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.

SIMTOS 2026 기간 중 캐드앤그래픽스 주관으로 4월 16일~17일 진행된 ‘피지컬 AI&디지털 트윈 컨퍼런스’와 ‘뿌리산업&소부장 컨퍼런스’에서는 디지털 트윈과 피지컬 AI(physical AI)를 중심으로 제조산업의 디지털 전환과 자율 제조의 비전을 공유했다. 이번 행사는 AI(인공지능) 기술을 융합하여 현장의 숙련된 노하우를 데이터화하며, 스스로 판단하고 실행하는 지능형 생산 체계를 향한 근본적인 체질 개선 방안을 집중적으로 논의했다. 또한 제조산업의 AX(인공지능 전환) 실행 전략과 소부장(소재·부품·장비) 산업의 생존을 위한 R&D 정책 방향이 제시되었다. ■ 정수진 편집장   ■ 같이 보기 : [포커스] ‘제조 AX’로 일하는 방식을 바꾸다… 피지컬 AI·데이터 통합으로 지능형 생태계 구축     4월 17일 진행된 ‘뿌리산업&소부장 컨퍼런스’에서는 인력 부족과 공급망 재편이라는 위기 상황에서 소재·부품·장비 및 뿌리산업이 나아갈 방향이 제시되었다. 이날 진행된 다섯 편의 발표에서는 정부의 소부장 R&D 지원 정책과 더불어 반도체, 항공 엔진, 자동차 부품 등 핵심 산업 현장에서 AI 설루션을 통해 공정 신뢰성을 높이고, 하드웨어 중심에서 소프트웨어 중심의 아키텍처로 진화하려는 구체적인 추진 전략이 소개되었다.   ▲ 한국산업기술기획평가원 정민하 본부장   한국산업기술기획평가원의 정민하 본부장은 ‘2026년 소부장 R&D 정책지원 방향’ 발표를 통해, 정부의 핵심적인 소부장 산업 R&D 지원 방향을 제시했다. 그는 “과거 무역 분쟁에서 비롯된 소부장이라는 개념이 이제는 국가 안보와 직결된 거대한 공급망의 관점으로 진화했다”면서, 탄탄한 공급망 관리의 중요성을 역설했다. 정부는 경제 안보 위기에 맞서 으뜸기업, 슈퍼을, 도전기업 등 촘촘한 맞춤형 지원 제도를 마련했다. 특히 네덜란드의 반도체 장비 기업인 ASML처럼 글로벌 시장에서 독보적인 경쟁력을 갖춘 절대 강자를 육성하는 ‘슈퍼을’ 제도를 통해 파격적인 장기 R&D 자금을 지원한다. 또한 우수한 기술력을 지닌 전문 기업이 벤처 캐피털 투자를 쉽게 받도록 돕는 도전기업 제도도 정비 중이다. 정민하 본부장은 “우리 제조업의 근간인 소부장 기업들이 이러한 정책적 마중물을 발판 삼아, 글로벌 공급망의 주역으로 당당히 도약하기를 기대한다”고 전했다.   ▲ 성균관대학교 권석준 교수   성균관대학교 공과대학 부학장인 권석준 교수는 ‘제조 AX 기반 반도체 소부장 경쟁력 강화전략’에 대해 발표했다. 반도체 소부장 산업에 불어닥친 제조 AX의 거대한 파도를 짚은 권석준 교수는 “거대 기술 기업들이 단순히 반도체 설계를 넘어 제조 영역까지 직접 관여하면서 맞춤형 AI 반도체 생태계를 주도하고 있다”고 분석하면서, “이에 따라 기존 소부장 기업들 역시 설계와 제조의 경계가 허물어지는 새로운 공급망 재편에 빠르게 대응해야 한다”고 짚었다. 권석준 교수는 “LLM(대규모 언어 모델) 기반의 거대 AI 모델이 현장으로 왔을 때 이것을 이어줄 수 있을 만한 다리(브리지)가 아직은 확립돼 있지 않다”고 지적하면서, 현장의 복잡한 인과관계를 AI가 파악하기 위해 파편화된 현장의 데이터를 통일된 사전처럼 묶어내는 온톨로지 구축과 이를 바탕으로 한 지식 네트워크 형성이 필수라고 전했다. 또한 차세대 AI 반도체의 핵심 과제인 메모리 병목 현상을 해결하기 위해 소재 발굴부터 패키징 공정까지 AI를 적극 도입해야 한다고 강조했다. “수많은 후보 물질을 단기간에 탐색해 내고 디지털 트윈 모델로 실제 양산의 위험을 최소화하는 치밀한 전략이 치열한 글로벌 반도체 경쟁에서 살아남을 강력한 무기가 될 것”이라는 것이 권석준 교수의 전망이다.   ▲ DN솔루션즈 엄재홍 상무   DN솔루션즈의 엄재홍 상무는 ‘공작기계에서 ‘지능형 제조 에이전트’로 : AX를 통한 제조 플랫폼의 진화’를 주제로 발표를 진행했다. “사람의 개입 없이 가동되는 완전 자동화 다크 팩토리(dark factory) 환경에서, 기계가 주변과 스스로 소통하고 제어하지 못하면 결국 사람이 공정의 병목이 된다”고 짚은 엄재홍 상무는 “공작 기계가 단순한 장비를 넘어 지능형 자율 에이전트(agent)로 근본적인 진화를 이뤄야 한다”고 강조했다. 또한, 그는 인공지능이 LLM을 넘어 스스로 상황을 판단하고 물리적 행동을 수행하는 에이전틱 AI(agentic AI)와 피지컬 AI로 급격히 발전하고 있다고 짚으면서, 이런 흐름에 발맞춰 제조산업 역시 소프트웨어 중심의 뼈대를 갖춰야 한다고 전했다. 마치 스마트폰이나 최신 자동차처럼 하드웨어 교체 없이 소프트웨어 업데이트만으로 기계의 새로운 기능이 추가되고 성능이 끊임없이 진화하는 제조 환경이 필수라는 의미다. 또한 엄재홍 상무는 진정한 자율 제조 생태계의 완성을 위해서는 하드웨어 자체가 능동적이고 똑똑한 주체로 거듭나야 한다고 덧붙였다.   ▲ 화신 이기동 상무   화신의 이기동 상무는 ‘AI 기반 자율제조 대응 방안 및 추진 전략’ 발표에서, 자동차 부품 생산 현장의 경험을 바탕으로 자율 제조의 필요성을 짚었다. “고객의 품질 요구 수준은 계속해서 높아지는 반면 숙련공은 은퇴하고 새로운 인력 확보는 점점 어려워지면서, 기존처럼 사람이 현장을 통제하는 방식은 분명한 한계에 직면했다”는 이기동 상무는 “화신은 2030년 자율 제조 완성을 목표로 내세우며, 다가올 AI 시대에 발맞춰 2년 전 전담 연구소를 설립하고 본격적인 체질 개선에 돌입했다”고 소개했다. 이러한 변화는 현장 곳곳에서 실질적인 성과로 나타나고 있다. 과거 수차례 실패했던 용접 비전 검사는 AI와 결합해 성공적으로 안착했고, 방대한 사내 기술 문서를 찾아 분석해 주는 AI 에이전트를 도입해 업무 효율을 끌어올렸다. 나아가 가상 공간에서의 레이아웃 자동 생성은 물론, 스스로 궤적을 찾아내는 자율 용접 로봇의 도입을 준비하고 있다. 이기동 상무는 “AI 기반 자율 제조는 단순 기술 도입에 그치지 않고 기업의 생존과 미래 경쟁력을 결정짓는 핵심 전략”이라고 강조하면서, “막연한 첨단 기술의 나열이 아니라 자사의 현실과 시스템에 꼭 맞는 AI를 찾아 단계적으로 적용하는 것이 치열한 글로벌 경쟁에서 살아남을 강력한 무기”라고 전했다.   ▲ 한화에어로스페이스 송덕용 수석연구원   한화에어로스페이스의 송덕용 수석연구원은 ‘항공엔진용 핵심 부품소재의 신뢰성 확보 및 기술개발 추진 전략’에 대해 발표했다. 항공기용 가스 터빈 엔진의 코어는 1500℃가 넘는 가혹한 환경을 견뎌야 하므로, 미세한 결함도 치명적인 사고로 직결된다. 따라서 비행 중 어떠한 상황에서도 굳건히 견딜 수 있는 완벽한 신뢰성 확보가 절대적이다. 송덕용 수석연구원은 “이를 위해 수많은 공정 개발과 까다로운 엔진 승인 절차, 방대한 데이터베이스 구축이 뒷받침되어야 한다”고 설명했다. 송덕용 수석연구원은 “과거 정말 항공 관련 소재 부품은 수입에 의존하는 경우가 많았다. 타 산업 대비 항공 소재 기술력이 낮았던 것이 사실”이라면서도, “하지만 현재는 정부와 산학연이 긴밀히 협력하여 2035년까지 핵심 소재 부품 생태계를 자립하겠다는 확고한 로드맵을 그려가고 있다”고 소개했다. 또한, “첨단 항공 엔진 국산화는 단순한 부품 대체를 넘어 진정한 자주국방을 완성하는 핵심 열쇠”라면서, “머지않아 대한민국이 세계에서 일곱 번째로 항공 엔진을 독자 제작하여 글로벌 하늘을 누비는 날을 기대해 본다”고 전했다.

