슈나이더 일렉트릭 코리아는 AI 데이터센터 전문 기업 에노바와 데이터센터 구축 협력을 위한 업무협약(MOU)을 체결했다고 밝혔다. 이번 협력은 생성형 AI와 고성능 컴퓨팅(HPC) 수요가 급증하면서 데이터센터의 전력 소비와 발열 문제가 중요한 과제로 떠오른 데 따른 것이다. 최신 AI 서버는 높은 전력 밀도와 냉각 성능을 요구하고 있어 리퀴드쿨링 기반의 차세대 데이터센터 인프라에 대한 관심이 커지고 있다. 양사는 각자의 전문성과 기술 역량을 바탕으로 AI 워크로드에 최적화된 고효율 인프라를 구축하기로 했다. ‘ENOVA AIDC’ 신축 사업의 인프라 구축을 위한 제반 협력을 비롯해 전력, 냉각, 관리 소프트웨어 등 통합 설루션 적용을 공동 추진한다. 고집적 AI 서버 환경에 대응하기 위한 최신 인프라 트렌드 공유와 적용도 계획에 포함됐다. 슈나이더 일렉트릭 코리아는 AI 데이터센터 구축에 필요한 전력, 배전, 냉각 등 핵심 인프라 전반에 대한 설계 컨설팅과 최적화 방안을 제공할 예정이다. 리퀴드쿨링 시스템과 관련 핵심 장비 공급 협력을 통해 데이터센터의 에너지 효율성과 냉각 성능 향상을 지원한다는 방침이다. 특히 슈나이더 일렉트릭 코리아는 자사의 모듈형 데이터센터 설루션인 프리팹 설루션을 기반으로 빠르고 효율적인 AI 데이터센터 구축을 지원할 계획이다. 프리팹 설루션은 전력, IT, 냉각 설비를 모듈 형태로 사전 제작하고 통합한 데이터센터 구축 방식이다. 기존 건축 방식과 비교해 구축 기간과 현장 작업을 크게 줄일 수 있는 것이 특징이다. 공장 내 사전 통합 테스트를 통해 품질과 신뢰성을 높일 수 있으며, 단계적인 증설이 가능해 중소형 데이터센터부터 AI 인프라 구축 프로젝트까지 유연하게 적용할 수 있다. 슈나이더 일렉트릭 코리아는 이를 통해 구축 기간 단축과 비용 절감, 운영 효율성 향상이 가능하다고 설명했다. 이외에도 에너지 관리 및 데이터센터 운영 소프트웨어를 기반으로 전력 사용 현황과 설비 상태를 실시간으로 모니터링하고 운영 효율을 최적화할 수 있는 디지털 환경 구축을 지원한다. 글로벌 프로젝트 수행 경험과 파트너 생태계를 바탕으로 기술 트렌드와 선진 사례를 공유하며 지속가능하고 확장 가능한 차세대 데이터센터 구현을 위한 협력을 이어갈 예정이다.     슈나이더 일렉트릭 코리아 시큐어파워 사업부의 최성환 본부장은 “AI 확산과 함께 데이터센터는 전력 효율, 냉각 성능, 운영 안정성을 동시에 확보해야 하는 새로운 전환점을 맞고 있다”면서, “에노바와의 협력을 통해 AI 시대에 최적화된 지속가능하고 효율적인 데이터센터 인프라 구축을 지원하고 국내 AI 생태계 발전에 기여할 수 있도록 노력하겠다”고 말했다. 한편 이번 협력에는 슈나이더 일렉트릭 공식 파트너사인 삼아솔루션과 데이터센터 전문기업 엣지링크도 참여했다. 삼아솔루션은 국내 시장에서 슈나이더 일렉트릭의 모듈형 데이터센터 설루션 사업 확대를 위한 영업 및 사업 개발을 지원한다. 엣지링크는 데이터센터 구축 전문성을 바탕으로 프로젝트 수행에 협력할 계획이다.

AI 컴퓨팅의 다양화와 메모리 장벽으로 인해 반도체 경쟁의 중심이 미세화를 넘어 시스템 수준의 공동 최적화로 이동하고 있다. 이에 대응하기 위해 한국 반도체 소부장 생태계는 공통 의미 체계인 온톨로지와 인과추론을 도입하여 현장 데이터의 한계를 극복하고 제조 AX(AI 전환)의 기반을 다져야 한다. 또한 다목적 베이지안 최적화(MOBO)와 물리 정보 신경망(PINN) 기반의 자율 실험실을 구축하고, 고객사 인증을 설계 단계부터 통합하는 혁신이 필요하다. 궁극적으로는 단순한 기술 확보를 넘어 의사결정을 가속화하는 새로운 운영체계를 짜야 한다.   ■ 이 글은 지난 4월 17일 진행된 'SIMTOS 2026 뿌리산업 & 소부장 콘퍼런스'에서 발표된 내용을 정리한 것이다.   AI는 어떻게 반도체 산업의 게임 규칙을 바꾸고 있는가 지난 2년간 생성형 AI는 두 단계의 진화를 거쳐 왔다. 첫 번째 단계는 ‘지식 Al(knowledge Al)’의 시대로, GPT-4o, 클로드(Claude), 제미나이(Gemini) 같은 생성형 AI 모델과 같이 사전 학습과 후처리(post-training)를 통해 글을 잘 쓰는 모델이 주류였다. 두 번째 단계는 강화학습 기반의 ‘추론 Al(thinking Al)’의 시대다. 긴 사고연쇄(chain-of-thought), 에이전트 워크플로, 수리적 추론을 수행하는 모델들이 등장하면서, AI는 단순한 정보 생성기가 아니라 의사결정 보조 도구로 진화하고 있다. 이 변화는 반도체 하드웨어 수요 구조 자체를 흔든다. 한때 GPU 일변도였던 AI 가속기 시장은 이제 구글 TPU, 메타 MTIA, AWS Trainium(트레이니움), 마이크로소프트 Maia(마이아), 오픈AI(OpenAI) 자체 칩, 애플 자체 칩 등 ‘ASIC 다극화’ 국면에 들어섰다. 핵심은 이들 칩이 모두 첨단 노드(N2~N3급)와 HBM3e/HBM4 같은 고대역폭 메모리, 그리고 CoWoS 계열 첨단 패키징을 공통의 토대로 삼는다는 점이다. 다시 말해, AI 컴퓨팅의 다양화가 진행될수록 메모리, 패키징, 소부장 같은 한국이 상대적으로 강하거나 육성하려는 영역의 수요는 오히려 더 두꺼워지고 있다. 엔비디아가 그리는 ‘AI 팩토리’ 청사진도 이 흐름과 정확히 맞물린다.(그림 1) CPU(오케스트레이터), GPU(병렬 연산), DPU(데이터 이동 및 보안), 추론 ASIC(주문형 반도체), 그리고 미래에는 QPU(양자처리장치)까지 워크로드를 분해해 각 엔진에 최적 배분한 뒤 다시 하나의 플랫폼으로 묶는 구조다. 이 구조에서 가장 큰 병목은 ‘연산 그 자체’가 아니라, 엔진 사이를 흐르는 데이터의 대역폭과 지연시간이다. 결국 AI 시대의 반도체 경쟁력은 단일 노드의 미세화가 아니라, ‘시스템 수준에서 얼마나 잘 합치는가(co-optimization)’로 옮겨가고 있다.   그림 1. AI 워크로드는 분해되어 각 엔진에 배분된 뒤 통합 플랫폼으로 다시 결합된다. 메모리-인터커넥트-전력-냉각이 반도체 소부장의 새로운 경쟁축으로 자리매김하고 있다.   AI를 반도체 제조에 적용한다는 것의 진짜 의미 AX(AI 전환, Al transformation)는 단순히 ‘공정에 AI를 붙이는 일’이 아니다. AX의 본질은 산업 전반에 걸쳐 데이터와 의사결정 구조를 재편하는 작업이며, 반도체 소부장 영역은 그중에서도 가장 까다로운 사례로 볼 수 있다. 산업통상부와 주요 제조업계가 추진하는 ‘제조 AX 얼라이언스(M.AX)’가 한국 산업 특화 AI 모델, AI 반도체 집적 데이터센터(AIDC), 피지컬 AI, 디지털 트윈, 합성 데이터 증강 등을 묶어 다루는 이유도 여기에 있다. 무인화, 자동화, 예지보전, 다품종 소량생산을 동시에 달성해야 하기 때문이다.   LLM이 부딪히는 ‘보이지 않는 벽’ 그렇다면 왜 그토록 뛰어난 LLM이 막상 제조 현장에 들어가면 “그럴듯한 예측과 묘사” 수준에 머무는가? 핵심 원인은 네 가지다. 첫째, 산업 데이터의 대부분은 통제된 실험 데이터가 아니라 관측 데이터이며, 인과관계가 아닌 상관관계만을 학습한 모델은 ‘만약 X를 바꾸면 Y가 어떻게 변할까’라는 개입(intervention) 질문에 답하지 못한다. 둘째, 숨겨진 변수(confounder)와 운영 편향이 거짓된 상관을 만든다. 예를 들어 불량률이 높은 날 숙련자를 더 투입하다 보면, ‘숙련자가 늘면 불량이 늘어난다’는 엉뚱한 역상관이 데이터에 새겨진다. 셋째, 설비 교체나 원료 변경 혹은 계절 변화로 인해 분포가 끊임없이 이동(distribution shift)하므로, 상관관계 기반 모델은 학습한 분포를 벗어나는 순간 급격히 성능이 저하된다. 넷째, 제조의 목적함수는 수율만이 아니라 에너지, 안전, 비용, 납기를 동시에 만족시키는 다목적 최적화이며, 이는 본질적으로 인과적 이해를 요구한다.   벽을 넘어서기 위한 두 개의 다리: 온톨로지와 인과추론 온톨로지 : 기계가 현장을 이해하게 만드는 번역기 데이터-DX-AX-AI로 이어지는 모든 연결 부위가 제대로 연결되어 있지 않다면 아무리 큰 모델도 무용지물이다. 이 단절을 잇는 첫 번째 다리가 ‘온톨로지(ontology)’다.(그림 2) 온톨로지는 설비, 공정, 제품, 품질이라는 현장의 모든 대상을 기계가 이해하는 ‘공통 사전’이자 ‘공통 의미 체계’다. 의미가 부여된 측정치, 체계적인 식별자, MES(제어 시스템)와 ERP(전사 관리 시스템)의 시간축 통합, 그리고 작업 규정, 안전 규칙, 노하우와 같은 암묵지의 디지털화. 