통합검색 - 통합검색 : 캐드앤그래픽스 - 엔지니어링IT 미디어

탄소 감축을 위한 제품 BOM 기반 LCA 설계 방법론

산업을 위한 AI와 버추얼 트윈 기술 (8) 전과정 평가(LCA)는 원료 채취부터 생산·사용·폐기까지 제품의 환경 영향을 평가하는 방법이다. 그러나 제조 현장에서 제품 옵션과 리비전은 계속 늘어나는 반면, 환경 데이터는 엑셀, 보고서, 공급업체 파일에 흩어져 LCA 결과가 설계 이후에 도착하는 경우가 많다. 이번 호에서는 제품 구조(BOM)를 기준으로 환경 목표와 데이터를 연결하고, 설계 단계에서 감축 대안을 비교/검증하는 방법을 살펴본다. ■ 곽준범 다쏘시스템코리아 IC본부에서 IE&M(Infrastructure, Energy & Materials) 부문 LCA 설루션 컨설턴트, 설루션 아키텍트를 맡고 있다. 홈페이지 | www.3ds.com/ko 설계 데이터 단절의 문제 제조기업에서 LCA(Life Cycle Assessment)를 수행할 때 가장 먼저 확인하는 것은 평가 대상 제품의 BOM(Bill of Materials)과 리비전이다. 하지만 LCA 담당자는 최신 구성이 무엇인지 다시 확인하고, 설계자는 재료와 형상의 변경이 공정· 운송·사용 단계의 환경 영향에 어떻게 전달되는지 별도로 해석해야 하는 경우가 많다. 공급업체 데이터는 파일로 흩어져 있고 인증 보고서의 기준 형상과 현재 CAD가 같은지도 바로 설명하기 어렵다. 현장이 먼저 막히는 지점은 계산 기능보다 데이터의 연결과 변경관리이다. 이 문제는 계산 정확도만 높인다고 해결되지 않는다. CAD와 PDM/PLM은 설계 형상, 문서, BOM과 리비전을 관리하지만 환경 데이터가 엑셀, 컨설팅 산출물, 공급업체 양식으로 분리되면 제품의 기준선과 평가 결과가 함께 움직이지 못한다. 파일을 복사해 대안을 만들수록 기준 형상·생산 거점·활동 데이터의 관계가 흐려지고 변경 때마다 수집과 검토가 반복된다. 그 결과 LCA는 설계 동결 이후의 보고 업무가 되고, 재료·구조·공정을 바꿀 수 있는 시기를 놓치게 된다. ■ 현장 체크 • 평가 대상 BOM과 리비전을 즉시 특정하기 어렵다. • 설계 변경 때 LCA를 다시 만든다. • 합계값은 있지만 원인 부품·공정을 설명하기 어렵다. • 공급업체 데이터의 출처·품질·승인 상태가 흩어져 있다. ISO 14040/14044 계열의 LCA는 목적 및 범위 정의, 전과정 목록 분석(LCI), 전과정 영향 평가(LCIA), 해석의 네 단계로 구성된다. 그러나 현장에서 중요한 질문은 ‘제품당 몇 kgCO²e 인가’에서 끝나지 않는다. 어느 부품과 생애주기 단계가 영향을 만들었는지, 설계 대안을 적용하면 목표에 얼마나 가까워지는지, 그 결과를 누가 어떤 근거로 승인했는지까지 답할 수 있어야 한다. 근거를 요구하는 시장의 변화 이러한 데이터 단절을 더 이상 내부 업무의 비효율로만 볼 수 없는 이유는 시장의 요구가 달라지고 있기 때문이다. 규제와 공급망의 요구는 일회성 보고에서 제품 단위의 지속적 데이터 관리로 이동하고 있다. EU 에코디자인 규정(ESPR)은 제품군별 위임법을 통해 디지털 제품 여권(DPP)을 적용하는 틀을 마련했고, 여권 데이터의 정확성·완전성·최신성과 상호운용성을 요구한다. EU 배터리 규정도 탄소발자국과 배터리 여권을 제품 모델과 제 조공장 맥락에서 관리하도록 요구한다. OEM과 공급업체 사이의 PCF 교환에서도 합계값뿐 아니라 경계, 방법론, 단위, 기준 기간과 데이터 품질이 함께 설명되어야 한다. 여기에 SBTi는 기업 감축목표를 파리협정의 1.5℃ 방향과 정합된 과학적 경로에 맞추고 검증·공개하도록 이끈다. 결국 ‘얼마를 줄일 것인가?’와 ‘어떤 제품 설계로 줄일 것인가?’를 서로 연결지어야 한다. 이러한 흐름 속에서 필요한 것은 기존 CAD·PDM 업무를 대체하는 또 하나의 시스템이 아니라, 제품 구조 위에 환경 요구사항과 평가 이력을 연결하는 것이다. 규제마다 별도 파일을 추가하면 같은 BOM을 반복해서 해석하고 검증해야 하지만, 제품 구조를 공통 기준으로 삼으면 설계 활동에서 규제 대응의 근거가 함께 생성된다. 즉, ‘보고서를 만들기 위한 LCA’에서 ‘제품을 바꾸기 위한 LCA’로 프로세스를 전환해야 한다. 그림 1. 제품 BOM과 공정 데이터를 연결할 때 기대할 수 있는 업무 변화(자료 : 다쏘시스템코리아) BOM 기반 환경 요구사항 관리 BOM 기반 LCA의 핵심은 제품 구조를 환경 영향 평가의 기준선으로 활용하는 것이다. BOM에는 부품뿐 아니라 옵션, 수량, 상하 관계, 리비전과 변경 이력이 포함된다. EBOM은 설계 의도를, MBOM과 BOP(Bill of Process)는 실제 제조 경로를 설명한다. 이를 활용하면 사양/공급업체별 제품 구성을 하나의 구조에서 관리하고, 설계 대안을 통제된 시나리오로 비교할 수 있다. 부품별 환경 영향은 완제품으로 집계되고, 완제품의 감축 목표는 서브시스템과 부품의 환경 목표로 배분된다. SBTi(Science Based Targets initiative)는 기업의 과학 기반 감축경로를 정하는 하향식(top-down) 체계다. 다쏘시스템은 2020년 SBTi 참여를 선언한 이후 첫 감축목표를 검증받았으며, 2027년 기준 달성 목표를 2025년에 조기 달성했다. 하여 2026년에는 가치사슬 전반의 2050 넷제로를 위한 신규 목표를 다시 검증받았다. 기업의 감축목표를 달성하려면 이를 재료· 부품·공정 등 구체적인 제품 설계 의사결정으로 전환해야 한다. 그러기 위해 감축목표를 실제 제품과 설계 변경으로 전환하는 것이 필요하며, 이는 BOM 기반 LCA를 통해 기업 목표를 제품· 어셈블리·부품의 환경 목표로 구체화하고, 설계 대안의 예상 감축량과 근거를 상향식(bottom-up)으로 집계하도록 한다. SBTi가 감축 방향을 제시한다면, BOM 기반 LCA는 이를 제품 설계에서 실행하는 역할을 한다 ■ 자세한 기사 내용은 PDF로 제공됩니다.

