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.

트렌드에서 얻은 것 No. 29   “진짜 창작자는 결국 결과물을 세상에 내놓는다.” – 스티브 잡스 AI가 소프트웨어 개발의 문턱을 낮추고 있다는 말은 이제 낯설지 않다. 누구나 아이디어만 있으면 앱 하나쯤 만들 수 있을 것처럼 말하는 분위기도 강하다. 그러나 현장에서 체감하는 현실은 훨씬 복합적이다. 누군가는 “이제 비개발자도 충분히 만들 수 있다”고 말하고, 또 누군가는 “기업 시스템은 그렇게 단순하지 않다”고 말한다. 두 말 모두 맞다. 문제는 이 둘의 경계를 구분하지 않은 채 바이브 코딩(vibe coding)을 마치 모든 개발 문제를 한 번에 해결해줄 만능 해법처럼 받아들이는 데 있다. 필자가 최근 직접 경험한 바이브 코딩은 기대보다 흥미로웠고, 동시에 예상보다 훨씬 현실적이었다. 결론부터 말하면 바이브 코딩은 분명 강력하다. 다만 그 힘은 모든 영역에서 같은 방식으로 작동하지 않는다. 비개발자에게 바이브 코딩은 ‘개발의 대체재’라기보다 ‘제작의 첫 진입로’에 가깝고, 개발자에게는 생산성과 속도를 높여주는 가속 장치에 가깝다. 같은 용어를 쓰더라도 출발점도 다르고, 활용 방식도 다르며, 기대해야 할 결과도 다르다. 스티브 잡스는 “단순함은 복잡함보다 더 어렵다”고 말했다. 바이브 코딩이 바로 그렇다. 겉으로 보기에는 말 몇 줄로 프로그램을 만드는 간단한 방식처럼 보이지만, 실제로는 무엇을 만들고 싶은지 더 선명하게 설명해야 하고, 문제를 더 세밀하게 구조화해야 하며, 결과를 더 집요하게 검토해야 한다. 개발 문법의 부담은 다소 줄어들 수 있지만, 사고의 부담까지 사라지는 것은 아니다. 오히려 생각을 더 명료하게 만드는 훈련이 필요하다. 비개발자의 바이브 코딩은 결국 문제를 언어로 구조화하는 데서 시작된다. 무엇이 불편한지, 어떤 흐름이 필요한지, 어떤 화면이 있어야 하는지, 어떤 데이터를 어디서 가져와야 하는지, 결과를 어떤 방식으로 보여줘야 하는지를 AI에게 설명하고, 그 결과물을 계속 수정하고 다듬는 방식이다. 이때 중요한 것은 프로그래밍 문법을 얼마나 많이 아느냐보다 문제를 얼마나 또렷하게 정의할 수 있느냐다. 반면 개발자의 바이브 코딩은 결이 다르다. 개발자는 AI를 이용해 아키텍처 초안을 잡고, 반복 코드를 줄이고, 오류를 빠르게 디버깅하고, 리팩토링을 효율화하며, 배포 속도를 높인다. 비개발자가 바이브 코딩을 통해 ‘처음 만들어 보는 사람’이 된다면, 개발자는 ‘더 빠르고 더 많이 만드는 사람’이 된다. 이 차이를 구분하지 않으면 바이브 코딩에 대한 기대도 쉽게 과장되고, 반대로 불필요한 실망도 생긴다. 이번에 필자가 시도한 작업은 몇 가지 방향으로 나뉘어 전개되었다. 투자와 자산을 구조화해보는 도구, 여행과 탐험을 시각적으로 정리하는 도구, 그리고 개념을 더 직관적으로 연결해보는 실험 등이 그 예다. 접근 방식도 조금씩 달랐다. 어떤 것은 빠른 프로토타이핑 도구로 시험했고, 어떤 것은 웹 기반 구조를 상상했으며, 어떤 것은 생성형 AI를 결합해 해석 기능을 더해보았다. 중요한 것은 특정 기술 이름이 아니었다. 문제의 성격에 따라 도구 조합이 달라졌다는 점, 그리고 그 조합을 통해 ‘작동하는 형태’를 빠르게 확인할 수 있었다는 점이 핵심이었다. 그중에서도 가장 손에 잡히는 성과를 보여준 것은 투자 관리용 실험 도구였다. 한국 시장과 미국 시장에 동시에 투자하는 개인을 염두에 두고, 자산을 한 화면에서 함께 보고, 환율을 반영한 체감 손익을 계산하고, 단순 수익률이 아니라 수수료와 환차까지 고려한 실제 순수익에 가깝게 접근해보는 방식이었다. 여기에 종목의 가치, 품질, 위험도를 함께 보려는 시도와, 매매 기록을 정리하는 자동화 기능까지 더해보았다. 한마디로 말하면, 개인 투자자가 늘 엑셀과 계산기와 감으로 처리하던 일을 하나의 흐름 안에서 정리해보려는 실험이었다. 이런 시도는 바이브 코딩의 장점을 잘 보여준다. 현장의 불편을 가장 잘 아는 사람이 그 문제를 가장 먼저 작동하는 도구로 바꿔볼 수 있다는 점이다. 특히 개인 투자 영역에서는 불편이 명확하다. 원화 자산과 달러 자산이 분리돼 보이기 때문에 전체 자산 배분을 한눈에 파악하기 어렵고, 과거 환율이나 거래 수수료를 반영한 실제 수익 계산은 늘 번거롭다. 단일 지표만 보고 투자하면 가치 함정에 빠질 수 있고, 매매 기록을 체계적으로 남기지 않으면 판단의 맥락도 쉽게 흐려진다. 바이브 코딩은 바로 이런 불편을 작은 단위로 쪼개어 도구로 만들어보는 데 강점을 보인다.   ▲ 클릭하면 큰 이미지로 볼 수 있습니다.   피터 드러커의 말처럼 “측정할 수 있어야 관리할 수 있다.” 투자든 업무든 결국 비슷하다. 막연히 ‘잘하고 있다’고 느끼는 동안에는 개선도 어렵다. 숫자가 보여야 하고, 흐름이 보여야 하며, 내 행동의 결과가 구조적으로 드러나야 한다. 바이브 코딩은 이 지점에서 의외로 힘을 발휘한다. 정교한 상용 시스템 수준은 아니더라도, 내가 무엇을 보고 싶은지 정확히 정의할 수만 있다면 적어도 첫 번째 가시화 도구는 만들어볼 수 있다. 그 순간 막연한 감각은 데이터가 되고, 데이터는 다시 판단의 기준이 된다. 특히 인상적이었던 것은 ‘정답 제시’보다 ‘판단 보조’에 초점을 맞춘 설계였다. 단순히 싸 보이는 종목을 찾는 것이 아니라 가치와 퀄리티, 리스크를 함께 고려하는 구조를 상상하고, 이동평균선이나 거래량 변화 같은 기술적 신호를 함께 보는 식이다. AI는 여기서 결정을 대신 내려주는 존재가 아니라, 사람이 놓치기 쉬운 신호를 먼저 정리해주는 조수 역할을 맡는다. 