AI는 이미 일상적인 도구가 되었다. 사람들은 AI에게 이메일을 다듬어 달라고 하고, 긴 문서를 요약해 달라고 하며, 코드를 짜 달라고 요청한다. 검색창에 단어를 입력하던 일은 이제 대화창에 질문을 던지는 일로 바뀌고 있다.
그런데 최근 AI 기업들의 움직임을 보면, 다음 전장은 조금 다른 곳으로 옮겨가고 있다. 바로 의료와 생명과학이다.
이 분야는 일반적인 문서 작성이나 이미지 생성과 다르다. 건강, 질병, 유전자, 임상시험, 신약개발은 단순히 “그럴듯한 답변”만으로 다룰 수 없다. 틀린 답변은 단순한 오류가 아니라 실제 사람의 건강과 연구 판단에 영향을 줄 수 있다. 그래서 의료·생명과학은 AI에게 가장 매력적인 영역이면서도, 동시에 가장 까다로운 영역이다.
최근 OpenAI, 구글 딥마인드, 마이크로소프트, 앤트로픽, NVIDIA의 움직임이 이런 변화를 잘 보여준다. AI는 건강 상담에서 출발해 유전체 데이터 해석, 병원 내부의 임상 판단, 임상시험과 규제 문서, 나아가 신약개발과 실험실 자동화까지 영역을 넓혀가고 있다. 그 확장은 일정한 방향을 그린다.
이 흐름은 하나의 사다리에 가깝다. 가장 아래 칸에는 사용자의 건강 질문에 답하는 AI가 있다. 한 칸 올라가면 생명과학 연구를 평가하고 돕는 AI, 그 위에는 유전체 데이터를 해석하는 AI가 있다. 더 올라가면 병원 내부의 판단과 업무를 보조하는 AI, 임상시험과 규제 문서를 처리하는 AI가 자리한다. 맨 위에는 신약개발과 실험실 자동화로 이어지는 AI 인프라가 있다.
이 사다리는 기능이 많아지는 순서가 아니라, 신뢰의 요구 수준이 높아지는 순서다. 위로 올라갈수록 AI가 감당할 책임이 무거워지고, 통과해야 할 검증의 문턱도 높아진다.
그래서 의료 AI의 핵심 질문은 "AI가 의사를 대체할 수 있는가"가 아니다. 어느 층위까지 들어갈 수 있는가, 그 과정에서 어떻게 신뢰를 얻어내는가다. AI의 다음 전장이 검색창이 아니라 병원과 실험실이라는 말은 여기서 나온다.
OpenAI: 건강 상담에서 검증 체계로
의료 AI의 가장 익숙한 출발점은 사용자다. 몸이 좋지 않을 때, 검사 결과가 이해되지 않을 때, 병원에서 들은 설명이 어려울 때 사람들은 AI에게 묻기 시작했다. “이 수치가 무슨 뜻이야?”, “이 증상은 왜 생기는 걸까?”, “병원에 가면 어떤 질문을 해야 할까?” 같은 질문은 이미 낯설지 않다.
OpenAI의 ChatGPT Health는 바로 이 지점에서 출발한다. 사용자의 건강 정보와 AI 답변을 연결해, 개인이 자신의 건강 상태를 더 잘 이해하도록 돕겠다는 방향이다. 의료 기록, 웰니스 앱, 검사 결과, 운동·수면 데이터처럼 흩어진 정보를 AI와 연결하려는 시도다.
물론 이때 중요한 전제는 분명하다. 이런 AI는 진단이나 치료를 대신하는 도구가 아니다. 사용자가 자신의 상태를 이해하고, 의료진과 대화할 때 더 잘 준비하도록 돕는 보조 도구에 가깝다. 의료 AI가 신뢰를 얻으려면 “의사를 대체한다”는 과장보다, 어디까지 할 수 있고 어디서 멈춰야 하는지를 분명히 해야 한다.
그런데 OpenAI의 최근 흐름에서 더 중요한 사례는 LifeSciBench다. LifeSciBench는 생명과학 연구 영역에서 AI가 실제 연구 과업을 얼마나 수행할 수 있는지 평가하기 위한 벤치마크다. 여기서 중요한 것은 단순한 생물학 지식이 아니다. 실제 연구자는 논문을 읽고, 실험 결과를 해석하고, 모순되는 근거를 비교하고, 다음 실험을 설계해야 한다. LifeSciBench는 이런 현실적인 연구 과정을 평가하려 한다.
