산업을 위한 AI와 버추얼 트윈 기술 (3)   이번 호에서는 AX 시대를 맞아 제조 기업이 축적한 방대한 도메인 지식과 3D 설계 데이터를 AI가 이해하고 실무에 즉시 활용할 수 있는 ‘자산’으로 전환하는 방안을 제시한다. 그리고, 다쏘시스템의 시맨틱 3D(Semantic 3D) 기술과 데이터 온톨로지(data ontology)를 활용해 중복 설계를 방지하고, 파편화된 정보를 비즈니스 맥락과 연결된 지식 개체로 지능화하는 기술적 원리를 살펴본다. ■ 이종혁 다쏘시스템코리아의 인더스트리 프로세스 컨설턴트로, 3DEXPERIENCE(구 NETVIBES) 테크 세일즈를 맡고 있다. 홈페이지 | www.3ds.com/ko   AX 시대, 제조 데이터의 새로운 정의 글로벌 제조 산업은 바야흐로 ‘디지털 전환(digital transformation)’의 단계를 넘어 ‘인공지능 전환(AI transformation : AX)’의 시대로 진입하고 있다. 생성형 AI와 대규모 언어 모델(LLM)이 비즈니스 프로세스 전반을 혁신하고 있는 현재, 엔지니어링 도메인에서의 핵심 과제는 명확하다. “어떻게 우리 기업이 지난 수십 년간 축적해 온 방대한 도메인 지식과 엔지니어링 노하우를 AI가 이해하고 실무에 즉시 활용할 수 있는 형태의 자산으로 바꿀 것인가?”이다. 대부분의 제조 기업은 수만, 수십만 장의 2D 도면과 3D 모델을 보유하고 있다. 그러나 역설적으로 엔지니어는 필요한 부품을 찾는 데 수많은 시간을 허비하거나, 이미 존재하는 설계를 중복으로 수행하는 ‘디지털 피로(digital fatigue)’에 시달리고 있다. 데이터가 존재함에도 불구하고 그 데이터가 가진 ‘의미(semantics)’와 ‘관계(relationship)’가 구조화되어 있지 않기 때문이다. 이러한 데이터의 파편화는 단순히 설계 효율을 떨어뜨리는 것에 그치지 않는다. 이는 부품 가짓수의 기하급수적 증가로 이어져 구매 단가 상승, 재고 관리 비용 증가, 그리고 급변하는 글로벌 공급망 리스크에 대한 대응력 약화라는 전사적 위기를 초래한다. 이번 호에서는 3D 모델링의 진화가 형상의 정밀함을 구현하는 단계를 넘어, 비즈니스 맥락과 지능이 결합된 ‘시맨틱 3D (semantic 3D)’로 나아가야 함을 제언한다. 다쏘시스템의 원파트(OnePart), 서플리멘탈 커넥터(Supplemental Connector), 그리고 데이터 사이언스 익스피리언스(Data Science Experiences : DSE)를 필두로 한 하이브리드 지능형 플랫폼이 어떻게 데이터 온톨로지를 통해 설계 자산을 지능화하고, 기업의 공급망 회복탄력성(resilience)을 극대화하는지 상세히 고찰해보고자 한다.   그림 1. The Transition to ‘Semantic 3D’ in the AX Era   하이브리드 아키텍처 : 데이터 주권과 클라우드 지능의 공존 국내 제조 기업이 클라우드 기반 AI 설루션 도입을 주저하는 가장 큰 이유는 ‘데이터 보안’과 ‘데이터 주권(data sovereignty)’에 대한 우려다. 핵심 설계 자산인 3D CAD 데이터는 기업의 기밀 중의 기밀로 간주되며, 이것이 외부 서버로 나가는 것에 대한 거부감은 기술적인 문제를 넘어 기업 생존의 문제로 인식된다. 하지만 클라우드가 제공하는 강력한 분산 연산 능력과 실시간 업데이트되는 AI 분석 엔진을 포기하는 것은 기술 경쟁력 측면에서 매우 위험한 선택이다. 이러한 딜레마를 해결하는 핵심 아키텍처가 바로 서플리멘탈 커넥터를 활용한 하이브리드 모델이다. 이 모델의 핵심은 데이터의 물리적 위치를 ‘통제된 온프레미스’와 ‘고성능 클라우드’로 이원화하는 데 있다. 이 아키텍처의 중심에는 ‘에지 에이전트(Edge Agent)’라는 전용 미들웨어가 존재한다. 에지 에이전트는 기업 내부의 로컬 파일 서버, CSV 기반의 레거시 데이터베이스, 그리고 솔리드웍스 PDM 프로페셔널(SOLIDWORKS PDM Professional)과 같은 엔터프라이즈 시스템과 직접 연동된다. 여기서 중요한 기술적 포인트는 에지 에이전트가 원본 CAD 파일(source file)을 클라우드로 전송하는 것이 아니라는 점이다. 대신, 설계에 포함된 메타데이터와 형상의 특징을 수치화한 ‘3D 서명(signature)’, 그리고 시각적 확인을 위한 가벼운 썸네일(thumbnail)과 CGR 데이터만을 추출하여 클라우드의 ‘시맨틱 그래프 인덱스(Semantic Graph Index : SGI)’로 전송한다. 이러한 하이브리드 접근법은 두 가지 결정적인 이점을 제공한다. 첫째, 데이터 주권은 기업이 완벽하게 통제한다. 원본 설계 데이터는 사내 보안망 내부에 머무르기 때문에 유출 우려가 없다. 둘째, 클라우드는 오직 ‘지능형 인덱스’와 ‘분석 엔진’의 역할만을 수행한다. 클라우드의 Data Science Experience(DSE)는 이 SGI에 축적된 정보를 바탕으로 전사적인 부품 사용 현황을 360도 뷰로 관찰하고, AI 기반의 의사결정 지원 기능을 제공한다. 이는 특히 카티아 V5(CATIA V5)와 같은 온프레미스 기반의 강력한 설계 환경을 유지하면서도, 최신 클라우드 기술의 혜택을 즉시 누릴 수 있는 현실적이고 안전한 가교 역할을 한다.   그림 2. Hybrid Architecture and Edge Agent   원파트와 AI 형상 지능 : 중복 설계의 늪에서 벗어나는 방법 엔지니어링 현장에서 가장 흔히 발생하는 보이지 않는 낭비는 이미 사내에 존재하는 부품을 찾지 못해 다시 설계하는 ‘중복 설계’다. 다쏘시스템의 연구 결과에 따르면, 시장 표준 부품(예 : 단순 브래킷이나 고정용 볼트 등) 하나를 불필요하게 신규 생성할 때 발생하는 전사적 비용은 부품당 약 1만 1000유로(한화 약 1600만 원)에 이른다. 이 비용에는 설계자의 시간뿐만 아니라 부품을 위한 테스트 및 시뮬레이션 비용, 금형 제작 등 제조 공정 셋업 비용, 신규 구매처 등록 및 관리 비용, 그리고 물류 및 창고 재고 유지 비용이 누적된 결과다. 원파트는 이러한 문제를 해결하기 위해 AI 기반의 ‘형상 유사도 검색(AI-Powered Component Signature)’ 기능을 제공한다. 이는 전통적인 키워드 기반 검색의 한계를 뛰어넘는다. AI는 3D 모델을 기하학적 특징(shape), 단면 형상(section), 구멍 배치 패턴(hole pattern), 그리고 외곽선(silhouette)이라는 네 가지 핵심 기준을 바탕으로 분석하여 부품별로 고유한 ‘디지털 지문’을 생성한다. 설계자가 새로운 프로젝트를 시작할 때, 백지 상태에서 모델링을 시작하는 대신 간단한 형상 아이디어를 스케치하여 업로드하면 AI가 수초 내에 사내 라이브러리 및 외부 공급업체 카탈로그에서 가장 유사한 부품을 찾아 제안한다. 또한 지능형 클러스터링(clustering) 엔진은 방대한 부품 데이터베이스를 기하학적 유사성에 따라 자동으로 군집화한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   루비 온 레일즈(Ruby on Rails)는 루비(Ruby) 프로그래밍 언어로 작성된 서버 측 웹 애플리케이션 프레임워크이다. 일반적으로 ‘레일즈(Rails)’로 줄여 부르며, 2004년 데이비드 하이네마이어 한손(David Heinemeier Hansson)에 의해 처음 공개되었다. 이번 호에서는 루비 온 레일즈의 설치 및 개발 방법을 정리하고, 이를 기반으로 개발된 빌딩 모니터링 구현 결과를 설명한다.   ■ 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 | https://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   그림 1   루비는 베이스캠프(Basecamp)란 곳을 시작으로, 세계 최대의 코드 호스팅 플랫폼 깃허브(GitHub), 글로벌 이커머스 설루션 쇼피파이(Shopify), 숙박 공유 서비스 에어비앤비(Airbnb), 그리고 트위치(Twitch) 등이 레일즈를 기반으로 탄생하고 성장했다. 