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.

트렌드에서 얻은 것 No. 28   ▲ 클릭하면 큰 그림으로 볼 수 있습니다.   21세기 제조 산업은 기계적 자동화를 넘어 데이터와 인공지능(AI)이 설계, 생산, 운영의 전 과정을 주도하는 지능형 시대로 진입하고 있다. 2025년을 기점으로 인공지능은 생산성을 보조하는 도구의 단계에서 벗어나, 엔지니어링의 근간을 재정의하는 ‘AI 네이티브(AI-native)’ 환경의 핵심 인프라로 자리 잡았다. 과거의 제조 방식이 숙련공의 경험과 직관에 의존하는 결정론적(deterministic) 방식이었다면, 미래의 스마트 엔지니어링은 방대한 산업 데이터를 기반으로 최적의 의사결정을 자율 수행하는 확률론적(probabilistic) 방식으로 전환되고 있다. 이번호 칼럼에서는 글로벌 선도 기업의 실무 적용 사례를 통해 2026년 제조업이 나아가야 할 방향을 알아보고자 한다.   스마트 엔지니어링의 역사적 진화와 패러다임의 전환 스마트 엔지니어링의 역사는 물리적 모델을 디지털 공간으로 옮기려는 지속적인 노력의 산물이다. 1990년대 초반, 보잉은 777 기종의 개발 과정에서 CAD를 활용한 디지털 목업(DMU) 기술을 도입하며 설계 혁신을 시작했다. 이는 종이 도면 없이 항공기 전체를 3D 상에서 검증한 최초의 사례로 기록된다. 이후 2010년대에 들어서며 에어버스 A350의 사례와 같이 설계 리뷰 전 과정이 디지털화되었고, 2020년대에 이르러서는 복제를 넘어 물리적 대상과 실시간으로 데이터를 주고받는 디지털 트윈(digital twin) 기술이 성숙기에 접어들었다. 2025년부터 2026년 사이의 기술적 전향점은 이러한 디지털 트윈이 AI 네이티브 지능을 탑재하기 시작했다는 점이다. 이제 엔지니어링 업무의 30%를 차지하던 과거 데이터 검색 및 비부가가치 활동은 구체적인 사례가 공개되고 있지는 않지만, 시대의 흐름에 따라 서서히 생성형 AI와 검색 증강 생성(RAG) 기술로 대체되어 갈 것으로 보인다. 또한, 글로벌 기업의 끊임없는 연구로 인해 엔지니어는 반복적인 분석 대신 창의적인 문제 해결과 맥락적 의사결정에 집중하는 ‘코파일럿(co-pilot)’ 시대도 곧 맞이할 것으로 예상된다.     이러한 패러다임의 전환은 한국 제조업에도 시급한 과제다. 미국, 독일, 일본 등 주요 제조 강국과 비교할 때 한국의 제조업 부가가치율은 여전히 상대적으로 낮은 수준에 머물러 있으며, 대기업과 중소기업 간의 생산성 격차는 약 4배에 이른다. 고령화와 저출산으로 인한 노동력 감소, 근로시간 단축 등 제약 사항이 증가하는 상황에서 AI를 통한 제조 지능화는 선택이 아닌 생존을 위한 필수 전략으로 부상하고 있다.   제조 지능화를 위한 AI 핵심 활용 방안 및 기술 분석 제조 현장에서 AI를 실무에 적용하는 방식은 정보 추출부터 복잡한 공정 시뮬레이션 및 자율 제어에 이르기까지 넓은 영역을 포괄한다. 지능형 지식 검색 및 데이터 파이프라인 최적화는 엔지니어링 업무의 상당 부분은 과거의 기술 문서, 도면, 실험 데이터를 찾는 데 소요된다. 최근의 RAG(Retrieval Augmented Generation) 기술은 수십 년간 축적된 비정형 데이터(PDF, 엑셀, 문서)를 벡터 데이터베이스(vector DB)로 변환하여 자연어 질문에 답변하고 근거가 되는 출처를 명확히 제시함으로써 환각(hallucination) 문제를 해결하고 있다. 이는 글로벌 프로젝트에서 기술 문서의 실시간 번역과 용어 표준화를 지원하여 협업 효율을 극대화한다. 또한, 연구 프로세스 개선을 위해 데이터 파이프라인 중심의 자동화가 추진되고 있다. 기존의 실험 연구자가 수기로 기록하던 방식에서 벗어나 디지털화된 시료 분석과 제어 데이터를 클라우드 협업 환경에 통합함으로써, 연구 산출물의 재현성을 높이고 멘토링의 질을 개선하는 것이 핵심이다. 생성형 설계(generative design)와 제조 공법 인지는 엔지니어의 상상력을 정교한 설계안으로 구현하는 데 결정적인 역할을 한다. 설계자가 경량화, 강성 등 목표 조건과 재료, 제조 공법 등의 제약 조건을 입력하면 AI는 수백 가지의 대안을 생성한다. 특히 ‘제조 공법 인지(manufacturing-aware)’ 기능은 주조 공법 시 금형에서 제품이 빠져나올 수 있는 구배 각도를 자동 고려하거나 3축/5축 가공 시 공구가 접근할 수 없는 언더컷 형상을 배제하는 수준까지 진화했다. 일본의 니프코(Nifco)는 이를 활용해 전통적인 육각형 허니콤 구조를 넘어선 비정형 유기적 패턴을 설계함으로써 강성을 유지하면서도 재료 사용량을 획기적으로 절감하는 성과를 거두었다. 