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.

전주기 AX 통합 플랫폼 ‘OCTOPUS’로 산업 AI 혁신 앞당긴다   AI는 이제 로봇의 몸을 빌려 물리적 제조 현장에서 움직이기 시작했다. 글로벌 제조업은 산업현장이 자동화되는 인더스트리 4.0을 넘어 인간과 기술이 공존하는 인더스트리 5.0 시대로 진입하고 있다. 특히 올해 글로벌 빅테크 기업들이 앞다퉈 제시한 ‘피지컬 AI’는 AI가 물리적 세계를 직접 제어하는 시대의 도래를 알렸다. 제조업 디지털화의 중심도 변하고 있다. 과거 스마트 팩토리가 ‘연결’과 ‘자동화’를 중심으로 했다면, 현재의 자율제조는 ‘지능화’와 ‘자율 판단’으로 무게중심이 이동하고 있다. 유비씨(UVC, www.uvc.co.kr)는 전주기 AX(AI Transformation) 통합 플랫폼 ‘OCTOPUS’(옥토퍼스)를 통해 이러한 변화를 이끌고 있다.   유비씨 조규종 대표 8개 개별 솔루션을 하나로 통합한 전주기 AX 플랫폼 ‘OCTOPUS’ 유비씨는 2010년 설립 당시 기계와 로봇 간 데이터 통신 기술에 집중했다. 이후 3D 렌더링 엔진 기술을 결합하며 스마트 팩토리와 디지털트윈 솔루션으로 사업영역을 확장했다. 최근에는 이러한 역량에 AI 기술을 융합하며 제조 현장의 디지털 전환(DX)을 넘어 AI 전환(AX)까지 아우르는 전주기 통합 솔루션 OCTOPUS를 완성했다. OCTOPUS는 엣지(Edge), 데이터 허브(Data Hub), 트윈(Twin), 시뮬레이터(Simulator), AI 허브(AI Hub), 에이전틱 AI(Agentic AI), 피지컬 AI(Physical AI), 로봇 허브(Robot Hub) 등 8개 솔루션으로 구성된다. 8개의 개별 솔루션을 하나의 전주기 AX 플랫폼에 통합한 OCTOPUS는 이름 그대로 문어의 특징을 닮았다. 글월 문(文)자를 쓰는 문어는 예부터 ‘바다의 선비’로 불리던 똑똑한 생명체다. 문어의 지능적 두뇌는 스스로 학습하는 AI를, ▲ 유비씨 조규종 대표 예리한 눈은 정밀 모니터링을, 독립적으로 움직이는 8개의 팔은 분산지능을, 민감한 피부는 이상 감지를 상징한다. OCTOPUS는 8개 솔루션이 유기적으로 연결되어 데이터 수집-통합-시각화-검증–학습–예측–제어의 전 과정을 수행한다. 나아가 이를 다시 생산 계획에 반영하는 완벽한 순환 구조를 구현했다. 작동 방식은 다음과 같다. 현장의 엣지가 이기종 설비에서 데이터를 수집하면, 데이터 허브가 이를 AI가 학습할 수 있는 형태로 정제한다. 트윈은 실시간 3D로 현장을 시각화하고, 시뮬레이터는 반복 실험을 통해 최적의 조건을 탐색한다. AI 허브는 공정을 학습하고, 학습된 데이터를 바탕으로 에이전틱 AI가 24시간 자율 의사결정을 수행한다. 피지컬 AI는 로봇과 설비를 정밀 제어하고, 로봇 허브가 다수의 로봇을 통합 관제한다. 기존의 제조 IT·시뮬레이션·AI 솔루션은 전문 인력이 아니면 접근 자체가 어려울 정도로 진입 장벽이 높았다. OCTOPUS는 이 문제를 플랫폼 설계 단계부터 완전히 다르게 접근했다. 데이터 수집, 시뮬레이션, AI 분석, 디지털 트윈, 로봇 제어 등 각기 다른 카테고리로 분리되어 있던 기능들을 하나의 흐름과 하나의 화면, 하나의 언어로 통합한 것이다. 특히 LLM 기반 자연어 인터페이스를 적용해 “생산 라인을 한 대 더 늘리면 어떻게 될까?”, “이 공정에서 병목이 생기는 이유가 뭐지?” 