시스템 엔지니어링의 진화, 항공우주 산업의 복잡성을 넘어서다   아폴로 프로그램에서 시작된 시스템 엔지니어링은 오늘날 항공우주 및 방위 산업의 핵심 방법론으로 자리 잡았다. 하지만 소프트웨어 중심의 기체 구조와 급증하는 상호작용으로 인해 기존 방식은 한계에 직면해 있다. 이제 기업은 시스템 모델링 언어인 SysML v2와 인공지능(AI), 포괄적 디지털 트윈을 결합한 총체적 설루션으로 디지털 전환을 가속해 미래 경쟁력을 확보해야 한다.   ■ 오병준 지멘스 디지털 인더스트리 소프트웨어의 한국지사장이다. SAS 코리아 대표이사를 지냈으며, 오라클 코리아, 테라데이터 코리아, IBM 코리아 임원 등 IT 업계에 30여 년 이상 몸 담으며 쌓아온 엔터프라이즈 소프트웨어 경험을 바탕으로 지멘스 디지털 인더스트리 소프트웨어를 진두지휘하고 있다. 홈페이지 | www.sw.siemens.com/ko-KR   ▲ 제공 : 지멘스   우주비행사의 달 착륙과 지구 귀환을 성공적으로 이끈 아폴로(Apollo) 프로그램은 인류 역사상 가장 위대한 성과 중 하나로 평가된다. 아폴로 프로그램을 통해 개발된 다양한 기술은 오늘날 우리의 일상 속에서 널리 활용되고 있는데, 무선 헤드셋, 집적회로, 이메일, 무선 공구 등이 대표적인 예다. 이 글에서는 아폴로 프로그램의 수많은 유산 가운데 한 가지에 초점을 맞추고자 한다. 바로 엔지니어가 종종 간과하곤 하는 ‘시스템 엔지니어링(systems engineering)’이다. 당시 NASA가 개발한 로켓은 전례 없는 규모의 복합 시스템이 결합된, 그 시대 가장 정교하고 복잡한 기계였다. NASA 엔지니어들은 로켓 내 모든 시스템을 유기적으로 작동시키기 위해 새로운 엔지니어링 방법론이 필요하다는 사실을 깨달았고, 그렇게 시스템 엔지니어링이 탄생했다. 시스템 엔지니어링은 아폴로 로켓의 복잡성을 체계적으로 분석하고 각 시스템을 유기적으로 통합함으로써 성공적인 발사를 가능하게 했다. 이후 시스템 엔지니어링은 우주 분야를 넘어 항공우주 및 방위(A&D) 산업 전반에서 혁신을 이끌며, 새로운 항공기와 우주선 개발을 견인하는 핵심 요소로 자리 잡았다.   ▲ 시스템 엔지니어링은 우주 분야에서 시작돼 A&D 산업 전반으로 확대됐다.(제공 : C. Fredrickson Photography/Getty Images)   시스템 엔지니어링은 제품의 복잡성을 낮추는 데 기여해왔지만, 그 자체로는 상당히 복잡한 개념이다. 엔지니어링 영역들은 기업이 인식하는 것만큼 긴밀하게 통합돼 있지 않을 가능성이 있다. 일부 기업은 두 엔지니어링 영역 간 인터페이스에서 문제가 발생하기 전까지 자사의 통합 수준이 어느 정도인지조차 제대로 인식하지 못하기도 한다. 이러한 문제는 전통적인 문서 기반 방법론이 모델 기반 시스템 엔지니어링으로 전환된 이후에도 여전히 이어지고 있다. 이 같은 통합 미비는 설계 오류를 초래하고 일정 지연의 위험을 높인다. 이러한 위험은 오늘날 항공기와 우주선에 새로운 전자 기술과 소프트웨어 시스템이 대거 탑재되고 복잡성이 크게 증가함에 따라 갈수록 커지고 있다. 이와 같은 상황에서 변화가 없다면, 현재의 시스템 엔지니어링 접근 방식만으로는 항공우주 산업의 급격한 복잡성 증가에 대응하기 어려울 것이다. 따라서 앞으로 시스템 엔지니어링은 보다 총체적인 접근 방식으로 진화해 엔지니어링 영역 간 상호운용성과 협업을 강화해야 한다. 이를 위해 기업은 디지털 전환에 투자하고 SysML v2, AI(인공지능), 포괄적 디지털 트윈과 같은 핵심 기술을 활용해 엔지니어들이 혁신을 가속할 수 있는 새로운 프로세스를 익히도록 해야 한다.   항공우주의 새로운 패러다임 오늘날 생산되는 항공기와 우주선은 아폴로 시대에 개발된 기체와는 완전히 다르다. 민항기와 제트기부터 로켓과 위성에 이르기까지, 모든 것이 점점 더 소프트웨어 중심 구조로 진화하고 있다. 이에 따라 첨단 기계·전기 시스템은 물론, 새로운 전자 기술과 소프트웨어까지 폭넓게 통합되고 있다. 이러한 첨단 시스템은 이전 세대의 기체에 비해 훨씬 높은 수준의 복잡성을 만들어낸다. 특히 기체 내 다른 시스템과의 상호작용이 늘어나면서 전체적인 복잡성은 더욱 확대되고 있다. 예를 들어, 20년 전만 해도 엔지니어는 하나의 기계 시스템에서 발생하는 100여 개의 상호작용만 관리하면 됐고, 이는 스프레드시트에 손쉽게 정리할 수 있었다. 그러나 오늘날에는 반도체 칩 하나만으로도 수만에서 수십만 개에 이르는 상호작용이 발생할 수 있다.   ▲ 보다 고도화된 전자 기술과 소프트웨어 통합으로 새로운 항공우주 시스템의 복잡성이 커졌다.