에이전틱 AI(agentic AI)와 자율적 프로세스 제어 부분을 살펴보면, 2026년의 주요 트렌드인 에이전틱 AI는 분석을 넘어 독립적으로 과업을 계획하고 실행하는 능력을 갖출 것이다. 기존의 AI가 ‘무엇이 잘못되었는가’를 알려주는 예측 도구였다면, 에이전틱 AI는 ‘어떻게 해결할 것인가’를 결정하고 실행한다.     인과관계 AI(causal AI)와 지식 조립 공장은 전통적인 머신러닝 모델은 데이터 간의 상관관계에 의존하기 때문에 ‘왜’라는 질문에 답하기 어렵고, 공정 환경이 변하면 모델이 붕괴되는 한계를 가진다. 이를 극복하기 위해 2026년에는 인과관계 AI가 제조업의 핵심 기술로 부상하고 있다. 인과관계 AI는 데이터 패턴 학습을 넘어 원인과 결과의 사슬을 규명한다. 예를 들어, 공장 내 배관의 결로 현상과 습도 데이터 사이에는 강한 상관관계가 존재하지만, 습도가 결로의 원인인지 혹은 그 반대인지를 명확히 정의하지 못하면 잘못된 설비 투자가 이루어질 수 있다. 인과관계 AI는 주다 펄(Judea Pearl)의 수학적 기초를 바탕으로 개입(intervention) 분석을 수행하여 ‘만약을 변경한다면은 어떻게 변할 것인가’라는 질문에 명확한 수치를 제공한다. 인하대학교 이창선 교수가 제시한 KAMG AI(Knowledge Assembly Factory) 개념은 AI가 스스로 모든 것을 만드는 것이 아니라, 인간 전문가가 설계한 ‘인과 지식 설계도(blueprint)’를 기반으로 AI가 지식을 조립하는 방식을 취한다. 이는 존재(entity), 속성(attribute), 관계(relation) 프레임워크를 통해 지식을 해부하고 표준화된 조립 공정을 거쳐 인과 예측 모델을 산출한다. 이 과정에서 엔지니어는 프로그래머가 아닌 시스템의 의미와 변수의 역할을 결정하는 ‘지식 설계자(architect)’로 거듭나게 된다. 데이터 거버넌스와 팔란티어 온톨로지(ontology) 전략의 핵심은, 제조 AI가 진정한 가치를 창출하기 위해서는 현장의 모든 데이터가 실시간으로 연결되는 ‘디지털 스레드(digital thread)’가 전제되어야 한다는 것이다. 팔란티어의 온톨로지 기술은 데이터 사일로(silo) 문제를 해결하고 기업의 전체 데이터 유니버스를 비즈니스 맥락으로 재구성하는 핵심 아키텍처를 제공한다. 온톨로지는 데이터를 분류하는 것을 넘어 업무, 조직, IT 시스템 간의 공통 언어를 제공한다. 팔란티어 파운드리는 기존 레거시 시스템(ERP, PLM, MES 등)의 데이터를 물리적으로 옮기지 않고 연결하며, 이를 객체(object)와 관계(link)로 모델링한다. 객체(entity) : 차량 모델, 부품, 공정, 설비, 고객 등 핵심 요소를 개체화한다. 속성(attribute) : 개체의 특징(온도, 압력, 재질, 작업 시간)을 정의한다. 관계(relationship) : ‘부품은 공정에서 사용된다’, ‘설계 변경은 생산에 영향을 준다’와 같은 업무적 연결을 구조화한다. 구축된 온톨로지 위에서 팔란티어의 AIP(Artificial Intelligence Platform)는 자연어 인터페이스를 통해 현장의 복잡한 상황을 분석하고 대응한다. 예를 들어, ‘5월 출하 지연 리스크를 요약해달라’는 명령에 대해 AI는 공급망, 재고, 생산 실적 데이터를 온톨로지 상에서 실시간으로 탐색하여 리스크의 원인을 파악하고, 대체 시나리오의 비용 효율을 시뮬레이션한 뒤 실행 승인을 요청한다. HD현대(전 현대중공업그룹)의 FOS(Future of Shipyard, 미래 첨단 조선소) 프로젝트는 2030년까지 세계 최초의 자율 운영 스마트 조선소를 구현하기 위해 팔란티어의 빅데이터 플랫폼인 ‘파운드리(Foundry)’를 도입하는 핵심적인 디지털 전환 사업이다. BMW는 팔란티어의 데이터 플랫폼인 파운드리를 도입하여 생산, 공급망 관리 및 품질 관리 시스템을 고도화하고 있다. 특히 팔란티어의 QMOS(Quality Management Operating System) 설루션을 통해 데이터 기반의 ‘제로 디펙트(zero defect, 무결점)’ 생산 환경을 구축하는 것이 핵심이다. 에어버스는 팔란티어의 파운드리 기술을 도입하여 항공기 제조 및 운항 데이터를 통합 관리하는 ‘스카이와이즈(Skywise)’ 플랫폼을 구축했다. 이를 통해 A350 인도 속도를 33% 향상시키고 운영 효율을 극대화하며, 데이터 기반의 의사결정 시스템을 혁신했다.   품질, 예지보전 및 에너지 최적화의 기술적 심화 AI가 제조 현장에 가져온 가장 직접적인 성과는 품질 비용 절감과 비가동 시간(downtime)의 최소화다. 