대표 안티에이징 스킨케어 브랜드 바이오힐 보(BIOHEAL BOH)가 서울 성수동에 브랜드 최초의 플래그십 스토어 ‘BIO SKIN SOLUTION LAB(바이오 스킨 솔루션 랩)’을 오픈했다. 이번 플래그십 스토어는 바이오힐 보가 축적해 온 피부과학 연구 데이터와 기술력을 집약한 공간이다. 바이오힐 보는 피부 표면의 고민을 넘어, 근본적인 노화의 원인을 분석하고 솔루션을 제공하는 안티에이징 전문 브랜드다. 성수 핵심 상권인 ‘올리브영N 성수’에 문을 연 이번 스토어는 이러한 브랜드 정체성을 바탕으로, 고객이 자신의 피부 노화를 명확히 인지하고 최적의 효능을 경험할 수 있도록 기획됐다. 공간의 핵심은 브랜드의 독자적인 기술력이 담긴 개인 맞춤형 피부 진단 서비스다. 바이오힐 보만의 피부 진단 서비스 ‘바이오 스킨 스캐닝(Bio Skin Scanning)’은 민감도, 광채, 탄력, 모공, 주름, 색소침착 등 6가지 피부 노화 시그널을 정밀 측정한다. 약 30분간 진행되는 이 프로그램은 전문 교육을 이수한 ‘바이오힐 보 엑스퍼트’가 1:1로 진행하며, 피부 부위별 탄력 저하와 각도에 따른 노화 지표를 분석해 솔루션을 제안한다. 특히 현재 상태뿐만 아니라 향후 진행 방향을 예측하는 ‘미래 노화 시뮬레이션’을 통해 체계적인 관리 계획까지 수립할 수 있다. 간편한 진단을 원하는 고객을 위해 AI 기반 ‘셀프 피부 진단 키오스크’도 마련되었으며, 글로벌 고객 비중이 높은 상권 특성을 고려해 한국어·중국어·영어 응대가 가능한 전문 인력을 상시 배치했다. ‘BIO SKIN SOLUTION LAB’은 올리브영N 성수 1층에서 매일 오전 10시부터 오후 10시까지 운영된다. 현장에서는 브랜드 대표 제품인 ‘프로바이오덤™ 3D 리프팅 크림’을 비롯한 전 제품을 자유롭게 체험하고 구매할 수 있다. 오픈을 기념해 구매 금액에 따라 정품 제품, 파우치, 어메니티 세트 등 다양한 사은품을 증정하며, 플래그십 단독 할인 혜택도 제공한다. 플래그십 핵심 서비스인 피부 진단 서비스는 네이버 사전 예약과 현장 예약시스템으로 운영된다. 바이오힐 보 관계자는 “이번 플래그십 스토어는 단순한 제품 판매를 넘어, 정교한 노화 솔루션을 제공하려는 브랜드의 비전을 담은 첫 공간”이라며, “고객들이 자신의 피부 노화를 정확히 이해하고 그에 맞는 솔루션을 경험할 수 있도록, 노화에 대한 고민과 연구를 지속하는 브랜드로서 성장해가겠다”라고 밝혔다.

가성비 높은 제품을 주로 내놓으며 한때 ‘대륙의 실수’로 불렸던 중국 기업들이 CES 2026에서는 최첨단 기술로 무장하고 글로벌 무대의 중심에 섰다. 계단을 오르는 로봇청소기는 물론 돌려차기를 하는 휴머노이드 등을 앞세워 참관객의 눈길을 사로잡았다. 6일(현지시간) 미국 라스베이거스에서 열린 세계 최대 IT(정보기술)·가전 전시회 ‘CES 2026’에서 로보락, 드리미, 에코백스 등 중국 가전 기업들의 로봇청소기 대전에 관심이 집중됐다. 국내 로봇청소기 시장 점유율 1위인 로보락은 세계 최초로 바퀴가 달린 2개의 다리를 단 로봇청소기 ‘사로스 로버’를 선보였다. 마치 ‘로봇 개’와 같이 관절이 꺾이는 다리와 바퀴를 결합해 로봇청소기의 몸체 높이 조절을 가능케 했다. 계단이나 경사로와 같이 지면의 높낮이가 달라져도 로봇청소기 본체의 수평을 안정적으로 유지했다. 또 민첩한 회전, 급정지, 방향 전환 등도 가능하다. 본체에는 지능형 소프트웨어를 장착해 복잡한 모션 센서 데이터와 3D 공간 인식 정보를 결합한 인공지능(AI) 알고리즘으로 계단이나 지형물을 인식한다. 드리미는 역대 최대 규모로 꾸린 전시관 입구에 세계 최초로 계단을 오르는 로봇청소기 ‘사이버 X’를 배치했다. 무한궤도 형태의 타원형 바퀴가 장착된 ‘쿼드트랙 시스템’을 탑재해 몸체가 기울어진 상태에서도 안정적으로 계단을 오르내릴 수 있다. 또 AI 기반 학습 기능을 강화한 플래그십 로봇청소기 ‘X60 Max 울트라는 물론 집게 팔을 장착하거나 바닥에 굴러다니는 물건을 빠른 속도로 피하는 로봇청소기도 선보였다. 또 지난해까지 삼성전자가 점유했던 라스베이거스 컨벤션 센터(LVCC) 센트럴홀의 가장 큰 부스는 중국 기업 TCL가 차지했다. 입구에서 아이돌봄용 AI 로봇 ‘에이미’가 관람객을 맞았고 자체 개발한 ‘SQD-미니 LED’ 디스플레이, 마이크로 LED TV, 증강현실(AR) 안경 등 다양한 제품군을 선보였다. 하이센스 전시관에선 휴머노이드 ‘애런’이 등장했다. 애런은 춤을 추거나 관람객을 향해 하트를 보내며 이목을 집중시켰다. 중국 테크 기업 유니트리의 휴머노이드 ‘유니트리 R1’은 링 위에 올라 사람과 권투 시합을 했다. 머리 보호구와 글러브를 낀 휴머노이드는 가드를 올리며 방어하고 좌우로 움직여 사람의 주먹을 피했고 빈틈을 노려 잽, 어퍼컷 등을 날렸다. 중국 ‘엔진AI 로보틱스’의 휴머노이드는 사각형 링에 올라 돌려차기 등 고난도 동작을 선보였고, 중국 내 휴머노이드 하프마라톤 대회에서 우승한 ‘X-휴머노이드’의 톈궁은 음악에 맞춰 춤을 췄다. 국내 가전업계 관계자는 “로봇청소기에서 중국이 다소 앞서 있다. 하지만 TV 등 다른 가전은 아직 기술적으로 한국이 더 우위에 있으니 보다 적극적으로 기술 개발에 나서야 한다”고 말했다.

- 1월 7일부터 20일까지 인천 스퀘어원 1층 팝업존에서 3D 바디 스캔 체험 팝업 운영- 체험 시 현금처럼 사용 가능한 2만5천 포인트 지급- 스톱워치 게임 및 인형뽑기 이벤트 등 다양한 현장 프로모션 및 경품 증정 신영와코루의 3D 바디스캐너 ‘스캔바이미(SCAN BY ME)’가 1월 7일부터 20일까지 인천 스퀘어원에서 새해 첫 팝업을 운영한다고 밝혔다. 360도 3D 입체 전신 뷰는 물론, 신체 18개 부위의 상세한 바디 데이터, 그리고 바디 타입부터 가슴 유형 등 평소에는 잘 몰랐던 체형 특징까지 제공하는 스캔바이미는 지난해 4월 처음 선보이며 언더웨어 업계에서는 처음 접하는 유니크한 서비스로 화제를 모았다. 이번 스캔바이미 스퀘어원 팝업에서는 3D 바디 스캔 체험은 물론 팝업에서만 가능한 혜택과 이벤트도 준비됐다. 스캔바이미 체험 시 현금처럼 사용할 수 있는 최대 2만 5000포인트, 스캔바이미 론칭일을 기념해 4.25초를 맞추는 흥미진진한 스톱워치 게임, 체험 후 제품 구매 시 인형 뽑기 이벤트 참여권 증정 등 체험의 놀라움과 이벤트의 즐거움을 동시에 경험할 수 있다. 스캔바이미 스퀘어원 팝업의 체험 예약은 스캔바이미 공식 인스타그램의 프로필 링크를 통해 쉽게 진행할 수 있다. 사전 예약을 우선으로 운영하지만, 예약이 없는 시간대일 경우 현장 신청을 통해 체험할 수 있다. 20일까지 2주간 운영하는 스캔바이미 팝업이 종료된 후에도 체험을 하고 싶다면, 스타필드 고양 비너스플러스 매장과 비너스 명동 직매장으로 찾아가면 된다. 팝업과 달리 두 곳 모두 상시 운영 중이며, 스캔바이미 공식 인스타그램 프로필 링크에 체험 매장별 예약이 안내되어 있다. 스캔바이미는 론칭 이후 지금까지 전체 체험 고객의 85%가 2030 세대일 정도로 젊은 층의 호응과 관심 속에 연일 체험 예약 매진이 발생하면서 예약 문의 역시 늘고 있다. 특히 360도로 확인할 수 있는 전신 뷰에 대한 신기함과 평상시 모르고 지나쳤던 신체 각 부위별 사이즈 등을 확인한 후 건강한 체형 관리에 대한 관심이 생겼다는 고객들의 재방문이 이어지고 있다. 여성 전용 무료 체험 서비스 스캔바이미는 스캔부터 결과 리포트 확인까지 약 15~20분 만에 혼자서도 부담 없이 빠르고 간편하게 이용할 수 있다. 무엇보다 프라이빗 스캔룸에서 혼자만의 특별한 체험을 할 수 있어 인스타그램 등 SNS를 통한 공유가 확산되고 있다. ‘스캔바이미’ 서비스를 담당하고 있는 신영와코루 관계자는 “퍼스널 체형 데이터를 바탕으로 쇼핑이나 속옷 사이즈 등 정확한 본인의 체형을 알고 싶다면 스캔바이미를 체험하는 것을 추천한다”면서 “상시 운영하고 있는 스타필드 고양과 명동은 물론, 더 많은 분들이 자신의 체형에 대해 잘 아실 수 있도록 스캔바이미 팝업을 통해 더 많은 곳으로 찾아갈 것”이라고 전했다. 한편, 이번 스캔바이미 스퀘어원 팝업은 지하철 인천 1호선 동춘역에 위치한 인천 스퀘어원 1층 H＆M 매장 옆 팝업존에서 만날 수 있다.

인공지능(AI) 기반 피부측정 및 헬스케어솔루션 전문기업 디지로그(대표 지현종)가 전국 중·고등학교를 대상으로 진행 중인 ‘AI기반 청소년 건강관리 프로젝트’가 청소년 건강증진의 새로운 해법으로 주목받고 있다. 7일 디지로그에 따르면 회사는 서울 동구고를 시작으로 신갈고, 안산디자인문화고, 춘천고, 아산고, 창문여고, 용인흥덕고, 인제고, 화천고 등 전국 각 지역 고등학교에 AI 기반 현장 피부측정 분석 및 건강분석 프로그램을 성공적으로 진행했다. 특히 수능시험 이후 고3 학생들을 위한 체험 프로그램으로 도입되면서 입시 스트레스로 지친 학생들에게 자신의 건강 상태를 과학적으로 점검하고 AI를 직접 체감할 수 있는 기회를 처음으로 제공하고 있다는 평가다. 디지로그가 제공하는 ‘AI 청소년 건강관리 프로그램’은 최첨단 3D 모델링 이미지 분석 기술로 20초 만에 17가지 피부 항목을 정밀 분석한다. 분석 결과는 리포트 형태로 제공돼 학생 스스로 자신의 건강 상태를 이해하고 생활 습관 개선으로 이어질 수 있도록 설계됐다. 피부의 겉모습뿐만 아니라 수분 적정 상태, 민감도, 여드름 발생 가능성 등을 분석해 학생들의 실제 생활 습관과 연결해 조언도 해준다. 디지로그는 “학생들의 관심이 가장 큰 얼굴 피부를 통해 자연스럽게 수분 섭취, 수면 패턴, 스트레스 관리 등 올바른 생활 습관을 형성하도록 AI기반의 과학적 데이터를 근거로 자연스럽게 유도하고 있어 예민한 학생들과 학부모, 해당 학교 교직원들의 큰 호응을 얻고 있다”고 밝혔다. 디지로그의 최대 강점은 단순한 온라인 데이터가 아니라 교육 현장에서 AI 측정 기기를 통해 직접 수집한 ‘현장 중심의 고품질 헬스 데이터’에 있다. 디지로그 관계자는 “피부는 우리 몸을 감싸고 있는 가장 큰 기관으로, 신체 내부와 외부를 연결하는 거울과 같다”며 “피부 데이터를 기반으로 체내 건강 예측 모델을 고도화하고 있다”고 밝혔다. 디지로그는 반도체급 정밀 분석 노하우를 헬스케어에 접목하여 데이터 이동 통로를 표준화하고 있다.