이런 경험을 통해 느낀 것은, 바이브 코딩의 진짜 효용이 거창한 인공지능 자체에 있는 것이 아니라 사용자의 판단 포인트를 더 선명하게 드러내는 데 있다는 점이었다. 그러나 여기서 반드시 짚고 넘어가야 할 현실이 있다. 이런 경험이 곧바로 기업용 핵심 시스템 개발로 이어질 것이라고 생각해서는 안 된다. PLM, ERP, MES, APS 같은 글로벌 설루션 기반의 엔터프라이즈 환경은 개인 실험과는 전혀 다른 차원의 세계다. 데이터 모델은 정교하고, 권한 체계는 복잡하며, 인터페이스는 수많은 예외를 품고 있고, 변경 이력과 검증 절차, 보안과 운영 책임까지 촘촘하게 연결되어 있다. 자연어 몇 줄과 AI의 코드 제안만으로 안전하게 다룰 수 있는 구조가 아니다. 바로 이 지점에서 비개발자의 바이브 코딩과 개발자의 바이브 코딩은 다시 갈라진다. 비개발자는 문제를 빠르게 형태화하고 아이디어를 프로토타입으로 검증하는 데 강점을 가질 수 있다. 반면 개발자는 그 프로토타입을 기존 시스템 환경과 연결하고, 예외 처리와 안정성, 보안과 운영성을 검증하는 역할까지 감당할 수 있다. 따라서 바이브 코딩은 모든 사람을 동일한 수준의 개발자로 만들어주는 기술이라기보다, 각자의 위치에서 ‘만들어보는 속도’를 높여주는 기술에 가깝다. 이런 환경에서는 바이브 코딩이 할 수 있는 역할이 자연스럽게 제한된다. 핵심 업무 로직을 직접 대체하기보다는 화면 프로토타입, 보조 대시보드, 분석용 유틸리티, 개인용 자동화 도구, 테스트용 샌드박스, 보고용 시뮬레이터처럼 본체 주변의 영역에 더 적합하다. 다시 말해, 바이브 코딩은 글로벌 설루션의 중심부를 재구축하는 기술이라기보다, 그 주변부의 불편을 빠르게 줄여보는 실험 도구에 가깝다. 하지만 그렇다고 해서 그 의미를 과소평가할 필요는 없다. 오히려 반대다. 필자는 바로 그 제한성 때문에 바이브 코딩이 더 현실적이라고 본다. 실제 업무에서는 거대한 혁신보다 작지만 반복되는 불편이 훨씬 많다. 예를 들어 품질 이슈를 정리하는 간단한 대시보드, 협력사 대응용 정리 화면, 설계 변경 영향 체크리스트, 일정 가시화 도구, 개인용 원가 계산기, 회의록 자동 정리 보조 도구처럼 ‘정식 시스템으로 만들기엔 작지만 그대로 두기엔 계속 불편한 것들’이 현장에는 늘 존재한다. 바이브 코딩은 바로 그 틈새를 파고든다. 스티브 잡스의 말, “진짜 창작자는 결국 결과물을 세상에 내놓는다”는 문장은 이 맥락에서 유난히 실감난다. 바이브 코딩의 장점은 완벽한 시스템을 만들게 해준다는 데 있지 않다. 머릿속에만 있던 아이디어를 실제로 한번 작동해보게 만든다는 데 있다. 비개발자에게 이 경험은 특히 중요하다. 그전까지는 ‘좋은 아이디어’와 ‘실제로 작동하는 결과물’ 사이에 너무 큰 간극이 있었기 때문이다. 이제는 그 사이를 AI가 어느 정도 메워준다. 물론 완성도 높은 상용 시스템을 만들기 위해서는 여전히 전문 개발과 검증이 필요하다. 그러나 첫 번째 프로토타입을 만드는 데까지는 이전보다 훨씬 빠르게 갈 수 있다. 필자는 이 점에서 바이브 코딩의 현재 위치를 ‘개인의 실험실’에 가깝다고 본다. 지금의 바이브 코딩은 거대한 엔터프라이즈 시스템을 통째로 만드는 기술이라기보다, 순수한 개인 또는 소규모 팀이 자기 문제를 해결하기 위해 무언가를 직접 만들어보는 수준에서 가장 잘 작동한다. 그렇다고 그 수준이 가볍다는 뜻은 아니다. 바로 그 개인 실험의 축적이 조직의 디지털 감각을 바꾸고, 현장의 언어를 더 구조화하며, 나중에는 더 정교한 시스템 구축을 위한 문제 정의력으로 이어질 수 있기 때문이다. 특히 제조 기업의 실무자와 리더에게 이 흐름은 시사점이 크다. 설계, 생산, 품질, 구매, 자산 관리, 프로젝트 관리 영역에는 늘 현장만이 아는 불편이 있다. 외부 설루션은 그 불편을 모두 담아내지 못하고, 내부 IT는 모든 요청을 즉시 반영하기 어렵다. 이때 바이브 코딩은 완성형 설루션의 경쟁자가 아니라, 아이디어를 빠르게 시험해보는 사전 실험장 역할을 할 수 있다. 사용자는 먼저 문제를 언어로 정리하고, 필요한 데이터 흐름을 구조화하고, AI를 이용해 작은 도구를 만들어본다. 그렇게 만들어진 결과는 때로는 개인용 유틸리티에서 끝날 수도 있고, 때로는 정식 프로젝트의 출발점이 될 수도 있다. 중국 고전에서 유래한 말처럼 “천 리 길도 한 걸음부터다.” 바이브 코딩은 거창한 완성의 기술이 아니라, 작지만 구체적인 첫걸음을 가능하게 하는 방식이다. 비개발자는 그것을 통해 문제를 구조화하는 감각을 익히고, 개발자는 그것을 통해 더 빠르게 실험하고 구현한다. 그리고 기업은 그 사이에서 정식 시스템 이전의 가능성을 시험해볼 수 있다. 필자는 바이브 코딩을 지나치게 낙관적으로 보지도 않고, 반대로 일시적 유행으로만 보지도 않는다. 그것은 지금 당장 모든 것을 바꿔놓을 혁명은 아닐 수 있다. 그러나 적어도 한 가지는 분명하다. 이제 현장을 가장 잘 아는 사람이, 자신이 겪는 불편을 직접 작동하는 형태로 바꿔볼 수 있는 시대가 열리고 있다는 점이다. 그 가능성은 생각보다 크고 그 시작은 생각보다 작다. 그래서 지금 바이브 코딩은 거대한 답이라기보다 한 번 진지하게 시도해볼 만한 좋은 질문에 가깝다.   ■ 류용효 디원의 상무이며 페이스북 그룹 ‘컨셉맵연구소’의 리더로 활동하고 있다. 현업의 관점으로 컨설팅, 디자인 싱킹으로 기업 프로세스를 정리하는데 도움을 주며, 1장의 빅 사이즈로 콘셉트 맵을 만드는데 관심이 많다. (블로그)     ■ 기사 내용은 PDF로도 제공됩니다.