이 네 가지가 온톨로지의 출발점이다. 현실적인 접근은 ‘대형 완성형 온톨로지’가 아니라 ‘최소기능 온톨로지(minimum viable ontology)’의 3층 구조다. 공장별로 매핑(local mapping) 위에 산업별 확장(industry extension)을 얹고, 그 위에 산업 간 호환을 보장하는 공통 코어(core)를 두는 식이다. 반도체 소부장의 경우, 제품 온톨로지 아래로 소재(조성 및 물성), 부품(설계 및 공정), 장비(파라미터 및 유지보수)의 세 갈래가 뻗고, 각 도메인 사이를 지식 그래프로 연결한 뒤 ISO 23247(디지털 트윈), SEMI E10/E79(장비), MatML(소재), EMMO(유럽 멀티스케일 온톨로지) 같은 표준 인터페이스 계층 위에 AI 신소재 탐색·공정 최적화, 예측 정비, 공급망 추적 응용을 올리는 구조가 자연스럽다.   인과추론 : 전면 규명보다 국소 의사결정부터 두 번째 다리는 인과추론이다. 시스템 전체에 대한 인과 모델을 한 번에 짜는 것은 거의 불가능하다. 따라서 단계적 접근이 필요하다. 가까운 미래(phase 1)에는 국소 인과효과 추정(local causal effects)에 집중한다. 예컨대 ‘특정 온도 구간에서 압력 변경이 수율에 미치는 평균 처치효과(ATE)와 조건부 처치효과(CATE)’를 추정해 즉시 의사결정에 반영하는 식이다. 디지털 트윈과 제어 로그를 활용해 자연실험이나 A/B 테스트와 유사한 준-실험 설계(quasi-experimental design)도 가능하다. 이 단계의 목적은 ‘원인을 완벽히 규명하는 것’이 아니라, ‘외부 조건이 바뀌어도 덜 실패하는 강건한 운영 정책’을 설계하는 것이다. 더 먼 미래(phase 2)의 목표는 미국 에너지부의 ‘제네시스 미션(Genesis Mission)’이 그리는 그림과 닮아 있다. 로봇 실험실과 AI를 연동해 ‘개입 데이터’를 체계적으로 생성하고, 인과 모델과 정책 학습을 닫힌 순환구조(closed-Loop)로 가속하는 것이다. 한국 소부장 산업이 단번에 거기까지 갈 필요는 없다. 다만 그 방향성을 분명히 인지하고, 매 단계에서 인과적 사고를 선택지에 올려두어야 한다.   그림 2. 소부장 도메인은 지식 그래프와 표준 인터페이스(ISO 23247, SEMI E10/E79, MatML, EMMO)를 통해 통합되며, 그 위에 AI 신소재 탐색·공정 최적화·예측 정 비·공급망 추적 응용이 작동한다.   메모리 장벽이 만드는 새로운 반도체 소부장 혁신 압력 AI 반도체의 성능은 더 이상 연산 코어만으로 결정되지 않는다. 지난 20년간 하드웨어 FLOPS(초당 부동소수점 연산)는 9만 배 증가했지만, DRAM 대역폭과 인터커넥트 대역폭은 30배 성장에 그쳤다. 이른바 ‘메모리 장벽(memory wall)’이다. AI 칩에서 90~95%의 에너지가 메모리의 입출력과 로드·언로드에 소비되며, 연산 지연시간(latency)의 60~70%는 이 메모리 장벽에서 발생한다. 산술연산강도(arithmetic intensity)가 낮은 워크로드일수록 더 빨리 포화되기 때문에, AI 반도체의 진짜 경쟁은 ‘얼마나 많은 코어를 박느냐’가 아니라 ‘메모리에 얼마나 가까이 붙느냐’의 싸움이 되었다. 이 압력은 한국이 강한 메모리·패키징 영역으로 곧장 전이된다. 첫째, 어드밴스드 메모리 장치 자체의 혁신이 필요하다. 임의접근 지연시간 단축, MRAM/ReRAM/PCRAM 같은 비휘발성 소자, TSV 기반 3D 적층이 핵심이다. 둘째, 패키징 인터커넥트는 광 링크(photonics link), 칩렛 기반 모듈, 에너지 효율 극대화로 진화한다. 셋째, 아키텍처와 소프트웨어가 함께 최적화되는 DTCO(design-technology co-optimization), PIM(processing-in-memory), 스마트 스크래치패드, 메모리 소프트웨어, 데이터 레이아웃 프리패칭 등이 빠르게 부상한다. 현장의 본딩 기술 경쟁이 이를 단적으로 보여준다. SK하이닉스의 MR-MUF는 매스 리플로 몰디드 언더필 방식으로 열전도 성능을 극대화하며 현재 가장 검증된 주력 방식이다. 삼성전자는 NCF(비전도성 필름)+TCB(열압착) 조합으로 미세 피치에서의 정밀도와 고단 적층을 노리고 있다. 그리고 모두가 16단 이상 고적층을 위한 차세대 해법으로 ‘하이브리드 본딩(hybrid Bonding : 범프(bump) 자체를 없애고 구리 접점으로 직연결하는 방식)’을 향해 가고 있다. 결합 밀도, 정렬 정밀도, 장기 신뢰성 관점에서 수율을 어떻게 극복할 것인가가 향후 5년의 승부처다. 그러나 GPU-HBM 패키지(SiP)에서 일단 불량이 발생하면, 원인 규명에 들어가는 자원은 천문학적이다. AI 기반 검사·신호 모델링, 디지털 트윈을 활용한 가상 테스트, 그리고 연합 학습을 통한 현장 데이터 학습 전략이 ‘선택’이 아니라 ‘필수’가 되는 이유가 여기에 있다. 더 본질적으로, 첨단 패키징 소재에는 기계·열·전기·광학·계면 등 최소 다섯 가지 이상의 물성이 동시에 요구된다. 소재-소자-접합-양산 최적화는 더 이상 순차적 방식으로 풀리지 않는다. 동시 병렬-가속적 방식이 요구되고 있는 것이다.   소재 설계의 패러다임 전환 : Al-Driven Materials Discovery 전통적인 실험계획법(DOE)은 명확한 한계를 안고 있다. 선형적·순차적이며, 다중 스케일/차원/물리의 동시 최적화는 기본적으로 수학적으로 해결하기 쉽지 않다. ‘아직 모르는 것을 모른다(unknown unknowns)’가 가득한 N차원 공간에서 제한 요소들을 뭉뚱그려 가정하고 시간 스케일 차이를 무시한 결과, 시간과 자원은 낭비되고 초기 후보군 필터링 효율은 낮다. 결정적으로 고객사 인증 데이터와 추론을 반영하기 어려워, 인증 라운드가 곧 비용 증가와 시장 진입 지연으로 직결된다. 패러다임 전환의 방향은 분명하다. 과거의 ‘인간 직관 중심의 순방향 시뮬레이션’과 현재의 ‘대량 계산 데이터 기반 데이터 드리븐 AI’를 거쳐, 미래는 ‘자율 실험실(autonoMOUs labs)’이다. AI 에이전트와 로봇이 능동적으로 가설을 수립·실행하고, 성공한 데이터뿐 아니라 실패한 네거티브 데이터까지 100% 무손실 자동 캡처하며, 다중 목적함수를 동시에 최적화한다. 단일 소재의 상용화에 10~20년이 걸리던 시간 축이, 이론적으로는 한 자릿수 배수로 압축될 수 있다.   MOBO와 PINN : 두 개의 핵심 엔진 이 패러다임을 떠받치는 두 엔진이 다목적 베이지안 최적화(MOBO : multi-objective bayesian optimization)와 물리 정보 신경망(PINN : physics-informed neural network)이다. MOBO는 다출력 가우시안 프로세스(MOGP) 같은 서로게이트 모델, qEHVI나 CEHVI 같은 획득함수, 그리고 베이지안 최적화 진화 알고리즘 강화학습 같은 탐색 패러다임을 조합해, 적은 실험 횟수로 파레토 프론트(Pareto front)를 효율적으로 탐색한다. PINN은 AI가 추상적으로 상상하는 공간을 물리법칙(나비에-스토크스 방정식, 픽의 법칙, 아레니우스 동역학 등)이 작동하는 현실 공간으로 ‘편집’해 준다. 전통적 머신러닝이 2nm 식각 프로파일을 학습하기 위해 500장 이상의 웨이퍼 데이터를 요구할 때, 손실 함수에 유체역학을 직접 박아 넣은 PINN은 데이터를 약 10배 줄이고 비물리적 환각(hallucination)을 차단한다. 10nm에서 학습한 물리 계층을 그대로 동결한 채 50장의 2nm 웨이퍼 데이터만으로 미세 조정해 만족할 만한 정확도에 도달하는 ‘전이 학습’도 가능해진다. 이 흐름이 가져오는 산업적 효과는 결코 추상적이지 않다. 시장 진입 시간(time-to-market) 30~40% 단축, R&D 시뮬레이션 예산 50~60% 절감, 동일 노드 성숙도에서 5~10%포인트의 수율 향상, 그리고 CHIPS Act 세액공제 같은 정책 지원의 적극적 활용 가능성 등은 모두 정량적으로 추적 가능한 효과다.   사례 : EUV 리소그래피용 금속산화물 포토레지스트 이 모든 논의가 너무 이론적으로 추상적 방향으로 치우치지 않도록, 한 가지 구체적 사례를 들어보자. 0.55 NA 아나모픽(anamorphic) 광학을 사용하는 차세대 EUV 리소그래피의 핵심 난제는 ‘RLS 트릴레마(resolution-LER-sensitivity trilemma)’다. 30nm 이하로 떨어지는 초점 심도(DoF)는 20nm 미만의 초박막 포토레지스트(PR, 광감응재)를 강요하고, 얇아진 막은 광자를 12% 적게 흡수하므로 광자 산탄 잡음(photon shot noise)이 지배적이 된다. 14nm 피치, 20mJ 도즈 조건에서 가장자리 부피에 도달하는 광자는 약 1130개 수준에 불과해 푸아송 잡음(Poisson noise)이 선예도(LER : line-edge roughness)을 1.36nm 이상으로 끌어올린다. 