주요 CAD 벤더들이 최근 들어 일제히 AI 기능을 정식 제품에 통합하고 있다. 그동안 프리뷰나 베타 단계에 머물러 있던 기능들이 잇따라 정식 출시되면서, 업계에서는 AI가 더 이상 CAD의 부가 기능이 아니라 표준이라는 평가가 나오고 있다. 주요 캐드 벤더의 최근 행보를 정리했다.   캐드 벤더  AI 동향(이미지 제작: 챗GPT)   1. 업계 공통 흐름: 3가지 핵심 AI 기능 (1) 제품 지원 챗봇 사용 설명서와 지원 문서를 학습한 AI 챗봇은 이미 여러 CAD 프로그램에 자리 잡았다. Onshape의 'AI Advisor', 지멘스 Solid Edge·NX의 'Design Copilot', 오토데스크의 'Autodesk Assistant', 다쏘시스템 3DEXPERIENCE의 가상 도우미 'Aura', 트림블 스케치업의 'AI Assistant' 등이 대표적이다. 기존 대형언어모델(LLM)을 자사 지원 문서에 맞춰 튜닝하는 방식이라 구현 부담이 상대적으로 낮다는 점이 확산 배경으로 꼽힌다. ② 도면 자동 생성 3D 모델을 2D 도면으로 변환하는 반복 작업에도 AI가 적용되고 있다. 오토데스크 Fusion의 'Automated Drawings'는 템플릿과 AI 모델을 결합해 표준 체결 부품(볼트·너트 등)을 자동으로 인식하고 도면에서 제외하는 방식으로 작업 시간을 줄인다. 지멘스는 Solid Edge(현 Designcenter Solid Edge)에서 최소한의 입력만으로 도면 뷰의 최대 80%까지 자동 생성하는 기능을 공개했으며, 다쏘시스템 역시 SOLIDWORKS에 유사 기능을 준비 중인 것으로 알려졌다. ③ 생성형 렌더링 장면의 조명·재질을 수동으로 세팅하지 않고 텍스트 프롬프트만으로 사실적인 렌더링 이미지를 생성하는 기능이다. 트림블 스케치업이 'SketchUp AI Render'로 이 기능을 상용화했고, 오토데스크와 다쏘시스템도 각각 Fusion과 SOLIDWORKS에 관련 기능을 시연·예고한 상태다. 2. 벤더사들의 AI 관련 주요 동향 (1) 오토데스크: Fusion·Inventor 전방위 AI 확장 오토데스크는 'Autodesk Assistant'라는 단일 브랜드로 Fusion, Inventor, Moldflow, Vault 등 제품 디자인·제조(PD&M) 포트폴리오 전반에 AI를 확산시키는 전략을 펴고 있다. 회사 측은 프런티어 모델과 자체적으로 구축한 3D 설계 특화 모델을 결합하는 방식이라고 설명한다. Fusion에서는 자연어 명령으로 Fusion API 전체 기능에 접근할 수 있는 '프롬프트-투-API' 방식이 도입됐고, 이미지 생성(렌더링) 기능도 상용 구독자 기준 월 20회까지 제공된다. 4월에는 Fusion 관련 데이터를 조회·관리할 수 있는 'Autodesk Fusion Data MCP' 서버가 공개돼 Claude Desktop, VS Code 등 외부 AI 도구와의 연동이 가능해졌다. 같은 달 Anthropic은 오토데스크, 블렌더, 어도비 등과 파트너십을 맺고 Fusion용 MCP 커넥터를 출시했다. 이를 통해 자연어 입력만으로 형상을 생성하는 'Text-to-CAD' 워크플로가 구현된다. 3월에는 인벤터 2027이 출시되며 'Autodesk Assistant'가 테크 프리뷰 형태로 처음 도입됐다. 작업 화면 옆에 도킹되는 패널을 통해 자연어로 모델 정보를 조회하고 분석할 수 있으며, Model Context Protocol(MCP)을 기반으로 실제 모델 구조와 속성에 근거한 응답을 제공하는 점이 특징이다. 다만 5월 기준으로 파라미터 업데이트, iProperty 편집, 컴포넌트 상태(가시성·억제 등) 변경 등 비형상 데이터 작업까지는 지원하지만, 3D 형상 자체를 직접 생성하거나 수정하는 기능은 아직 제공되지 않아 어시스턴트가 "이해와 분석" 단계에 머물러 있다는 평가도 있다. 인벤터에는 이와 별개로 위상 최적화 기반의 'Shape Generator'가 이미 정식 기능으로 자리 잡았고, iLogic 자동화도 이번 릴리스에서 드래그 앤 드롭 방식의 시각적 프로그래밍인 'iLogic Codeblocks'로 확장돼 코드 작성 없이도 자동화 로직을 구성할 수 있게 됐다.   (2) 다쏘시스템: '생성 경제'를 표방한 SOLIDWORKS 2026 다쏘시스템은 지난해 11월 SOLIDWORKS 2026을 출시하며 '생성 경제(Generative Economy)'라는 슬로건 아래 AI 기반 설계·협업·데이터관리 기능을 대거 반영했다. 도면 작성과 상세 작업을 가속하는 생성형 AI 기능, 볼트·너트 등 표준 체결 부품을 자동으로 인식해 조립하는 기능, 커뮤니티 게시글·위키·Q&A에서 인사이트를 추출해 답변을 제공하는 가상 도우미 'Aura' 등이 새롭게 포함됐다. 지난 2월 미국 휴스턴에서 열린 '3DEXPERIENCE World 2026'에서는 설계부터 시뮬레이션, 제조, 거버넌스에 이르는 제품 전 주기에 걸친 AI 적용 사례가 집중적으로 소개됐다. (3) PTC: Creo 13에 AI 어시스턴트 3단계 도입 PTC는 지난 6월 Creo 13과 SaaS 버전 Creo+ 13.3을 발표하며 'Creo AI Assistant'를 공식화했다. 어시스턴트는 세 단계로 구성된다. 모든 사용자에게 기본 제공되는 'Advise'는 채팅 인터페이스를 통해 모범 사례와 공식 문서 기반의 설계 가이드를 제공하고, 별도 확장팩 형태인 'Assist'(베타)는 3D 모델을 직접 분석해 설계 결함을 조기에 발견하고 규정 준수 여부를 검증하며, 'Automate'(알파)는 CAD 형상을 이해해 설계를 생성·수정·최적화하는 수준까지 나아간다. PTC는 AI 어시스턴트 도입으로 특정 개인에게 집중돼 있던 노하우 의존도를 낮출 수 있다는 점을 이번 도입의 의미로 강조했다. 이와 함께 2016년 출시 이후 꾸준히 고도화돼 온 생성형 위상 최적화(GTO)·클라우드 기반 생성설계 확장팩(GDX) 등 기존 생성설계 도구도 이번 릴리스에서 어셈블리 단위 최적화와 멀티피직스 해석 범위 확장이 이뤄졌다. PLM 솔루션 윈칠(Windchill)과의 연계를 통해 AI가 제안한 설계 대안에도 기존과 동일한 변경 이력·버전 관리가 적용된다는 점도 특징이다. (4) 종합: AI, 도구에서 워크플로 파트너로 세 벤더의 행보를 종합하면 공통된 방향성이 보인다. 첫째, AI 챗봇은 이제 기본 지원 기능을 넘어 실제 작업을 수행하는 '에이전트'로 진화하고 있다. 둘째, MCP(Model Context Protocol) 같은 개방형 표준을 통해 CAD 소프트웨어와 외부 AI 모델(Claude 등)을 연결하려는 시도가 확산되고 있다. 셋째, 아직까지 AI가 형상을 자유롭게 생성·수정하는 단계에는 이르지 못했으며, 대부분의 벤더가 "AI는 제안하고 최종 판단은 엔지니어가 한다"는 원칙을 강조하고 있다는 점도 공통적이다. 국내 CAD 사용자와 기업 입장에서는 이러한 AI 어시스턴트가 아직 베타·프리뷰 단계인 경우가 많은 만큼, 정식 반영 시점과 국내 라이선스 정책을 함께 확인해 도입 전략을 세울 필요가 있어 보인다. 3. 보급형·대안 CAD 벤더 AI 동향 대안캐드 벤더 AI  동향(이미지 제작: 챗GPT) 오토캐드 호환 보급형 CAD 진영에서도 AI를 앞세운 경쟁이 본격화되고 있다. 다만 이 진영은 대형 벤더와 달리 LLM 기반 대화형 어시스턴트보다는 반복 작업 자동화에 'AI'라는 이름을 붙이는 경우가 많아, 실제 기능 수준을 구분해서 볼 필요가 있다. (1) CADiAN(캐디안) 국내 개발 CAD인 캐디안은 지난 해 11월 'CADian 2026'을 출시하며 스마트 치수, 중심선 자동 생성, 상세도 작성기 등 반복 작업 자동화 기능을 대폭 강화했다. 이와 별개로 도면 이미지·DWG 파일 내 객체를 AI가 자동 탐지해 도면을 재구성하고 BOM을 자동 산출하는 'AI-CE(AI-Cost Estimation)', 전통 목조 건축물을 AI로 가상 복원하는 'TWArch' 등 특화 AI 솔루션도 함께 선보이고 있다. 올해 4월에는 AI-CE와 경량 2D 솔루션 'CADian 2026 Classic'을 앞세워 유럽 시장 공략에 나섰으며, 2026년 초에는 AI 기반 PDF 문자 자동 인식, AI 기반 도움말 기능도 추가될 예정이다. (2) GstarCAD Gstarsoft는 지난 6월 ‘Faster by Core, Smarter by AI’를 슬로건으로 내건 GstarCAD 2027을 출시했다. 이번 버전은 재생성·줌·이동 등 주요 명령 속도를 10% 이상, GPU 가속 성능을 최대 80% 이상 끌어올리는 등 엔진 성능 개선이 핵심이며, 동적 블록 파라메트릭 구속조건·중심선 자동 생성 같은 실무 기능도 추가됐다. 또한 Gstarsoft는 지난 6월 CAD·BIM·클라우드·AI를 아우르는 신규 포트폴리오를 공개하며, 자연어로 설계 생성·작업 자동화·엔지니어링 지식 검색을 지원하는 'AI Assistant'와 이미지 기반 도면을 편집 가능한 CAD 객체로 변환하는 'AI ScanToCAD'를 새롭게 선보였다. 건축 특화 제품인 GstarBIM 2027에도 AI 지원 시각화 기능이 추가됐다. (3) ZWCAD 지난 해 출시된 ZWCAD 2026은 '스마트 매치'(회전·크기 변형된 동일·유사 객체 일괄 수정), '유사 검색'(외부 도면에서 유사 블록·객체 검색), 자체 개발 구속조건 엔진 기반의 파라메트릭 설계 기능을 'AI 기반 자동화'로 소개했다. 이후 공개된 ZWCAD 2027 베타에는 3D 모델을 사실적으로 렌더링하는 기능과 RVT 파일 가져오기 개선 등이 추가된 것으로 보인다.    4. AI로 인한 변화와 혜택 AI의 적용으로 캐드 업계와 작업 방식의 변화는 어떻게 이루어지고 있을까. 이러한 변화가 실제 사용자와 기업에 가져올 혜택도 짚어볼 만하다. ■ 반복 업무 감소 : PTC는 파라미터 정의, 문서화 등 반복 작업을 AI가 자동화해 수작업 부담을 30~50%까지 줄일 수 있다고 설명한다. 엔지니어는 그만큼 시스템 설계·시뮬레이션 같은 고부가가치 업무에 집중할 수 있다. ■ 진입장벽 완화 : SOLIDWORKS의 AI 시뮬레이션 어드바이저처럼 해석 조건 설정을 AI가 보조하면서, 비전문 인력도 정밀 시뮬레이션에 접근할 수 있게 된다. ■ 협업 오류 감소: A&E 분야 조사에 따르면 AI 기반 협업 도입 시 프로젝트당 정보요청서(RFI)가 평균 6건에서 3건으로 줄어드는 등, 설계-시공 간 충돌을 사전에 걸러내는 효과가 보고된다. ■ 온보딩 단축: Advise형 챗봇은 신규·저경험 사용자의 학습 곡선을 낮춰, 특정 숙련자에게 쏠린 노하우 의존도를 줄이는 효과가 있다. 이처럼 긍정적인 평가에도 남는 과제는 비용·숙련도 장벽으로 도입 속도에 기업별 편차가 클 수 있고, 클라우드 기반 AI 확산에 따라 데이터 거버넌스·보안 검토가 새로운 도입 조건으로 떠오르고 있다는 것이다. 또한 캐드 벤더사 측면에서는 AI가 크레딧(토큰) 형태로 사용되면서 새로운 추가 수익 모델로 여겨지기도 하나, AI가 가져오는 매출 증가가 관련 인력을 줄일 수도 있을 것으로 보여 시장 재편의 신호탄이 될 수 있다는 우려도 나온다 실제로 일부 벤더는 AI 기능을 구독형 요금제의 상위 티어로 묶거나 별도의 크레딧 과금 방식으로 제공하기 시작했는데, 이는 라이선스 판매에 의존해온 기존 수익 구조가 사용량 기반 과금으로 조금씩 옮겨가고 있음을 보여준다.  이 과정에서 설계 인력은 반복 작업을 AI에 맡기고 검증·판단에 집중하는 방향으로 재편될 가능성이 크다는 것이 업계 전반의 시각이다. 캐드와 AI의 만남은 향후 엄청난 변화를 가져올 것으로 예상되며, 이것을 거스를 수 없는 대세가 되어 가고 있다.  결국 AI가 캐드 산업에 가져올 변화는 '누가 더 적은 인력으로, 더 빠르고 정확하게 설계를 완성할 수 있도록 지원하느냐'는 구도로 변화해 갈 것으로 보인다.   