현장에서 얻은 것 No. 22   “가장 현명한 사람은 계속해서 배우는 사람이다.” – 소크라테스   거대한 변화의 파도 속에서 AI(인공지능)라는 거대한 변화의 파도는 우리 삶 곳곳을 흔들고 있다. 단순히 새로운 기술 하나가 등장한 것이 아니라, 사고방식과 일하는 방식, 나아가 사회 전체의 구조를 바꾸는 흐름이다. 지난 7개월 동안 필자는 이 변화의 흐름 속에서 매일 배우고 실험하며 자신만의 여정을 이어왔다. 이 글은 단순히 도구를 사용한 후기나 기능 소개가 아니다. 오히려 그 과정을 통해 AI와 필자의 사이에 맺어진 관계, 그리고 인간이 놓치지 말아야 할 본질에 대한 성찰을 담은 기록이다. 필자는 이 시간을 통해 AI를 도구로만 보지 않게 되었다. 그것은 자신의 업무와 창작, 학습과 삶 전반을 통틀어 스스로를 끊임없이 자극하는 동반자였다. 그렇다고 AI를 맹목적으로 신뢰하지도 않았다. 오히려 신중하게 거리를 두고, 동시에 적극적으로 받아들이는 태도를 통해 자신만의 ‘필살기’를 다듬어왔다.   나만의 학습 공식 ― 눈 70%, 손 30% 돌아보면 필자의 학습법은 조금 독특했다. 눈으로 익힌 것이 70%, 손으로 부딪히며 체득한 것이 30%. 이 비율을 받아들인 이유는 필자의 경험이 개발자의 삶이 아니었기 때문이다. 바이브 코딩(vibe coding)이다, 비 개발자도 개발을 한다고 광고한다지만, 실제 뚜껑을 열고 보니 실상은 그것이 아님을 이해했다. 물론 개중에는 바이브 코딩으로 화면을 만들고 기능을 만들고 퍼블리싱해서 프로그램으로 만들 수는 있다. 커서 AI(Cursor AI)로 회사 홈페이지도 만들어보고, REPLIT 프로그램으로 MBTI 판별 프로그램도 바이브 코딩으로 해 보았다. 만들 수도 있고, 또 수정도 바이브 코딩으로 가능하다. 하지만, PLM을 기업에 구축하는 PM으로써 경험한 바로는, 비개발자가 프로그램을 만드는 것은 한계가 있다. 취미삼아 만들어 보는 것은 지금도 환영하지만, 프로그램이 론칭된 이후 발생하는 많은 이슈를 경험한 것을 토대로 필자는 자신만의 학습 공식을 이렇게 정했다. 필자가 하는 방식은 개발자와의 협업이다. 그것이 필자에게 더 효율적이라는 것을 터득했다. 강의와 책, 스터디에서 얻은 지식이 토대가 되었고, 실습과 시행착오가 그 지식을 현실과 연결해 주었다. 이부일 대표의 강의를 들으며 챗GPT(ChatGPT)를 활용한 파이썬 코드를 직접 따라가던 순간, AI가 단순히 언어 모델이 아니라 강력한 실무 도구라는 사실을 처음 체감했다. 첫날은 곧잘 따라갔지만, 둘째 날 노트북 배터리가 나가 낭패를 본 기억은 아직도 생생하다. 하지만 그 경험조차도 학습 과정의 일부였다. AI 학습은 지식을 머리에 담는 것만이 아니라, 삶과 환경 속에서 몸으로 받아들이는 과정임을 깨닫게 된 것이다. 실패와 해프닝도 자산이 되었다. 예측 모델을 돌려보던 설렘, 통계 분석을 따라가던 집중의 순간, 예상치 못한 오류에 당황했던 경험까지. 이 모든 것이 쌓여 필자의 학습 지도 위에 하나씩 좌표가 찍혀갔다. 중요한 건 속도가 아니었다. 정답을 빨리 찾는 것보다, 끊임없이 배우고 기록하고 다시 활용하는 과정이 훨씬 값지었다.   그림 1. 데이터로 보는 핵심 통찰(create by Gemini deep research)   “성공의 비결은 기회를 잡기 위해 준비하는 것이다.” – 벤저민 디즈레일리   집단 지성의 힘 ― 나만의 ‘AI 어벤저스 팀’ AI와 함께한 여정에서 필자는 혼자의 힘이 결코 충분하지 않다는 사실을 절감했다. 그래서 스스로 만든 것이 바로 ‘AI 어벤저스 팀’이다. 각자의 분야에서 뛰어난 전문가들을 연결해놓은 필자만의 네트워크다. AI 시대에 개인이 모든 것을 아는 것은 불가능하다. 그러나 누가 잘 아는지를 아는 것은 가능하다. 그리고 이 능력은 집단 지성을 발휘하는 가장 중요한 힘이 된다. 전문가들과의 대화는 단순히 정보 교환에 그치지 않았다. 그들은 내가 새로운 프로젝트에 도전할 수 있도록 용기를 주었고, 지식의 공백을 메워주었으며, 때로는 내가 보지 못하는 시야를 열어주었다. 나는 이 네트워크를 하나의 ‘팀’처럼 생각한다. 마치 마블 영화 속 어벤저스가 저마다의 능력을 발휘하듯, 필자의 어벤저스팀 역시 각자의 전문성을 바탕으로 협력한다. 디즈레일리의 말처럼 “성공의 비결은 기회를 잡기 위해 준비하는 것”이라면, 이 팀은 나에게 기회를 포착할 수 있는 준비된 힘이었다.   나만의 AI 필살기 7개월간의 여정 속에서 필자는 점차 자신만의 AI 활용법, 즉 ‘필살기’를 만들어갔다. 업무 헬프데스크 : PLM·APS 분야의 Q&A 시스템을 노트북LM(NotebookLM)으로 구축해 개인화된 지식 관리 체계를 마련했다. 투자 분석가 : AI에게 딥 리서치를 맡기고 이미지 생성을 결합해 주식 시장을 다각도로 분석했다. 콘셉트맵 직원 : 자료를 모아 정리하고 시각화하는 과정을 AI와 협업해 효율과 품질을 동시에 확보했다. 영상 감독: 비오 3(Veo 3)로 8초 영상을 스무 편 이상 제작하면서 프롬프트 기획과 스토리텔링 능력을 키웠다. 작가 : AI의 초안을 바탕으로 단기간에 책 집필 속도를 높였다. 아티스트 : 챗GPT와 제미나이(Gemini)를 활용해 이미지 창작 실험을 이어갔다. 지식 관리자 : 옵시디언으로 디지털 지식 지도를 설계해 자신만의 아카이브를 구축했다. 이렇게 나열하면 마치 여러 갈래의 길처럼 보이지만, 실제로는 하나의 지도 위에 유기적으로 연결되어 있다. AI는 단순히 도구가 아니라, 이 지도를 함께 그려가는 협력자가 되었다.   그림 2. 다섯 가지 핵심 필살기(create by Gemini deep research)   AI의 본질 ― ‘주체’가 아닌 ‘도움’ 그러나 필자는 늘 스스로를 경계했다. AI는 주체가 아니라 도움이라는 사실을 잊지 않으려 했다. AI는 망설임 없이 실행한다. 그러나 그것이 옳은 방향인지 아닌지를 판단하는 것은 인간의 몫이다. 필자는 회의록 요약 같은 업무를 AI에 맡겼다가 보안 문제와 인간 역량 퇴화의 위험성을 깨달았다. 편리함이 언제나 효율을 의미하지는 않는다. 오히려 잘못된 의존은 인간의 중요한 능력을 잃게 만든다. 그래서 필자는 지금도 AI의 답변을 최소 세 번 이상 검증한다. 빠른 실행보다 중요한 것은 올바른 방향 설정이기 때문이다. AI가 주는 답은 끝이 아니라 출발점이다.   AI가 던지는 질문 AI와 함께한 여정은 필자를 끊임없이 질문하게 했다. 나는 앞으로 어떤 역량에 집중해야 할까? AI가 대체할 수 없는 나만의 가치는 무엇일까? 효율을 넘어 의미를 만드는 방법은 무엇일까? 앨런 케이가 말했듯, “미래는 예측하는 것이 아니라 상상하는 것”이다. 그렇다면 필자는 지금 이 순간의 질문과 상상을 통해 미래를 설계하고 있는 셈이다.   인간과 AI, 그리고 나의 길 AI는 인간을 대체하는 기계가 아니다. 오히려 인간이 더 깊은 사고와 창조의 세계로 들어가도록 돕는 동반자다. 필자가 찾은 필살기는 바로 이것이다. AI 덕분에 자신의 본질(core)에 더 많은 시간을 쏟을 수 있게 된 것. 단순 반복 업무를 대신해 주는 AI 덕분에, 필자는 사고하고 기획하고 판단하는 인간 고유의 역량에 집중할 수 있다. 앞으로도 이 여정은 계속될 것이다. 필자는 AI와 함께 자신만의 필살기를 더욱 정교하게 다듬어 갈 것이다. 그리고 이 글을 읽는 독자에게도 묻고 싶다.   당신은 어떤 AI 필살기를 준비하고 있는가? 필자만의 AI 에이전트(agent) 필살기를 한 장의 맵으로 만들었다. 한 장의 맵은 내용을 쉽게 그리고 전체적으로 한번에 이해되도록 하는 효과가 있다. 주요 키워드를 뽑아 보면, 미래는 예측하는 것이 아니라 상상하는 것, AI는 주체가 아닌 도움, 나만의 AI 어벤저스 팀이다.   그림 3. 나만의 AI 필살기(map by 류용효) (클릭하면 큰 그림으로 볼 수 있습니다.)   “나는 똑똑한 것이 아니다. 단지 문제와 더 오래 씨름할 뿐이다.” – 알베르트 아인슈타인   당신의 AI 에이전트 필살기는 무엇인가? 이 칼럼을 통해 독자들도 자신만의 AI 활용 전략과 철학을 정립하고, AI 시대를 능동적으로 헤쳐나갈 수 있는 ‘필살기’를 찾아 나서기를 제안한다. AI는 더 이상 선택이 아닌 필수적인 도구이자 협력자이다. 중요한 것은 이 강력한 도구를 어떻게 나의 본질과 연결하여, 나만의 고유한 가치를 창출하고 미래를 만들어갈 것인가에 대한 깊은 고민과 끊임없는 실행이다. “세계를 정복하려 애쓰지 말라. 당신 스스로가 하나의 깊은 세계가 되면, 모든 것은 당신을 향해 흐른다.” AI는 단순히 기술이 아니라, ‘재능은 있지만 한계에 부딪힌’ 사람들에게 ‘도움’이 되어 AI 가수, AI 영화감독, AI 작가, AI 프로그래머가 될 수 있는 길을 열어준다. 효율만을 쫓기보다는 본질에 집중하고, 변화의 흐름을 읽으면서도 자신만의 ‘필살기’를 계속해서 갈고 닦아야 한다. 앞으로도 AI와 인간의 협업은 더욱 깊어질 것이다. 필자는 이 여정을 계속해서 탐험하며, 자신만의 AI 에이전트 필살기를 더욱 정교하게 다듬어 나갈 것이다. 모든 것에 감사하다.   ■ 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.