잡음을 잡으려 도즈를 높이면 처리량이 떨어지고, 후노광 베이크(PEB) 온도를 낮추면 반응이 불완전해진다. 단일 소재로는 풀리지 않는 ‘물리 한계 트릴레마’다. 기존의 화학증폭형 레지스트(CAR)는 EUV 흡수율이 낮고 PFAS 규제 리스크에 취약하다. 금속산화물 레지스트(MOR)는 EUV 흡수율이 5배 높고 PFAS 컴플라이언스를 통과하지만, 결함 밀도가 여전히 도전적이다. 이 문제를 푸는 접근이 PINN과 머신러닝 원자간 포텐셜(MLIP)의 결합이다. 약 300개의 DFT 구조(금속산화물 클러스터 + 유기물 리간드 분자)에 대한 능동 학습(active learning), 이완 에너지, HOMO-LUMO 갭 기준 스크리닝, 학습된 모델의 DFT 검증, 그리고 시간의존 밀도범함수론(TD-DFT)을 통한 들뜬 상태 계산을 결합하면, DFT-MD-KMC-연속체 역학·광학에 걸친 다중 스케일 다중 물리 문제를 ‘가상 팹 퍼널(Virtual Fab Funnel)’ 방식으로 처리할 수 있다.(그림 3) 10만 개의 생성형 후보군에서 시작해 빠른 물리 필터-중간 충실도 시뮬레이션-고충실도 TCAD를 거쳐 실제 합성 검증할 2~3종의 후보로 압축하는 이 접근은, 전통적 다구치 L27 DOE 대비 비용을 약 절반, 시간을 약 60% 줄이는 것으로 추정된다.   그림 3. 생성형 풀 → 물리 필터 → 중간 충실도 시뮬레이션 → 고충실도 TCAD → 실험 합성으로 이어지는 ‘가상 팹 퍼널’은 시간을 50%, 비용을 40% 줄이고 성공률 을 10~20배 끌어올린다.   진짜 병목은 Lab이 아니라 Lab-to-Fab 그러나 한 가지 냉정한 사실을 짚어야 한다. AI가 소재 발굴을 10배 가속해도, 실제 매출까지의 주기(time-to-revenue)는 50% 정도밖에 줄지 않는다. 진짜 병목은 ‘고객 승인 대기’ 구간이다. 기존 방식에서는 소재 발굴 12개월, 공정 최적화 6개월, 내부 인증 4개월, 고객 재인증 12개월의 총 34개월이 소요된다. AI를 도입해 발굴 단계를 12개월에서 1.2개월로 압축해도, 고객 승인 대기 10개월이 그대로 남아 총 16.2개월 수준에 머문다. 90%를 단축한 것 같지만 전체 리드타임은 절반밖에 줄지 않는 셈이다. 패러다임 전환이 한 번 더 필요하다. AI 기반 소재·공정 개발 가속화를 ‘내부용 도구’ 차원을 넘어 ‘고객 인터페이스’로 격상시켜야 한다. 사후 검증에 불과했던 고객사 인증을 아예 설계 단계부터 반영하고, 고객사의 인증 데이터를 가우시안 프로세스의 사전분포(prior)로 인코딩해 두는 식이다. 인증 관점은 사후 병목(afterthought)에서 ‘설계 단계 통합(by design)’으로, 고객 관계는 단순 공급자-구매자에서 ‘리스크 셰어링 파트너’로, 정보 흐름은 단절된 블랙박스에서 ‘투명한 대시보드’로, 인증 모드는 점진적·단절적 이벤트에서 ‘연속적 상태 모니터링’으로 옮겨가야 한다. 이것이 단순한 ‘AI 적용’이 아니라 ‘AI 기반 파운드리(Al-Driven Foundry)’ 전략의 본질이다.   자율 실험실이라는 종착점 이 흐름의 자연스러운 종착점이 자율 실험실(SDL : self-driving lab)이다. AI가 다음 실험을 제안하고, 로봇이 합성하며, 자동화된 측정 장비가 데이터를 수집해 다시 AI에 피드백하는 폐쇄 루프다. HBM packaging 소재를 예로 들면, 충전재 종류, 충전율, 입자 크기, 에폭시 수지 조성 등을 설계 공간으로 정의한 뒤, 분자 동역학(MD) 시뮬레이션과 소량 도포, 레오미터(rheometer)의 중간 충실도 유체역학 실험, 실제 패키징이나 열충격(TCT) 신뢰성 평가의 다중 충실도 실험을 GP-MOGP 서로게이트와 EHVI 획득함수로 묶어 운영한다. 액상 분배 로봇, 자동 경화 오븐, 레이저 플래시법(열전도), TMA/DMA(CTE), 열충격 챔버를 자동 측정으로 묶고 나면, 탐색 횟수는 약 1/20로, 실험 사이클은 2~3일에서 6시간 수준으로 줄어든다. OLED 발광 소재의 경우는 SMILES 표현을 GP에 직접 입력하는 타니모토(Tanimoto) 커널을 활용해 이산적인 분자 공간을 연속 파라미터 없이 탐색하고, 톰슨 샘플링으로 병렬 합성을 분산시키는 식이다.   AX 전환 프레임워크와 시뮬레이터 이상의 논의를 '무엇을 어떻게 할 것인가'의 단계론으로 정리하면 다섯 단계가 도출된다. 1단계 : DX 기반 구축(데이터 수집-표준화 온톨로지 설계 디지털 인프라) 2단계 : AI 파운데이션 모델 도입(LLM, GNN, 확산, 서로게이트 모델 선택과 사전학습) 3단계 : 도메인 특화 파인튜닝(소재 물성, 장비 공정, 부품 신뢰성 데이터 기반의 미세조정) 4단계 : 디지털 트윈과 서로게이트 모델(실시간 공정 시뮬레이션, 가상 실험, 예측적 품질 관리) 5단계 : 산업적 가치 창출(개발 주기 단축, 수율 개선, 비용 절감, 한계 극복) 이 다섯 단계는 소부장의 세 도메인에서 동시에 진행되어야 하며, 각 도메인은 자체 핵심 모델을 갖는다. 소재는 IBM의 Materials Foundation Model에 MACE와 베이지안 최적화를 결합한 형태, 부품은 비전 트랜스포머와 PINN, 디지털 트윈의 결합, 장비는 PINN과 트랜스포머, 강화학습 에이전트의 조합이 자연스럽다. 전공정의 8단계(산화 – 포토리소그래피 – 식각 – CVD – 이온주입 – CMP – PVD – 열처리)를 하나의 디지털 트윈으로 묶으면, 각 단계의 수율을 곱한 누적 수율(cascading yield)이 시각화된다. 여기에 소재 순도(3N~6N), 장비 노후화, 다운타임, 대기시간(0~24시간) 같은 외부 영향 요인을 ‘섭동 계층(perturbation layer)’으로 얹으면, 시나리오 엔진이 ‘소부장 교체 효과 추정’, ‘민감도 분석’, ‘병목 공정 식별’, ‘ROI 계산’ 같은 왓이프(what-lf) 분석을 즉시 수행한다. 개별 챔버 단위에서는 PECVD SiN 증착 공정 시뮬레이터처럼 챔버 온도, 압력, 전구체 유량, RF 파워를 슬라이더로 조절하면서 증착 속도 균일도·막 응력·표면 거칠기, 파티클 리스크, 건강도를 실시간 모니터링하는 것도 가능하다. 결국 이런 챔버 시뮬레이터는 ‘보기 좋은 그림’이 아니라 ‘의사결정 도구’로 활용될 수 있다.   맺음말 : 한국 반도체 소부장의 새로운 운영체계 AI 시대의 반도체 경쟁력은 단일 노드의 미세화에서 시스템 수준의 공동 최적화로 무게 중심이 옮겨갔다. 메모리 장벽이 만드는 혁신 압력, HBM4–HBM4E–하이브리드 본딩으로 이어지는 적층 경쟁, 첨단 패키징 소재의 다물리 동시 최적화, 그리고 EUV MOR 같은 차세대 소재 개발, 이 모든 영역에서 한국이 가진 자산은 결코 작지 않다. 그러나 그 자산이 ‘제조 AX’라는 새로운 운영체계 위에서 작동하지 않으면, 자산의 잠재력은 빠르게 평가절하된다. 앞에서 짚었듯이, 제조 AX의 본질은 ‘좋은 모델을 가져와서 데이터에 적용하는 일’이 아니다. 데이터–DX–AX–AI로 이어지는 단절된 조인트를 잇는 ‘온톨로지’라는 다리, 상관관계가 아닌 인과관계로 의사결정을 개선하는 ‘인과추론’이라는 다리, 그리고 사후 검증이 아닌 설계 단계 통합으로 격상되는 ‘고객 인증’이라는 다리를 동시에 놓는 작업이다. 이 세 다리 위에 MOBO, PINN, SDL이라는 도구가 얹히고, 그 위에서 비로소 한국 반도체 소부장은 ‘기술 경쟁’을 넘어 ‘운영체계 경쟁’의 무대에 오른다. 기술 확보 자체가 최종 목적이 되어서는 안된다. AI도, 디지털 트윈도, 자율 실험실도 결국은 ‘더 빨리, 더 정확하게, 더 적은 비용으로 의사결정하기 위한 수단’이다. 이 점을 분명히 하는 순간 ‘무엇부터 시작할 것인가’라는 질문에 대한 답은 의외로 단순해진다. 가장 작은 의사결정 단위에서 데이터를 잇고, 그 데이터에 의미를 부여하고, 의미가 부여된 데이터로 인과적 질문을 던지는 것부터 시작되어야 한다. 한국 반도체 소부장의 다음 10년은 그 작은 출발점에서 결정될 것이다.   ■ 권석준 성균관대학교 화학공학부 교수 및 공과대학 부학장     ■ 기사 내용은 PDF로도 제공됩니다.