(제공 : santofilme/Getty Images)   A&D는 여러 엔지니어링 영역 간 통합이 필수인 산업이다. 한 영역에서 변경이 발생하면 이를 수용하기 위해 다른 영역에서도 추가 변경이 필요할 가능성이 높다. 최근 전자 기술과 소프트웨어의 비중이 커지면서 이러한 변경의 규모와 영향력은 더욱 확대되고 있다. 따라서 영역 통합의 격차를 식별하고 해소하기 위해 시스템 엔지니어링 접근 방식 역시 보다 총체적으로 발전해야 한다.   SysML v2를 통한 격차 해소 총체적인 시스템 엔지니어링 전략을 수립하려면 엔지니어 간 새로운 협업 프로세스를 지원하는 도구가 필요하다. SysML (Systems Modeling Language) v2가 이러한 역할을 수행할 수 있다. 이전 버전인 SysML v1은 엔지니어가 작업을 효율적으로 모델링하고 설명할 수 있는 새로운 방식을 제시했다. 그러나 모델을 구축하고 관리하는 방식이 매우 엄격해 상호운용성 측면에서는 한계가 있었다. 반면 SysML v2는 더욱 직관적인 모델링 접근 방식을 제공하며, 다양한 모델링 방법론을 유연하게 활용할 수 있도록 지원한다. 이를 통해 기업은 데이터 교환을 훨씬 수월하게 수행할 수 있다. 결과적으로, SysML v2는 엔지니어링 영역 간 정보를 개방적으로 공유할 수 있는 표준 프레임워크를 구축한다. 이를 통해 데이터 일관성을 높이고 통합 시스템 아키텍처 개발을 가능하게 한다. 물론 SysML v2의 효과는 이를 활용할 수 있는 인재 양성이 병행될 때 비로소 실현될 수 있다. 다행히 다양한 모델링 방법론을 수용할 수 있는 특성은 진입 장벽을 낮추고, 엔지니어가 새로운 시스템 엔지니어링 전략을 보다 쉽게 배우고 참여할 수 있도록 한다. 이는 시스템 엔지니어링의 총체적 발전과 민주화에도 기여한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (7)   최근의 MBSE(모델 기반 시스템 엔지니어링) 환경은 개별 도구를 연계하던 전통적 방식에서 벗어나, 요구사항부터 시뮬레이션, 형상 관리까지 전 과정을 하나의 플랫폼에서 관리하는 ‘디지털 스레드’ 기반의 통합 환경으로 진화하고 있다. 이번 호에서는 모델링 도구인 ‘랩소디(Rhapsody)’와 ‘카메오 시스템 모델러(Cameo Systems Modeler)’의 특징을 살펴보고, 효율적인 설계 환경 구축 전략을 짚어본다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   모델링 도구 여기에서는 모델링 도구로서 랩소디(Rhapsody)의 특징과 기능을 간단하게 소개하고 있으며, 특히 시스템 아키텍처 설계와 모델 일관성 유지에 있어 랩소디가 어떤 역할을 수행하는지를 설명한다. IBM의 랩소디는 UML 및 SysML 기반의 시스템 모델링 도구로, 아키텍처 모델을 통해 시스템 설계 정보를 저장할 수 있는 동적인 데이터베이스 구조를 제공한다. 사용자가 정의한 각 모델 객체(예 : 블록, 컴포넌트 등)는 한 번 정의되면 그것이 표현되는 모든 다이어그램 상에서 동일한 특성과 속성을 유지한다. 이를 통해 전체 모델의 일관성과 추적성이 자연스럽게 보장된다. 또한 랩소디는 요구사항과 직접 연계된 설계 모델을 지원함으로써, 요구사항-설계 간의 정합성 확보를 용이하게 한다. 이를 통해 설계 변경이 요구사항과의 연동 하에 즉시 반영될 수 있어, 시스템 개발 전 과정에서 신뢰성 있는 모델 기반 설계를 실현할 수 있다. 결과적으로, 랩소디는 다양한 UML/SysML 도구 중 하나로, 특히 복잡한 시스템의 모델링, 시뮬레이션, 코드 생성까지 연결 가능한 통합 모델링 환경을 제공한다.   랩소디 보기   그림 1. 랩소디 도구의 대표적인 사용자 인터페이스 구성 요소   <그림 1>은 랩소디 도구 환경을 보여주며, 시스템 모델링 또는 소프트웨어 모델링을 수행할 때 사용되는 대표적인 사용자 인터페이스 구성 요소를 설명하고 있다. 랩소디 보기는 사용자가 랩소디에서 모델을 어떻게 시각적으로 확인하고 조작하는지를 이해하는 데 중점을 둔다. 전체 인터페이스 구성은 랩소디가 모델 기반 시스템 및 소프트웨어 설계를 위한 도구로, 브라우저 영역과 그리기 영역 등의 주요 영역으로 구성되어 있다. <그림 1>의 화면 왼쪽에는 브라우저 영역(Browser View)이 위치해 있다. 이 영역은 프로젝트 내에 정의된 모든 요소를 계층적 트리 구조로 정리하여 보여주며, 클래스, 패키지, 상태도, 시퀀스 다이어그램 등 다양한 모델링 요소를 탐색하고 선택할 수 있다. 