엔지니어가 CAD 소프트웨어에서 선 하나를 그을 때, 그것은 단순한 기하학적 좌표의 집합이 아닙니다. 그 선은 특정 부품의 경계일 수도 있고, 조립 시 유지되어야 할 정밀한 공차의 기준일 수도 있습니다. 하지만 지금까지의 CAD 툴은 이러한 ‘설계 의도(Design Intent)’를 이해하지 못했습니다. 사용자가 일일이 구속 조건(Constraint)을 설정하지 않으면, 치수 하나를 바꿨을 때 전체 모델이 예상치 못한 방향으로 뒤틀리는 경험을 누구나 해보았을 것입니다.

우리는 그동안 AI가 텍스트를 쓰고 이미지를 만드는 것에 열광했지만, 정작 정밀 제조의 핵심인 ‘공학적 논리’를 학습시키는 것에는 소홀했습니다. 이제 업계의 관심은 단순한 생성형 AI를 넘어, 설계자의 머릿속에 있는 논리를 기계의 언어로 번역하는 ‘AI 기반 CAD 추론(AI-Powered CAD Reasoning)’으로 이동하고 있습니다. 이것은 단순한 편의 기능의 추가가 아니라, 설계 프로세스의 패러다임을 바꾸는 일입니다.

설계 의도와 기계 논리의 간극

전통적인 CAD 시스템에서 설계 의도를 구현하는 방식은 ‘명시적 구속’이었습니다. 수평, 수직, 일치, 탄젠트와 같은 조건을 사용자가 직접 지정하는 방식입니다. 하지만 복잡한 어셈블리 단계로 갈수록 이 작업은 기하급수적으로 늘어나며, 숙련되지 않은 설계자가 만든 모델은 수정 단계에서 ‘깨지기’ 일쑤입니다.

AI-Powered CAD Reasoning의 핵심은 이 명시적 구속 과정을 ‘암시적 추론’으로 전환하는 것입니다. AI가 수만 개의 성공적인 설계 데이터를 학습하여, 특정 형상을 그렸을 때 설계자가 의도했을 법한 구속 조건을 스스로 예측하고 제안하는 것입니다. 이는 마치 LLM이 문맥을 통해 다음 단어를 예측하듯, AI가 기하학적 문맥을 통해 다음 구속 조건을 예측하는 것과 같습니다.

LLM의 포스트 트레이닝을 CAD에 이식하다

최근 오토데스크(Autodesk)의 AutoConstrain 사례에서 주목할 점은 LLM(거대언어모델)의 학습 기법을 CAD 도메인에 적용했다는 점입니다. 텍스트 모델이 RLHF(인간 피드백 기반 강화학습)를 통해 인간의 가치관에 정렬(Alignment)되듯, CAD AI 역시 ‘설계 정렬’ 과정을 거칩니다.

• 데이터셋의 재구성: 단순한 최종 도면이 아니라, 설계자가 도면을 수정해 나가는 ‘과정(Sequence)’ 데이터를 학습합니다.
• 포스트 트레이닝(Post-training): 기본 기하학 모델 위에 설계 전문가의 수정 패턴을 학습시켜, 기계적인 정답이 아닌 ‘엔지니어링 관점의 정답’을 도출하게 합니다.
• 의도 보존 추론: 치수가 변경되어도 전체적인 형상의 논리적 관계가 유지되도록 하는 최적의 구속 조건 조합을 계산합니다.

이러한 접근 방식은 AI가 단순히 ‘그럴듯한 그림’을 그리는 것이 아니라, 수정 가능하고(Editable) 논리적인(Logical) 설계 데이터를 생성하게 만듭니다. 이는 제품 개발 주기(Product Development Life Cycle)에서 가장 병목 현상이 심한 ‘수정 및 최적화’ 단계를 획기적으로 단축시킬 수 있습니다.

기술적 구현의 득과 실

AI 기반 CAD 추론 시스템을 도입할 때 고려해야 할 기술적 트레이드오프는 명확합니다. 아래 표는 기존 방식과 AI 추론 방식의 차이를 분석한 결과입니다.

가장 큰 리스크는 ‘블랙박스’ 문제입니다. AI가 제안한 구속 조건이 왜 적용되었는지 설계자가 이해하지 못한다면, 나중에 치명적인 설계 오류가 발생했을 때 원인을 찾기 어려울 수 있습니다. 따라서 AI의 추론 과정을 시각화하거나, 설계자가 쉽게 오버라이드(Override)할 수 있는 인터페이스 설계가 필수적입니다.

실무 도입을 위한 단계별 액션 가이드

기업의 제품 매니저(PM)나 엔지니어링 리더가 이 기술을 실무에 적용하고자 한다면, 무작정 툴을 도입하기보다 다음과 같은 단계적 접근이 필요합니다.

1단계: 설계 데이터의 정형화 (Data Hygiene)

AI는 깨끗한 데이터를 먹고 자랍니다. 사내에 흩어져 있는 과거의 CAD 파일들을 분석하여, ‘잘 설계된 모델’과 ‘엉망으로 설계된 모델’을 구분하는 기준을 세우십시오. 설계 의도가 명확히 반영된 골든 데이터셋(Golden Dataset)을 구축하는 것이 입니다.

2단계: 부분적 자동화 영역 설정 (Scoped Automation)

모든 설계를 AI에 맡기는 것은 위험합니다. 반복적이고 정형화된 패턴이 많은 ‘표준 부품 설계’나 ‘초기 컨셉 스케치’ 단계에 먼저 AI 추론 기능을 도입하십시오. 여기서 AI의 제안 정확도를 측정하고 신뢰도를 쌓는 과정이 필요합니다.

3단계: 인간-AI 협업 루프 구축 (Human-in-the-loop)

AI가 구속 조건을 제안하면 설계자가 승인하거나 수정하는 ‘피드백 루프’를 시스템화하십시오. 이 수정 데이터는 다시 AI의 포스트 트레이닝 데이터로 활용되어, 해당 기업만의 특화된 설계 스타일을 학습한 전용 AI 모델로 진화하게 됩니다.

결론: 도구의 변화가 아닌 사고의 변화

AI-Powered CAD Reasoning은 단순히 마우스 클릭 횟수를 줄여주는 도구가 아닙니다. 이는 엔지니어가 ‘어떻게 그릴 것인가(How to draw)’라는 기능적 고민에서 벗어나, ‘무엇을 구현할 것인가(What to achieve)’라는 본질적인 설계 의도에 집중하게 만드는 변화입니다.

이제 경쟁력은 누가 더 CAD 툴을 능숙하게 다루느냐가 아니라, AI에게 어떤 설계 의도를 정확하게 전달하고, AI가 도출한 논리를 어떻게 검증하느냐에서 결정될 것입니다. 지금 당장 여러분의 설계 프로세스에서 가장 반복적이고 고통스러운 ‘구속 조건 설정’ 구간이 어디인지 파악하십시오. 그곳이 바로 AI 추론이 투입되어야 할 지점입니다.