지멘스 디지털 인더스트리 소프트웨어가 5월 21일 ‘심센터 테크놀로지 콘퍼런스(STC)’를 개최하고, AI 기반 엔지니어링의 미래 비전을 소개했다. 이번 행사는 지멘스와 알테어의 통합 이후 처음 열리는 공식 기술 행사로 시뮬레이션, 테스트, 고성능 컴퓨팅(HPC), AI를 아우르는 통합 엔지니어링 포트폴리오를 국내 고객과 업계 관계자들에게 선보였다. ■ 최경화 국장   이번 행사에서 지멘스는 AI를 단순한 도구가 아닌 엔지니어링 전 주기를 재편하는 필수 인프라로 규정하고, 실제와 디지털 세계를 결합한 포괄적 디지털 트윈(comprehensive digital twin) 전략을 구체화했다. 지멘스 디지털 인더스트리 소프트웨어 오병준 한국지사장은 “지멘스와 알테어의 통합으로 규모와 역량이 확대됐고, 기존 지멘스 고객과 알테어 고객이 서로의 강점을 아우르는 설루션을 검토할 수 있는 새로운 사업 성장 기회가 열렸다”면서, 국내 인력이 약 450명 규모로 성장했다고 밝혔다.   ▲ 지멘스 오병준 디지털 인더스트리 소프트웨어 한국지사장이 STC 키노트 세션에서 발표하고 있다.   산·학·연 전문가 한자리에… 실제 적용 사례와 혁신 전략 공유 이번 STC에는 국내 주요 제조·엔지니어링 기업 관계자들과 학계 및 연구기관 관계자들이 대거 참여해 산업별 엔지니어링 혁신 사례와 디지털 전환 전략을 공유했다. 키노트 세션은 오병준 한국지사장의 오프닝 스피치로 시작되었으며, 이어 샘 마할링엄(Sam Mahalingam) 지멘스 수석부사장 겸 시뮬레이션 부문 총괄이 ‘산업 판도를 바꾸는 융합 : 피직스와 산 업용 AI의 확장’을 주제로 강연을 진행했다. 또한 HD한국조선해양은 ‘모델 기반 통합 선박 설계·생산 일관화’를 주제로 발표를 진행하며, 조선·중공업 분야의 실제 디지털 엔지니어링 적용 사례를 공유했다. 이와 함께 행사장에서는 산업용 AI, 시뮬레이션 기반 설계, 고급 시뮬레이션, 멀티피직스, 테스트와 실행 가능한 디지털 트윈 등을 주제로 한 트랙 세션과 부스가 운영되어 참가자들이 지멘스 전문가 들과 기술 트렌드를 논의하는 네트워킹의 장이 마련됐다.   AI 시뮬레이션의 3대 축 : 더 빠른 엔진과 엔지니어 그리고 지능화 지멘스의 새로운 엔지니어링 전략은 더 빠른 엔진, 더 빠른 엔지니어, 엔지니어링 인텔리전스라는 세 가지 핵심 축으로 구성된다. 첫째, ‘더 빠른 엔진’의 핵심은 피직스(physics) 기반 AI와 메시리스(meshless) 기술이다. 전통적인 방식은 격자 생성 등 전 처리 과정에 막대한 시간이 걸렸지만, 지멘스는 격자 없이 형상 데이터 위에서 즉시 연산하는 ‘심솔리드(Simcenter Simsolid)’와 기하학적 딥러닝 기술을 결합했다. 이를 통해 에어버스의 구조 시뮬레이션 속도를 100배, 외부 공기역학 계산 속도를 250배 이상 단축하는 등 시뮬레이션 패러다임을 검증에서 탐색으로 전환하고 있다. 둘째, ‘더 빠른 엔지니어’ 전략은 설계부터 제조까지 전 워크플로에 AI 에이전트와 코파일럿을 심어 엔지니어 개인의 생산성을 극대화하는 것을 목표로 한다. CAD, CAE 메싱, 솔버, 멀티피직스 등 각 분야의 전문 에이전트가 하나의 디지털 스레드 안에서 유기적으로 협업하는 ‘멀티에이전트 오케스트레이션’ 구조가 그 실체다. 셋째, ‘엔지니어링 인텔리전스’는 새로운 심센터(Simcenter), 래피드마이너(RapidMiner), HPC웍스(HPCWorks)라는 세 종류의 플랫폼을 주축으로 구현된다. 특히 래피드마이너는 기업 내 분산된 방대한 데이터를 지식 그래프와 온톨로지 기술로 연결하여 데이터의 맥락(context)을 이해하고, 이를 실행(action) 가능한 지능형 애플리케이션으로 전환하는 ‘자율 엔터프라이즈(autonoMOUs enterprise)’의 기반이 된다.   ▲ 샘 마할링엄 지멘스 디지털 인더스트리 소프트웨어 수석부사장 겸 시뮬레이션 부문 총괄    지멘스-알테어 통합 시너지 : 포괄적 포트폴리오의 완성 알테어 인수 1주년을 맞이한 지멘스는 양사의 기술 결합이 가져 온 시너지를 강조했다. 기술적으로는 알테어의 하이퍼웍스(HyperWorks)와 지멘스의 심센터가 통합되면서 구조, 유체, 열 역학, 전자기, 음향, 화학 등 전 물리 영역을 아우르는 완벽한 디지털 트윈 플랫폼이 구축됐다. 특히 전자기 분야는 알테어의 고주파· 저주파 기술로 공백이 채워졌으며, 구조 분야에는 알테어의 옵티스트럭트와 충돌 해석 솔버인 라디오스(Radioss)가 더해져 포트폴리오의 깊이가 강화됐다. 샘 마할링엄 수석부사장은 “이제 고객은 다양한 영역의 복잡성을 모델링할 수 있는 완전한 도구를 갖게 되었으며, 이를 통해 물리적 프로토타입에 대한 의존도를 획기적으로 줄일 수 있다”고 밝혔다.   제조 현장의 핵심 과제 : 보안과 IP 보호 전략 AI 도입의 가장 큰 걸림돌인 데이터 보안과 지식재산권(IP) 보호에 대해서도 지멘스는 해결책을 제시했다. 지멘스는 온프레미스(on-premise), 하이브리드, 프라이빗 클라우드 등 고객의 환경에 맞춘 유연한 배포 옵션을 제공한다. 모든 데이터 학습은 기업 내부 방화벽 안에서 독립적으로 이루어지며, 클라우드 확장 시에도 가상사설망(VPN) 기반의 전용 계정을 사용하여 다중 사용자 공유에 따른 위험을 원천 차단한다. 또한 검색 증강 생성(RAG) 기술을 적용해 엔지니어링 데이터의 외부 유출과 AI의 할루시네이션(환각) 현상을 동시에 해결함으로써 제조 기업들이 안심하고 AI를 도입할 수 있는 환경을 구축하고 있다.   ‘지능형 원팀’으로 중국의 속도전에 대응 오병준 한국지사장은 한국 제조업이 글로벌 경쟁력을 유지하기 위해서는 피직스 AI와 같은 새로운 기술을 빠르게 도입하는 동시에, 설계·해석·생산의 사일로(silo)를 넘어 전체 라이프사이클을 연결하는 디지털 스레드(digital thread) 구축이 시급하다고 제언했다. 특히 빠른 피드백 사이클을 앞세운 중국 제조업의 추격에 대응하기 위해서는 대기업과 소재·부품·장비(소부장) 협력사가 하나의 지능형 체계로 묶여야 한다고 강조했다. 그는 조선·중공업 분야의 ‘모델 기반 통합 선박 설계·생산 일관화’ 사례와 자동차 산업의 ‘올인원 엔지니어’ 추세를 언급하며, 소부장 기업의 장비 데이터가 대기업의 AI 관제 시스템과 실시간 연동되는 ‘지능형 원팀’ 체계가 대한민국 제조업의 초격차를 유지할 수 있는 핵심 동력이 될 것이라고 전망했다.     지멘스-알테어, 포트폴리오 통합과 데이터 호환 기자회견 중 이어진 질의응답 세션에서는 양사의 설루션 통합 및 데이터 호환성에 대한 구체적인 질의가 이어졌다. 샘 마할링엄 부사장은 양사의 결합이 중복 투자가 아닌 상호 보완적 통합임을 강조했다. 전자기 분야는 기존 지멘스 포트폴리오에서 상대적으로 약했던 고주파 및 저주파 해석 영역이 알테어의 기술력과 결합하며 완벽한 진용을 갖추게 되었다. 구조 및 기계 해석 분야에서는 알테어의 충돌 해석 솔버인 라디오스와 최적화 설루션인 옵티스트럭트(OptiStruct)가 심센터 포트폴리오에 더해져 기계적 시뮬레이션의 깊이가 한층 깊어졌다. 메시 없이 형상 그대로 해석하는 심솔리드(Simsolid) 기술을 전면에 배치해 시뮬레이션 속도를 높였다. 사용자들이 우려하는 데이터 호환성 및 향후 로드맵에 대해서는 ‘통합된 디지털 트윈’을 해법으로 제시했다. 마할링엄 부사장은 “현재 지멘스는 양사의 설루션을 하나의 심리스한 워크플로(seamless workflow)로 묶는 작업을 강력하게 추진하고 있다”고 밝혔다. 단순히 파일을 주고받는 수준을 넘어, 지멘스 엑셀러레이터(Siemens Xcelerator) 플랫폼이라는 거대 생태계 안에서 구조, 유체, 열역학, 전자기 등 모든 물리 영역의 데이터가 하나의 디지털 스레드로 흐를 수 있도록 통합을 가속화하고 있다는 설명이다. 그는 “궁극적인 목표는 사용자가 어떤 도구를 사용하든 상관없이, 데이터 단절 없이 모든 복잡성을 모델링하고 검증할 수 있는 포괄적이고 지능적인 디지털 트윈 환경을 제공하는 것”이라고 로드맵을 제시했다.   자율 엔터프라이즈를 향한 여정 지멘스는 이번 STC 2026을 통해 기업들이 지멘스 엑셀러레이터 플랫폼의 소프트웨어와 하드웨어를 사용하여 지속 가능한 디지털 전환을 달성하도록 지원하겠다는 의지를 재확인했다. 물리 기반의 정밀한 시뮬레이션과 데이터 기반의 AI 인텔리전스가 결합된 지멘스의 생태계는, 단순히 제품을 만드는 것을 넘어 아이디어를 미래의 지속 가능한 제품으로 구현하는 ‘자율 엔터프라이즈’로의 진화를 가속화할 것으로 기대된다. 지멘스는 앞으로도 기술 통합을 지속 확대해 미래형 산업 생태계를 구축하고, 기업들이 보다 유연한 혁신 체계와 데이터 기반 의사 결정 환경 구축이 가능하도록 지원할 계획이다. 또한 산업 전반의 협력 생태계를 강화해 제조 산업의 디지털 전환과 고도화를 지속적으로 지원해 나갈 예정이다.     ■ 기사 내용은 PDF로도 제공됩니다.