지멘스 디지털 인더스트리 소프트웨어는 프레야바디 인도타마가 제조와 생산 공정 최적화를 위해 엑셀러레이터(Siemens Xcelerator) 산업 소프트웨어 포트폴리오를 채택했다고 발표했다. 프레야바디는 인도네시아 최대 초콜릿 제조업체 중 하나이자 아시아 태평양, 중동, 아프리카 지역에서 신뢰받는 초콜릿 공급업체다. 프레야바디는 아프리카, 아시아, 남미의 유명 생산자로부터 코코아 원료를 공급받아 현지 소비자들이 원하는 맛의 초콜릿을 제조한다. 프레야바디는 현재 원료부터 완제품까지 1500개 이상의 SKU(Stock Keeping Unit)를 관리하고 있다. 이에 따라 복잡한 공정과 매개변수를 충족하고 갑작스러운 변경 사항을 수용할 수 있는 포괄적인 스케줄링 솔루션이 필요했다. 또한 ERP(전사 자원 관리) 시스템에 통합된 원재료 사용에 대한 디지털 배치(batch) 기록도 요구됐다. 이러한 문제를 극복하기 위해 프레야바디는 지멘스의 옵센터 APS(Opcenter Advanced Planning and Scheduling) 소프트웨어를 채택해 생산 스케줄링을 강화했다. 해당 소프트웨어에 내장된 변경 알고리즘을 통해 시간 경과에 따른 변경을 최소화하고 생산 능력을 높일 수 있는 것이 채택의 주요 이유였다. 또한 초콜릿 생산 중 데이터 수집을 자동화하기 위해 멘딕스(Mendix) 로코드 플랫폼을 채택해 옵센터 APS와 회사 ERP 시스템 간 데이터가 동기화되도록 지원했다.     프레야바디의 아디 크리스찬(Adi Christian) 프로젝트 및 엔지니어링 매니저는 “우리는 대규모 생산 능력과 유연성을 바탕으로 소규모에서 다국적 기업에 이르기까지 다양한 규모의 초콜릿 업계의 수요를 충족하고 있었으며, 이에 생산 일정을 최적화하는 데에 도움이 되는 솔루션이 필요했다. 지멘스와 오펙스 컨설팅 그룹과의 협력을 통해 생산 스케줄링을 디지털 전환하고 고객 서비스 제공에 필요한 민첩성을 유지할 수 있었다”고 말했다. 지멘스 디지털 인더스트리 소프트웨어의 알렉스 테오(Alex Teo) 동남아시아 지역 총괄 부사장 겸 전무이사는 “프레야바디의 생산 프로세스에 옵센터 APS와 멘딕스를 도입함으로써 디지털 전환 여정을 지원하게 돼 매우 기쁘다. 이번 협력은 프레야바디의 제조 운영 최적화, 민첩성 향상, 현대 생산 복잡성 해결을 위한 중요한 진전이다. 지멘스의 첨단 기술을 활용함으로써 생산 과제를 극복하고 고품질 초콜릿 제품을 전 세계 시장에 더욱 효율적이고 안정적으로 공급할 수 있게 됐다. 우리는 함께 프로세스를 개선하고, 나아가 제과 산업의 새로운 표준을 세우고 있다”고 말했다.

오토데스크는 건축, 엔지니어링, 건설 및 운영(AECO) 및 미디어 및 엔터테인먼트(M&E) 산업의 개방형 협업과 효율성 향상을 위해 네메첵 그룹과 상호운용성 계약을 체결했다고 발표했다. 이번 협약을 통해 양사는 클라우드 및 데스크톱 제품 간의 기존 상호운용성을 강화하고, 솔루션 간 원활한 정보 교환을 개선할 수 있을 것으로 기대하고 있다. 건물과 고속도로 등을 건설하거나 미디어 애셋을 제작할 때 클라우드 연결 도구로 작업하면 자동화를 강화하고 프로젝트의 모든 단계에서 더 나은 결정을 내릴 수 있는 인사이트를 얻을 수 있다. 하지만 소프트웨어와 파일의 비호환성으로 인해 사람, 프로세스, 데이터가 사일로화되어 비효율적인 워크플로를 초래하는 경우가 많다. 오토데스크와 네메첵의 워크플로를 최적화하면 하나의 클라우드 플랫폼 또는 데스크톱 애플리케이션에서 다른 애플리케이션으로 데이터를 보다 쉽게 전송할 수 있으므로 세부 정보를 적시에 적절한 사람에게 전달할 수 있게 된다. 이러한 상호운용성은 개방형 애플리케이션 프로그래밍 인터페이스(API) 및 웹 서비스 세트인 오토데스크 플랫폼 서비스(APS)를 기반으로 하며, 이를 통해 네메첵의 디트윈(dTwin), 블루빔 클라우드(Bluebeam Cloud), BIM클라우드(BIMcloud) 및 BIM플러스(BIMplus)를 오토데스크의 포마(Forma), 퓨전(Fusion) 및 플로(Flow) 등 산업용 클라우드와 설계 솔루션에 연결할 수 있게 된다. 이를 통해 고객과 파트너는 각 솔루션에서 데이터와 기능을 연결할 수 있으므로 사용자는 자동화, AI 및 인사이트를 통해 프로젝트를 최적화하는 데 집중할 수 있다.     이번 상호운용성 계약은 건축 자산 산업에서 디지털 데이터의 접근성, 유용성, 관리 및 지속 가능성을 개선하여 BIM(빌딩 정보 모델링)의 이점을 확장하는 빌딩스마트의 오픈BIM(openBIM)과 같은 통합 및 개방형 산업 표준에 대한 노력을 보여준다. 사일로 없는 에코시스템을 구축하여 협업함으로써 팀은 엔드 투 엔드 워크플로에서 동일한 디지털 모델로 작업할 수 있다. 이번 계약에 따라 오토데스크와 네메첵 그룹은 양사의 API와 산업 클라우드에 대한 상호 액세스를 제공한다. 개발자는 오토캐드, 레빗, 3ds 맥스, 마야 등 오토데스크 솔루션과 오토데스크 포마, 오토데스크 건설 클라우드에 올플랜, 아키캐드, 블루빔, 맥슨 원, 벡터웍스 등 네메첵의 관련 클라우드 플랫폼과 솔루션과 비슷하게 액세스할 수 있게 된다. 이를 통해 양사는 기존의 데이터 교환을 개선하고 분야와 산업을 아우르는 새로운 데이터 중심 워크플로를 열 수 있을 것으로 기대하고 있다. 오토데스크의 에이미 번젤(Amy Bunszel) AEC 솔루션 부문 수석 부사장은 “오토데스크는 데이터를 활용하고 프로젝트 팀을 연결하는 개방형 통합 클라우드 기반 솔루션을 구축하는 데에 전념하고 있다”면서, “오토데스크의 클라우드 및 데스크톱 솔루션에 네메첵 상호 운용성을 확장하는 것은 고객의 워크플로를 최적화하고 더 나은 프로젝트 결과를 창출하는 데 큰 도움이 될 것”이라고 전했다. 네메첵 그룹의 마크 네제(Marc Nézet) 최고 전략 책임자(CSO)는 “오픈BIM, 상호 운용성, 개방형 산업 표준을 지원하는 것은 네메첵 그룹의 DNA에 깊이 뿌리내리고 있다. 오토데스크와의 상호 운용성 계약은 고객이 모든 프로젝트 환경과 소프트웨어 에코시스템에서 작업할 수 있는 능력을 제공하여 궁극적으로 더 나은 건설 세계를 만들기 위한 행보”라고 설명했다.