현대트랜시스는 자체 개발한 AI 기반 품질 검사 시스템인 TADA(Transys Advanced Data Analytics) 스마트 설루션을 생산 현장에 적용하여, 기존 93% 수준이던 불량 검사 정확도를 99.9%까지 끌어올렸다. LG에너지솔루션은 AI 및 빅데이터 기술을 활용해 전 세계 생산 공장을 ‘지능형 스마트 팩토리’로 전환하고, 배터리 제조 품질과 생산 효율을 극대화하는 것을 AI 비전으로 삼고 있다. 특히, CDO 직속 AI 기술팀을 통해 공정 데이터를 분석하여 배터리 수명을 예측하고, 스마트 공장 기술을 적용하여 글로벌 생산 기지의 경쟁력을 강화하는 중책을 맡고 있다. 기존의 예지보전이 단일 센서의 임계치 모니터링에 의존했다면, 예지보전 2.0은 진동, 전류 파형, 소음, 온도를 동시에 분석하는 멀티모달(multi-modal) 방식을 취한다. AI는 고장 징후를 발견할 뿐만 아니라, ‘최근 3개월간의 패턴 분석 결과 내륜 손상이 의심되니 메뉴얼 45페이지의 베어링 교체 절차를 따르라’는 처방적 가이드를 생성형 AI를 통해 현장 작업자에게 즉시 전달한다. 포스코 광양제철소는 이를 연속 주조 설비에 적용하여 고장 예지 시스템을 성공적으로 구축했다. 탄소 배출 규제가 강화되는 가운데 AI는 에너지 사용량 예측과 최적화에 결정적인 역할을 한다. 슈나이더 일렉트릭은 예측 AI를 활용하여 산업 시설의 에너지 효율을 높이고 운영비를 절감하는 설루션을 제공하고 있으며, 한국그린데이터 등 국내 기업들도 AI 챗봇이 탑재된 운영 체제를 통해 제조업의 에너지 피크 관리와 전력 최적화를 지원하고 있다.   2026 글로벌 기술 트렌드 및 리더십의 우선순위 2026년은 AI가 ‘생산성 향상 도구’에서 ‘책임과 신뢰의 기반’으로 진화하는 해가 될 것이다. 딜로이트와 가트너 등의 보고서에 따르면 기업 리더들은 다음의 네 가지 영역에 집중해야 한다. 첫째, 에이전틱 리얼리티 체크(agentic reality check)이다. 챗봇 도입을 넘어 비즈니스 프로세스 자체를 재설계해야 한다. 보고서에 따르면 40%의 에이전틱 AI 프로젝트가 2027년까지 실패할 것으로 예상되는데, 이는 기술적 문제보다는 기존의 망가진 프로세스를 단순히 자동화하는 ‘자동화 함정’ 때문이라고 분석된다. 성공하는 기업은 엔드 투 엔드 프로세스 전체를 혁신하며 인간과 에이전트 팀을 오케스트레이션하는 모델을 채택하고 있다. 두 번째, 소버린 AI(sovereign AI)와 보안 거버넌스이다. 데이터 주권과 국가별 규제 대응이 중요해짐에 따라 소버린 AI 전략이 필수이다. 2026년에는 기업의 77%가 공급업체 선택 시 설루션의 원산지를 고려하며, 로컬 벤더를 중심으로 한 독립적인 AI 스택 구축이 확산될 것이다. 또한, 데이터 모델 오염(poisoning) 리스크에 대응하기 위한 예측적 OT 사이버 보안 체계 구축이 가속화될 전망이다. 세 번째, 피지컬 AI와 휴머노이드 로봇의 확산이다. 제조, 물류, 국방 분야를 중심으로 피지컬 AI의 도입이 급증하고 있다. 2026년에는 아시아-태평양 지역을 중심으로 피지컬 AI 채택률이 80%에 도달할 것으로 보이며, 이는 공장 내 정적인 자동화 설비를 대체하여 비정형 환경에서도 유연하게 대응하는 자율 운영 공장의 핵심 요소가 될 것이다. 네 번째, 지능형 컴플라이언스 및 표준화이다. 규제 당국 역시 AI를 활용하여 기업의 데이터를 실시간 모니터링하는 시대가 오고 있다. 이제 정기 감사에 대비하는 수준을 넘어, 시스템이 스스로 규정 위반 리스크를 예측하고 보고하는 ‘예측적 컴플라이언스’가 표준으로 자리 잡을 것이다.   실무자를 위한 실행 로드맵 스마트 엔지니어링을 위한 AI 활용은 더 이상 미래의 담론이 아닌 2026년 현재의 경영 핵심 과제다. 2026년은 지식 소유 자체가 무의미해지는 시점이며, AI가 생성한 결과물을 편집하고 맥락화하는 ‘아키텍트(architect)’ 능력이 엔지니어의 몸값을 결정짓게 될 것이다. 기업은 성공적인 AI 전환을 위해 다음의 3단계 로드맵을 고려해야 한다. 첫째, 지능형 설계 및 시뮬레이션 단계를 통해 아이디어를 가장 빠르게 현실화할 수 있는 데이터 환경을 구축해야 한다. 둘째, 스마트 생산 및 운영 단계를 통해 물리적 세계를 정밀하게 제어하고 최적화하는 디지털 스레드와 온톨로지 체계를 완성해야 한다. 셋째, 제품, 공장, 도시를 하나의 유기체로 연결하는 생태계 통합 단계로 나아가야 한다. AI는 도구가 아니라 설계–생산–운영 전반을 학습하고 최적화하는 ‘지능형 플라이휠(intelligent flywheel)’이다. 지금 이 순간에도 데이터는 쌓이고 있으며, 이를 인과관계로 해석하고 에이전틱 AI로 실행에 옮기는 기업만이 2026년 이후의 제조업 패러다임 변화에서 승리자가 될 수 있을 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.