제2의 ‘케이팝 데몬 헌터스’(케데헌) 제작을 꿈꾸는 이들을 위한 국가유산 디지털 데이터가 추가로 개방됐다. 국가유산청은 30일 ‘국가유산 디지털 서비스’를 통해 기존 48만 건이던 국가유산 디지털 데이터를 20만 건의 추가로 개방한다고 밝혔다. 국가유산청은 또 고고학 분야 최초 인공지능(AI) 대화 로봇 서비스인 ‘한국고고학 사전’도 선보였다. 국가유산 디지털 서비스는 케데헌과 같은 영화뿐 아니라 게임 등에 활용할 수 있으며 무료로 사용 가능하다. 이번에 추가 개방된 주요 데이터는 국가유산의 훼손·멸실에 대비한 복원 및 보존·관리·활용을 위한 ‘국가유산 3D 정밀데이터’, 게임·영화·엔터테인먼트 등 디지털 콘텐츠 산업에 활용 가능한 ‘국가유산 3D 에셋’, 국가유산 학술·조사·연구·교육을 지원하는 이미지·도면·보고서 등이다. 국가유산청 관계자는 “국가유산 제대로 알리고, 활용할 수 있도록 소스를 개방한 것인데, 지금까지 118만 건이 활용된 것으로 조사됐다”며 “추정되는 경제적 가치는 1892억 원에 달한다”고 설명했다. 이번에 공개된 ‘한국고고학 사전’은 고고학 분야에 특화된 AI 서비스로, 검색증강생성(검색된 사실 데이터를 기반으로 답변 생성해 허위 정보 생성을 방지하는 기술) 기반의 근거 중심(소스 기반) 답변을 통해, 구석기·청동기시대 정보를 요약·정리하고 질의응답 생성이 가능하다.

매년 사업 전략을 세울 때 가장 효과적인 방법은 목표가 실현된 미래의 모습을 먼저 그려보고, 그 미래에서 현재로 거슬러오며 단계별로 실행 가능한 계획을 세우는 것이다. 이 방식은 목표를 더 체계적으로, 더 현실적으로 달성하게 한다. 건설산업도 마찬가지라고 생각한다. AX가 완전히 자리 잡은 미래의 건설 현장과 도시의 모습을 먼저 상상해 본다. 이번 마지막 편에서는 AX 시대의 건설산업이 어떤 모습으로 진화할지, 그리고 그 변화의 중심에 있는 건설기계, BIM, 건설사업관리 플랫폼이 어떻게 재편될지 구체적으로 그려본다. ①로봇과 AI 기반의 건설기계 변화-무인화와 실시간 최적화 AX 시대의 건설 현장은 더 이상 사람이 중심이 아니다. 로봇과 AI 장비가 작업을 수행하고, 사람은 감독자나 의사결정자로서 역할을 한다. 로봇은 스스로 작업 경로를 계산하고, 공정 상황에 따라 자동으로 작업량을 조절한다. AI는 장비 고장이나 정비 필요 여부를 예측해 유지보수 일정을 자동으로 조정한다. 결과적으로 안전사고는 급감하고, 공정 효율은 비약적으로 향상될 것이다. ②BIM 기반 건축물 전 생애주기 관리의 변화-설계·시공·유지관리의 완전한 통합 AX 시대의 핵심 인프라는 BIM과 디지털 트윈이다. 이 두 기술은 건축물의 설계 → 시공 → 유지관리를 하나의 데이터 흐름으로 연결한다. 1.설계 단계-AI가 설계안을 자동 생성하는 시대 BIM 모델을 기반으로 AI가 수십~수백 개의 설계안을 자동으로 생성하고, 구조적 간섭 여부, 자재 사용량, 에너지 효율 등을 비교해 최적안을 제시하는 제너레이티브(Generative) 디자인이 대세로 자리 잡을 것이다. 십여 년 전 매개변수를 입력하여 설계안을 생성하는 파라메트릭(Parametric) 디자인이 유행처럼 번졌다. 이 방식은 사람이 직접 원하는 결과물을 도출하기 위해 매개변수를 입력해가며 설계안을 발전시키는 데 반해 제너레이티브 디자인은 사람이 원하는 성능과 목표, 방향성만 제시하면 알고리즘이 방대한 데이터를 탐색하고 조합해 전혀 예상치 못한 유기적 형태의 디자인을 도출할 수도 있다. 파라메트릭이 DX라면, 제너레이티브는 AX라고 할 수 있다. 설계는 더 이상 사람이 “처음부터 끝까지 직접 만드는 작업”이 아니라, AI가 제시한 옵션 중 최적안을 선택하고 조정하는 방식으로 바뀔 것이다. 2.시공 단계-오류 없는 시공, 안전 리스크 제로화 BIM 모델은 시공 단계에서 공정 간섭 자동 검출, 장비 동선 최적화, AR 기반 시공성 시뮬레이션 검토, 로봇과 자율주행 장비의 작업 기준 데이터 제공 등의 역할을 할 것이다. 즉, 관리자는 시공 전 미리 작업 상황을 고려, 공정 순서대로 공사를 미리 시뮬레이션해보고 어디가 위험하고, 품질관리 포인트는 어디인지를 분명히 알고 공사를 진행할 수 있다. 이를 통해 안전사고 예방뿐 아니라 품질관리 기준 또한 높아질 것이다. 3.유지관리 단계-디지털 트윈 기반의 지능형 건축물 운영 디지털 트윈은 실제 건축물의 상태를 실시간으로 반영하는 가상 복제 공간이다. 이 기술은 시설 유형별로 관리상의 여러 변화를 만든다. 아파트와 같은 주택에서는 누수·균열·배관 이상을 센서가 감지하고, 디지털 트윈이 고장 가능성을 예측하여 미리 보수할 수 있도록 알림을 줄 것이다. 또한 거주자의 생활 패턴을 분석해 난방·환기·조명을 자동 조절할 수도 있고 에너지 사용량을 최적화해 관리비 또한 절감할 수 있을 것이다. 공장과 같은 산업시설에서는 설비의 진동·온도·압력 데이터를 실시간 분석해 고장 전 징후를 감지해 다운타임(가동 중단 시간)을 최소화하여 공장을 운영할 수 있고 생산 라인의 병목을 자동 분석하고 운영 계획을 조정할 수도 있다. 또한 위험 지역은 로봇이 점검하고, AI가 유지보수 일정을 자동 생성해 줄 것이다. GE, Siemens, Bosch 등 글로벌 제조사는 이미 공장 디지털 트윈을 운영 중이며, 설비 고장 예측 정확도가 30~50% 향상된 사례도 보고되고 있다. 오피스 및 상업시설에서도 공간별 사용량을 분석해 냉난방과 조명을 자동 제어하고 실내 공기질을 실시간 모니터링하고 자동 환기 시키는 등 실내 거주자의 쾌적성을 위해 알아서 설비를 제어하게 될 것이다. ③건설사업관리 플랫폼의 변화-수주부터 준공까지 하나의 데이터 흐름 AX 시대에는 건설사업관리 방식도 완전히 바뀐다. 수주 단계에는 AI가 입찰 문서·계약 리스크·원가 구조 등을 신속하게 분석하고 경쟁사 전략과 시장 데이터를 기반으로 최적 수주 전략을 제시하게 될 것이다. 삼성물산은 이미 AI 기반 계약 리스크 분석 시스템을 운영 중이다. 시공 단계에서는 앞서 설명한 바와 같이 공정 계획은 AI가 자동 생성하고, 현장 상황에 따라 실시간 작업을 조율한다. 자재 수급·장비 배치·인력 투입은 AI의 분석과 계획에 따라 최적화하고 안전관리는 AI CCTV가 실시간으로 감지한다. 준공 및 운영 단계에서 준공 데이터는 BIM 초기 생성 모델과 As-built 도면을 바탕으로 업데이트된 모델이 디지털 트윈으로 자동 전환된다. 유지관리 계획은 관리 주체가 입력한 성능 목표에 따라 AI가 자동 생성하고 운영 시 축적된 데이터는 다시 설계, 시공 단계로 피드백돼 다음 프로젝트의 품질을 높인다. 즉, 건설사업관리는 프로젝트 단위 관리에서 데이터 기반 플랫폼 운영으로 진화하게 된다. AX는 건설산업을 무인화·지능화·지속가능성 중심 산업으로 재편한다. 로봇과 AI 장비가 현장을 운영하고, BIM과 디지털 트윈이 건축물의 생애주기를 관리하며, 건설사업관리 플랫폼이 수주부터 준공까지 모든 의사결정을 돕는다. 이제 건설산업의 리더는 기술을 따라가는 사람이 아니라, 기술로 미래를 설계하는 사람이 되어야 한다. AI와 로봇이 함께 움직이는 현장, 데이터가 실시간으로 흐르는 운영, 안전과 효율이 동시에 확보되는 산업. 건설은 더 이상 과거의 3D(Dangerous, Difficult & Dirty)가 아닌 디지털(Digital) 기술을 기반으로, 역동적(Dynamic)이며, 청년들이 선망하는 품격 있는(Decent) 일자리라는 새로운 ‘미래형 3D’로 변화할 것이다. 그 미래는 이미 시작되었고, 우리가 준비해야 할 시간은 지금이다.

