 모델 선택 : 이미 대규모 데이터로 학습된 LLM을 선택한다. ② 도메인 특화 데이터 준비 : 대상 분야와 관련된 고품질 데이터를 수집하고, 이를 정제 및 전처리한다. ③ 모델 파라미터 조정 : LoRA(Low-Rank Adaptation)같은 기법을 사용하여 모델 파라미터를 특정 도메인에 맞게 업데이트한다.  ④ 훈련 및 검증 : 준비된 데이터로 모델을 학습시키고, 성능을 검증하며 최적화한다. 여기서, LoRA 기술은 LLM을 파인튜닝하는 데 사용되는 효율적인 기법이다. 이 방법은 모델 전체를 다시 학습시키는 대신, 모델의 일부 파라미터에만 저차원(lowrank) 업데이트를 적용하여 파인튜닝한다. 이를 통해 학습 비용과 메모리 사용량을 대폭 줄이면서도 높은 성능을 유지할 수 있다. 이 글에서 사용된 라마 3(Llama 3)는 메타가 개발한 LLM 제품이다. 모델은 15조 개의 토큰으로 구성된 광범위한 데이터 세트에서 훈련되었다.(라마 2의 경우 2T 토큰과 비교) 700억 개의 파라미터 모델과 더 작은 80억 개의 파라미터 모델의 두 가지 모델 크기가 출시되었다. 70B 모델은 MMLU 벤치마크에서 82점, HumanEval 벤치마크에서 81.7점을 기록하며 이미 인상적인 성능을 보여주었다. 라마 3 모델은 컨텍스트 길이를 최대 8192개 토큰(라마 2의 경우 4096개 토큰)까지 늘렸으며, RoPE를 통해 최대 32k까지 확장할 수 있다. 또한 이 모델은 128K 토큰 어휘가 있는 새로운 토크나이저를 사용하여 텍스트를 인코딩하는 데 필요한 토큰 수를 15% 줄인다.   개발 환경 준비 개발 환경은 엔비디아 지포스 RTX 3090 GPU(VRAM 8GB), 인텔 i9 CPU, 32GB RAM으로 구성되었다. 이러한 하드웨어 구성은 대규모 BIM 데이터를 처리하고 모델을 학습시키는 최소한의 환경이다. 이 글에서는 사전 학습모델은 허깅페이스(HF)에서 제공하는 Llama-3-8B 모델을 사용한다. 파인튜닝을 위해서는 다음과 같은 환경이 준비되어 있다고 가정한다.  파이토치 설치 : https://pytorch.org/get-started/locally  올라마(Ollama) 설치 : https://ollama.com 허깅페이스에서 제공하는 LLM 모델을 사용할 것이므로, 접속 토큰(access token)을 얻어야 한다. 다음 링크에서 가입하고 토큰을 생성(Create new token)한다. 이 토큰은 다음 소스코드의 해당 부분에 입력해야 동작한다.  허깅페이스 가입 및 토큰 획득 : https://huggingface.co/ settings/tokens   그림 1   명령 터미널에서 다음을 실행해 라이브러리를 설치한다.   pip install langchain pypdf fastembed chardet pandas pip install -U transformers pip install -U datasets pip install -U accelerate pip install -U peft pip install -U trl pip install -U bitsandbytes pip install -U wandb   개발된 BIM LLM 모델 성능이 향상되었는지를 검증할 수 있도록, 기초 모델이 인터넷에서 쉽게 수집 후 학습할 수 있는 BIM 자료를 제외한 데이터를 학습용으로 사용할 필요가 있다. 