국내에서도 빠른 서비스 출시와 성장이 핵심인 스타트업 신을 중심으로 널리 사용되었다. 대표적으로 지역 기반 커뮤니티 당근, 온라인 동영상 서비스(OTT) 왓챠 등이 초기부터 레일즈를 활용해 서비스를 구축하고 확장해온 대표 사례로 꼽힌다. 레일즈의 핵심 개발 철학은 ‘설정보다 관례(Convention over Configuration : CoC)’와 ‘반복하지 마라(Don’t Repeat Yourself : DRY)’이다. 이는 개발자가 반복적인 설정 작업에서 벗어나 비즈니스 로직에 집중하게 함으로써, 웹 개발의 생산성을 획기적으로 향상시키는 것을 목표로 한다.   배경 및 핵심 개념 레일즈는 MVC(Model – View – Controller) 아키텍처 패턴을 근간으로 설계되었다. 이는 애플리케이션의 구성 요소를 세 가지 역할로 명확히 분리하여 코드의 구조를 체계적으로 관리하는 방식이다. 모델(Model) : 애플리케이션의 데이터와 비즈니스 로직을 담당한다. 데이터베이스 테이블에 직접 대응되며, 데이터의 유효성 검사, 처리, 저장 등의 역할을 수행한다. 뷰(View) : 사용자에게 보여지는 UI(사용자 인터페이스)를 생성하는 할을 한다. HTML, CSS, 자바스크립트(JavaScript) 코드를 동적으로 생성하여 웹 브라우저에 표시할 최종 결과물을 만든다. 컨트롤러(Controller) : 모델과 뷰 사이의 중재자 역할을 한다. 사용자의 요청(HTTP request)을 받아 분석하고, 필요한 모델을 호출하여 데이터를 처리한 뒤, 그 결과를 다시 뷰에 전달하여 사용자에게 응답(HTTP response)을 보낸다. 이러한 구조 덕분에 개발자는 데이터, 로직, 화면 표시 코드를 분리하여 유지보수가 용이하고 확장성 높은 애플리케이션을 구축할 수 있다.   장점 및 단점 레일즈의 장점은 다음과 같다. 높은 생산성과 개발 속도 : CoC 철학과 스캐폴딩(scaffolding) 같은 강력한 코드 자동 생성 기능은 CRUD(생성, 읽기, 갱신, 삭제) 기반의 기능을 매우 빠르게 구현하게 해준다. 거대하고 활발한 생태계 : ‘젬(Gem)’이라고 불리는 수많은 오픈소스 라이브러리가 존재하여 인증, 결제, 파일 업로드 등 다양한 기능을 몇 줄의 코드로 손쉽게 추가할 수 있다. 가독성 및 유지보수성 : 루비 언어 자체의 간결하고 우아한 문법과 레일즈의 잘 정립된 관례는 코드의 가독성을 높여 팀 단위 협업과 장기적인 유지보수를 용이하게 한다. 한편, 단점은 다음과 같다. 상대적으로 느린 실행 속도 : 인터프리터 언어인 루비의 특성상, Go나 Java와 같은 컴파일 언어 기반의 프레임워크에 비해 요청 처리 속도가 느릴 수 있다. 초기 학습 곡선 : 레일즈의 많은 부분이 ‘마법’처럼 자동으로 동작하기 때문에, 내부 동작 원리를 깊이 이해하기 전까지는 문제 발생 시 원인을 파악하고 디버깅하는 데 어려움을 겪을 수 있다. 제한적인 유연성 : 레일즈가 제시하는 강력한 관례는 대부분의 웹 애플리케이션 개발에 최적화되어 있지만, 매우 특수하거나 비표준적인 구조를 가진 시스템을 개발할 때는 오히려 제약이 될 수 있다. 젬은 현재 인공지능 기술 스택을 고려해 발전 중이다. 루비 생태계의 중심에는 ‘루비젬스(RubyGems)’라는 강력한 패키지 관리 시스템이 자리 잡고 있다. 이는 전 세계의 루비 개발자들이 만든 수많은 라이브러리를 젬이라는 표준화된 패키지 형태로 공유하고 재사용할 수 있도록 하는 핵심 기반이다. 개발자는 젬을 통해 인증, 데이터베이스 연동, 웹 서버 구동과 같은 복잡한 기능을 직접 구현할 필요 없이, 이미 검증된 코드를 자신의 프로젝트에 손쉽게 통합하여 개발 생산성을 극대화할 수 있다. 이러한 의존성을 체계적으로 관리하는 도구가 바로 ‘번들러(Bundler)’이다. 프로젝트의 Gemfile에 필요한 젬의 이름과 버전을 명시하면, 번들러는 해당 젬뿐만 아니라 그 젬이 의존하는 다른 모든 젬까지 정확한 버전으로 설치하여 개발 환경의 일관성을 보장한다. 이는 여러 개발자가 협업하는 환경에서 발생할 수 있는 잠재적인 충돌을 방지하고 안정적인 애플리케이션 운영을 가능하게 하는 필수 과정이다. 최근 인공지능, 특히 거대 언어 모델(LLM)이 기술의 새로운 패러다임으로 부상하면서 루비 커뮤니티 역시 이러한 변화에 발 빠르게 대응하고 있다. 루비의 강점인 뛰어난 가독성과 개발 편의성을 바탕으로, 복잡한 AI 기능을 애플리케이션에 통합하기 위한 다양한 젬들이 활발하게 개발되는 중이다. 가장 대표적인 것은 ruby-openai 젬으로, 오픈AI (OpenAI)가 제공하는 GPT, 달리(DALL-E)와 같은 강력한 모델의 API를 루비 코드 내에서 직관적으로 호출할 수 있게 해준다. 이를 통해 개발자는 손쉽게 챗봇, 콘텐츠 생성, 이미지 생성과 같은 최신 AI 기능을 자신의 서비스에 접목할 수 있다. 여기서 한 걸음 더 나아가, langchainrb는 LLM을 활용한 고수준의 애플리케이션을 구축하기 위한 프레임워크를 제공한다. 이는 단순히 API를 한 번 호출하는 것을 넘어, 여러 단계의 프롬프트를 연결하는 ‘체인’이나 LLM이 특정 도구를 사용하도록 만드는 ‘에이전트’와 같은 복잡한 로직을 구조적으로 설계할 수 있도록 돕는다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

데이터 사일로 해소부터 거버넌스 수립까지, 전사 협업의 효율 혁신   본격적인 3D 협업을 위한 첫 단추는 흩어진 데이터를 효율적으로 통합하는 팀 환경을 구축하는 것이다. 이번 호에서는 공통 라이브러리에 모든 3D 데이터 소스를 연결하고, 엔지니어링부터 운영 단계까지 모든 팀이 3D 애셋에 안전하게 접근하면서 데이터 임포트 시 정보 손실을 최소화하는 방법을 소개한다. 목표는 새로운 툴을 배포하는 것 자체가 아니라, 부가 가치를 창출하지 않는 작업에 소요되는 시간을 줄이고 액세스 권한 및 규정 준수 정책을 적용할 때 발생하는 불필요한 관리 복잡성을 없애는 것이다. ■ 자료 제공 : 유니티 코리아     대부분의 산업 팀은 방대한 3D 애셋 데이터를 보유하고 있지만, 이러한 데이터는 여러 사일로에 분산되어 서로 다른 조직이 소유하고 있어 재사용하기가 어렵다. 이와 관련해 데이터가 서로 다른 곳에 있으면 사람들은 서로 다른 사실을 기반으로 결정을 내리게 되기 때문에 문제가 발생한다. 예를 들어, 교육 담당자는 엔지니어링 팀에서 이전에 라인 레이아웃을 업데이트했다는 사실을 모르고 신입 직원에게 VR 시뮬레이션을 그대로 제공할 수 있다. 결국 교육 담당자는 교육을 중단하고 최신 데이터를 반영하여 업데이트하거나, 신뢰할 수 없는 콘텐츠로 교육을 계속 진행할 수밖에 없다. 둘 다 시간과 신뢰성 면에서 비용이 발생하게 된다. 해결책은 모든 3D 애셋을 위한 단일 저장소를 구축하여 계층 구조와 메타데이터를 온전히 유지하면서, 필요한 사람에게만 승인된 모델에 대한 액세스 권한을 부여하는 것이다. 모두가 동일한 라이브러리에서 애셋을 가져오면 버전 불일치가 해결되고 재작업의 필요성이 없어지며, 누가 무엇을 변경했는지에 대한 가시성도 확보할 수 있다.   단절의 원인 : 분산된 데이터와 중복 작업 산업 데이터는 어디에나 존재하지만, 서로 연결되어 있는 경우는 별로 없다. 유니티의 산업 부문 수석 부사장 겸 제너럴 매니저인 사라 래시는 “디자이너나 건축가는 CAD나 BIM(건설 정보 모델링)에 액세스할 수 있지만, 엔지니어는 해당 소프트웨어를 사용하지 않는 경우가 있어 결국 팀이 모델을 처음부터 다시 만드는 상황이 발생한다”고 전했다. 이런 사일로(silo) 현상은 운영 또는 기술적 격차로 인해 발생하는 경우가 많다. 