개발 및 공급 : 지멘스 디지털 인더스트리 소프트웨어 주요 특징 : 지멘스 심센터 STAR-CCM+의 기하학적 딥러닝 기술을 활용해 AI 기반 설계 탐색 가속, AI 기반 모델을 통해 심센터 STAR-CCM+에서 수천 개의 설 계 변형을 신속하게 탐색, 고충실 CFD 결과 기반 내장 검증 기능으로 형상 성능 예측 등   ▲ 심센터 피직스AI는 심센터 STAR-CCM+ 기하학적 딥러닝 기술을 활용해 AI 기반 설계 탐색을 가속한다.   지멘스가 심센터 피직스AI(Simcenter PhysicsAI) 소프트웨어를 통해 심센터 고급 엔지니어링 시뮬레이션·테스트 설루션 포트폴리오를 확장한다고 발표했다. 심센터 피직스AI는 엔지니어가 혁신적인 설계 개념과 다양한 변형안을 거의 즉시 평가할 수 있도록 지원한다. 심센터 피직스AI는 지멘스 심센터 STAR-CCM+ 소프트웨어의 검증된 기하학적 딥러닝 기술을 활용해 AI 기반 설계 탐색을 가속한다. 새로 도입된 기능을 통해 엔지니어는 전산 유체 역학(CFD) 시뮬레이션 데이터로부터 고효율 AI 차수 축소 모델(reducedorder model : ROM)을 생성하고, 기존 워크플로 대비 약 1000배 빠른 속도와 더 적은 컴퓨팅 자원으로 다양한 설계 시나리오를 탐색할 수 있다. 심센터 피직스AI는 엔지니어가 시뮬레이션 결과를 토대로 AI 대리 모델(surrogate model)을 훈련하고 검증할 수 있도록 지원한다. 또한 통합된 시뮬레이션 환경 내에서 새로운 형상에 대한 예측을 거의 즉시 실행할 수 있으며, 검증 기준으로 고충실(highfidelity) CFD 시뮬레이션을 손쉽게 활용할 수 있도록 한다. 이를 통해 엔지니어링 팀은 설계 검토 시간을 수 분 단위로 대폭 단축하고, 더 적은 컴퓨팅 자원으로 더 많은 설계를 탐색하며, 의사결정 속도를 높일 수 있다.   주요 기능 엔지니어를 위해 설계된 심센터 피직스AI는 AI ROM의 생성과 활용을 간소화해 다음과 같은 기능을 지원한다.   폭넓은 설계 공간 탐색 수천 개의 설계 변형(design variant)에 대한 성능을 몇 분 만에 신속하게 평가할 수 있다. 기하학적 데이터에 최적화된 고급 트랜스포머 신경망 아키텍처를 활용해 예측 모델을 훈련한다.   기존 시뮬레이션 자산의 재사용성 향상 기존 실험계획법(design of experiments : DOE) 연구를 포함한 과거 데이터와 신규 생성 결과를 토대로 AI 모델을 훈련할 수 있다. 이를 통해 CFD 시뮬레이션 재실행 부담을 줄인다.   더 빠른 반복 주기 초기 단계의 설계 선별 과정을 솔버 실행에서 AI 추론 기반으로 전환한다. AI ROM을 최적화 연구에 통합해 몇 주가 걸리던 수백 개 설계 변형 탐색을 몇 시간 만에 수행할 수 있다.   내장 검증 기능과 신뢰성 확보 오차 지표와 검증 도구를 통해 예측 정확도를 정량화하고, AI 모델이 올바른 성능 추이를 반영하도록 보장해 신뢰도 높은 엔지니어링 의사결정을 지원한다.   GPU 가속 설계 탐색 심센터 피직스AI는 GPU 가속을 활용해 최적의 성능을 제공하며, GPU 기반 예측은 CPU 대비 최대 100배 빠르게 수행된다.   ▲ 심센터 피직스AI를 통해 엔지니어는 기존 CFD 결과를 GDL 훈련 데이터로 재사용하고 예측 모델을 더 빠르게 구축할 수 있다.   지멘스 디지털 인더스트리 소프트웨어의 샘 마할링엄(Sam Mahalingam) 시뮬레이션·HPC·AI 부문 수석 부사장은 “엔지니어링 시뮬레이션의 한계는 물리 법칙이 아니라 얼마나 빠르게 가능성을 탐색할 수 있는지에 달려 있다. 지멘스의 전략은 고객이 과거 작업에서 학습하고, 탐색 속도를 높이며, AI를 혁신을 위한 방향 제시 엔진으로 활용하도록 돕는 것이다. 지멘스는 결정론적 진실(deterministic truth)을 대체하는 것이 아니라, 이를 확장 가능하고 즉각적으로 활용할 수 있도록 하는 데 집중하고 있다”면서, “지멘스는 AI를 활용해 엔지니어가 문제 해결을 위한 최적의 설루션을 빠르게 탐색하고 찾아낼 수 있도록 지원하고 있다. 심센터 피직스AI는 전례 없는 속도와 지능으로 문제 해결을 지원하며, 엔지니어가 반복 작업과 파편화된 데이터에서 벗어나 창의성과 혁신 가속에 집중할 수 있도록 돕는다”고 말했다. 심센터 피직스AI는 현재 심센터 STAR-CCM+의 애드온(add-on)으로 제공된다. 기존 고객과 신규 고객 모두 지멘스·알테어 통합 제품 생태계 전반에 걸쳐 지속적인 혁신과 확장된 기능의 혜택을 누릴 수 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

개발 및 공급 : 헥사곤 주요 특징 : 단일 디지털 트윈 환경에서 NC 프로 그램 검증·시뮬레이션·최적화 통합 기능 강화, 선택적 시뮬레이션 기능으로 장시간·복잡한 가공 프로그램의 공정 상태를 더 빠르게 확인, GPU 기반 잔여 소재 미리보기 기능으로 중요 공정을 보다 빠르게 검토 및 최종 검증 단계에서 전체 시뮬레이션 유지 등     헥사곤 생산 소프트웨어 사업부가 NC 프로그램 검증, 시뮬레이션, 최적화를 통합 지원하는 NCSIMUL(엔씨시뮬)의 최신 버전을 출시하고, 새로운 ‘선택적 시뮬레이션 (Selective Simulation)’ 기능을 공개했다. 헥사곤의 NCSIMUL은 단일 디지털 트윈 환경에서 G코드(G-code) 검증, CNC 시 뮬레이션, 최적화 기능을 통합 제공한다. 제조업체는 이를 활용해 NC 프로그램을 검증하고 가공 효율을 높이는 한편, 고가 장비에서 위험 부담이 크거나 시간이 많이 소요되는 테스트 가공(prove-out) 작업을 줄일 수 있다. 최근 프로그래밍 및 가공 워크플로가 점차 빨라지면서, 제조 현장에서는 생산 리스크를 최소화하면서도 속도를 유지할 수 있는 검증 역량의 중요성이 커지고 있다. 특히 고부가가치 가공 환경에서는 하나의 프로그램에 수십 시간의 장비 가동 시간과 다수의 공정이 포함되는 경우가 많아, 주요 공정을 정밀하게 검토하는 과정이 필수이다. NCSIMUL에 새롭게 추가된 선택적 시뮬레이션 기능은 장시간 동안 복잡한 프로그램을 보다 빠르게 검토할 수 있도록 지원한다. 특허 출원 중인 해당 기능은 GPU 기반 잔여 소재 미리보기(Rest Stock Preview)를 활용해 NC 디코딩 단계에서 중간 소재 모델을 생성하고, 프로그램 진행 과정에서 공작물 상태가 어떻게 변화하는지를 조기에 확인할 수 있도록 한다. 미국의 한 글로벌 스포츠웨어 기업이 장주기 금형 가공 애플리케이션을 대상으로 진행한 고객 테스트에서는, 기존에는 47시간 가공 사이클 프로그램에서 원하는 공정을 확인하기 위해 48분 동안 순차 시뮬레이션을 수행해야 했다. 반면 선택적 시뮬레이션 기능을 활용한 경우, 잔여 소재 미리보기를 2분 이내에 생성할 수 있다.   ▲ 이미지 출처 : NCSIMUL 유튜브 캡처   프로그래머는 이러한 미리보기 기능을 통해 공정 단계별 공작물 상태를 확인하고, 문제를 조기에 발견하며, 보다 집중적인 검토가 필요한 공정으로 빠르게 이동할 수 있다. 잔여 소재 미리보기 기능 은 초기 검토와 반복 작업 효율을 향상시킨다. 최종적으로 프로그램을 장비에 적용하기 전에는 충돌 감지와 소재 제거 정확도를 포함한 전체 NC 코드 시뮬레이션이 최종 검증 기준으로 유지된다. 헥사곤 생산소프트웨어 사업부의 재스퍼 샌더스(Jasper Sanders) NCSIMUL 제품 매니저는 “NCSIMUL의 핵심 가치는 언제나 시뮬레이션 정확도에 있으며, 이번 업데이트 이후에도 그 점은 변함이 없다”면서, “선택적 시뮬레이션 기능을 통해 프로그래머는 복잡한 프로그램을 보다 유연하게 검토할 수 있게 됐다. 훨씬 이른 단계에서 유용한 정보를 확보하고, 가장 중요한 공정에 집중하면서도, 최종 검증 단계에서는 기존 NCSIMUL 시뮬레이션 엔진을 그대로 활용할 수 있다”고 말했다. 이번 기능은 생산 이전 단계에서 제조업체의 생산성과 효율성을 보호하는 NCSIMUL의 역할도 한층 강화한다. 시뮬레이션과 최적화를 단일 환경에서 통합 지원함으로써, NC 프로그램 배포 전 필요한 신뢰성과 동시에 고도화된 가공 워크플로를 유지하기 위한 효율성을 함께 제공한다. 헥사곤 생산소프트웨어 사업부의 피터 아멜루트(Peter Ameloot) EMEA 북부 지역 시니어 디렉터는 “제조업체들은 시간과 숙련 인력, 장비 가동 역량을 더욱 효율적으로 활용해야 하는 압박을 받고 있다”면서, “특히 검증 단계에서는 프로그램을 실제 장비에 적용하기 전 충분한 신뢰성을 확보해야 하지만, 불필요한 지연 역시 최소화해야 한다. 이번 최신 버전을 통해 NCSIMUL은 엔지니어가 장시간·복잡한 프로그램을 보다 효율적으로 검토하고, 중요한 공정에 집중할 수 있도록 지원한다”고 말했다.   ▲ 이미지 출처 : NCSIMUL 유튜브 캡처     ■ 기사 내용은 PDF로도 제공됩니다.