매년 사업 전략을 세울 때 가장 효과적인 방법은 목표가 실현된 미래의 모습을 먼저 그려보고, 그 미래에서 현재로 거슬러오며 단계별로 실행 가능한 계획을 세우는 것이다. 이 방식은 목표를 더 체계적으로, 더 현실적으로 달성하게 한다. 건설산업도 마찬가지라고 생각한다. AX가 완전히 자리 잡은 미래의 건설 현장과 도시의 모습을 먼저 상상해 본다. 이번 마지막 편에서는 AX 시대의 건설산업이 어떤 모습으로 진화할지, 그리고 그 변화의 중심에 있는 건설기계, BIM, 건설사업관리 플랫폼이 어떻게 재편될지 구체적으로 그려본다. ①로봇과 AI 기반의 건설기계 변화-무인화와 실시간 최적화 AX 시대의 건설 현장은 더 이상 사람이 중심이 아니다. 로봇과 AI 장비가 작업을 수행하고, 사람은 감독자나 의사결정자로서 역할을 한다. 로봇은 스스로 작업 경로를 계산하고, 공정 상황에 따라 자동으로 작업량을 조절한다. AI는 장비 고장이나 정비 필요 여부를 예측해 유지보수 일정을 자동으로 조정한다. 결과적으로 안전사고는 급감하고, 공정 효율은 비약적으로 향상될 것이다. ②BIM 기반 건축물 전 생애주기 관리의 변화-설계·시공·유지관리의 완전한 통합 AX 시대의 핵심 인프라는 BIM과 디지털 트윈이다. 이 두 기술은 건축물의 설계 → 시공 → 유지관리를 하나의 데이터 흐름으로 연결한다. 1.설계 단계-AI가 설계안을 자동 생성하는 시대 BIM 모델을 기반으로 AI가 수십~수백 개의 설계안을 자동으로 생성하고, 구조적 간섭 여부, 자재 사용량, 에너지 효율 등을 비교해 최적안을 제시하는 제너레이티브(Generative) 디자인이 대세로 자리 잡을 것이다. 십여 년 전 매개변수를 입력하여 설계안을 생성하는 파라메트릭(Parametric) 디자인이 유행처럼 번졌다. 이 방식은 사람이 직접 원하는 결과물을 도출하기 위해 매개변수를 입력해가며 설계안을 발전시키는 데 반해 제너레이티브 디자인은 사람이 원하는 성능과 목표, 방향성만 제시하면 알고리즘이 방대한 데이터를 탐색하고 조합해 전혀 예상치 못한 유기적 형태의 디자인을 도출할 수도 있다. 파라메트릭이 DX라면, 제너레이티브는 AX라고 할 수 있다. 설계는 더 이상 사람이 “처음부터 끝까지 직접 만드는 작업”이 아니라, AI가 제시한 옵션 중 최적안을 선택하고 조정하는 방식으로 바뀔 것이다. 2.시공 단계-오류 없는 시공, 안전 리스크 제로화 BIM 모델은 시공 단계에서 공정 간섭 자동 검출, 장비 동선 최적화, AR 기반 시공성 시뮬레이션 검토, 로봇과 자율주행 장비의 작업 기준 데이터 제공 등의 역할을 할 것이다. 즉, 관리자는 시공 전 미리 작업 상황을 고려, 공정 순서대로 공사를 미리 시뮬레이션해보고 어디가 위험하고, 품질관리 포인트는 어디인지를 분명히 알고 공사를 진행할 수 있다. 이를 통해 안전사고 예방뿐 아니라 품질관리 기준 또한 높아질 것이다. 3.유지관리 단계-디지털 트윈 기반의 지능형 건축물 운영 디지털 트윈은 실제 건축물의 상태를 실시간으로 반영하는 가상 복제 공간이다. 이 기술은 시설 유형별로 관리상의 여러 변화를 만든다. 아파트와 같은 주택에서는 누수·균열·배관 이상을 센서가 감지하고, 디지털 트윈이 고장 가능성을 예측하여 미리 보수할 수 있도록 알림을 줄 것이다. 또한 거주자의 생활 패턴을 분석해 난방·환기·조명을 자동 조절할 수도 있고 에너지 사용량을 최적화해 관리비 또한 절감할 수 있을 것이다. 공장과 같은 산업시설에서는 설비의 진동·온도·압력 데이터를 실시간 분석해 고장 전 징후를 감지해 다운타임(가동 중단 시간)을 최소화하여 공장을 운영할 수 있고 생산 라인의 병목을 자동 분석하고 운영 계획을 조정할 수도 있다. 또한 위험 지역은 로봇이 점검하고, AI가 유지보수 일정을 자동 생성해 줄 것이다. GE, Siemens, Bosch 등 글로벌 제조사는 이미 공장 디지털 트윈을 운영 중이며, 설비 고장 예측 정확도가 30~50% 향상된 사례도 보고되고 있다. 오피스 및 상업시설에서도 공간별 사용량을 분석해 냉난방과 조명을 자동 제어하고 실내 공기질을 실시간 모니터링하고 자동 환기 시키는 등 실내 거주자의 쾌적성을 위해 알아서 설비를 제어하게 될 것이다. ③건설사업관리 플랫폼의 변화-수주부터 준공까지 하나의 데이터 흐름 AX 시대에는 건설사업관리 방식도 완전히 바뀐다. 수주 단계에는 AI가 입찰 문서·계약 리스크·원가 구조 등을 신속하게 분석하고 경쟁사 전략과 시장 데이터를 기반으로 최적 수주 전략을 제시하게 될 것이다. 삼성물산은 이미 AI 기반 계약 리스크 분석 시스템을 운영 중이다. 시공 단계에서는 앞서 설명한 바와 같이 공정 계획은 AI가 자동 생성하고, 현장 상황에 따라 실시간 작업을 조율한다. 자재 수급·장비 배치·인력 투입은 AI의 분석과 계획에 따라 최적화하고 안전관리는 AI CCTV가 실시간으로 감지한다. 준공 및 운영 단계에서 준공 데이터는 BIM 초기 생성 모델과 As-built 도면을 바탕으로 업데이트된 모델이 디지털 트윈으로 자동 전환된다. 유지관리 계획은 관리 주체가 입력한 성능 목표에 따라 AI가 자동 생성하고 운영 시 축적된 데이터는 다시 설계, 시공 단계로 피드백돼 다음 프로젝트의 품질을 높인다. 즉, 건설사업관리는 프로젝트 단위 관리에서 데이터 기반 플랫폼 운영으로 진화하게 된다. AX는 건설산업을 무인화·지능화·지속가능성 중심 산업으로 재편한다. 로봇과 AI 장비가 현장을 운영하고, BIM과 디지털 트윈이 건축물의 생애주기를 관리하며, 건설사업관리 플랫폼이 수주부터 준공까지 모든 의사결정을 돕는다. 이제 건설산업의 리더는 기술을 따라가는 사람이 아니라, 기술로 미래를 설계하는 사람이 되어야 한다. AI와 로봇이 함께 움직이는 현장, 데이터가 실시간으로 흐르는 운영, 안전과 효율이 동시에 확보되는 산업. 건설은 더 이상 과거의 3D(Dangerous, Difficult & Dirty)가 아닌 디지털(Digital) 기술을 기반으로, 역동적(Dynamic)이며, 청년들이 선망하는 품격 있는(Decent) 일자리라는 새로운 ‘미래형 3D’로 변화할 것이다. 그 미래는 이미 시작되었고, 우리가 준비해야 할 시간은 지금이다.

건설산업은 지금 ‘디지털 전환(DX)’에서 ‘AI 전환(AX)’으로 넘어가는 거대한 변화의 초입에 서 있다. DX가 ‘기술을 도입하는 단계’였다면, AX는 ‘기술이 스스로 판단하고 움직이는 단계’이다. 이 변화는 단순한 업그레이드가 아니라, 건설산업의 운영 방식 자체를 다시 설계하는 과정이다. 그렇다면 어떻게 DX에서 AX로 자연스럽게 넘어갈 수 있을까? 그리고 아직 DX가 충분히 자리 잡지 않은 기업은 무엇부터 준비해야 할까? ①DX 성과를 기반으로 AX로 확장하는 방법 DX는 AX의 ‘기초 체력’이다. DX가 제대로 구축되지 않은 상태에서 AX를 시도하면, 마치 부실한 기초 위에 건물을 올리는 것과 같다. DX가 잘 된 기업은 크게 세 가지 특징이 있다. 데이터를 한 곳에 모으고, 표준화하며, 의사결정에 활용한다. 다시 말하면 자료는 클라우드 저장소에 모아 CDE(Common Data Environment) 환경을 구축하고, BIM, 드론 등을 활용해 정보를 디지털로 수집한다. 또한 데이터를 모으고 관리하는 툴이나 시트를 표준화하여 누구나 동일한 포맷을 사용하게 만든다. 마지막으로 이렇게 모은 정량적, 정성적 데이터를 바탕으로 의사결정에 활용한다. 이러한 기반이 갖춰진 기업은 AX로 확장할 때 AI가 학습할 자료인 데이터가 풍부하고, 자율 시스템이 작동할 환경(표준화된 프로세스)이 이미 마련돼 전환 속도가 빠르다. 그렇다면 아직 DX가 부족한 기업은 무엇부터 해야 할까? 우선 종이로 된 문서나 수기 기록들을 디지털 데이터로 변환해야 한다. 그리고 각자 관리하던 데이터를 한 곳에 집중해서 모으는 노력을 해야 한다. 또한 자재, 공정, 안전 등 관련 데이터를 일련 코드나 통일된 포맷으로 표준화하는 작업이 필요하다. 그리고 무엇보다 중요한 것은 직원들이 이러한 변화를 공감할 수 있도록 교육해야 한다. DX는 단순히 ‘특정 기술 도입’이 아니라 ‘일하는 방식의 총체적 변화’다. 이 변화가 자리 잡아야 AX가 비로소 현실이 된다. ②‘데이터 → 알고리즘 → 자율화’의 단계적 로드맵 AX는 하루아침에 완성되지 않는다. 다음 제시하는 3단계를 순서대로 진행해야 한다. 첫 번째, 모든 데이터를 디지털로 흐르는 상태로 만든다. 즉 현장에서 드론이 촬영한 영상이나 사진을 3D 지형 데이터로 변환하고 IoT 센서를 통해 읽어 들인 온도, 습도, 진동, 수치 등을 입력 데이터화하며, BIM에서 작성된 설계, 자재, 공정 등의 정보를 한 곳에 모아 디지털화한다. 이 데이터가 정확하고 표준화돼야 다음 단계로 넘어갈 수 있다. 다음은 알고리즘 단계로 AI가 판단을 돕는 단계다. 데이터가 쌓이면 AI가 패턴을 읽고 예측을 시작한다. 축적된 디지털 데이터를 기반으로 공정 지연 가능성, 자재 수급 부족 시점, 위험 구역 자동 감지, 장비 고장 가능성 등 사전 리스크를 감지하고 사람의 판단을 돕는다. 마지막은 자율화 단계로 AI와 로봇이 스스로 움직이는 단계이며 여기부터 진정한 AX가 시작된다. 예를 들어 자율주행 굴착기가 스스로 입력된 공정 계획에 따라 그날의 작업 경로를 계산해 굴착한다. 또한 드론이 주기적으로 현장을 순찰하며 위험 요소를 감지하고 필요 시 AI가 현장 상황을 판단해 공정 계획을 자동으로 조정한다. 또한 건설 로봇이 공종별 진척에 따라 Hold Point 도래 시 품질 검사를 수행하고 결과를 자동으로 보고한다. 이 단계에서는 사람이 감독자가 되고, AI는 실행자가 된다. ③협업 생태계 구축 “건설사 혼자서는 AX로 갈 수 없다” AX는 한 기업의 힘만으로는 불가능하다. 건설사, 테크 기업, 정부, 학계가 함께 생태계를 만들어야 한다. 건설사는 현장에서 도입하고자 하는 AI의 범위와 요구 조건을 명확히 정의하고 다양한 기술의 테스트베드를 제공해야 한다. 테크 기업들은 건설 현장의 요구에 맞는 솔루션을 커스터마이징하고 BIM을 활용한 공정 간 간섭 조율과 디지털 트윈 환경 구축, 건설 로봇 개발, 드론 기술 등을 선제적으로 개발해야 한다. 정부는 이러한 기술 개발과 적용 과정에서 필연적으로 발생할 수밖에 없는 제도적, 법적 허들을 완화 또는 제거할 수 있도록 관련 기업들과 적극적으로 소통하고 개선해 나가야 한다. 마지막으로 학계는 산학 연계 R&D 등을 통해 기술을 검증하고 관련 기술들에 대한 표준화, 전문 인력 양성 등의 노력을 기울여야 한다. 이 네 주체가 함께 움직일 때 비로소 AX는 산업 전체로 확산될 것이다. AX는 미래 기술이 아니라, 이미 시작된 변화다. 하지만 이 변화는 기술만으로 이루어지지 않는다. 데이터를 정제하고 조직 문화를 바꾸며, 협업 생태계를 구축하여 단계적으로 로드맵을 따라가야 자연스럽게 AX로 넘어갈 수 있다. DX가 기초 공사라면, AX는 그 위에 올라가는 건물이다.