작성일 : 2026-10-07

CAD·CAE·PLM을 하나의 지능형 엔지니어링 워크플로로 연결하다

엔지니어링 툴에서 에이전틱 엔지니어링으로 제조업의 AI는 이제 ‘답변’을 넘어 ‘엔지니어링 액션(engineering action)’으로 진화하고 있다. 단순 질의응답을 넘어 엔지니어링 맥락을 이해하고 CAD·CAE·PLM 을 유기적으로 조율해 실제 작업을 수행하는 ‘엔지니어링 AI 에이전트’가 새로운 패러다임으로 떠올랐다. 이 글에서는 엔지니어링 AI 에이전트의 작동 원리와 핵심 구조를 짚어보고, 제조 엔지니어링의 생산성을 극대화하기 위한 시스템 연계 방안을 살펴본다. ■ 백영렬 캐드아이티코리아 소속으로 CFD 및 인공지능 분야를 전문으로 하고 있다. 씨디어댑코 및 지멘스 등에서 30년간 근무한 경력을 갖고 있다. AI 시대, 엔지니어링 업무는 왜 다시 연결되어야 하는가 제조업의 디지털 전환이 본격화되면서 인공지능의 역할도 빠르게 변화하고 있다. 초기의 제조업 AI가 문서 검색, 보고서 작성, 데이터 요약과 같은 정보 처리 중심이었다면, 최근에는 실제 엔지니어링 업무를 수행하고 반복적인 작업을 자동화하는 방향으로 관심이 이동하고 있다. 특히 생성형 AI와 대규모 언어 모델(LLM)의 발전은 엔지니어가 자연어로 시스템에 작업을 지시하고, 필요한 정보와 결과를 대화형으로 얻을 수 있는 가능성을 열었다. 그러나 실제 제조 현장의 엔지니어링 업무는 단순한 질문과 답변으로 해결되지 않는다. 하나의 제품을 개발하기 위해서는 요구 사항을 확인하고, CAD 모델을 작성하거나 수정한 후, 해석에 적합한 모델을 준비하고 CAE 해석을 수행해야 한다. 이후 해석 결과를 검토하고, 필요하면 다시 설계를 변경한다. 또한 제품의 설계 이력과 승인 상태, 관련 문서 및 프로젝트 정보는 PLM/PDM 시스템에서 확인해야 한다. 결국 실제 엔지니어링 업무는 CAD, CAE, PLM을 포함한 여러 시스템과 데이터를 오가면서 반복적인 설계-해석-검증 과정을 수행하는 복합적인 업무이다. 문제는 CAD, CAE, PLM이 각각 매우 전문적인 목적을 가지고 발전해 왔다는 데 있다. CAD는 형상과 설계 피처(feature) 를 관리하고, CAE는 메시(mesh)와 피직스(physics), 경계조건(boundary condition), 솔버(solver) 등을 통해 제품의 성능을 검증하며, PLM은 부품(part), 리비전(revision), 수명 주기(lifecycle), 릴리스(release) 및 관련 문서를 관리한다. 각 시스템의 데이터 구조와 사용자 인터페이스가 서로 다르기 때문에 시스템 사이의 연결은 여전히 엔지니어의 몫으로 남아 있다. “엔지니어가 소프트웨어를 사용하는 방법을 배우는 시대에서, AI가 엔지니어링 소프트웨어를 활용하는 시대로 전환되고 있다.” 이러한 관점에서 앞으로의 엔지니어링 AI는 단순한 AI 코파일럿(copilot)과 다른 접근이 필요하다. 특정 애플리케이션 안에서 사용자의 질문에 답하거나 일부 작업을 대신하는 수준을 넘어, 사용자의 엔지니어링 의도(engineering intent)를 이해하고 여러 도구를 조정하여 하나의 목표를 달성하는 ‘엔지니어링 AI 에이전트’가 필요하다. 범용 AI와 엔지니어링 AI 에이전트는 무엇이 다른가 일반적인 범용 AI(generic AI)의 가장 큰 장점은 자연어를 이해하고 방대한 지식을 바탕으로 답변을 생성하는 것이다. 사용자가 “열교환기의 성능을 향상시키는 방법은 무엇인가?”라고 질문하면 AI는 관련된 원리와 방법을 설명할 수 있다. 그러나 실제 엔지니어가 원하는 것은 설명 그 자체가 아닐 수 있다. 엔지니어는 현재 사용하고 있는 모델을 분석하고, 설계변수를 찾아 변경하고, 해석을 실행한 뒤, 결과가 요구사항을 만족하는지 확인하기를 원할 수 있다. 엔지니어링 AI 에이전트는 바로 이 지점에서 범용 AI와 차별화된다. 사용자의 자연어 요구를 단순한 질문으로 처리하는 것이 아니라 엔지니어링 요구사항(engineering requirement)으로 해석하고, 현재의 CAD, CAE, PLM 정보와 관련된 엔지니어링 지식(engineering knowledge)을 결합하여 상황을 이해한다. 그 다음 어떤 작업을 어떤 순서로 수행해야 하는지 계획하고, 연결된 엔지니어링 도구(engineering tool)를 실행하며, 결과를 검증하고 다음 행동을 결정한다. 범용 AI : 사용자 질문 → LLM → 텍스트 답변 엔지니어링 AI 에이전트 : 엔지니어링 요구사항 → 엔지니어링 맥락(engineering context) → 플래닝(planning) → CAD / CAE / PLM 실행 → 결과 검증 → 엔지니어링 의사결정(engineering decision) 따라서 엔지니어링 AI 에이전트의 핵심은 LLM 자체보다도 ‘엔지니어링 맥락’에 있다고 볼 수 있다. CAD 모델의 형상과 피처(feature) 구조, CAE의 메시와 물리조건, PLM의 리비전과 릴리스 상태, 과거 설계와 해석 결과, 사내 설계 규칙과 엔지니어링 가이드라인(engineering guideline) 등을 하나의 맥락으로 이해해야 AI가 실제 엔지니어링 작업을 수행할 수 있기 때문이다. 엔지니어링 맥락이 AI의 성능을 결정한다 엔지니어링 문제는 텍스트만으로 표현되지 않는다. 동일한 ‘설계를 변경해 달라’는 요청이라도 어떤 제품인지, 현재 어떤 리비전을 사용하고 있는지, 어떤 피처가 설계 변경 대상인지, 어떤 재료와 하중조건을 사용하는지에 따라 전혀 다른 작업이 된다. 따라서 엔지니어링 AI가 실제 현장에서 의미 있는 역할을 수행하기 위해서는 기업 내부의 데이터와 지식, 그리고 현재의 엔지니어링 상태(engineering state)를 함께 이해해야 한다. 엔지니어링 맥락은 크게 제품과 설계의 맥락, 시뮬레이션 맥락, 수명주기 맥락, 엔지니어링 지식과 과거 이력 맥락(historical context)으로 구성할 수 있다. 제품 맥락에는 부품, 어셈블리, BOM 등이 포함되고, 설계 맥락에는 CAD 지오메트리, 피처, 설계 파라미터(design parameter)와 설계 의도(design intent)가 포함된다. 시뮬레이션 맥락에는 메시, 재질(material), 피직스, 경계 조건, 솔버 설정(solver setting) 등이 포함된다. 또한 PLM/PDM의 리비전과 승인(approval), 릴리스 상태는 수명주기 맥락을 구성하며, 설계 규칙과 베스트 프랙티스, 과거 프로젝트의 결과는 엔지니어링 지식과 과거 이력 맥락을 형성한다. 이러한 정보가 서로 연결되면 AI는 단순히 ‘문장을 이해하는 것’을 넘어 현재 엔지니어링 상황을 이해할 수 있다. 예를 들어 특정 부품의 최신 리비전을 확인하고, 그 모델에 연결된 과거 시뮬레이션 결과와 테스트 결과를 찾아보며, 사내 설계 규칙을 확인한 후 현재 설계의 문제점을 판단하는 것이 가능해진다. 결국 엔지니어링 AI의 지능은 LLM의 언어 능력과 함께 얼마나 풍부하고 신뢰할 수 있는 엔지니어링 맥락을 구축했는가에 의해 크게 좌우될 것이다. ■ 자세한 기사 내용은 PDF로 제공됩니다.