사용자는 이 영역에서 모델 구조를 확인하고, 필요한 항목을 선택하여 편집 창으로 열 수 있다. 주로 사용하는 항목은 모델 구성요소(예 : 클래스, 컴포넌트, 상태 등)이다. 설계 계층 구조는 각 요소의 속성 및 동작이 연결되어 있다. <그림 1>의 화면 오른쪽에는 그리기 창(Drawing Window)이 위치하며, 사용자가 실제로 다이어그램을 작성하고 편집하는 작업 공간이다. 이 영역은 선택된 모델 요소의 시각적 표현을 위한 공간으로, 예를 들어 상태 다이어그램, 블록 다이어그램, 시퀀스 다이어그램 등을 작성하고 구성 요소 간의 연결 관계를 설정할 수 있다. 사용자의 활동 예는 상태 전이 정의, 신호 흐름 연결, 동작 논리 시각화, 모델 요소 간 연결 구성이 있다. 랩소디는 모델 탐색과 시각적 설계를 동시에 지원하기 위해 좌측 브라우저 영역과 오른쪽 그리기 창을 중심으로 UI(사용자 인터페이스)를 구성하고 있으며, 이를 통해 사용자는 설계 구조와 논리를 직관적으로 접근하고 조작할 수 있다. 이와 같은 인터페이스는 SysML, UML, 자동차 및 항공 우주 분야의 MBD 등 다양한 모델링 작업을 효율적으로 수행할 수 있도록 지원한다.   랩소디 vs. 카메오 시스템 모델러 비교 IBM 랩소디와 카메오 시스템 모델러(Cameo Systems Modeler)는 모두 SysML 기반의 시스템 모델링 도구로 널리 사용되고 있다. 그러나 이 두 도구는 설계 접근 방식, 사용자 인터페이스, 시뮬레이션 및 협업 방식에서 차별점이 존재한다. 도구의 철학과 접근 방식 : 랩소디는 임베디드 시스템 및 소프트웨어 개발에 특화된 도구로, 주로 상태 기반(state-based) 모델링과 코드 생성(code generation) 기능이 강력하다. UML 기반의 객체지향 소프트웨어 개발, 상태 머신 구현 등에 많이 활용되며, 특히 자동차, 항공, 방위 산업 등에서 많이 사용된다. 반면에 카메오 시스템 모델러(MagicDraw 기반)는 시스템 아키텍처 및 요구사항 중심 설계에 중점을 둔 MBSE 도구이다. RFLP(Requirement, Functional, Logical, Physical) 구조와 트레이스 기능이 강력하며, PLM·SPDM 시스템과의 통합이 잘 되어 있어 디지털 스레드 구축에 적합하다. 대부분의 대기업 MBSE 전환 프로젝트에서 선택되고 있다. 사용자 인터페이스 및 작업 구조 : 랩소디는 전통적인 IDE 스타일의 인터페이스(<그림 1>처럼 왼쪽 탐색기 + 오른쪽 다이어그램 편집기)를 가지고 있으며, 실시간 코드 시뮬레이션 및 상태 전이 구현에 용이하다. 카메오 시스템 모델러는 모델 요소 중심 탐색 트리, 다중 다이어그램 탭, 자동 연결 도우미, 속성 창 기반 작업이 잘 정비되어 있으며, 직관적인 GUI로 인해 다양한 다이어그램 작성이 빠르고 정확하게 이루어진다. 사용자 친화성이 높은 편이다. 시뮬레이션 및 해석 기능 : 랩소디에는 UML/SysML 상태 머신을 기반으로 한 Statechart Simulation이 내장되어 있어, 논리적 동작 검증이나 이벤트 시퀀스 분석에 유리하다. C/C++ 코드 생성 및 디버깅 기능도 내장되어 있어, 소프트웨어 통합 단계까지 연결하기 좋다. 카메오 시스템 모델러는 카메오 시뮬레이션 툴킷(Cameo Simulation Toolkit :CST)을 통해 SysML 모델의 시뮬레이션이 가능하며, 파라메트릭 다이어그램(Parametric Diagram) + 수식 기반 계산 + 외부 FMU 연동을 지원한다. 특히 시뮬링크(Simulink), 모델리카(Modelica) 등과의 코시뮬레이션(co-simulation) 및 FMI 기반 연동이 강력하다. 협업 및 형상 관리 연동 : 랩소디는 RTC, ClearCase, GIT 등과 연계가 가능하지만, 협업 기능이 독립적으로 강력하지는 않다. 기업 내부 커스터마이징이 필요한 경우가 많다. 카메오 시스템 모델러는 팀워크 클라우드(Teamwork Cloud : TWC)라는 중앙 저장소 기반 협업 서버를 통해 모델 단위 버전 관리, 권한 제어, 변경 추적, 분기 관리(branching) 기능을 지원하며, 팀 단위 협업 및 모델 기반 리뷰에 적합하다. PLM, SPDM 및 외부 툴 연동 : 랩소디는 외부 연동이 상대적으로 제한적이며, 별도 게이트웨이 또는 커스터마이징이 필요하다. 카메오 시스템 모델러는 3D익스피리언스(다쏘시스템), 윈칠(PTC), 팀센터(지멘스) 등의 PLM 시스템과 연계가 용이하며, MBSE–PLM–SPDM 간의 디지털 연계(traceability)가 수월하게 이루어진다. 