제조 산업의 생존 전략으로 디지털 전환(DX)이 급부상하는 가운데, 제품 경쟁력 강화의 핵심인 PLM(제품수명주기관리)과 AI 기술을 융합한 실무 교육의 장이 마련된다. 한국산업지능화협회 PLM 기술위원회는 오는 2월 26일 목요일 온라인(줌)을 통해 제4회 스마트 엔지니어링을 위한 DX/PLM 교육을 개최한다고 밝혔다.   한국산업지능화협회 PLM기술위원회, 스마트 엔지니어링을 위한 DX/PLM 교육 이번 교육은 현장에서 겪는 개념적 이해 부족과 비표준화된 접근 방식을 개선하고, AI 기반의 최신 적용 사례를 통해 체계적인 DX 역량을 확보하는 데 중점을 두었다. 주요 강사진은 수십년간 실무 현장에서 노하우를 쌓아온 전문가들이 함께 하며, 특히 올해는 AI 실무 강화와 신규 강사진 참여를 통해 커리큘럼을 전면 개편하여 실질적인 제조 엔지니어링 인력 양성 기반을 넓힐 계획이다.   현업 중심의 실무 커리큘럼과 전문가 노하우 공유 교육 프로그램은 총 8교시로 구성되며, 초급 및 중급 실무자를 대상으로 설계되었다. 오전 세션에서는 PLM의 정의와 효과를 다루는 개론을 시작으로 제품 개발 프로세스와 PLM의 기능, BOM 관리, CAD 인터페이스 및 ERP/MES 연계 등 확장된 PLM 개념을 학습한다. 오후 세션은 구체적인 구축 전략과 실전 사례에 집중한다. PLM 구축 프레임워크와 주요 요구사항을 다루는 전략 수립 과정을 비롯해, 디지털 스레드와 디지털 트윈 등 스마트 엔지니어링의 핵심 원칙을 소개한다. 특히 최근 주목받는 제조 AI의 실무 적용 방법과 전문가들이 직접 전하는 베스트 프랙티스 및 성공과 실패 사례 연구가 포함되어 참가자들에게 실무적인 가이드를 제공할 예정이다. 교육 참가를 희망하는 관련 종사자는 홈페이지 를 통해 신청할 수 있다. 교육비는 등록 시기에 따라 차등 적용되며, 1월 31일까지 신청하는 얼리버드 등록자에게는 할인 혜택이 주어진다.   이번 행사는 한국산업지능화협회가 주최하고 한국산업지능화협회 PLM 기술위원회와 캐드앤그래픽스가 공동 주관한다. 캐드앤그래픽스 최경화 국장은 "디지털 전환은 이제 선택이 아닌 생존 전략이며, PLM은 데이터 중심의 협업을 위한 핵심 플랫폼"이라고 강조하며, "현업 중심의 전문가들과 함께 AI를 접목한 최신 트렌드와 경험 중심의 교육을 제공함으로써 제조 기업의 실질적인 DX 역량 확보를 적극 지원할 것"이라고 밝혔다 교육에 관한 자세한 내용과 등록 안내는 링크 에서 확인할 수 있다.  

제조 경쟁력을 위한 PLM 플랫폼 및 한국 맞춤형 성공 모델 구축 추진   독일의 PLM 소프트웨어 기업인 콘택트 소프트웨어가 최근 한국을 포함한 아시아 지역 투어를 진행하면서 자사의 비전과 기술을 소개했다. 콘택트 소프트웨어는 모듈형 아키텍처와 개방성을 앞세우면서 미래 지향적인 스마트 산업 AI 설루션을 제공하는 데에 초점을 맞추고 있다.콘택트 소프트웨어의 칼 하인츠 자크리스(Karl Heinz Zachries) CEO는 캐드앤그래픽스와 진행한 서면 인터뷰를 통해 자사의 비전과 PLM 기술의 미래, 한국 시장에 대한 기대 등에 관해 소개했다. ■ 정수진 편집장     콘택트 소프트웨어의 핵심 미션에 대해 소개한다면 우리는 PLM 설루션 기술을 중심으로 제조업체가 복잡한 제품 개발 과정을 단순화하고, 혁신을 가속화하며, 시장 출시 시간을 단축하도록 돕는 것을 핵심 미션으로 삼고 있다. 우리는 기술과 비즈니스 프로세스를 통합하여 고객이 끊임없이 변화하는 글로벌 시장에서 경쟁 우위를 확보하도록 지원하고자 한다.   콘택트 소프트웨어가 바라보는 PLM 분야의 주요 과제는 무엇인지 오늘날의 제조산업은 IoT(사물인터넷), AI(인공지능) 그리고 복잡하게 얽힌 글로벌 공급망으로 인해 더욱 복잡해지고 있다. 이런 상황에서 우리는 크게 두 가지의 주요 과제에 집중하고 있다. 첫 번째는 데이터의 단절 및 비효율이다. 제품의 전체 수명 주기 동안 발생하는 방대한 데이터와 정보를 단절 없이 통합하고, 모든 이해관계자가 실시간으로 협업할 수 있는 환경을 제공하여 데이터 사일로(silo) 현상을 해소하는 것이다. 두 번째는 PLM의 경계 확장 및 통합이다. 우리는 단순한 PLM을 넘어, IoT, MES(제조 실행 시스템) 그리고 메카트로닉스(mecatronics) 영역으로 설루션 영역을 확장하고 있다. 