건설산업은 지금 ‘디지털 전환’(DX)에서 ‘AI 전환’(AX)으로 넘어가는 거대한 변화의 초입에 서 있다. DX가 ‘기술을 도입하는 단계’였다면, AX는 ‘기술이 스스로 판단하고 움직이는 단계’이다. 이 변화는 단순한 업그레이드가 아니라, 건설산업의 운영 방식 자체를 다시 설계하는 과정이다. 그렇다면 어떻게 DX에서 AX로 자연스럽게 넘어갈 수 있을까? 그리고 아직 DX가 충분히 자리 잡지 않은 기업은 무엇부터 준비해야 할까? ①DX 성과를 기반으로 AX로 확장하는 방법 DX는 AX의 ‘기초 체력’이다. DX가 제대로 구축되지 않은 상태에서 AX를 시도하면, 마치 부실한 기초 위에 건물을 올리는 것과 같다. DX가 잘 된 기업은 크게 세 가지 특징이 있다. 데이터를 한 곳에 모으고, 표준화하며, 의사결정에 활용한다. 다시 말하면 자료는 클라우드 저장소에 모아 CDE(Common Data Environment) 환경을 구축하고, BIM, 드론 등을 활용해 정보를 디지털로 수집한다. 또한 데이터를 모으고 관리하는 툴이나 시트를 표준화하여 누구나 동일한 포맷을 사용하게 만든다. 마지막으로 이렇게 모은 정량적, 정성적 데이터를 바탕으로 의사결정에 활용한다. 이러한 기반이 갖춰진 기업은 AX로 확장할 때 AI가 학습할 자료인 데이터가 풍부하고, 자율 시스템이 작동할 환경(표준화된 프로세스)이 이미 마련돼 전환 속도가 빠르다. 그렇다면 아직 DX가 부족한 기업은 무엇부터 해야 할까? 우선 종이로 된 문서나 수기 기록들을 디지털 데이터로 변환해야 한다. 그리고 각자 관리하던 데이터를 한 곳에 집중해서 모으는 노력을 해야 한다. 또한 자재, 공정, 안전 등 관련 데이터를 일련 코드나 통일된 포맷으로 표준화하는 작업이 필요하다. 그리고 무엇보다 중요한 것은 직원들이 이러한 변화를 공감할 수 있도록 교육해야 한다. DX는 단순히 ‘특정 기술 도입’이 아니라 ‘일하는 방식의 총체적 변화’다. 이 변화가 자리 잡아야 AX가 비로소 현실이 된다. ②‘데이터 → 알고리즘 → 자율화’의 단계적 로드맵 AX는 하루아침에 완성되지 않는다. 다음 제시하는 3단계를 순서대로 진행해야 한다. 첫 번째, 모든 데이터를 디지털로 흐르는 상태로 만든다. 즉 현장에서 드론이 촬영한 영상이나 사진을 3D 지형 데이터로 변환하고 IoT 센서를 통해 읽어 들인 온도, 습도, 진동, 수치 등을 입력 데이터화하며, BIM에서 작성된 설계, 자재, 공정 등의 정보를 한 곳에 모아 디지털화한다. 이 데이터가 정확하고 표준화돼야 다음 단계로 넘어갈 수 있다. 다음은 알고리즘 단계로 AI가 판단을 돕는 단계다. 데이터가 쌓이면 AI가 패턴을 읽고 예측을 시작한다. 축적된 디지털 데이터를 기반으로 공정 지연 가능성, 자재 수급 부족 시점, 위험 구역 자동 감지, 장비 고장 가능성 등 사전 리스크를 감지하고 사람의 판단을 돕는다. 마지막은 자율화 단계로 AI와 로봇이 스스로 움직이는 단계이며 여기부터 진정한 AX가 시작된다. 예를 들어 자율주행 굴착기가 스스로 입력된 공정 계획에 따라 그날의 작업 경로를 계산해 굴착한다. 또한 드론이 주기적으로 현장을 순찰하며 위험 요소를 감지하고 필요 시 AI가 현장 상황을 판단해 공정 계획을 자동으로 조정한다. 또한 건설 로봇이 공종별 진척에 따라 Hold Point 도래 시 품질 검사를 수행하고 결과를 자동으로 보고한다. 이 단계에서는 사람이 감독자가 되고, AI는 실행자가 된다. ③협업 생태계 구축 “건설사 혼자서는 AX로 갈 수 없다” AX는 한 기업의 힘만으로는 불가능하다. 건설사, 테크 기업, 정부, 학계가 함께 생태계를 만들어야 한다. 건설사는 현장에서 도입하고자 하는 AI의 범위와 요구 조건을 명확히 정의하고 다양한 기술의 테스트베드를 제공해야 한다. 테크 기업들은 건설 현장의 요구에 맞는 솔루션을 커스터마이징하고 BIM을 활용한 공정 간 간섭 조율과 디지털 트윈 환경 구축, 건설 로봇 개발, 드론 기술 등을 선제적으로 개발해야 한다. 정부는 이러한 기술 개발과 적용 과정에서 필연적으로 발생할 수밖에 없는 제도적, 법적 허들을 완화 또는 제거할 수 있도록 관련 기업들과 적극적으로 소통하고 개선해 나가야 한다. 마지막으로 학계는 산학 연계 R&D 등을 통해 기술을 검증하고 관련 기술들에 대한 표준화, 전문 인력 양성 등의 노력을 기울여야 한다. 이 네 주체가 함께 움직일 때 비로소 AX는 산업 전체로 확산될 것이다. AX는 미래 기술이 아니라, 이미 시작된 변화다. 하지만 이 변화는 기술만으로 이루어지지 않는다. 데이터를 정제하고 조직 문화를 바꾸며, 협업 생태계를 구축하여 단계적으로 로드맵을 따라가야 자연스럽게 AX로 넘어갈 수 있다. DX가 기초 공사라면, AX는 그 위에 올라가는 건물이다.

종이 숙제 더미 대신 스캐너 소리가 교무실을 채웠다. 단 1분 만에 물리 숙제 40여장이 순식간에 스캔되고 채점까지 끝났다. 18일 중국 펑멘신문에 따르면 중국 청두의 여러 중·고등학교에서 인공지능(AI) 숙제 채점 시스템이 실제 수업 현장에 도입되며 교육 현장의 풍경이 빠르게 달라지고 있다. 청두의 한 실험학교 교무실에는 과거 수북하게 쌓여있던 숙제 노트가 사라졌다. 고속 스캐너가 돌아가는 동안 AI 시스템은 종이 숙제를 디지털로 변환하는 동시에 답안을 분석해 채점을 마친다. 이 학교는 2023년부터 ‘인공지능+교육’ 시범학교로 스마트 숙제 채점 시스템을 도입했다. 교사는 서술형 문제를 채점하고, 선택형 문항은 AI가 빠르게 스캔해 채점한다. 시스템은 학생별 점수와 오답 분포도 자동으로 정리해준다. AI의 역할은 단순한 정답·오답 판별에 그치지 않는다. 시스템은 틀린 문제를 실제 교과서 단원과 오류 유형별로 분류해 학생마다 맞춤형 오답 노트를 자동으로 생성한다. 교사는 이를 바탕으로 반 전체의 학습 상태를 한눈에 보여주는 학습맵과 빈출 오답 목록을 확인하고 즉각 보완 수업을 준비할 수 있다. 학생들 역시 오답 출력기를 이용해 필요한 문제만 골라 복습할 수 있다. 숙제 채점이 끝이 아니라 학습 피드백의 출발점이 되는 셈이다. ●AI 채점 정확도는 약 95%...교사 “수업에 도움 된다” 효율성만큼이나 정확도는 학부모들의 최대 관심사다. 학교 측에 따르면 이 시스템은 대형 언어모델 기술을 적용해 채점 정확도를 약 95% 수준까지 끌어올렸다. AI가 답안을 명확히 판별하지 못할 경우 자동으로 알림이 뜨고, 교사가 직접 확인해 보완한다. 모든 채점 과정은 기록으로 남아 교사가 일괄 수정하는 것도 가능하다. 현재 청두시에서는 이미 여러 학교가 AI 숙제 채점 기술을 도입해 수업에 활용하고 있고 그 숫자는 계속 늘어나고 있다. 한 교사는 AI가 채점 시간을 줄여줄 뿐 아니라 시각화된 데이터로 학생들의 약점을 정확히 보여준다며 교사가 어디에 집중해야 할지를 판단하는 데 큰 도움이 된다고 밝혔다. 청두에서는 AI 활용이 평가를 넘어 수업 전반으로 확장되고 있다. AI 더빙 수업, 달 탐사 프로젝트 같은 융합 수업이 등장했고, 일부 초등학교에서는 인공지능·드론·3D 프린팅 동아리도 운영 중이다. AI가 숙제를 채점하는 시대, 교실의 풍경은 분명 달라지고 있다. 다만 이 변화가 교사의 부담을 덜어주는 조력자로 자리 잡을지, 또 다른 교육 격차를 낳을지는 앞으로의 운영에 달려 있다.