정리하면 랩소디는 코드 생성, 상태 머신 중심이고 카메오 시스템 모델러는 요구사항–기능–물리 구조 연계 중심이다. 사용 분야는 랩소디가 임베디드 소프트웨어, 제어 시스템에 사용되며 카메오 시스템 모델러는 시스템 아키텍처, MBSE를 총괄하는데 사용된다. 시뮬레이션에는 랩소디가 상태 기반 시뮬레이션에 사용되며, 카메오 시스템 모델러는 파라메트릭, 시퀀스, 코시뮬레이션이 가능하다. 협업 관점에서 랩소디는 RTC/파일 기반으로 이용되며, 카메오 시스템 모델러는 팀워크 클라우드 기반 모델 협업에 활용된다. 외부 툴과 연동은 랩소디는 제한적이며 커스터마이징이 필요하다. 반면에 카메오 시스템 모델러는 FMI, PLM, 시뮬링크 등과 강력하게 연동된다.    ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   이번 호에서는 앤시스 아쿠아(Ansys Aqwa)를 활용하여 해상 환경 조건을 반영한 LNG 운반 선박의 하이드로 다이내믹(hydrodynamic) 해석 방법을 모스형 LNG 운반선 모델을 통해 살펴보고자 한다.   ■ 황정필 태성에스엔이 AE4팀의 수석매니저로, 앤시스 구조 해석 및 Aqwa(Hydrodynamic) 해석에 대한 기술지원, 교육, 프로젝트 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   국제해사기구(IMO : International Maritime Organization)는 2050년 탄소중립 실현을 목표로 국제 해운 분야의 온실가스 배출을 체계적으로 관리하고 있으며, 선박에서 발생하는 대기 오염 물질과 온실가스 저감을 위해 단계적인 감축 목표를 수립하고 있다. 구체적으로는 2008년 대비 국제 해운의 연간 온실가스 배출량을 2030년까지 최소 20%, 2040년까지는 최소 70%까지 줄이는 것을 주요 목표로 삼고 있다. 이러한 규제 강화에 따라 글로벌 해운 산업은 2050년까지 탄소중립 달성 요구를 받고 있으며, 이를 위해 기존 화석연료를 대체할 수 있는 무탄소 또는 저탄소 연료로의 전환이 필수 과제로 떠오르고 있다. 이와 같은 흐름 속에서 해운업계는 기존 석유 기반 연료를 대체할 수 있는 현실적인 중간 단계의 대안으로 액화천연가스(LNG)를 적극 도입하고 있다. LNG는 상대적으로 온실가스 및 대기 오염 물질 배출이 적은 연료로 평가되며, 친환경 선박 연료로 분류되어 관련 기술 개발과 인프라 구축에 대한 투자가 전 세계적으로 확대되고 있다. 한편, LNG 운반 선박은 이러한 에너지 전환 과정에서 매우 중요한 역할을 담당한다. LNG가 친환경 연료로 자리잡으면서 안정적인 공급망 확보와 효율적인 운송 체계 구축의 필요성이 커지고 있으며, 이에 따라 LNG 운반 선박에 대한 수요 역시 꾸준히 증가하는 추세를 보이고 있다.   LNG 운반 선박 LNG(liquefied natural gas) 운반 선박은 액화천연가스를 운반하는 특수 선박으로, 극저온(-162℃) 상태의 가스를 저장하고 운반하는 것이 특징이다.   그림 1. LNG 운반 선박(출처 : 철강금속신문)   LNG 운반 선박의 구조는 크게 선체(hull), 화물창(cargo tank), 단열 시스템(insulation system), 재기화 시스템(regasification system), 추진 시스템(propulsion system), 연료 저장 및 공급 시스템(fuel gas supply system), 화물 처리 시스템(cargo handling system), 안전 시스템과 내비게이션 및 자동화 시스템으로 구성되어 있다.   그림 2. LNG 운반 선박 구조(출처 : Wikipedia)   LNG 운반 선박의 주된 선종은 모스형(Moss type)과 멤브레인형(membrane type)으로 분류된다. 모스형은 탱크가 선체로부터 독립되어 있고 스커트 구조에 의해 선체에 지지되는 방식이며, 탱크 내부에 LNG를 싣기 위한 압력과 LNG 중량을 견디고 탱크 내부 열침입을 최소화하기 위해 구형으로 설계되었다. 입열이 작기 때문에 LNG 증발 가스(BOG)가 적으며, 열 응력 집중을 완화할 수 있고, 슬로싱(sloshing) 충격이 작고 충돌, 좌초 등의 사고 발생 시 멤브레인형 대비 안정성이 좋은 장점이 있다. 하지만, 구형이어서 선창의 공간 이용 효율이 떨어지고 상갑판상의 돌출부에 의해 선체 전방에 사각지대가 존재하고, 풍하 면적이 넓어 운항 성능이 떨어지는 단점이 있다. 