국내 기업 AX 소식: 칩 해석 18시간을 41초로, 반복 사무는 AI 직원에게 (11월 10일 묶음)

11월 10일 묶음은 연구개발 현장과 사무 현장에서 나온 소식 2건입니다. 삼성전자는 칩 해석에서 가장 오래 걸리던 미세 격자 계산을 AI가 예측한 재료 값으로 대신해 약 18시간을 41초로 줄였습니다. 코난테크놀로지는 AI에게 직급과 메일 계정을 주고 사내 시스템에 연결해 반복 사무 60건의 투입 시간을 계획보다 약 59% 줄였습니다. 두 회사 모두 기존 해석기와 사내 체계는 그대로 두고 오래 걸리는 한 부분만 AI에 넘겼습니다. 따라 하려면 AI 결과를 정답과 대조할 표본, 맡길 업무 목록과 계획 시간, 결과가 틀렸을 때 사람이 넘겨받는 규칙을 먼저 정해야 합니다.

요약

이번 묶음은 11월 9일에 나온 두 글을 다룹니다. 첫째는 NVIDIA 블로그가 한국 기업의 피지컬 AI 활용을 소개한 글이고 여기서는 삼성전자 부분을 봅니다. 삼성전자는 NVIDIA와 함께 소재 연구, 공정 개발, 소자 설계에 가속 컴퓨팅과 AI 물리 모델을 쓰고 있습니다. 칩 단위의 열·기계 해석 흐름은 NVIDIA PhysicsNeMo(물리 시뮬레이션용 AI 모델을 만드는 프레임워크)로 개발하고 있습니다. 둘째는 전자신문이 국내 AI 기업들의 ‘AI 네이티브 조직’을 다룬 기사입니다. 코난테크놀로지는 AI 직원 ‘봉대리’에게 대리 직급과 사내 메일 계정을 주고 프로젝트관리시스템(PMS)과 Jira에 연결해 일정 관리, 회의실 예약, 휴가 신청을 맡겼습니다. 마키나락스는 AI 에이전트 5개가 인사 업무를 나눠 맡는 플랫폼 ‘지휘통제실’을 약 하루 만에 만들었습니다.

결과는 두 숫자로 요약됩니다. 삼성전자의 AI 균질화(homogenization, 복잡한 미세 구조를 성질이 같은 재료 덩어리로 바꿔 계산하는 방법) 사례에서는 32코어 CPU로 미세 격자를 풀 때 약 18시간이던 해석이 GPU로 거친 격자를 풀자 41초로 줄었습니다. NVIDIA는 이를 약 1,600배 빨라진 것으로 소개했습니다. AI가 예측한 유효 물성(effective material properties, 여러 재료가 섞인 영역 전체를 대표하는 열·기계 성질 값), 더 거친 격자, GPU 가속 세 가지를 함께 쓴 결과입니다. 코난테크놀로지는 올해 초부터 전사 AX를 추진했고 10월 기준 사내 업무 60건에서 투입 시간이 계획보다 약 59% 줄었다고 밝혔습니다. 두 사례는 기존 해석기와 사내 결재 체계를 그대로 두고 오래 걸리던 한 부분만 AI에 넘겼다는 점이 같습니다. 사람은 설계안을 비교하거나 전략을 판단하는 쪽으로 옮겨 갑니다. 아래에서 사례를 하나씩 정리한 뒤 이 방식을 실제로 돌릴 때 필요한 기술·현업 디테일을 덧붙입니다.

사례별 정리

삼성전자: AI가 예측한 재료 값으로 격자를 줄여 칩 열·기계 해석을 18시간에서 41초로

• 상황: 칩 단위로 열과 기계적 변형을 해석하려면 미세한 구조까지 촘촘한 격자로 나눠 풀어야 합니다. 블로그에 실린 사례에서 이 미세 격자 해석은 32코어 CPU로 약 18시간 걸렸습니다.
• 한 일: 삼성전자는 칩 단위 열·기계 해석 흐름을 NVIDIA PhysicsNeMo로 개발하고 있습니다. AI 균질화 사례에서는 AI가 영역별 유효 물성을 예측하고 그 값으로 격자를 거칠게 만든 뒤 GPU로 풀었습니다.
• 결과: 해석 시간이 약 18시간에서 41초로, 약 1,600배 줄었습니다. 대상 칩과 제품, 격자 크기, 정확도 비교 수치는 블로그에 나오지 않습니다.
• 함께 소개된 일: 반도체 공정·소자 시뮬레이션(TCAD)에서는 희소 선형 방정식 계산을 cuDSS로 가속합니다. 소재 연구 플랫폼 sMOL은 일부 양자화학 계산을 cuEST로 처음부터 끝까지 최대 5배 빠르게 돌렸습니다. 원자 단위 AI 모델의 텐서 연산을 빠르게 하려고 cuEquivariance도 검토하고 있습니다. NVIDIA는 앞으로 NVIDIA Agent Toolkit이 이 해석 도구와 AI 모델을 연결하면 엔지니어링 에이전트가 해석을 돌리고 설계안을 비교할 수 있다고 내다봤습니다.
• 출처: NVIDIA 블로그, 「Korea Advances Physical AI Across Industries With NVIDIA」(2026년 11월 8~9일). 같은 글에는 카카오모빌리티의 자율주행, LG전자의 로봇 학습 사례도 실렸지만 이 노트에서는 삼성전자 부분만 다룹니다.

