조선산업은 표면적 호황과 별개로 구조적 난제를 안고 있 다. 수주·건조 경쟁 심화, 숙련 인력의 고령화와 이탈, 생산 시스템의 노후화, 그리고 수주산업 특유의 극단적 복잡성이 동시에 작동하고 있기 때문이다. 이러한 환경에서 조선소의 디지털 전환은 단순한 업무 전산화나 개별 공정 자동화를 넘어, 설계–구매–생산–물류–원가–납기 전 과정을 하나의 유기체처럼 연결하는 방향으로 진화해야 한다. 이 글에서는 조선소에서 디지털 트윈과 피지컬 AI(physical AI)를 실전적으로 구현하기 위한 핵심 요건을 기술적으로 정리한다.

HD현대는 2020년부터 Future of Shipyard(FOS) 로드맵을 통해 디지털화·가시화, 연결·예측·최적화, 지능형 자율 운영의 3단계 전환을 추진하고 있으며, 현재는 2단계에서 3단계로 넘어가는 전환기의 핵심 구조를 구체화하고 있다.

지능형 자율 운영 조선소를 성립시키는 기술적 삼위일체는 디지털 매뉴팩처링(DM), 디지털 트윈, 피지컬 AI이며, 이 세 요소는 개별 기술이 아니라 상호 순환하는 통합 구조로 작동해야 한다. 특히 실험실 수준의 데모를 넘어 실제 야드에서 작동 가능한 수준의 디지털 트윈·피지컬 AI 체계를 구현하려면, 온톨로지 기반의 SSOT(single source of truth), 애플리케이션 및 피지컬 AI 오케스트레이션, 엔드 투 엔드 데이터 파이프라인이 필수적이다.

조선소 DX는 왜 다시 정의되어야 하는가

조선소는 전통적인 중후장대 산업의 상징처럼 보이지만, 실제로는 가장 복잡한 디지털 전환 과제를 안고 있는 제조 현장 가운데 하나다. 같은 배가 하나도 없고, 동일 선주에게 인도되는 선박조차 호선별 사양이 달라진다. 다시 말해 조선소는 오래전부터 이미 ‘대량 맞춤형 생산(mass customization)’을 수행해 온 산업이다. 다만 그 복잡성을 지금까지는 사람의 경험, 현장 숙련, 그리고 조직 내부의 암묵지에 크게 의존해 감당해 왔다.

문제는 그 방식이 더 이상 지속 가능하지 않다는 데 있다. 숙련 기술자는 줄어들고 있고, 생산 복잡성은 더 커지고 있으며, 글로벌 경쟁은 더 치열해졌다. 최첨단 선박을 설계·건조하면서도, 이를 지탱하는 정보 시스템은 여러 세대에 걸쳐 누적된 레거시 구조를 벗어나지 못한 경우가 많다. 결과적으로 오늘의 조선소는 ‘세계 최고 수준의 제품을 만들지만, 그 제품을 만드는 시스템은 충분히 현대화되지 못한’ 모순 상태에 놓여 있다. 이러한 조건에서 디지털 전환은 선택지가 아니라 생존 조건이 된다.

HD현대의 FOS 로드맵은 이러한 문제의식에서 출발한다. 1단계는 디지털화와 가시화, 2단계는 연결·예측·최적화, 3단계는 지능형 자율 운영 조선소를 지향한다. 중요한 점은 3단계가 단순히 ‘자동화가 많이 적용된 조선소’를 의미하지 않는다는 것이다. 그것 은 실시간 데이터를 기반으로 전체 공정을 이해하고, 변화에 능동적으로 대응하며, AI가 의사결정을 지원하고 일부는 직접 실행하는 운영 체계를 뜻한다. 이 글은 바로 이 2단계와 3단계 사이의 기술적 연결고리를 다룬다.