반면 멤브레인형은 탱크의 외벽인 방열재가 선창 내벽과 밀착되어 있어 탱크 내부의 LNG 압력과 중량이 선체에 전달되는 구조이다. 선창 공간을 낭비 없이 사용할 수 있고 상갑판의 돌출이 작으므로 풍하 면적이 작아 선박 운항 성능이 좋으나, LNG 운반 선박의 횡요 주기가 화물창 내부의 LNG 유동과 공진하게 되면 매우 큰 슬로싱 하중이 가해져 화물창 손상이 발생하는 단점이 있다. 현재 더 많은 화물을 싣기 위한 대형화에 멤브레인형이 상대적으로 저렴하고 용이하므로 주로 제작 및 사용되고 있다.   그림 3. LNG 운반 선박의 종류(출처 : 삼성중공업 블로그)   LNG 운반 선박은 일반적으로 대형화되는 추세이며, 경제성과 환경적 이점을 고려하여 최신 기술이 적용되고 있다. 이러한 선박은 극저온 상태의 LNG를 안전하게 저장 및 운송할 수 있도록 고급 단열 기술 및 구조 안정성, 운항 안정성 확보를 위한 설계가 필요하다.   LNG 운반 선박의 하이드로 다이내믹 해석 LNG 운반 선박은 대량의 LNG를 안전하게 운송하기 위해 특수 설계된 선박으로, 해양 환경에서의 동적 거동을 정밀하게 분석하는 것이 중요하다. 선박이 해상에서 파랑, 바람, 해류 등의 외부 환경 하중을 받을 때 발생하는 운동 응답을 예측하고, 선박의 안정성을 확보하는 것이 필수이다. 특히 LNG 운반 선박은 내부에 액체 화물이 존재하기 때문에 내부 유체의 운동이 선박의 전체적인 운동 특성에 큰 영향을 미친다. 따라서, 정확한 해석을 하기 위해 선박 내부 탱크 내 유체의 슬로싱 거동을 반영할 수 있는 모델링 기법이 요구된다. 현재 해양 구조물 및 선박의 유체와 구조 상호 작용을 고려한 해석에 다양한 수치해석 기법이 적용되고 있으며, 그 중 앤시스 아쿠아는 해양 및 조선 공학 분야에서 널리 사용되고 있는 강력한 해석 툴 중 하나이다. 이번 호에서는 앤시스 아쿠아를 이용한 LNG 운반 선박의 해석 방법에 대해 알아보도록 하겠다.     ■ 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.

LG에너지솔루션 최호득 책임연구원     ‘매트랩 엑스포 2026 코리아’에서 LG에너지솔루션의 최호득 책임연구원은 MIL(model-inthe-loop) 환경에서 배터리 SOX 로직을 매트랩과 시뮬링크 도구를 활용하여 테스트 스위트를 구성하고, 이를 동적으로 검증하는 프로젝트를 소개했다.   – LG에너지솔루션 및 현재 맡은 업무에 대해 LG에너지솔루션은 자동차, IT 및 로봇, ESS(에너지 저장 시스템) 등에 필요한 배터리 셀, 배터리 팩, BMS(배터리 관리 시스템)를 제공하는 회사이다. 이 가운데 주로 자동차 배터리에 탑재되는 BMS의 기능 검증 및 검증 자동화 업무를 수행하고 있다. 최근에는 BMS 없이 가상 ECU를 검증하는 SIL(software-in-the-loop) 환경 구축이나, 개발된 특정 소프트웨어를 활용해서 모델 내에서 검증하는 MIL 검증을 진행하고 있다.   – 시뮬링크를 적용한 업무는 어떤 것이며, 시뮬링크를 적용하게 된 배경은 무엇인지 이번에 적용한 업무는 매트랩 툴박스(MATLAB Toolbox) 내에 있는 시뮬링크 테스트(Simulink Test)를 기존 테스트 환경에 반영하는 것이다. 시뮬링크 테스트는 시뮬링크 모델을 테스트 하네스(test harness)로 만들어 테스트 스위트를 구성하고 검증하는 방식이다. 개발팀은 주로 특정 모듈을 검증하지만, 검증팀은 대규모 개발 모델과 검증 모델을 통합하여 보다 정확한 검증을 위해 트랜지션(transition)을 사용할 수 있다. 또한, 기존에 사용하던 엑셀 기반의 시나리오 테스트 케이스를 매트릭스 구조로 읽어와 테스트 어세스먼트(test assessment) 블록에 이관하여 검증할 수 있어 검증 효율성을 높일 수 있다는 점에서 시뮬링크 테스트를 활용하게 되었다.   – 현재 시뮬링크를 어떻게 활용하고 있는지 현재 시뮬링크는 두 가지 측면에서 활용하고 있다. 첫 번째는 구성한 테스트 스위트를 활용하여 수동으로 검증할 때이다. 자동화 환경을 구성하기 전에 정의한 변수와 실행이 올바르게 이루어지는지 확인하고, 자동화 검증 결과에 이상이 있을 때 특정 포인트를 직접 눈으로 보면서 로직을 확인한다. 두 번째는 테스트 자동화를 위해 시뮬링크 모델을 래핑한 후, 엑셀에 설계된 테스트 시나리오를 기반으로 개발팀이 배포한 소프트웨어의 기능을 검증하는 목적으로 사용하고 있다.   – 시뮬링크 활용을 통해 얻은 효과에 대해 시뮬링크를 활용함으로써 얻은 효과로는 세 가지가 있다. 