등의 질문만으로 시뮬레이션과 AI 분석, 가상 검증 결과를 제시한다. AI 예측을 실제 설비제어까지 연결하는 M.AX 시대 많은 AI 솔루션이 데이터를 분석하고 예측 결과를 보여주는데 그친다. 그러나 진정한 제조 A I전환, 즉 ‘M.AX(Manufacturing AX)’를 실현하려면 AI의 판단이 실제 설비나 로봇의 동작으로 직접 이어져야 한다. 문제는 현장에서 AI가 내린 결정을 설비 제어에 바로 적용하는 것을 극도로 꺼린다는 점이다. 안전 문제, 예상치 못한 오작동에 대한 우려, 그리고 책임 소재에 대한 불안감 때문이다. 유비씨는 디지털 트윈과 피지컬 AI를 결합한 독자적인 아키텍처로 문제 해결에 나섰다. 가상 환경에서 AI 모델을 충분히 학습시키고, 수천 번의 시뮬레이션을 통해 안전성과 효과를 검증한 후에만 실제 현장에 적용하도록 설계한 것이다. 이를 통해 환경 변화와 예외 상황에도 흔들리지 않는 안정적이고 신뢰할 수 있는 자율 운영을 실현해 나간다. 유비씨 조규종 대표는 “AI가 브레인이라면 DT는 AI의 명령을 실질적으로 수행하는 중추 신경계다. 유비씨는 디지털 트윈 기반의 피지컬 AI 기업을 향해 나아가고 있다”고 설명한다. 이어 “제조업에서 AI 기반 디지털 트윈이 지금 가장 큰 가치를 만드는 분야는 제조·생산·물류 현장의 ‘협업’을 지능화하는 영역이다. 로봇이 혼자 똑똑해지는 것보다 더 어려운 건 로봇이 제조 설비와 함께 상황을 이해하고, 여러 로봇이 스스로 역할을 나누며, 필요하면 작업자와도 안전하게 함께 일하도록 만드는 일이다”라고 덧붙였다. 유비씨가 정의하는 피지컬 AI는 인지-계획-실행으로 이어지는 구조를 기반으로 한다. 물리적 환경과 설비 상태를 실시간으로 인지하고, 운영 목표와 제약 조건을 반영해 행동을 계획한 뒤, 이를 실제 로봇과 설비의 동작으로 실행하는 전 과정을 설계하고 있다. 이 과정에서 디지털 트윈은 피지컬 AI가 학습할 수 있는 합성 데이터(Synthetic Data)를 제공하는 핵심 환경 역할을 담당한다. 나아가 OCTOPUS 피지컬 AI 솔루션을 중심으로 자율제조 영역에서 사업을 확장하는 모습이다. 조 대표는 “국내 탑티어 로봇 제조사 두 곳과 협업을 통해 실제 제조 현장 적용이 가능한 피지컬 AI 기술의 실증과 고도화를 진행하고 있다”면서, “이를 통해 제조 AX 분야의 선도 기업으로 입지를 공고히 해 나갈 것”이라고 밝혔다.   ■ 캐드앤그래픽스 최경화 국장 kwchoi@cadgraphics.co.kr

캐드앤그래픽스 CNG TV는 ‘AI 에이전트 대전환, 전문성 설계부터 코딩 혁명까지’를 주제로 인공지능팩토리 김태영 대표와 소이랩(SOY.LAB) 최돈현 대표를 초청, 방송을 진행했다. 이번 방송에서는 CNG TV 전문위원인 한국건설기술연구원 강태욱 연구위원의 사회로 최근 뜨거운 이슈가 되고 있는 AI 에이전트 트렌드에 대해 살펴보았다. 자세한 내용은 다시보기 페이지에서 확인할 수 있다.   CNG TV 발표자 - 김태영 대표(인공지능팩토리), 최돈현 대표(SOY.LAB)   AI 에이전트 대전환 시대, 전문가의 설계와 코딩 혁명이 가져올 미래 단순한 도구 활용을 넘어 AI 에이전트(AIA)가 업무의 주축이 되는 대격변의 시대가 도래했다. 기술의 단순 재현(Representation)을 넘어 전문가가 직접 시스템을 설계(Design)하고 지휘(Orchestration)하는 생존 전략이 필요한 시점이다. 