이런 이유로, 최근 릴리스되어 기존 상용 대규모 언어 모델이 학습하기 어려운 ISO/TS 19166에 대한 기술 논문 내용을 테스트하고, 학습 데이터 소스로 사용한다. 참고로, ISO/TS 19166은 BIM-GIS conceptual mapping 목적을 가진 국제표준으로 기술 사양(TS)을 담고 있다. 학습 데이터로 사용될 파일을 다음 링크에서 PDF 다운로드하여 저장한다.  BIM-GIS 매핑 표준 논문 PDF 파일 : https://www.mdpi. com/2220-9964/7/5/162   BIM 기반 LLM 모델 학습 데이터 준비와 파인튜닝 파라미터 설정 학습 데이터를 자동 생성하기 위해, 미리 다운로드한 PDF 파일을 PyPDF 및 라마 3를 이용해 질문-답변 데이터를 자동 생성한 후 JSON 파일로 저장한다. 이를 통해 수 백개 이상의 QA 데이터셋을 자동 생성할 수 있다. 이 중 품질이 낮은 데이터셋은 수작업으로 삭제, 제거한다.    그림 2. 자동화된 BIM 기반 LLM 학습 데이터 생성 절차     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 지난 연재를 통해 설명한 생성형 AI 기술을 바탕으로 BIM(건설 정보 모델링) 전문가 시스템을 개발하는 방법을 간단히 알아보도록 한다.    ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/ GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   이 글에서는 LLM(대규모 언어 모델)과 RAG(검색 증강 생성) 기술을 적용하여 BIM IFC(Industry Foundation Classes) 데이터의 정보를 검색하고, 이를 바탕으로 BIM 지식 전문가 에이전트를 개발하는 방법을 소개한다. 이런 에이전트는 자연어 기반의 사용자 쿼리를 통해 필요한 정보를 신속하고 정확하게 제공하며, 건설 프로젝트의 전반적인 효율성을 높일 수 있다. 이 글에서 소개하는 방법은 RAG를 이용해 전문가 시스템을 개발하는 여러 가지 대안 중 하나임을 미리 밝힌다. IFC와 같은 포맷을 이용한 RAG와 LLM 사용 기법은 목적에 따라 구현 방법의 차이가 다양하다.    LLM RAG 기반 BIM 전문가 시스템 프로세스 현재 대중적인 목적으로 개발된 LLM 기술인 ChatGPT(오픈AI), Gemini(구글), Llama(메타), Phi(마이크로소프트)는 BIM의 일반적인 지식, 예를 들어 BIM 관련 웹사이트에서 공개된 일반적인 개념 설명, PDF에 포함된 텍스트를 학습한 모델을 제공하고 있다. 다만, 이들 LLM 도구는 BIM 모델링 정보를 담고 있는 IFC와 같은 특수한 데이터셋 파일은 인식하지 않는다. 현재는 PDF같은 일반적인 파일 형식만 검색 증강 생성을 지원하는 RAG 기술을 이용해, 도메인에 특화된 지식 생성을 지원한다. 이는 특정 도메인 지식을 훈련하기 위해 필요한 비용이 너무 과대하며, 도메인 지식을 모델 학습에 맞게 데이터베이스화하는 방법도 쉽지 않기 때문이다. 예를 들어, ChatGPT-4 모델을 훈련할 때 필요한 GPU 수는 엔비디아 A100×25,000개로 알려져 있으며, 학습에 100일이 걸렸다. A100 가격이 수천 만원 수준인 것을 감안하면, 사용된 GPU 비용만 천문학적인 금액이 소모된 것을 알 수 있다.  