개발 및 공급 : 엔비디아 주요 특징 : 높은 전력 효율, 풀스택 엔비디아 AI·그래픽 기술, 최대 128GB 통합 메모리 제공, 오픈쉘 포함 네이티브 윈도우 환경 제공, 90GB 이상 3D 장면 렌더링, 12K 4:2:2 영상 편집, 4K AI 영상 생성, 최대 100만 토큰 컨텍스트 갖춘 1200억 파라미터 LLM 실행, 1440p 해상도 초당 100프레임 속도로 AAA 급 게임 플레이 지원 등     엔비디아가 개인용 AI 에이전트 시대에 맞춰 윈도우 PC를 재정의하는 새로운 슈퍼칩인 ‘엔비디아 RTX 스파크(RTX Spark)’를 공개했다. 미디어텍과 함께 개발되고 마이크로소프트 윈도우 OS에서 구동되는 RTX 스파크는 단순한 도구를 넘어 협업 파트너 역할을 수행하는개인용 에이전트에 최적화된 컴퓨터를 제공한다. AI, 창작, 게이밍을 위해 설계된 RTX 스파크는 엔비디아의 혁신 기술을 하루 종일 지속되는 배터리 수명을 갖춘 슬림 윈도우 노트북과 전력 효율이 뛰어난 데스크톱 PC에서 구현한다. 핵심 기술에는 엔비디아 쿠다(CUDA), 엔비디아 RTX, DLSS, FP4, 엔비디아 텐서RT(TensorRT), 엔비디아 옵틱스(OptiX), 리플렉스(Reflex), 지싱크(G-SYNC) 등이 포함된다. 엔비디아의 젠슨 황 CEO는 “지난 40년 동안 사용자는 직접 앱을 실행하고, 클릭하며, 입력했다. 그러나 이제 RTX 스파크와 마이크로소프트 윈도우를 통해 사용자가 요청하기만 하면 PC가 작업을 수행한다. RTX 스파크는 엔비디아가 구축한 모든 것, 즉 쿠다, RTX, AI 플랫폼을 하나의 슈퍼칩에 담았다. 로컬 에이전트, 프런티어 모델, 크리에이티브 워크플로, RTX 게임까지 모두 노트북에서 구현 가능하다. 이것이 바로 새로운 PC인 개인용 AI 컴퓨터”라고 말했다. RTX 스파크 슈퍼칩은 6144개의 쿠다 코어와 FP4 정밀도를 지원하는 5세대 텐서 코어(Tensor Cores)를 갖춘 엔비디아 블랙웰 RTX GPU(Blackwell RTX GPU)를 탑재했다. 이 GPU는 엔비디아 NV링크-C2C(NVLink-C2C) 칩-투-칩 인터커넥트를 통해 고성능 20코어 엔비디아 그레이스 CPU(Grace CPU)와 연결된다.   개인용 에이전트를 위한 특화 설계 AI 에이전트는 전환점을 맞이했으며, 오픈클로(OpenClaw), 헤르메스 에이전트(Hermes Agent) 등 오픈소스 프로젝트는 깃허브(GitHub), 오픈라우터(OpenRouter)와 같은 개발자 네트워크에서 기록적인 성과를 달성하고 있다. 그러나 사용자의 메인 PC에서 에이전트를 안전하고 비공개로 실행할 수 없는 한계로 인해 광범위한 도입은 제한돼 왔다. 엔비디아와 마이크로소프트는 이러한 과제를 해결하기 위해 온 디바이스 에이전트를 위한 강력하고 안전한 윈도우 플랫폼을 제공하기 위해 협력하고 있다. 이번 협력은 에이전트가 안전하고, 사용자의 완전한 통제 아래 실행될 수 있도록 보장하는 새로운 윈도우 보안 프리미티브와 엔비디아 오픈쉘(OpenShell) 런타임 기반에서 출발한다. 새로운 윈도우 프리미티브는 에이전트를 네이티브로 구축하고 실행하는데 필요한 ID, 격리, 정책, 엔드 투 엔드 보안 기능을 제공한다. 엔비디아 오픈쉘은 에이전트가 수행할 수 있는 작업과 수행할 수 없는 작업을 사용자가 정의할 수 있도록 추가적인 정책 기능을 제공한다. 또한 사용자의 개인정보 보호 정책에 따라 쿼리를 로컬 모델로 지능적으로 라우팅하고, 클라우드 모델로 전송되는 쿼리의 개인정보를 가릴 수 있도록 한다. 이러한 보안과 개인정보 보호 계층은 헤르메스 에이전트, 오픈클로와 같은 주요 에이전트 개발사가 새로운 윈도우 앱에 도입하고 있다. 이 새로운 앱을 통해 사용자는 윈도우 애플리케이션에서 작업을 실행하고, 앱 간 워크플로를 추론하며, 이미지와 영상을 생성하고, 플러그인과 앱을 코딩하며, 로컬 파일을 의미 기반으로 검색할 수 있는 강력한 온디바이스 에이전트에 쉽고 안전하게 접근할 수 있다. 로컬 기기에서 에이전트를 구동하려면 강력한 보안 체계와 고성능 하드웨어가 모두 필요하다. RTX 스파크는 온디바이스 에이전트의 처리 요구를 충족하기 위해 최대 1페타플롭의 AI 컴퓨팅 성능과 128GB 통합 메모리를 제공한다. 이러한 기반을 바탕으로 엔비디아와 마이크로소프트의 협력은 윈도우 작업 표시줄 사용자 인터페이스에서 접근할 수 있는 새로운 RTX 스파크 기반 윈도우 에이전트 경험으로 확장될 예정이다.   ▲ 엔비디아 젠슨 황 CEO가 ‘GTC 타이베이 2026’ 행사에서 RTX 스파크를 소개했다.   풀스택 RTX 창작과 게이밍 RTX 스파크는 크리에이터, AI 개발자, 게이머를 위해 엔비디아 AI와 그래픽 기술 스택 전체를 제공한다. 사용자는 옵틱스와 DLSS를 통해 90GB 규모의 3D 장면을 렌더링하고, 엔비디아 블랙웰 디코더로 12K 4:2:2 영상을 편집하며, 100만 토큰 컨텍스트를 사용해 1200억 파라미터 대규모 언어 모델을 실행하고, 레이 트레이싱, DLSS, 리플렉스를 적용해 1440p 해상도에서 초당 100프레임 이상의 AAA급 게임을 플레이할 수 있다. RTX 스파크는 기존 기술 지원에 더해 새로운 RTX 기능도 지원할 예정이다. 여기에는 2세대 트랜스포머 모델을 탑재한 DLSS 4.5 레이 리컨스트럭션(DLSS 4.5 Ray Reconstruction)이 포함되며, 이는 블렌더 5.3(Blender 5.3)과 수십 개 게임에 적용될 예정이다. 또한 컴피UI(ComfyUI)에는 4배 프레임 생성(4x Frame Generation)을 지원하는 RTX 비디오(RTX Video)가 적용될 예정이다. RTX 기술은 1000개 이상의 게임과 애플리케이션에서 성능을 향상시키고 이미지 품질을 개선하며 강력한 AI 기능을 제공한다. 어도비, 블랙매직 디자인, 블렌더, 캡컷, 컴피UI, OTOY 등 100개 이상의 윈도우 소프트웨어 제공업체와 크래프톤, 넷이즈, 레메디 엔터테인먼트, 라이엇 게임즈, 엑스박스와 같은 게임 개발사가 새로운 RTX 스파크 플랫폼을 도입하고 있다.   강력한 크리에이티브 경험 제공 엔비디아는 어도비 프리미어와 포토샵을 RTX 스파크에 최적화하도록 재설계하기 위해 어도비와 협력하고 있다. 포토샵의 파이어 플라이(Firefly) 기반 생성형 채우기(Generative Fill)와 프리미어의 생성형 확장(Generative Extend)은 창작 역량, 정밀도, 제어력을 제공하는 수백 가지 가속 도구 중 일부다. RTX 스파크는 이러한 기능을 한층 더 발전시켜 크리에이티브 워크플로 전반에서 AI, 편집, 색 보정, 효과 처리 속도를 최대 2배까지 향상시킨다. 어도비 프리미어는 RTX 스파크의 통합 메모리, 블랙웰 GPU, 텐서RT 소프트웨어를 활용하는 새로운 영상 파이프라인을 탑재할 예정이다. 이를 통해 편집과 색 보정의 실시간 성능, GPU 가속 AI 성능, 복잡한 타임라인의 더 효율적인 렌더링을 제공한다. 또한 어도비 서브스턴스 3D 페인터(Adobe Substance 3D Painter)와 스테이저(Stager)는 더 부드럽고 반응성이 뛰어난 3D 텍스처링과 장면 제작 워크플로를 위해 RTX 스파크에서 네이티브로 실행될 예정이다. 어도비의 차세대 포토샵 엔진은 GPU 가속 합성에 최적화돼 라이브 필터, 하이 다이내믹 레인지(HDR), 현대적이고 자연스러운 브러시 표현을 지원한다. AI 네이티브 파이프라인은 텐서RT를 포함해 RTX 스파크의 전체 성능을 활용하도록 설계됐다. 어도비는 사용자가 윈도우 에이전트와 함께 창작, 편집, 디자인할 수 있도록 프리미어와 포토샵 기능을 추가로 확장할 예정이다. 이를 통해 크리에이터에게 워크플로를 가속화할 수 있는 협업 파트너를 제공할 계획이다.   다양한 크기를 위한 프리미엄 디자인 RTX 스파크 노트북은 두께 14mm, 무게 3파운드 수준의 슬림하고 가벼운 설계가 적용되며, 14~16인치 크기로 출시될 예정이다. 또한 내구성과 깔끔하고 현대적인 디자인을 결합한 정밀 가공 알루미늄 본체가 특징이다. 엔비디아 지싱크 기술을 탑재한 높은 색상 정확도의 탠덤(tandem) OLED 디스플레이는 창작 작업과 몰입감 있는 게이밍을 위한 뛰어난 시각 경험을 제공한다. 작고 전력 효율이 뛰어난 RTX 스파크 데스크톱은 에이전트, 크리에이티브 워크로드, 게이밍, 일상적인 업무 생산성에 맞춰 설계됐다. 주요 하드웨어 제조사들이 RTX 스파크를 기반으로 제품 개발을 추진하고 있으며, 이미 다수의 제품 설계가 개발 중이다. 윈도우 환경에서 에이전트를 제공하기 위한 엔비디아와 마이크로소프트의 협력은 윈도우용 엔비디아 DGX 스테이션(DGX Station for Windows)을 통해 개인용 에이전트를 넘어 프런티어 에이전트까지 확장된다. 이를 통해 엔비디아는 에이전트 실행을 위한 AI 슈퍼컴퓨터를 데스크사이드 환경에 제공하며, 블랙웰 아키텍처의 활용 범위를 엔터프라이즈 개발자까지 확대한다. RTX 스파크 노트북과 소형 데스크톱은 2026년 가을 에이수스, 델, HP, 레노버, 마이크로소프트 서피스, MSI 등 주요 제조사를 통해 출시될 예정이며, 에이서와 기가바이트 모델도 이후 출시된다.     ■ 기사 내용은 PDF로도 제공됩니다.

