AI가 오래된 정보를 믿고 자동차의 설계를 바꾼다면 어떻게 될까. 공급망이 끊기고, 소프트웨어가 업데이트되고, 차량의 구성과 생산 조건이 계속 달라지는 시대에는 '무엇이 지금 사실인가'를 아는 일이 AI의 성능만큼 중요해졌다. 지멘스는 그 답을 더 큰 AI가 아니라, 설계부터 시뮬레이션·생산·운영까지 제품의 변화를 끊임없이 추적하는 데이터에서 찾고 있다. 산불 이야기로 시작된 리얼라이즈 라이브의 메시지를 따라가 봤다.

글 | 한상민 기자_han@autoelectronics.co.kr
IN ENGLISH
















산불과 현재성

지난 6월 미국 디트로이트, 그리고 8월 4일 인도 벵갈루루. 두 도시의 리얼라이즈 라이브 무대에서 지멘스 디지털 인더스트리 소프트웨어의 토니 헤멀건(Tony Hemmelgarn) 사장 겸 최고경영자(CEO)는 같은 이야기로 기조연설을 열었다. 산불이었다.
우연한 반복이 아니다. 토니에게 산불은 극적인 도입부 하나가 아니라, 지멘스가 올해 전 세계 고객에게 던지려는 질문 그 자체를 담은 은유였다. 왜 그가 대륙을 옮겨가며 같은 비유를 다시 꺼냈는지를 따라가면, 지멘스가 AI에게 무엇을 맡기려 하는지가 보인다.
산불 현장의 지도는 하루를 넘기지 못한다. 위성 영상, 연료 지도, 풍향, 소방대 위치, 확산 예측 모델이 매 순간 새로 갱신되고, 어제 그어놓은 안전구역은 바람의 방향이 바뀌는 순간 함정으로 바뀐다.
"어제의 데이터는 매우 위험합니다."
정보가 부족해서 문제가 아니다. 정보는 넘친다. 문제는 그 정보들을 지금 이 순간의 하나의 그림으로 합칠 수 있느냐다.
토니는 이 장면을 곧바로 제조업으로 옮겨왔다. 공급망은 하룻밤 사이 끊어지고, 특정 소재는 어느 날 갑자기 구할 수 없게 되며, 한 지역의 생산을 다른 지역으로 옮겨야 하는 상황도 갑자기 닥친다. 제품 자체도 고정돼 있지 않다. 기계 중심이던 제품이 반도체와 소프트웨어가 결합된 복합 시스템으로 바뀌고, 그 구성은 출하 이후에도 계속 바뀐다.
그래서 산업에 필요한 것은 흔들리지 않는 완벽한 계획이 아니라, 현실이 바뀌는 순간 계획도 함께 바꿀 수 있는 능력이다. 산불 현장에서 진압하고 살아남는 소방대와 공급망 붕괴에서 버티는 제조사는 같은 질문 앞에 선 것이다. 지금 무엇이 바뀌었고, 그것이 내가 서 있는 자리에 어떤 영향을 미치는지.
그렇다면 AI는 산업의 '지금'을 어디에서 찾아야 하는가. 지멘스는 그 답을 새로운 AI 모델이 아니라 20년 넘게 쌓아온 PLM에서 찾고 있다.







