[PLM/DX 2026 Q&A] 제조기업은 왜 다시 PLM에 투자하는가 - AI·Omniverse·Digital Thread 시대의 제조 데이터 혁신 PTC코리아 엄형욱 총괄책임 > 공지사항

[PLM/DX 2026 Q&A] 제조기업은 왜 다시 PLM에 투자하는가 - AI·Omniverse·Digital Thread …

페이지 정보

댓글 0건 조회 180회 작성일 2026-07-02 11:47

본문

[PLM/DX 베스트 프랙티스 컨퍼런스 2026] 발표시간에 올라온 질문에 대한 답변을 전달드립니다.
답변은 회신 온 순서대로 업로드 됩니다.

2. 제조기업은 왜 다시 PLM에 투자하는가 - AI·Omniverse·Digital Thread 시대의 제조 데이터 혁신

PTC코리아 엄형욱 총괄책임

[질문 1] PLM/DX에서 협력사 데이터 연계는 항상 어려운 주제인데요. 2, 3차 협력사까지 포함한 공급망 데이터 협업을 안전하면서도 효율적으로 운영하기 위한 베스트 프랙티스가 궁금합니다.

[답변 1] 협업은 하나의 방식이 아니라 협력사 성숙도에 따라 다층 구조로 설계해야 합니다. PLM 접속이 가능한 협력사는 공동 작업공간(예: ProjectLink)을 통해 직접 데이터 등록, 수정을 수행하고, 접속이 어려운 협력사는 솔루션이 제공하는 다른 방식으로 오프라인 협업을 진행한 뒤 다시 PLM으로 반입하는 방식이 효과적입니다. 안정성을 위해서는 권한 기반 접근제어와 보안 레이블 체계가 필수입니다. 프로젝트, 폴더, 객체 단위로 권한을 세분화하고, IP 보호 및 접근 범위를 명확히 제한해야 안전한 협업이 가능합니다

[질문 2] SSOT 원칙을 적용해 자료 상태와 변경을 중앙에서 관리하면 버전 혼선과 데이터 품질 문제를 줄일수 있나요?

[답변 2] 단일 데이터 소스 기반의 PLM 환경에서는 다양한 시스템과 조직의 데이터를 통합하여 중복 데이터를 제거하고, 이를 통해 데이터 정합성과 활용성이 크게 향상 시킬 수 있습니다.

[질문 2] 기존 PLM 시스템과 PALMA의 역할을 어떻게 구분하고 연계할 수 있나요?[질문]1.PALMA가 기존 PLM의 어떤 한계를 보완하기 위해 개발되었고, 기존 PLM과의 역할 분담은 어떻게 정의해야 하는지요?

[답변 2] 발표 시에도 언급드렸던 것처럼 PLM은 그 범위만 보면 전사 시스템에 가깝지만, 현실은 R&D 중심으로 사용되고 있습니다. 그러다 보니 특히 사양 관리 영역은 영역 별로 각기 다른 기준으로 운영되는 측면이 있고, PLM에 있는 사양관리 모듈을 쓰기 위해선 다양한 부서에게 라이선스를 발급해서 활용해서 하는데 비용 측면에서 불리한 측면이 있습니다. 즉, 가성비가 안좋은 것이죠. 이 부분은 사양관리 측면에서만 바라본 것이고 모듈러 디자인 활동으로 바라보면 기존 PLM에서 모듈러 디자인 활동을 지원하려면 상당한 커스터마이징 개발을 해야 하는데 이 부분 때문에 별도로 솔루션이 개발된 측면이 있습니다.

[질문 3] AI·Omniverse·Digital Thread 시대의 제조 데이터 혁신 사례를 효과적으로 적용/활용하기 위해 담당자에게 필요한 특별한 전문기술, 능력 또는 업무 경험이 뭐가 있을까요? 추가로, 자동차 부품 업체에 특화하여 제시해 줄 수 있는 적용 전략이나 기대효과가 무엇이 있을지 궁금합니다.

[답변 3] 말씀하신 제조 환경에서는 단순 시스템 운영을 넘어서, 제품 데이터 구조와 흐름을 종합적으로 이해하는 역량이 중요합니다. 특히 BOM, Part, Change 기반 데이터 모델과 변경 추적성을 설계할 수 있는 능력이 필수이며, 이를 통해 전 lifecycle 데이터를 연결해야 합니다. 또한 AI 활용을 위해 데이터 품질과 의미를 해석하는 능력과 함께, 설계,제조,서비스를 통합적으로 이해하는 엔지니어링 경험이 요구됩니다. 결국 이러한 환경에서는 데이터를 기반으로 의사결정을 이끄는 통합형 엔지니어 역량이 핵심입니다.

[질문 4] 많은 제조기업이 이미 PLM을 도입했음에도 다시 PLM에 투자하는 흐름이 나타나고 있는데요. 기존 PLM 시스템의 어떤 한계 때문에 재투자나 재구축을 결심하게 되는지, 가장 큰 트리거가 무엇인가요?

[답변 4] 많은 제조기업이 기존에 PLM을 도입했음에도 재투자를 결정하는 가장 큰 이유는 데이터 단절과 협업 비효율, 그리고 변화 대응 한계에 있습니다. 과거 PLM은 설계 중심으로 구축되어 다른 시스템과 충분히 연결되지 못했고, 수작업 기반 데이터 전달과 중복 관리가 지속되었습니다. 또한 제품 복잡도 증가와 SW, HW 통합 요구에 대응하지 못해 변경 영향 분석, 전사 협업, 글로벌 확장 측면에서 한계를 드러냈습니다. 결국 기업들은 단순 관리 시스템이 아닌 Digital Thread 기반의 연결-자동화-지능화를 위해 PLM 현대화를 추진하고 있습니다.