인공지능팩토리 김태영 대표와 SOY.LAB 최돈현 대표는 이번 방송을 통해 AI 에이전트의 최신 흐름과 실무 적용 방안을 심도 있게 다루었다. AI 에이전트의 진화: 툴 콜링에서 자율적 임무 수행까지 AI 기술은 LLM(대규모 언어 모델)에서 시작하여 RAG(검색 증강 생성), 멀티턴 대화, 그리고 도구를 직접 호출하는 '툴 콜링(Tool Calling)' 단계로 빠르게 진화했다. 과거에는 개발자만이 API를 통해 도구를 연결할 수 있었으나, MCP(Model Context Protocol)의 등장으로 일반 엔지니어도 다양한 외부 기능을 에이전트에 연결할 수 있는 길이 열렸다. 특히 최근 주목받는 '오픈클로(OpenClaw)' 시스템은 하트비트(Heartbeat) 기능을 통해 에이전트를 주기적으로 깨워 스스로 업무를 수행하게 한다. 이는 사용자가 일일이 명령을 내리는 리액티브(Reactive) 방식을 넘어, AI가 스스로 판단하고 실행하는 프로액티브(Proactive) 방식으로의 전환을 의미한다. 김태영 대표는 실제 실험을 통해 에이전트의 자율적 업무 가능성을 확인했다고 밝혔다. 바이브 코딩과 코딩 에이전트가 만드는 생산성 혁명 '바이브 코딩(Vibe Coding)'의 등장은 개발 생태계에 큰 충격을 주었다. 커서(Cursor)나 클로드 코드(Claude Code)와 같은 에이전트는 파일 시스템에 접근하여 스스로 코드를 수정하고 실행하며, 사용자의 의도(Vibe)만으로 결과물을 만들어낸다. 이러한 에이전트는 단순히 코드 작성에 그치지 않고 문서 작성, PPT 제작, 웹페이지 구축 등 다양한 스킬(Skill)을 장착하여 범용적인 업무 비서로 진화하고 있다. 하지만 에이전트가 공유기 설정을 변경하거나 시스템 보안을 위협할 수 있는 수준까지 발전함에 따라, 격리된 환경(샌드박스)에서의 운영과 시스템적 보안 설계가 필수가 되었다. 시댄스 2.0과 비주얼 생성 AI의 격변 영상 및 이미지 생성 분야에서도 거대한 변화가 일어나고 있다. 바이트댄스(Bytedance)의 '시덴스(Seedance) 2.0'은 실사에 가까운 고품질 영상 생성 능력을 보여주며 기존의 글로벌 모델들을 위협하고 있다. 이미지 한 장으로 비행기 탈출 장면과 같은 역동적인 영상을 생성하거나, 짧은 명령만으로 고수준의 광고 영상을 제작하는 것이 가능해졌다. 또한 '컴피 클라우드(Comfy Cloud)'의 등장은 고가의 그래픽 카드 없이도 저렴한 비용으로 전문가급 워크플로우를 구축할 수 있게 했다. 이는 개인이 GPU 자원을 클라우드에서 활용하며 복잡한 노드 기반의 생성 프로세스를 운영할 수 있게 됨으로써, 1인 창작자의 기술적 진입 장벽을 혁신적으로 낮추었다. 전문가의 역할 변화와 미래 지향적 관점 AI가 숙련가의 영역을 대체함에 따라, 인간 전문가의 역할은 '어떻게 만드느냐'보다 '무엇을 설계하느냐'로 이동하고 있다. 최돈현 대표는 인문학적 소양과 예술적 통찰력을 바탕으로 한 전문성이 결여된 AI 결과물은 시장에서 오래 살아남기 어렵다고 강조했다. 앞으로의 산업 구조에서는 큰 기업에 소속된 인재보다, AI 에이전트를 지휘하여 가치를 창출하는 '1인 기업가'의 비중이 높아질 것으로 예측된다. 따라서 기술에 매몰되기보다 본연의 도메인 지식을 강화하고, AI를 효율적으로 지휘하는 설계 능력을 갖추는 것이 생존의 핵심이다.