스마트 팩토리 솔루션 공급 전문 업체, KSTEC(www.kstec.co.kr)이 스마트 팩토리 고도화에 적극 나서고 있다.   KSTEC은 스마트솔루션 공급, 컨설팅 및 개발, 교육, 기술 지원을 공급하는 소프트웨어 전문 기업으로, 1998년 설립 이후 제조, 금융, 통신, 물류, 공공 분야에서 다양한 고객을 보유하고 있다. 이 회사는 최적화, 인공 지능, RPA, 머신러닝, 애널리틱스, 시각화 등 폭넓은 기술을 다루며 디지털 트랜스포메이션 시대에 맞는 독자적인 통찰력을 키우는 것은 물론, R&D 투자를 통해 차별화된 솔루션을 제공하기 위해 노력하고 있다.   KSTEC 이승도 대표   KSTEC은 우수한 기술력을 바탕으로 국내 주요 기업 및 공공기관을 주요 거래처로 하고 있으며, 삼성전자, LG전자, 포스코, 현대제철, 한화생명, SK텔레콤, 현대모비스, 한국원자력 연구소, 삼성생명, 관세청, 인천국제공항공사, 한국수력원자력 등에 시스템을 공급하고 있다. KSTEC은 정부가 선정한 스마트팩토리 솔루션 공급기업으로, 제조-ICT 결합 생산시스템을 갖춘 스마트 제조 기업 지원에 일익을 담당하고 있다. KSTEC은 정부가 중소/중견기업이 벤치마킹할 수 있 도록 선정한 ‘대표 스마트공장’ 동양피스톤의 스마트공장 APS 시스템을 구축했다. 동양피스톤은 스마트공장 구축 이후 생산성 25% 향상, 불량률 26% 감소 및 영업이익 14% 증가 효과를 보았다. 2019년 4월에는 정부의 뿌리산업을 위한 스마트공장 수직형 통합 패키지 개발 사업 중 APS 사업을 수주했다. 뿌리산업은 주조, 금형, 소성가공, 용접, 표면처리, 열처리 등의 공정 기술을 활용하는 제조업을 의미한다. KSTEC은 뿌리산업을 영위하는 국내 강소 제조기업을 대상으로 IT 컨설팅 서비스 및 클라우드 기반의 운영 플랫폼을 제 공한다. 오는 2022년까지 한국생산기술연구원과 뿌리산업 공장 스마트공장 패키지를 개발할 예정이다. 스마트팩토리 솔루션 싱크플랜 APS 공급   KSTEC의 스마트팩토리 솔루션인 ‘싱크플랜 APS(SyncPlan APS)’에는 20여년 이상의 최적화 프로젝트 경험과 노하우가 축적되어 있다. 동양피스톤, 새한진공열처리, 동국제강, 율촌화학, 대상 주식회사, 삼성 웰스토리, 대웅제약 등에 싱크플랜을 활용한 최적화 시스템을 구축했다. 최근에는 세아상역 해외 생산본부, IT본부와 협업해 베트남 공장의 생산 최적화 시스템 구축을 수행 중이다. 싱크플랜 APS는 생산, 구매, 영업, 출하, 일반 관리 등 다양한 업무를 단일 계획 체계로 만들어 최적의 의사결정을 할 수 있도록 지원한다. 최신 통계분석 기법을 사용 한 과학적 예측, 첨단 수리적 알고리즘 적용 등을 통해 수익을 극대화하되 비용은 최소화한다. KSTEC의 특허기술(불연속 제조공정에서의 작업 스케줄링 방법)이 적용돼 있다. 국내에서 유통되는 대부분의 공급망 계획 솔루션은 국내 실정에 맞는 솔루션을 표방하면서도 대부분 휴리스틱 알고리즘만 사용한다. 휴리스틱 알고리즘 기반 솔루션은 글로벌 경쟁이 치열한 산업 현장에서 정교하고 효율적으로 계획을 수립하기에는 부족한 측면이 있다. 싱크플랜 APS는 다년간의 프로젝트 구축 경험을 바탕으로 수리적 최적화와 휴리스틱 기법을 접목했다. 데이터 마이닝 및 애널리틱스 기술을 이용한 예측 기술, 수학적 최적화, what-if 기술이 가능하다. 싱크플랜 APS의 메인 U I인 스마트 간트(Sma r t Gantt)는 그리드, 자원 활용도 차트, 재고 차트 연동 기 능을 제공한다. 설비뿐 아니라 인력 수요까지 감안한 스 케줄링 기능을 제공한다. 영업팀, 생산팀 등 부서별 담당 자가 동일 화면을 공유함으로써 업무 효율을 개선한다. 스마트팩토리 고도화를 위한 APS 시스템 정부가 ICT(정보통신기술)를 적용해 강소/중견기업의 생산성을 향상시키고자 ‘스마트팩토리 보급 확산 지원사업’을 시작한 지 5년이 지났다. 신규 구축 지원사업을 통해 스마트팩토리 기반을 다져 놓은 많은 기업들은 시스템 고도화를 고심하고 있다. 강소/중견기업들은 MES 또는 ERP 구축 후 더 높은 수준의 스마트팩토리 구축을 위해서 APS 솔루션을 찾고 있다. KSTEC은 율촌화학의 스마트팩토리 고도화 프로젝트를 진행했다. 시스템 고도화를 통해 기존 플래닝 시스템 노후화, 기준 정보 불확실성을 개선하고 기존 5~7시간 걸리던 계획 수립을 1시간으로 단축시켰다. 전 사업부 오더 납입율 12% 향상, 납기 준수율 20% 향상, 납기지연일수 34% 감소 및 제품군별 적정 재고 관리로 재고 비용이 절감되는 효과를 얻었다. 기존 생산정보의 디지털화, 생산정보 실시간 수집 등을 목표로 하는 ‘기초 및 중간 1단계’에서 생산 최적화 및 실시간 공장 제어가 가능한 ‘중간 2단계’로 업그레이드 되기까지 싱크플랜 APS가 핵심적인 역할을 수행했다.   KSTEC,  스마트 제조 솔루션과 인공지능 기술 융합 서비스 다각화 시도  KSTEC은 최근 프랑스/싱가폴 첨단 인공지능 플랫폼 스타트업 ‘아바이가(AVAIGA)’에 투자했다. 이번 투자를 통해 인공지능 및 머신 러닝 분야에서 입지를 공고히 다질 목적이다. KSTEC은 머신러닝과 최적화 기술 융합을 기업의 비즈니스 경쟁력을 높이는 핵심 인프라 기술로 판단한다. Predictive AI(머신러닝 모델 기반)와 prescriptive AI(최적화 기술 기반) 기술을 융합한 인공지능 플랫폼이 기업의 AI 여정에 많은 기여를 할 것으로 전망한다. 아바이가에서 개발한 ‘Taipy(타이파이)’는 파이썬(Python)으로 개발된 데이터 사이언티스트를 위한 솔루션이다. 인공지능 애플리케이션용 완전한 통합 빌더(fully-integrated builder for AI applications)이다. 한편 KSTEC은 디지털 트랜스포메이션을 주도하는 전 방위 사업을 활발히 진행하고 있다. 이를 위해 KSTEC은 IBM, 오토메이션애니웨어, 데이터이쿠, 퍼포스 소프트웨 어, 아바이가 등 글로벌 IT 업체들과 탄탄한 파트너십을 맺고 있다. KSTEC 이승도 대표는 "기업의 경영 효율 극대화를 위해 최적화, 인공지능, 애널리틱스 등 다양한 서비스 다각화 발판을 다지고 있다. 앞으로도 꾸준한 신기술 개발, 전직원 역량 강화로 IT 산업의 생태계 활성화 및 국내 기업의 디지털 트랜 스포메이션 전환에 핵심적인 역할을 수행할 계획"이라고 밝혔다.  