작성일 : 2026-10-07

AI 에이전트로 확장하는 엔지니어링 워크플로 자동화

심센터 HEEDS 더 깊게 살펴 보기 (10) 자동화의 다음 단계는 단순히 스크립트를 더 많이 작성하는 것이 아니다. 엔지니어가 전달한 목표를 이해하고, 필요한 스킬과 툴을 선택하며, 실행 결과를 다시 확인하는 워크플로를 구성하는 것이다. 심센터 AI 에이전트(Simcenter AI Agents)는 엔지니어링 애플리케이션과 AI 에이전트를 연결하여 이러한 에이전틱 엔지니어링 워크플로를 구현하는 방향을 제시한다. ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 AI 에이전트로 확장하는 엔지니어링 워크플로 자동화 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol 시뮬레이션 기반 설계와 검증 업무가 복잡해질수록 엔지니어가 직접 수행해야 하는 반복 작업도 함께 증가한다. CAD 모델을 불러오고, 형상을 정리하며, 메시(mesh)와 물성, 경계조건을 설정한 뒤 솔버(solver)를 실행하는 과정은 해석의 핵심이지만, 실제 업무 시간의 상당 부분은 파일을 찾고 설정을 확인하며 결과를 정리하는 데 사용된다. 기존에는 이러한 반복 작업을 줄이기 위해 매크로, 파이썬 스크립트, 배치 파일, API를 사용했다. 정해진 절차를 빠르고 일관되게 반복한다는 점에서 스크립트 기반 자동화는 여전히 중요한 기술이다. 그러나 작업 조건이 달라지거나 여러 해석 도구를 연결해야 하는 경우에는 어떤 스크립트를 실행할지, 어떤 순서로 작업할지, 결과를 어떻게 해석할지를 사람이 직접 판단해야 한다. 심센터 AI 에이전트는 이 지점에서 기존 자동화를 확장하는 접근 방식이다. 사용자의 자연어 요청을 바탕으로 작업을 단계별로 나누고, 필요한 스킬과 MCP 툴을 선택하며, 엔지니어링 애플리케이션에서 실제 작업을 수행하도록 연결한다. 실행 후에는 결과와 상태를 확인하고, 다음 작업이나 추가 확인 사항을 제시할 수 있다. 이번 호에서는 심센터 AI 에이전트의 개념과 구성 요소를 소개하고, 에이전트·스킬·MCP·엔지니어링 애플리케이션이 어떻게 연결되는지 살펴본다. 또한 심센터 심랩(Simcenter SimLab)을 중심으로 소개된 전처리 및 다중 스킬 워크플로 사례를 통해 기존 자동화 스크립트가 에이전틱 엔지니어링 워크플로로 어떻게 확장될 수 있는지 설명한다. 그림 1. 엔지니어링 AI의 발전 방향 엔지니어링 AI의 세 가지 방향 엔지니어링 분야에서 AI의 활용은 하나의 방식으로만 이루어지지 않는다. 이미 많은 설계·해석 업무에서 AI는 계산 결과를 빠르게 예측하거나, 여러 설계안을 비교하고, 복잡한 데이터를 시각화하는 데 사용되고 있다. 심센터 AI 에이전트 자료에서는 엔지니어링 AI를 크게 세 가지 방향으로 설명한다. 첫 번째는 엔지니어링 AI(Engineering AI)이다. 물리 기반 AI(physics-based AI)와 대리 모델(surrogate model)을 이용해 설계 공간을 빠르게 탐색하고, 고비용 시뮬레이션을 대신하거나 보완하는 방향이다. 예를 들어 다수의 CFD 또는 FEA 결과로부터 ROM(축소 차수 모델)을 구축하면 새로운 설계 조건에 대한 응답을 빠르게 예측할 수 있다. 이 접근 방식은 계산 속도를 높이고 설계 검토에 필요한 시간을 줄이는 데 초점을 둔다. 두 번째는 엔지니어링 인텔리전스(Engineering Intelligence)이다. 시뮬레이션, 테스트, CAD, PLM, 과거 프로젝트(historical project)와 같은 여러 엔지니어링 데이터와 지식을 연결하여 엔지니어가 더 빠르게 판단하도록 지원하는 방향이다. 단순히 결과값을 보여주는 데 그치지 않고, 과거 프로젝트와 유사한 사례를 찾거나 조직의 베스트 프랙티스를 재사용할 수 있도록 한다. 세 번째는 엔지니어링 에이전트(Engineering Agents)이다. AI가 단일 질문에 답하는 것을 넘어 여러 단계의 엔지니어링 워크플로를 조정하고 실행하는 방향이다. 모델 준비, 메시 생성, 솔버 설정, 결과 후처리, 리포트 작성과 같이 순서와 조건이 필요한 작업을 에이전트가 연결하여 수행한다. 이 세 가지 방향은 서로 대체 관계가 아니다. 대리 모델은 계산을 빠르게 만들고, 엔지니어링 인텔리전스는 판단에 필요한 맥락을 제공하며, 엔지니어링 에이전트는 이러한 기능과 엔지니어링 툴을 실제 워크플로 안에서 조정한다. 따라서 AI 에이전트를 도입할 때에는 단순한 챗봇(chatbot) 기능보다 어떤 데이터와 툴을 연결하고 어떤 업무를 자동화할지 정의하는 것이 중요하다. 엔지니어링 에이전트는 기존 자동화와 무엇이 다른가 기존 자동화 스크립트(automation script)는 미리 정의된 명령을 정해진 순서로 실행한다. 예를 들어 파이썬 스크립트가 입력 파일을 읽고, 특정 값으로 변경한 뒤, 솔버를 실행하고, 결과 파일에서 응답을 추출하도록 구성할 수 있다. 이 방식은 동일한 작업을 반복하는 데 매우 강력하며, 실행 결과도 비교적 예측하기 쉽다. 반면 에이전틱 워크플로는 먼저 사용자의 목표를 작업 단위로 분해한다. 사용자가 “이 모델에서 정상 모드 해석을 수행하고 주요 결과를 정리해 달라”고 요청하면, 에이전트는 모델 확인, 메시와 물성 확인, 경계조건 준비, 설루션 생성, 솔버 실행, 결과 확인, 리포트 작성과 같은 하위 작업을 구성할 수 있다. 두 방식의 차이는 다음과 같다. 스크립트 자동화(script automation)는 정해진 절차를 빠르고 일관되게 반복한다. AI 에이전트는 목표를 여러 작업으로 나누고 필요한 절차를 선택한다. 스크립트는 입력 조건이 바뀌면 사람이 코드를 수정해야 하는 경우가 많다. 에이전트는 등록된 스킬과 툴의 설명을 바탕으로 적용 가능한 절차를 탐색한다. 스크립트는 실행 완료 후 결과를 사람이 확인하는 경우가 많다. 에이전트는 결과와 로그(log)를 분석하여 다음 단계나 확인 사항을 제안할 수 있다. ■ 자세한 기사 내용은 PDF로 제공됩니다.