AI가 믿을 '지금'은 어디에 있는가

지멘스의 AI 전략 출발점은 Teamcenter(PLM)다.
"AI는 Engineering Truth 위에 세워졌을 때만 실제로 작동합니다. Teamcenter는 고객이 정확하고 신뢰할 수 있고 관리되고 연결된 데이터를 얻으러 가는 바로 그곳입니다."
토니는 Engineering Truth를 관리하는 핵심 기반으로 Teamcenter를 말했다.
여기에는 실무적인 이유가 있다. AI는 데이터를 먹고 자라지만, 산업 현장에서는 데이터가 많다는 사실 자체는 별 의미가 없다. 어떤 제품 버전의 데이터인지, 왜 그렇게 설계됐는지, 어떤 부품과 물려 있는지, 실제 물리법칙과 시뮬레이션으로 검증된 값인지, 누가 그 속성을 볼 권한이 있는지, AI가 내린 판단이 다시 설계변경과 생산으로 이어질 수 있는지까지 확인돼야 한다. 데이터 레이크 하나로는 이 조건을 다 채우기 어렵다.
조 보먼(Joe Bohman) PLM 제품 총괄 부사장은 실제 고객과 나눈 대화를 예로 들었다. CIO들은 스노우플레이크, 데이터브릭스, 팔란티어 같은 데이터 플랫폼을 선택했다고 말하지만, 정작 엔지니어링 부문은 그 도구를 제대로 활용하지 못해 어려움을 겪고 있었다. 이유는 엔지니어링 데이터의 복잡성이었다.
토니는 같은 이야기를 자신의 방식으로 풀었다. 제품 데이터를 달리는 사람에 비유하며, "스냅샷을 찍으면 산소 소비량과 페이스, 거리는 알 수 있지만 2분 뒤에 무슨 일이 벌어질지는 모릅니다"라고 말했다. 대부분의 데이터 레이크는 이런 스냅샷에 머문다는 것이다. 신뢰할 수 있는 결과는 데이터가 아니라 맥락을 필요로 한다는 게 그의 결론이었다.
그래서 지멘스의 새 Intelligence Center X가 다르다고 내세우는 게 두 가지다. 
Teamcenter를 통해 최신 제품 구성과 변경 맥락을 추적할 수 있다는 것, 그리고 제품 구성과 관계가 스냅샷이 아니라 살아있는 형태로 유지된다는 것이다. 이것은 지멘스가 산업 AI에서 범용 데이터 플랫폼과 다른 경쟁력을 어디에 두고 있는지 보여준다. 그 답은 엔지니어링 데이터와 그 맥락이다.
행사 첫날 별도로 진행한 인터뷰에서, 시뮬레이션·HPC·AI 사업을 총괄하는 샘 마할링감(Sam Mahalingam) 부사장에게 이날 메시지의 핵심이 결국 Engineering Truth에 있는 것인지 물었고, "그렇다, 정확하게 이해하셨습니다"란 답을 받았다.
그는 "팔란티어는 비즈니스 데이터에 아주 훌륭하게 맥락을 제공할 수 있지만 엔지니어링의 세계는 Engineering Truth 위에 근거해야 합니다"라고 말했다.
토니는 지난 18개월 동안 Teamcenter를 향한 관심과 성장이 뚜렷하게 커졌다고 말했다. 기업들이 AI를 실제로 적용하려는 단계에 들어서면서, 그 이전에 신뢰할 수 있는 데이터 기반이 없다는 사실을 뒤늦게 깨닫고 있다는 것이다. 생성형 AI가 확산될수록 PLM은 낡은 시스템으로 밀려나는 대신 오히려 더 앞자리로 불려나오고 있다.



스냅샷이 아니라 살아 있는 제품

지멘스가 말하는 제품은 더 이상 기계 하나가 아니다.
통합회로(IC) 제품을 총괄하는 앙쿠르 굽타(Ankur Gupta)는 오늘날 AI 가속기 칩 한 개에 트랜지스터가 약 2000억 개 들어간다는 수치로 이야기를 열었다. 이 정도 밀도의 반도체를 3차원으로 쌓아 올리면 내부에 열이 갇힌다. 그 열이 하나의 물리현상으로 어떻게 이동하는지가 굽타가 든 예의 핵심이었다.
지멘스의 EDA 도구가 나노미터 단위의 칩과 패키지 열 모델을 만들면, 이 모델은 Simcenter로 넘어가 보드와 시스템 수준의 열 거동을 계산한다. 결과는 다시 제품의 방열 구조와 외함 설계에 반영되고, 가동 이후에는 센서 데이터와 연결돼 냉각 제어에 활용된다. 지멘스가 칩투시스템(chip-to-system)이라고 부르는 것은 이처럼 하나의 물리현상이 칩에서 제품, 운영까지 끊기지 않고 이동하는 흐름이다.
이 연결은 설계와 시뮬레이션에서 끝나지 않는다. 굽타는 벵갈루루에서 실제 데이터센터의 칩이 처한 조건과 워크로드에 따라 공급전압을 낮춰 전력 소비를 줄이는 사례를 소개했다. 칩은 최악의 조건을 전제로 여유를 두고 설계되지만 실제 운용 환경이 항상 그 조건에 놓이는 것은 아니다. 센서와 소프트웨어로 실제 상태를 파악하면 그 여유를 전력 절감에 활용할 수 있다는 것이다. 굽타는 실제 데이터센터에서 14%의 전력 절감 효과를 측정했다고 말했다.
그는 같은 접근이 자동차에서는 배터리 효율 향상과 주행거리 확대로 이어질 수 있다고 설명했다. 11일 서울에서 굽타에게 칩투시스템 최적화가 실제 차량에서도 실시간으로 전력 소비를 줄일 수 있는지 다시 물었고, 그는 "가능하다"며, 칩의 실제 상태에 맞춰 기능 오류가 발생하지 않는 범위에서 공급전압을 낮추는 방식이라고 설명했다. 이어 칩은 최악의 조건을 기준으로 설계되지만 실제 사용 환경은 다르다며, 이 과정에서 센서와 소프트웨어 기술을 가진 proteanTecs와 협력하고 있다고 설명했다.
반도체 하나를 설계하는 일조차 이제 그 칩이 들어갈 전체 시스템을 이해하는 문제로 확장되고 있다.
PLM이 EDA와 소프트웨어 요구관리(ALM), 전장 설계, 시뮬레이션까지 끌어안아야 하는 이유가 여기 있다. 지멘스가 포괄적 디지털 트윈이라고 부르는 것은 반도체, 인쇄회로기판, 와이어링 하니스, 전기·전자 아키텍처, 기계 형상, 소프트웨어, 시뮬레이션, 제조, 운영을 한 데이터 위에서 연결하는 작업이다. 칩 하나 또는 기구 형상 하나만 보여주는 것은 지멘스가 말하는 포괄적 디지털 트윈이 아니다.