이를 통해 설계–제조–운영을 통합하는 디지털 연속성을 확보하여, 고객의 엔드 투 엔드(end-to-end) 효율을 극대화하는 것이 우리의 핵심 과제다.   콘택트 소프트웨어의 PLM 설루션이 차별화되는 점은 무엇인지 우리의 설루션은 유연성, 확장성, 그리고 실질적인 비즈니스 가치 창출에 중점을 두고 있다. 콘택트 소프트웨어는 유럽 최고 수준의 고객 레퍼런스를 갖고 있다고 생각한다. 포르쉐, 메르세데스-벤츠와 같은 자동차 제조업체뿐만 아니라 유통 분야의 선두 주자인 리들(Lidl)에 이르기까지, 다양한 산업 분야의 세계적인 리더 기업이 우리의 설루션을 선택했다. 이들의 성공 사례는 우리 기술의 우수성과 신뢰성을 입증한다. 또한, 우리는 통합된 디지털 트윈을 지원한다. 단순한 3D 모델링을 넘어 제품의 성능, 제조 공정, 그리고 사용 단계까지 시뮬레이션하고 최적화할 수 있는 진정한 통합 디지털 트윈 환경을 제공한다.   사업 및 기술 측면의 최근 성과를 소개한다면 가장 최근의 성과는 유럽을 넘어 글로벌 시장으로 성공적인 확장을 눈앞에 두고 있다는 점이다. 특히, 북유럽 지역의 대형 유람선 제조업체 및 중동의 주요 엔지니어링 업체와 대형 계약의 체결을 눈앞에 두고 있다. 이는 우리의 설루션이 극한의 복잡성과 정밀함이 요구되는 산업 분야에서도 최고의 선택임을 증명한다고 할 수 있겠다. 기술적 성과 측면에서는, 퓨리에 AI(Fourier AI) 라는 자체 인공지능을 활용하여 설계 및 검증 시간을 크게 단축시키는 신규 기술이 고객들로부터 좋은 반응을 얻고 있다.   앞으로 PLM 기술이 나아갈 방향에 대해 전망한다면 향후 5년을 보자면, PLM은 크게 두 가지 방향으로 진화할 것으로 보인다. 첫 번째는 경계 없는 통합과 AI 기반의 지능화이다. PLM은 더 이상 제품 개발 부서에만 국한되지 않고, 전사적인 ERP 및 MES 시스템과 완전히 통합되어 기업의 모든 가치 사슬을 아우르는 단일 디지털 백본(backbone) 역할을 할 것으로 본다. 우리는 지속적인 M&A를 통해 첨단 기술을 확보하고 PLM의 영역을 IoT, MES 및 메카트로닉스 분야로 확장하여, 경계 없는 통합을 주도할 계획이다. 또한, AI는 데이터 분석을 넘어 설계 최적화, 잠재적 오류 예측, 그리고 개인화된 작업 흐름 제안 등 능동적인 의사결정 지원 도구로 자리 잡을 것으로 본다. 또 하나 주목하는 핵심 방향은 지속 가능성과 순환 경제이다. PLM은 제품의 폐기 단계까지 고려하는 순환 경제(circular economy)의 구현에 있어 필수 도구가 될 것이다. 이에 따라 제품의 재활용 및 재사용성을 설계 단계부터 관리하고 추적하는 기능이 PLM 설루션의 핵심 역량이 될 것으로 본다.   한국의 PLM 시장에 대한 인상과 전략은 어떤 것인지 2025년 말 진행한 ‘콘택트 엘리멘츠 라이브 투어(CONTACT Elements Live Tour)’ 행사를 통해 짧게나마 한국의 관계자들을 직접 만나고, 한국 시장에 대한 우리의 큰 기대를 전달했다. 우리는 유럽에서의 성공을 발판 삼아 아시아 지역에서의 투자를 확대하고 있으며, 당연히 지역 내 대표 제조 국가인 한국에 대한 투자를 지속적으로 늘릴 것이다. 우리는 한국의 주요 제조 기업과 심도 깊은 논의를 통해 그들의 PLM 전략 및 구체적인 요구사항을 파악하고, 한국 파트너사와의 협력 관계를 더욱 탄탄히 다지면서 한국 맞춤형 성공 모델을 구축하고자 한다. 한국은 세계적인 수준의 제조업 강국이며, 기술 도입에 매우 적극적이고 역동적인 시장이라는 인상을 받았다. 한국 기업들은 4차 산업혁명 기술을 빠르게 수용하고 있으며, PLM을 단순한 관리 도구가 아니라, 미래 경쟁력을 확보하기 위한 핵심 전략 플랫폼으로 인식하고 있는 것 같다. 특히, 한국 제조업의 높은 수준의 자동화와 스마트 공장 구현 노력은 우리가 집중 투자하고 있는 PLM, IoT, MES, 그리고 메카트로닉스 통합 설루션의 시너지를 극대화할 수 있는 최적의 환경이라고 판단한다. 우리는 한국을 아시아 비즈니스의 핵심 거점으로 보고 있으며, 한국 제조업이 글로벌 혁신을 주도하는 데에 기여하고자 한다. 한국의 제조업 혁신에 동참하고 기여할 콘택트 소프트웨어의 향후 행보에 많은 기대와 관심을 부탁한다.     ■ 기사 내용은 PDF로도 제공됩니다.