작성일 : 2026-10-07

[핫윈도] 2026 국내 스마트 건설 DX 현황 분석 리포트

작성일 : 2026-10-07

[칼럼] 나는 아직 유효한가 - ‘기획자의 시대가 온다’를 내놓으며

이 책이 세상에 빛을 보기까지의 여정은 대략 이러했다. 2025년 3월, AI와 바이브 코딩을 처음 배우기 시작하며 그날그날의 서툰 기록을 남겼다. 잘해서가 아니라 잊지 않으려고 적은 메모가 여덟 달 동안 조용히 쌓였다. 그 기록을 눈여겨본 좋은습관연구소 이승현 대표가 먼저 손을 내밀었고, 흩어진 글은 2025년 12월 18일 한 편의 초고가 되었다. 2026년 3월부터 7월까지는 편집의 시간이었다. 문장을 옮기고 반복을 덜어내고 표지를 고르는 일까지, 8월 5일에 모든 것이 마무리되었다. 8월 13일 인쇄기가 돌았고, 이튿날인 14일 한 권의 책으로 제본되었다. 그렇게 ‘기획자의 시대가 온다’는 열일곱 달 만에 세상에 나왔다. 기록 더미에서 책 한 권의 모양을 먼저 알아보고 마지막 장까지 길을 내준 이승현 대표께, 이 자리를 빌려 깊이 감사드린다. 9월 부산역 근처의 작은 모임에서 한 독자가 책을 내밀며 사인을 부탁했다. 8월 31일부터 배송이 시작된 펀딩 도서를 받자마자 들고 온 것이었다. 펜을 들어 이름 석 자를 적다가 손이 잠시 멈췄다. 분명 내가 쓴 문장인데 활자가 되어 묶인 뒤로는 이미 내 것이 아닌 듯했고, 책장 사이로 검은 터미널 앞에서 막막해하던 밤과 고치고 또 고치던 원고가 겹쳐 지나갔다. 이 책은 출판사의 전화를 받은 날에도, 바이브 코딩이라는 말을 처음 들은 날에도 시작되지 않았다. 시작은 남에게 꺼내 보이기 어려운 한 문장이었다. ‘나는 아직 유효한 사람인가.’ 필자는 기계공학을 공부하고 자동차 시트를 설계하며 사회에 나왔다. 이후 SGI, 지멘스, 오라클, PTC 같은 글로벌 IT 기업에서 제조기업의 시스템과 프로세스를 다뤘고, 설계자와 엔지니어, 컨설턴트와 PM으로 30년 넘게 현장을 걸었다. 경력이 쌓일수록 자신의 값도 쌓인다고 믿었다. “해봤다”는 한마디는 신뢰였고 경험은 문제를 푸는 가장 강력한 무기였다. 그런데 AI가 오자 풍경이 바뀌었다. 몇 시간을 들여 정리하던 문서를 AI는 몇 분 만에 내놓았고, 젊은 동료들은 새 도구를 망설임 없이 켰다. 회의실의 언어도 “왜 필요한가”에서 “일단 만들어 보자”로 옮겨 갔다. 지나온 시간을 설명하는 동안 세상은 이미 다음 화면으로 넘어가 있었다. AI를 바라보는 눈은 서 있는 자리에 따라 다르다. 기업의 눈에 AI는 경쟁력이고, 솔직히 말하면 줄일 수 있는 사람의 수다. 경영 보고서의 첫 줄에는 생산성이, 둘째 줄에는 인건비가 적힌다. 그 표를 들여다보는 개인의 눈에는 다른 것이 보인다. 그 숫자 어딘가에 내 이름이 있을지 모른다는 두려움, 그리고 그 두려움을 이기려면 결국 내 능력을 키워 스스로 경쟁력이 되는 길밖에 없다는 자각이다. 같은 기술을 두고 회사는 덧셈과 뺄셈을 하고, 사람은 자기 존재의 값을 묻는다. 은퇴보다 무서운 것은 아직 회사에 다니면서도 과거의 사람이 될 수 있다는 사실이었다. 나는 그 표의 어느 칸에 있는가. 그 질문이 밤마다 나를 깨웠다. 다시 배우려면 먼저 내려놓아야 했다. ‘내가 누군데’, ‘내가 해온 일이 얼마인데’라는 마음이다. 익숙한 자리에서는 계속 아는 사람으로 남을 수 있지만, 새로운 세계로 건너가려면 모르는 사람이 되는 수밖에 없다. 주말 개발자 모임의 문을 두드렸다. 괄호 하나, 따옴표 하나에 프로그램이 멈췄고, 검은 화면은 내 경력을 조금도 알아주지 않았다. 실행되거나 되지 않거나, 결과는 냉정했다. 몇십 년의 자신감이 오류 메시지 한 줄 앞에서 무너지는 밤도 있었다. 그럼에도 다음 주말에 다시 노트북을 열 수 있었던 것은 사람이 있었기 때문이다. 데이터를 숫자가 아니라 질문으로 보게 해 준 이부일 대표, 결심을 행동으로 바꾸는 자리를 만들어 준 신동욱 대표, 답 대신 생각하는 순서를 가르쳐 준 양선희 CTO, AI와 대화하며 프로 그램을 완성해 가는 모습을 눈앞에서 보여 준 최성훈 대표와 동료들. 실력도 경력도 달랐지만 우리는 AI 시대에 자기 일을 다시 설계해 보자는 같은 방향을 보고 있었다. 회사가 사람을 줄이는 기술을 앞에 두고, 우리는 서로를 붙드는 법을 배웠다. 뉴턴이 거인의 어깨 위에서 더 멀리 보았다면, 나의 여덟 달은 사람들의 어깨 위에서 건 넌 시간이었다. 처음부터 거창한 시스템을 만든 것은 아니다. 파일 이름을 한꺼번에 바꾸고, 반복되는 엑셀 집계를 줄이고, PDF와 데이터를 원하는 모양으로 정리하는 작은 프로그램이었다. 누구도 박수치지 않 지만 매일 내 시간을 조금씩 갉아먹던 일들이다. 첫 자동화가 제대로 돌아가던 순간, 어제까지 한 시간 걸리던 일이 몇 초 만에 끝났다. 화면은 화려하지 않았으나 그 작은 결과가 건넨 말은 컸다. 내 일을 내가 고칠 수 있다. 회사가 AI로 일을 줄일 때 나는 AI로 일을 되찾았다. 