코난테크놀로지: 직급과 메일 계정을 준 AI 직원으로 사내 업무 60건의 투입 시간을 약 59% 줄였다

• 상황: 코난테크놀로지는 올해 초부터 전사 AX를 추진했습니다. 일정 관리, 회의실 예약, 휴가 신청처럼 정보를 입력하는 반복 업무가 대상이었습니다.
• 한 일: 전사 업무 자동화를 맡는 AI 디지털 직원 ‘봉대리’를 들였습니다. 봉대리는 대리 직급과 사내 메일 계정을 받았고 PMS와 Jira에 연결돼 있습니다.
• 결과: 10월 기준 사내 업무 60건에서 투입 시간이 계획보다 약 59% 줄었다고 회사가 밝혔습니다. 업무별 내역과 측정 방법은 기사에 나오지 않습니다.
• 다음 계획: 양승현 COO는 봉대리의 업무 범위를 넓혀 에이전트 중심 업무 환경을 만들겠다고 했습니다. 정보 입력 같은 반복 업무는 AI가 맡고 구성원은 전략 판단과 기획에 집중하도록 업무 구조를 바꾸겠다는 계획입니다.
• 출처: 전자신문 조벼리 기자, 2026년 11월 9일(지면 11월 10일자).

마키나락스와 다른 AI 기업들: 에이전트를 지휘하는 구조와 전 직원 참여

같은 기사는 다른 AI 기업 네 곳의 사례도 함께 전했습니다. 마키나락스는 AI 에이전트 5개가 인사 업무를 나눠 맡는 플랫폼 ‘지휘통제실’을 만들었습니다. AI ‘참모’들이 채용, 일정, 인력 관리를 맡고 AI ‘중대장’이 결과를 모아 보고합니다. 김형찬 P&C팀 매니저는 플랫폼을 만드는 데 하루 정도 걸렸고 AI 참모가 회의·일정·메일 관리를 맡으면서 직원들이 다른 업무에 집중하게 됐다고 설명했습니다. 라이너는 사내 데이터 분석 AI 에이전트를 들인 뒤 직원이 참여하는 슬랙 채널 범위가 최대 2배로 늘었습니다. 채널코퍼레이션은 사내 카페에 AI 전화 상담원 ‘보이스 알프’를 두고, 바리스타가 바이브코딩으로 만든 키오스크 앱으로 주문을 관리합니다. 노타와 크라우드웍스는 전 직군이 참여하는 사내 해커톤을 열었고 크라우드웍스에서는 ‘임직원 AI 역량 진단 서비스’ 시제품이 우승했습니다. 윤석빈 서강대 AI·SW대학원 특임교수는 AI 네이티브 조직이 생산성을 중심으로 조직 구조와 사람·AI 협업 방식을 함께 다시 설계한다는 점에서 기존 조직과 다르다고 평가했습니다. 여러 에이전트를 지휘·관리하는 ‘AI 오케스트레이터’는 미국과 중국에서도 퍼지고 있다고 봤습니다.

기술 디테일: AI를 기존 체계의 한 부분으로 끼워 넣으려면

아래는 두 사례의 방식을 따라 만들 때 필요한 것입니다. 기사에 나온 내용이 아니라 AX Review가 덧붙인 실행 방법이며 필드명, 설정값, 기준은 모두 가상 예시입니다. 균질화와 유효 물성 설명은 공학 해석의 일반 원리를 따랐습니다.