더 광범위한 타깃에게 창작물을 선보이는 방법   이번 호에서는 관계자 또는 고객이 사용하는 플랫폼이나 기기에 관계없이 이러한 경험을 제공하는 방법을 살펴본다. 배포란 결국 양질의 경험과 이를 활용한 장점을 누릴 사람들 사이에 존재하는 최종적인 마찰 요인을 제거하는 것이다. 이번 호의 내용은 사용자가 중앙 집중화되고 연결된 3D 애셋 라이브러리를 보유하고 있으며, 타깃 사용 사례에 맞게 경험을 구축 및 최적화했음을 전제로 한다. ■ 자료 제공 : 유니티 코리아   ▲ 이미지 제공 : Esri   실시간 3D 경험이 아무리 세련되고 효과적이더라도, 그 유용성은 누가 어디에서 액세스할 수 있는지에 따라 달라진다. 3D 애셋 라이브러리를 연결하고 표준화한 뒤 모델을 타깃 용도에 맞게 최적화했다면, 마지막 단계는 이러한 경험을 필요한 곳, 즉 데스크톱, 모바일, 웹, XR(확장현실) 헤드셋 및 HMI(휴먼-머신 인터페이스) 시스템 전반에 제공하는 것이다. 유니티 인더스트리 커스터머 석세스 부문의 헤닝 린 시니어 디렉터는 “물론 데스크톱 및 모바일과 같은 가장 일반적인 플랫폼에 배포하기가 가장 쉽다. 하지만 XR과 VR(가상현실)은 폼팩터가 그다지 다양하지 않기 때문에 조금 까다로울 수 있다. HMI는 모든 OEM이 다르게 구현하기 때문에 좀더 복잡하다”고 말한다. XR 헤드셋을 사용한 심층 교육 워크스루를 주최하든, 디자인 계획에 대해 협업을 진행하거나 매력적인 고객 경험을 제공하든, 각 플랫폼에는 고유한 강점과 약점, 그리고 활용처가 있다. 웹은 접근성이 뛰어나고, XR·VR은 몰입도를 최대화할 수 있는 최적의 선택이며, 데스크톱과 모바일은 일상적인 사용 면에서 유용하고, HMI는 임베디드 인텔리전스를 제공한다. 이제 목표는 이러한 디자인을 필요로 하는 사람들에게 제공하는 것이다.     최종적인 마찰 요인 : 실험실과 현장 간의 격차 해소 많은 사람이 비슷한 상황을 겪어 봤을 것이다. 인터랙티브 3D 제품 데모는 고사양 워크스테이션에서는 멋지게 보이지만, 공장 현장의 중급 태블릿에서 실행하면 올바르게 작동하지 않는다. 프레임 속도가 급격히 떨어지고, 다운로드가 지연되며, 조명이 강한 환경에서는 XR 트래킹도 끊기고, 다양한 관계자들이 가치를 느끼기도 전에 파일럿 버전이 멈춘다. 여기서 핵심은 이러한 경험이 무조건 ‘잘못된’ 것은 아니라는 점이다. 다만 적절한 방식으로 올바른 곳에 배포되지 않고 있을 뿐이다. 유니티의 사라 래시 산업 부문 시니어 VP 겸 제너럴 매니저는 “많은 조직에서 문제가 되는 것은 제한적인 개발자 리소스 풀이나 자금에 대한 접근성이다. 그래서 POC(proof of concept : 개념 검증) 단계에서 막히는 팀도 많다”면서, “그런 일이 발생하면 반복 작업을 수행하거나 필요한 사항을 변경할 수 있는 역량이 제한된다. 유니티에서는 이를 고려하여 기술을 담당하지 않는 팀도 유니티 애플리케이션에서 아이디어를 구상하고 스스로 디자인 및 반복 작업 프로세스를 시작할 수 있는 유니티 스튜디오(Unity Studio) 설루션을 출시했다”고 말했다.     기술적인 관점에서 배포가 실패하는 데에는 몇 가지 일반적인 이유가 있다. 성능 불일치는 경험이 타깃 하드웨어에 최적화되지 않았을 때 발생한다. 일반적으로 고사양 워크스테이션을 사용하여 경험을 구축하고 프로토타이핑하지만, 모바일, 웹, 스마트폰 또는 XR과 같은 저사양 플랫폼에 맞게 경험을 조정할 수도 있어야 한다. 기기 호환성과 배리에이션으로 인해, 특정 기기에서는 경험이 원활하게 작동하지만 다른 기기에서는 그렇지 않을 수 있다. 경험은 동일한 유형의 시스템(서로 다른 웹 브라우저, 스마트폰, GPU) 간에도 크게 다를 수 있다. 실질적인 조건의 다양성도 방해가 될 수 있다. 예를 들어 일반적인 실험실 환경에서는 XR 애플리케이션이 잘 작동할 수 있지만, 최적화되지 않았다면 밝은 조명의 공장에 배치되는 순간 모션 트래킹이 불안정해질 수 있다. 대규모 프로젝트의 경우, 확장성 문제는 견고한 멀티플랫폼 또는 멀티유저 아키텍처의 부족으로 인해 발생하는 경향이 있다. 예를 들어 CDN(콘텐츠 전송 네트워크)은 여러 대형 모델의 동시 다운로드를 처리하지 못할 수 있다. 마지막으로 인적 요인도 있다. 최종 사용자에 대해 충분한 교육이나 지원이 이루어지지 않으면 도입률이 낮을 수 있다. 겉보기에 사소해 보이는 문제라도 사용자가 바람직하지 않은 우회 방법을 찾게 만들거나 고객이 경쟁사로 돌아서게 만드는 결과로 이어진다. 물론 일부 기기는 다른 기기보다 대응하기 더 어려울 수 있지만, 이는 용도와 원하는 결과에 따라 다르다. 웹 브라우저는 보편적으로 사용되고 있음에도 불구하고 대응이 비교적 어려운 플랫폼에 속하는데, 그 이유는 대부분 제한된 메모리와 전용 GPU의 부재이다. XR 헤드셋(AR 또는 VR)의 경우 성능과 착용감 측면 모두에서 과제를 안고 있다. 차량이나 어셈블리 라인에서 사용되는 임베디드 HMI 시스템은 고도로 맞춤화된 하드웨어에서 실행되는 경향이 있으며, 그래픽스 처리 측면에서는 최상의 성능을 기대하기 어렵다. 이렇게 산적한 과제는 많지만, 배포 준비 상태를 테스트하고 필요에 따라 최적화할 수 있는 확실한 방법이 있다. 적절한 실제 환경의 타깃 기기에서 가능한 한 일찍 자주 테스트를 수행하면 출시 전에 모든 문제를 해결할 수 있다. 린은 “무엇이든 더 일찍 테스트할 수록 최종 제작물 배포가 더 쉬워진다”면서, “중요한 순간에 배포가 문제없이 이루어지도록 실제 엔드포인트에서 미리 테스트해야 한다. 예를 들어, 임베디드 HMI나 XR처럼 복잡한 기기 유형부터 시작해 하드웨어 패턴과 요구 사항을 정확히 파악한 다음, 이를 바탕으로 반복 작업을 통해 개선해 나가야 한다”고 설명했다.     모든 기기 및 최종 사용자를 고려하여 성능에 맞게 최적화 배포는 타깃 기기를 선택하고 그에 맞게 대응하며, 경험을 통해 원하는 결과를 달성하는 툴체인을 최적화하는 작업이다. 권한이 있는 단일 3D 모델은 여러 LOD를 계획하고, 적절한 조명을 적용하며, 기기 유형과 그 성능에 맞춰 물리 설정을 조정할 수 있도록 하면 어떤 플랫폼에서도 잘 작동할 수 있다. 린은 “달성하고자 하는 목표에 따라 다르지만, 어느 정도의 타협을 통해 좋은 결과를 얻을 수 있다. HMI와 XR에서도 마찬가지다. 모든 엔드포인트를 미리 파악하고, 고사양 엔드포인트에 대해 충실도 수준을 일정 수준으로 높이는 것이 중요하다”고 말한다.   ▲ 이미지 제공 : Prespective   웹 : 누구나 원활하게 접근할 수 있는 환경 웹만큼 넓은 도달 범위와 높은 접근성을 제공하는 플랫폼은 없다. 대부분의 웹 브라우저는 HTML5, CSS, 자바스크립트(JavaScript)를 모두 지원한다는 점에서 대체로 상호 호환성이 높다. 동시에, 최신 브라우저 역시 다운로드 용량, 메모리 사용량, 시작 시간과 관련해서는 거의 비슷한 한계를 공유하고 있다. 하지만 대다수의 사용자를 지원하려면 플러그인 없이 3D 그래픽스를 렌더링해야 하며, 이를 위해서는 충분한 하드웨어 성능이 필요하다. 예를 들어 통합 GPU로는 비교적 가벼운 신(scene)을 처리할 수 있지만, 페이로드 셰이더 복잡도가 더 높아지면 대부분의 중급 노트북이나 모바일 기기에서 속도가 느려지게 된다. 특히 고객이 직접 사용한다면 초기 로드 시간을 매우 중요한 자산으로 간주해야 한다. 일반적인 광대역 연결에서 경험이 몇 초 안에 로드되지 않으면 사람들은 계속 머무르지 않을 가능성이 높다. 더 복잡한 애셋의 경우, 모든 것을 한 번에 로드하려고 하기보다는 필요에 따라 여러 LOD를 스트리밍하는 것이 가장 좋다. 기기의 다양성에도 주의해야 한다. 내장형 그래픽스가 탑재된 구형 노트북에서는 사용 경험에 끊김이나 지연이 발생하는 특이 사례가 드러날 수 있다. 이러한 문제를 피하려면 중급 사양의 여러 기기에서 테스트하고, 지원되지 않는 기능에 대해 폴백 옵션을 설정하며, 일반적인 시청 환경에서는 30FPS 이상을 목표로 하는 것이 필요하다. 목표로 삼을 것 : 여러 LOD를 활용하여 텍스처 크기를 적극적으로 관리하고, 보이지 않는 내부 요소의 메시를 제거하거나 단순화하며, 유리, 금속, 페인트, 패브릭처럼 핵심 디테일 영역이 드러나는 ‘대표’ 표면과 상호 작용을 우선적으로 로드하는 스트리밍 콘텐츠 로딩을 적용한다.   ▲ 이미지 제공 : Google Maps   XR : 안정성이 뒷받침되어야 하는 몰입 경험 VR 및 AR(증강현실) 등의 확장현실 경험은 실습 교육이나 복잡한 워크스루처럼 공간적 이해가 중요한 경우 강점을 보인다. 반면 조금만 성능이 떨어져도 바로 문제가 드러난다는 단점도 있다. 대부분의 스탠드얼론 헤드셋은 비교적 고사양이지만 모바일급 칩셋을 사용하며, 사용자의 불편감과 멀미를 방지하려면 높은 수준의 안정적인 프레임 속도가 필요하다. 일반적으로 경험은 해당 기기의 네이티브 주사율로 렌더링되어야 하며, VR 헤드셋의 경우 이는 대체로 90Hz 또는 120Hz이고 FPS로 환산해도 동일하다. 편안한 VR 헤드셋 경험을 제공하려면 72FPS를 최소 기준으로 고려하는 것이 좋다. AR 요구 사항은 타깃 기기에 따라 크게 달라진다. AR의 경우 사용자의 편안함 측면에서 VR과 비슷한 기준이 적용되므로, 72FPS 이상의 안정적인 프레임 속도를 목표로 하는 것이 중요하다. 휴대폰이나 태블릿에서 AR은 카메라 피드와 SLAM(동시적 위치 추정 및 지도 작성)을 렌더 루프에 통합한다. 