AI 없이 일할 때의 풍경
엔지니어가 도구의 손이 되는 세 장면
많은 R&D 현장에서 설계자는 같은 도면을 다섯 번, 여섯 번 다시 그립니다. 치수 조건이 한 줄 바뀔 때마다 sketch와 feature 트리를 다시 더듬어야 하고, 그 시간은 정작 "왜 이 형상인가"를 고민할 시간을 잠식합니다. 도구가 사람의 손이어야 할 텐데, 사람이 도구의 손이 되어 있는 풍경입니다.
두 번째 장면은 지식의 단절입니다. 사내 사양서·설계 가이드·과거 보고서·관련 특허·해외 논문은 분명히 어딘가에 있지만, 새 과제의 엔지니어가 그것을 한 시간 안에 모아 읽기는 매우 어렵습니다. 그래서 같은 실수가 부서를 옮겨 다니며 반복되고, 이미 풀린 문제 위에 다시 시간을 얹는 일이 일상이 됩니다.
세 번째 장면은 단 하나의 설계안입니다. 시간이 부족하다는 이유로 대안 한두 개만 비교한 뒤 양산 결정을 내립니다. 그러나 같은 하중·제조 조건 아래에서도 무게를 30% 줄이거나, 조립 부품 수를 절반으로 줄이는 대안이 늘 어딘가에 있습니다. 그리고 그 대안을 사람의 직관만으로 모두 떠올리기는 점점 더 어려워지고 있습니다.
뿌리 원인
세 장면이 반복되는 세 가지 구조적 원인
첫 번째 원인은 암묵지의 디지털화 부재입니다. "이 부품은 왜 이 두께여야 하는가" 같은 결정 근거는 베테랑의 머릿속과 회의록 행간에 머뭅니다. 그래서 사람이 떠나면 판단도 함께 떠나고, 새 과제는 다시 같은 시행착오의 출발선에 섭니다.
두 번째 원인은 도구 간 단절입니다. CAD·CAE·PLM·문서 시스템이 각자 다른 언어로 데이터를 보관하고, 그 사이를 사람이 손으로 옮겨 적습니다. 그래서 설계 한 번에 도구 다섯을 거쳐야 하고, 그 사이에서 정보의 손실과 버전의 어긋남이 누적됩니다.
세 번째 원인은 설계 자동화의 미흡입니다. 파라메트릭 모델링과 매크로가 일부 적용되어 있지만, "조건을 말로 바꾸면 형상이 따라오는" 수준에는 닿지 못했습니다. 그래서 형상 변경의 비용이 여전히 비싸고, 엔지니어는 새 가설을 떠올려도 그것을 시도할 시간을 좀처럼 확보하지 못합니다. 바로 이 세 원인이 풀리지 않으면, 어떤 좋은 AI 도구를 들여와도 결국 또 하나의 silo가 될 뿐입니다.
일하는 방법을 바꾸는 몇 가지 관점
AI 도구를 들이기 전에 시선을 먼저 맞춥니다
AI 활용 엔지니어링은 새 소프트웨어를 사는 일이 아니라, 사람과 기계가 일을 나누는 방식을 다시 그리는 일입니다. 그래서 우리는 도구 도입에 앞서 세 가지 관점부터 조직 안에 정착시킵니다.
- 자연어를 설계 언어로 다룹니다"바깥 지름 60mm, 내경 20mm, 격자 구조의 항공기 브래킷"이라는 한 문장이 곧 입력 모델이 됩니다. 클릭과 좌표 입력 대신 의도 자체가 1차 인터페이스가 되는 순간, 설계 반복의 비용이 급격히 떨어집니다.
- 생성형 설계로 대안을 동시에 펼칩니다한 번에 한 안을 그리는 대신, 같은 하중·제약 조건 아래에서 수십 개의 후보를 나란히 받아 비교합니다. 그래서 "최적안"은 사람이 떠올리는 것이 아니라, 사람이 후보군 가운데 선택하는 것이 됩니다.