이런 이유로, LLM 모델을 전체 학습하지 않고 모델 중 작은 일부 가중치만 갱신하는 파인튜닝(fine-tuning), 범용 LLM는 운영체제처럼 사용하여 정보 생성에 필요한 내용을 미리 검색한 후 컨텍스트 프롬프트 정보로서 LLM에 입력해 정보를 생성하는 검색 증강 생성 기술인 RAG이 주목받고 있다. RAG는 <그림 1>과 같은 순서로 사용자 질문에 대한 답변을 생성한다.   그림 1. RAG 기반 BIM 전문가 시스템 작업 흐름(한국BIM학회, 2024)   RAG는 LLM에 입력하는 템플릿에 답변과 관련된 참고 콘텐츠를 프롬프트에 추가하여 원하는 답을 생성하는 기술이다. 이런 이유로, 답변에 포함된 콘텐츠를 처리하고, 검색하는 것이 매우 중요하다. LLM은 입력 프롬프트에 생성에 참고할 콘텐츠를 추가하지 못하면 환각 문제가 발생되는 단점이 있다. 각 RAG 단계는 검색이 가능하도록 데이터셋을 청크(chunk) 단위로 분할(split)하고, 데이터는 임베딩(embedding)을 통해 검색 연산이 가능한 벡터 형식으로 변환된다. 이 벡터는 저장 및 검색 기능을 가진 벡터 데이터베이스(vector database)에 저장된다. 사용자의 질문은 검색 알고리즘을 통해 벡터 데이터베이스에서 가장 근사한 정보를 포함하는 콘텐츠를 얻고, 프롬프트에 추가된 후 LLM에 입력된다. 그 결과 LLM은 원하는 답변을 출력한다. 이를 통해 학습하지 않은 전문 분야의 토큰을 인식하지 못하는 LLM이 원하는 결과를 생성할 수 있도록 한다.   BIM IFC 콘텐츠 데이터 구조 분석 앞서 살펴본 바와 같이 RAG 성능은 입력되는 데이터셋의 특징과 검색 알고리즘에 큰 영향을 받는다. 그러므로, 개방형 BIM 데이터 형식으로 사용되는 IFC의 특징을 분석하여 BIM RAG를 위한 데이터 처리 시 이를 고려한다. IFC 파일 구조는 STEP(ISO 10303), XML 스키마 형식을 준용한다. IFC는 객체지향 모델링과 그래프 모델 구조의 영향을 많이 받았다. 확장성을 고려해 BIM을 구성하고 있는 건축 객체의 부재들, 관계, 속성집합에 Instance ID 및 GUID(Globally 2025/1 Unique IDentifier)와 같은 해시값(hash)을 할당하고, 이들 간의 관계를 해시번호로 참조하여, 거대한 온톨로지 그래프 구조를 정의한다. <그림 2~3>은 이를 보여준다.   그림 2. IFC 객체 그래프 구조(Wall instance)   그림 3. IFC 그래프 구조 표현(강태욱, 2022)     ■ 자세한 기사 내용은 PDF로 제공됩니다.

마이크로소프트가 2025년 주목해야 할 AI 트렌드 6가지를 공개하면서, AI가 이끌어갈 혁신과 과제에 대한 주요 인사이트를 제시했다.  2024년은 전 세계 조직이 AI를 본격 도입하기 시작한 해로 평가된다. 마이크로소프트의 의뢰로 진행된 IDC 2024 AI 보고서에 따르면, 전 세계 조직의 AI 도입률은 지난해 55%에서 올해 75%로 증가했다. 이는 AI가 실험 단계를 넘어, 실제 비즈니스에서 가치를 창출하는 핵심 도구로 자리잡았음을 보여준다. 마이크로소프트는 이러한 변화에 따라 2025년이 AI가 일상과 업무에서 필수적인 기술로 자리 잡는 전환점이 될 것으로 전망하고 있다. AI는 높은 자율성을 기반으로 복잡한 문제를 해결하고, 업무 효율성을 크게 높이며 일상을 단순화할 것으로 기대된다. 