따라서 최신 기기에서는 60FPS를 목표로 하되, 30FPS 이상을 엄격히 유지해야 한다. 다만 야외 조명과 서멀 스로틀링이 여전히 문제가 될 수 있으므로, 다이내믹 해상도와 쉽게 접근 가능한 기능 토글을 통해 적응성이 높은 경험을 계획해야 한다. 목표로 삼을 것 : 대부분의 경우 미리 베이크된 조명을 사용하고, 저사양 XR 헤드셋이나 모바일 AR 경험을 지원해야 하는 경우 여러 LOD와 단순화된 셰이더를 활용한다.   ▲ 이미지 제공 : CollabXR   데스크톱 : 높은 성능이 요구되는 경험 데스크톱은 세부적인 분석이나 멀티모달 검토에 이상적이지만, 반드시 최고급 GPU를 필요로 하지는 않는 다양한 시나리오에도 활용된다. 일상 업무에서의 디자인 승인, 품질 점검, 안전 가이드, 제조 계획과 같은 작업에서는 높은 충실도를 제공하기보다 신속한 상호 작용과 명확한 검사가 가능한 툴이 유용할 수 있다. 따라서 타깃 기기는 중급 외장 GPU나 최신 내장 그래픽스만으로도 간단한 작업이 가능한 경우가 많다. 이 경우에는 단면 보기(내부를 드러내는 절단면), 측정(스냅 기능을 기반으로 한 정확한 치수 측정), 분해도(부품 설명이 포함된 단계별 어셈블리 뷰)와 같은 결정론적 검토 툴을 우선적으로 고려해야 한다. 대규모 어셈블리 렌더링이나 복잡한 시뮬레이션과 같이 더 무거운 내부 워크로드의 경우에는 워크스테이션급 전용 GPU나 원격 GPU 리소스가 일반적이다. 그러나 모든 최종 사용자가 그렇게 비용이 많이 드는 기기를 필요로 하는 것은 아니다. 고도로 복잡한 콘텐츠를 제작하는 팀에게는 고사양 로컬 하드웨어가 여전히 독보적인 위치를 차지하지만, 소비자에게는 GPU 서버에서 스트리밍되는 세션이 훨씬 더 비용 효율적이다. 목표로 삼을 것 : 타깃 기기에서 일관된 프레임 속도를 유지하면서 안정적으로 유지되는 가장 높은 품질을 기본값으로 설정한다. 결정론적 검토 툴과 온디맨드 스트리밍을 사용하고, 입력에 대한 반응성을 우선적으로 고려한다.     임베디드 HMI : 신뢰성과 즉각적인 명확성 HMI는 제품 자체에 3D를 가져온다. 차량 내 디스플레이, 산업용 관리 패널, 의료 기기 등의 환경에서는 극사실적인 표현보다 가동 시간과 예측 가능성이 훨씬 더 중요하다. 이러한 용도에서는 오퍼레이터가 시간에 민감한 결정을 내려야 하는 경우가 많으며, 대부분의 임베디드 타깃은 서비스 라이프 사이클이 길고 제약이 있는 하드웨어에서 실행된다. 어셈블리 라인과 차량의 임베디드 기기 는 수년간 안정적으로 유지되어야 하므로 소프트웨어가 제한적인 하드웨어 예산을 관리하는 역할을 해야 한다. 일반적인 활용 사례로는 어셈블리 라인의 설정 작업, 단계별 유지 보수 안내 및 교육 또는 로보틱스 시스템에서의 로봇 팔 운동학, 작업 가능 범위, 접근 금지 구역 시각화 등이 있다. 자동차 분야에서는 인터랙티브 3D가 첨단 운전자 지원 시스템에 활용될 수 있다. 이 경우에는 가독성과 부드러운 움직임이 무엇보다 중요한 요소이다. 이는 많은 의료 및 실험실 기기에도 해당되며, 여기서는 규제 및 안전 요구 사항으로 인해 기준이 더욱 엄격해진다. 목표로 삼을 것 : 단순화된 지오메트리와 미리 베이크된 조명은 성능 요구 사항과 로딩 시간을 크게 줄여주며, 벤더의 장기 지원은 임베디드 기기에 대한 지속적인 지원을 보장한다.     지속적인 성공을 위한 배포 운영 및 확장 최고 사양의 기기를 기준으로 디자인한 뒤, UI 요소를 복사하여 인터페이스 전반에 붙여넣고 높은 성능을 요구하는 애셋을 초기 단계에 과도하게 로드하여 저사양 기기를 지원하려고 하는 경우가 많다. 그러나 적절한 엔드 투 엔드 플랫폼을 사용하면 이러한 함정을 피할 수 있다. 자동 스케일링을 사용하고 필요 시 무거운 애셋을 스트리밍할 경우, 경험이 갑작스럽게 끊기는 대신 점진적으로 성능이 저하되도록 할 수 있다. 이렇게 하면 새로고침을 어느 정도 예측할 수 있어 비즈니스 연속성을 보장할 수 있다. 유니티의 프로파일링 툴은 특히 이러한 문제에 대응할 수 있도록 설계되었다. 린은 “유니티는 애셋 로딩 시간, 시작 시간 등을 모니터링한다. 이러한 요소는 HMI 배포에서 특히 중요하다. 실제 기기에서 모델이 어떻게 동작하는지에 대한 양질의 실시간 피드백이 필요하기 때문”이라고 말했다. 초기 배포는 시작에 불과하며, 특히 제작 라인이나 작업 현장의 실시간 디지털 트윈과 같은 프로젝트의 동적인 특성을 고려하면 더욱 그렇다. 성공적인 대규모 운영을 위해서는 버전 불일치 없이 콘텐츠를 제공할 수 있는 예측 가능한 방식, 올바르게 작동하거나 그렇지 않은 요소를 파악할 수 있는 텔레메트리, 문제를 일으키지 않으면서 신속하게 조치를 취할 수 있게 해주는 거버넌스가 필요하다. 린은 “장기적인 롤아웃 전략은 다른 소프트웨어와 거의 동일하다고 생각한다. 물결처럼 단계적으로 확장하면서 가장 가치 있는 분석 자료를 제공할 수 있는 엔드포인트와 사용자를 타게팅하여 프로세스 초기에 버그나 누락된 기능을 식별하고, 다음 사용자나 기기로 롤아웃하기 전에 해결하는 것”이라면서, “결국에는 완전한 일반 액세스 단계에 도달하게 될 것이며, 그때쯤이면 버그는 최소화되고 사용자 경험의 품질은 극대화될 것”이라고 말했다. 이를 위해서는 업데이트 사이클, 기기 텔레메트리, 거버넌스, 장기 지원에 세심한 주의를 기울여야 한다. 린은 “세션 길이와 도입률 같은 요소를 추적하고, 가능하면 경험의 품질과 같은 사항에 대해 최종 사용자로부터 직접 피드백을 구해야 한다”고 권장한다.   ▲ 이미지 제공 : Random42   콘텐츠 제공 및 롤아웃 단계적 롤아웃은 특히 수백 명에서 수천 명의 최종 사용자를 타기팅할 때 효과적이다. 고객 대상 경험이나 여러 공장과 시설에 걸친 대규모 프로젝트라면 단일 현장이나 타깃 사용자 그룹에서 시작하여 문제를 모니터링한 뒤 규모를 확장해 나가는 것이 좋다. 이렇게 하면 예상치 못한 문제의 영향을 완화하고 훨씬 더 쉽게 관리할 수 있다. 또한 원격 설정을 사용하여 애플리케이션이나 경험을 모든 사람에게 배포하되, 특정 기능은 선택한 위치나 사용자 그룹에 대해서만 활성화할 수도 있다. 이밖에도 적절한 CDN을 사용하 여 더 큰 모델을 사전에 캐싱함으로써 네트워크 측면을 계획하고, 주요 업데이트나 다운로드는 혼잡하지 않은 시간대로 설정해 첫날 병목 현상이 발생하는 것을 막을 수 있다.   중요한 기기 데이터 올바른 텔레메트리 데이터를 수집하지 않으면 경험을 통해 원하는 결과를 얻고 있는지 판단하기 어렵다. 누가 경험을 이용하고 있는지, 경험이 의도한 대로 작동하고 있는지를 확인하는 핵심 질문에 대한 답을 찾으려면 도입 및 참여 지표를 트래킹해야 한다. 세션 길이와 사람들이 다시 돌아오는 빈도를 추적하면 프로젝트 성공에 대한 전반적인 감을 얻을 수 있다. 그러나 지속적인 개선과 통합을 위해서는 품질과 성능을 아우르는 더 심층적인 지표가 필요하다. 교육 시뮬레이션과 같은 특정 워크플로의 경우, 교육 단계를 시작한 사용자 대비 이를 완료한 사용자의 비율을 확인할 수 있도록 간단한 워크플로 단계를 정의해야 한다. 또한 기기 유형별로 세분화하여 추가적인 주의가 필요한 그룹이 있는지 확인할 필요가 있다.   ▲ 이미지 제공 : Visionaries 777   ▲ 이미지 제공 : Vodafone Deutschland   복잡하지 않은 거버넌스 거버넌스는 중단과 위험을 완화하기 위해 누가 업데이트를 관리하는지, 롤아웃이 어떻게 구성되는지에 대한 명확한 규칙을 설정하는 것이다. 이상적으로는 각 릴리스마다 지정된 승인자와 백업을 두고, 결정되는 모든 내용을 공유된 곳에 기록해야 한다. 또한 라이브로 전환할 요소는 점검을 거쳐야 하지만, 이러한 절차를 지나치게 복잡하게 하지 않도록 해야 한다. 민감한 데이터를 포함하여 규정 준수 및 보안 검토를 필요로 하는 사례를 제외하면, 타깃 기기에서의 성능 점검과 제품 및 운영 팀의 승인만으로도 충분한 경우가 많다.   장기 및 커뮤니티 지원 하드웨어, 드라이버 및 운영 환경은 항상 장기적인 안정성을 계획하고 새로운 플랫폼과 업데이트가 출시될 때마다 이에 대응할 수 있도록 배포 전략을 조정해야 한다. 특히 장기 지원을 제공하는 전문 산업 벤더와 협력하면, 쉽게 업그레이드할 수 없는 임베디드 HMI가 탑재된 고사양 산업용 시스템에서도 이전 버전의 기기를 계속 지원할 수 있다. 오픈 소스 툴과 애셋도 제공하는 벤더도 많으므로, 검증된 애셋을 재사용하고, 릴리스 및 업데이트 노트를 트래킹하며, 높은 수준의 드라이버, 툴, 기기 및 활용 사례별 지침에 대한 내부 기술 자료를 관리하여 커뮤니티를 지원 체계의 일부로 활용할 수 있다.   시작하기 : 단계별 배포 계획 여러 관계자와 고객이 사용하는 플랫폼에 인터랙티브 3D 경험을 배포하면 어떤 기기에서든 새로운 차원의 정보를 제공할 수 있다. 최첨단 교육 시뮬레이션을 호스팅하든, 데스크톱과 모바일 전반에서 디자인 협업을 수행하든, 웹 브라우저용 고객 경험을 구축하든, 적절한 플랫폼을 선택하면 어떤 타깃 환경에서도 최적화된 결과를 얻을 수 있다. 이를 달성하는 데 필요한 내용을 요약하면 다음과 같다. 다양한 관계자를 기기 및 사용자 컨텍스트에 연결한다. 플랫폼별 성능 벤치마크를 정의한다. 문제를 조기에 식별할 수 있도록 제한된 수의 플랫폼에서 파일럿 버전을 배포한다. 콘텐츠 제공 및 텔레메트리를 설정한다. 업데이트와 지원을 위한 거버넌스 역할을 수립한다.     ■ 기사 내용은 PDF로도 제공됩니다.