예를 들어 엔지니어링 팀은 CAD 파일을 PLM(제품 수명주기 관리) 시스템에 저장할 수 있는 반면, 다른 팀은 사본을 별도의 드라이브나 앱으로 익스포트하므로 결국 동일한 애셋의 여러 버전이 존재하게 된다. 래시 수석 부사장은 “가장 흔한 문제는 동일한 모델의 두 가지 다른 버전으로 작업하는 것이다. 이러면 사실상 재작업을 할 수밖에 없게 된다”고 말했다. 어쩔 수 없이 여러 플랫폼, 툴, 포맷을 사용해야 하는 경우도 많지만, 이는 애셋을 추적하고 공유하는 작업을 어렵게 만든다. 그 결과 생산성이 저하되고 올바른 애셋을 찾는 데 몇 시간씩 허비하게 되며, 어떤 것이 정확한 버전인지 쉽게 알 수 없기 때문에 이미 존재하는 애셋을 다시 만드는 일까지 발생한다. 유니티 산업 고객 성공 부문의 시니어 디렉터인 헤닝 린은 “중복의 위험이 높으면 재작업이 필요한 경우가 많아진다. 애셋이 서로 일치하지 않고 팀이 동일한 소스 파일로 작업하지 않기 때문”이라고 설명했다. 이러한 불일치는 교육이나 납품 같은 후속 단계에서 드러나며, 이는 재작업, 일정 지연, 일관성 없는 경험으로 이어져 애셋 관리의 복잡성을 키운다. 그러나 그로 인한 대가는 기술적인 영역에 그치지 않는다. 이는 부서 간 신뢰뿐만 아니라 브랜드와 고객 간의 신뢰까지 약화시킬 수 있다. 결국 교육 담당자는 신규 직원을 위한 온보딩이 길어지고 일관성이 없어지더라도, 오래 되거나 검증되지 않은 모델로 세션을 시작하는 것을 피하고 싶어 한다. 다른 팀은 생산성을 유지하기 위해 ‘섀도(shadow)’ 라이브러리를 구축하게 되고, IT 팀은 통제되지 않는 환경을 보호하고 관리하느라 분주해진다. 이처럼 공통된 기반이 없으면 모든 신규 프로젝트를 처음부터 다시 시작해야 한다.   연결 대상 : 중요한 데이터를 보존하는 중앙화된 저장소 구축 3D 애셋 라이브러리는 여러 툴과 플랫폼에 걸쳐 있을 가능성이 높기 때문에, 기존에 보유한 모델을 활용하려면 먼저 유니티 애셋 매니저(Unity Asset Manager)와 같이 중앙화된 저장소로 모든 데이터를 임포트해야 한다. 이렇게 하면 이미 보유하고 있는 애셋을 다시 만들 필요가 없다. 린 시니어 디렉터는 “유니티를 활용하면 관련된 모든 데이터를 선호하는 방식으로 높은 품질을 유지하며 임포트할 수 있다. 사실상 업계에서 유니티가 지원하지 못하는 파일 포맷은 거의 없다”면서, “데이터를 통합된 포맷으로 변환하고, 필요에 따라 보강하며 모든 변경 사항을 추적하면 애셋의 전체 라이프사이클 동안 관리가 훨씬 쉬워진다”고 전했다.     데이터를 통합하기 전에, 무엇을 왜 연결하는지를 먼저 이해해야 한다. 대부분의 산업용 3D 파이프라인은 구조와 우선순위가 서로 다른 네 가지 주요 데이터 소스에서 데이터를 가져온다. CAD 모델은 보통 PLM 시스템에 저장되며 부품, 어셈블리, 기계적 프로퍼티에 대한 기본 기준이 되는 데이터 소스이다. BIM 모델은 건물 및 인프라 데이터를 포함하고, 풍부한 공간 및 규정 준수 관련 메타데이터를 갖추고 있으며, 보통 BIM 소프트웨어나 AEC   (건축, 엔지니어링 및 건설) 저장소에 저장된다. 디지털 콘텐츠 제작 툴에서 생성된 메시는 마케팅, 교육, 사용자 경험 등의 영역에서 사용되는 시각화 애셋을 포함하며, 기술적 디테일보다는 시각적 정확도에 최적화된 경우가 많다. XR(확장현실) 및 VR(가상현실) 애플리케이션에서 흔히 사용되는 포인트 클라우드(점군)와 스캔 데이터는 레이저 스캐닝이나 사진 측량 등을 통해 캡처된 데이터를 포함한다. 각 소스는 동일한 실물 애셋(제품, 어셈블리 라인, 전체 시설)을 서로 다른 관점에서 표현한다. 여기에는 기능, 공간, 형상이 포함되며, XR용 포인트 클라우드의 경우 실제로 구축된 물리적 상태가 이에 해당한다. 애셋 라이브러리 규모에 따라 우선순위를 정해야 하므로 팀에서 가장 많이 재사용하는 모델부터 시작하는 것이 좋다. 출처와 관계 없이 공통으로 필요한 사항은 임포트 과정에서 컨텍스트를 유지하는 것이다. 중요한 메타데이터가 손실되면 결국 재작업을 진행해야 하기 때문이다. 임포트 전에는 절대 손실되어서는 안 되는 메타데이터 필드를 식별한다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하도록 해야 한다”고 덧붙였다. 일부 필드는 항상 온전하게 유지되어야 한다. 부품 번호, 버전 코드 또는 고유 ID와 같은 식별자를 사용하면 애셋의 진위 여부를 확인하기 위해 원본 소스로 추적하는 작업이 더 쉬워진다. 병합된 메시가 아닌 계층 구조 및 그룹 메타데이터는 부품이 어떻게 결합되는지, 시설이 어떻게 구성되는지를 보여 주며, 엔지니어가 필요에 따라 부품을 분리하거나 교체할 수 있도록 돕는다. 밀도나 인장 강도와 같은 머티리얼 및 단위 정보, 이름이나 공급업체와 같은 설명 정보를 활용하면 애셋이 올바른 형상과 동작을 유지하도록 할 수 있다. 이러한 세부 정보를 보존하면 모델을 다양한 애플리케이션 전반에서 유용하게 사용할 수 있지만, 그렇지 않으면 목적과 단절된 단순 참고용 이미지에 불과하게 된다. 린 시니어 디렉터는 “항상 식별자뿐만 아니라 높이, 무게와 같은 기술적 속성을 유지하고, 모든 애셋에 이름과 버전을 지정하여 추적과 사용이 용이하게 만들어야 한다”고 조언했다.     애셋 임포트를 위한 처리 애셋은 임포트 전과 임포트 과정에서 적절한 가공을 거쳐야 하며, 저장소의 상태를 양호하게 유지하기 위해 피해야 할 몇 가지 일반적인 함정이 있다. 이는 3D 데이터 세트가 극도로 복잡해질 수 있는 대규모 제조나 건설 분야에서 특히 중요하다. 예를 들어, 공장 전체의 디지털 트윈이나 자동차의 전체 모델은 수만 개, 혹은 수십만 개의 부품으로 구성될 수 있다. 이 경우 가장 강력한 소프트웨어와 하드웨어에도 부담이 가해질 수 있기 때문에 마이크로칩, 커넥터, 기계 부품과 같은 더 작은 논리적 그룹으로 분해하면 임포트 작업을 효율적으로 관리할 수 있다. 유니티의 애셋 트랜스포머 툴킷(Asset Transformer Toolkit)과 같이 3D 데이터를 준비하는 소프트웨어는 널리 사용되는 다양한 CAD 및 BIM 포맷을 지원하고, 구조와 메타데이터를 보존하며, 필요에 따라 임포트 과정에서 모델을 자동으로 단순화하고 표준화함으로써 이러한 과제를 해결하도록 설계되었다. 예를 들어, 직원 교육을 위한 XR 시뮬레이션과 같은 실시간 활용 사례에서는 원본 CAD 파일에 포함된 모든 볼트나 리벳이 필요하지 않다. 여기서 중요한 것은 작업을 수행하는 데 충분한 현실감의 수준이다. 린 시니어 디렉터는 “최종 활용 지점에 따라 폴리곤 수를 소폭에서 최대 90%까지 줄일 수 있다”고 밝혔다.   ▲ 유니티 애셋 트랜스포머 플러그인   목표는 성능과 사용성을 최적화하기 위해 모델을 최대한 가볍게 유지하는 것이다. 교육 및 시뮬레이션 활용 사례에서는 매끄러운 프레임 속도를 유지하면서 최대한 높은 시각적 정확도를 달성하는 것이 목표이다. 헤드셋의 새로고침 속도와 일치하는 안정적인 프레임 속도를 목표로 해야 하며, 그보다 낮을 경우 사용자에게 불편함을 줄 수 있다. 3D 협업 및 디자인 리뷰에서는 일반적으로 엔지니어가 체결 요소나 인터페이스 등을 검토할 수 있도록 높은 기능적 디테일을 요구한다. 높은 폴리곤 수에 대한 부담을 더 원활하게 관리할 수 있도록, 가까운 거리에서만 렌더링되는 하위 어셈블리에 디테일 수준(LOD)을 사용하는 것이 좋다. 임베디드 시스템 및 산업 제어 장치와 같은 인간–기계 인터페이스는 그래픽 처리 성능이 제한적인 경우가 많으므로, 최대한 낮은 복잡도를 목표로 하고 미리 베이크된 조명과 단순한 셰이더를 사용하는 것이 좋다. 고객 경험 애플리케이션은 타깃 기기의 다양성이 매우 크기 때문에 최적화가 어려울 수 있다. 시각적 정확도와 로딩 시간 사이의 균형을 목표로 하고, 중간급 사양의 모바일 기기와 주요 웹 브라우저에서 검증해야 한다. 