그때 알았다. 바이브 코딩은 개발자가 되기 위한 기술이 아니라, 생각을 설명하는 데 머물던 기획자가 자기 가설을 직접 확인하는 방식이었다. “가능합니까”라고 묻고 대답을 기다리던 사람이 “어떤 조건에서 가능합니까”, “어떤 리스크가 있습니까”라고 묻는 사람으로 바뀌는 과정이었다. 기획서 열 장 대신 프로토타입 하나를 내놓으면 사람들은 같은 화면을 보며 이야기하고, 합의의 기준은 공감에서 검증으로 옮겨간다. 쓸모를 잃었다고 여겼던 경험도 다시 움직였다. 도면을 검토하며 몸에 밴 정확성, 공정의 앞뒤를 살피는 습관, 요구사항과 일정과 리스크를 한눈에 보던 PM의 감각이 AI가 내놓은 결과를 판단하는 기준이 되었다. AI는 가능한 것을 빠르게 만들지만, 현장에 필요한 것과 조직이 굴릴 수 있는 것, 결과에 책임질 수 있는 것을 고르는 일은 사람의 몫이다. 제조 현장의 빈 데이터 한 칸은 단순한 결측치가 아니다. 부품 누락일 수도, 공정 지연일 수도, 누군가 미처 입력하지 못한 하루의 흔적일 수도 있다. AI는 빈칸을 찾지만 그 빈칸의 사연은 도메인을 아는 사람이 읽는다. 기업이 인력 감축의 근거로 삼는 바로 그 효율이, 실은 현장을 아는 사람의 판단 위에서만 작동한다. 그래서 비개발자에게 필요한 것은 새 용어를 수집하는 일이 아니라 자기 코어에 AI를 불어넣는 일이다. 값비싼 구독료부터 낼 이유도 없다. 무료 도구와 오픈소스로 내 업무의 가장 작은 반복 하나를 고쳐 보는 경험이 먼저다. 무엇을 구독했느냐보다 무엇을 해결했느냐가 남는다. 이 모든 과정은 책을 위한 것이 아니었다. 배운 것을 적었고 막힌 이유와 풀린 과정을 남겼고 SNS와 칼럼에 생각을 나눴다. 잘해서가 아니라 잊지 않으려고 기록했다. 그런데 2025년 9월 11일, 좋은습관연구소 이승현 대표에게서 전화가 왔다. 원고를 들고 출판사를 찾아간 것이 아니라, 내가 계속 써 온 기록을 출판사가 먼저 발견한 것이다. 책은 ‘언젠가 써야지’ 하고 마음먹은 날 시작되지 않는다. 오늘 배운 것과 오늘 실패한 것, 오늘 마음을 흔든 질문을 적어 두는 순간 이미 시작된다. 여덟 차례의 수정을 거치는 동안 편집자는 원고를 대신 써 주는 사람이 아니라 저자가 보지 못한 독자의 길을 내는 사람이었다. 최종 원고가 내 손을 떠나 1500부가 찍히던 날, 기쁨보다 걱정이 먼저 왔다. 그리고 8월 12일부터 27일까지 진행한 펀딩에서 독자들은 100권이라는 첫 목표를 훌쩍 넘겨 185권으로 답했다. 아직 읽지 않은 책에 먼저 지갑을 여는 일, 그것은 독자가 먼저 건넨 신뢰였다. 그래서 기쁨만큼 두려움도 자랐다. 하지만 그 전전긍긍이야말로 저자에게 필요한 태도인지 모른다. 독자의 시간을 가볍게 여기지 않게 하고 다음 문장을 더 정직하게 쓰게 하기 때문이다. 추천사를 써 준 신수정 대표, 최재홍·정구민· 최재붕 교수, 그리고 나의 여정을 곁에서 지켜본 이들의 문장 속에서, 혼자서는 보지 못했던 나의 변화가 비로소 보였다. 8월 31일 펀딩 도서의 배송이 시작됐고, 9월 1일부터는 전국 온· 오프라인 서점에서 종이책을, 전자책 플랫폼에서 이북을 만날 수 있다. 그러나 책이 독자의 손에 닿은 자리에서 오히려 다음 일이 시작된다. 연말까지 남은 휴가를 북토크에 쓰려 한다. 큰 강연장이 아니라도 좋다. 제조기업의 작은 회의실, 공부 모임, 같은 두려움을 품은 실무자들이 모인 자리라면 책을 들고 찾아가고 싶다. 책을 팔기 위해서가 아니라 책을 다시 배우기 위해서다. 독자의 질문을 들으면 원고를 쓸 때 보지 못한 빈칸이 보이고, 현장의 문제를 만나면 책 속 문장이 다시 검증된다. 부산역에서 펜이 멈췄던 순간 처음의 질문이 다시 떠올랐다. 나는 아직 유효한 사람인가. 완성된 답은 여전히 없다. 다만 이제는 안다. 유효함은 과거의 직함이나 지금의 월급이, 그리고 회사의 표 어느 칸도 보증해 주지 않는다. 쌓아 온 경험도 가만히 두면 과거가 된다. 그러나 다시 배우고, 새로운 언어와 잇고, 작은 결과로 확인하고, 다른 사람과 나누면 경험은 다시 움직인다. 기업이 AI에서 경쟁력을 읽는다면, 사람은 AI에서 자기 자신을 다시 읽어야 한다. 책을 썼지만 나는 여전히 초보자다. 다만 떠밀려 온 초보자가 아니라 스스로 선택한 초보자다. ‘기획자의 시대가 온다’는 AI에 관한 책이지만 결국 사람에 관한 책이다. 배우고 있는 한 우리는 AI에게 대체되는 사람이 아니라 AI와 함께 일의 방향을 결정하는 사람이다. 멈췄던 손은 다시 움직여 이름을 마저 적었다. ■ 류용효 디원 PLM기술본부에서 상무로 재 직 중이며, 페이스북 ‘류용효컨셉맵 연구소’ 리더, CNGTV 지식방송 전 문위원으로 활동하고 있다. PTC코 리아, 오라클, 지멘스 PLM 등을 거 치며 PLM과 프로세스 컨설팅 분야 에서 일해 왔다. 저서로 ‘베테랑 기 획자의 바이브코딩 도전기’가 있다. (블로그) ■ 기사 내용은 PDF로도 제공됩니다.