다쏘시스템코리아는 4월 9일 ‘스마트 팩토리 온라인 콘퍼런스’를 통해 경험 기반의 제조 혁신 방안 및 자사의 기술을 소개했다. 이번 콘퍼런스에서는 공정계획, 생산 운영 관리, 현장 커뮤니케이션, 공급망 관리 등 영역에서 단절된 데이터를 디지털 환경으로 모으고, 이를 일관된 흐름으로 연결해 가치를 높일 수 있는 다쏘시스템의 기술이 소개되었다. ■ 정수진 편집장   일관된 디지털 정보의 흐름을 갖춰야 다쏘시스템코리아의 장구길 대표는 “제조업은 다양한 미래 도전과제를 안고 있으며, 이를 해결하기 위해서는 혁신적인 기술을 접목할 필요가 있다”면서, “제조와 관련한 다양한 활동을 동기화하고 효율적으로 운영하는 것이 관건”이라고 설명했다. 기존에 경험으로 만들어진 지식을 디지털 정보로 축적하고, 이를 재사용해 신속한 의사결정 및 가치 창출에 기여할 수 있다는 것이다.  이번 온라인 콘퍼런스에서 다쏘시스템은 ▲구매 경험 ▲린 매니지먼트(lean management) ▲모델 기반의 매뉴팩처링 ▲IIoT(산업 사물인터넷) 및 매뉴팩처링 애널리틱스 ▲가치 네트워크의 최적화 등 다섯 가지 영역에서 제조 혁신을 위한 기술을 짚었다.   ▲ 다쏘시스템은 온라인 콘퍼런스를 통해 제조 혁신을 위한 디지털 기술 활용 방안을 소개했다.   과거의 부품 구매 이력을 3D 데이터로 모델링하고 이를 분석하면 투자비용과 경상비용을 줄이는데 활용할 수 있다. “회사의 기간 시스템에서 구매 정보 및 관련 부품의 3D 정보를 함께 분석함으로써 향후 비슷한 부품을 구매할 때나 새로운 담당자가 구매를 진행할 때 최적의 구매 가격대를 발견할 수 있다”는 것이 장구길 대표의 설명이다. 린 매니저먼트는 현장 중심의 개선 활동에 초점을 두고 있다. 다쏘시스템은 현장에서 정보 공유와 협업 및 현장 문제의 해결 등을 위해 칠판에 종이를 붙여 회의하는 대신, 필요한 정보를 디지털화해서 축적하고 커뮤니케이션하는 형태의 솔루션을 제시하고 있다.  제품 생산과 출시 전 단계에서 시뮬레이션을 활용해 현장에서 일어날 수 있는 문제를 해결할 수 있다는 점에는 많은 이들이 공감하지만, 연구소-생산기술-생산 등 조직 사이의 장벽은 시뮬레이션에 필요한 데이터를 마련하는데 있어 어려움으로 작용했다. 장구길 대표는 “다쏘시스템의 3D익스피리언스(3DEXPERIENCE) 플랫폼을 활용하면 연구소에서 만든 설계 데이터를 그대로 활용해 생산에 필요한 M-BOM(매뉴팩처링 BOM)으로 변환하고, M-BOM을 통한 공정 편성과 시뮬레이션, 공정별 작업지시서까지 만들 수 있다”고 전했다. 생산 현장의 운영에서 MES(생산 관리 시스템)의 목표는 생산에서 어떤 문제가 발생하기 전이나 발생했을 때 효과적으로 의사결정을 하기 위한 것이다. 의사결정의 근거로서 연구소나 생산기술 등 다양한 조직에서 생성된 데이터를 효과적으로 연결하는 것이 과제가 되는데, 다쏘시스템은 3D익스피리언스 플랫폼에 IIoT를 접목해 기준 정보의 생성 및 관리부터 기준 정보와 현장의 연결, 설비/장비의 데이터를 효율적으로 연결하고 이를 기반으로 관리 방법을 고민할 수 있는 등의 기능을 선보이고 있다. 공급망 관리(SCM)에 있어서는 가치 네트워크의 관리가 이슈가 된다. SCM은 사업별, 업무별 전략 계획이나 현장 운영의 스케줄링을 최적화하는 등에 활용된다. 또한 공급망은 원자재의 수급, 제품의 생산, 물류를 이용한 배송, 제품의 판매, 관련 인원의 관리 등 여러 영역을 포함하는데, 이를 효과적으로 커버하고 연결하는 것도 중요하게 꼽힌다. 장구길 대표는 “SCM을 성공적인 구축하기 위해서는 최적화 엔진의 성능과 다양한 산업별 특성을 반영한 템플릿뿐 아니라 엔드유저의 유니크한 요구사항을 효과적으로 반영하는 것이 필요하다”면서, “다쏘시스템이 인수한 퀸틱(Quintiq)은 검증된 엔진과 템플릿, 전문가의 노하우를 제공한다”고 소개했다.   디지털 매뉴팩처링의 단계별 솔루션과 사례 소개 다쏘시스템의 이번 온라인 콘퍼런스에서는 디지털 매뉴팩처링을 위한 플래닝, 작업 스케줄 및 공정의 최적화, 생산운영관리, 생산 현장 운영을 위한 디지털 미팅보드, 공급망 관리를 위한 SCPO(Supply Chain Planning and Optimization) 등에 대한 내용이 소개되었다.   공정 계획 생산기술 엔지니어가 공정 계획을 만들기 위해서는 E-BOM(엔지니어링 BOM)을 기반으로 M-BOM(매뉴팩처링 BOM)을 생성하고 공정 계획을 수립한 후 작업지시서를 생성하는 과정을 진행한다. 3D익스피리언스 플랫폼에서는 3D 설계 데이터에서 바로 M-BOM을 정의하거나 템플릿 등 다양한 방법으로 M-BOM을 정의할 수 있다.  3D 환경에서 제품이 만들어지는 과정을 확인하면서 라인별 공정 정의와 작업 순서 정의/리소스 할당 등을 할 수 있으며, 3D 레이아웃에서 공정별 검증 및 조기 이슈 검출이 가능하다. 이후 3D 데이터로 제작된 공정계획 정보 및 작업지시서는 웹 브라우저에서 확인하거나 MES/MOM 솔루션인 아프리소(DELMIA Apriso)에서 확인할 수 있다. 다쏘시스템코리아의 김재민 대표는 “어떤 부품/제품을 어디서 어떻게 만들지, 또한 어떤 리소스를 투입할지를 정의할 때 3D익스피리언스 플랫폼은 데이터를 변환하는 과정 없이 동일한 환경에서 작업할 수 있도록 지원한다”고 소개했다.   ▲ 3D 데이터를 기반으로 M-BOM을 정의하고 생산에 필요한 리소스를 할당할 수 있다.   작업 스케줄 및 공정 최적화 가공기계, 부품, 재료, 인력 등 생산에 필요한 리소스가 계속 변화하는 점은 생산계획을 수립하는데 있어 어려움으로 작용한다. 이를 해결하기 위한 프로세스가 작업 스케줄링과 공정의 최적화이다. 납기 일정도 중요한 고려사항이 된다. 오르템(DELMIA Ortems)은 최적 스케줄링을 지원하는 APS(Advanced Planning and Scheduling) 솔루션으로, ERP에서 오는 동적 데이터와 MES에서 오는 MOM(Manufacturing Operations Management) 정보를 받아 스케줄링을 할 수 있다.  이즈파크의 황보율 상무는 “오르템은 플래닝, 스케줄링, 인터페이스 등으로 구성되어 있다. 캐퍼시티(capacity) 플래닝과 재료 리소스 등을 시각적으로 표현하고, 작업 오더를 간트(Gantt) 차트로 구성할 수 있다. 또한 최적 케이스를 찾아 생산에 반영하는 시나리오 시뮬레이션도 지원한다”면서, “엑셀로 만드는 생산계획과 비교해 오르템은 실제 고객 사례를 통해 효과를 입증하고 있다”고 소개했다.   ▲ 3D 작업지시서로 작업 내용 및 다양한 정보를 직관적으로 확인할 수 있다.   생산 운영 관리 아프리소는 ‘페이퍼리스 MOM’을 지향한다. 현장에서 작업을 하기 위해서는 ERP 기준의 오더 정보와 디지털 매뉴팩처링에서 만든 프로세스 정보가 필요하다. 