데이터를 판단과 행동으로 바꾸는 층

이 데이터 전체를 관리하는 것과, 그 데이터를 근거로 실제 판단을 내리는 것은 별개의 문제다. 지멘스가 두 달 전 발표한 Intelligence Center X는 그 간극을 메우기 위한 신제품이다. 조 보먼은 이를 이렇게 표현했다.
"Intelligence Center X는 이런 AI 네이티브 산업용 애플리케이션들을 이해하는, 한 곳에서 완결되는 에이전트형 개발 환경입니다."
세 층으로 나눠 볼 수 있다. 맨 아래에는 Teamcenter, 전사적자원관리(ERP), 고객관계관리(CRM), 제조실행시스템(MES) 같은 사내 시스템에 흩어진 데이터의 관계와 의미를 연결하는 온톨로지와 지식 그래프가 있다. 그 위에 산업용 머신러닝과 물리 기반 AI, 대형언어 모델이 얹히고, 맨 위에서 사람과 AI 에이전트가 실제 업무와 설계변경을 실행한다.







통찰에서 설계변경까지

이런 데이터가 실제로 어떻게 움직이는지는 토니가 첫날 기조연설에서 직접 든 사례에서 드러난다. 한 글로벌 항공기 제조사가 보유한 제트기 함대에서 계획에 없던 운항 중단이 반복됐는데, 원인은 착륙장치를 펼치는 과정에서 생기는 유압 누유와 압력 급상승이었다. 처음에는 개별 기체의 문제처럼 보였지만, 공력·구조·유압계통을 함께 담은 포괄적 디지털 트윈으로 분석하자 난기류가 랜딩기어 도어에 가해지는 하중을 흔들었고 그 변동이 유압계통의 압력 급상승으로 이어졌다는 사실이 드러났다. 개별 고장이 아니라 반복되는 문제였다.
토니는 여기서 Intelligence Center X를 등장시켰다.
"이 기체 함대의 운항 데이터를 물리 기반 시뮬레이션과 결합해 근본 원인을 짚어냅니다." Teamcenter가 같은 문제의 영향을 받을 기체 구성을 찾아내면, Intelligence Center X는 부품을 다시 설계할지, 정비주기를 조정할지, 비용을 감수할지를 비교한다. 통찰에서 결정으로, 결정에서 행동으로 이어지는 하나의 에이전트형 워크플로가 만들어진다.
다음 날 조 보먼은 바로 이 사례를 이어받아 실제 워크플로를 시연했다.
Teamcenter Copilot에 "이 변경을 릴리스하도록 도와달라"고 요청하자, 영향도 분석이 곧바로 시작됐다. 전통적인 방식이라면 몇 시간에서 며칠씩 걸릴 일이 몇 초 만에 끝났다. 이어서 Intelligence Center X로 넘어가, 공급망과 협력사 리스크를 낮출 수 있는 대체 부품을 회사 전체 데이터에서 찾아냈다. 마지막으로 이 유압계통 변경이 실제로 작동할지 검증할 시뮬레이션 데이터까지 찾아 연결해, 변경을 실제 생산에 반영해도 좋은지를 확인했다. 기존 분석 플랫폼 다수가 통찰을 제공하는 데서 멈췄다면, 지멘스는 그 통찰이 설계변경과 생산계획으로 되돌아가는 고리를 만들려 하고 있다.