작성일 : 2026-10-07

슈나이더 일렉트릭, PTC 인수로 산업 AI와 디지털 스레드 결합 추진

작성일 : 2026-10-06

CAD&Graphics 2026년 10월호 목차

INFOWORLD Case Study 17　AI 가상 벤치마킹 도입한 BMW 그룹　AI와 가상 부품 분해 기능을 통해 엔지니어링 효율 개선 38　데이터에 ‘경험’을 입히다　언리얼 엔진이 그리는 제조·시뮬레이션의 미래 Hot Window 22　2026 국내 스마트 건설 DX 현황 분석 리포트 : AI와 BIM이 이끄는 건설산업의 대전환 Focus 28　코리아 그래픽스 2026, AI와 에이전트가 이끄는 크리에이티브의 미래 제시 32　케이던스, 물리 시뮬레이션−AI 결합한 엔지니어링 비전 제시 34　레노버, 고부하 연산과 전문 워크로드 생산성 강화한 ‘씽크스테이션 P4’ 공개 36　AWS, “피지컬·에이전틱 AI의 성패 가르는 핵심은 전략과 인프라 구축” On-Air 41　캐드앤그래픽스 지식방송 CNG TV 지상중계　메시 없이 CAD 그대로 빠르게 검증하는 심센터 심솔리드 42　캐드앤그래픽스 지식방송 CNG TV 지상중계　크리에이티브의 확장, 피지컬 AI와 에이전트가 만드는 미래 48　캐드앤그래픽스 지식방송 CNG TV 지상중계　피지컬 AI 시대 휴머노이드 개발을 위한 엔드 투 엔드 디지털 전략 소개 Column 44　SDx와 산업용 AI로 여는 미래 제조 / 오병준　소프트웨어 정의 기술, AI 기반 디지털 엔터프라이즈의 토대 49　‘기획자의 시대가 온다’를 내놓으며 / 류용효　나는 아직 유효한가 New Product 54　이달의 신제품 52　New Books 57　News Directory 107　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리 CADPIA AEC 60　새로워진 캐디안 2026 살펴보기 (11) / 최영석　유틸리티 기능 외 Ⅴ 64　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　DGX 스파크에서 피지컬 AI 시뮬레이션 개발 환경 구축 68　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2027 (6) / 최하얀　제도 작업의 흐름을 바꾸다 − 아레스 쿠도의 해치 컨텍스트 리본 Analysis 71　심센터 HEEDS 더 깊게 살펴 보기 (10) / 이종학　AI 에이전트로 확장하는 엔지니어링 워크플로 자동화 88　아카디아를 활용한 아키텍처링 극대화하기 (1) / 윤경렬, 심정환　시스템 공학과 MBSE에 대한 어렵지 않은 관점 96　앤시스 워크벤치를 활용한 해석 성공 사례 / 나도경　엔코드 디자인라이프를 활용한 용접 구조물의 피로 수명 예측 99　성공적인 유동 해석을 위한 케이던스의 CFD 기술 / 나인플러스IT　피델리티 CFD로 윈드서핑 속도 신기록 수립 PLM 78　산업을 위한 AI와 버추얼 트윈 기술 (8) / 곽준범　탄소 감축을 위한 제품 BOM 기반 LCA 설계 방법론 102　엔지니어링 툴에서 에이전틱 엔지니어링으로 / 백영렬　CAD·CAE·PLM을 하나의 지능형 엔지니어링 워크플로로 연결하다 Mechanical 82　제품 개발의 완성도를 높이는 크레오 파라메트릭 13 (3) / 김주현　어셈블리 개선사항 및 생성형 AI 기능 캐드앤그래픽스 당월호 책자 구입하기 캐드앤그래픽스 당월호 PDF 구입하기

작성일 : 2026-09-28

센트릭 소프트웨어, NRF 2026서 ‘센트릭 AI’ 공개