제조 엔지니어링 업계가 전통적인 PLM(제품수명주기관리)과 DX(디지털 전환)의 단계를 넘어 AX(인공지능 전환, AI Transformation)이라는 새로운 패러다임으로 진화하고 있다. 이에 발맞추어 캐드앤그래픽스 CNG TV는 5월 18일, ‘PLM을 넘어 AX, 피지컬 AI로의 진화’를 주제로 PLM/DX 컨퍼런스 프리뷰 방송을 진행했다.    CNG TV 출연자 - 디지털지식연구소 조형식 대표(사회), LG CNS 김대성 상무. 산업연구원 AI디지털전환연구실 이상현 실장 디지털지식연구소 조형식 대표가 사회를 맡은 이번 방송에는 LG CNS SINGLEX 사업 총괄 김대성 상무와 산업연구원 AI디지털전환연구실 이상현 실장이 발표자로 참여하여 AX로 변화하고 있는 제조업계의 최신 트렌드와 핵심 이슈를 집중 조명했다. 자세한 내용은 CNG TV 다시보기를 통해 확인할 수 있다. ■ 최경화 국장 kwchoi@cadgraphics.co.kr   글로벌 제조 패러다임의 변화와 자율 제조의 도래 산업연구원 이상현 실장은 먼저 글로벌 공급망 위기, 전 세계적인 인력 부족, 생산성 정체 등 현재 제조 산업이 직면한 매크로적 환경 변화와 한계를 짚었다.  이상현 실장은 이러한 위기를 돌파할 핵심 열쇠로 AI 전환(AX)을 제시하며, 이제는 단순히 업무 프로세스를 디지털화하는 DX를 넘어 AI 기술을 산업 전반에 융합하는 단계로 나아가야 한다고 강조했다. 특히 가상 세계의 AI가 현실 세계의 물리적 자산 및 하드웨어와 결합하는 ‘피지컬 AI(Physical AI)’ 기술이 향후 제조 생태계를 고도화하는 데 핵심적인 역할을 할 것이라고 전망했다.  이상현 실장은 피지컬 AI를 기반으로 한 '자율 제조(AutonoMOUs Manufacturing)' 생태계가 구축되면 공장이 스스로 상황을 인지하고 판단하여 최적의 생산을 수행하는 수준까지 발전할 수 있음을 설명하며, 이를 위해 국가적 차원의 정책적 지원과 기술 표준화, 그리고 기업 간 협력 네트워크 구축이 선제적으로 마련되어야 한다고 제언했다.   PLM 데이터의 가치 창출과 AI 에이전트의 실질적 적용 LG CNS 김대성 상무는 제조 기업들이 현업에서 겪고 있는 실질적인 문제와 이를 해결하기 위한 기술적 접근법에 초점을 맞추어 발표를 진행했다.  김대성 상무는 많은 제조 기업이 수십 년간 축적해 온 설계 도면, 자재명세서(BOM), 과거 견적서 등의 방대한 PLM 데이터를 가지고 있음에도 불구하고, 이를 효율적으로 활용하지 못해 사장되는 '다크 데이터(Dark Data)' 문제를 지적하고, 이러한 문제를 해결하기 위해 생성형 AI와 AI 에이전트 기술을 PLM 시스템에 결합하는 혁신적인 방안에 대해 소개했다.  AI 에이전트가 도입되면 엔지니어들은 복잡한 설계 데이터를 자연어로 쉽게 검색하고 분석할 수 있게 되며, 과거의 설계 이력이나 사내 숙련공의 노하우를 실시간으로 추천받아 의사결정 속도를 획기적으로 단축할 수 있다. 구체적으로 비정형 데이터를 자산화하여 신제품 개발 주기를 줄이고 가치 창출을 극대화한 구체적인 적용 방법론을 공유하며 제조 현장의 실질적인 변화를 이끌어내야 한다고 강조했다. 미래 제조 시장 선점을 위한 AIDX 통합 실행 전략 두 발표자는 미래 제조 산업에서 생존하고 경쟁력을 유지하기 위한 공통의 과제로 ‘AIDX(AI 기반 디지털 전환) 생태계 구축’을 꼽았다. 기업들이 생성형 AI, 엔비디아 옴니버스 기반의 디지털 트윈, 그리고 제품 전체 수명을 관통하는 디지털 트레드(Digital Thread) 등 최신 IT 기술을 기존의 전통적인 제조 데이터 체계와 유기적으로 연동해야 한다는 것이다. 실질적인 제조 AX를 실행하기 위해서는 부서별로 파편화되어 있는 엔지니어링 데이터를 하나로 통합하고, 현장 작업자들이 AI 기술을 거부감 없이 받아들이고 활용할 수 있도록 촉진하는 사내 문화와 인프라 조성이 필수적이라는 점에 뜻을 모았다. 6월 개최 ‘PLM/DX 베스트 프랙티스 컨퍼런스 2026’으로 이어지는 혁신의 여정 이번 프리뷰 방송은 오는 6월 18일부터 19일까지 양일간 온라인으로 개최되는 본 행사 ‘PLM/DX 베스트 프랙티스 컨퍼런스 2026’의 비전을 미리 살펴보는 자리였다.  올해로 22회째를 맞이하는 본 컨퍼런스는 스마트공장, AX, 디지털 트윈 등을 기반으로 한 PLM과 제조의 최신 융합 사례를 총망라할 예정이다.   

HP 코리아는 국내 AI(인공지능) 기업 업스테이지와 AI 에이전트 분야 협력을 위한 전략적 업무협약(MOU)을 체결했다고 밝혔다. 이번 협약은 HP의 AI 디바이스를 통해 기업 맞춤형 AI 에이전트 도입을 확대하고, AI 시대의 미래 업무 환경 혁신과 글로벌 AI 생태계 구축을 가속화하기 위해 마련됐다. HP 코리아와 업스테이지는 HP의 고성능 컴퓨팅 인프라 및 폭넓은 디바이스 생태계와 업스테이지의 생성형 AI 기술력을 결합하는 방안을 논의했다. 양사는 다양한 규모의 기업이 HP 워크스테이션과 기업 맞춤형 AI 에이전트를 기반으로, AI 업무 환경을 보다 안정적으로 구축할 수 있도록 지원할 계획이다. 고객들이 초기 도입 비용과 운영 부담 없이 HP의 고성능 AI 워크스테이션 환경에서 업스테이지의 생성형 AI 설루션을 직접 체험하고 검증할 수 있는 AI 에이전트 패키지도 공동으로 추진한다. HP는 올해 ‘AI가 바꾸는 일의 미래’를 핵심 화두로 제시하며, 이러한 변화의 중심에 AI 워크스테이션과 에이전트형 AI가 있다고 보고 있다. HP는 고성능 컴퓨팅 인프라와 AI 워크스테이션 역량을 기반으로, 기업들이 더욱 안정적이고 효율적인 생성형 AI 환경을 구축할 수 있는 기반을 확대해 나갈 예정이다.     HP 코리아의 강용남 대표는 “AI는 이제 단순한 기능을 넘어, 일하는 방식 자체를 다시 정의하고 있다”면서, “HP는 AI 기업 업스테이지와의 협력을 통해 다양한 산업군에서 증가하고 있는 온프레미스 및 하이브리드 AI 수요에 대응하여 최적화된 AI 설루션과 레퍼런스를 확대하며, AI가 바꾸는 일의 미래를 기업 고객들이 실제 업무 환경에서 구현할 수 있도록 지원하겠다”고 말했다. 업스테이지의 김성훈 대표는 “업스테이지는 자체 개발한 대규모 언어 모델(LLM) 솔라(Solar) 및 문서 특화 AI 기술을 기반으로 금융, 공공, 제조 등 기업 환경에서 활용 가능한 AI 기술 고도화에 집중해왔다”면서, “HP와의 전략적 협력과 글로벌 네트워크를 통해 더 많은 기업 고객이 생성형 AI와 AI 에이전트 설루션을 보다 쉽게 도입하고 업무 생산성을 높일 수 있도록 지원하겠다”고 밝혔다.