다쏘시스템코리아는 6월 11일 ‘시뮬리아 유저 데이 2026’을 열고, AI 기술과 ‘모드심(MODSIM)’을 결합해 제품 설계 초기 단계부터 의사결정을 최적화하고 개발 주기를 단축하는 방안을 소개했다. 이번 행사에서 다쏘시스템코리아는 ‘버추얼 트윈(virtual twin)’과 ‘가상 동반자 (virtual companion)’를 활용한 엔지니어링 환경의 변화와 미래 전략을 공유하는 한편, 자사의 해석 브랜드인 시뮬리아(SIMULIA) 전반의 기술 성과 및 산업 영역에서의 활용 사례도 소개했다. ■ 정수진 편집장     시뮬레이션, 설계 초기 단계부터 리스크 줄인다 다쏘시스템코리아의 이주상 본부장은 환영사에서 현대 산업이 AI, 휴머노이드 로봇, 전동화, 첨단 제조 등의 신기술과 결합해 전례 없는 속도로 패러다임을 바꾸고 있다고 진단했다. 과거 제품 개발의 후반에서 검증 역할을 한 시뮬레이션은 이제 기획과 설계 초기 단계부터 성능을 예측하고 리스크를 줄이는 핵심 역량으로 진화하고 있다. 특히 AI 시대의 시뮬레이션은 엔지니어를 반복적인 작업에서 해방시켜 본질적인 설계와 검증에 집중하게 만든다. 이주상 본부장은 “복잡한 모델 준비, 해석 조건 설정, 그리고 결과 검토 같은 과정에서 AI는 업무 효율과 판단의 정확도를 높이고 제품 개발에 참여하는 모든 사람이 성능을 이해하고 의사결정에 적극 참여할 수 있도록 지원하고 있다”고 전했다. 또한, “이런 흐름에 발맞춰 다쏘시스템의 시뮬리아는 구조, 유동, 전자기 등 다양한 물리 영역을 통합하고 3D익스피리언스 플랫폼(3DEXPERIENCE Platform) 기반의 모드심을 통해 모델링과 시뮬레이션을 연속된 프로세스로 구현하고 있다”고 소개했다. 다쏘시스템은 버추얼 트윈과 물리 기반 AI를 결합한 시뮬리아 포트폴리오를 통해 복잡한 제품의 성능을 미리 예측하고 다양한 설계 대안을 정밀하게 검토할 수 있도록 지원하고 있다. 이를 통해 기 업이 물리적 프로토타입에 대한 의존도를 낮추고 개발 과정의 재작업과 리스크를 줄여, 높은 품질과 신뢰성을 확보하게 해준다는 것이 다쏘시스템의 설명이다.   ▲ AI 시대 시뮬레이션의 역할에 대해 짚은 다쏘시스템코리아 이주상 본부장   시뮬리아 핵심 전락 : 물리 기반 혁신·모드심·AI 결합 다쏘시스템의 미쉘 애쉬 시뮬리아 CEO는 물리 기반 향상, 모드심의 도입, 인공지능과의 결합 등 세 가지를 시뮬리아 전략의 핵심 요소로 소개했다. 다쏘시스템은 물리 기반의 혁신을 위해 아바쿠스(Abaqus)와 파워플로(PowerFLOW) 등 기존 솔버의 성능을 꾸준히 끌어올리고 있다. 특히 GPU(그래픽 처리 장치) 환경에 맞춰 시스템을 새롭게 구성함으로써 연산 속도를 최고 스물다섯 배까지 높였으며, 파트너사인 엔비디아와의 협력을 통해 이를 시장에 제공하고 있다는 것이 애쉬 CEO의 설명이다. 또한, 기존에 풀기 어려웠던 복잡한 문제를 해결할 수 있도록 여러 대학과 손잡고 솔버 자체의 근본적인 물리적 기능을 다듬는 중이다. 모드심(MODSIM)은 CAD 기반의 모델링과 시뮬레이션을 하나의 프로세스로 매끄럽게 연결하는 기술이다. 다쏘시스템은 설계를 변경할 때마다 메시를 다시 짜고 번거로운 설정을 반복할 필요 없이, 현실 세계에서의 제품 작동 방식을 설계하는 즉시 시뮬레이션할 수 있다는 것을 모드심의 강점으로 내세운다. 애쉬 CEO는 40시간이 걸리던 작업을 네 시간으로 단축한 포드의 사례를 소개하면서 이 기술의 가치를 설명했다. 마지막으로, 다쏘시스템은 AI를 모드심과 해석 솔버에 결합해 새로운 차원의 업무 환경을 구축해 나가고 있다. 다양한 대규모 언어 모델(LLM)에 다쏘시스템이 오랜 기간 축적해 온 전문 산업 지식과 노하우를 접목해, 산업 현장에 특화된 추론과 분석 능력을 제공하고 있는 것이다. 애쉬 CEO는 “이를 통해 물리적 행동의 버추얼 트윈을 구현하고 사람처럼 업무를 돕는 가상 동반자를 도입함으로써, 사용자가 혁신적이고 우수한 제품을 빠르게 개발할 수 있도록 지원하고 있다”고 전했다.   ▲ 시뮬리아의 핵심 전략을 소개한 다쏘시스템 미쉘 애쉬 시뮬리아 CEO    공통 데이터 기반의 동시 공학 구현하는 모드심 다쏘시스템이 제안하는 모드심은 공통 데이터 모델을 기반으로 카티아(CATIA)의 모델링과 시뮬리아의 시뮬레이션을 단일 사용자 환경인 3D익스피리언스 플랫폼에서 통합하는 형태이다. 설계 자가 디자인을 완성하는 즉시 시뮬레이션을 통해 제품이 현실 세계에서 어떻게 작동할지 즉각적으로 파악할 수 있는 것이 모드심의 특징이다. 다쏘시스템은 모드심이 엔지니어링의 패러다임을 선형적인 순차적 방식에서 동시 공학(concurrent engineering)으로 바꿔 놓을 것으로 기대하고 있다. 프란체스코 폴리도로 시뮬리아 월드 와이드 모드심 및 AI 기술 영업 부문 본부장은 “설계 엔지니어, 즉 디자이너가 동일한 데이터 모델 위에서 분석가와 병렬적으로 작업할 수 있는 순환적인 프로세스”라고 설명했다. 모드심은 설계를 변경할 때마다 메시를 다시 생성하고 설정 작업을 반복해야 하는 번거로움을 해결한다. 이 때문에 설계 반복 루프가 빨라져서 제품 개발 시간을 단축할 수 있다는 것이 다쏘시스템의 설명이다. 나아가 모드심은 전문가의 영역이던 시뮬레이션을 비전문가도 쉽게 다룰 수 있도록 한다. 복잡한 과정은 숨기고 사용자가 필요한 결과만 쉽게 얻을 수 있도록 전체 프로세스를 템플릿화해서 제공하기 때문이다. 또한 플랫폼 위에서 이루어지는 모든 작업과 시나리오 결과가 남김없이 기록되어 완벽한 설계 추적성을 제공한다는 점도 이점이다. 여기에 다쏘시스템이 새롭게 구축 중인 AI 기술이 더해지면 물리적 행동의 버추얼 트윈을 바탕으로 몇 시간이 걸리던 작업을 몇 분 만에 끝낼 수 있는 시너지를 발휘하게 된다.   엔지니어를 돕는 세 가지의 ‘가상 동반자’ 다쏘시스템이 그리는 미래 엔지니어링 환경에서 모드심은 AI를 진정으로 활용할 수 있게 해주는 첫 번째 단계이자 중요한 기반 역할을 담당한다. 이러한 모드심을 통해 물리적 환경에서 제품이 어떻게 작동할지 이해하는 버추얼 트윈을 확보하고, 여기에 업무를 돕는 가상 동반자를 결합하면 새로운 차원의 생성형 경험을 창출할 수 있다는 것이 다쏘시스템이 내세우는 비전이다. 애쉬 CEO는 “우리가 ‘가상 동반자’라고 부르는 이유는 말 그대로 엔지니어를 돕는 동료와 같기 때문”이라면서, 아우라(Aura), 레오(Leo), 마리(Marie)라는 세 가지의 가상 동반자를 소개했다. 이들 가상 동반자는 AI가 일으킬 수 있는 환각 현상을 줄이고 각자의 업무에 정확하게 집중할 수 있도록 특화된 전문가로 구현했다. 비즈니스에 중점을 둔 아우라는 프로젝트 계획 수립이나 비즈니스 사례 분석, 공급업체 분석과 같은 비즈니스 전반의 활동을 지원한다. 레오나르도 다빈치의 이름을 딴 레오는 시뮬레이션과 유체 해석을 아우르는 기계 엔지니어로 활약한다. 사용자가 자연어로 시뮬레이션 의도를 전달하면 레오는 메시와 시나리오를 알아서 설정하고 해석을 실행하며, 도출된 결과를 분석해 문제점을 파악한다. 마리 퀴리의 이름에서 영감을 받은 마리는 과학자로서 화학과 과학 분야를 깊이 이해하는 데에 초점을 뒀다. 마리는 제품 및 소재 개발을 지원하며, 기존에 적합한 재료가 없는 경우 특정 용도에 맞는 완전히 새로운 재료를 개발하는 작업까지 수행한다.   ▲ 다쏘시스템 프란체스코 폴리도로 본부장은 설계와 시뮬레이션을 통합한 모드심을 설명했다.   산업용 AI로 엔지니어링의 미래 재정의 다쏘시스템은 산업용 AI가 엔지니어링의 미래를 근본적으로 재정의할 것이라는 비전을 내세웠다. 이런 비전은 ‘3D 유니버스(3D UNIV+RSES)’라는 개념으로 구체화되며, 이는 물리적인 프로토타입을 제작하기 전에 설계, 제조, 실제 사용, 유지보수, 재활용에 이르는 제품의 전체 수명주기를 가상 세계에서 미리 시뮬레이션하는 것을 뜻한다. 이를 통해 기업은 혁신적이고 견고한 제품을 더 빠르게 시장에 출시하는 동시에, 물리적 자원 낭비를 줄여 환경에 미치는 영향을 최소화할 수 있다. 