PTC가 한국 지사 설립 33주년을 맞아 제조 산업의 미래를 선도하기 위한 ‘인텔리전트 제품 라이프사이클(Intelligent Product Lifecycle)’ 비전과 AI(인공지능) 전략을 발표했다. 이 전략의 핵심은 설계부터 유지보수에 이르는 제품 수명주기 전반의 데이터를 유기적으로 연결하고, 이를 기반으로 제조산업에서 AI의 효율을 극대화하겠다는 것이다. PTC는 신뢰도 높은 제품 데이터 기반과 주력 설루션에 내재화된 AI 기술로 제조 경쟁력 강화를 돕겠다고 전했다. ■ 정수진 편집장    신뢰도 높은 제품 데이터 기반으로 AI 접목 PTC 코리아의 김도균 대표 겸 본사 부사장은 “PTC는 단순히 CAD나 PLM 설루션을 제공하는 기업을 넘어, ‘인텔리전트 제품 라이프사이클(Intelligent Product Lifecycle)’을 구현하는 기업으로 진화하고 있다”고 소개했다. ‘인텔리전트 제품 라이프사이클’ 비전의 핵심은, 복잡해지는 제조 환경에서 데이터를 체계적으로 관리하고 AI를 적용하여 기업의 실질적인 비즈니스 가치를 창출하는 것이다. 김도균 대표는 “성공적인 AI의 도입과 활용을 위해서는 먼저 ‘신뢰할 수 있는 제품 데이터 파운데이션(Product Data Foundation)’을 구축해야 한다”고 설명했다. 제조산업에서는 AI가 잘못된 정보를 생성(hallucination)하거나 일관성이 부족한 답변을 내놓는 것이 특히 치명적일 수 있다. 이를 막기 위해서 PTC는 설계(CAD), 제품 수명주기 관리(PLM), 애플리케이션 수명주기 관리(ALM), 서비스 수명주기 관리(SLM) 등에서 발생하는 데이터를 구조화하고, 이를 통해 AI가 일관되고 신뢰할 수 있는 답변을 제공할 수 있는 기반을 만드는 것이 최우선 과제라고 보고 있다. PTC 코리아의 이봉기 사업개발담당 마스터는 “제품의 복잡성 증가를 관리하는 것뿐 아니라 이를 경쟁우위로 전환하기 위해서는, 다양한 시스템에 파편화된 채로 존재하는 정형 및 비정형 데이터를 온톨로지(ontology)와 시맨틱(semantic) 모델로 유기적으로 연결해야 한다. 이를 통해서 데이터의 맥락(context)을 확보하고, 유의미한 정보를 얻을 수 있게 된다”고 설명했다.   ▲ 국내 사업 전략을 설명한 PTC 코리아 김도균 대표   제품 수명주기 전반에 걸친 AI 에이전트 이런 비전에 따라 PTC는 제품 데이터 파운데이션 위에 AI 기술을 탑재하여 제품 기획부터 폐기까지 전 과정을 혁신하겠다는 전략을 제시했다. CAD, PLM, ALM, SLM 등 자사의 주요 설루션 라인업에 에이전트의 형식으로 AI 기능을 도입한다는 로드맵도 소개했다. 일부 AI 에이전트는 이미 제공되고 있으며, 올해부터는 여러 AI 에이전트가 본격 추가될 전망이다.   ALM 코드비머(Codebeamer)를 중심으로 하는 ALM 영역에서는 복잡한 요구사항을 관리하고, 소프트웨어의 안전성을 검증하는 데에 생성형 AI를 활용한다. 요구사항 분석 및 규제 검증 : AI가 사용자가 작성한 요구사항을 분석하여 국제 시스템 엔지니어링 표준 위반 여부를 자동으로 판별한다. 규칙을 위반한 경우, AI가 수정 제안을 하거나 예시를 제공하여 규제 대응 시간을 줄일 수 있게 한다. 테스트 케이스 자동 생성 : 요구사항을 선택하면 AI가 이를 검증하기 위한 테스트 조건과 단계를 자동으로 생성해 준다. 또한 기존 테스트 케이스와의 중복 여부를 분석해서 효율적인 테스트 시나리오를 작성할 수 있도록 돕는다.   CAD PTC의 제품 설계 설루션인 크레오(Creo)에는 설계자의 창의성을 돕고 반복 작업을 줄여주는 AI 기능이 탑재되고 있다. 자연어 기반 생성형 설계 : “표면적이나 볼륨을 최적화한 컵을 만들어줘”와 같이 자연어로 명령하면, AI가 최적의 형상을 자동으로 모델링한다. 설계자가 구체적인 치수나 조건을 추가하면 이에 맞춰 형상을 수정한다. 소재 추천 및 심미성 평가 : AI가 설계된 모델의 물성치를 분석하여 적합한 재질을 추천하거나, 인터넷상의 이미지 데이터와 비교해서 디자인 평가 피드백을 제공하고 설계자의 의사결정을 지원한다.   PLM 방대한 엔지니어링 데이터를 관리하는 윈칠(Windchill) PLM에서는 데이터의 재활용성을 높이고 업무 효율을 높이는 데에 AI가 쓰인다. 유사 형상 검색 및 중복 부품 제거 : 단순 텍스트 검색이 아니라, AI가 3D 형상 기반으로 유사한 부품을 찾아내서 비교 테이블을 제공한다. 이를 통해 설계자는 기존 부품을 재활용하여 설계를 변경하거나, 구매 부서에서는 중복 구매를 방지하여 비용을 줄일 수 있다. 문서 인사이트 및 요약 : 챗GPT(ChatGPT)와 비슷한 대화형 인터페이스를 통해 PLM 내부의 방대한 기술 문서를 검색하고 요약할 수 있다. AI는 답변과 함께 근거가 되는 원본 문서의 링크를 함께 제공함으로써 정보의 신뢰성을 보장한다.     