나아가 과학, 의료 등 인류가 직면한 주요 과제 해결에도 적극적으로 활용될 것으로 내다보고 있다. 특히, 이러한 흐름은 AI의 논리적 사고와 데이터 처리 능력의 고도화를 통해 더욱 가속화될 것으로 예상된다. 마이크로소프트는 이러한 변화를 지원하기 위해 안전하고 신뢰할 수 있는 AI 기술 개발에 집중하고 있으며, 이를 사용자들이 안심하고 활용할 수 있도록 지원할 계획이다.  마이크로소프트의 크리스 영(Chris Young) 사업개발·전략·투자 담당 부사장은 “AI는 불가능해 보였던 많은 것을 가능하게 하고 있으며, 지난 한 해 동안 많은 조직이 실험 단계를 넘어 실질적인 도입 단계로 진입했다”고 말했다. 이어 그는 "AI 기술은 우리 삶의 모든 영역에 전면적인 변화를 가져올 전환점에 서 있다"고 강조했다.      마이크로소프트가 제시한 2025년 6가지 주요 AI 트렌드는 ▲더 유용하고 유능해질 AI 모델 ▲업무 형태를 변화시킬 AI 에이전트의 활약 기대 ▲모든 일상을 지원하는 AI 역할 확장 ▲지속 가능한 AI 인프라 구축 필요성 증대 ▲테스트와 맞춤화를 통한 책임 있는 AI 구축 ▲과학적 혁신을 가속화하는 AI 등이다. 첫 번째, AI 모델은 더 많은 일을 더 잘 수행할 것이다. 이 AI 모델들은 과학, 코딩, 수학, 법률 및 의학 등 여러 분야에서 혁신을 주도하며, 문서 작성부터 코딩 같은 복잡한 업무에 이르기까지 폭 넓은 업무를 수행할 수 있는 능력을 갖추게 될 것으로 보인다. 특히 AI의 추론 능력도 향상될 전망이다. 고급 추론 AI 모델인 오픈AI o1은 인간이 생각하는 방식과 유사한 논리적 과정을 거쳐 복잡한 문제를 단계적으로 해결하는 데 뛰어난 성능을 입증했다. 데이터 선별과 후속 학습도 AI 모델 발전에서 핵심적인 역할을 하게 된다. 마이크로소프트의 소형언어모델 파이(Phi)는 고품질 데이터를 활용해 모델 성능과 추론 능력을 효과적으로 개선할 수 있음을 보여줬다. 또한, 오르카(Orca) 및 오르카2(Orca 2) 모델은 합성 데이터를 활용한 학습으로 대규모 언어 모델에 준하는 성능을 구현하며 새로운 가능성을 열었다. 두 번째, 개인화된 차세대 AI 에이전트는 반복적이고 일상적인 업무를 자동화하는 데에서 나아가, 복잡하고 전문적인 작업까지 수행하며 조직의 업무 환경과 프로세스를 근본적으로 변화시킬 것으로 기대된다. AI 에이전트는 메모리, 추론, 멀티모달 기술의 발전을 통해 더욱 정교하게 작업을 처리할 수 있다. 예를 들어 조직의 재고 공급에 문제가 발생하면 AI 에이전트가 이를 관리자에게 알리고, 적합한 공급 업체를 추천하거나 직접 주문을 실행해 업무가 중단 없이 진행될 수 있도록 돕는다. 또한, 누구나 AI 에이전트를 설계하고 개발할 수 있는 환경도 마련된다. 마이크로소프트의 코파일럿 스튜디오(Copilot Studio)는 코딩 없이도 AI 에이전트를 개발할 수 있으며, 애저 AI 파운드리(Azure AI Foundry)는 복잡한 프로세스를 처리할 수 있는 고급 AI 에이전트 설계를 지원한다. 이러한 변화는 단순히 사용자와 협력하며 응답하는 프롬프트 기반 AI 에이전트에서, 독립적으로 업무를 수행하고 프로세스를 조율하는 완전 자율형 AI 에이전트까지 다양화될 것으로 예상된다. 세 번째, AI가 일상생활에서 차지하는 역할의 확장이다. 