SAP는 미국 올랜도에서 개최한 연례 콘퍼런스 ‘SAP 사파이어 2026’에서 전 세계 핵심 비즈니스 워크플로를 향상시킬 수 있는 ‘자율형 엔터프라이즈(AutonoMOUs Enterprise)’를 선보였다. 이번 발표는 인간과 AI가 협력해서 급변하는 글로벌 비즈니스 요구를 수익성 있고 전략적이며 안전하게 충족시키는 것을 목표로 한다. SAP의 크리스찬 클라인 CEO는 “SAP 비즈니스 AI 플랫폼과 SAP 자율형 스위트를 결합해 AI 에이전트를 비즈니스 프로세스 및 데이터, 거버넌스 전반에 안착시킴으로써, 규정을 준수하는 안전하고 정확한 결과를 도출하며 새로운 수익원 창출과 의미 있는 비용 절감을 이끌어낼 것”이라고 밝혔다.     SAP 비즈니스 AI 플랫폼은 실제 비즈니스 맥락을 바탕으로 엔터프라이즈 AI를 구축하고 배포하기 위한 새로운 기반이다. 이 플랫폼은 SAP 비즈니스 테크놀로지 플랫폼, SAP 비즈니스 데이터 클라우드, SAP 비즈니스 AI를 단일 통합 관리 환경으로 결합한다. 플랫폼의 핵심인 SAP 지식 그래프 설루션은 AI 에이전트에게 고객의 SAP 환경 전반에 걸친 모든 비즈니스 사업체와 프로세스, 관계를 구조화된 맵 형태로 제공한다. 또한 쥴 스튜디오는 엔터프라이즈 에이전트와 애플리케이션, 에이전틱 워크플로를 구축하기 위한 SAP의 AI 중심 설루션이다. 개발자는 노코드나 프로코드, AI 프레임워크 중 원하는 방식을 선택해 개발할 수 있으며 SAP가 관리하는 안전하고 확장 가능한 인프라 상에서 운영할 수 있다. SAP는 이러한 기반 위에서 기존 비즈니스 애플리케이션에 AI 에이전트를 적용해 엔드 투 엔드 프로세스를 수행하도록 돕는 SAP 자율형 스위트도 함께 공개했다. 이 스위트는 재무와 공급망, 조달, 인적 자본 관리 및 고객 경험 전반에 걸쳐 50개 이상의 도메인 맞춤형 쥴 어시스턴트를 배치한다. 이들은 200개 이상의 특화된 에이전트를 조율해 정밀한 작업을 수행하고 프로세스를 자동화한다. 특히 새로운 자율형 결산 어시스턴트는 분개 입력과 계정 조정, 오류 해결 등 전체 과정을 자동화해 수 주가 걸리던 재무 마감 프로세스를 단 며칠로 단축할 수 있다. 산업별 포트폴리오를 확장한 인더스트리 AI도 출시됐다. 인더스트리 AI는 7개의 자율형 설루션을 통해 산업별 프로세스를 처음부터 끝까지 자율적으로 실행하며 산업별 프로세스 로직과 데이터 모델, 규제 요구 사항을 내장하고 있다. SAP는 이번 행사에서 유럽 에너지 기업 RWE와 협업하여 해상 풍력 터빈의 예기치 않은 다운타임을 줄이는 사례를 공개했다. SAP의 자율형 자산 관리 시나리오를 통해 AI 에이전트는 수천 건의 과거 사고 데이터를 분석하고 근본 원인을 파악한 뒤 적절한 도구와 타 현장의 검증된 해결책이 포함된 작업 지시서를 자동으로 생성한다. 쥴 워크는 사용자가 소프트웨어를 활용하는 방식을 재정의한다. 사용자는 여러 애플리케이션을 오가며 데이터를 입력하는 대신 쥴과의 상호작용을 중심으로 업무를 수행한다. 원하는 비즈니스 결과를 설명하면 쥴이 워크플로와 데이터, 에이전트의 최적 조합을 구성해 실행한다. 쥴 워크는 단순한 대화를 넘어 인사이트를 선제적으로 제공하고 백그라운드에서 일상적인 작업을 자동화하여 사람이 일일이 개입하지 않아도 업무가 진행되도록 돕는다. 이 기능은 데스크톱과 모바일 환경을 지원하며 음성 제어로도 활용할 수 있다. 한편, SAP는 기업들의 자율형 엔터프라이즈 전환을 돕기 위해 총 1억 유로(약 1750억 원) 규모의 펀드를 조성했으며, 이를 통해 파트너들이 SAP 기반 AI 어시스턴트 및 에이전트 배포를 지원하고 쥴 스튜디오를 활용해 새로운 기능을 개발할 수 있도록 돕는다고 전했다. 이와 함께 SAP는 ERP 마이그레이션 부담을 35% 이상 줄일 수 있는 에이전트 주도형 전환 도구를 선보였다. 이 도구는 대규모 시스템 분석과 코드 수정, 테스트를 자동화해 프로젝트를 더 빠르고 예측 가능하게 만든다.

슈나이더 일렉트릭 코리아는 숭실대학교와 산학 협력 업무협약(MOU)을 맺고, 슈나이더 일렉트릭이 주관하는 산학 연계 교육 프로그램을 기반으로 전기 및 전력 계통 분야의 미래를 선도할 글로벌 인재 육성에 나선다고 밝혔다. 국내 전기 및 전력 관련 학과가 있는 제휴 대학을 대상으로 운영하는 ‘SEEC(Schneider Electric Electrify Club)’ 프로그램은 전기·전력 계통 분야 인재의 실무 역량 강화와 글로벌 경쟁력 제고를 목적으로 한다. 이를 위해 슈나이더 일렉트릭은 현직자와의 네트워킹을 포함한 다양한 교육 프로그램을 제공한다. 주요 교육 과정은 슈나이더 일렉트릭 유니버시티(Schneider Electric University) 전 강의 수강권 제공과 수강 후 인턴 지원 시 서류 전형 가산점 부여를 포함한다. 또한 인사팀이 주관하는 영문 이력서 및 면접 준비 특강, 사무실 투어, 현직자와의 오프라인 직무 멘토링 등이 있다. 슈나이더 일렉트릭 글로벌 리더십 강의와 온라인 커리어 멘토링이 진행되는 ‘커리어 그로스 데이’의 실무 중심의 커리큘럼도 마련했다. 이번 협약을 통해 숭실대학교 학생들은 에너지 효율화, 데이터센터, 산업 자동화, 태양광 설비 기술 등 산업 현장의 수요가 높은 분야의 교육 콘텐츠를 제공받는다. 슈나이더 일렉트릭은 이를 바탕으로 글로벌 전력 및 에너지 산업 전반에 대한 이해를 높이고 이론과 실무 역량을 동시에 강화할 수 있을 것으로 보고 있다. 슈나이더 일렉트릭 코리아의 박세란 인사본부장은 에너지 전환과 전력 산업의 미래는 기술 혁신뿐만 아니라 이를 현장에서 구현할 인재의 성장과 함께 이루어져야 한다고 설명했다. 박 본부장은 “이번 숭실대학교와의 SEEC 프로그램 산학 협력 업무협약을 통해 학생들이 글로벌 전력 및 에너지 산업의 실제 현장을 경험하고, 미래를 이끌 수 있는 실무 역량과 시야를 갖춘 전문 인재로 성장하도록 적극 지원하겠다”고 밝혔다. 이어 이번 협약이 기업과 대학이 교육과 커리어를 연계하는 지속 가능한 인재 육성 모델로 자리매김하여 전력 계통 분야의 인재 생태계를 확장해 나가길 바란다고 덧붙였다.  