센트릭 소프트웨어가 프랑스 파리에서 개최되는 ‘NRF 2026 : 리테일스 빅 쇼 유럽’에서 제품 수명주기 의사결정을 위한 신규 AI 플랫폼 ‘센트릭 AI(Centric AI)’를 공개한다고 전했다. 센트릭 소프트웨어는 제품의 콘셉트 기획부터 상용화에 이르기까지 전 과정을 지원하는 엔드 투 엔드 AI 기반 엔터프라이즈 설루션을 공급해 왔다. 패션, 럭셔리, 신발, 아웃도어, 홈, 가전, 식음료, 화장품, 뷰티 용품 및 멀티 카테고리 유통 기업들은 센트릭 설루션을 통해 기획, 디자인, 개발, 소싱, 규제 준수, 구매, 생산, 가격 책정, 배분, 상품 구색, 판매 및 보충에 이르는 전 과정을 통합 관리하며 디지털 전환을 추진하고 있다. 최근 리테일 기업과 브랜드들은 AI를 단순한 기술 실험에서 벗어나 일상 업무에 적용하고 있으며, 측정 가능한 실질적 비즈니스 효과를 확보하는 데 집중하고 있다. 이러한 변화는 제품 수명주기 전반에서 특히 두드러진다. 제품 라이프사이클 내의 의사결정은 제품 데이터, 시장 수요, 소싱 제약 조건, 원가, 규제 요구사항, 상업적 우선순위 등을 종합적으로 고려해야 하기 때문이다. 관리해야 할 제품 수와 유통 채널, 규제 사항이 크게 늘어나면서 검토해야 할 정보는 급증했으나, 실질적으로 결정을 내릴 시간은 줄어들고 있는 실정이다. AI는 그 배경에 놓인 맥락을 충분히 확보할 때 가치를 발휘한다. 센트릭 AI는 ‘센트릭 AI 컴패니언(Centric AI Companion)’, ‘센트릭 MCP(Centric MCP)’, 전문화된 ‘센트릭 AI 에이전트(Centric AI Agents)’를 단일 플랫폼으로 통합했다. 센트릭 AI는 “일반적인 AI 기술에 대한 기대와 달리 실제 비즈니스 가치를 창출하는 AI가 부족한 시장 상황에서, 우리는 20년 이상 축적된 연계 제품 데이터, 워크플로, 산업 전문 지식을 대화형 상호작용, 외부 시스템 연결, 에이전트 기반 워크플로, 패키지 애플리케이션과 결합해 차별화된 경쟁력을 제공한다”고 소개했다. 또한, 센트릭 소프트웨어는 비즈니스 측면의 도입 효과도 정량적으로 입증되고 있다고 전했다. 콘셉트 기획부터 상용화까지 아우르는 기존 센트릭 설루션과 센트릭 AI를 함께 운용하는 고객사들은 데이터 입력, 승인 경로 지정, BOM(자재명세서) 생성, 상태 추적 등 반복적인 수작업 시간을 90~98% 줄였다. 또한 신속하고 정확한 가격 책정, 상품 구색 및 재고 결정을 바탕으로 매출 총이익률을 2~5% 높였으며, 판매율 또한 최대 5%까지 향상시켰다. 센트릭 AI는 두 가지 방향에서 가치를 창출한다. 제품 수명주기 내부의 운영 업무를 자동화해 데이터 수작업 입력, 업무 인계, 결재 승인 및 회의를 대폭 줄임으로써 단위 업무 수행 시간을 단축한다. 동시에 다양한 부서의 데이터를 연결하고 실시간 인사이트를 도출하여, 팀이 정보를 취합하느라 지체하지 않고 최적의 결정을 즉각 실행할 수 있도록 의사결정 속도를 높인다. 센트릭 소프트웨어는 이미 ‘센트릭 PLM(Centric PLM)’, ‘센트릭 비주얼 보드(Centric Visual Boards)’, ‘센트릭 플래닝 & 프라이싱(Centric Planning & Pricing)’, ‘센트릭 마켓 인텔리전스(Centric Market Intelligence)’, ‘센트릭 PXM(Centric PXM)’ 전반에 걸쳐 AI 기능을 내장해 왔다. 센트릭 AI는 이러한 기반을 단일 플랫폼으로 통합하고 확장한다. 센트릭 소프트웨어의 뱅상 피쿠 최고 인공지능 책임자(CAIO)는 “센트릭 AI의 직접적인 가치는 실무팀의 반복적인 운영 업무 부담을 덜어주고, 사람에게 귀중한 시간을 되돌려주는 데 있다”면서, “더 큰 기회는 앞으로 다가올 미래에 있다. AI 에이전트가 수초 만에 수많은 대안을 검토하고 상충하는 제약 조건을 분석하여, 주요 트레이드오프 검토를 마친 권장 사항을 제시한다. 인간의 전문성은 사라지는 것이 아니라, 사람만이 해결할 수 있는 전략적 판단과 예외적인 문제 해결 영역으로 집중된다”고 설명했다. 센트릭 소프트웨어의 파브리스 카농주 CEO는 “센트릭의 전략은 단순하다. 마진과 처리 속도, 비즈니스 성장에서 측정 가능한 성과를 입증하는 AI 분야에 집중 투자하는 것”이라면서, “AI가 기술적 실험 단계를 지나 기업 운영의 핵심으로 자리 잡고 있는 만큼, 센트릭 AI는 수십 년간 축적한 제품 데이터와 워크플로, 산업 전문성을 기반으로 강력한 경쟁력을 확보하고 고객사에게 지속 가능한 가치를 제공할 것”이라고 강조했다.