일반적인 원칙으로는, 지원 계획이 있는 기기 중에서 가장 성능이 낮은 기기를 기준으로 단순화된 모델부터 테스트하는 것이 좋다. 그 후 성능이 허용하는 범위 내에서만 디테일을 추가하여 배포 후 모델이 과도하게 커져 수정해야 하는 상황을 피해야 한다. 예를 들어 임포트 단계에서 LOD를 생성하면 모든 애셋이 확장 가능한 디테일을 갖추게 되어, 향후 더 다양한 기기와 활용 사례에 유연하게 대응할 수 있다. 다만, 보편적으로 정해진 올바른 폴리곤 수는 없다. 중요한 것은 타깃 기기에서 프레임 속도와 로딩 시간 목표를 안정적으로 달성하는 방법이다. 린 시니어 디렉터는 “같은 애셋이라도 폴리곤 수는 수백만 개에서 수십만 개까지 줄어들 수 있다. 중요한 것은 모든 메타데이터가 연결된 동일한 소스 파일을 계속 사용하고 있다는 것”라고 전했다.   ▲ 제공 : HERE HMI   활용성 갖추기 : 거버넌스, 접근성 및 버전 관리 구축 애셋을 임포트하고 적절한 크기로 조정하고 나면, 다음 단계는 필요한 모든 역할에서 애셋에 안전하게 액세스하고 애셋을 쉽게 찾을 수 있도록 만드는 것이다. 이때 목표는 팀이 애셋을 어디서 찾아야 하는지 명확히 알면서도 관련 없는 애셋으로 인해 부담을 느끼지 않도록 하는 단일 라이브러리를 선별하는 것이다. 이를 위해서는 업무 속도를 저해하지 않으면서도 모든 업데이트가 프로젝트 전반에 반영되도록 완전한 감사 추적을 유지할 수 있는 권한 기반의 액세스 모델이 필요하다.   RBAC(역할 기반 액세스 제어) 린 시니어 디렉터는 “보통은 애셋의 임포트와 생성을 감독하는 관리자가 있고, 그 아래에 작업자와 검토자 역할이 있으면 충분하다”면서, 액세스 권한을 단순하게 유지할 것을 권장했다. 예를 들면 관리자는 구조와 표준을 정의하고, 사용자와 리텐션을 관리하며, 버전을 승인하거나 아카이브 처리할 수 있다. 이 사용자 그룹은 가능한 한 작게 유지하는 것이 좋다.     그 다음 계층에는 디자이너, 작업자, 편집자가 있을 수 있다. 이들은 새로운 애셋을 임포트하고 메타데이터를 편집하며 업데이트를 게시할 수 있으며, 필요 시 관리자 승인을 받아 작업을 수행할 수 있다. 이들이 라이브러리를 일상적으로 유지 관리하게 된다. 마지막으로 소비자 역할이 있는 직원은 승인된 애셋을 검색, 미리 보기 및 다운로드할 수 있지만, 수정하거나 게시할 수는 없다. 역할 기반 액세스 제어는 보안 측면에서도 매우 중요하다. 많은 산업용 3D 애셋 라이브러리에는 매우 민감한 정보가 포함되어 있으며, 그 중 일부는 규제 대상이 되기도 한다. 예를 들어 정부, 항공우주 또는 방위 분야의 수출 통제 설계 데이터는 엄격한 ‘알아야 할 필요성(need-to-know)’ 원칙, 완전한 감사 용이성, 엄격히 통제된 환경에서의 배포를 요구하는 연방 규정을 준수해야 한다. 린 시니어 디렉터는 규제가 엄격한 산업에서 운영하는 경우 가상 프라이빗 클라우드 배포를 사용할 것을 권장했다. 산업 분야와 관계 없이 반드시 지켜야 하는 내용은 다음과 같다. 항상 최소 권한의 원칙을 기본으로 하는 RBAC를 사용한다. 사용하는 플랫폼에서 전송 중인 데이터와 저장된 데이터를 모두 암호화한다. 버전별로 포괄적인 감사 로그와 승인 상태를 유지한다. 민감한 작업을 위해 프로젝트를 분리하고, 필요할 경우 데이터 상주 옵션을 적용한다.   ▲ 유니티 애셋 매니저 웹 인터페이스   버전 관리 및 감사 용이성 거버넌스는 보안과 규정 준수만을 의미하는 것이 아니라, 액세스와 활용을 용이하게 하기 위한 애셋 관리 표준화도 포함한다. 실제로 대부분의 거버넌스 문제는 모두가 모든 것을 바꿀 수 있거나, 누구도 아무것도 바꿀 수 없는 두 가지 극단적인 상황 중 하나에서 발생한다. 예를 들어, 교육 담당자가 엔지니어링 팀이 막 승인한 모델을 덮어쓸 수도 있다. 이는 반드시 부주의 때문이라기보다는, 대부분 명확한 버전 관리 체계의 부재로 인해 발생한다. 린 시니어 디렉터는 “동일한 애셋의 여러 브랜치 버전이 존재하는 경우가 많다. 이 모든 것을 일관적이고 표준화된 방식으로 관리해야 한다”고 조언했다. 여기서 버전 관리가 중요한 역할을 한다. 목표는 변경 사항이 명확하고, 되돌릴 수 있으며, 확실한 의도를 가지고 이루어지도록 하는 것이다. 결국 활용 가능한 애셋 라이브러리는 정기적으로 변경될 수밖에 없다. 공장의 디지털 트윈은 매주 레이아웃이 조금씩 조정될 수 있고, 교육 프로그램은 차세대 XR 헤드셋 출시를 앞두고 새로운 모델로 업데이트될 수 있다. 선형적인 버전 이력(v1.0, v1.1 등)과 애셋 상태(초안, 검토 중, 승인됨, 폐기됨 등)를 적용하여, 라이브러리를 계속해서 변화하는 SSOT(Single Source of Truth)로 관리해야 한다. 많은 산업 환경에서 엔지니어링 팀은 공식 설계를 위한 원본 CAD 파일을 유지 관리한다. 그러나 시각화 또는 교육 팀은 일반적으로 특정 목적에 맞게 최적화된 동일한 모델의 실시간 버전을 사용한다. 이러한 애셋은 병합이 아니라 연결되어야 하며, 그렇지 않으면 시각화용 모델이 어떤 CAD 버전에서 파생되었는지 알 수가 없다. 예를 들면 엔지니어링 팀이 도면을 업데이트하더라도 몇 달 전에 제작된 교육용 모델에는 이전 버전이 그대로 반영되어 있을 수 있으며, 이 사실을 아무도 모를 수 있다. 이는 감사 용이성을 훼손하고 잘못된 설정으로 학습하는 등의 오류로 이어질 수 있다는 점에서 문제가 된다. 모델 변형(variant)의 경우, 단순히 새로운 이름으로 복사본을 만드는 대신 해당 범위와 목적에 따라 태그를 지정하는 것이 좋다. 예를 들어 자동차 제조업체는 지리적 지역, 운전석 위치 폼 팩터 기준으로 태그를 지정할 수 있다. 이렇게 하면 기본 부품이 변경될 때 어떤 변형을 업데이트해야 하는지 정확히 알 수 있다. 마찬가지로 교육에 사용되는 단순화된 모델과 같은 특정 기본 모델의 파생 모델이 있다면, 이를 파생 모델로 표시하되 원본 소스와 해당 CAD 수정 버전에 대한 참조를 유지해야 한다. 이렇게 하면 교육 담당자가 XR/VR 시뮬레이션에 사용되는 단순화된 메시를 엔지니어링 팀의 공식 원본과 혼동하지 않게 된다. 물론 이처럼 세분화된 수준의 버전 관리도 사용성을 높이는 데 매우 중요하지만, 대규모로 구현하기는 매우 어렵기 때문에 자동화가 필수이다. 최신 3D 애셋 매니저(3D Asset Manager)는 일반적으로 대량 작업을 수행하기 위한 커맨드 라인 인터페이스(CLI)뿐만 아니라 새로 임포트 또는 업데이트된 애셋에 대한 메타데이터, 미리보기 및 태그를 생성하는 이벤트 기반 자동화 기능을 포함한다.   ▲ 애셋 매니저 팩토리   적절한 애셋 매니저를 통해 수행할 수 있는 운영 변경 사항의 간단한 체크리스트는 다음과 같다. 관리자, 작업자, 소비자로 구성된 3 역할 모델을 도입한다. 추가 승인이 필요한 프로젝트에는 승인 역할을 추가한다. 애셋 ID, 수정 번호, 원본 소스, 소유자 및 승인 상태와 같은 필수 메타데이터 필드를 매핑하고, 대부분의 사용자에게 기본적으로 승인된 뷰를 설정한다. 배리언트 및 파생 모델에 명확한 레이블을 지정하고 가능한 경우 업데이트를 자동화하여, CAD 수정 버전을 해당 실시간 대응 항목과 연결한다.   시작하기 : 30일 체크리스트 애셋을 임포트, 최적화 및 관리하고 나면 마지막 단계는 새로운 시스템을 일상 업무에 적용하는 것이다. 그런 다음 교육, 제품 개발, 고객 경험 또는 그 밖의 목적으로 실제 비즈니스 성과를 창출하는 몰입형 경험을 만들어 통합 3D 애셋 라이브러리의 가치를 빠르게 입증할 수 있다. 30일 이내에 수행할 수 있는 작업을 간단히 요약하면 다음과 같다. 데이터 소스와 해당 소유자를 목록화한다. 파일럿으로 진행할 대표 모델 한두 개를 선정한다. 보존할 메타데이터 필드를 결정한다. 임포트 과정을 테스트하여 게시 사이클을 최적화한다. 액세스 제어 및 감사 추적을 설정한다.     ■ 기사 내용은 PDF로도 제공됩니다.