제조 데이터 보안 및 개방성 강화 한편, 제조 데이터는 기업의 민감한 기술 정보를 포함하고 있다. 이에 대해 이봉기 마스터는 “보안 및 권한 관리를 위해 역할 기반 정보 필터링을 지원하면서, 중복 제거를 통한 비용 절감, 규제 준수 및 추적성 확보 등 실질적인 비즈니스 가치 창출을 도울 수 있다”고 설명했다. 제조 데이터는 ERP, MES 등 다양한 설루션과의 유기적인 연결이 필수이기도 하다. PTC는 개방성을 중시하면서, 마이크로소프트, AWS, 엔비디아 등 클라우드 기업과의 파트너십을 통해 고객이 SaaS(서비스형 소프트웨어) 환경에서 보안과 성능이 보장된 AI 서비스를 활용하도록 지원할 것이라고 전했다. 이런 전략을 통해 제조 기업이 궁극적으로 제품 출시 기간 단축, 품질 향상, 비용 절감과 같은 실질적인 경영 목표를 달성하도록 돕겠다는 것이다.   국내 사업 확장 및 생태계 확대 전략 PTC 코리아는 33년간 축적한 국내 비즈니스 경험을 바탕으로, 새로운 고부가가치 산업까지 사업 영역을 확장할 계획이라고 전했다. 김도균 대표는 “기존에 강세를 보인 자동차, 전자/하이테크, 산업 기계 분야에서 입지를 굳히는 동시에, 의료 기술, 우주 항공 및 방위 산업으로 시장을 적극 확대할 예정”이라고 밝혔다. 파트너 생태계 강화도 PTC가 중점을 두는 부분이다. 전문 파트너사와 MOU를 체결하여 복잡성이 높은 항공우주, 방위, 의료기기 등 산업군에 특화된 엔지니어링 서비스를 제공하는 한편, 글로벌 SI 기업 및 국내 로컬 파트너와 협력을 통해 한국 제조 기업의 AI 도입 진입 장벽을 낮추고 생태계 전반을 지원하겠다는 것이다. 김도균 대표는 “PTC는 한국 시장의 중요성을 인지하고 영업 및 기술 인력을 지속해서 확충하고 있다. 이외에 대학 및 교육 기관과 협력하여 AI 및 제조 소프트웨어 전문 인재를 양성하는 데에도 투자하고 있다”고 덧붙였다.     ■ 기사 내용은 PDF로도 제공됩니다.

제조업 DX 전문 기업 두잇플래닛이 중소벤처기업부의 기술창업 투자 프로그램인 팁스(TIPS)에 최종 선정되었다. 두잇플래닛은 비정형 데이터를 지식 자산화하는 AI 문서 통합 관리 시스템 flocs.AI를 통해 제조 현장의 업무 혁신과 워크플로 자동화를 주도할 계획이다.   제조업 디지털 전환(DX) 솔루션 전문 기업 두잇플래닛이 중소벤처기업부의 기술창업 투자 프로그램인 팁스(TIPS)에 최종 선정되어 협약을 체결했다. 이번 선정은 팁스 운영사인 킹고스프링의 추천을 통해 이루어졌으며, 두잇플래닛은 향후 2년간 최대 5억원의 연구개발 자금과 사업화 및 해외 마케팅을 위한 추가 지원금을 확보하게 되었다. 팁스는 세계 시장을 선도할 기술력을 보유한 유망 스타트업을 민간 투자사가 발굴하여 육성하는 프로그램이다. 두잇플래닛은 이번 R&D 지원을 바탕으로 자사의 AI 기반 문서 지능화 및 워크플로 자동화 솔루션인 flocs.AI 고도화에 박차를 가할 예정이다.   비정형 데이터의 지능형 자산화와 업무 자동화 구현 두잇플래닛이 개발 중인 flocs.AI는 제조 현장에서 발생하는 도면, 시방서, 계약서 등 다양한 포맷의 비정형 데이터를 디지털 지식 자산으로 전환하는 시스템이다. 광학문자판독(OCR), 거대언어모델(LLM), 검색증강생성(RAG) 등 최신 AI 기술을 활용하여 종이 문서나 PDF 파일을 분석하고, 이를 바탕으로 백오피스 업무를 자동화하는 것이 핵심이다. 일반적으로 제조업은 숙련된 인력의 경험에 의존하는 경향이 크고 AI 도입률이 낮아, 인력 이탈 시 핵심 지식이 손실될 위험이 높다. 두잇플래닛은 이러한 문제를 해결하기 위해 기업 내부의 지식 데이터베이스를 구축하고, 맥락을 이해하는 AI 챗봇 플록시(Floxy)와 업무 자동화 에이전트를 통해 단순 반복 업무를 획기적으로 개선하는 솔루션을 제시했다. 글로벌 시장 진출 및 2032년 매출 684억원 목표 두잇플래닛은 이번 팁스 과제를 통해 비정형 데이터의 지능형 분석 기술 고도화, AI 추론 기반의 워크플로 자동화 모듈 개발, 그리고 ERP 및 MES 등 고객사의 기존 레거시 시스템과의 연동 API 개발에 집중할 방침이다. 유병기 대표는 대기업에서 13년 이상 DX 프로젝트를 수행한 전문가로, 문서 전자화 센터 운영을 통해 실데이터 처리 노하우를 쌓아왔다. 두잇플래닛은 이미 셀트리온제약, SK에코플랜트 등 130여 개 기업 및 기관과 협업하고 있으며, CES 2025 유레카파크 참가를 통해 글로벌 시장에서의 가능성도 확인했다. 유병기 대표는 이번 팁스 선정을 계기로 기술 개발을 가속화하여 중소 제조기업들이 합리적인 비용으로 AI 도입 효과를 누릴 수 있도록 돕겠다고 밝혔다. 또한 수기 문서 처리가 많은 동남아 시장 진출을 본격화하여 2032년 매출 684억원을 달성하고 글로벌 리딩 기업으로 도약하겠다는 포부를 덧붙였다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 세계적으로 주목받고 있는 팔란티어(Palantir)의 온톨로지 플랫폼 아키텍처를 소프트웨어 공학 관점에서 분석하고, 오픈소스 기술을 활용한 구현 방법을 정리한다. 