파수가 AI 혁신(AX)을 지원하는 기업으로 정체성을 강화하기 위해 ‘파수AI(Fasoo AI)’로 사명을 변경했다고 전했다. 2000년 설립 이후 데이터 보안 및 관리 시장에서 활동해 온 파수는 이번 사명 변경을 통해 기존 보안 영역을 넘어 AI, 데이터, 거버넌스 전반을 아우르는 AI 전문 기업으로 거듭나겠다는 전략이다. 파수AI는 2022년 생성형 AI 기반 개인정보보호 설루션을 시작으로 기업용 거대 언어 모델(LLM)인 ‘엘름(Ellm)’을 출시하며 AI 사업을 확대해 왔다. 최근에는 미국 법인과 현지 AI 기업 컨실릭스(Konsilix)의 합병을 통해 기업용 AI 설루션 기업인 ‘심볼로직(Symbologic)’ 출범을 앞두고 있어 글로벌 AX 시장 공략도 본격화할 계획이다. 파수AI의 조규곤 대표는 “보안 기업을 넘어 AI 기업으로 재탄생한다는 의지를 담아 창사 26년 만에 사명을 변경했다”며, “그동안 쌓아온 데이터 관리 역량에 AI를 더해 고객이 AX에 이르는 가장 안전하고 효율적인 길을 제시하겠다”고 밝혔다.     한편, 파수AI는 사명 변경 후 첫 공식 행보로 오는 4월 15일 서울 여의도 페어몬트 앰버서더 서울에서 연례 고객 콘퍼런스 ‘FDI 심포지움(FDI Symposium) 2026’을 개최한다. ‘지속가능한 AI 혁신(Sustainable AI Transformation)’을 주제로 열리는 이번 콘퍼런스에서 파수AI는 안전한 AX 실현을 위한 구체적인 전략과 사례를 발표한다. 조규곤 대표를 비롯해 심볼로직의 롭 마라노(Rob Marano) 최고경영자(CEO) 등이 참여해 글로벌 AX 및 AI 보안 구축 사례를 공유할 예정이다. 세부 세션에서는 국내 기업에 최적화된 AX 지원 설루션과 컨설팅, AI 시대의 데이터 인프라 전략 등이 소개된다. 또한 장일수 스패로우(Sparrow) 대표가 AI를 활용한 소프트웨어 공급망 보안 방안을 발표하며, 현장 부스에서는 파수AI의 주요 설루션 시연도 진행된다. 조규곤 대표는 “이번 행사는 파수AI의 변화된 방향성과 역할을 구체적으로 보여주는 자리가 될 것”이라며, “AI 전환을 준비하는 기업들에게 실질적인 통찰력을 제공하겠다”고 말했다.

지멘스가 중국 베이징에서 열린 ‘지멘스 RXD 서밋’에서 실험 단계에 머물던 산업용 AI를 공장과 인프라, 공급망 전반에 대규모로 배포하는 전략을 공개했다. 인공지능(AI) 기술을 디지털 세계에서 실물 경제로 빠르게 이식하겠다는 것이다. 2000여 명의 고객사와 파트너, 개발자가 참석한 이번 행사에서 지멘스 롤랜드 부시(Roland Busch) 회장 겸 CEO는 “AI를 현실 세계에 구현하기 위해서는 뛰어난 모델 그 이상의 요소가 필요하다”고 강조했다. 데이터와 소프트웨어, 지능형 하드웨어를 연결하는 ‘산업용 AI 운영체제’라는 기술 스택이 필수라는 설명이다. 지멘스는 개방형 디지털 비즈니스 플랫폼인 ‘지멘스 엑셀러레이터(Siemens Xcelerator)’를 통해 이러한 역량을 결합하고 산업용 AI를 대규모로 보급하고 있다.   ▲ 지멘스 롤랜드 부시 회장 겸 CEO   이를 위해 지멘스는 26개의 신제품을 출시하는 동시에 알리바바와의 전략적 파트너십을 심화하기로 했다. 이번 협력은 글로벌 혁신과 중국 현지의 혁신을 결합해 산업 인프라, 자동화, AI 기반 애플리케이션 전반을 아우르는 것을 목표로 한다. 중국 지멘스의 샤오 송(Xiao Song) 회장 겸 CEO는 “강력한 생태계만이 AI의 막대한 잠재력을 실현할 수 있다”면서, 지멘스의 기술력과 중국의 혁신 속도 및 산업 규모를 결합해 고품질 성장을 지원하겠다고 밝혔다. 고급 시뮬레이션과 산업용 AI에 대한 접근성도 확대된다. 지멘스와 알리바바 클라우드는 파트너십 확대를 통해 중국 고객에게 서비스형 인프라(IaaS) 형태의 CAE 역량을 제공할 계획이다. 