이 정보를 조합해 스케줄링을 하고, 현장에 맞는 이벤트를 적용해 재 스케줄링(re-scheduling)을 할 수 있다.  또한, 아프리소는 ERP와 디지털 매뉴팩처링 데이터를 결합한 3D 작업지시서를 생성해 현장에 배포할 수 있다. 3D 작업지시서는 직관적으로 작업 내용을 확인할 수 있는 것이 장점이며, 현장 화면뿐 아니라 작업 지시서에서 다양한 작업 관련 정보를 확인할 수 있다. 다쏘시스템코리아의 이충훈 대표는 “실제로는 전체 생산 현장을 3D 작업지시서로 구현할 경우 데이터 로딩 시간이 걸리는 점 때문에, 초도품 등에 활용하는 것이 합리적일 것”이라고 전했다.   ▲ IoT와 연계하면 각 생산장비의 운용상태를 중앙에서 확인 및 관리할 수 있다.   디지털 미팅보드 생산 현장에서 라인 현황을 관리할 때 화이트보드나 현황판을 사용하는 경우가 많은데, 디지털 미팅보드 솔루션인 스리디린(3DLEAN)은 이를 대체할 수 있다. 미리 설정된 회의 시간에 디지털 환경에서 작업자의 출근 상태 및 불량 현황을 확인할 수 있고, 3D 레이아웃으로 작업자별로 작업할 위치를 지정할 수 있다. 또한, 후속 조치 등의 내용은 포스트잇과 같은 형태의 ‘액션’으로 작업자에게 전달할 수 있다.  김재민 대표는 “텍스트뿐 아니라 영상, PDF, 3D 데이터, 웹 페이지 등 다양한 형식의 자료를 회의에 활용할 수 있으며, 현장뿐 아니라 멀리 떨어진 곳에서도 회의에 원격으로 접속할 수 있다”고 설명했다.   ▲ 생산현장에서 화이트보드를 대신해 효과적인 회의를 할 수 있는 디지털 미팅보드   공급망 관리 퀸틱은 공급망 계획 및 최적화(Supply Chain Planning and Optimization: SCPO)를 위한 솔루션이다. 회사마다 고유한 수요계획과 공급계획에 기반한 SCPO 프로세스를 갖고 있는데, 퀸틱은 수요 예측, 공급망 관리, 중장기 SCPO 계획 수립 등에 도움을 준다. 다쏘시스템코리아 황성수 대표는 “퀸틱을 활용해 제품/산업군별 시장 데이터와 세일즈 데이터를 분석하고 다양한 방법으로 가공해 시각화하고, 중장기 생산 계획을 수립하는데 이 데이터를 활용할 수 있다. 또한, 수요 예측을 기반으로 공급망을 설계하고, 미리 설정된 KPI를 기반으로 여러 가지 시나리오를 비교 분석해 최적화된 공급 계획을 수립하는 것도 가능하다”고 소개했다.   ▲ KPI를 기준으로 다양한 시나리오를 검토하면서 공급계획을 최적화할 수 있다.     기사 내용은 PDF로도 제공됩니다.

제조시스템 혁신(3)   스마트 공장을 가능하게 해주는 주요 기술 가상 기반 기술들은 물리적 실체를 가지고 있지 않은 추상적인 부분으로서, 컴퓨터 상에만 구축/표현되는 가상의 객체와 관련된 기술이다. 가상 기반 기술들은 상호간 인터페이스를 통해 데이터를 주고 받을 수 있어야 하며, 실제의 물리적 객체들과 IoT를 통해 연결되어 있다. 제조시스템을 관리하고 평가하고 제어하고 계획하는데 사용되는 모든 모델과 지표 및 의사결정 과정들이 가상 기반 기술에 포함된다. 실제 세계의 객체들을 얼마나 정확하게 표현하고 분석할 수 있는가 하는 점이 중요하다. 스마트 공장을 가능하게 해주는 주요 기술들(enabler)은 대표적으로 IoT, AI 및 기계학습, Big Data 및 분석 기술, Cyber Security 등이 있다. 출처 : https://pixabay.com 스마트 공장 주요 기술 애플리케이션 프로그램은 가상기반 기술의 한 종류로서, 주로 제조시스템의 특정한 기능들을 담당하는 역할을 수행한다. 특정한 기능들은 예를 들면, 제품 설계, 제조 명령 수행, 제조 관리, 설비 제어, 기업 자원관리 등이다. 스마트 제조시스템에서는 개별적인 어플리케이션들 사이의 인터페이스 표준화를 통한 통합과 협업 능력이 중요해 진다. 스마트 제조시스템을 위한 주요 기술 요소들은 Digital Twin, CAX(Simu lation 포함), PLM, MES, SCADA, PLC, DCS, ERP, SCM, APS 등이 있다.  제조시스템을 구성하는 구체적인 객체들을 의미한다. 넓은 의미의 제조시스템에서는, 제품, 원자재, 자원, 설비, 시설, 고객 등 기업의 가치창출 사슬에 관련된 모든 객체를 포함한다. 좁은 의미에서는 제조 현장에 설치되어 있는 가공 설비, 조립 설비, 포장 설비, 창고 등의 시설, 치공구, 물류 설비 등을 포함한다.  물리기반기술은 작업자의 노동력을 대체하거나 보조하여 생산성을 높이고, 반복작업의 품질을 균일하게 하고, 오류 가능성을 낮추는 방향으로 발전하고 있다. 스마트 제조시스템을 위한 주요 기술 요소들에는 Smart Sensor, Robotics/자율협동로봇/Exoskeletons, 3D Printing, AR/VR/MR, Smart Machine, Mobile Devices, AGV, Motion Controller, CNC, RFID/NFC, Machine Vision 등이 있다. 플랫폼 기술(Platform technology)  플랫폼 기술은 다른 스마트 제조 기술이 도입될 수 있는 기반을 이루는 기술들이며, 4차 산업혁명에서는 종래의 생산기반기술 외에 주로 ICT 신기술분야를 의미한다. 플랫폼은 모듈들을 담아내는 틀의 역할을 하며, 이 모듈들이 수평적 네트워킹을 통해 상호작용하도록 한다. 플랫폼 기술 중에 가장 핵심적인 것은 사이버 혹은 물리적 객체들 사이의 인터페이스를 가능하게 해 주는 유무선 통신기술로서, 이것을 통해 IoT에 기반한 디지털 제조시스템 구축이 가능해진다. 스마트 제조시스템을 위한 주요 기술 요소들에는 5G/광대역인터넷, Cloud Computing, 무선통신, CPS, HMI/UI/UX, Energy System 등이 있다.  국내 스마트 공장 공급기업들에 대한 효과적인 지원 전략을 수립하기 위해서는 공급기술의 수준에 대한 체계적 진단이 필요하다. 글로벌 시장에서의 국내 공급기술의 상대적 수준을 파악하여 현실성 있는 공급기업 지원 정책 수립 기반 마련이 필요하다. 국내외 시장 상황에 맞는 기술 수준에 대한 정보를 제공하여 공급기업 및 수요기업의 스마트 공장 사업화 전략 수립을 지원해야 한다.  기술 분야에 대한 전략적 중요도 및 우리나라의 경쟁력을 매트릭스 형태로 분석하여 국가 차원의 대응 전략 수립이 필요하다. 기술적 경쟁력이 부족하고 전략적 중요도도 떨어지는 기술분야는 외국에서 기술을 수입하고 기술적 경쟁력이 부족하나 전략적 중요도가 높은 기술 분야는 경쟁력을 갖춘 국가와 협력해야 한다. 특히 기술적 경쟁력을 갖추고 있으나 전략적 중요도가 낮은 기술분야는 후진국에 기술을 이전하고 기술적 경쟁력을 갖추고 있고 전략적 중요도도 높은 기술분야는 국내 공급산업을 집중 육성하여 국제적으로 선도적인 경쟁력을 확보해야 한다. 제조 분야 AI 기반 시스템 발전 전략  제조업 분야에서의 AI 도입/활용은 당연한 것으로 예상되지만, 제조업에서 새로운 IT 기술 도입에 보수적이어서 본격적인 도입에는 상당한 시간이 소요될 것으로 예상된다. 