건설산업이 DX(디지털 전환)를 넘어 AX(인공지능 전환)로 도약하려면 기술 자체만으로는 충분하지 않을 수 있다. 건설 현장의 고착화된 문화와 정서, 법과 제도, 공사비, 데이터 관리와 인력까지 모두 얽혀 있다. 이번에는 AX 전환을 위한 과정에서 기술, 제도, 조직, 경제적 측면의 허들이 어떠한 것들이 있고 극복 방안에 대해 살펴본다. ●기술적 허들: AI·로봇·자율시스템의 성숙도와 현장 적합성 CES 2025에 자율주행 굴착기를 비롯한 다양한 로봇들이 등장했다. 머신가이던스(MG), 머신컨트롤(MC), 드론 계측 등은 이미 시연 단계 또는 부분 적용 단계지만, “모든 현장에 당장 투입”은 아직 어려운 단계다. 복잡한 지반, 날씨 여건, 협소한 도심지 현장, 매일 변화하는 공정 간섭 속에서 센서 노이즈, 응답 지연, 맵 정합과 경로 계획 안정성 등을 기술적으로 극복하고 성숙 단계에 도달하기까지는 아직 많은 시행착오와 기술 개발이 숙제로 남아있다. 예를 들어 건설 현장에서 드론과 인공지능(AI)을 활용해 3차원(3D) 디지털 지도를 만들어 장비 투입 최적화 루트를 계산하지만, 최적 장비 조합을 실제 현장에서 구현 시 안전 구역 설정, 반출입 동선 관리, 공정 간섭 등과 충돌하여 실행에 옮기기까지는 어려움이 많다. 이는 건설 현장에서 지속적인 검토를 통해 통합 엔지니어링(로보틱스+BIM+시공 계획+HSE) 역량을 더욱 향상시켜야 비로소 AI 기술을 접목한 장비 활용이 가능할 것이다. ●제도적 허들: 규제, 안전 기준, 법적 책임의 명확화 2022년부터 중대재해처벌법 시행으로 사업주 및 경영 책임자의 책임 범위가 크게 확대됐다. 안전 관리 체계 구축과 실행 여부가 처벌 판단의 핵심 기준으로 작동한다. 이런 환경에서 건설사가 자율주행 지게차나 로봇과 같은 AI가 결합된 장비나 시스템을 도입하여 활용하다 안전 사고를 낼 경우 “사고의 법적 책임”이 쟁점이 될 수 있다. 디지털·AI 기반 안전 관리 증빙과 장비 운영 로그(데이터 거버넌스)가 관리 책임을 규명하는 주요 판단 근거가 될 것이다. 자칫 책임 불명확과 과도한 규제는 초기 AI 안전 관리 확산에 장애물이 될 수 있다. 결과적으로, 자율 주행 장비, AI가 결합된 기계의 의사 결정에 있어 안전 적합성 검증, 데이터 기반 위험 평가, 시정 조치 체계, 감리·발주자의 디지털 확인 절차 등이 제도적으로 내재화돼야 하며, 그렇지 않다면 AX의 PoC 단계에서 상용화 단계로 확대될 수 없다. ●조직적 허들: 보수적 문화와 인력 재교육 기술보다 더 어려운 것은 사람의 변화다. 건설업은 오랜 경험과 직관이 중요한 분야라, AI나 로봇이 판단한다고 해도 “과연 그게 맞아?”라는 의심이 생기기 쉽다. 또한 새로운 기술을 쓰려면 기존 인력의 재교육이 필요하다. 드론 조종, 데이터 분석, 로봇 운영 같은 새로운 직무가 생기기 때문이다. 일부 기업은 ‘디지털 전담팀’을 만들어 AX를 준비하고 있지만, 조직 전체가 바뀌려면 상당한 시간이 필요하다. AI가 의사 결정을 일부 대체하거나 지원하는 체계를 구축하려면, 권한과 책임의 위임 전결 설계, 새로운 직무 정의(로봇 운영, 데이터 엔지니어, HSE 데이터 관리자 등), 교육과 평가 체계 정립이 필요하다. 기업들은 ‘AX 조직’을 주축으로 프로세스 자동화, 데이터 기반 의사 결정 체계를 확립해야 하며, HR은 업무의 중요도와 분야에 따라 AI를 단순 참고용 의사 결정 도구로만 활용할지, 최종 의사 결정 권한을 부여할지에 대한 R&R을 분명히 정립해야 할 것이다. ●경제적 허들: 초기 투자, ROI 불확실성과 시장 변동성 AX 기술은 초기 투자 비용이 많이 들어간다. 드론, 센서, AI 시스템, 자율 주행 장비까지 도입하려면 수십억 원이 투입되기도 하는데 그만큼의 효과가 즉시 체감되지 않아 ROI(투자 대비 수익) 예측이 명확하지 않다. 그래서 많은 기업들이 “지금은 건설 경기도 안 좋은데, 이걸 무리해서 도입해도 괜찮을까?”라는 고민을 한다. 하지만 일부 기업은 과거부터 시스템적으로 공정 지연을 줄이고, 안전 사고를 예방하면서 실제로 비용을 절감하기 위한 시도를 해왔고 이를 통해 확보한 데이터를 활용하여 AI를 데이터 기반의 의사 결정 도구로 활용할 준비를 하고 있다. Q-cost(품질 비용)상 예방 비용을 선제적으로 투입함으로써 실패 비용을 낮춰 전체 품질 비용을 절감하기 위한 노력이기도 하다. 현재 대한민국 건설업은 2~3년 전부터 발주 물량 감소 및 착공 지연에 따라 수주 및 수익성 악화, 잠재된 PF 구조 부실, 높은 부채 비율 등 여러 리스크가 겹친 상태다. 경제 전문가들은 이르면 2026년 하반기부터 건설 경기가 서서히 회복될 것이라고 예측한다. 건설 경기 둔화와 회복의 사이클은 5~10년 주기로 반복되는 경향을 보이며 현재는 무리한 출혈 경쟁 수주보다 내실을 다지며 미래를 대비하기 위한 효율적인 업무 시스템을 정비할 필요가 있다. “데이터 통합→의사 결정 도구→운영 최적화”에 투자한 ROI는 다른 투자에 비해 더 빨리 다가올 수 있다. 위에 언급한 네 가지 허들이 전부는 아니겠지만 AX를 향해 건설사, 정부, IT 기업, 스타트업 기업들이 머리를 맞대고 장벽을 하나둘 논의하여 걷어냄으로써 대한민국의 건설 산업은 한 차원 높이 도약할 수 있을 것이다.

건설산업에서 디지털 전환(DX)은 단순히 컴퓨터를 잘 다루는 수준을 넘어 현장의 모든 정보를 데이터로 바꾸어 관리하는 시스템이다. 드론이 촬영한 현장 사진, IoT(사물인터넷) 센서가 기록한 온도와 습도, 설계 도면을 3차원(3D) 정보로 변환한 BIM(건축정보모델링) 객체까지 모두 데이터다. 하지만 중요한 점은 데이터를 모으는 것 자체가 목적이 아니라 잘 정리하고 활용해야 한다는 것이다. ●건설업의 데이터 활용사례 그렇다면 건설사에서는 프로젝트 수주, 설계, 시공 및 유지관리에 이르기까지의 방대한 데이터를 어떻게 다루고 있을까? 수주 단계에는 발주처의 요구사항, 입찰 조건 등의 자료와 함께 경쟁사 분석, 예상 손익, 리스크 등의 검토 자료들이 쌓인다. 삼성물산은 수천 페이지에 이르는 입찰 안내서를 효과적으로 분석하기 위해 LLM 기반의 AI 에이전트를 활용하여 리스크를 신속하게 분석하고 업무 효율을 높이고 있다. 설계 단계에는 BIM 모델, 설계 도면, 구조/환경 시뮬레이션 데이터를 활용하는데, 이런 데이터들을 활용해 설계 오류를 줄이고 공정과 공사비 예측 정확도를 높일 수 있다. 공사 중에는 현장에 심어놓은 각종 계측기를 통해 IoT 센서 데이터(온도, 습도, 변위값 등)를 수집하고 드론과 라이다 센서를 통해 측량한 데이터 등을 활용하여 품질 및 안전관리의 효율을 높인다. 준공 후 유지관리 단계에서는 시설물이나 건축물의 하자 이력, 유지보수 기록 등을 통해 설계 단계 혹은 공사 중 품질관리 방안, 대책을 수립하여 선 반영할 수 있으며 시설물을 디지털 트윈으로 구현하여 설계 단계부터 유지관리 단계까지 데이터를 연계해 관리하고 있다. ●데이터 관리의 허점과 실패 사례 하지만 데이터를 제대로 축적하고 정제하지 못하면 모으기만 하고 제대로 활용할 수 없다. 대표적인 사례가 표준화되지 않은 기록 관리다. 일부 회사에서는 똑같은 공사나 자재를 유사한 이름 여러 개로 관리하고 있어 어떤 공종과 이름으로 기록해야 할지 사용자가 고민하는 경우가 있다. 예를 들면, 방바닥 미장 공사를 방통 공사, 바닥 몰탈 공사, 바닥 미장 공사 등 여러 이름으로 등록해 두고 이 중에서 골라 입력하게 하여 업무에 혼선을 빚고 데이터를 제대로 모으기 어려운 경우가 있다. 다른 문제는 데이터 사일로 현상이다. 부서마다 별도로 데이터를 관리하여 서로 연결되지 못하고 중복되거나 위의 사례처럼 통일된 용어를 사용하지 않는 경우다. 또한 아날로그 데이터를 제대로 변환하지 못한 경우가 있다. 스캔 데이터를 제대로 디지털화하지 못해 활용이 불가능하기도 하다. 이러한 문제 때문에 건설사마다 “DX를 한다”면서도 실제로는 데이터가 흩어져 있고 제대로 정제되지 못해 활용률이 떨어지는 사례가 적지 않다. ●데이터 파이프라인과 표준화 데이터가 ‘생성→저장→정리→분석→활용’되는 흐름을 하나의 관처럼 연결해 놓은 것이 데이터 파이프라인이다. 예를 들어 현장에서 센서를 통해 읽어들인 온도가 자동으로 클라우드에 저장되고 불필요한 값은 걸러낸 후 분석 프로그램이 이를 분석해 공정 관리에 반영하는 과정이 바로 파이프라인이며 이 흐름이 끊기지 않고 매끄럽게 이어져야 DX가 제대로 작동된다. 또한 데이터는 자재, 공정, 품질 데이터 등 동일한 코드와 기준으로 기록해야 한다. 종이 문서, 스캔 데이터 등은 반드시 디지털로 변환해야 한다. 이 표준화와 디지털화가 갖춰져야 데이터가 ‘언어’로 인식되고 AI가 이해할 수 있다. 데이터는 많을수록 좋지만 정확하지 않으면 오히려 위험하다. 잘못된 데이터로 AI가 판단하면 엉뚱한 공정을 제시하거나 위험한 공법을 제안할 수도 있기 때문이다. 그리고 건설 데이터는 설계, 자재, 비용 등 민감한 정보가 많으므로 보안 관리가 필수다. 결국 데이터 관리는 단순히 많은 것이 최선이 아니라 정확하고 표준화된, 신뢰할 수 있는 데이터를 차곡차곡 모으는 것이 핵심이다. 잘 구축된 데이터는 AX(인공지능 전환) 시대에 건설 산업을 완전히 다른 차원으로 끌어올리는 원동력이 될 것이다.

산림청 산하 한국임업진흥원이 소나무재선충병 예찰의 효율을 극대화하기 위해 ‘헬기 라이다(LiDAR) 예찰’을 시범 도입한다고 18일 밝혔다. 기존 드론 예찰의 면적 제한을 보완해 광범위한 산림 지역을 더 빠르고 정밀하게 감시한다는 취지다. 이번에 도입된 ‘라이다 예찰’은 헬기에 정밀 장비를 장착해 지상으로 레이저 펄스를 발사하는 방식이다. 레이저가 나뭇가지 층을 통과해 되돌아오는 신호를 분석하면 산림의 입체 구조를 3D 데이터로 구현할 수 있다. 이를 통해 나무의 높이와 구조는 물론, 육안이나 일반 영상으로는 확인하기 어려운 산림 내부의 고사목 분포 현황까지 수치로 정확히 파악할 수 있는 것이 강점이다. 그동안 주력으로 활용된 드론은 정밀도는 높지만 한 번에 조사할 수 있는 면적이 좁아 대규모 산림을 살피기엔 시간과 비용 부담이 컸다. 진흥원은 헬기의 기동성을 활용해 고사목 분포 반경 5km 지역을 단기간에 훑고, 레이저 반사 강도를 분석해 의심 지역을 빠르게 추려낼 계획이다. 진흥원은 이번 시범 조사 데이터를 기존 드론 영상과 비교 분석해 지형별 최적화된 예찰 모델을 정립할 방침이다. 김용훈 남부조사실장은 “이번 시범 적용은 대규모 산림 예찰의 새로운 기술적 가능성을 확인하는 단계”라며 “축적된 데이터를 바탕으로 더욱 과학적이고 체계적인 방제 시스템을 구축해 나가겠다”고 밝혔다.