AI 균질화를 돌리려면 정답을 만드는 미세 격자 해석부터 확보합니다(삼성전자 사례의 ‘유효 물성 예측’ 단계). 칩 배선층은 금속선과 절연막이 촘촘히 섞여 있어서 그대로 격자로 나누면 요소 수가 폭증합니다. 균질화는 레이아웃을 일정 크기의 타일로 자르고 타일 하나를 성질이 고른 재료 한 칸으로 바꿉니다. 이때 타일마다 방향별 열전도율(k_xy, k_z), 탄성계수(E), 열팽창계수(cte) 같은 유효 물성이 필요합니다. 원래는 타일마다 작은 미세 해석을 돌려 이 값을 구해야 하는데, AI 대리 모델(surrogate)이 타일의 금속 비율, 층 구성, 비아 밀도를 입력받아 이 값을 바로 예측합니다. 학습 데이터는 대표 타일 수천 개를 미세 해석으로 풀어 만든 정답 표입니다. 한 행에 tile_id, layer_stack, metal_density, via_density, k_xy, k_z, E, cte를 둡니다. PhysicsNeMo 같은 프레임워크는 이런 물리 대리 모델의 학습과 배포를 묶어 줍니다.

거친 격자 결과는 표본 칩에서 미세 격자와 대조해 통과선을 정합니다(삼성전자 사례의 ‘거친 격자 + GPU’ 단계). 해석이 41초로 줄어도 핫스폿 온도나 최대 응력이 크게 틀리면 쓸 수 없습니다. 칩 3~5종을 표본으로 골라 미세 격자 해석을 한 번씩 돌려 두고, 거친 격자 결과와 핫스폿 위치, 최고 온도, 최대 응력을 비교합니다. 예를 들어 최고 온도 오차 1°C 이내, 최대 응력 오차 5% 이내를 통과선으로 둡니다. 학습 때 보지 못한 레이아웃 패턴이 들어오면 대리 모델의 예측 신뢰도가 떨어지므로, 입력 특징이 학습 범위를 벗어난 타일은 표시해 두고 그 영역만 미세 해석으로 다시 돌리는 규칙을 둡니다. 결과에는 design_id, model_version, tile_size_um, max_temp_c, max_stress_mpa, ood_tiles, fallback_used를 남깁니다. 이 형식을 정해 두면 블로그가 내다본 것처럼 에이전트가 해석을 도구로 불러 여러 설계안을 한 번에 비교할 때도 그대로 씁니다.

AI 직원에게는 사람과 같은 입구, 좁은 권한, 남는 기록을 줍니다(코난테크놀로지 사례의 ‘직급·메일 계정·PMS·Jira 연계’). 메일 계정이 있으면 직원이 평소처럼 메일이나 메신저로 일을 맡길 수 있습니다. 요청이 들어오면 LLM이 문장을 구조화 출력으로 바꿉니다. 예를 들어 {"intent": "room_booking", "date": "2026-11-20", "time": "14:00-15:00", "people": 6, "requester": "..."} 같은 형태입니다. temperature는 0에 가깝게 두고 필드가 비면 되묻습니다. 실행 전에는 회의실 가용 여부, 남은 휴가 일수, Jira 프로젝트 권한을 먼저 조회합니다. 직급은 권한 범위로 바꿔 생각하면 됩니다. 조회와 예약은 바로 하고, 휴가 승인처럼 결재가 걸린 일은 신청서를 만들어 결재자에게 넘기는 데까지만 하게 합니다. 모든 작업은 request_id, requester, intent, system, action, result, approved_by, elapsed_sec로 남겨 감사와 측정에 같이 씁니다.

절감 효과는 업무 목록과 계획 시간을 먼저 고정하고 잽니다(코난테크놀로지의 ‘60건, 계획 대비 약 59%’). 계획 대비 투입 시간은 업무마다 원래 들 것으로 잡은 시간(planned_hours)과 실제로 든 시간(actual_hours)을 비교하는 지표입니다. 실제 시간에는 AI가 처리한 시간만이 아니라 사람이 결과를 확인하고 고친 시간을 함께 넣어야 숫자가 부풀지 않습니다. AI가 처리했다가 사람이 되돌린 건은 reverted=true로 따로 셉니다. 대상 업무 목록은 시범 시작 때 고정하고 중간에 쉬운 업무만 더하지 않습니다.

여러 에이전트를 지휘하는 구조는 출력 형식부터 맞춥니다(마키나락스의 ‘참모·중대장’ 구조). 참모 에이전트가 각자 다른 형식으로 답하면 중대장이 결과를 모을 때 다시 해석해야 합니다. 참모마다 agent, task, status, summary, items[], needs_human 같은 공통 필드로 답하게 하고, 중대장은 needs_human=true인 항목을 보고서 맨 위로 올립니다. 참모 하나가 시간 안에 답하지 않으면 그 칸을 비워 둔 채 보고하고 빈칸을 표시해, 한 에이전트의 실패가 전체 보고를 막지 않게 합니다.