지멘스의 시뮬레이션 포트폴리오를 알리바바 클라우드의 고성능 컴퓨팅 환경에 구축함으로써, 엔지니어링 팀은 복잡한 시뮬레이션을 더욱 효율적이고 유연하게 수행할 수 있게 된다. 양사는 알리바바의 거대 언어 모델(LLM)인 ‘통의천문(Qwen)’을 지멘스의 제품 수명주기 관리(PLM) 소프트웨어에 적용하는 방안도 모색한다. 양사는 이를 통해 AI가 지원하는 엔지니어링 워크플로와 지능형 제품 개발의 새로운 가능성을 열 것으로 기대하고 있다. AI 시대를 위한 인프라 구축에도 속도를 낸다. 지멘스 기술은 알리바바 클라우드의 장베이 데이터 센터와 같은 대규모 시설의 가동을 뒷받침하고 있다. 지멘스는 지능형 산업 운영에 필요한 데이터 흐름과 시스템 통합을 가능하게 하는 산업용 연결 설루션을 선보였다. ▲대규모 AI 워크로드를 처리하는 시스템의 안정적 가동을 돕는 인프라 보호 기술 ▲고성능 데이터 센터의 에너지 밀도를 효율적으로 관리하기 위해 현지에서 개발된 차세대 직류(DC) 차단기 ▲에너지 집약적 환경에서 냉각 효율을 최적화하고 소비 전력을 줄이는 AI 기반 냉각 설루션 등이 대표적이다. AI 기반 제조를 위한 실행 계층도 강화한다. 현대적 제조 시스템은 지능을 생성하는 것뿐만 아니라 이를 현장에서 직접 실행할 수 있어야 한다. 지멘스는 중국 현지 혁신 모델과 결합된 새로운 에지, 자동화, AI 설루션을 도입했다. 생산 라인의 두뇌 역할을 하며 기계들을 실시간으로 조율하는 차세대 프로그래밍 가능 로직 컨트롤러(PLC)는 성능과 메모리 용량이 대폭 향상됐다. 또한 디지털 명령을 정밀한 로봇 동작으로 변환하는 컴팩트 서보 시스템 등 고급 모션 기술을 통해 현장 실행력을 높였다. 아울러 지멘스는 산업 운영 최적화를 위한 AI 애플리케이션도 공개했다. 예측 보전 소프트웨어는 핵심 자산의 운영 데이터를 분석해 이상 징후를 조기에 감지함으로써 가동 중단으로 인한 손실을 방지한다. 이러한 혁신 기술은 산업용 AI의 실행 계층을 강화해 디지털 통찰력을 실제 생산 환경의 실질적인 행동으로 전환하는 역할을 한다.

오라클이 기업의 업무 방식을 재정의하는 퓨전 에이전틱 애플리케이션(Fusion Agentic Applications)을 발표했다. 이 애플리케이션은 성과 지향적이며 추론에 기반해 선제적으로 작동하는 AI 에이전트 팀이 서로 협업하는 새로운 엔터프라이즈 소프트웨어 제품군이다. 오라클 퓨전 클라우드 애플리케이션에 내장된 이 서비스는 기업 내부의 데이터와 워크플로, 승인 체계 등에 안전하게 접근해 비즈니스 프로세스 안에서 직접 의사결정을 내리고 실행한다. 기존의 AI 어시스턴트와 달리 트랜잭션 시스템에서 기본으로 제공되어 기업 규모의 실시간 작업이 가능하다는 점을 특징으로 내세운다. 오라클은 퓨전 에이전틱 애플리케이션이 단순한 기록 시스템을 넘어 설정된 비즈니스 목표를 달성하기 위해 직접 판단하고 행동하는 단계로 발전했다고 설명했다. 오라클의 스티브 미란다 부사장은 “기존의 업무 방식은 프로세스 관리에 너무 많은 시간이 소모되어 오늘날의 비즈니스 속도에 부합하지 않는다”면서,  “이번 애플리케이션은 기업이 더 빠르게 성과를 창출하고 전략적 활동에 집중하도록 도울 것”이라고 밝혔다.     이 애플리케이션은 구체적인 역할과 전문성을 가진 AI 에이전트 그룹으로 구성된다. 에이전트들은 목표 달성을 위해 어떤 업무를 언제 수행해야 하는지 스스로 판단하며 기존 보안 프레임워크 내에서 자율적으로 움직인다. 사람은 결과가 크게 달라질 수 있는 예외 사항이나 중요한 의사결정 단계에만 관여하게 된다. 이를 통해 기업은 업무 진행 과정에서 사용자가 상황을 반복해서 설명할 필요 없이 지속적인 맥락을 유지하며 업무를 추진할 수 있다. 현재 오라클은 재무, 인사(HR), 공급망, 고객 경험 분야에서 활용 가능한 22개의 신규 에이전틱 애플리케이션을 제공하고 있다. 