작성일 : 2026-09-15

[PLM/DX 베스트 프랙티스 컨퍼런스 2026] 발표자료 다운로드 안내

안녕하세요? PLM/DX컨퍼런스사무국입니다. 캐드앤그래픽스, 한국CDE학회, 한국산업지능화협회가 주최하고 한국산업지능화협회 기술위원회가 주관한 'PLM/DX 베스트 프랙티스 컨퍼런스 2026'에 참여해 주신 모든 분들께 감사드립니다. 많은 관심과 성원으로 이번 행사도 잘 마무리 되었습니다. [PLM/DX 베스트 프랙티스 컨퍼런스 2026] 발표자료 다운로드 안내 - 발표자료는 아래 아젠다에서 PDF 표시된 자료만 공개가 가능합니다. >> [PLM/DX 베스트 프랙티스 컨퍼런스 2026] 참가업체 소개 바로가기 >> [포커스] AX 시대의 제조 혁신, 피지컬 AI와 지능형 에이전트가 이끈다 [PLM/DX 베스트 프랙티스 컨퍼런스 2026] 유료결제완료 발표자료 요청 이번 컨퍼런스 발표자료 다운로드는 유료 결제 후에 가능합니다. 다만 홈페이지 다운로드 용량 제한으로 인하여 전체 자료를 다운로드 할 수 있게 하는데 제약이 있어 첨부한 파일에는' PLM/DX 컨퍼런스 2026' 가이드 파일만 올려 두었습니다. 결제완료 후 메일(PLM@cadgraphics.co.kr)로 연락주시면 대용량 추가 자료를 별도로 보내드립니다. 홈페이지에서 직접 결제하는데 문제가 있다면 당사로 연락주시기 바랍니다. 메일 제목 : [PLM/DX 컨퍼런스 2026] 유료결제완료 발표자료 요청 내용 : 결제시 회원명 / 전화 / 이메일 메일 보낼 곳 : PLM@cadgraphics.co.kr 문의 : PLM컨퍼런스사무국 (02-333-6900) >> PLM/DX 베스트 프랙티스 컨퍼런스 2026 영상보기

작성일 : 2026-09-14

끊김 없는 연결과 지능화, 디지털 제조 AX의 최신 트렌드 Ⅱ

▲ 이미지 출처 : 아이지피넷 제조 산업 전반에서 인공지능 전환(AX)과 데이터 기반 혁신이 가속화되면서, 엔지니어링 데이터를 유기적으로 연결하고 지능화하려는 움직임이 활발하다. 이번 호에서는 지난 6월 18일~19일 진행된 ‘PLM/DX 베스트 프랙티스 컨퍼런스 2026’에서 https://www.PLM.or.kr 발표된 내용을 중심으로, 온톨로지 기반의 품질 추적 체계와 3D 점군 데이터 및 CAD 최적화 설루션부터 제품 아키텍처 수명주기 관리, BOM 기반의 변형 관리 전략에 이르기까지 디지털 제조 AX의 최신 흐름과 실무 적용 방안을 살펴본다. PLM 데이터는 ‘문서’가 아니라 ‘연결의 망’이다 / 이기호 대규모 점군 처리와 CAD 데이터 최적화를 위한 통합 디지털 엔지니어링 설루션 / 아이지피넷 PLM의 제품 다양성 및 복잡성 관리 전략 : 디지털 전환 시대의 복잡성 통제 / 김창근 제품 데이터 관리를 넘어, 제품이 구성되는 구조와 규칙을 관리해야 할 때 / 김진회 총 23 페이지 ■ 자세한 기사 내용은 PDF로 제공됩니다.

작성일 : 2026-09-01