마이크로소프트 코파일럿(Microsoft Copilot)은 AI 동반자로서, 사용자가 하루 일과를 우선 순위에 따라 시간을 효율적으로 관리할 수 있도록 돕는다. 또한, 개인 정보와 데이터 보안을 강화해 보다 안전한 환경에서 AI를 사용할 수 있도록 설계됐다. 사용자는 일상에서 코파일럿을 더욱 밀접하게 활용할 수 있다. 예를 들어, 사용자는 하루를 시작하며 코파일럿 데일리(Copilot Daily)의 음성을 통해 최신 뉴스와 날씨 정보를 확인할 수 있다. 또한, 코파일럿 비전(Copilot Vision)은 사용자가 접속한 웹페이지를 분석해 관련 질문에 답하거나 다음 단계를 제안하는 등 보다 직관적인 상호작용을 지원한다. 코파일럿은 의사결정 과정에서도 유용하게 활용된다. 예를 들어, 새 아파트 인테리어를 위해 어울리는 가구를 추천하고, 효율적인 배치 방안을 제시해 사용자의 공간을 더 편리하고 실용적으로 꾸밀 수 있도록 돕는다. 이는 시작 단계이며, 앞으로 AI는 정서 지능의 고도화를 통해 보다 유연하고 자연스러운 상호작용을 제공할 전망이다. 네 번째, 에너지 자원 효율화를 통한 지속 가능한 AI 인프라 구축에 대한 노력이다. 실제로 전 세계 데이터 센터 처리량은 2010년부터 2020년까지 약 9배 증가했음에도 전력 소비량은 단 10% 증가에 그쳤다. 이는 마이크로소프트가 AMD, 인텔, 엔비디아 등과 협력해 반도체 칩 애저 마이아(Azure Maia)와 코발트(Cobalt), 그리고 대규모 AI 시스템 냉각을 위한 액체 냉각 열교환기 기술을 통해 하드웨어의 에너지 효율을 높인 결과다. 향후 몇 년 내에는 냉각에 물을 전혀 사용하지 않는 워터-프리 데이터센터가 도입될 예정이다. 동시에 초고효율 액체 냉각 기술인 콜드 플레이트(Cold plates)의 사용도 확대된다. 이러한 기술들은 지속 가능한 AI 인프라 조성을 위한 노력의 핵심이다. 이와 함께 마이크로소프트는 저탄소 건축 자재를 도입해 데이터센터 설계를 친환경적으로 혁신하고 있다. 탄소 배출이 거의 없는 철강, 콘크리트 대체 소재, 교차 적층 목재 등이 대표적인 예다. 이와 함께 풍력, 지열, 원자력 및 태양광 등 무탄소 에너지원에도 적극 투자하며, 2030년까지 탄소 네거티브, 워터 포지티브, 제로 웨이스트 목표를 달성하기 위한 장기적인 비전을 실행하고 있다. 다섯 번째, AI의 위험을 측정하고 평가하는 기준의 강화다. 2025년에는 책임 있는 AI를 구현하기 위해 ‘테스트’와 ‘맞춤화’에 대한 기준이 높아질 것으로 예상된다. 포괄적인 테스트 체계는 외부의 정교한 위협을 탐지하고, AI가 생성하는 부정확한 응답(환각)과 같은 내부 문제를 해결하는 데에 효과적이다. 마이크로소프트는 AI 모델이 직면할 수 있는 위협을 정밀하게 분석하고 개선하는 과정을 지속하며, 더욱 안전한 AI 환경 구축을 목표로 하고 있다. 특히 모델의 안전성이 높아질수록 테스트와 측정 기준도 더욱 정교해지고 있다. ‘맞춤화’와 ‘제어’는 미래 AI 응용 프로그램의 핵심으로 자리 잡을 것으로 보인다. 조직은 콘텐츠 필터링과 작업에 적합한 가드레일 설정 등 AI 활용 방식을 자유롭게 조정할 수 있다. 예를 들어, 게임사는 직원이 볼 수 있는 폭력 콘텐츠의 종류를 제한할 수 있다. 마이크로소프트 365 코파일럿은 업무 환경에 적합한 콘텐츠를 설정할 수 있는 맞춤형 제어 기능을 제공한다. 여섯 번째, AI가 과학 연구에 미치는 영향력 확대다. 