첫째는 직관성이다. 시뮬링크는 모델로 구성되어 시간적 순서에 따라 인과관계에 근거하여 동작한다. 이 때문에 구성된 로직이 시간의 순서에 맞추어 동작하는지, 주변 로직에서 영향을 받지 않는지 등의 디버깅이 용이하다. 두 번째는 모델 배포의 용이성이다. 특정 모델을 분리하여 동료에게 배포하기가 쉽다. 배포된 모델은 유닛 테스트 및 동료 검토(예 : Failure 시뮬레이션)가 용이하다. 코드가 아닌 모델로 구성되어 있기 때문에 로직을 보다 쉽게 이해할 수 있다. 마지막은 변수 제어이다. 시뮬링크를 사용하여 시뮬레이션을 진행할 때 시뮬레이션 중 변수 제어가 되지 않는 문제가 있었지만, 이번에 적용한 시뮬링크 테스트를 활용하면 특정 포인트에서 원하는 값을 제어하며 모델을 운영할 수 있다.   – 향후 시뮬링크의 활용 계획에 대해 향후에는 시뮬링크를 현재 수준으로 계속 활용하면서, 매트랩의 통계 함수와 연동하여 검증된 결과에 대한 통계 분석 등 후처리 시뮬레이션(post simulation)을 더욱 적극적으로 활용할 계획이다. 또한, 내장된 툴박스의 기능을 보다 많이 파악하여 현재까지 인지하지 못한 유용한 기능을 활용함으로써, 검증 품질을 높이고자 한다.   – 시뮬레이션 활용 확대를 위해 현업에서 어떤 부분을 고려해야 할지 자동차 및 ESS 프로젝트를 진행하면서 다양한 형태의 데이터 파일을 현장에서 받게 된다. 이러한 데이터를 쉽게 가져와 개발된 모델과 연동하여 사용하는 방법에 대한 고민이 필요하다. 또한, 기존 데이터를 의미 있는 범위 내에서 왜곡하여 시뮬레이션함으로써 로직의 강건성을 검증하는 방법에 대한 고민도 필요하다. 매트랩과 시뮬링크의 시뮬레이션 결과는 동적인 형태로 출력되는데, 이러한 패턴을 검증할 수 있는 기술 개발 역량 강화가 필요할 것 같다.   같이 보기 : [포커스] 매스웍스, MBD와 AI 결합으로 제조 혁신 가속화… “설계 복잡성 줄이고 신뢰성 높인다”

‘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.

트렌드에서 얻은 것 No. 30   우리는 지금 AI를 사용하는 시대에 살고 있다고 말한다. 하지만 조금만 거리를 두고 바라보면, 그 말은 절반만 맞다. 지금의 우리는 AI를 능숙하게 활용하고 있는 것처럼 보이지만, 실제로는 여전히 그것을 하나의 도구처럼 다루고 있기 때문이다. 질문을 던지면 답을 받고, 코드를 요청하면 만들어주고, 문서를 부탁하면 정리해주는 방식은 분명 이전과 비교할 수 없을 정도로 강력한 변화이지만, 그 본질은 크게 달라지지 않았다. 여전히 판단은 사람이 하고, AI는 그 판단을 빠르게 실행하는 역할에 머물러 있기 때문이다. 이 구조는 익숙하고 안정적이지만, 동시에 분명한 한계를 갖는다. 인간이 모든 판단을 내려야 한다는 전제는 결국 속도와 복잡성의 벽에 부딪히게 된다. 그리고 지금, 우리는 그 한계를 넘어서는 변화의 초입에 서 있다. 최근 몇 년 사이 ‘AI 에이전트(AI agent)’라는 개념이 빠르게 확산된 것도 이러한 흐름의 일부다. 에이전트는 단순한 응답을 넘어 작업을 분해하고 도구를 연결하며 결과를 만들어내는 존재로 발전했다. 그러나 여전히 그 방향은 사람이 정한다는 점에서, 구조 자체는 크게 달라지지 않았다.   ▲ 화이트보드 이미지(제공 : 제미나이, by 류용효) (클릭하면 큰 이미지로 볼 수 있습니다.)   하지만 이 흐름은 지금 전혀 다른 방향으로 꺾이고 있다. 단순히 더 똑똑한 AI가 등장한 것이 아니라, AI의 역할 자체가 바뀌고 있기 때문이다. 이제 AI는 ‘무엇을 해야 하는가’를 판단하기 시작하고 있다. 그리고 이 변화는 전쟁과 같은 지정학적 위기, 공급망 붕괴, 에너지 가격 급등과 같은 현실의 변화와 맞물리면서 더욱 빠르게 가속되고 있다. 기업은 더 이상 느린 의사결정으로 버틸 수 없고, 실시간으로 판단하고 실행하는 능력을 요구받고 있다. 이러한 환경에서 등장한 것이 ‘판단하는 시스템(decision system)’이다. 자동화 시스템이 정해진 절차를 빠르게 수행하는 것이라면, 판단하는 시스템은 그 절차 자체를 선택한다. 어떤 선택이 최적인지, 어떤 리스크가 존재하는지, 어떤 자원을 어디에 배치해야 하는지를 스스로 결정한다. 이는 단순한 효율을 넘어, 기업의 생존과 직결되는 영역으로 확장되고 있다. 이 변화는 제조 현장에서 이미 현실이 되고 있다. APS(고급 생산 계획 및 스케줄링 시스템)는 단순한 계획 도구를 넘어 다양한 시나리오를 생성하고 최적의 선택을 제안하는 시스템으로 진화하고 있으며, 점점 더 스스로 실행하는 방향으로 발전하고 있다. 