산업별 선두 기업들 위주로 Tes t & Learn 형태의 Pilot Project 위주로 아직은 AI와의 적합성을 시도해 보고 있다. 최근 제조기업들도 IoT, 빅 데이터 기술을 도입하면서, 축적된 방대한 데이터를 AI 기술로 분석하여 의사결정에 필요한 중요한 요인들을 얻으려는 수요는 점점 커지고 있다.  대부분 세상에 알려진 AI 기술은 B2C에서 도입한 사례이다. 사진을 자동으로 분류해 주는 구글 포토, 음성인식 스피커, 사용자 데이터를 분석하여 추천해 주는 비디오/음악 서비스 등은 널리 알려진 사례이다. 또 제조업 분야에서 AI 도입이 어려운 구조적인 이유는 B2C에 사용되는 AI 기술과 제조업에 사용되는 Industrial AI 기술이 목적과 대상으로 하는 데이터가 다르기 때문이다.  또한, 제조업 분야에서 AI 도입이 어려운 이유는 직관적 해석이 어려운 데이터 특성 뿐 아니라, 제조 공정과 제품이 복잡해지면서 분석하려는 문제 자체가 어려워지고, 제조업 분야 데이터 전문가에 대한 수급 불균형이 심하기 때문이다. 이러한 복잡한 제조 이슈를 Data 분석 기반으로 해결하기 위해서는 AI & Data 분석 최신 기술과 산업 전문지식의 결합이 필요하다.  제조 현장에서는 산업에 따라 하루에도 테라바이트 이상의 방대한 데이터가 제조 장비, 설비, 공정, 제품에서 쏟아져 나오기 때문에 이런 빅 데이터를 머신러닝, Deep learning 기술로 분석하려는 다양한 시도를 제조 기업들은 하고 있다. 이러한 시도는 아직 복잡도가 높은 일부 산업인 반도체, 자동차, 철강 관련 기업에서 선제적으로 진행하고 있다. 공정, 원재료와 제품이 크게 변화하지 않은 원유 정제산업, 화학 플랜트 산업보다는 공정, 원재료 등이 지속적으로 변화하는 복잡도가 높은 산업에서 AI 수요가 더 높다.  현재 데이터 분석가의 인건비는 매우 높은 상황이다. 미국 실리콘밸리 기준 일 년에 4~5억을 넘고 있다. 국내에서도 1~3억 수준이며 수급 불균형 현상은 미국보다 더욱 심하기 때문에 개별 중소기업에서 채용하기는 어렵다. AI 도입은 AI 기술 자체가 아니라 결국 AI 기술과 운영(Operation) 기술의 결합으로 제조 이슈를 해결해야 하므로 지속적인 추진이 필요하다. 그러나 예산, 인력이 부족한 제조 중소기업으로서는 지속적인 추진이 어렵다.  AI 도입을 위한 Resource가 부족한 중소/중견 제조기업을 위한 대안으로 Data Analytics As a Service 도입이 가능하다. 데이터 저장(Infra As a Service), 프로그램 개발 환경(Platform As a Service)을 클라우드 업체로부터 제공받아서, 데이터 저장 및 처리에 대한 부담을 감소시킬 수 있다. 이러한 클라우드 환경에서 데이터 분석 AI 모델은 Software As a Service(SaaS) 형태로 제공받을 수 있다. 자동차 부품제조 기업들의 대상 데이터는 다르나, 최종 품질검사를 AI 모델을 통해 시도하려는 수요가 공통적으로 있다. 데이터 분석 전문기업이 반제품 형태의 AI 모델을 클라우드 기반 SaaS 형태로 제공하고, 기업별로 일부 Customizing하여 사용할 수 있다.  최근에 중견기업에서도 데이터 분석 수요가 높은데, 실제로는 데이터 준비도가 낮은 경우가 많다. 따라서 사전에 어떤 데이터를 어떻게 준비하는지를 가이드해주는 것이 필요하다. 데이터 분석 전문 기업과 제조공정 전문 컨설팅 기업이 공동으로 데이터 분석 수요가 있는 중견기업에게 컨설팅 하여 사전 데이터 준비도를 높일 수 있다.  수요자인 중견기업과 서비스 공급자인 제조 데이터 분석 전문기업, 프로세스 컨설팅 기업과의 협업 체계 구축을 위한 제도와 시스템이 필요하다. 아직 AI 기술 기반 데이터 분석 시장이 초입 단계이기 때문에 기술에 대한 불확실성이 존재하고 제조 기업은 ROI 측면에서 주저하게 된다. 대기업은 상대적으로 제조 중소기업 대비 Risk 수용도가 높기 때문에 Pilot Project나 기술 Start-up 육성 등을 통해 신기술을 도입할 수 있지만, 중소기업은 Risk 수용도가 낮은 등 제반 여건이 상대적으로 불리하기 때문에, 이런 신기술 도입에서 뒤쳐질 수밖에 없다.  따라서, 관련 기관의 마중물 보조금이나 이에 버금가는 세제혜택 등의 지원은 신기술 도입 의지는 강하지만 자원 부족으로 주저하고 있는 제조 중소기업에 디딤돌을 제공할 수 있다.   연관기사 보기 제조시스템 혁신(1) - 제조 기술의 변화 방향 제조시스템 혁신(2) - 스마트 공장 수요기업의 산업유형별 전략  

티라유텍이 IT 인프라가 빈약한 중소 제조기업을 위해 클라우드 기반 중소기업형 제조운영 솔루션 개발 공급에 박차를 가하고 있다. 2006년에 설립된 스마트 팩토리 솔루션 전문 공급기업인 티라유텍은 SCM, MES, 설비자동화, 물류 최적화 솔루션 등 제조 운영에서 제품 운송까지 제조 생산의 전 과정을 위한 통합 솔루션을 제공하는 소프트웨어 기업이다. 반도체, 디스플레이, 2차전지, 정밀소재, 기계 부품 등 다양한 산업군에 국내 초우량기업을 고객으로 확보하고 있으며, 클라우드 기반 솔루션 개발을 비롯해 제어 소프트웨어와 하드웨어 융합을 통한 AGV 분야의 사업 확장도 추진하고 있다.  스마트 팩토리 분야의 최근 주목할 만한 이슈는 제조 경기의 침체와 정부의 스마트공장 지원이다. 특히, 정부는 2022년까지 3만개의 스마트공장 구축을 목표로 막대한 예산을 투자하고 있는데, 투자 효과를 제대로 보기 위해서는 세계적인 경쟁력을 가진 국내 대기업과의 협력이 필수라 파악된다. 이러한 측면에서 티라유텍은 대기업에서 쌓은 노하우와 솔루션을 기반으로 중소기업의 제조 경쟁력을 끌어올리는데 이바지하고자 하고 있으며, 특히 IT 인프라가 빈약한 중소 제조기업을 위해 클라우드 기반 중소기업형 제조운영 솔루션을 개발 공급하고 있다. 다양한 제조 현장의 경험을 기반으로 영업 주문부터 생산, 제품출하까지의 생산현장의 요구사항을 충족시키기 위해 도입 기업의 수준에 맞춘 단계별 도입 추진을 권장하며, 프로세스 운영 능력 성숙도에 맞는 Module별 도입이 가능하도록 지원하고 있다.  티라유텍은 AI, 빅데이터, 클라우드, 로봇 등 신기술을 적극적으로 수용해 고객이 필요로 하는 솔루션을 지속적으로 개발하며 확장해 나갈 계획이며 특히, 소프트웨어 파워를 기반으로 한 하드웨어 융합에 집중 투자하고 있다. 이를 위해 올해 IPO를 준비하고 있으며 당사의 솔루션의 가치를 더욱 인정받기 위해서 미국을 필두로 한 해외 시장을 공략해 2025년 매출 1,000억원 달성을 목표하고 있다. 티라유텍은 ERP 업계의 선두주자인 독일의 SAP처럼 APS/MES 분야의 글로벌 No.1 기업이 되는 것이 목표이다.