이미 AI는 슈퍼컴퓨팅과 일기 예보 같은 분야의 연구 속도를 가속화하고 있으며, 앞으로는 자연 과학, 지속 가능한 소재 개발, 신약 연구 및 건강 분야에서 중요한 역할을 할 것으로 예상된다. 2024년, 마이크로소프트 리서치(MSR)는 생체 분자 과학 문제를 해결할 생체분자 역학 시뮬레이션(simulate biomolecular dynamics)을 개발했다. AI2BMD(AI-driven Biomolecular Dynamics)로 불리는 이 시스템은 단백질 설계, 효소 공학, 신약 개발 등의 분야에서 전례 없는 속도와 정밀도로 문제를 해결하며 생물 의학 연구에 새로운 가능성을 열었다. 2025년에는 AI가 지속 가능한 소재 설계와 신약 개발 같은 인류의 공동 과제 해결에 중요한 역할을 할 것으로 보인다. 이를 통해 과학 기관과 연구자들은 AI를 통해 연구 효율을 높이고, 지금까지 불가능했던 새로운 돌파구를 마련할 것으로 기대를 모으고 있다.

앤시스코리아가 지난 11월 12일 연례 이벤트인 ‘시뮬레이션 월드 코리아 2024’를 통해 시뮬레이션 기반의 제품 혁신을 위한 기술과 사례를 소개했다. 이와 함께 진행된 미디어 그룹 인터뷰에는 앤시스의 앤소니 더슨(Anthony Dawson) 고객 지원 부문 부사장과 앤시스코리아의 박주일 대표가 자사의 시뮬레이션 및 인공지능(AI) 비전과 전략을 설명했다. ■ 정수진 편집장   시뮬레이션 혁신의 역사와 미래 비전 앤소니 더슨 부사장은 “앤시스는 50년 이상의 역사를 가진 소프트웨어 기업으로 업계에서 독보적인 위치를 확립해 왔다. 이를 가능케 한 원동력은 기술 혁신과 지속적인 성장”이라면서, “지난 몇 년간 빠르게 성장하면서 현재 직원 수가 6200명에 이른다. 15년 전에 1000명이 되지 않았던 것을 감안하면, 이는 놀라운 성과”라고 소개했다. 엔지니어링 시뮬레이션을 중심으로 다양한 기술과 포트폴리오를 제공하는 앤시스는 물리, 고성능 컴퓨팅(HPC), 인공지능(AI), 사용성, 디지털 엔지니어링 등 다섯 가지 주요 분야에 연구개발 투자를 집중하고 있다. 이런 투자를 통해 고객에게 최첨단 기술을 제공하면서 시장의 요구를 빠르게 충족시키겠다는 것이 더슨 부사장이 소개한 앤시스의 중심 전략이다. 더슨 부사장은 시뮬레이션에 대한 수요는 꾸준히 늘고 있지만 실제로는 적은 수의 엔지니어만 시뮬레이션을 사용하는 경향이 여전하다면서, “시뮬레이션 사용자를 늘리기 위해서는 보이지 않는 뒷단에서 시뮬레이션을 구동하면서 엔지니어링 워크플로를 간소화하는 것이 효과적”이라고 짚었다. 이를 위해 앤시스는 비전문가도 사용할 수 있는 간소화된 엔지니어링 워크플로와 시뮬레이션 결과의 평가를 지원하는 도구를 개발하고 있다. “이러한 접근법이 더 많은 사용자가 복잡한 기술을 쉽게 활용할 수 있는 환경을 만들고, 고객 만족도와 참여도를 높일 수 있다”는 것이 더슨 부사장의 시각이다.   ▲ 앤시스 앤소니 더슨 고객 지원 부문 부사장   시뮬레이션과 AI 결합한 설루션 다양하게 선보여 특히 앤시스는 최근 인공지능 관련 투자를 크게 늘리고 있으며 ‘앤시스 AI+(Ansys AI+)’, ‘앤시스 심AI(Ansys SimAI)’, ‘앤시스GPT(AnsysGPT)’ 등 세 가지의 주요한 성과를 내놓았다. 앤시스 AI+는 앤시스의 기존 제품에 AI 기능을 추가하여 더 강력한 성능을 제공하는 애드온(add-on) 모듈로 제공되며, 다양한 산업군과 엔지니어링 분야에서 멀티피직스 시뮬레이션을 확장할 수 있도록 지원한다. 