비전을 실현하기 위한 다쏘시스템의 구체적인 전략은 범용 LLM과의 차별화에서 출발한다. 챗지피티나 클로드같은 범용 AI 모델의 능력을 활용하면서, 그 위에 다쏘시스템이 축적한 시뮬레이션 전문 지식과 부품 설계 노하우를 깊이 있게 결합한다는 것이다. 다쏘시스템은 이를 통해 일반적인 수학 문제를 푸는 것을 넘어, 산업 환경에 특화된 합리적 추론과 분석 능력을 제공하는 데에 기술 개발의 초점을 맞추고 있다. 전략의 핵심축 중 하나는 머신러닝을 기반으로 제품의 현실 세계 동작을 예측하는 물리적 행동의 버추얼 트윈이다. 이 기술은 모드심을 통해 제품 개발 시간으로 줄이는 데 이어, 다시 AI 모델 기반의 예측을 적용해 몇 초 만에 완료할 수 있게 만든다. 그리고, 가상 동반자는 비전문가나 숙련도가 낮은 사용자도 시뮬레이션에 쉽게 접근할 수 있도록 진입 장벽을 허문다. 다쏘시스템은 이런 AI 전략이 탄탄한 데이터 구조와 지적 재산권 보호라는 기반 위에서 실행된다고 소개했다. 형상과 시뮬레이션을 연결하는 3D 데이터에 대한 깊은 이해를 바탕으로 산업 월드 모델을 구축하며, 3D익스피리언스 플랫폼을 통해 고객의 지적 자산을 추적하고 보호한다는 것이다. 이와 함께 엔비디아와의 전략적 파트너십을 통해 GPU 환경에서 솔버의 연산 속도를 높이고, 옴니버스(Omniverse) 생태계를 플랫폼에 통합함으로써 고객이 최고 수준의 산업용 AI를 생산 환경에 안전하게 구현하도록 돕는다.     ■ 기사 내용은 PDF로도 제공됩니다.

트렌드에서 얻은 것 No. 33   ‘뭐든 척척’ − 그리고 숨은 간극 요즘 주변의 엔지니어와 동료를 만나 AI 이야기를 꺼내면 반응이 한결같이 밝다. 설계 검토를 거들고, 반복적인 코드를 대신 짜 주고, 장문의 보고서까지 매끄럽게 뽑아 주니 “뭐든 척척 해낸다”며 만족스러워한다. 실제로 손에 익혀 본 사람일수록 호의적이다. 그리고 이 체감은 결코 과장이 아니다. 일하는 방식이 눈에 띄게 가벼워졌다는 증언은 이제 도처에서 들린다. 데이터도 이를 뒷받침한다. 맥킨지(McKinsey)의 ‘2025 AI 현황(State of AI)’ 조사에서 기업의 88%가 이미 AI를 쓰고 있다고 답했다. AI는 더 이상 실험이 아니라 일상이 됐다. 다만 한 꺼풀 더 들어가면 흥미로운 간극이 보인다. 같은 조사에서 AI로 전사 영업이익(EBIT)에 5% 이상 기여한 ‘고성과 기업’은 6%에 그쳤고, MIT의 ‘GenAI Divide’ 보고서는 전 세계가 생성형 AI에 300~400억 달러를 쏟아부었음에도 파일럿의 95%가 손익을 측정할 만한 성과를 내지 못했다고 진단했다. 개인의 만족은 분명한 사실인데, 그 만족이 아직 조직 전체의 성과로는 충분히 번지지 못한 셈이다. 그렇다면 이 ‘척척 해내는’ 개인의 경험을, 어떻게 조직의 성과로 키울 수 있을까. 기업 현장의 AI 활용을 영역별로 따라가 본다.   ▲ 클릭하면 큰 그림으로 볼 수 있습니다.   AI 비서(코파일럿) : 만족이 시작되는 곳 대부분의 만족은 ‘AI 비서’에서 출발한다. 메일 초안, 회의록 요약, 번역, 규격 문서 검색, 매크로·코드 작성, 보고서 정리까지 대화 몇 번이면 결과물이 나온다. 사무용 협업 도구와 개발 환경에 비서가 기본 탑재되면서, 개인의 생산성 향상은 누구나 체감하는 현실이 됐다. 지인들이 “뭐든 척척”이라고 말하는 바로 그 지점이다. 이 효용은 진짜이고, AI 여정의 소중한 출발점이다. 여기서 한 걸음 더 나아갈 여지도 분명하다. MIT가 짚었듯, 범용 비서는 개인의 생산성은 확실히 높이지만 조직 전체의 워크플로까지 바꾸지는 못한다. 그래서 ‘AI를 쓴다’고 답한 88% 가운데 다수가 이 단계의 만족에 머문다. 비서는 훌륭한 시작점이며, 다음 단계는 이 개인의 성과를 팀과 공정의 성과로 잇는 일이다.   AI, 기업 속으로 파고들다 − 프리미엄 구독과 ‘섀도 AI’ 흥미로운 변화는 위에서 내려오는 도입만이 아니라, 아래에서 올라오는 침투에서 일어나고 있다. 직원들이 회사의 공식 승인과 무관하게, 개인 프리미엄 구독으로 일상 업무에 AI를 끌어다 쓰는 흐름이다. 예컨대 클로드(Claude)의 상위 요금제인 맥스(Max)는 월 100달러(5배)~200달러(20배) 수준으로, 표준 프로(Pro) 요금제 대비 사용량을 크게 늘리고 코딩 도구(Claude Code)까지 온전히 열어준다. 하루 4~5시간씩 복잡한 업무에 AI를 붙들고 사는 지식근로자·개발자·분석가를 겨냥한 요금제다. 이런 고사용 구독을 개인이 직접 결제해, 문서 작성부터 코드·분석까지 ‘하루 종일 쓰는 주력 도구’로 삼는 사람이 빠르게 늘고 있다. 그만큼 효용을 강하게 체감한다는 방증이다. 문제는 이 사용의 상당수가 회사의 레이더망 밖에서 일어난다는 점이다. MIT 조사에 따르면, 직원들이 개인 챗봇 계정을 업무에 쓰는 기업이 90%를 넘는 반면, 회사 차원의 공식 LLM 구독을 갖춘 곳은 40%에 그쳤다. 공식 도입이 정체된 사이, ‘섀도 AI(shadow AI)’ 경제가 음지에서 번창하고 있는 셈이다. 한 보고서는 지식근로자의 71%가 여전히 IT 승인 없이 AI 도구를 쓴다고 집계했다. 이에 대한 기업의 대응은 크게 갈린다. 한쪽은 보안을 이유로 외부 AI를 차단한다. 분기 보고서를 요약하려고 마진 데이터를 외부 챗봇에 붙여 넣는 식의 정보 유출이 실제로 벌어지고, 섀도 AI가 관련된 유출 사고는 건당 평균 약 67만 달러의 추가 비용을 낳는다는 조사도 있다. 우려는 정당하다. 그러나 차단이 곧 사용 중단으로 이어지지는 않는다. 한 도구를 막으면 직원들은 다른 도구로 옮겨갈 뿐이고, 차단은 기업이 얻을 수 있는 AI 가치의 상당 부분까지 함께 버리는 결과가 된다. 그래서 다른 한쪽, 그리고 점점 더 많은 기업은 ‘막기’가 아니라 ‘잘 쓰게 하기’로 방향을 튼다. 승인된 안전한 도구(팀·엔터프라이즈 요금제, 거버넌스가 적용된 사내 환경)를 적극적으로 제공해 직원의 만족과 생산성을 동시에 끌어올리는 것이다. 실제로 한 의료 기관은 승인된 AI 도구를 제공한 뒤 비승인 사용이 89% 줄고, 임상의 1인당 하루 32분을 절약했다고 보고했다. 요컨대 AI는 이미 기업 안으로 깊숙이 들어와 있고, 관건은 그것을 음지에 둘 것인가, 양지로 끌어내 성과로 전환할 것인가다.   로컬 LLM과 주권 AI : 데이터를 안에 두기 물론 ‘잘 쓰게 하기’의 출발점은 보안이다. 사내 정보가 외부 서비스로 흘러가는 것에 대한 우려가 크다. 국내 조사에서도 AI 도입을 가로막는 가장 큰 이유로 ‘정보 유출 우려(41.9%)’가 꼽혔다. 그 결과, 모델과 데이터를 자사 통제 영역 안에 두려는 흐름이 뚜렷해졌다. 핵심 키워드는 ‘로컬 LLM’과 ‘주권 AI(sovereign AI)’다. 거대 범용 모델 대신, 규모는 작지만 특정 도메인에 맞춘 소형 언어 모델(sLLM)을 온프레미스나 사설 클라우드에 올려 민감 데이터가 회사 울타리를 벗어나지 않게 하는 방식이다. 한 조사에서는 데이터 주권을 추구하는 기업의 약 67%가 이미 어떤 형태로든 사설 AI 인프라로 옮겨갔다고 한다. 국내에서도 보안 민감도가 높은 제조·금융 대기업이 외부 서비스 대신 자체 모델(예컨대 삼성전자의 ‘가우스’)과 ‘사내 GPT’를 구축하는 배경이 여기에 있다. 이렇게 안전한 사내 환경이 갖춰지면, 직원들은 마음 놓고 더 적극적으로 AI를 쓸 수 있게 된다. 그리고 보안이 사실상 전부인 일부 영역에서는, 이 로컬·온프레미스 전략이 ‘트렌드’가 아니라 ‘유일한 선택지’가 된다. 대표적인 곳이 국방과 규제 산업이다.   시나리오 중심의 구축 : 국방과 규제 산업 이들 영역의 키워드는 ‘에어갭(air-gap, 폐쇄망)’이다. 시스템이 런타임에 필요로 하는 모든 것—모델, 토크나이저, 검색 엔진—을 경계 안에 미리 갖춰 두고, 외부 API 호출과 클라우드 의존을 0으로 만드는 구조다. 오픈웨이트 모델(라마·미스트랄·큐원 등)을 자체 GPU 클러스터에 올려, 토큰 생성이 단 한 번도 경계를 벗어나지 않게 한다. 여기서 AI는 비서에 그치지 않고, ‘시나리오에 맞춰 짓는’ 대상이 된다.   