지능형 자율 운영 조선소의 기술적 삼위일체

지능형 자율 운영 조선소를 성립시키는 핵심 요소는 디지털 매뉴팩처링, 디지털 트윈, 피지컬 AI의 세 축으로 설명할 수 있다. 이 세 요소는 각각 독립적으로 존재할 수 있지만, 실제 운영 관점에서는 하나의 순환 구조로 통합되어야 한다. 세 요소 사이의 관계를 ‘삼위일체’라고 표현한 이유도 여기에 있다.

디지털 매뉴팩처링은 3차원 가상공간에서 설계와 생산 시나리오를 검토하고, CAD 기반의 설계 정보를 실제 제조 맥락으로 연결하는 사전 검증 체계다. 이는 현장 작업 이전에 충돌, 순서, 작업성, 자원 배치의 문제를 예측하게 해주는 ‘가상 작전 지도’에 가깝다. 반면 피지컬 AI는 센서, 비전, 로봇, AMR(자율 이동 로봇)/ AGV(무인 운반차), 협동로봇 등 현실 세계에 실제로 작동하는 지능형 실행 계층이다. 즉 디지털 매뉴팩처링이 ‘실행 이전의 검증’이라면, 피지컬 AI는 ‘현장 실행의 지능화’라고 할 수 있다.

그리고 이 둘을 이어주는 중심축이 디지털 트윈이다. 디지털 트윈은 단순한 3D 모델이나 설비 상태 모니터링을 넘어서, 현실 데이터를 지속적으로 흡수하고 가상 공간에서 시뮬레이션하며 그 결과를 다시 현실로 피드백시키는 운영형 모델이어야 한다. 즉 디지털 트윈은 ‘보는 모델’이 아니라 ‘판단하고 개입하는 모델’이어야 한다. 조선소가 자율 운영 단계로 이동하려면 바로 이 구조가 성립되어야 한다.

조선소 디지털 트윈은 무엇을 달성해야 하는가

오늘날 많은 산업에서 디지털 트윈을 도입하고 있다. 설비 상태를 실시간으로 동기화하고 예지보전을 수행하는 사례는 이미 널리 알려져 있으며, 조선소에도 당연히 필요하다. 그러나 조선소의 본질적 복잡성은 설비 단위보다 공정과 일정, 자재와 작업 순서, 협력 사와 물류, 설계 변경과 원가 반영의 상호작용에서 발생한다. 따라서 조선소에 필요한 진정한 디지털 트윈은 공정 중심의 왓이프(what-if) 시뮬레이션이 가능한 디지털 트윈이어야 한다.

예를 들어 특정 도크에서 용접 작업이 지연되었다고 하자. 이것은 단지 해당 작업만의 문제가 아니다. 뒤따르는 크레인 사용 일정, 후행 자재 공급, 작업자 동선, 탑재 순서, 심지어 납기와 원가에도 파급효과를 줄 수 있다. 조선소의 디지털 트윈은 이러한 영향을 국소 최적화가 아니라 전역 최적화 관점에서 해석해야 한다. 그리고 그 결과를 바탕으로 어떤 대안이 가장 유리한지, 어떤 순서 변경이 가능한지, 어떤 자원 재배치가 필요한지 제시할 수 있어야 한다.

이때 중요한 조건이 하나 더 있다. 진정한 디지털 트윈은 ‘양방향 시뮬레이션 구조’로 규정할 수 있다. 현실 세계의 데이터가 실시간으로 가상 세계로 유입되고, 가상 세계에서 계산된 최적화 결과가 다시 현실 세계의 시스템과 작업으로 반영되어야 한다는 뜻이다. 이 양방향 루프가 형성되지 않으면 디지털 트윈은 결국 시각화 도구나 사후 분석 도구에 머물 가능성이 높다. 조선소에서 필요한 것은 보고서용 디지털 트윈이 아니라, 운영에 개입하는 디지털 트윈이다.