이 점에서 LifeSciBench는 의료 AI 논의를 한 단계 끌어올린다. 지금까지 많은 AI 평가는 정답이 분명한 문제를 얼마나 잘 맞히는가에 집중했다. 하지만 생명과학 연구에서 중요한 것은 최종 답 하나만이 아니다. 어떤 근거를 사용했는지, 어떤 한계를 짚었는지, 그 판단이 실제 연구 결정에 도움이 되는지까지 함께 봐야 한다.
OpenAI가 공개한 결과는 가능성과 한계를 동시에 보여준다. 생명과학 특화 모델은 기존 범용 모델보다 나은 성과를 보였지만, 전체 통과율은 여전히 제한적이었다. 이것은 AI가 무용하다는 뜻이 아니다. 오히려 의료·생명과학 AI가 왜 쉽게 완성될 수 없는지를 설명한다.
생명과학 연구에서 AI가 유용하려면 그럴듯한 설명을 생성하는 것만으로는 부족하다. 실제 연구자가 다루는 자료를 읽어야 하고, 복잡한 조건을 반영해야 하며, 불확실성을 표현해야 한다. 때로는 “아직 판단하기 어렵다”고 말할 수 있어야 한다. 의료와 생명과학에서 신뢰는 자신감 있는 답변이 아니라, 근거와 한계를 함께 제시하는 능력에서 나온다.
그래서 OpenAI의 사례는 의료 AI의 첫 번째 층위를 보여준다. 한쪽에는 사용자의 건강 질문에 답하는 AI가 있고, 다른 한쪽에는 생명과학 연구 능력을 평가하는 AI가 있다. 둘은 서로 다른 영역처럼 보이지만, 같은 방향을 향한다. 의료 AI의 출발점은 더 똑똑한 답변일 수 있다. 하지만 도착점은 더 신뢰할 수 있는 검증 체계다.
Google DeepMind·Sanger Institute: 의료 AI의 기반은 유전체 데이터다
OpenAI의 사례가 건강 상담과 생명과학 연구 평가를 보여준다면, Google DeepMind와 Wellcome Sanger Institute의 AI 유전체 컨소시엄은 그보다 더 아래에 있는 기반을 보여준다. 의료 AI가 제대로 작동하려면 좋은 모델만으로는 충분하지 않다. 모델이 읽고 해석할 수 있는 데이터가 있어야 한다.
의료와 생명과학에서 데이터는 단순한 숫자 묶음이 아니다. 유전자, RNA, 단백질, 세포, 조직, 질병, 약물 반응은 서로 복잡하게 연결되어 있다. 어떤 유전자 변이가 질병과 관련이 있는지, 특정 세포에서 어떤 변화가 일어나는지, 단백질 수준의 변화가 어떤 의미를 갖는지 해석하려면 방대한 데이터와 깊은 도메인 지식이 필요하다.
그래서 유전체 데이터는 의료 AI의 핵심 기반이 된다. 인간의 질병을 이해하고, 약물 반응을 예측하고, 새로운 치료 가능성을 찾기 위해서는 생명 현상을 데이터로 읽어내는 능력이 필요하다. 문제는 기존의 생명과학 데이터가 언제나 AI에 바로 적합한 형태로 존재하지는 않는다는 점이다. 데이터가 부족하거나, 형식이 제각각이거나, 특정 영역에 편중되어 있거나, 모델 학습과 평가에 충분히 구조화되어 있지 않을 수 있다.
Google DeepMind, Google.org, Wellcome Sanger Institute가 추진하는 AI 유전체 컨소시엄은 바로 이 문제를 다룬다. 핵심은 대규모 유전체 데이터를 만들고, AI 모델이 활용할 수 있는 고품질의 AI-ready 데이터셋을 구축하는 것이다. 여기서 중요한 표현은 “AI-ready”다. 단순히 데이터를 많이 모으는 것이 아니라, AI가 학습하고 평가하고 예측하는 데 적합한 형태의 데이터를 만드는 것이 핵심이다.