‘2026 제조 고객을 위한 AWS 파트너 AI 클라우드 설루션 콘퍼런스’가 지난 3월 27일 진행됐다. 에티버스와 AWS(아마존웹서비스)가 주최한 이번 콘퍼런스에서는 ‘제조 산업의 인공지능 전환(AX)’을 주제로 AI(인공지능)가 물리적 현장을 직접 제어하는 ‘피지컬 AI(physical AI)’와 스스로 판단하는 자율 공장으로의 패러다임 변화를 짚었다. 그리고 제조 AX의 골든타임을 맞아 미래 제조 전략의 청사진을 제시했다. ■ 정수진 편집장     분석을 넘어 실행으로, ‘피지컬 AI’의 등장 제조산업은 단순한 데이터 분석과 디지털 전환(DX)을 넘어 AI가 생산의 전 과정을 주도하는 자율 공장 시대로 진입하고 있다. 그 중심에 있는 피지컬 AI는 분석 도구에 머물렀던 기존 시스템과 달리 로봇이나 자율제어 물류 등 물리적 세계를 직접 이해하고 제어하는 역할을 맡는다. 특히 고령화와 저출산으로 인해 숙련된 현장 인력이 부족해진 상황에서, 피지컬 AI는 육체적으로 힘들고 반복적인 작업을 로봇이 대신하게 만들어 인간과 로봇이 협업하는 새로운 생태계를 조성할 수 있을 것으로 기대를 받고 있다. 하지만 이런 혁신 기술을 실제 제조 현장에 도입하기 위해서는 넘어야 할 과제가 있다. 가장 먼저 부딪히는 장벽은 데이터의 품질 확보와 IT 및 OT 시스템의 통합 문제다. 제조 현장에는 수많은 산업용 프로토콜이 혼재되어 있어 데이터 표준화가 필수이며, 고품질의 통합 데이터 없이는 피지컬 AI가 제대로 작동할 수 없다. 이와 함께 AI가 내린 결정의 근거를 명확히 추적하고 설명할 수 있는 거버넌스와 안전성 확보도 시급한 과제다. 현장에서는 IT와 OT, 그리고 AI를 동시에 이해하는 융합 인재가 부족하다는 점도 걸림돌이다. 이로 인해 소규모 파일럿 테스트에서는 훌륭한 성과를 내더라도 이를 전사 규모로 확산하는 단계에서 실패하는 경우가 발생한다. 나아가 노후화된 센서와 장비에서 AI 학습에 필요한 양질의 데이터를 확보하기 어려운 기존 현장의 한계를 극복하고, 대규모 로봇 운영과 시스템 유지에 따른 비용 증가 문제를 해결하기 위한 전략이 요구된다. 이번 행사는 기조연설을 포함해 스마트 제조, AX 전략, 데이터 보안 등 세 개의 세부 트랙으로 진행됐다. 피지컬 AI와 에이전틱 AI(agentic AI)같은 최첨단 기술이 실제 현장에 적용된 사례를 공유했으며, 생산성 향상과 비용 효율화를 위한 클라우드 기반의 로드맵과 설루션을 제시했다.   에이전틱 AI와 현장 실행 중심의 제조 혁신 급변하는 산업 환경 속에서 제조업은 단순한 디지털 전환을 넘어 AI가 생산 전 과정을 주도하는 시대로 나아가고 있다. AWS의 정승희 매니저는 “AI는 우리 생의 가장 혁신적인 기술이 될 것이며 일하는 방식 자체를 바꿀 것”이라는 아마존 앤디 재시 CEO의 발언을 인용하면서, 현장의 판도를 바꿀 핵심 기술로 에이전틱 AI와 피지컬 AI를 꼽았다. 정승희 매니저는 “AI가 비즈니스 운영체제처럼 작동해 복잡한 업무를 자동화하고, 반복적인 현장 노동은 로봇이 대신하며 스스로 장애를 감지하고 복구하는 자가 치유 능력을 갖출 수 있다”면서, “이 미래를 현실로 만들기 위해서는 데이터 품질 확보와 운영 시스템 통합, 융합 인재 부족이라는 만만치 않은 장벽을 먼저 넘어야 한다”고 짚었다. 또한, 정승희 매니저는 “완벽한 계획을 기다릴 것이 아니라, 작게 시작하고 검증하고 확대해야 한다”면서, 청사진에 매몰되기보다 소규모 파일럿 테스트부터 속도감 있게 실행할 것을 조언했다. 또한, 기업들이 클라우드 인프라와 파트너 생태계를 영리하게 활용한다면 혁신의 비용을 줄이고 성공적인 미래를 앞당길 수 있을 것이라고 덧붙였다.   ▲ AWS 정승희 매니저는 피지컬 AI가 산업의 게임 체인저가 되고 있다고 짚었다.   디지털 트윈과 데이터 통합의 시너지 추구 제조산업은 단순히 데이터를 분석하는 단계를 넘어 물리적 세계를 직접 실행하고 최적화하는 피지컬 AI 시대로 진입하고 있다. 지멘스 디지털 인더스트리 소프트웨어의 이수아 전략 부사장은 제품 설계부터 생산까지 전 과정을 연결해 글로벌 리더십을 확보하려는 기업들의 움직임이 빨라지고 있다고 분석했다. 하지만 현장에서는 여전히 AI의 신뢰성과 전문 인력 부족이라는 장벽이 존재한다. 이수아 부사장은 기업들의 현실적인 우려에 대해 “기업들은 AI가 정말 안전하고 사람이 개입하지 않아도 믿을 수 있는 것인지, 의사 결정을 맡겨도 되는 것인지에 대한 고민을 가지고 있다”면서, 데이터 기반 의사결정에 대한 신뢰성 검증의 필요성을 짚었다. 그리고, 이 과제를 해결하기 위해 파편화된 시스템을 연결하는 온톨로지(ontology) 기반의 데이터 통합과 산업에 특화된 파운데이션 모델(foundation model)의 도입을 제안했다. 또한, 복잡한 제조 환경을 가상 공간에 구현하는 디지털 트윈과 그 데이터의 흐름을 촘촘히 잇는 디지털 스레드(digital thread)가 필수라고 강조했다. 결국 가상과 현실을 완벽하게 동기화하는 탄탄한 인프라 혁신만이 성공적인 피지컬 AI 시대를 앞당기는 열쇠가 된다는 것이 이수아 부사장의 진단이다.   ▲ 지멘스 디지털 인더스트리 소프트웨어 이수아 부사장은 AI를 통해 제품 R&D를 가속화할 수 있다고 설명했다.   AI 팩토리의 본질은 ‘데이터 표준화’ 서울대학교 이정준 교수는 제조 현장에서 기존에 해오던 일에 데이터를 더해 분석하고, 이를 통해 생산성과 효율을 한층 높이는 과정으로서 ‘AI 팩토리’를 정의했다. 결국 AI는 제조산업이 원하는 가치를 얻기 위해 추가하는 강력한 도구에 불과하다는 것이다. 성공적인 AI 팩토리를 구현하기 위한 핵심 요소로 이정준 교수가 꼽은 것은 데이터이다. 제조 현장의 데이터는 IT와 OT 영역, 그리고 공장 밖의 공급망까지 넓게 퍼져 있지만, 서로 다른 규격과 프로토콜 탓에 이를 하나로 엮는 과정은 험난하다. 이를 해결할 열쇠로는 데이터의 표준화가 꼽힌다. 이정준 교수는 독일의 자산 관리 셸(Asset Administration Shell : AAS)과 같은 국제 표준 데이터 모델을 도입하면 파편화된 정보를 원활하게 통합할 수 있을 것이라고 소개했다. 이와 함께 현장에서 우려하는 기술 유출 문제를 막기 위해 데이터 주권과 신뢰성을 보장하는 데이터스페이스(dataspace)의 구축도 과제다. 이정준 교수는 눈앞의 화려한 기술보다 탄탄한 데이터 표준화가 우선되어야 한다고 전했다.   ▲ SK AX의 안상만 부사장은 AI를 위한 IT 인프라의 재설계 방향을 제시했다.   자율 공장 완성할 유연한 클라우드 인프라 제조산업의 패러다임은 단순한 공정 자동화를 넘어 인간과 AI가 공존하며 스스로 판단을 내리는 자율 의사결정 시대로 진화하고 있다. SK AX의 안상만 부사장은 이러한 제조 현장의 변화를 이끌기 위해 가장 먼저 근본적인 IT의 뼈대를 새로 짜야 한다고 짚었다. “과거의 무겁고 경직된 시스템에서 벗어나 클라우드 기반의 유연한 서비스 환경으로 탈바꿈해야만, 끊임없이 쏟아지는 현장의 데이터를 하나의 플랫폼으로 매끄럽게 연결할 수 있다”는 것이다. 또한, 안상만 부사장은 “업무 프로세스와 데이터가 통합되지 않은 상태에서의 혁신은 사상누각”이라면서, AI 기술의 도입에 앞서 탄탄한 기본기가 우선되어야 한다고 강조했다. 그리고 AI 기술의 성공적인 안착을 위해서는 소규모 파일럿 테스트를 통해 빠르게 성공 모델을 만들고 이를 전사적으로 확산하는 전략이 필요하다고 짚었다. 현장의 데이터가 완벽하게 통합된 인프라 위에서 디지털 트윈과 버티컬 AI(vertical AI)가 결합될 때, AI가 현장 운영을 책임지는 자율 공장을 완성할 수 있다는 것이다.     ■ 기사 내용은 PDF로도 제공됩니다.