실험실을 넘어 실전으로 : 디지털 트윈·피지컬 AI 작동의 3 대 전제 조건

조선소에서 디지털 트윈과 피지컬 AI를 실제로 작동시키기 위해서는 세 가지 기반이 필요하다. 첫째는 의미가 부여된 데이터, 즉 온톨로지 기반 SSOT(single source of truth)다. 둘째는 모든 애플리케이션과 피지컬 AI를 통합 운용하는 오케스트레이션 구조다. 셋째는 설계에서 현장까지 끊기지 않는 엔드 투 엔드 데이터 파이프라인이다. 이 세 가지는 실험실을 벗어난 실전에서 디지털 트윈과 피지컬 AI를 작동시키는 전제 조건이다.

먼저 엔드 투 엔드 데이터 파이프라인은 조선소 DX(디지털 전환)의 오래된 숙제다. 설계에서 생성된 데이터와 도면이 PLM(제품 수명주기 관리), ERP(전사 자원 계획), MES(제조 실행 시스템), IoT, 로봇/피지컬 AI 계층까지 끊김 없이 이어지지 않으면, 현장은 늘 번역 비용과 정보 손실을 감수해야 한다. 점대점(point-topoint) 인터페이스가 반복적으로 추가된 구조에서는 데이터는 연결되어도 맥락은 연결되지 않는다. 이 때문에 사람은 여러 시스템을 번갈아 확인해야 하고, 판단은 결국 개인 경험에 의존하게 된다.

따라서 다음 단계는 단순한 인터페이스 증설이 아니라 SSOT의 구현이다. SSOT란 모든 시스템과 구성원이 하나의 기준 데이터를 참조하도록 강제하는 구조이며, 이를 통해 데이터 거버넌스를 확보하고 번역 비용과 오류를 줄이려는 개념이다. 그러나, 오랫동안 업계가 알고 있던 정답이었음에도 SSOT의 실제 구현은 쉽지 않았다. 이유는 데이터가 흩어져 있어서가 아니라, 서로 다른 의미 체계 위에서 생성된 데이터를 단순 연결만으로는 하나의 진실 체계로 만들 수 없기 때문이다.

온톨로지 : SSOT를 현실화하는 데이터 구조

여기서 제시하는 해법은 온톨로지(ontology)다. 온톨로지는 제조 데이터를 객체(entities), 속성(properties), 관계 (relations), 행위(behaviors)의 체계로 재구성하여, 데이터에 의미와 맥락을 부여하는 지식 표현 구조다. 조선소의 설비, 블록, 자재, 공정, 작업자, 일정, 비용, 품질 사건 등을 각각 독립 데이터가 아니라 서로 연관된 객체 네트워크로 표현하면, AI는 단순한 값의 나열이 아니라 맥락화된 상태를 이해할 수 있게 된다.

기존의 관계형 데이터베이스와 테이블 중심 구조는 각 시스템 내부의 업무 처리를 위해서는 유효했지만, 전사 차원의 맥락적 추론에는 한계가 컸다. PLM, ERP, MES, 설비 시스템, 현장 센서 데이터가 각각 의미 체계를 달리한 채 존재하는 상황에서, AI가 이를 기반으로 판단하도록 만드는 것은 매우 어렵다. 반면 온톨로지 기반 구조에서는 데이터의 의미와 상호작용이 명시적으로 정의되므로, AI 에이전트가 ‘무엇이 어떤 것과 어떻게 연결되어 있는지’를 이해한 상태에서 추론할 수 있다. 이를 두고 ‘디지털 신경망의 핵심’이라고 표현할 수 있는 배경도 여기에 있다.

조선소 관점에서 온톨로지의 가치는 특히 설계 변경 영향 분석, 공정 지연 파급 분석, 원가 및 납기 영향 예측, 작업 우선순위 결정에서 크게 드러난다. 기존에는 설계 변경이 발생하면 여러 시스템을 뒤지고 관련 부서에 확인을 요청해야 했다. 하지만, 온톨로지 기반 디지털 트윈에서는 도면–자재–공정–원가–납기의 연결 구조를 통해 영향을 입체적으로 추적할 수 있다. 이는 단순한 데이터 통합 이 아니라, 의사결정의 구조를 데이터 위에 구현하는 접근이다.