서울 도시계획 ‘데이터 기반’ 전환사후 대응→사전 예측 체계에 중점AI, 웰빙·도시건강 좌우 핵심 도구스스로 진단·수행 ‘K-AI시티’ 제시 폭염·홍수 등 기후 위기, 급격한 인구구조 변화, 늙어버린 도심에서 파생된 문제들이 동시다발적으로 터지면서 미래 도시계획의 해법을 찾는 일은 전세계 주요 도시들의 화두로 떠올랐다. 서울시는 이런 복합 위기상황을 인공지능(AI) 기술로 풀어내기 위해 국내외 전문가들과 머리를 맞댔다. 11일 청사 본관에서 ‘AI로 여는 도시계획 대전환’을 주제로 ‘2025 도시공간정책 국제컨퍼런스’를 개최한 이유다. 기조연설에 나선 남정현 서울시 도시공간기획관은 “예측하기 어려운 복합적 도시문제에 대응하기 위해 서울시 도시계획 체계를 직관 중심에서 데이터 기반으로, 사후 대응에서 사전 예측으로 전환하고 있다”고 밝혔다. 그는 서울시가 지난 20년 동안 ▲전자행정 ▲정보통신기술(ICT) ▲도시 전역을 3D 가상공간으로 구현한 디지털 트윈(S-Map) ▲100m 격자 데이터(해상도) 등 도시의 데이터 인프라를 구축해 온 과정을 소개했다. 남 기획관은 “AI 기술이 고도화되더라도 도시계획의 중심은 결국 ‘사람’이며, 시 행정은 앞으로 ‘데이터 해석자·조율자’ 역할을 하게 될 것”이라고 강조했다. 서울시는 이러한 기반을 토대로 도시를 정밀하게 진단·예측·설계하는 ‘지능형 도시 전략’을 추진 중이다. 첫 발제자로 나선 글로벌 엔지니어링기업 아룹(ARUP)의 피터 방스보는 AI가 도시 인프라 개선을 넘어 삶의 질·웰빙·도시건강까지 좌우하는 핵심 도구로 발전하고 있다고 강조했다. 그는 열섬(heat island)·폭우·빗물 유출 등 기후 위험을 신속하게 분석하는 AI 도구를 소개하며 “AI는 안전하고 지속가능한 도시환경을 구현하는 데 필수적 역할을 한다”고 말했다. 이어 글로벌 건축설계기업인 포스터앤드파트너스의 라우라 세르투체는 “AI는 공간·환경·사회 데이터를 통합적으로 활용해 지속가능한 설계를 해낸다”고 설명했다. 다만 AI 도입을 통해 시민 참여가 확대하고 있지만, 동시에 윤리·형평성 등 새로운 기준 설정도 필요해졌다고 강조했다. 마지막 발표자로 나선 이세원 국토연구원 부연구위원은 도시가 스스로 문제를 진단하고 의사결정을 수행하는 ‘K-AI시티’ 구상을 제시했다. 그는 ‘도시인공지능(Urban AI)’ 기반의 자율운영도시 모델을 정의하고 ▲광역 AI 데이터허브 구축 ▲도시지능센터 운영 ▲교통·에너지·안전 분야 AI 서비스 개발 ▲시범도시 조성 ▲규제 프리 테스트베드(신기술·신산업 한시적 허용) 등 5대 정책 방향을 제시했다. 주제발표 이후 계속된 종합토론은 권영상 서울대 건설환경공학부 교수가 좌장을 맡았다. 이동우 서울시립대 스마트시티학과 교수, 송재민 서울대 환경대학원 교수, 홍석기 앤더스 상무이사, 구름 빅밸류 대표이사 등이 참여해 인공지능 도시의 개념과 서울시 전략의 실현 가능성을 논의했다. 김성보 서울시 행정2부시장은 “AI 데이터는 도시의 복잡한 문제를 풀어내는 열쇠가 되고, 도시계획은 ‘사람 중심의 기술’로 정의되고 있다”며 “변화의 흐름 속에서 서울시도 지속 가능하고 포용적인 도시로 나아가겠다”고 밝혔다.

‘미래기술 게임 제작 지원’ 참여기업 몽가·유비스의 제작 과정, 매뉴얼 정리 경기도와 경기콘텐츠진흥원(경콘진)이 중소 게임 개발사들의 AI 활용 역량 강화를 위해 인공지능(AI) 기반 게임 제작 매뉴얼을 8일 공개했다. 매뉴얼은 ‘2025년 미래기술 게임 제작 지원’ 사업의 결과물이다. 경콘진은 2023년 ‘미래기술 게임 실증 지원’을 시범 시작으로 2024년 ‘미래기술 게임 활성화 제작지원’ 사업을 이어갔고, 올해는 ‘미래기술 게임 제작 지원’으로 사업명을 개편해 운영했다. 올해 2개 도내 게임 개발사 대상으로 각 5천만 원의 제작지원을 제공했으며, 중소 개발사의 실무에 도입하기 위해 지원기업의 AI 활용 게임 개발 매뉴얼을 공개했다. 공개된 매뉴얼은 실제 게임 개발사 프로젝트를 기반으로 제작되어 현업에서 바로 활용할 수 있는 실증적 내용을 담고 있다. 성남시에 있는 중소 게임 개발사 ㈜몽가는 퍼즐 게임 마인드크래프트(Mindcraft) 개발 과정에서 도입한 AI 활용 노하우를 토대로 ‘LLM을 활용한 게임 기획 콘텐츠 제작 매뉴얼’을 제작했다. 이 게임은 지난 10월 24일 스팀(Steam)에 정식 출시되었다. 해당 매뉴얼은 GPT-2, Qwen 2.5 등 LLM을 활용해 기획자의 의도에 맞춰 퍼즐 맵을 자동 생성하는 과정을 설명한다. 기획자가 직접 100개 맵 데이터를 제작할 경우 약 8시간이 걸리지만, AI를 활용하면 2시간 이내로 단축되어 약 4배의 작업 효율 향상을 기대할 수 있다. ㈜유비스는 서브컬처 오픈월드 MMORPG 루나(LUNA) 개발 경험을 바탕으로 ‘UBIS AI Agent 기반 2D→3D 캐릭터 생성 매뉴얼’을 제작했다. 루나는 지난 11월 20일 스팀 얼리 액세스 버전으로 출시됐다. 매뉴얼은 2D 일러스트를 3D 캐릭터 모델로 자동 변환하는 AI 기반 제작 시스템을 다룬다. 기존에는 숙련 아티스트가 1개의 캐릭터를 제작하는 데 약 6주가 필요했으나 AI 기술을 적용하면 약 1주 내 제작이 가능해져 약 6배의 제작 효율 향상이 가능하다. 경콘진 탁용석 원장은 “이번 매뉴얼 공개가 중소 게임 개발사의 AI 기술 도입 문턱을 낮추고 경기도 게임 산업 전반의 경쟁력 강화에 기여할 것으로 기대된다”라고 말했다.

지난 3분기, 엔비디아는 570억 달러의 매출과 함께 무려 73.4%에 달하는 매출 총이익률(gross margin)을 발표했습니다. 그만큼 GPU 하나 팔아서 남기는 게 많다는 이야기로 영업 이익은 매출의 절반이 넘는 360억 달러에 달했습니다. 사실상 원가에 몇 배에 달하는 폭리를 취하면서 매출보다 이익이 더 가파르게 증가한 것입니다. 하지만 이렇게 파는데도 데이터 센터 GPU는 다 팔려 나가 물량 구하기가 쉽지 않다는 게 젠슨 황 CEO의 설명입니다. 그런데도 AI 버블 논란은 여전히 가라앉지 않고 있습니다. AI를 통해 인력을 감축하고 비용을 절감하는 기업들은 늘고 있지만, 정작 막대한 비용이 들어가는 AI 서비스 자체는 그에 걸맞은 수익을 창출하지 못하고 있기 때문입니다. 예를 들어, ChatGPT를 서비스하는 오픈 AI는 재무제표를 공개하지는 않지만, 창립 이래 계속해서 적자를 기록하고 있는 것으로 알려져 있습니다. 따라서 최근에는 막대한 투자 비용을 감당하기 위해 대규모 자금 조달에 나서는 한편 광고와 같은 다른 수익 창출 방법도 모색하고 있습니다. 물론 오픈 AI와 경쟁하는 다른 AI 서비스들 역시 상황은 크게 다르지 않습니다. AI가 미래의 성장 동력이라는 점을 의심하는 이는 없지만, 갈수록 치솟는 GPU, 메모리, 스토리지, 그리고 막대한 전기 사용료 등을 고려하면 기업들이 적자를 감수하고 무작정 투자를 계속할 수는 없습니다. 결국, 어느 시점에는 자금력과 기술력이 뒤처지는 회사는 시장에서 도태되고, 비용 절감과 수익 모델 창출에 성공한 기업만이 살아남게 될 것입니다. 이에 따라 구글이나 아마존 같은 빅테크들은 자체 AI 칩(ASIC)에 막대한 투자를 단행하며 엔비디아 GPU보다 저렴한 대안을 모색하고 있습니다. 그런 의미에서 최근 구글이 공개한 7세대 TPU인 아이언우드(Ironwood)는 시장에 큰 충격을 던져주었습니다. TPU(Tensor Processing Unit)는 애플리케이션 특정 통합 회로(ASIC)의 일종으로, 신경망의 행렬 곱셈과 같은 연산을 효율적으로 처리하기 위한 특수 목적 프로세서입니다. CPU가 가장 일반적인 용도의 프로세서라고 한다면 GPU는 그래픽 연산에 필요한 병렬 연산에 최적화된 프로세서라고 할 수 있습니다. 엔비디아는 GPU에 고성능 컴퓨팅에 필요한 좀 더 범용 연산 능력을 부여해 일반 목적 GPU(GPGPU)라고 명명했습니다. 그리고 여기에 사용되는 언어인 쿠다(CUDA)를 개발했습니다. GPU의 GPGPU 성능이 가장 큰 힘을 발휘한 분야가 바로 AI였습니다. 딥러닝 모델 학습과 같이 대규모 데이터를 병렬로 처리해야 하는 작업이 GPGPU에 적합했기 때문입니다. 결국 최근에 나오는 GPU는 AI 성능을 담당하는 부분이 더 커지면서 핵심 기능으로 자리 잡고 있습니다. 구글의 TPU는 GPU보다 더 좁은 범위의 연산만 수행하는 특수 프로세서로 CPU – GPU – TPU의 순으로 점점 더 할 수 있는 기능은 좁아진다고 할 수 있습니다. 다만 반대로 에너지 효율은 더 높아질 수 있습니다. 사실 3D 그래픽도 CPU만 가지고 처리할 수 있습니다. 하지만 처리 속도가 너무 느리고 기능이 제한적이라 3D 가속기라는 별도의 보조 프로세서가 나오게 되었고 그것이 나중에 GPU로 발전한 것입니다. TPU도 그런 연장선상에서 보면 엔비디아의 GPU에 상당히 위협적인 존재가 될 수 있습니다. 아이언우드 자체의 성능은 4,614 FP8 TFLOPS 정도로 B200 블랙웰 GPU의 4.5 PFLOPS와 비슷하지만, GPU보다 구조가 단순할 가능성이 높아 생산비나 제작 단가가 저렴할 수 있습니다. 최근 제미나이 3의 놀라운 성능을 보면 그렇다고 기능이 부족한 것도 아닌 것으로 보여 적지 않은 충격을 주고 있습니다. 여기에 아마존의 AWS 역시 3세대 AI ASIC 칩인 트레이니움3(Trainium3)을 공개하면서 도전장을 내밀고 있습니다. 트레이니움3 칩 하나는 PF8 기준 2.52 PFLOPs의 연산 능력을 지니고 있으며 144GB의 HBM3e 메모리와 4.9TB/s의 대역폭을 지니고 있습니다. 그리고 144개의 칩이 모인 Trn3 UltraServers는 총 362 FP8 PFLOPs의 연산 능력을 확보해 100만 토큰 이상의 AI 서비스를 감당할 수 있습니다. 칩 하나의 성능만 보면 엔비디아의 B200 GPU보다 낮지만, 역시 GPU보다 단순한 구조로 전체 비용은 더 낮을 가능성이 있습니다. 다만 아직은 AI 생태계에서 엔비디아의 입지가 지배적인 만큼 아마존은 트레이니움4에서는 엔비디아의 고속 인터페이스인 NVLink를 지원해 트레이니움4와 엔비디아 GPU를 같이 쓸 수 있게 한다는 계획입니다. 만약 이런 빅테크들의 맞춤형 ASIC 칩들이 비용 효과적인 대안을 제시할 경우 엔비디아에 대한 의존도는 낮아질 수 있습니다. 그러면 지금처럼 높은 가격에도 없어서 못 파는 상황은 지속되지 않을 가능성이 있습니다. 물론 엔비디아를 왕좌에서 그렇게 쉽게 끌어내리진 못할 것이라는 의견도 있습니다. 엔비디아가 AI 왕좌를 지킬 수 있는 가장 강력한 무기는 단순한 하드웨어 성능이 아닌, CUDA(쿠다)라는 소프트웨어 생태계에 있습니다. 2006년부터 구축된 CUDA 플랫폼은 수많은 AI 개발자들에게 압도적인 편의성과 최적화된 도구를 제공해 왔습니다. 이처럼 개발자들이 이미 CUDA 환경에 깊이 익숙해져 있다는 점은 다른 칩으로 전환하는 데 막대한 전환 비용을 발생시킵니다. 따라서 구글, 아마존 같은 빅테크들의 자체 ASIC이 고성능과 저비용을 달성하더라도, 이 CUDA 생태계의 장벽을 어떻게 뛰어넘을 것인가는 여전히 가장 큰 숙제로 남아 있습니다. 여기에 엔비디아 역시 경쟁자들처럼 차세대 칩을 준비하고 있습니다. 차세대 루빈 GPU는 FP4 기준 50 PFLOPS의 연산 능력을 지니고 있으며 이를 이용한 렉 시스템인 베라 루빈 NVL 144는 3.6EFLOPS라는 슈퍼컴퓨터급 연산 능력을 지니고 있습니다. 엔비디아는 루빈 GPU의 양산을 서두르는 한편 다음 세대 제품에서 성능을 더 높여 경쟁자들의 추격을 따돌리기 위해 고군분투할 것으로 보입니다. 과연 빅테크들의 거센 도전에서 엔비디아가 왕좌를 지킬 수 있을지 주목됩니다.