팔란티어의 핵심은 기존 시스템을 대체하는 것이 아니라, 통합하고 확장하는 개방성에 있다. 이번 호에서는 국방이나 제조 분야에서 팔란티어가 어떻게 검증된 오픈소스 기술 기반 위에 독자적인 온톨로지(ontology)라는 의미론적 추상화 계층을 구축했는지, 그리고 그 구조를 파헤쳐 본다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/ GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   팔란티어 아키텍처 팔란티어 아키텍처의 근간에는 ‘대체가 아닌 통합’이라는 철학이 있다. 이는 기업이 이미 막대한 투자를 한 데이터레이크, ERP, CRM과 같은 기존 IT 환경을 교체하는 대신, 이들을 하나로 묶고 그 가치를 증대시키는 플랫폼 역할을 하는 것이다. 이러한 철학은 아키텍처의 명확한 관심사 분리로 이어진다. 배포, 오케스트레이션, 데이터 처리와 같은 하위 계층은 의도적으로 쿠버네티스(Kubernetes), 스파크(Spark), 플링크(Flink) 등 보편적인 오픈소스 표준 위에 구축된다. 이를 통해 고객의 기존 기술 스택 및 엔지니어링 역량과 마찰 없이 통합된다. 반면, 온톨로지, AI 플랫폼(AIP)과 같은 상위 계층에는 팔란티어의 독자적인 지적 재산이 집중된다. 이 구조는 고객이 새로운 데이터베이스나 컴퓨팅 엔진이 아닌, 기존 자산과 상호 작용하는 새로운 패러다임을 구매하게 만들어 비즈니스 가치를 제안한다. 플랫폼의 안정성과 확장성은 두 가지 핵심 기술, 즉 자율 배포 시스템인 아폴로(Apollo)와 쿠버네티스 기반의 컨테이너 오케스트레이션 기판인 루빅스(Rubix)에 의해 뒷받침된다. 이 기반 위에서 데이터 통합 및 분석 플랫폼인 파운드리(Foundry), 국방 및 정보 분석에 특화된 고담(Gotham), 그리고 AI 모델을 온톨로지와 연결하는 AIP(Artificial Intelligence Platform)가 운영된다.   그림 1. 팔란티어 아키텍처 구조 개념도   그림 2. 국방 분야 서비스인 팔란티어 고담 플랫폼   그림 3. 서비스의 지속적인 자율 통합/배포(CI/CD)를 위한 팔란티어 아폴로   데이터 처리 워크플로 팔란티어의 워크플로는 이기종의 파편화된 데이터 소스를 연결하고, 이를 구조화된 지식으로 변환하여 온톨로지 모델로 변환한다.   데이터 수집 및 파싱 PDF, 문서, 이미지와 같은 비정형 데이터는 먼저 ‘미디어 셋(media sets)’이라는 파일 모음으로 수집된다. 데이터를 파싱하는 과정은 블랙박스가 아니다. 개발자는 파이썬(Python)이나 자바(Java) 변환과 저수준 파일 시스템 API를 사용하여 직접 파이프라인을 구축한다. 이는 결정론적이고, 테스트 가능하며, 버전 관리가 가능한 파이프라인을 통해 신뢰성과 거버넌스를 확보하는 엔지니어링 중심의 접근 방식이다. 더 나아가 AIP는 AI 기반 파싱 기능을 제공한다. 이는 사전 훈련되거나 맞춤화된 AI 모델(예 : NLP 모델)을 파이프라인 내에 통합하여 개체명 인식, 요약과 같은 정교한 작업을 수행하는 방식이다. 이 구조는 엔지니어가 견고한 데이터 파이프라인을 구축하고, AI 엔지니어가 그 안에 두뇌 역할을 하는 모델을 배포하는 효율적인 이중 계층 시스템을 만든다.   기반 처리 기술 이러한 데이터 변환 및 통합 로직은 독점 엔진에 종속되지 않는다. 모든 데이터는 아파치 파케이(Apache Parquet), 아브로(Avro)와 같은 표준 형식으로 저장되며, 대규모 배치 처리를 위한 아파치 스파크, 실시간 스트림 처리를 위한 아파치 플링크와 같은 오픈소스 런타임을 사용한다.   온톨로지 메타모델 온톨로지는 팔란티어의 핵심 차별화 요소로, 기업의 모든 데이터, 모델, 프로세스를 현실 세계의 대응물(공장, 고객, 제품 등)과 연결하는 의미론적, 동역학적 계층이다. 이는 기업의 ‘디지털 트윈(digital twin)’ 역할을 한다. 온톨로지의 개념은 객체 지향 프로그래밍(OOP)과 매우 유사하다. 객체(object)는 클래스(class)에 해당한다. 온톨로지의 ‘항공기’ 객체 유형은 OOP의 Aircraft 클래스와 같다. 속성(property)은 속성(attribute)에 해당한다. ‘항공기’ 객체의 ‘꼬리 번호’ 속성은 Aircraft 클래스의 tailNumber 속성과 같다. 연결(link)은 객체 간의 관계(association)에 해당한다. ‘조종사’가 ‘항공기’에 탑승한다는 연결은 Pilot 객체와 Aircraft 객체 간의 관계를 정의한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.