- LLM을 지식 부조종사로 둡니다특허·논문·사내 사양서·과거 보고서를 한 번 임베딩해 두면, 새 과제의 엔지니어는 "이 부품의 일반적 두께 범위는?"이라는 질문 하나로 조직의 기억 전체에 접근할 수 있습니다. 그래서 신입 엔지니어조차 베테랑의 어깨 위에서 출발할 수 있게 됩니다.
이 세 관점이 자리를 잡으면, AI는 도구가 아니라 함께 일하는 동료의 자리에 들어옵니다. 그리고 바로 그때부터 여러분의 R&D 현장에서도 "사람이 의도를 말하면 기계가 형상을 그리고, 사람이 다시 판단하는" 새로운 리듬이 만들어지기 시작합니다.
AI 활용 엔지니어링 — 기원과 진화
60년에 걸친 사람-기계 대화의 계보 위에서
이 방법론은 갑자기 등장한 유행이 아니라, 60년 가까이 이어져 온 사람과 기계의 그래픽 대화 위에 서 있습니다. 1963년 MIT의 Ivan Sutherland가 박사논문 「Sketchpad」에서 펜으로 화면에 도형을 그리는 인터랙티브 CAD를 처음 시연했을 때, 이미 "사람의 의도를 기계가 형상으로 옮긴다"는 오늘의 비전이 출발했습니다.
1988년 Bendsøe와 Kikuchi가 위상 최적화의 수학적 토대를 정립하고, 2014년 Goodfellow의 GAN, 2017년 Vaswani 등의 Transformer 논문이 차례로 등장하면서 생성형 AI의 수학과 아키텍처가 갖춰졌습니다. 그리고 2020년 GPT-3로 대형 언어모델의 시대가 열리고, 2021년 ICCV의 DeepCAD가 CAD 명령 시퀀스를 토큰으로 다루는 첫 생성모델을 공개했습니다.
2023년 OpenAI의 Shap-E와 Zoo의 Text-to-CAD 알파, 2024년 Autodesk Fusion 360 AI Assistant와 Onshape AI Advisor, 그리고 NeurIPS 2024의 Text2CAD 데이터셋으로 자연어→파라메트릭 CAD가 일상적인 도구의 자리에 들어왔습니다. 그래서 알앤비디파트너스는 이 흐름을 단일 도구의 도입이 아니라 R&D 워크플로우 전체의 재설계 과제로 다루고, 기업이 자신만의 데이터·승인 루프 위에서 AI 엔지니어링을 안전하게 운영하도록 돕습니다.
핵심 프로세스
의도에서 승인까지 이어지는 5단계
AI 엔지니어링의 작업 흐름은 자연어 요건 → 의도 해석 → 파라메트릭 CAD 생성 → 물리·제조 검증 → 인간 승인 루프의 다섯 마디로 정리됩니다. 각 단계의 출력이 다음 단계의 입력이 되도록 구성했기 때문에, 어느 마디에서 시작하더라도 결국 "엔지니어가 책임지고 승인하는 형상 한 점"이라는 출구에 이어집니다.
첫 단계인 자연어 요건 정의에서는 설계 의도와 제약을 문장으로 기술합니다. 두 번째 의도 해석에서는 LLM과 전용 토크나이저가 그 문장을 파라메트릭 슬롯과 CAD 명령 토큰으로 변환합니다. 이 단계의 정밀도가 이후 생성 품질을 결정하기 때문에, 도메인 어휘집과 프롬프트 표준을 먼저 갖춰 둡니다.
세 번째 파라메트릭 CAD 생성에서는 DeepCAD·Text2CAD·Zoo Text-to-CAD 류의 모델이 sketch+extrude 시퀀스나 B-Rep 트리를 출력합니다. 네 번째 물리·제조 검증에서는 Generative Design 후보군과 AI CAE 서로게이트로 응력·열·중량·제조성을 동시에 평가합니다. 그리고 마지막 인간 승인 루프에서 엔지니어가 후보 가운데 채택안을 고르고, 필요하면 프롬프트를 다시 다듬어 다음 사이클로 진입합니다.