간호지원 로봇 ‘메디’ 산업을 넘어 삶의 온기를 더하는 피지컬 AI    제조 현장을 넘어 의료와 돌봄의 영역으로 확장되는 ‘피지컬 AI(Physical AI)’는 기술의 목적을 다시 묻는다. 자동화와 효율을 넘어, 인간의 삶을 직접 보듬는 지능으로 진화하는 것이다. AI·로봇 전문 개발 기업 ‘아이솔(iSol, www.isollab.com)’은 이러한 변화의 중심에서 ‘자율 케어(AutonoMOUs Care)’라는 새로운 패러다임을 제시하고 있다. 김효진 대표이사는 “피지컬 AI는 제2의 불처럼 돌봄의 사각지대를 밝히는 기술”이라며, 기술이 인간의 존엄과 만나는 지점을 강조한다.   ▲ 아이솔 김효진 대표   ‘제2의 불’ 피지컬 AI, 돌봄의 사각지대를 밝히다 제조 현장의 자동화를 이끌어 온 인공지능과 로봇 기술이 이제 병원과 돌봄의 공간으로 이동하고 있다. 효율과 생산성을 중심으로 발전해 온 기술이 ‘사람의 삶’이라는 보다 근본적인 영역으로 확장되고 있는 것이다. 특히 최근 주목받는 피지컬 AI(Physical AI)는 로봇과 같은 물리적 실체가 주변 환경을 인지하고 스스로 판단하여 행동하는 기술 패러다임으로, 기존 자동화의 한계였던 비정형성을 극복하는 핵심 열쇠이다. AI·로봇 전문 개발 기업 아이솔은 피지컬 AI 기술을 제조 현장을 넘어 인간의 존엄성과 직결된 ‘돌봄’과 ‘간호’의 영역으로 확장하고 있다. 단순한 기계적 보조를 넘어 환자의 상태를 이해하고 교감하는 아이솔의 솔루션은 의료 인력난과 고령화 사회의 난제를 해결할 새로운 AX(AI Transformation) 모델을 제시하고 있다. 김효진 대표이사는 이를 ‘제2의 불’에 비유한다. “프로메테우스의 불이 인류 문명을 열었듯, 피지컬 AI는 돌봄의 사각지대를 밝히는 새로운 불이 될 수 있습니다.” 기술의 목적을 효율에서 ‘존엄’으로 이동시키겠다는 선언이다. 고기능 간호지원 로봇 : 의료 현장의 디지털 스레드 구현 병원은 고도의 정밀성과 신속한 대응이 동시에 요구되는 복합 환경이다. 간호 인력은 환자 케어와 함께 물류, 기록, 모니터링까지 광범위한 업무를 수행한다. 아이솔의 고기능 간호지원 로봇은 이러한 현장에 피지컬 AI의 ‘인지–결정–행동’ 구조를 구현했다. 우선 아이솔의 로봇은 LiDAR와 RGB-D 카메라를 활용해 병원 복도를 스스로 인식하고 이동한다. 약제나 검체를 자율적으로 이송하며, 장애물을 회피하고 경로를 재계산한다. 이는 단순 운반을 넘어, 간호 인력이 환자 곁에 머무는 시간을 늘리는 기반이 된다. 또한 환자에게 접근해 체온, 혈압 등 활력징후(Vitals)를 자동으로 측정하고, 이를 전자의무기록(EMR) 시스템에 실시간으로 연동한다. 반복적인 측정과 기록 업무를 줄임으로써 의료진은 환자의 상태 관찰과 상담, 판단에 더 집중할 수 있다. 여기에 아이솔은 ‘실행형 AX 시스템’을 결합했다. 수집된 데이터는 단순 저장에 그치지 않고, 이상 징후를 감지하고 관리 가이던스를 생성하는 데 활용된다. 김효진 대표는 “의료 현장에서도 데이터가 행동으로 이어지는 디지털 스레드(Digital Thread)가 필요하다”며 “간호지원 로봇은 그 연결 고리를 구현하는 매개체”라고 설명한다. 돌봄 로봇 ‘호리’: 정서적 교감과 안전을 위한 피지컬 AI 사회적 약자와 돌봄 대상자를 위한 아이솔의 돌봄 로봇 ‘호리(HORI)’는 피지컬 AI 기술이 단순한 자동화를 넘어 ‘감성’과 ‘안전’의 영역에서 어떻게 구현되고 있는지를 보여주는 사례로 주목받고 있다. 음성 인식과 감정 AI 기술을 통해 대상자와 대화를 나누고, 정서적 안정감을 제공한다. 이는 피지컬 AI가 단순히 물리적 힘을 쓰는 것을 넘어, 사회적 맥락을 인지하고 반응하는 지능형 파트너로 진화했음을 의미한다. 이와 함께 안전 기능 역시 핵심이다. 센서 네트워크를 통해 활동을 모니터링하고, 낙상이나 이상 행동이 감지되면 즉시 알람을 전송한다. 보호자나 의료진은 원격으로 상황을 파악할 수 있어, 사고 발생 시 골든타임을 확보할 수 있다. 호리는 모듈형 구조를 채택해 기능을 블록처럼 조합할 수 있도록 설계됐다. 환경과 대상자의 상태에 따라 필요한 기능만 선택해 구성할 수 있어, 가정·요양시설·병원 등 다양한 현장에 적용이 가능하다. 김 대표는 “돌봄의 요구는 표준화할 수 없다”며 “모듈형 구조는 돌봄의 다양성을 기술적으로 존중하기 위한 선택”이라고 강조한다.   신뢰받는 AX를 위한 기술 기반과 보안 의료와 돌봄 영역에서 기술의 성능만큼 중요한 것은 신뢰성이다. 아이솔은 데이터 품질과 보안을 기술 경쟁력의 핵심으로 삼고 있다. 모든 통신은 암호화된 보안망을 기반으로 이루어지며, 승인된 기기만 접근 가능한 로컬 인프라 구조를 지향한다. 민감한 의료·개인 정보가 외부로 유출되는 것을 원천적으로 차단하는 방식이다. 로봇의 학습 구조 역시 현장 친화적으로 설계됐다. 인간의 시연 데이터를 바탕으로 초기 정책을 설정한 뒤, 실제 환경에서 시행착오를 거치며 최적의 케어 전략을 학습한다. 이는 HART(Human Augmented Robot Training) 기법과 유사한 구조로, 로봇이 경험을 통해 숙련도를 높여가는 방식이다. 김 대표는 “로봇이 축적한 경험은 곧 돌봄의 품질”이라며 “학습 구조는 기술이 아니라 신뢰를 만드는 장치”라고 말한다.   기술의 목적을 다시 묻다 아이솔은 2020년 설립 이후 AI와 로봇 솔루션 개발에 집중해 왔다. ‘사람과 자연스럽게 협업하는 AI’, ‘일상에 스며드는 로봇’이라는 방향성은 제조 현장에서 의료·돌봄으로 확장되는 과정에서도 유지되고 있다. 김효진 대표는 “피지컬 AI의 목적은 인간을 대체하는 것이 아니다. 인간이 더 인간다운 역할, 즉 공감과 판단, 책임에 집중하도록 돕는 데 있다”라고 강조하며 기술의 역할을 분명히 했다. 피지컬 AI는 이제 공장 울타리를 넘어 병원과 가정, 요양시설로 들어오고 있다. 아이솔이 제시하는 자율 케어 솔루션은 의료 인력난과 고령화라는 구조적 문제에 기술적 해법을 제시하면서도, 인간 중심의 가치를 놓치지 않는다. 데이터에서 인사이트를 얻고, 이를 행동으로 연결해 삶의 질을 높이는 선순환 구조. 이것이 아이솔이 그려가는 미래 지능화 사회의 모습이다. 산업을 넘어 삶의 온기를 더하는 피지컬 AI. 아이솔의 실험은 이제 시작 단계에 불과하다. 그러나 방향은 분명하다. 기술은 더 빠르고 똑똑해지는 것을 넘어, 더 따뜻해져야 한다.    