지난 3분기, 엔비디아는 570억 달러의 매출과 함께 무려 73.4%에 달하는 매출 총이익률(gross margin)을 발표했습니다. 그만큼 GPU 하나 팔아서 남기는 게 많다는 이야기로 영업 이익은 매출의 절반이 넘는 360억 달러에 달했습니다. 사실상 원가에 몇 배에 달하는 폭리를 취하면서 매출보다 이익이 더 가파르게 증가한 것입니다. 하지만 이렇게 파는데도 데이터 센터 GPU는 다 팔려 나가 물량 구하기가 쉽지 않다는 게 젠슨 황 CEO의 설명입니다. 그런데도 AI 버블 논란은 여전히 가라앉지 않고 있습니다. AI를 통해 인력을 감축하고 비용을 절감하는 기업들은 늘고 있지만, 정작 막대한 비용이 들어가는 AI 서비스 자체는 그에 걸맞은 수익을 창출하지 못하고 있기 때문입니다. 예를 들어, ChatGPT를 서비스하는 오픈 AI는 재무제표를 공개하지는 않지만, 창립 이래 계속해서 적자를 기록하고 있는 것으로 알려져 있습니다. 따라서 최근에는 막대한 투자 비용을 감당하기 위해 대규모 자금 조달에 나서는 한편 광고와 같은 다른 수익 창출 방법도 모색하고 있습니다. 물론 오픈 AI와 경쟁하는 다른 AI 서비스들 역시 상황은 크게 다르지 않습니다. AI가 미래의 성장 동력이라는 점을 의심하는 이는 없지만, 갈수록 치솟는 GPU, 메모리, 스토리지, 그리고 막대한 전기 사용료 등을 고려하면 기업들이 적자를 감수하고 무작정 투자를 계속할 수는 없습니다. 결국, 어느 시점에는 자금력과 기술력이 뒤처지는 회사는 시장에서 도태되고, 비용 절감과 수익 모델 창출에 성공한 기업만이 살아남게 될 것입니다. 이에 따라 구글이나 아마존 같은 빅테크들은 자체 AI 칩(ASIC)에 막대한 투자를 단행하며 엔비디아 GPU보다 저렴한 대안을 모색하고 있습니다. 그런 의미에서 최근 구글이 공개한 7세대 TPU인 아이언우드(Ironwood)는 시장에 큰 충격을 던져주었습니다. TPU(Tensor Processing Unit)는 애플리케이션 특정 통합 회로(ASIC)의 일종으로, 신경망의 행렬 곱셈과 같은 연산을 효율적으로 처리하기 위한 특수 목적 프로세서입니다. CPU가 가장 일반적인 용도의 프로세서라고 한다면 GPU는 그래픽 연산에 필요한 병렬 연산에 최적화된 프로세서라고 할 수 있습니다. 엔비디아는 GPU에 고성능 컴퓨팅에 필요한 좀 더 범용 연산 능력을 부여해 일반 목적 GPU(GPGPU)라고 명명했습니다. 그리고 여기에 사용되는 언어인 쿠다(CUDA)를 개발했습니다. GPU의 GPGPU 성능이 가장 큰 힘을 발휘한 분야가 바로 AI였습니다. 딥러닝 모델 학습과 같이 대규모 데이터를 병렬로 처리해야 하는 작업이 GPGPU에 적합했기 때문입니다. 결국 최근에 나오는 GPU는 AI 성능을 담당하는 부분이 더 커지면서 핵심 기능으로 자리 잡고 있습니다. 구글의 TPU는 GPU보다 더 좁은 범위의 연산만 수행하는 특수 프로세서로 CPU – GPU – TPU의 순으로 점점 더 할 수 있는 기능은 좁아진다고 할 수 있습니다. 다만 반대로 에너지 효율은 더 높아질 수 있습니다. 사실 3D 그래픽도 CPU만 가지고 처리할 수 있습니다. 하지만 처리 속도가 너무 느리고 기능이 제한적이라 3D 가속기라는 별도의 보조 프로세서가 나오게 되었고 그것이 나중에 GPU로 발전한 것입니다. TPU도 그런 연장선상에서 보면 엔비디아의 GPU에 상당히 위협적인 존재가 될 수 있습니다. 아이언우드 자체의 성능은 4,614 FP8 TFLOPS 정도로 B200 블랙웰 GPU의 4.5 PFLOPS와 비슷하지만, GPU보다 구조가 단순할 가능성이 높아 생산비나 제작 단가가 저렴할 수 있습니다. 최근 제미나이 3의 놀라운 성능을 보면 그렇다고 기능이 부족한 것도 아닌 것으로 보여 적지 않은 충격을 주고 있습니다. 여기에 아마존의 AWS 역시 3세대 AI ASIC 칩인 트레이니움3(Trainium3)을 공개하면서 도전장을 내밀고 있습니다. 트레이니움3 칩 하나는 PF8 기준 2.52 PFLOPs의 연산 능력을 지니고 있으며 144GB의 HBM3e 메모리와 4.9TB/s의 대역폭을 지니고 있습니다. 그리고 144개의 칩이 모인 Trn3 UltraServers는 총 362 FP8 PFLOPs의 연산 능력을 확보해 100만 토큰 이상의 AI 서비스를 감당할 수 있습니다. 칩 하나의 성능만 보면 엔비디아의 B200 GPU보다 낮지만, 역시 GPU보다 단순한 구조로 전체 비용은 더 낮을 가능성이 있습니다. 다만 아직은 AI 생태계에서 엔비디아의 입지가 지배적인 만큼 아마존은 트레이니움4에서는 엔비디아의 고속 인터페이스인 NVLink를 지원해 트레이니움4와 엔비디아 GPU를 같이 쓸 수 있게 한다는 계획입니다. 만약 이런 빅테크들의 맞춤형 ASIC 칩들이 비용 효과적인 대안을 제시할 경우 엔비디아에 대한 의존도는 낮아질 수 있습니다. 그러면 지금처럼 높은 가격에도 없어서 못 파는 상황은 지속되지 않을 가능성이 있습니다. 물론 엔비디아를 왕좌에서 그렇게 쉽게 끌어내리진 못할 것이라는 의견도 있습니다. 엔비디아가 AI 왕좌를 지킬 수 있는 가장 강력한 무기는 단순한 하드웨어 성능이 아닌, CUDA(쿠다)라는 소프트웨어 생태계에 있습니다. 2006년부터 구축된 CUDA 플랫폼은 수많은 AI 개발자들에게 압도적인 편의성과 최적화된 도구를 제공해 왔습니다. 이처럼 개발자들이 이미 CUDA 환경에 깊이 익숙해져 있다는 점은 다른 칩으로 전환하는 데 막대한 전환 비용을 발생시킵니다. 따라서 구글, 아마존 같은 빅테크들의 자체 ASIC이 고성능과 저비용을 달성하더라도, 이 CUDA 생태계의 장벽을 어떻게 뛰어넘을 것인가는 여전히 가장 큰 숙제로 남아 있습니다. 여기에 엔비디아 역시 경쟁자들처럼 차세대 칩을 준비하고 있습니다. 차세대 루빈 GPU는 FP4 기준 50 PFLOPS의 연산 능력을 지니고 있으며 이를 이용한 렉 시스템인 베라 루빈 NVL 144는 3.6EFLOPS라는 슈퍼컴퓨터급 연산 능력을 지니고 있습니다. 엔비디아는 루빈 GPU의 양산을 서두르는 한편 다음 세대 제품에서 성능을 더 높여 경쟁자들의 추격을 따돌리기 위해 고군분투할 것으로 보입니다. 과연 빅테크들의 거센 도전에서 엔비디아가 왕좌를 지킬 수 있을지 주목됩니다.

제주도가 한라산에 사는 1만 5000여 그루 나무의 정확한 위치와 상태를 한눈에 볼 수 있는 디지털 지도를 완성했다. 기후변화로 달라지는 한라산 생태계를 수십 년 단위로 추적할 과학적 관측망이 처음으로 구축돼 관심이다. 제주도 세계유산본부는 한라산 5개 사면(5개 탐방코스)에 고도 100m 간격으로 정밀조사구 40개를 설치하고, 이를 토대로 만든 ‘한라산 방위·고도별 수목 분포조사 보고서(증보판)’를 전자책으로 공개한다고 3일 밝혔다. 세계유산본부 안웅산 박사는 “2020년부터 처음 시도해 2024년 1차 보고 당시 관측 지점 32곳에서 40곳으로 늘어났다”며 “이번 보고서에는 어리목(북서사면)코스의 경우 기존 고도 970~1400m에서 700m로 확대하고 영실(남서사면)코스는 고도 1200~1300m에서 700m로 늘어나 고도기준을 해발 700~1400m 구간으로 통일해 장기 관측 체계를 완성시켰다”고 설명했다. 보고서에는 수목 87종 1만 5756그루의 정확한 좌표, 나무 둘레(흉고직경), 고도·방위별 분포 자료가 모두 기록됐다. 한 그루 나무의 일생을 추적할 수 있게 됐다. 고종석 세계유산본부장은 “일일이 나무를 직접 측정해 시간의 흐름에 따라 성장모습을 반복 관찰하면서 고사(죽은 나무) 증가, 수종 교체, 나무 굵기 변화 등을 추적할 수 있게 됐다”며 “실제로 2020~2024년 재조사에서는 조사구별로 고사목(구상나무)이 늘어난 추세, 수종별 성장 변화가 정량적으로 확인돼 실효성이 입증됐다”고 설명했다. 한라산이 한반도 최남단 ‘기후 최전선’이라는 평가를 실제 데이터로 보여준 셈이다. 또한 그는 “이번 관측망을 미국의 장기 심혈관 연구 ‘프레이밍햄 심장 연구’의 한라산 버전”이라며 “수십 년간 같은 대상을 관찰할 수 있어 미래 기후변화에 따라 숲이 어떻게 이동하고, 어떤 수종이 사라지거나 늘어나는지 과학적으로 예측·검증할 수 있기 때문”이라고 설명했다. 프레이밍햄 심장연구는 1948년부터 현재까지 3세대에 걸쳐 심혈관 코호트 연구를 진행중인 미국의 대표적 장기추적 연구로 알려졌다. 고 본부장은 “이번 조사망은 세대를 이어가는 종단 관측의 출발선”이라며 “기후변화에 민감한 구간을 조기에 찾아내 한라산 보전 전략을 세우는 핵심 기반이 될 것”이라고 말했다. 이번 데이터는 앞으로 위성 영상, 드론 촬영, 라이다(LiDAR) 3D 데이터와 결합해 AI 학습용 표준 자료로 활용된다. 이를 통해 한라산 전역 상시 모니터링, 산불·고사 위험 예측 고도화, 산림자원량·탄소흡수량 정밀 산출 등으로 이어질 전망이다. 조사 결과는 전자책과 GIS 원자료 형태로 세계유산본부 자료공유 사이트(https://www.jeju.go.kr/unescojeju/inform/halla/report.htm)에서 공개된다.