국방 해외에서는 미 로스앨러모스 국립연구소가 2025년 초, 핵·방산 관련 통제정보(CUI·ITAR)를 다루기 위해 클라우드 대신 LLM 자체 호스팅이라는 ‘더 어려운 길’을 택했다. 미 육군은 로컬에서 호스팅하는 보안 LLM에 접근하는 ‘엔터프라이즈 LLM 워크스페이스’를 배치했고, 이를 군사 영향등급 IL5에서 기밀 작전용 IL6로 확장하고 있다. 데이터 유출 우려 때문에 육군이 타군의 AI 프로그램을 자기 망에서 차단한 일까지 있었을 만큼, 보안 민감도는 절대적이다. 국내도 빠르게 움직인다. 방위사업청은 방위력 개선사업 관련 법령·규정·용어를 학습시켜 내부망에서 문서 요약·초안 작성·특화 번역을 제공하는 생성형 AI 서비스 구축을 추진 중이다. 1단계로 내부 포털에 ‘AI 비서’를 얹고, 2단계에서 사업보고서 초안 생성·현황 분석까지 수행하는 단계적 구상이다. 국방통합데이터센터(DIDC)는 국방 생성형 AI 운영을 위한 GPU 서버 구축을 진행하고, 국내 클라우드 기업은 국방 AI 전환 전담 조직을 신설해 정찰· 감시 영상 분석, 작전 교신 분석 등 군사 데이터를 통합하는 ‘한국형 국방 AI 플랫폼’ 구축에 나섰다. 특히 보안 기관에 엔지니어가 상주하며 현장 시나리오에 맞춰 시스템을 직접 설계·운영하는 ‘전방 배치 엔지니어(FDE)’ 방식까지 등장했다. 그 바탕에는 병력 감소라는 구조적 압박—적은 인력으로 더 많은 일을 해야 한다는 현실—이 있다.   규제 산업 제약(GxP 하의 배치 이력·공정 레시피), 금융(FINRA·SEC 규제), 의료(환자정보 PHI), 그리고 전력·플랜트 같은 중요 인프라와 OT(운영기술) 환경도 같은 길을 걷는다. 이들에게 에어갭은 ‘기능’이 아니라, 규제·감사·국가안보를 동시에 만족시키는 ‘유일한 컴플라이언스 자세’다. 이런 환경의 AI 에이전트는 범용이 아니라 임무 특화로 지어진다. 폐쇄망 안에서 기밀 문서 분석·정보 요약을 수행하고, 공장에서는 인터넷 없이 예지보전·비전 검사·에이전틱 워크플로를 돌린다. 공정 레시피도, 환자 정보도, 공급사 IP도 시설 밖으로 한 줄도 나가지 않는다. 핵심은 ‘범용’이 아니라 ‘시나리오’다. 작전·공정·규제라는 구체적 맥락에 맞춰, 모델과 에이전트를 그 경계 안에서 설계하고 길들인다.   사내 정보 학습과 엔지니어링 지식센터(RAG) 모델을 안으로 들였다면, 다음은 ‘우리 지식을 먹이는 일’이다. 핵심 기술이 RAG(검색 증강 생성)다. 사양서·도면·작업표준·장애 이력·회의록처럼 흩어진 사내 문서를 색인하고, AI가 답을 만들 때 그 근거를 실시간으로 끌어오게 하는 구조다. 이렇게 하면 환각(hallucination)을 크게 줄이고 ‘우리 회사 맥락’에 맞는 답을 얻을 수 있다. 엔지니어링 관점에서 이는 곧 ‘엔지니어링 지식센터’의 구축으로 이어진다. 베테랑의 머릿속과 개인 폴더에 흩어져 있던 설계 노하우·실패 사례·검토 기준을, 질문하면 출처와 함께 답하는 살아있는 지식 베이스로 바꾸는 것이다. 신입도 베테랑의 경험을 즉시 꺼내 쓸 수 있게 되니, ‘척척 해내는’ 경험이 개인을 넘어 조직 전체로 확장된다. 실제로 한 유럽 은행은 RAG 기반으로 감사·컴플라이언스 업무를 자동화해 3년간 약 2천만 유로를 절감하고 36명분의 업무 시간을 돌려받았다고 보고했다. 다만 전제가 있다. RAG의 답은 먹인 데이터의 품질을 넘지 못한다. 사내 문서가 정돈돼 있지 않고 표준이 없으면, 지식센터는 ‘쓰레기를 빠르게 찾아 주는’ 시스템이 될 뿐이다. 8개월 전에 폐기된 규정을 자신 있게 답하는 AI는 모델의 문제가 아니라 데이터·구조의 문제다. 접근권한 통제와 최신성 관리도 필수다.   실행하는 에이전트 : 인사·재무·엔지니어링 가장 앞선 활용은 ‘실행하는 에이전트’다. 질문에 답하는 비서를 넘어, 여러 시스템을 넘나들며 다단계 업무를 스스로 수행한다. 가트너(Gartner)는 2025년 5% 미만이던 ‘업무 특화 에이전트 내장 애플리케이션’이 2026년 말 약 40%까지 늘 것으로 내다봤다. 부서별로 보면 현주소가 좀 더 구체적으로 잡힌다. 인사(HR) : 이력서 스크리닝, 면접 일정 조율, 입사 온보딩 오케스트레이션, 휴가·급여·복리후생 문의 응대 등 정형·반복 업무를 메신저 안에서 처리해, HR 인력을 채용 전략·조직문화 같은 고부가 업무로 돌린다. 재무(finance) : 인보이스-발주서 자동 대사(matching), 비용 승인 흐름, 이상 거래·부정 징후 탐지, ERP 연계 결제 처리. 한 글로벌 투자은행은 450개 이상의 AI 활용 사례를 매일 운영하고, 한 결제 서비스 기업은 단일 고객상담 에이전트로 850여 명분의 업무량을 처리했다고 밝혔다. 엔지니어링 : 현장 엔지니어들이 가장 높은 만족을 표하는 영역이기도 하다. 설계 검토 보조, 생성형 설계(generative design), 코드 자동화, 사내 지식 검색이 일상에 녹아든다. 맥킨지의 조사에서도 에이전트 도입 선도 분야로 IT·지식 관리와 함께 ‘엔지니어링’이 꼽혔고, 소프트웨어·IT 영역에서는 10~20%의 비용 절감이 보고된다. 공통점은 분명하다. 좁고, 반복적이며, 오류 비용이 관리 가능한 업무에서 에이전트는 빛난다. 반대로 과제가 열려 있고 판단의 무게가 클수록, 사람의 검증(human-in-the-loop)은 여전히 필수다.   벤더는 어떻게 대응하나 − PLM·ERP·SaaS의 공통 행보 그렇다면 설루션 벤더들은 이 흐름에 어떻게 대응하고 있을까. 특정 회사를 떠나, PLM·ERP·SaaS 진영 전반에서 관찰되는 공통점은 세 가지다. 첫째, ‘기록의 시스템’에서 ‘실행의 시스템’으로의 전환이다. 과거 데이터를 저장·조회하던 플랫폼들이, 이제 자연어 비서와 에이전트를 기본 기능으로 내장해 사용자가 시스템 안에서 직접 일을 처리하게 만든다. PLM은 BOM·도면 탐색 비서를, ERP는 구매·인사·재무 워크플로 에이전트를, SaaS는 자사 데이터 위에서 동작하는 코파일럿을 전면에 내세운다. 둘째, 보안과 주권을 전제로 한 배치다. 거대 파운데이션 모델을 활용하되, 전용 인스턴스·온프레미스·지역별 데이터 처리 옵션을 제공해 규제와 데이터 주권 요구를 흡수하려 한다. 앞서 본 ‘로컬 LLM’ 수요에 벤더가 응답하는 방식이다. 셋째, ‘담장 안의 지능’이라는 한계다. 어느 벤더든 AI는 결국 자사 플랫폼이 관리하는 데이터 안에서만 똑똑하다. PLM의 AI는 PLM 데이터를, ERP의 AI는 ERP 데이터를 본다. 정작 제품 개발 의 진짜 병목인 PLM−ERP−MES-품질을 가로지르는 단절은 아직 어느 벤더의 AI도 풀어 주지 못한다. ‘에이전트 네이티브’로 시스템을 재설계하기보다, 기존 시스템에 비서를 끼워 넣는 단계에 머 물러 있는 셈이다.   맺음말 − 만족을 성과로 기업의 AI 활용을 비서 → 기업 속으로의 침투 → 로컬화 → 시나리오별 구축 → 지식 학습 → 에이전트로 늘어놓고 보면, 정작 중요한 질문이 떠오른다. “우리 조직은 지금 어느 지점에 있는가?” 분명한 것은, AI가 이미 많은 이들에게 ‘뭐든 척척 해내는’ 든든한 동료가 되었다는 사실이다. 설계도, 보고서도, 코드도 거뜬히 거들어 주니 현장의 만족이 높을 수밖에 없다. 그 만족은 진짜이고, 변화의 가장 강력한 연료다. 다만 88%와 6%를 가른 결정적 차이는 도구의 보유가 아니라 ‘워크플로의 재설계’였다. 개인이 느끼는 만족을 조직의 성과로 키우려면, 그 만족 위에 정돈된 데이터와 다시 짠 일의 흐름을 얹어야 한다. 국방과 규제 산업이 보여주듯, 가장 큰 성과는 막연한 범용이 아니라 구체적 시나리오 위에서 만들어진다. 그래서 좋은 소식은, 이미 AI의 효용을 몸으로 느낀 사람들이야말로 다음 단계로 갈 준비가 가장 잘 되어 있다는 점이다. 도입은 쉽고 전환은 어렵지만, ‘척척’의 경험을 가진 현장이 그 어려운 길을 가장 앞서 갈 수 있다. 그리고 그 끝에, 6%의 자리가 있다.   ■ 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.