산업AI의 성패, 데이터의 ‘양’이 아닌 ‘맥락’으로 승부   지난 3월, 글로벌 산업 소프트웨어 시장에 의미 있는 변화가 일어났다. 헥사곤의 주요 소프트웨어 사업부가 분사해 ‘옥타브(Octave)’라는 독립 브랜드로 새롭게 출범한 것이다. 월드 IT 쇼(WIS) 2026 현장에서 만난 옥타브 산업 컨설팅 부문 김세환 기술 이사는 옥타브가 건설/플랜트/조선 분야를 리드해온 것에서 진일보하겠다는 포부를 밝혔다. 그리고 산업AI와 결합하여 전 산업 분야에서 라이프사이클을 아우르는 기업으로 거듭나겠다는 비전을 제시했다. ■ 최경화 국장     옥타브는 산업 및 인프라 자산의 설계(design)부터 구축(build), 운영(operate), 보호(protect)에 이르는 전 단계에 걸쳐 ‘라이프사이클 인텔리전스’를 제공하는 기업이다. 옥타브의 전신은 인터그래프로, 1969년에 플랜트 산업 분야의 데이터 관리와 3D 설계 설루션을 공급하는 회사로 설립되었다. 2010년 헥사곤AB(Hexagon AB)에서 인수 후 헥사곤 PPM (2017년)으로 명칭이 변경되었고, 설계를 넘어 자산의 전체 수명 주기 관리 업체로 변화한다는 의미에서 헥사곤 ALI(2022년)로 변경되어 온 바 있다. 옥타브의 설립은 헥사곤 내 헥사곤 ALI(애셋 라이프사이클 인텔리전스) 사업부, SIG(세이프티·인프라·지오스페이셜) 사업부, 브릭시스, ETQ, 프로젝트메이츠 사업부를 통합해 구성되었으며, 산업AI 시대에 소프트웨어 분야에 더욱 집중하기 위해 새롭게 설립되었다는 설명이다. 이 회사는 현재 45개국 이상의 고객사를 지원하고 있으며, 포춘 500대 기업의 약 60%가 옥타브 설루션을 활용하고 있다. 김세환 이사는 이번 분사가 단순히 조직의 분절이 아니라, 고객의 수요와 운영 현실을 반영한 전략적 선택이었다고 설명한다. “산업 간 연계가 깊어지면서 자산 생애주기 전반에서 데이터가 소실되는 문제가 빈번해졌고, 이를 해결하기 위해 보다 빠르고 단호한 투자가 가능한 독립 법인이 필요했다”는 것이다. 옥타브는 ‘인텔리전스를 규모 있게 실현한다’는 비전 아래, 복잡한 데이터를 실행 가능한 정보로 전환하는 데 집중하고 있다.   생성형 AI와 산업AI의 결정적 차이, 맥락 최근 생성형 AI 열풍이 거세지만, 김 이사는 산업 현장의 AI는 본질적으로 달라야 한다고 강조한다. 일반적인 AI가 폭넓은 정보를 바탕으로 답을 내놓는다면, 산업 AI는 실제 자산과 안전, 워크플로에 직결되는 ‘구조화된 도메인 특화 데이터’를 기반으로 삼아야 한다. 산업 환경에서의 오류는 안전과 품질, 비용에 치명적인 영향을 미치기 때문이다. 옥타브의 산업AI는 도면, 유지보수 이력, 운영 현황, 센서 데이터 등 맥락(context)화된 데이터를 기반으로 작동하며, 점검 우선순위를 정하거나 부품 발주 지침을 내리는 등 즉각 실행 가능한 인텔리전스를 제공한다.   AI 선도 전략으로 최적의 대안 제시 옥타브의 핵심 전략은 ‘AI 주도(AI-lead)’가 아닌 ‘AI 선도(AI-forward)’다. AI가 전문가를 대체하는 것이 아니라 위험 신호를 감지해 권고안을 제시하고, 최종 결정은 현장 전문가가 내리는 구조다. 데이터 통합이 단순히 정보를 모으는 것이라면, 맥락화는 그 데이터를 자산 및 리스크와의 관계 속에서 의미 있게 만드는 작업이다. 옥타브의 AI 전략은 데이터 맥락화, 임베디드 AI, 에이전틱(agentic) 워크플로, AI 네이티브 애플리케이션이라는 네 가지 축을 중심으로 구성된다. 김 이사는 AI 도입의 성패가 기술적 성숙도가 아닌 ‘데이터 준비도(data readiness)’에 달려 있다고 말한다. 데이터가 충분히 연결되고 맥락이 결합될 때 비로소 ‘AI가 즉시 활용 가능한 데이터’가 된다. 이러한 토대 없이 AI를 도입하면 성과 없이 비용만 발생할 가능성이 높다.   핵심 설루션 활용 : 옥타브 어튠 EAM과 옥타브 아리아 한국 산업 현장에서 가장 빠르게 현실화되고 있는 영역은 운영(operate) 도메인, 특히 데이터 맥락화와 임베디드 AI를 결합한 자산 성능 관리(APM) 및 예측 유지보수이다. 실제 현장에서 옥타브 어튠 EAM(Octave Attune EAM)은 작업 지시, 자산 추적, 재고 및 안전 관리를 통합적으로 지원하며, 생성형 AI 엔진인 옥타브 아리아(Octave Aria)는 설비 제조사 매뉴얼을 자동으로 읽어 예방 정비 항목을 정리하거나 공급업체 정보를 참조해 부품 가격을 자동 업데이트하는 등 현장 실무자의 반복 업무를 줄여준다. 에이전틱 워크플로와 AI 네이티브 애플리케이션은 현재 기술 개발 중에 있으며, 옥타브는 올해 에이전틱 AI 기능을 단계적으로 도입할 계획이다.   한국 산업계의 성공 사례와 기술 검증 옥타브는 에너지, 석유화학, 건설/플랜트(EPC), 제조 분야 등에서 주요 산업 고객들과 협력하고 있다. 대표적 사례로 에쓰오일(S-OIL)은 옥타브 Facets P&ID, 옥타브 Forte 3D 등의 설루션을 도입해 지능형 디지털 트윈 기반 운영 체계를 구축하였다. 현대건설 또한 옥타브와 MOU를 체결하고 스마트 EPC 분야의 디지털 전환을 추진 중이다. 이러한 기술력은 극한의 환경인 F1 레이싱 현장에서도 입증되고 있다. 옥타브는 VCARB(비자 캐시앱 레이싱 불스)와 파트너십을 맺고 옥타브 어튠을 통해 모든 부품과 장비, 공구를 실시간으로 관리한다. 단 하나의 실수도 허용되지 않는 F1 서킷에서 검증된 자산 가시성과 예측 유지보수 기술은 에너지, 인프라, 제조 운송 등 산업현장의 성과로 이어지고 있다.   데이터 연결과 준비를 통해 산업AI 경쟁력 강화 옥타브는 오는 2026년 3분기, 생애주기 전반의 데이터를 단일 스레드로 통합하고 에이전틱 서비스를 제공하는 단일 플랫폼을 출시할 예정이다. 김세환 이사는 향후 3~5년 내 산업 AI의 경쟁력이 AI 모델의 정교함이 아니라 ‘얼마나 연결되고 맥락화된 데이터 기반을 갖췄는가’에서 갈릴 것이라고 전망한다. 그는 한국 기업들에게 “AI에 투자하기 전, 데이터가 진정으로 AI 준비 상태(AI-ready)인지 확인하라”고 조언했다. 단편적인 효율 개선을 넘어 라이프사이클 전반의 데이터를 연결하는 변혁에 집중하는 조직만이 산업 AI 시대의 승자가 될 것이라는 분석이다.     ■ 기사 내용은 PDF로도 제공됩니다.

IBM은 기업이 새로운 세대의 사이버 위협에 대응할 수 있도록 돕는 신규 사이버 보안 조치를 발표했다. 공격자들은 공격 준비부터 실행에 이르는 전 과정에서 첨단 AI(인공지능) 모델을 활용해 공격 속도와 효율을 높이고 있다. 이러한 변화는 고도화된 공격을 수행하는 데 필요한 시간과 비용, 전문성을 낮추며 기업을 상시적인 비즈니스 중단 위험에 노출시키고 있다. 공격이 기계적 속도로 자동 실행되는 환경에서 단절된 보안 도구와 수작업 절차에 의존한 기존 보안 체계는 점차 효과를 잃고 있다. 에이전트형 공격에 대응하기 위해서는 대규모 환경 전반에서 자율적이고 유기적으로 작동하는 새로운 보안 체계가 필요하다. 기업들은 복잡하고 방대한 IT 환경을 운영하고 있으며 이러한 구조는 체계적으로 관리하기 어렵다. 이는 첨단 AI 모델이 취약점을 빠르게 식별하고 이를 공격 경로로 전환하는 데 유리한 조건을 제공한다. 이러한 문제에 대응하기 위해 IBM 컨설팅은 에이전트 기반 위협에 대한 기업의 대비 수준을 평가할 수 있는 새로운 사이버 보안 평가 서비스를 제공한다. 이 평가는 IBM과 기술 파트너들이 공동으로 수행하며 고객이 전사 환경 전반에 걸쳐 필요한 지원을 받을 수 있도록 설계됐다. 이 평가는 보안 공백과 정책상의 취약점, AI 환경에서 발생할 수 있는 특화된 노출 요소, 잠재적인 공격 경로에 대한 가시성을 제공한다. 즉각적인 소프트웨어 수정이 어려운 경우에는 임시 보호 조치를 포함한 우선순위 기반 대응 방안도 함께 제시한다. 또한 자동화 수준과 보안 구조의 정합성을 개선해 공격 탐지와 대응 속도를 높일 수 있는 영역을 도출함으로써 보다 실질적인 보안 강화 방향을 제시한다.     기업이 AI가 생성하는 공격의 속도와 정교함에 직접 대응해야 하는 상황을 반영해 IBM은 다중 에이전트 기반 보안 서비스인 ‘IBM 오토노머스 시큐리티(IBM AutonoMOUs Security)’를 공개했다. 이 서비스는 기계적 속도로 의사결정과 대응, 정보 분석을 수행할 수 있도록 설계됐다. 이 서비스는 협력적으로 작동하는 AI 에이전트를 활용해 소프트웨어 노출 요소와 실행 환경을 분석하고 공격 경로를 식별하며 보안 기본 상태를 개선한다. 또한 조직 전반의 보안 도구에 걸쳐 정책을 일관되게 적용하고 이상 징후를 탐지해 최소한의 인적 개입만으로 위협을 차단하도록 설계됐다. 이러한 분석 결과는 거버넌스와 위험 관리 시스템으로 직접 연계돼 최신 보안 및 규정 준수 상태를 유지할 수 있도록 지원하며 이를 통해 노출 기간을 줄이고 고속 공격에 대한 대응 속도를 높인다. IBM 오토노머스 시큐리티는 보안 범위를 신원 관리와 위험 관리, 거버넌스 영역까지 확장하고 정보기술과 운영기술, 비즈니스 프로세스 전반의 AI 시스템과 연계함으로써 탐지에서 복구에 이르는 전 과정을 가속한다. 이를 통해 규정 준수 성과를 강화하고 운영상의 마찰을 줄이며 전반적인 보안 회복탄력성을 높일 수 있도록 돕는다. 에이전트형 위협 환경에서는 개별 보안 도구의 성능보다 보안 체계 전반이 얼마나 빠르고 일관되게 대응할 수 있는지가 방어 성과를 좌우한다. IBM은 보안 회복탄력성이 기계적 속도에 맞춰 진화해야 하는 전환점에서 기업들이 효과적으로 대비할 수 있도록 지속적으로 지원할 계획이다. IBM 컨설팅의 마크 휴즈 사이버 보안 서비스 대표는 “첨단 AI 모델은 빠르게 움직이고 전사적인 영향력을 가지며 점점 더 자율적으로 진화하는 새로운 유형의 기업 위협을 만들어내고 있다”면서, “이에 대응하기 위해서는 개별 도구가 아닌 시스템 차원의 방어가 필요하며 AI 기반 공격에는 AI 기반 방어가 요구된다. 이것이 바로 IBM이 제시하는 접근 방식”이라고 말했다.