세일즈포스는 최근 ‘에이전틱 엔터프라이즈’ 비전을 소개하면서, 핵심 플랫폼으로 슬랙(Slack)을 내세웠다. 세일즈포스가 2021년 277억 달러(약 30조 원)에 인수한 슬랙은 메시징 및 채팅 앱을 넘어, AI(인공지능)를 기반으로 업무를 자동화하고 의사결정을 지원하는 ‘에이전틱 업무 운영체제’를 지향한다. 세일즈포스는 인간과 AI가 유기적으로 협업해 생산성 향상과 실질적인 비즈니스 성과를 얻는 미래형 기업 운영 모델의 청사진을 제시했다. ■ 정수진 편집장   ▲ 에이전틱 엔터프라이즈 아키텍처를 소개한 세일즈포스코리아 박세진 대표   데이터와 에이전트가 결합하는 에이전틱 엔터프라이즈 세일즈포스가 제시하는 ‘에이전틱 엔터프라이즈’는 단순히 사람의 업무를 돕는 AI를 넘어, 사람과 AI 에이전트가 공존하며 시너지를 내는 기업을 뜻한다. 지난 4월 8일 진행된 기자간담회에서 세일즈포스코리아의 박세진 대표는 “에이전틱 엔터프라이즈는 사람과 AI 에이전트(agent)가 공존을 이루는 기업이다. 에이전트가 데이터를 기반으로 실행을 하고, 사람은 그 에이전트에게 방향을 제시한다. 두 존재가 서로 부족한 부분을 메꿔 주는 구조”라고 설명했다. 단순한 챗봇과 달리 에이전트가 데이터를 기반으로 실제 비즈니스 업무를 자율적으로 판단하고 실행하며, 직원은 보다 창의적인 고부가가치 역할과 방향 제시에 집중하게 된다는 것이다. 이러한 업무 환경을 실현하기 위해 세일즈포스는 크게 네 가지 핵심 시스템을 단일 플랫폼으로 통합한 에이전틱 엔터프라이즈 아키텍처를 제시했다. 가장 밑바탕에는 기업 내·외부에 흩어진 모든 데이터를 하나로 연결하고 통합하는 컨텍스트 시스템(system of context)이 위치한다. 세일즈포스가 가진 인포매티카, 뮬소프트, 태블로, 데이터 360 등의 설루션을 활용해 에이전트가 참조할 수 있는 신경망이자 신뢰도 높은 데이터 기반을 구축하는 역할이다. 그 위에는 세일즈포스가 오랜 시간 축적해 온 비즈니스 프로세스와 산업별 노하우가 담긴 업무 시스템(system of work)이 자리 잡고 있다. 그리고 실질적인 업무를 직접 수행할 수 있도록 기업 맞춤형 AI 에이전트를 개발하고 테스트 및 배포하는 에이전트 시스템(system of agency)인 에이전트포스(Agentforce)가 유기적으로 작동한다. 가장 위쪽에는 고객 및 직원의 경험을 에이전트와 매끄럽게 연결하는 인게이지먼트 시스템(system of engagement)이 자리한다. 이곳에서 슬랙을 에이전틱 업무 운영체제로 삼아 사람과 앱, 에이전트가 대화형 인터페이스를 통해 끊김 없이 소통하고 협업을 완성하게 된다.   ▲ 슬랙은 기업 내 자산을 연결하고 의사결정을 돕는 방향으로 강화되고 있다.   업무 효율 높이는 ‘에이전틱 업무 운영체제’ 슬랙 에이전틱 업무 운영체제(agentic work OS)를 지향하는 슬랙은 사람, 애플리케이션, 데이터 그리고 AI 에이전트를 하나의 대화형 인터페이스 안에서 매끄럽게 연결하는 구심점 역할을 한다. 과거에는 직원이 업무를 처리하기 위해 수십 개의 애플리케이션을 번갈아 사용하며 흐름이 끊기는 불편함을 겪어야 했다. 김고중 슬랙 코리아 사업 총괄은 “이제 슬랙은 복잡한 시스템을 오갈 필요 없이 친숙한 대화창 안에서 즉각적으로 정보를 찾고 정리할 뿐 아니라, 실제 업무 트랜잭션까지 실행할 수 있는 통합 환경을 제공한다”고 설명했다. 특히 슬랙 안에서는 세일즈포스의 맞춤형 에이전트뿐만 아니라 외부의 에이전트와 기업이 자체 개발한 에이전트까지 모두 하나로 연동되어 유기적으로 작동한다. 이 공간에서 사용자는 어떤 에이전트를 사용해야 할지 일일이 신경 쓸 필요가 없다. 지시 사항을 자연어로 대화하듯 입력하면 슬랙봇이 맥락을 파악하고 적절한 에이전트를 지휘해 알아서 업무를 처리해 주기 때문이다. 슬랙 코리아의 주다혜 설루션 엔지니어는 “슬랙은 세일스포스, 서드파티, 고객이 직접 개발한 에이전트까지 컨트롤하며 보안 거버넌스를 지키면서 사용자의 업무를 돕는다”고 설명했다. 슬랙의 지향점은 사람간의 협업을 넘어서 인간과 에이전트가 협업하는 에이전틱 엔터프라이즈의 핵심이 된다는 것이다.   ▲ 슬랙에서 다양한 외부 AI와 앱을 연결해 활용할 수 있다.   슬랙봇, 실질적인 비즈니스 성과와 생산성 혁신 주도 한편, 세일즈포스는 기자간담회에서 슬랙에 포함된 맞춤형 AI 에이전트 ‘슬랙봇(Slackbot)’을 처음으로 국내에 공개했다. 슬랙봇이 알림 도우미를 넘어 사용자의 업무 방식과 비즈니스 맥락을 이해하는 맞춤형 AI 비서로 진화했다는 것이 세일즈포스의 설명이다. 슬랙봇의 주요 기능으로는 ▲회의 내용을 자동으로 기록하고 요약해 실행 과제를 도출하는 미팅 인텔리전스 ▲여러 애플리케이션을 넘나들며 문서 요약과 초안 작성 등을 단일 워크플로에서 지원해 업무 흐름이 끊기지 않게 돕는 데스크톱 어시스턴트 기능 ▲반복 업무를 AI 명령 세트로 표준화하는 AI 스킬 기능 ▲사용자의 대화 패턴을 학습해 맞춤형 답변을 고도화하는 메모리 기능 ▲구글 드라이브, 지라 등 외부 시스템에 흩어진 데이터까지 대화하듯 자연어로 한 번에 찾는 엔터프라이즈 검색 기능 등이 있다. 또한, 조직 내 모든 에이전트와 앱을 통합하는 클라이언트 기능을 활용하면 세일즈포스의 에이전트포스는 물론 서드파티 에이전트까지 하나의 대화창에서 유기적으로 연동하고 지휘할 수 있다. 이러한 슬랙봇의 도입은 큰 폭의 생산성 향상으로 이어진다. 세일즈포스는 “슬랙봇을 통해 직원은 개인당 하루 최대 90분의 업무 시간을 절약하고, 팀 단위로는 주간 최대 20시간의 효율 개선 효과를 얻은 사례를 확인했다”고 전했다. 기자간담회에서는 국내 기업의 업무 혁신 사례도 소개됐다. 당근마켓은 사내 AI 에이전트를 슬랙에 구현해 쿼리 생성과 과거 메시지 데이터 분석 등에 활용하고 있다. 당근마켓의 이예찬 엔지니어는 “슬랙은 단순한 소통 창구를 넘어 조직의 ‘살아있는 기억’이며, 진정한 에이전틱 운영체제로 진화할 수 있음을 체감하고 있다”라고 밝혔다. 배달의민족을 운영하는 우아한형제들은 비개발 부서에서도 슬랙 워크플로를 활용해 반복 문의를 선제적으로 해결하고 있다. 우아한형제들의 이청규 담당은 “슬랙봇을 도입해 신규 입사자의 적응을 돕고 불필요한 커뮤니케이션에 소모되는 ‘컨텍스트 비용’이 줄어들 것으로 기대한다”고 전했다.     ■ 기사 내용은 PDF로도 제공됩니다.