전사 오케스트레이션과 단일 관리 화면

향후 조선소 정보 시스템의 핵심 과제는 ‘데이터 연결’에서 ‘의사 결정의 연결’로 이동해야 한다. 과거 EAI(enterprise application integration : 기업 애플리케이션 통합) 기반의 점대점 연동이 시스템을 이어붙이는 데 집중했다면, 앞으로 필요한 것은 각 시스템에서 생성되는 상태를 하나의 의미 체계 위에 올리고, 이를 전사적 지휘소처럼 활용하는 구조다. 전사 오케스트레이션의 빅픽처는 CAD, PLM, DM, ERP, MES 등 각 계층의 데이터를 온톨로지 레이어 위에서 통합하고, AI가 이를 활용해 전사적 지휘소 역할을 수행하는 구조로 요약할 수 있다.

이 구조가 완성되면 사용자 경험도 근본적으로 바뀐다. 지금까지는 담당자가 여러 모니터와 다수의 업무 화면을 동시에 열어 놓고 일을 하는 것이 일상이었다. 하지만 온톨로지 기반 SSOT가 확 보되면, 이질적 시스템의 데이터를 단일 창에서 종합적으로 확인하고 의사결정하는 것이 가능해진다. 이른바 ‘단일 관리 화면(single pane of glass)’이다. 이는 단순히 화면을 예쁘게 통합 한다는 뜻이 아니라, 데이터의 기반 의미 체계를 먼저 통합한 후 그 위에 사용자 인터페이스를 재구성한다는 뜻이다.

여기서 기존 시스템의 역할도 재정의된다. ERP나 PLM 같은 시스템은 기업의 장기적 프로세스와 기록을 책임지는 SoR(system of record)로 남고, 그 위에서 사용자 중심의 신속한 판단·실행 화면은 SoE(system of engagement), 더 나아가 SoI(system of intelligence)로 구성될 수 있다. 이 구분은 중요한 의미를 갖는다. 전통적 코어 시스템을 모두 대체하려는 접근이 아니라, 그 위에 의미·판단·오케스트레이션 계층을 덧입히는 방식이기 때문이다.

피지컬 AI와 조선소 현장의 실행 계층

조선소는 자동차 공장과 달리 비정형 야외 작업이 많고 작업 대상의 형상과 위치, 환경 조건, 돌발 변수의 편차가 크다. 이런 이유로 조선소는 오랫동안 ‘로봇 자동화가 어려운 현장’으로 인식되어 왔다. 반복 정밀 작업에 최적화된 기존 로봇 자동화 방식으로는 조선소의 다양한 변동성을 다루기 어려웠기 때문이다.

그러나 비전, 센서, AI 추론, 자율 이동 기술의 발전은 상황을 바꾸고 있다. 이제 조선소에서도 AMR, 협동로봇, AI 기반 인식 장치 등의 도입 가능성이 높아지고 있으며, 이를 ‘현실 세계를 조작하는 근육’으로 표현할 수 있다. 중요한 것은 피지컬 AI를 개별 장비 도입 차원에서 이해해서는 안 된다는 점이다. 피지컬 AI의 성패는 로봇 한 대의 성능이 아니라, 그것이 전체 공정 최적화 속에서 어떤 역할을 하느냐에 의해 결정된다.

따라서 피지컬 AI 자체보다 피지컬 AI의 오케스트레이션이 더 중요하다. 특정 작업 셀에서의 자동화 성과만으로는 조선소 전체 성과를 담보할 수 없다. 예컨대 용접 지연이 감지되었을 때 AI 에이전트가 후행 공정 파급효과를 시뮬레이션하고 작업자 동선 재배치, AGV/AMR 이동 경로 수정, 자재 우선순위 변경을 동시에 판단·지시할 수 있어야 한다. 이때 피지컬 AI는 개별 실행 장치이고, 디지털 트윈은 전역 상황판이며, 온톨로지와 AI는 그 둘을 연결하는 지능 계층이 된다.