납기 지연을 예측하고 생산 순서를 조정하며 자원을 재배치하는 기능은 더 이상 미래의 이야기가 아니다. 이 흐름은 자연스럽게 피지컬 AI(physical AI)와 로봇으로 이어진다. 디지털 공간에서 이루어지던 판단이 이제 물리적 세계로 확장되고 있는 것이다. 기존의 산업용 로봇이 정해진 동작을 반복하는 기계였다면, 앞으로의 로봇은 상황을 인식하고 판단하며 행동을 바꾸는 존재로 진화한다. 이는 단순한 자동화가 아니라, ‘판단하는 물리 시스템’으로의 전환을 의미한다. 특히 전쟁이나 공급망 위기 상황에서는 이러한 시스템이 더욱 큰 가치를 가진다. 어느 공장을 먼저 가동해야 하는지, 어떤 부품을 대체해야 하는지, 물류를 어떻게 재구성해야 하는지와 같은 문제는 더 이상 사람의 경험만으로 해결할 수 없는 영역이 되었기 때문이다. PLM 역시 이러한 변화의 중심으로 이동하고 있다. 과거의 PLM이 설계 데이터를 관리하는 시스템이었다면, 이제는 판단을 지원하는 지식 기반 플랫폼으로 진화하고 있다. 설계, 생산, 품질, 공급망 데이터가 연결되고, 그 위에서 AI가 판단을 수행하는 구조가 만들어지고 있다. 특히 3D 유사도 기반 기술은 이미 판단의 일부를 시스템이 담당하기 시작했음을 보여주는 대표적인 사례다. 그렇다면 이 변화 속에서 사람은 무엇을 해야 하는가. 이 질문에 대한 답을 찾기 위해 최근 많이 언급되는 개념이 바로 ‘바이브코딩’이다. 비개발자도 AI를 활용해 코드를 생성하고, 간단한 서비스를 구현할 수 있는 시대가 열리면서 많은 사람들이 개발의 문턱을 넘기 시작했다. 실제로 개인의 생산성과 아이디어 구현 속도는 과거와 비교할 수 없을 정도로 빨라졌다. 하지만 여기에는 분명한 현실도 존재한다. 기업용 시스템의 영역에서는 상황이 다르다. 여전히 복잡한 데이터 구조, 안정성, 보안, 성능, 유지보수와 같은 문제가 존재하며, 이는 단순한 코드 생성으로 해결되지 않는다. 바이브코딩은 개인이나 소규모 실험에서는 강력한 도구가 될 수 있지만, 대규모 기업 시스템에서는 아직까지 결정적인 해결책이 되지 못하고 있다. 오히려 이 지점에서 하나의 역설이 드러난다. AI가 발전할수록 개발자가 필요 없어질 것처럼 보이지만, 실제로는 기업용 시스템을 제대로 설계하고 구현할 수 있는 개발자의 부족 현상이 더욱 심화되고 있다. AI가 코드를 만들어주더라도, 그 구조를 이해하고 통제할 수 있는 사람의 필요성은 오히려 더 커지고 있기 때문이다. 이러한 현실 속에서 기업이 선택해야 할 전략은 명확해지고 있다. 모든 것을 새롭게 개발하려 하기보다는, 이미 검증된 OOTB(out of the box) 기능을 최대한 활용하는 방향이다. 완벽한 커스터마이징을 추구하기보다는, 기본 기능에 충실한 시스템을 빠르게 적용하고 그 위에서 점진적으로 확장하는 접근이 더 현실적이다. 조금 돌아가는 것처럼 보일 수 있지만, 오히려 이 방식이 더 빠르고 안정적인 결과를 만들어낸다. 특히 PLM, APS와 같은 복잡한 엔터프라이즈 시스템에서는 이러한 전략이 더욱 중요하다. 기본 기능을 기반으로 표준 프로세스를 정립하고, 필요한 부분만 선택적으로 확장하는 것이 전체 시스템의 안정성과 지속 가능성을 높이는 방법이기 때문이다. 앞으로의 전망을 보면 이 흐름은 더욱 명확해질 것이다. 바이브코딩은 개인의 생산성을 극대화하는 도구로 자리 잡고, 기업 영역에서는 OOTB 기반의 플랫폼과 AI가 결합된 구조가 중심이 된다. 그리고 그 위에서 판단하는 시스템이 작동하게 된다. 결국 우리는 하나의 방향으로 수렴하고 있다. 도구의 시대를 지나 에이전트의 시대로 그리고 판단의 시대로 이동하고 있으며, 그 위에 피지컬 AI와 로봇이 결합된 새로운 산업 구조가 형성되고 있다. 이때 기업의 경쟁력은 더 이상 얼마나 많은 기능을 개발했는지가 아니라, 얼마나 빠르게 판단하고 실행할 수 있는 시스템을 갖추었는지에 의해 결정된다. 그리고 이 모든 변화의 중심에는 여전히 사람이 있다. 다만 그 역할은 분명히 달라지고 있다. 더 이상 직접 실행하는 사람이 아니라, 시스템의 방향과 의미를 설계하는 사람으로 변화하고 있는 것이다.   ■ 류용효 디원의 상무이며 페이스북 그룹 ‘컨셉맵연구소’의 리더로 활동하고 있다. 현업의 관점으로 컨설팅, 디자인 싱킹으로 기업 프로세스를 정리하는데 도움을 주며, 1장의 빅 사이즈로 콘셉트 맵을 만드는데 관심이 많다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.