팀뷰어는 메르세데스-AMG 페트로나스 포뮬러 원 팀이 기존 원격 연결 플랫폼인 ‘팀뷰어 텐서(TeamViewer Tensor)’에서 자율 엔드포인트 관리 플랫폼인 ‘팀뷰어 원(TeamViewer ONE)’으로 업그레이드했다고 발표했다. 메르세데스-AMG 페트로나스 F1 팀은 이번 도입을 통해 브래클리 공장부터 트랙 현장의 개러지까지 수천 개의 IT 및 OT 엔드포인트 전반에 걸쳐 실시간 가시성과 제어 기능을 확보하게 되었다. 팀뷰어 원은 인공지능(AI)을 활용해 문제를 사전에 감지하고 운영에 영향을 미치기 전에 선제적으로 해결하는 기능을 지원한다. 사소한 IT 문제 하나가 레이스 결과를 바꿀 수 있는 환경에서 이러한 선제적 대응은 팀 운영의 핵심적인 요소로 평가받는다. 팀뷰어 원은 엔드포인트 관리와 보안 원격 연결, 그리고 자율 엔드포인트 관리(AEM) 전략의 핵심인 디지털 직원 경험을 통합한 것이 특징이다. 특히 기기에서 로컬로 작동하는 구조를 채택해 네트워크가 중단되더라도 트랙 현장 운영에는 차질이 없도록 설계되었다. 이러한 대규모 자율형 IT를 구현하는 동력은 데이터에서 나온다. 팀뷰어 원은 폐순환(closed-loop) 학습 시스템을 통해 이상 현상을 감지하고 복구 조치를 실행하며 문제가 사용자에게 영향을 미치기 전에 선제적으로 해결한다. 시스템 고도화를 위해 원격 지원 세션에서 축적된 전문가 지식과 심층적인 기기 텔레메트리 정보가 대규모로 활용된다. 현재 AI 지원 세션은 100만 건을 넘어섰으며 지난 3월에만 30만 건 이상이 추가되었다. 팀뷰어에 따르면 AEM은 IT 운영의 차세대 흐름으로 부상하고 있으며, 2029년에는 산업 전반에 본격적으로 도입될 전망이다.     메르세데스-AMG 페트로나스 F1 팀의 토토 울프(Toto Wolff) CEO는 “레이스 도중에는 텔레메트리부터 기상 정보, 무선 통신까지 수십 종의 데이터를 실시간으로 활용하며 이를 뒷받침하는 기술은 단 하나의 오류도 없어야 한다”고 강조했다. 이어 “팀뷰어는 우리가 타협하지 않는 신뢰성과 성능을 제공하며 팀뷰어 원으로의 전환은 F1의 현재와 미래를 고려한 전략적 선택”이라고 덧붙였다. 메르세데스-AMG 페트로나스 F1 팀의 마이클 테일러(Michael Taylor) IT 총괄은 0.001초 차이로 승부가 갈리고 비용상한제 규정이 엄격한 F1 환경에서 팀뷰어 원의 도입 가치를 설명했다. 테일러 IT 총괄은 “팀뷰어 기술은 이미 까다로운 레이스 환경에서 안정성을 증명했으며 팀뷰어 원으로의 전환은 당연한 수순”이라면서, “다운타임 감소와 데이터 품질 개선, 팀 전반의 생산성 향상 측면에서 비즈니스 타당성이 명확하다”고 밝혔다. 팀뷰어의 올리버 스테일(Oliver Steil) CEO는 메르세데스-AMG 페트로나스 F1 팀이 운영하는 IT 환경이 세계에서 가장 복잡하고 까다로운 수준이라고 진단했다. 스테일 CEO는 “팀뷰어 원은 수천 개의 핵심 엔드포인트를 관리하면서도 다운타임을 허용하지 않는 실시간 운영이 요구되는 환경을 위해 설계되었다”면서, “세계에서 가장 까다로운 환경에서 검증된 기술은 어떤 산업 현장에서도 효과를 발휘할 수 있다”고 말했다.

브라더인터내셔널코리아는 유지보수 비용과 업무 중단 시간을 줄인 A3 잉크젯 복합기 MFC-J3960DW를 출시했다. 최근 하이브리드 업무 환경이 자리 잡으면서 사무실 내 업무 연속성과 시간 효율이 기업 생산성의 주요 지표로 강조되고 있다. 브라더코리아는 이러한 비즈니스 환경 변화에 맞춰 출력 환경 전반의 속도와 효율을 높이는 데 집중했다.     신제품은 폐잉크 패드를 교체하지 않고도 최대 30만 장까지 출력할 수 있는 잉크 관리 시스템을 적용했다. 이를 통해 유지보수 빈도를 줄이고 총소유비용을 절감할 수 있게 했다. 용지함은 총 3개로 구성했으며 A3 용지를 최대 600매까지 적재할 수 있어 용지 교체 번거로움을 덜고 관리 부담을 낮췄다. 출력 성능 면에서는 차세대 맥시드라이브(MAXIDRIVE) 기술을 탑재했다. 브라더코리아는 이 기술을 통해 첫 장 출력 시 컬러 인쇄가 흑백보다 빠르게 진행된다고 설명했다. 맥시드라이브 기술은 잉크 막힘과 방출 오류를 자동으로 관리하며, 프린트 헤드 다중 노즐을 기반으로 잉크를 동시에 분사해 안정적인 품질과 속도를 구현한다. 출력 속도는 A4 기준 최대 31ipm(흑백)이며 해상도는 최대 1200×4800dpi를 지원한다. 기업 내 데이터 보안 중요성이 커짐에 따라 보안 기능도 강화했다. 저장 데이터 암호화와 보안 스캔 기능을 비롯해 비밀번호 기반의 보안 인쇄와 사용자별 기능 잠금 기능을 제공한다. 이를 통해 출력 과정에서 발생할 수 있는 정보 유출을 방지하고 안전한 데이터 관리 환경을 조성한다. 제품 패키지에는 지속가능성을 고려한 요소를 반영했다. 비생분해성 소재인 스티로폼(EPS)을 배제하고 재활용이 가능한 친환경 포장재를 사용해 기업의 지속가능경영을 돕는다. 브라더코리아는 “이번 신제품은 번거로운 용지 급지와 폐잉크 교체 등을 개선하여 업무가 멈추는 다운타임을 최소화한 제품”이라면서, “유지보수 부담을 줄이고 안정적인 출력 환경을 구축하는 데 기여할 것으로 기대한다”고 밝혔다.