워크포스 오퍼레이션즈(Workforce Operations) 에이전틱 애플리케이션은 인사 관리자가 데이터 수집 시간을 줄이고 급여 관련 문제를 예방하도록 돕는다. 공급망 분야에서는 디자인 투 소스 워크스페이스(Design-to-Source Workspace) 에이전틱 애플리케이션을 통해 제품 비용과 규제 준수 위험을 낮출 수 있다. 영업 팀을 위한 크로스셀 프로그램 워크스페이스(Cross-Sell Program Workspace) 에이전틱 애플리케이션은 성장 기회를 선제적으로 파악해 고객 유치 비용을 절감하며, 재무 팀용 콜렉터스 워크스페이스(Collectors Workspace) 에이전틱 애플리케이션은 대금 회수를 가속화해 현금 흐름을 개선한다. 이러한 서비스는 오라클 클라우드 인프라스트럭처(OCI)에서 거대 언어 모델(LLM)을 기반으로 구동된다. 오라클은 기업이 직접 AI 자동화 시스템을 구축할 수 있도록 오라클 AI 에이전트 스튜디오(Oracle AI Agent Studio)도 함께 지원한다. 기업은 에이전틱 애플리케이션 빌더(Agentic Applications Builder)를 활용해 복잡한 개발 과정 없이도 오라클이나 파트너사의 에이전트를 연결해 사용할 수 있다. 오라클은 가시성과 투자 대비 효과 측정, 안전 제어 기능을 통해 에이전트가 대규모 환경에서도 안전하게 가치를 창출할 수 있다고 덧붙였다.

가트너가 2030년까지 1조 개 파라미터를 보유한 거대 언어 모델(LLM)의 추론 비용이 2025년과 비교해 90% 이상 줄어들 것이라는 전망을 내놓았다. 생성형 AI 모델이 처리하는 기본 데이터 단위인 AI 토큰은 이번 분석에서 약 3.5바이트로 정의되었다. 가트너는 반도체와 인프라의 효율 개선, 모델 설계 혁신, 추론 특화 반도체 확대 등에 힘입어 2030년에는 LLM의 비용 효율이 2022년 초기 모델 대비 최대 100배까지 좋아질 것으로 내다봤다. 가트너는 이번 비용 분석을 위해 최첨단 반도체 기반의 프런티어 시나리오와 기존 반도체를 혼합해 사용하는 레거시 혼합 시나리오를 활용했다. 분석 결과 레거시 혼합 시나리오는 연산 성능이 상대적으로 낮아 프런티어 시나리오보다 비용이 상당히 높은 것으로 나타났다.   ▲ 가트너의 생성형 AI 추론 비용 시나리오 전망   하지만 토큰 단가가 떨어진다고 해서 기업의 AI 관련 비용이 곧바로 줄어들지는 않을 것으로 보인다. 고도화된 AI 기능일수록 더 많은 토큰을 사용하는 구조적 특성 때문이다. 가트너의 분석에 따르면 AI 에이전트는 기존 챗봇보다 작업당 최소 5배에서 최대 30배 많은 토큰을 필요로 한다. 토큰 단가의 하락 속도보다 토큰 사용량의 증가 속도가 더 빠르기 때문에, 전체적인 추론 비용은 오히려 늘어날 가능성이 크다. 가트너의 윌 소머 시니어 디렉터 애널리스트는 “제품 총괄 책임자는 범용 토큰 가격의 하락을 고급 추론 역량의 대중화로 오해해서는 안 된다”고 강조했다. 기본적인 AI 기능은 비용이 거의 들지 않는 수준이 되겠지만, 고급 추론을 위한 컴퓨팅 자원과 시스템은 여전히 희소하다는 설명이다. 그는 이어 “저렴한 토큰 비용에 의존해 아키텍처의 비효율을 방치하는 기업은 향후 에이전트 기반 AI를 확장하는 단계에서 한계에 부딪힐 것”이라고 경고했다. 가트너는 앞으로 다양한 모델 포트폴리오 사이에서 업무 부하를 효율적으로 조정하는 플랫폼의 가치가 높아질 것이라고 전망했다. 자주 반복되는 업무는 소형 모델이나 도메인 특화 모델로 처리하고, 비용이 많이 드는 프런티어급 모델은 복잡하고 가치가 높은 추론 작업에만 선택적으로 활용해야 한다는 전략이다. 이러한 멀티 모델 운영 방식은 특정 작업 흐름에서 범용 모델보다 낮은 비용으로 더 뛰어난 성능을 제공할 수 있다.