디지털 지식전문가 조형식의 지식마당   18세기 애덤 스미스는 ‘보이지 않는 손’이라는 직관적인 은유를 통해, 개인의 이기적인 선택이 중앙 통제 없이도 시장 전체의 효율적인 균형을 만들어낸다고 설명했다. 20세기 후반에는 대니얼 카너먼이 ‘전망 이론(prospect theory)’과 행동경제학을 통해, 인간은 합리적 존재가 아니라 손실 회피와 심리적 프레이밍에 영향을 받는 편향된 존재임을 밝히며 고전 경제학의 전제를 뒤흔들었다. 그러나 디지털 전환(DX)과 인공지능 전환(AX)이 고도화된 오늘날, 우리는 기존의 이론적 프레임워크로는 시장의 미래를 예측하기 어려운 새로운 한계에 직면했다.   그림 1. 인간 중심의 의사결정 모델   전통 경제학과 행동경제학은 공통적으로 의사결정의 주체를 ‘인간’으로 상정한다는 근본적인 한계를 지닌다. 하지만 현재 우리는 인간 외부에 존재하는 지능이 시장을 재구성하는 시대에 진입하고 있다. 오늘날의 시장에서는 AI가 인간보다 빠르게 선택지를 평가하며, 자동화된 거래 시스템이 가격을 형성하고, 데이터 기반 예측이 생산과 공급을 결정한다. 이처럼 추천 알고리즘이 소비에 선행하는 구조 속에서는 더 이상 개인의 선택이 시장 결과로 직결된다는 단순한 공식이 성립하지 않으며, 소비자의 선택은 자유의지가 아니라 AI의 설계에 의해 사전에 구조화된다.   그림 2. 인공지능 중심의 의사결정 모델   이러한 변화의 핵심 축으로 등장한 것이 바로 ‘보이지 않는 뇌(invisible brain)’이다. 이는 단순한 은유를 넘어 추천 알고리즘, 강화학습 기반 의사결정 엔진, 데이터 플랫폼, LLM(대규모 언어 모델) 기반 지식 추론 시스템 등이 결합된 새로운 경제 패러다임의 실체다. 보이지 않는 뇌는 정보 필터링을 통해 인간이 무엇을 볼지 결정하고, 선택지 자체를 재설계하며, 인간의 행동을 특정 방향으로 유도함과 동시에 수요와 공급을 동적으로 재조정하는 역할을 수행한다. 결과적으로 현대 시장은 보이지 않는 손이 이끄는 ‘자율적 균형’이나 편향에 의한 ‘왜곡된 선택’을 넘어, 보이지 않는 뇌가 주도하는 ‘설계된 균형(설계된 선택)’을 형성하게 된다.   그림 3. 경제학 패러다임의 진화   이제 경제는 단순한 교환의 장이 아니라, 디지털 스레드(digital thread)와 지능형 시스템이 결합된 ‘인지 인프라(cognitive infrastructure)’ 위에서 작동하는 시스템으로 진화했다. 이는 기업들의 경쟁 방식 또한 근본적으로 바꿔놓았다. 과거 기업들이 제품 자체나 마케팅 경험으로 경쟁했다면, 이제는 의사결정을 설계하는 능력에 경쟁 우위가 달려 있다. 아마존이 상품을 파는 대신 ‘선택’을 설계하고, 넷플릭스가 콘텐츠 대신 ‘취향’을 설계하며, 테슬라가 단순한 자동차가 아닌 ‘주행 데이터 기반 의사결정 시스템’을 구축하는 것이 바로 보이지 않는 뇌를 활용한 경쟁의 대표적인 사례다.   그림 4. 새로운 경쟁의 법칙   구조적으로 볼 때, 보이지 않는 뇌는 제품의 전 생애 흐름인 PDT, 지식과 의사결정의 흐름인 KDT, 그리고 개인의 경험과 행동인 LDT가 연결된 디지털 스레드 위에서 실질적인 실행 엔진으로 기능한다. 전통 경제학이 시장의 ‘예측’을, 행동경제학이 인간 행동의 ‘설명’을 목표로 했다면, AI 시대의 경제는 알고리즘이 가격을 만들고 수요를 생성하며 선택을 구조화한다는 완전히 다른 차원의 특성을 지닌다.   그림 5. 3대 스레드의 융합   결론적으로 우리는 시장의 자율성과 인간의 비합리성을 지나, 인공지능과 데이터가 결합된 새로운 경제 운영 체계에 도달했다. 다가오는 미래 경제의 승패는 단순히 ‘누가 더 많은 데이터를 가지는가’가 아니라, 누가 보이지 않는 뇌를 통해 시장의 균형을 더 정교하게 설계할 수 있는가에 달려 있을 것이다.   그림 6. 보이지 않는 뇌의 해부도   경제학의 역사적 흐름을 애덤 스미스의 보이지 않는 손과 대니얼 카너먼의 행동경제학을 거쳐 현대의 인공지능 중심 패러다임으로 설명한다. 과거의 이론이 인간의 합리성이나 심리적 편향에 집중했다면, 오늘날의 시장은 알고리즘과 데이터가 주도하는 보이지 않는 뇌 체제로 전환되고 있다. 이제 소비자의 선택은 자유의지가 아닌 AI의 설계와 데이터 플랫폼에 의해 사전에 구조화되며, 시장은 자율적 균형을 넘어 알고리즘적 최적화를 지향한다. 결과적으로 현대 경제는 단순한 거래의 장이 아니라 디지털 스레드와 지능형 시스템이 결합된 새로운 인지 인프라 위에서 작동하고 있음을 강조한다. 이러한 변화는 기업의 경쟁 우위가 제품 자체보다 의사결정 설계 능력에 달려 있음을 시사한다.   그림 7. 3대 스레드의 융합   보이지 않는 손이 인간의 손이 아니듯 보이지 않는 뇌 역시 인간의 뇌가 아니다. 보이지 않는 뇌는 인공지능, 디지털 트윈, 그리고 디지털 스레드가 결합된 새로운 경제 운영 체계이다.    ■ 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.

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.