구현 방법론의 변화 : 시스템 통합에서 의사결정 구조 설계로

이러한 전환은 기업용 애플리케이션 시스템 구축 방법론 자체의 변화를 요구한다. 전통적인 SI 프로젝트에서는 시스템 간 인터페이스 정의와 데이터 연계 설계가 핵심 과업이었다. 어떤 데이터를 어느 시점에 어떤 형식으로 보낼지 정의하는 일이 프로젝트의 중심이었다. 그러나 온톨로지 기반 전사 오케스트레이션 구조에서는 역할의 무게중심이 달라진다. 핵심 과제는 더 이상 ‘어떻게 연결할 것인가’에만 있지 않고, ‘어떤 의미 체계 위에서 어떤 판단과 행동 흐름을 설계할 것인가’로 이동한다.

즉 앞으로의 컨설턴트와 개발자는 인터페이스 기술자에 머무를 수 없다. 전사적 온톨로지를 설계하고, 업무 판단의 흐름을 모델링하고, AI 에이전트가 어떤 맥락에서 어떤 행위를 추천·수행할지를 설계할 수 있어야 한다. 이는 단순한 시스템 구현이 아니라 기업의 의사결정 구조를 디지털 구조로 전환하는 일이다. 이를 ‘회사의 의사결정 구조를 연결하는 역할’이라고 표현한 것은 매우 정확하다.

동시에 생성형 AI와 AI FDE와 같은 도구의 등장은 이 전환을 가속화하고 있다. 과거 수개월이 걸리던 화면 설계, 워크플로 구성, 에이전트 개발, 테스트가 훨씬 짧은 주기로 가능해지고 있다. 결과적으로 사람은 비즈니스 로직, 전략적 아키텍처, 데이터 의미 체계 설계에 더 집중하고, AI는 구현과 반복 업무를 더 많이 담당하는 방향으로 역할이 재편되고 있다.

맺음말 : 조선소 디지털 트윈의 본질은 ‘살아 있는 운영 구조’다

조선소의 디지털 트윈과 피지컬 AI를 이야기할 때 가장 경계해야 할 것은, 이를 각각의 개별 설루션이나 유행 기술로 바라보는 시각이다. 조선소에서 필요한 것은 3D 모델 몇 개, 로봇 몇 대, 대시보드 몇 장이 아니다. 필요한 것은 설계에서 생산, 물류, 원가, 납기, 현장 실행까지 하나의 유기체처럼 연결되고, 그 위에서 AI가 의미를 이해하고 판단하며, 현실로 다시 액션을 피드백시키는 살아 있는 운영 구조다.

그 핵심은 온톨로지 기반 SSOT, 전사 오케스트레이션, 그리고 디지털 트윈–피지컬 AI의 양방향 피드백 루프에 있다. 조선소는 원래부터 복잡했고, 그 복잡성을 사람의 헌신과 경험으로 버텨 왔다. 이제 그 복잡성을 시스템이 이해하도록 만들고, AI가 함께 일할 수 있는 구조로 전환해야 한다. 그때 비로소 조선소는 단순히 디지털화된 현장이 아니라, 스스로 판단하고 스스로 조정하는 지능형 자율 운영 시스템으로 진화할 수 있다.

이것은 특정 기업의 기술 도입 사례에 그치지 않는다. 조선업의 생존 전략일 뿐 아니라, 향후 제조 DX 전반이 나아갈 하나의 방향이기도 하다. 조선소는 제조업의 극단적인 복잡성을 가장 압축적으로 보여 주는 공간이며, 그 문제를 해결하는 방식은 다른 산업에도 강한 시사점을 줄 수 있다. 그런 의미에서 조선소의 디지털 트윈과 피지컬 AI 구현은 단지 조선의 미래가 아니라, 제조업의 다음 표준을 시험하는 과정이라고 말할 수 있다.

■ 이태진 HD한국조선해양, HD현대그룹 CIO·CDO

■ 기사 내용은 PDF로도 제공됩니다.