[질문 5] AI와 Omniverse, Digital Thread가 결합되는 시대에 PLM의 역할은 단순한 데이터 관리에서 어떻게 확장되어야 한다고 보시나요? 기존 PLM과 차세대 PLM의 가장 큰 차이는 어디에 있나요?

[답변 5] PLM의 역할은 단순한 데이터 관리에서 데이터 연결-의미화-지능화까지 확장되어야 합니다. 기존에는 CAD와 BOM을 관리하는 저장소의 성격이 강했다면, 이제 PLM은 제품 수명주기 전반의 데이터를 연결하고, 그 흐름을 통합적으로 관리하며, AI와 시뮬레이션이 활용할 수 있는 디지털 백본으로 작동해야 합니다. 기존 PLM과 차세대 PLM의 가장 큰 차이는 바로 이 역할의 수준과 범위에 있습니다. 기존 PLM은 정적 데이터 관리 중심으로, 설계 조직 내부에서 활용되는 경우가 많았고 시스템 간 연계가 제한적이었습니다. 반면 차세대 PLM은 요구사항, 설계, SW, 제조, 서비스까지 연결하는 Digital Thread 기반의 통합 플랫폼으로 진화하고 있습니다.

[질문 5] AI 기반 제조 혁신이 확산되는 상황에서, 기존 PLM 시스템이 다시 주목받는 가장 핵심적인 이유는 무엇이고, 과거의 PLM과 현재의 PLM은 어떤 점이 달라졌는지요?

[답변 5] AI 기반 제조 혁신이 확산되면서 기업들이 다시 PLM(Product Lifecycle Management)에 주목하는 가장 근본적인 이유는, AI가 제대로 작동하기 위해서는 신뢰할 수 있는 제품 데이터 기반이 필수적이기 때문입니다. 많은 기업들이 AI를 도입하려고 시도하지만, 실제로는 데이터가 부서별로 분산되어 있고 서로 다른 시스템에 중복되거나 불일치한 형태로 존재하는 경우가 많습니다. 이러한 상태에서는 AI가 아무리 발전하더라도 정확한 분석이나 자동화를 수행하기 어렵습니다.

[질문 6] Digital Thread 구현을 위해서는 설계, 생산, 품질, 서비스 데이터를 연결해야 하는데, 실제 제조 현장에서 가장 큰 데이터 통합 장애요인은 무엇이며 이를 어떻게 해결할 수 있는지요?

[답변 6] Digital Thread를 구현하기 위해서는 설계, 생산, 품질, 서비스에 걸친 데이터 흐름을 연결해야 하지만, 실제 제조 현장에서는 여러 가지 구조적인 장애요인이 존재합니다. 가장 큰 문제는 시스템이 아니라 데이터 구조 자체의 분절(Silo)입니다.

대부분의 기업에서는 CAD, PLM, ERP, MES, QMS 등 시스템이 각각 독립적으로 운영되고 있으며, 동일한 제품 정보가 여러 시스템에 서로 다른 형태로 존재합니다. 이로 인해 데이터 불일치가 발생하고, 어느 정보가 기준인지 판단하기 어려워지는 문제가 발생합니다. 또한 eBOM, mBOM, 서비스 BOM 등 각각의 BOM이 존재하지만, 이를 연결하는 단일 기준이 없는 경우가 많아 변경이 발생했을 때 전체 영향도를 파악하기가 매우 어렵습니다.

[질문 7] NVIDIA Omniverse 기반 디지털 트윈 구축 시 PLM은 어떤 역할을 수행하고, 실시간 시뮬레이션과 운영 데이터 연계를 위해 필요한 핵심 아키텍처는 무엇인지요?

[답변 7] NVIDIA Omniverse 기반의 Digital Twin 환경에서 PLM은 단순한 데이터 공급자가 아니라, 디지털 환경에서의 기준 데이터를 제공하는 핵심 시스템으로 작동합니다. Digital Twin은 설계 상태와 실제 운영 상태를 연결하는 개념이며, 이 중 설계 기준에 해당하는 데이터는 PLM이 담당합니다.

PLM은 제품의 CAD, BOM, 구성(Configuration), 변경 이력 등을 관리하며, Digital Twin이 현실을 정확하게 반영할 수 있도록 하는 디지털 마스터 역할을 수행합니다. 반면 IoT 시스템은 센서 데이터를 통해 실제 운영 상태를 수집하며, Digital Twin은 이 두 데이터를 연결하여 현실과 가상의 일치를 유지합니다

[질문 8] 생성형 AI와 Agentic AI가 제조 환경에 적용될 때, PLM에 축적된 제품 데이터와 엔지니어링 지식은 어떤 방식으로 활용되며 실제 업무 생산성 향상 사례가 있다면 소개 부탁드립니다.

[답변 8] 이 부분은 PTC로 직접 문의 주시면 답변 드리도록 하겠습니다.

[질문 9] AI가 PLM에 도입되면 설계 변경 영향도 분석, 부품 추천, BOM 최적화, 품질 이슈 원인 분석까지 자동화될 수 있을 것 같은데요. 실제 운영 환경에서 가장 빠르게 효과가 나타나는 AI 활용 영역은 어디인가요?

[답변 9] 실제 운영 환경에서 가장 빠르게 효과가 나타나는 AI 활용 영역은 부품 재사용(유사 부품 추천)과 변경 영향 분석입니다. 그 이유는 이 두 영역이 기존 PLM 데이터를 그대로 활용할 수 있어, 추가 데이터 구축이나 프로세스 변경 없이도 즉시 적용 가능 합니다.

댓글목록

등록된 댓글이 없습니다.