Physics AI, 빠르게 고르고 물리로 검증하다

Physics AI는 계산을 대신하는 도구가 아니라, 계산을 걸 곳을 더 똑똑하게 고르는 도구다.
"물리 엔진 자체는 바뀌지 않습니다. 바뀌는 것은 그 엔진을 얼마나 똑똑하게 겨누느냐입니다. 결정론적 진실을 대체하는 게 아니라, 그것을 확장 가능하게 만드는 것입니다."
시뮬레이션·HPC·AI 사업을 총괄하는 샘 마할링감은 현대자동차 사례를 들었다. 트럭 프레임에 캡, 데크, 서스펜션이 붙는 하위 시스템 최적화 작업이 기존 방식으로는 일주일 걸렸는데, Physics AI로는 15분이면 끝났다. CAD 형상을 넣으면 곧바로 굽힘 변위(bending displacement) 예측값이 나오는 방식으로, 실제 CAE 해석 결과와 비교한 정확도는 R² 0.98~0.99 수준이었다.
이 속도가 안전과 규제를 다루는 자동차 설계에서 믿을 만한지 물으니, 마할링감은 Physics AI는 최종 결론을 내리는 도구가 아니라고 선을 그었다.
“Physics AI는 복잡한 설계를 탐색하고 방대한 설계 공간을 아주 빠르게 훑는 걸 돕습니다. 후보를 한두 개, 서너 개로 좁히고 나면, 그때 물리 기반 솔버로 진짜 검증에 들어갑니다. 물리 기반 시뮬레이션은 여전히 인증을 위한 최종 검증 수단으로 남을 것입니다."
그는 유한요소해석이 자동차 인증 도구로 자리 잡는 데도 20년 가까이 걸렸다며, Physics AI가 지금 당장 인증 수단이 되지는 않는다고 덧붙였다. 다만 검증 데이터가 충분히 쌓이면 앞으로 5~6년 안에 Physics AI도 인증 과정에서 일정한 역할을 맡을 가능성이 있다고 봤다.







공장에서 닫히는 고리

이런 신뢰의 고리가 실제 공장에서 어떻게 닫히는지는 지멘스의 독일 전자공장 사례가 보여준다. 지멘스 디지털 로지스틱스를 이끄는 볼커 알브레히트(Volker Albrecht)는 자사 공장을 산업 AI의 실증 현장으로 쓰고 있다며 엔비디아와 함께 진행한 사례를 소개했다. 표면실장(SMT) 라인에서 이상 신호가 잡히자, 현장 작업자는 에이전트에게 원인을 물었다.
"가능성은 세 가지다. 기계이거나, 공정이거나, 설계이거나." 에이전트는 이렇게 답했고, 계속 분석할지 확인을 구한 뒤 세 갈래를 모두 짚어 나갔다. 결과는 RJ45 커넥터의 설계 문제였다. 표면실장 방식으로 붙어 있던 RJ45 커넥터를 기계적 강도 문제 때문에 관통 실장(through-hole) 방식으로 바꿔야 한다는 결론이었다. 에이전트는 이 결론을 근거로 Teamcenter에 개선 워크플로를 만들 것인지 다시 물었고, 승인이 떨어지자 실제 기술변경 절차가 시작됐다.
여기서 끝나지 않았다. 설계 하나를 바꾸면 그 변화가 생산라인 전체에 어떤 영향을 미치는지 다시 확인해야 한다. 엔비디아와 함께 구축한 Digital Twin Composer 위에서 이 공장의 라인을 통째로 시뮬레이션한 결과, 자재 흐름이 지연되는 구간이 새로 확인됐다. 이 시뮬레이션은 수십만 번 반복해서 돌릴 수 있고, 그 결과를 바탕으로 실제 생산 조치를 결정한다. 알브레히트는 이 공장이 매년 7%의 생산성 향상을 요구받는다고 말했다. 이런 반복 시뮬레이션이 그 목표를 뒷받침한다.

전체 흐름을 다시 산불 현장에 겹쳐보면 같은 패턴이 보인다. 바람이 바뀐 것을 감지하고, 지금의 상황을 하나의 그림으로 확인하고, 영향 범위를 판단한 뒤 계획을 바꾼다. 공장에서도 이상 신호를 감지하고, 최신 제품 구성과 설계 의도를 조회하고, 원인을 판단해 설계를 바꾼 뒤 그 결과를 다시 시뮬레이션으로 검증한다.
차이는 AI가 답을 내놓느냐에 있지 않다. 그 답이 현재의 제품 구성과 설계 의도, 물리적으로 검증된 데이터 위에 서 있는지, 그리고 실제 설계변경과 생산 조치로 이어질 수 있는지가 중요하다. 지멘스가 말하는 산업 AI는 통찰을 생성하는 데서 끝나는 AI가 아니라, 통찰을 검증하고 행동으로 옮긴 뒤 그 결과를 다시 데이터로 되돌리는 AI다.

어제의 데이터로는 오늘의 공장을 움직일 수 없다. 지멘스가 AI 시대에도 PLM을 중심에 두는 이유다.





왼쪽부터 토니 헤멀건 CEO, 조 보먼 PLM 총괄 부사장, 샘 마할링감 시뮬레이션·HPC·AI 총괄 부사장, 앙쿠르 굽타 IC 총괄.

AEM(오토모티브일렉트로닉스매거진)