세일즈포스는 구글 클라우드와 파트너십을 강화하고, 양사의 플랫폼 전반에서 업무 흐름을 하나로 잇는 AI 에이전트 통합을 확대한다고 밝혔다. 이번 협력은 기업이 겪어온 데이터 파편화와 시스템 간 단절 문제를 해결하는 데 목적을 두었다. 양사의 협력으로 기업은 업무용 메신저를 넘어 에이전틱 업무 운영체제를 지향하는 슬랙(Slack)과 협업 도구인 구글 워크스페이스(Google Workspace) 환경에 AI 에이전트를 즉시 배치할 수 있게 됐다. 세일즈포스의 AI 에이전트 플랫폼인 ‘에이전트포스(Agentforce)’와 구글의 ‘제미나이 엔터프라이즈(Gemini Enterprise)’가 유기적으로 연동되어 사용자는 업무 흐름을 끊지 않고도 데이터를 안전하게 활용할 수 있다.     사용자는 슬랙에서 자연어로 요청하는 것만으로 구글 슬라이드, 문서, 시트 등에 흩어진 정보를 정리해 보고서를 만들 수 있다. 제미나이 엔터프라이즈가 슬랙에 직접 통합되면서 구글 미트(Google Meet) 녹취록 생성과 대화 요약, 통합 검색 등 비서 기능도 제공한다. 세일즈포스는 이를 통해 비즈니스 맥락 파악부터 실행까지 전 과정을 아우르는 ‘에이전틱 엔터프라이즈’ 전환을 앞당길 수 있을 것으로 보고 있다. 영업 분야에서는 ‘에이전트포스 세일즈’가 제미나이와 협업해 잠재 고객 응대와 회의 브리핑 작성, 계약 리스크 감지 등을 자동으로 수행한다. 이를 통해 영업 담당자는 반복적인 행정 업무 대신 고객 관계 구축에 더 집중할 수 있다. 기술적으로는 데이터를 옮기지 않고 실시간으로 활용하는 ‘제로 카피’ 구조가 핵심이다. 에이전트포스는 세일즈포스의 ‘아틀라스 추론 엔진’을 통해 제미나이 모델을 지원하며 텍스트뿐만 아니라 이미지와 영상 데이터까지 분석해 복잡한 비즈니스 문제를 해결한다. 보안을 위해 구글 레이크하우스 기반의 제로 카피 기술을 적용해 데이터가 저장된 위치에서 직접 정보를 읽어오는 방식을 사용한다. 또한 세일즈포스의 인포매티카(Informatica)를 기반으로 워크데이, SAP 등 외부 데이터에도 일관된 보안 정책을 적용해 구글 빅쿼리에서 통합 관리할 수 있도록 돕는다. 세일즈포스에 따르면 현재 1400개 이상의 고객사가 에이전트포스 내에서 제미나이를 활용하고 있다. 이커머스 기업 웨이페어는 고객 서비스와 물류 부문에 에이전트를 도입했으며 유통기업 펩코는 6400만 개의 고객 데이터를 2400만 개로 통합해 개인화 마케팅 접점을 25% 늘렸다. 구글 클라우드의 카르틱 나라인 최고 제품 및 비즈니스 책임자는 “이번 협력으로 고객은 플랫폼에 흩어진 데이터를 안전하게 연결해 성과를 빠르게 내고 확장 가능한 에이전틱 인프라를 구축할 수 있게 됐다”고 설명했다. 세일즈포스의 스리니 탈라프라가다 사장은 “에이전틱 AI 도입을 위해서는 전사적으로 작동하는 강력한 인프라가 필수이며 구글 클라우드와의 파트너십이 전환 속도를 높이는 발판이 될 것”이라고 강조했다. 세일즈포스 코리아의 박세진 대표는 “이번 파트너십 확대는 국내 기업들이 에이전틱 AI를 실무 혁신으로 연결하는 중요한 전환점이 될 것”이라면서, “한국 기업들이 보다 빠르고 안전하게 자율 운영 체계를 갖출 수 있도록 지원하겠다”고 전했다.

IBM은 기업이 새로운 세대의 사이버 위협에 대응할 수 있도록 돕는 신규 사이버 보안 조치를 발표했다. 공격자들은 공격 준비부터 실행에 이르는 전 과정에서 첨단 AI(인공지능) 모델을 활용해 공격 속도와 효율을 높이고 있다. 이러한 변화는 고도화된 공격을 수행하는 데 필요한 시간과 비용, 전문성을 낮추며 기업을 상시적인 비즈니스 중단 위험에 노출시키고 있다. 공격이 기계적 속도로 자동 실행되는 환경에서 단절된 보안 도구와 수작업 절차에 의존한 기존 보안 체계는 점차 효과를 잃고 있다. 에이전트형 공격에 대응하기 위해서는 대규모 환경 전반에서 자율적이고 유기적으로 작동하는 새로운 보안 체계가 필요하다. 기업들은 복잡하고 방대한 IT 환경을 운영하고 있으며 이러한 구조는 체계적으로 관리하기 어렵다. 이는 첨단 AI 모델이 취약점을 빠르게 식별하고 이를 공격 경로로 전환하는 데 유리한 조건을 제공한다. 이러한 문제에 대응하기 위해 IBM 컨설팅은 에이전트 기반 위협에 대한 기업의 대비 수준을 평가할 수 있는 새로운 사이버 보안 평가 서비스를 제공한다. 이 평가는 IBM과 기술 파트너들이 공동으로 수행하며 고객이 전사 환경 전반에 걸쳐 필요한 지원을 받을 수 있도록 설계됐다. 이 평가는 보안 공백과 정책상의 취약점, AI 환경에서 발생할 수 있는 특화된 노출 요소, 잠재적인 공격 경로에 대한 가시성을 제공한다. 즉각적인 소프트웨어 수정이 어려운 경우에는 임시 보호 조치를 포함한 우선순위 기반 대응 방안도 함께 제시한다. 또한 자동화 수준과 보안 구조의 정합성을 개선해 공격 탐지와 대응 속도를 높일 수 있는 영역을 도출함으로써 보다 실질적인 보안 강화 방향을 제시한다.     기업이 AI가 생성하는 공격의 속도와 정교함에 직접 대응해야 하는 상황을 반영해 IBM은 다중 에이전트 기반 보안 서비스인 ‘IBM 오토노머스 시큐리티(IBM Autonomous Security)’를 공개했다. 이 서비스는 기계적 속도로 의사결정과 대응, 정보 분석을 수행할 수 있도록 설계됐다. 이 서비스는 협력적으로 작동하는 AI 에이전트를 활용해 소프트웨어 노출 요소와 실행 환경을 분석하고 공격 경로를 식별하며 보안 기본 상태를 개선한다. 또한 조직 전반의 보안 도구에 걸쳐 정책을 일관되게 적용하고 이상 징후를 탐지해 최소한의 인적 개입만으로 위협을 차단하도록 설계됐다. 이러한 분석 결과는 거버넌스와 위험 관리 시스템으로 직접 연계돼 최신 보안 및 규정 준수 상태를 유지할 수 있도록 지원하며 이를 통해 노출 기간을 줄이고 고속 공격에 대한 대응 속도를 높인다. IBM 오토노머스 시큐리티는 보안 범위를 신원 관리와 위험 관리, 거버넌스 영역까지 확장하고 정보기술과 운영기술, 비즈니스 프로세스 전반의 AI 시스템과 연계함으로써 탐지에서 복구에 이르는 전 과정을 가속한다. 이를 통해 규정 준수 성과를 강화하고 운영상의 마찰을 줄이며 전반적인 보안 회복탄력성을 높일 수 있도록 돕는다. 에이전트형 위협 환경에서는 개별 보안 도구의 성능보다 보안 체계 전반이 얼마나 빠르고 일관되게 대응할 수 있는지가 방어 성과를 좌우한다. IBM은 보안 회복탄력성이 기계적 속도에 맞춰 진화해야 하는 전환점에서 기업들이 효과적으로 대비할 수 있도록 지속적으로 지원할 계획이다. IBM 컨설팅의 마크 휴즈 사이버 보안 서비스 대표는 “첨단 AI 모델은 빠르게 움직이고 전사적인 영향력을 가지며 점점 더 자율적으로 진화하는 새로운 유형의 기업 위협을 만들어내고 있다”면서, “이에 대응하기 위해서는 개별 도구가 아닌 시스템 차원의 방어가 필요하며 AI 기반 공격에는 AI 기반 방어가 요구된다. 이것이 바로 IBM이 제시하는 접근 방식”이라고 말했다.