현업 실행 디테일: 누가, 언제, 무엇을

연구소의 설계 해석 한 가지와 사내 반복 사무 몇 가지를 8주 동안 시범 운영하는 경우를 예로 듭니다. 역할, 일정, 판정 기준은 모두 가상 예시입니다.

역할	담당	하는 일
시범 책임	AX 추진 조직 리더	대상 선정, 측정 기준 확정, 확대 여부 결정
해석 담당	열·구조 해석 엔지니어 2명	표본 칩 선정, 미세 격자 정답 생성, 오차 통과선 판정
AI 개발	ML 엔지니어 1~2명	대리 모델 학습, 에이전트 구조화 출력·도구 연결
IT·보안	계정·권한 담당 1명	AI 직원 계정 발급, 시스템별 권한 범위, 작업 로그 보관
사무 현업	총무·인사 담당 각 1명	맡길 업무 목록과 계획 시간 작성, 결과 확인

준비물은 다섯 가지입니다. 최근 해석 건의 격자 크기와 소요 시간 기록, 표본으로 쓸 칩 레이아웃 3~5종, 사내 반복 업무 목록과 업무별 평소 소요 시간, 연결할 시스템(PMS·Jira·회의실·휴가)의 API 문서, 결재가 필요한 업무 목록입니다. 1~2주차에는 업무 목록을 고정하고 계획 시간과 기준선을 잽니다. 3~4주차에는 해석 쪽에서 미세 격자 정답을 만들고 대리 모델을 학습시키며, 사무 쪽에서 AI 직원 계정과 권한을 정합니다. 5~6주차에는 대리 모델을 표본 칩에 대고 오차를 보고, AI 직원은 회의실 예약·일정 등록·Jira 상태 갱신 세 업무로 시범 운영합니다. 7~8주차에는 계획 대비 투입 시간과 오차를 정리해 확대 여부를 정합니다.

시작 전에 현업에 물을 질문입니다.

1. 지금 해석 한 번에 몇 시간 걸리고 한 달에 몇 번 돌립니까? 결과를 기다리느라 미루는 설계안이 있습니까?
2. 거친 격자 결과가 어느 정도 틀려도 설계 판단이 바뀌지 않습니까(온도 몇 °C, 응력 몇 %)?
3. 사내 반복 업무 가운데 정보를 옮겨 적는 일만 따로 꼽으면 무엇이고, 한 건에 몇 분 걸립니까?
4. AI 직원이 대신 해도 되는 일과 반드시 사람이 승인해야 하는 일의 경계는 어디입니까?
5. AI가 잘못 처리했을 때 누가 언제 알아차리고 되돌립니까?

진행 판정 기준(예시)은 이렇게 둡니다. 대리 모델은 표본 칩 전부에서 최고 온도 오차 1°C 이내, 최대 응력 오차 5% 이내면 일상 설계 검토에 씁니다. 최종 검증은 계속 미세 격자로 합니다. AI 직원은 시범 업무의 계획 대비 투입 시간이 30% 이상 줄고 되돌린 건이 5% 아래면 업무를 늘립니다. 되돌린 건이 10%를 넘으면 늘리지 말고 구조화 출력과 확인 단계부터 다시 봅니다.

AX 적용 제언. 이 묶음에서 옮겨 올 것은 AI를 시스템 전체의 교체가 아니라 기존 흐름의 한 부분으로 넣는 방식입니다. 연구개발 조직이라면 해석기를 바꾸지 않고 가장 오래 걸리는 입력 계산만 AI로 대신하는 자리부터 찾습니다. 재료 물성 계산, 열 해석, 유동 해석의 전처리가 예입니다. 사무 조직이라면 AI에게 계정과 권한을 주고 기존 메일·결재 흐름 안에서 일하게 하면 직원이 새 도구를 배우지 않아도 됩니다. 두 경우 모두 첫 과제는 정답 표본과 계획 시간이 이미 있는 업무에서 고르는 편이 빠릅니다. 결과가 틀렸을 때 사람이 넘겨받는 규칙을 먼저 정해 두면 확대를 판단하기도 쉬워집니다.