주요 도구와 기법
Text-to-CAD — 자연어를 파라메트릭 CAD로
Text-to-CAD는 "지름 40mm, 두께 8mm, 4-홀 플랜지"와 같은 한 줄의 프롬프트를 sketch+extrude 시퀀스로 변환해 즉시 편집 가능한 파라메트릭 모델로 돌려주는 도구군입니다. Zoo의 Text-to-CAD API, NeurIPS 2024 Text2CAD 데이터셋, ICCV 2021 DeepCAD가 대표적이며, 결과는 STEP·SCAD 등 기존 CAD 자산과 그대로 연결됩니다.
Generative Design과 Topology Optimization — 대안을 동시에 펼치기
Autodesk Fusion 360 Generative Design과 nTop의 field-driven design은 하중·고정·재료·제조 방식이라는 제약을 입력하면, 같은 조건 아래에서 수십 개의 형상 후보를 동시에 생성해 줍니다. Bendsøe와 Kikuchi가 1988년 정립한 위상 최적화의 수학이 그 안에서 작동하며, Airbus A320의 bionic partition 같은 사례에서 약 45%의 경량화가 보고된 바 있습니다.
AI CAE Surrogate와 LLM 엔지니어링 코파일럿
Raissi 등이 2019년 정립한 Physics-Informed Neural Networks(PINN)와 NVIDIA Modulus 류의 AI CAE 서로게이트는 FEM·CFD의 수 시간 분량 해석을 수 초의 추론으로 근사해, 후보군 비교를 사람이 견딜 수 있는 속도로 끌어내립니다. 그리고 LLM 엔지니어링 코파일럿은 사내 특허·사양서·논문을 RAG 인덱스로 묶어 두고, "이 재료의 일반적 항복강도 범위는?"이라는 질문에 출처와 함께 답합니다. 그래서 이 다섯 도구가 한 워크플로우 안에서 맞물려 돌아갈 때, AI 엔지니어링은 비로소 single tool이 아니라 한 줄로 이어진 라인이 됩니다.
적용과 기대효과
대표 사례 — Airbus A320 bionic partition
Airbus는 Autodesk Generative Design과 협업해 A320 객실의 bionic partition을 새로 설계하면서, 동일 강성 조건에서 약 45% 수준의 경량화를 보고했습니다. 단일 부품의 무게를 줄였다는 이야기 너머에, "사람이 떠올리지 못한 형상을 알고리즘이 함께 떠올린다"는 새 작업방식이 항공 산업의 표준 케이스로 자리 잡은 사건입니다.
알앤비디파트너스의 AI 엔지니어링 컨설팅
알앤비디파트너스는 도구 도입을 권하기 전에, 조직의 데이터·승인 루프·도메인 어휘부터 진단합니다. 사내 사양서·과거 보고서·도면 메타데이터를 RAG 인덱스로 묶고, 한두 개의 핵심 부품을 골라 Text-to-CAD와 Generative Design을 시범 적용한 뒤, 엔지니어 승인 루프에 정착시키는 순서로 일합니다. 그래서 결과는 단발 PoC가 아니라, 다음 과제부터 그대로 쓸 수 있는 사내 워크플로우로 남습니다.
다음 단계 — 4주 AI 엔지니어링 진단
처음부터 전사 도입을 권하지 않습니다. 부품 한 점 또는 어셈블리 하나를 골라 4주 동안 자연어 요건·생성형 대안·물리 검증·승인 루프를 한 번에 돌려 보고, 그 결과를 사내 표준 프롬프트와 도구 가이드로 정리해 드립니다. 여러분의 R&D 현장에서 AI 엔지니어링을 가장 짧게 확인하는 경로이며, 바로 그래서 많은 기업이 이 방식으로 첫 발을 내딛고 있습니다.