앤시스 심AI는 인공지능 기반의 새로운 시뮬레이션 설루션으로, 머신러닝을 활용해 기존 데이터로부터 물리적 예측을 더 빠르게 수행하며, 복잡한 시뮬레이션 작업을 효율적으로 해결하는 것이 목표이다. 앤시스GPT는 앤시스 소프트웨어를 더 쉽게 사용하기 위해 필요한 지식을 빠르게 찾도록 돕는 자연어 기반의 생성형 AI 어시스턴트이다.  더슨 부사장은 “심 AI는 기업이 축적한 시뮬레이션 데이터로 인공지능을 훈련시켜, 시뮬레이션을 진행하지 않고 결과를 예측할 수 있게 한다. 이 과정을 단순화해서 사용자의 이해도를 높일 수 있다”고 설명했다. 그리고 “앤시스GPT는 채팅을 통해 자연어로 질문하면 다양한 앤시스 제품의 사용에 관한 정보를 제공한다. 사용자의 데이터와 상호작용이 비공개로 보호되어 안전한 환경을 마련했으며, 장기적으로는 앤시스의 여러 제품에 자연어 인터페이스 환경을 구축하는 것이 목표”라고 전했다. 환각 현상이나 정확한 답변을 제시하지 못하는 등 AI 기술의 안정성에 대한 우려는 기업 시장에서 더욱 비중 있게 제기된다. 이에 대해서 더슨 부사장은 “앤시스는 점진적으로 AI 개발 속도와 범위를 늘리는 접근법으로 느리지만 확실한 진전을 추구한다. 이를 바탕으로 현재까지는 앤시스의 AI 관련 제품에서 오류가 발생하지 않았다”고 밝혔다.   ▲ 앤시스는 시뮬레이션 기술의 가능성을 넓히는 AI 기술을 개발하고 있다.   혁신적 변화로 시장에서 성장 지속할 것 박주일 대표는 앤시스코리아가 지난 10년 동안 두 자릿수의 성장을 이어왔다면서 올해 역시 긍정적인 전망을 제시했는데, 그 배경으로는 제품 개발 방식의 변화를 꼽았다. 제품 개발 프로세스 전반에서 비선형적인 협업 구조가 자리잡으면서, 시뮬레이션이 엔지니어링 도구의 하나에 그치지 않고 제품 개발의 초기에서 검증하는 역할을 강화하고 있다. 이런 변화가 시뮬레이션에 대한 수요를 크게 늘리고 있다는 것이 박주일 대표의 설명이다. 이외에, 국내 제조기업들이 기술 리더십을 빠르게 강화하기 위한 경쟁 속에서 디지털 기술에 대한 요구가 높다는 점도 앤시스의 성장 가능성을 뒷받침하는 배경으로 꼽았다. 박주일 대표는 “시뮬레이션 기술이 산업의 경쟁력을 높이고 혁신을 가속화하는 핵심 도구이며, 최신의 시뮬레이션 기술을 적시에 더 나은 설루션으로 제공하는 것이 앤시스의 과제”라고 밝혔다. 그리고 “앤시스는 인공지능과 디지털 전환 영역에 장기간 많은 투자를 했고, 기업 현장에서 이를 적용하기 위한 기반을 착실히 다져왔다. 이를 바탕으로 2025년에도 탄탄한 성장을 이어가고자 한다”고 밝혔다. 내년의 핵심 비즈니스 전략에 관해서 박주일 대표는 “디지털 전환과 인공지능이 주요한 트렌드로, 이와 관련한 시뮬레이션 적용 사례를 늘리는 것이 중요하다고 본다”면서, 주요 산업분야에 대한 지원과 함께 항공/방위 등 새롭게 강화하려는 산업군에도 힘을 기울일 것이라고 전했다. 또한 자동화, 오픈 API(애플리케이션 프로그래밍 인터페이스), MBSE(모델 기반 시스템 엔지니어링), SPDM(시뮬레이션 프로세스 및 데이터 관리) 등의 기술을 확대해 전문지식이 없어도 시뮬레이션에 더 쉽게 접근할 수 있게 지원할 계획이라고 덧붙였다.    ▲ 앤시스코리아 박주일 대표     ■ 기사 내용은 PDF로도 제공됩니다.