원문 사례

회사	대상 업무	내용	수치·계획(기사·회사 발표)
삼성전자	칩 단위 열·기계 해석	PhysicsNeMo로 해석 흐름 개발. AI 균질화 사례에서 AI 예측 유효 물성, 거친 격자, GPU 가속 결합	32코어 CPU 미세 격자 약 18시간 → GPU 거친 격자 41초, 약 1,600배
삼성전자	TCAD·소재 연구	TCAD 희소 선형 계산에 cuDSS, sMOL 양자화학 계산에 cuEST, 원자 단위 AI 모델에 cuEquivariance 검토	sMOL 일부 계산 최대 5배. Agent Toolkit으로 설계안 비교 에이전트 구상
코난테크놀로지	사내 반복 사무	AI 직원 ‘봉대리’(대리 직급, 사내 메일 계정), PMS·Jira 연계, 일정·회의실 예약·휴가 신청	10월 기준 업무 60건, 계획 대비 투입 시간 약 59% 감소. 업무 범위 확대 예정
마키나락스	인사 업무	지휘통제실: AI 참모(채용·일정·인력 관리)와 AI 중대장(취합·보고)	에이전트 5개, 개발 약 하루
라이너	사내 데이터 분석	데이터 분석 AI 에이전트 도입	직원 참여 슬랙 채널 범위 최대 2배
채널코퍼레이션	사내 카페 운영	AI 전화 상담원 ‘보이스 알프’, 바이브코딩 키오스크 앱	수치 없음
노타·크라우드웍스	전 직원 AI 역량	전 직군 사내 해커톤, ‘임직원 AI 역량 진단 서비스’ 시제품 우승(크라우드웍스)	수치 없음

기사	매체 · 저자	날짜	비고	링크
Korea Advances Physical AI Across Industries With NVIDIA	NVIDIA 블로그 · NVIDIA Writers	2026-11-08(본문 표기), 11-09(페이지 정보)	삼성전자 부분 사용	원문
AI에 직급 주고 개발 문턱 낮춘다…’AI 네이티브 조직’ 확산	전자신문 · 조벼리	2026-11-09	지면 11월 10일자	기사

핵심 개념

PhysicsNeMo

물리 법칙이나 시뮬레이션 데이터로 AI 모델을 학습시켜 해석을 빠르게 하는 NVIDIA의 오픈소스 프레임워크.

균질화(homogenization)

여러 재료가 촘촘히 섞인 영역을 성질이 고른 재료 한 덩어리로 바꿔 계산을 줄이는 해석 방법.

유효 물성

섞인 영역 전체가 하나의 재료처럼 행동할 때의 열전도율, 탄성계수 같은 대표 값. 삼성전자 사례에서는 AI가 이 값을 예측했다.

TCAD

반도체 공정과 소자의 물리 현상을 컴퓨터로 시뮬레이션하는 설계 도구.

대리 모델(surrogate)

오래 걸리는 해석의 입력과 출력 관계를 학습해 결과를 빠르게 근사하는 AI 모델.

AI 네이티브 조직

AI를 개인 도구가 아니라 조직 구조와 업무 방식에 처음부터 넣어 설계한 조직. 전자신문 기사의 표현.

AI 오케스트레이터

여러 AI 에이전트에 일을 나눠 주고 결과를 모으는 역할. 사람이 맡을 수도, 마키나락스의 'AI 중대장'처럼 에이전트가 맡을 수도 있다.

내 메모

TODO: 내 생각 추가

원문: NVIDIA 블로그 「Korea Advances Physical AI Across Industries With NVIDIA」(NVIDIA Writers, 2026.11.8 본문 표기, 페이지 정보 11.9)의 삼성전자 부분과 전자신문 조벼리 기자 「AI에 직급 주고 개발 문턱 낮춘다…’AI 네이티브 조직’ 확산」(2026.11.9, 지면 11.10)을 원문으로 읽고 썼습니다. 요약, 사례별 정리, 원문 사례는 두 글에 나온 사실을 AX Review가 다시 정리한 것이고 수치는 모두 원문이나 회사가 밝힌 값입니다. ‘계획=100, 실제 약 41’ 환산과 ‘약 1,600배’의 표기는 원문 수치를 그대로 옮기거나 단순 환산한 것입니다. 기술 디테일, 현업 실행 디테일, 인포그래픽과 표는 AX Review가 새로 작성했으며 필드명, 설정값, 일정, 판정 기준은 가상 예시입니다. 균질화·유효 물성·대리 모델 설명과 타일별 입력 항목은 공학 해석의 일반 원리를 따른 것으로 삼성전자가 밝힌 구성이 아닙니다. PhysicsNeMo·TCAD 용어 풀이는 일반 공개 자료를 따랐습니다. 전체 내용은 원문에서 볼 수 있습니다.