하드디스크(HDD)는 생각보다 역사가 깊은 저장 장치입니다. 1956년 IBM이 최초의 하드디스크인 라막(RAMAC)을 선보였으니, 벌써 69년이라는 세월이 흘렀습니다. 당시 라막은 지름 61㎝의 디스크 50장을 겹쳐 만들었는데, 무게는 1t에 달했지만 저장 용량은 지금 보면 미미한 5MB에 불과했습니다. 하지만 진공관 컴퓨터가 현역이고 데이터 입출력을 천공 테이프에 의존하던 시절, 하드디스크의 등장은 저장 장치의 혁명이었습니다. 이후 기술 발전과 함께 하드디스크는 크기는 줄어들고 용량은 기하급수적으로 늘어나는 진화를 거듭했습니다. PC 시대의 제왕에서 SSD의 등장까지 1980년대에 이르러 하드디스크는 기업용 컴퓨터는 물론 개인용 컴퓨터(PC)의 필수 저장 장치로 자리 잡았습니다. 노트북 역시 작고 가벼운 2.5인치 하드디스크를 채택했습니다. PC 한 대당 최소 1개의 하드디스크가 탑재되면서, 하드디스크의 수요는 PC 출하량을 상회할 정도로 전성기를 누렸습니다. 그러나 수십 년간 이어온 하드디스크의 독점적 지위는 더 빠르고 가벼운 SSD(Solid State Drive)의 등장으로 흔들리기 시작했습니다. 휴대성이 중요한 노트북 시장을 필두로 SSD가 하드디스크를 대체해 나갔고, SSD의 용량이 커지고 가격이 안정화되면서 데스크톱 PC 시장조차 SSD를 주저장 장치로 선택하게 되었습니다. 이에 따라 하드디스크 출하량은 2010년대 들어 급격한 하락세를 보였습니다. 2011년 3분기 1억 7700만대로 정점을 찍었던 출하량은 2016년 1분기 1억대 아래로 떨어졌습니다. 감소세는 계속되어 2022년에는 연간 출하량이 1억 6600만대에 그쳤고, 2023년에는 1억 2700만대 수준까지 쪼그라들었습니다. 데이터 센터와 AI: 부활의 신호탄 플로피 디스크나 CD 드라이브처럼 사라질 위기에서도 하드디스크가 명맥을 유지한 비결은 기업용 데이터 센터 시장 덕분입니다. 폭발적으로 증가하는 데이터를 저렴하게 백업하거나, 자주 접속하지 않는 ‘콜드 데이터’(Cold Data)를 저장하는 데 있어 하드디스크만 한 가성비를 갖춘 대안이 없었기 때문입니다. 물론 시장 축소에 따른 업계 구조조정은 피할 수 없었습니다. 한때 10여개에 달하던 제조사는 현재 웨스턴 디지털, 씨게이트, 도시바의 3강 체제로 재편되었습니다. 삼성전자 역시 1989년부터 ‘스핀포인트’라는 브랜드로 하드디스크 사업을 영위하다가 2011년 씨게이트에 매각하고 낸드 플래시 기반의 SSD에 집중하기 시작했습니다. 이런 상황에서 3D 낸드 기술의 발전으로 서버용 SSD 용량이 하드디스크를 넘어서고 가격 격차가 줄어들자, 하드디스크는 5~10년 내에 완전히 사라질 것이라는 비관적 전망이 지배적이었습니다. 하지만 AI(인공지능)가 이 흐름을 뒤바꿔 놓았습니다. AI 학습에는 방대한 양의 데이터가 필요하며, 이를 저장하고 백업하는 데 막대한 용량의 스토리지 공간이 요구됩니다. 이로 인해 데이터 센터용 고용량 하드디스크 수요가 급증하고 있습니다. 현재 낸드 플래시 가격 상승으로 SSD 가격이 오르는 가운데, 고용량 하드디스크 가격 또한 동반 상승하는 추세입니다. 시장 전망과 차세대 기술 경쟁 AI 데이터 센터 건립 붐이 장기화될 것으로 예상됨에 따라, 줄어들기만 하던 하드디스크 시장이 반등할 것이라는 예측이 나옵니다. 2026년부터는 출하량이 증가세로 돌아서고 전체 시장 규모도 커질 전망입니다. 올해 488억 달러(약 68조 3200억원) 수준인 시장 규모는 2030년 645억 달러(약 90조 3000억 원)까지 성장할 것으로 기대됩니다. 이러한 수요 폭증에 대응하기 위해 제조사들은 신기술 도입에 박차를 가하고 있습니다. 대표적인 기술이 열 보조 자기기록(HAMR)입니다. 기록 과정에서 레이저로 디스크를 국부적으로 가열해 데이터를 저장하는 이 기술을 통해 50TB 이상의 제품 생산이 가능해집니다. 최근 씨게이트는 이 기술을 활용해 6.9TB 용량의 플래터를 개발했는데, 상용화 시 69TB 용량의 하드디스크도 구현할 수 있게 됩니다. 더 먼 미래를 위한 기술 개발도 한창입니다. 웨스턴 디지털은 열 도트 자기기록(HDMR) 기술을 2030년대에 상용화하여 100TB 이상의 초대용량 하드디스크를 제조한다는 로드맵을 제시했습니다. 물론 AI 붐과 별개로 낸드 플래시 기술 역시 빠르게 발전하고 있어, 결국에는 하드디스크가 SSD에 자리를 내줄 것이라는 전망도 여전합니다. 역사상 가장 장수하는 스토리지인 하드디스크가 AI라는 날개를 달고 ‘회춘’에 성공할지, 아니면 조금 늦춰질 뿐 결국 역사의 뒤안길로 사라지게 될지 귀추가 주목됩니다.

하드디스크(HDD)는 생각보다 역사가 깊은 저장 장치입니다. 1956년 IBM이 최초의 하드디스크인 라막(RAMAC)을 선보였으니, 벌써 69년이라는 세월이 흘렀습니다. 당시 라막은 지름 61㎝의 디스크 50장을 겹쳐 만들었는데, 무게는 1t에 달했지만 저장 용량은 지금 보면 미미한 5MB에 불과했습니다. 하지만 진공관 컴퓨터가 현역이고 데이터 입출력을 천공 테이프에 의존하던 시절, 하드디스크의 등장은 저장 장치의 혁명이었습니다. 이후 기술 발전과 함께 하드디스크는 크기는 줄어들고 용량은 기하급수적으로 늘어나는 진화를 거듭했습니다. PC 시대의 제왕에서 SSD의 등장까지 1980년대에 이르러 하드디스크는 기업용 컴퓨터는 물론 개인용 컴퓨터(PC)의 필수 저장 장치로 자리 잡았습니다. 노트북 역시 작고 가벼운 2.5인치 하드디스크를 채택했습니다. PC 한 대당 최소 1개의 하드디스크가 탑재되면서, 하드디스크의 수요는 PC 출하량을 상회할 정도로 전성기를 누렸습니다. 그러나 수십 년간 이어온 하드디스크의 독점적 지위는 더 빠르고 가벼운 SSD(Solid State Drive)의 등장으로 흔들리기 시작했습니다. 휴대성이 중요한 노트북 시장을 필두로 SSD가 하드디스크를 대체해 나갔고, SSD의 용량이 커지고 가격이 안정화되면서 데스크톱 PC 시장조차 SSD를 주저장 장치로 선택하게 되었습니다. 이에 따라 하드디스크 출하량은 2010년대 들어 급격한 하락세를 보였습니다. 2011년 3분기 1억 7700만대로 정점을 찍었던 출하량은 2016년 1분기 1억대 아래로 떨어졌습니다. 감소세는 계속되어 2022년에는 연간 출하량이 1억 6600만대에 그쳤고, 2023년에는 1억 2700만대 수준까지 쪼그라들었습니다. 데이터 센터와 AI: 부활의 신호탄 플로피 디스크나 CD 드라이브처럼 사라질 위기에서도 하드디스크가 명맥을 유지한 비결은 기업용 데이터 센터 시장 덕분입니다. 폭발적으로 증가하는 데이터를 저렴하게 백업하거나, 자주 접속하지 않는 ‘콜드 데이터’(Cold Data)를 저장하는 데 있어 하드디스크만 한 가성비를 갖춘 대안이 없었기 때문입니다. 물론 시장 축소에 따른 업계 구조조정은 피할 수 없었습니다. 한때 10여개에 달하던 제조사는 현재 웨스턴 디지털, 씨게이트, 도시바의 3강 체제로 재편되었습니다. 삼성전자 역시 1989년부터 ‘스핀포인트’라는 브랜드로 하드디스크 사업을 영위하다가 2011년 씨게이트에 매각하고 낸드 플래시 기반의 SSD에 집중하기 시작했습니다. 이런 상황에서 3D 낸드 기술의 발전으로 서버용 SSD 용량이 하드디스크를 넘어서고 가격 격차가 줄어들자, 하드디스크는 5~10년 내에 완전히 사라질 것이라는 비관적 전망이 지배적이었습니다. 하지만 AI(인공지능)가 이 흐름을 뒤바꿔 놓았습니다. AI 학습에는 방대한 양의 데이터가 필요하며, 이를 저장하고 백업하는 데 막대한 용량의 스토리지 공간이 요구됩니다. 이로 인해 데이터 센터용 고용량 하드디스크 수요가 급증하고 있습니다. 현재 낸드 플래시 가격 상승으로 SSD 가격이 오르는 가운데, 고용량 하드디스크 가격 또한 동반 상승하는 추세입니다. 시장 전망과 차세대 기술 경쟁 AI 데이터 센터 건립 붐이 장기화될 것으로 예상됨에 따라, 줄어들기만 하던 하드디스크 시장이 반등할 것이라는 예측이 나옵니다. 2026년부터는 출하량이 증가세로 돌아서고 전체 시장 규모도 커질 전망입니다. 올해 488억 달러(약 68조 3200억원) 수준인 시장 규모는 2030년 645억 달러(약 90조 3000억 원)까지 성장할 것으로 기대됩니다. 이러한 수요 폭증에 대응하기 위해 제조사들은 신기술 도입에 박차를 가하고 있습니다. 대표적인 기술이 열 보조 자기기록(HAMR)입니다. 기록 과정에서 레이저로 디스크를 국부적으로 가열해 데이터를 저장하는 이 기술을 통해 50TB 이상의 제품 생산이 가능해집니다. 최근 씨게이트는 이 기술을 활용해 6.9TB 용량의 플래터를 개발했는데, 상용화 시 69TB 용량의 하드디스크도 구현할 수 있게 됩니다. 더 먼 미래를 위한 기술 개발도 한창입니다. 웨스턴 디지털은 열 도트 자기기록(HDMR) 기술을 2030년대에 상용화하여 100TB 이상의 초대용량 하드디스크를 제조한다는 로드맵을 제시했습니다. 물론 AI 붐과 별개로 낸드 플래시 기술 역시 빠르게 발전하고 있어, 결국에는 하드디스크가 SSD에 자리를 내줄 것이라는 전망도 여전합니다. 역사상 가장 장수하는 스토리지인 하드디스크가 AI라는 날개를 달고 ‘회춘’에 성공할지, 아니면 조금 늦춰질 뿐 결국 역사의 뒤안길로 사라지게 될지 귀추가 주목됩니다.