이 사례는 의료 AI 경쟁의 초점을 모델에서 데이터로 옮긴다. 많은 사람은 AI 경쟁을 모델 경쟁으로 생각한다. 누가 더 큰 모델을 만들었는가, 누가 더 높은 점수를 냈는가, 누가 더 자연스럽게 대화하는가에 관심이 쏠린다. 하지만 의료와 생명과학에서는 모델만으로 충분하지 않다. 모델이 실제 생명 현상을 이해하려면, 그에 맞는 데이터 기반이 필요하다.
OpenAI의 LifeSciBench가 “AI가 생명과학 연구 과업을 얼마나 잘 수행할 수 있는가”를 묻는다면, Google DeepMind·Sanger의 유전체 컨소시엄은 “AI가 생명 현상을 이해하기 위해 어떤 데이터 기반이 필요한가”를 묻는다. 하나는 능력을 평가하는 체계이고, 다른 하나는 그 능력이 자라날 토양이다.
Microsoft·Mayo Clinic: 병원 안으로 들어가는 AI
다음 단계는 병원이다.
사용자-facing 의료 AI가 개인의 건강 질문에 답하는 도구라면, 병원-facing 의료 AI는 의료기관 내부의 판단과 업무 흐름을 보조하는 시스템에 가깝다. 여기서 AI의 역할은 “증상을 설명해 주는 상담자”에서 “임상 정보를 해석하고 의료진의 판단을 돕는 보조 시스템”으로 바뀐다.
Microsoft와 Mayo Clinic의 협력은 이 변화를 보여주는 사례다. 두 기관은 의료 특화 프런티어 AI 모델을 개발하겠다고 밝혔다. 이 모델은 Mayo Clinic이 축적한 임상 전문성과 비식별 의료 데이터, Microsoft의 AI·클라우드 역량을 결합해 임상 추론과 다양한 의료 활용 사례를 지원하는 것을 목표로 한다.
이 사례에서 중요한 것은 AI가 병원 밖의 일반 사용자에게만 쓰이는 것이 아니라, 병원 안의 복잡한 맥락으로 들어간다는 점이다. 병원은 단순한 질병 정보 검색 공간이 아니다. 환자의 과거 기록, 검사 결과, 영상 자료, 복용 약물, 가족력, 치료 경과가 모두 얽혀 있다. 의료진은 이 정보들을 종합해 판단해야 하고, 그 과정에는 시간과 집중력이 많이 필요하다.
의료 AI가 병원 안으로 들어간다는 것은 이 복잡한 판단을 대신한다는 뜻이 아니다. 오히려 의료진이 더 빠르게 정보를 정리하고, 놓치기 쉬운 단서를 확인하고, 여러 가능성을 비교할 수 있도록 돕는다는 뜻에 가깝다. AI는 여기서 결론을 내리는 주체라기보다, 판단의 재료를 정리하고 의료진의 사고를 보조하는 도구가 된다.
그래서 이 층위에서는 신뢰의 기준이 더 높아진다. 사용자의 건강 질문에 답할 때는 조심스러운 안내와 정보 정리가 중요했다면, 병원 안에서는 실제 임상 맥락과 책임 구조가 중요해진다. AI가 어떤 데이터를 근거로 판단했는지, 의료진이 그 판단을 어떻게 검토할 수 있는지, 오류가 발생했을 때 책임은 어디에 있는지가 모두 문제가 된다.
Microsoft·Mayo Clinic 사례는 의료 AI가 개인 상담 도구를 넘어 병원 내부 시스템으로 이동하고 있음을 보여준다. 의료 AI는 이제 “건강에 대해 말해주는 AI”에서 “의료진의 판단과 업무 흐름을 보조하는 AI”로 확장되고 있다.
Anthropic·NVIDIA: 산업과 인프라로 확장되는 의료 AI
의료 AI의 시장은 진단실에만 있지 않다. 병원 밖에는 임상시험, 보험, 규제 문서, 제약 연구, 신약개발, 실험실 자동화 같은 거대한 산업 구조가 있다. 의료 AI가 실제 산업으로 확장된다는 것은 바로 이 복잡한 절차와 인프라 안으로 들어간다는 뜻이다.
Anthropic의 Claude for Healthcare와 생명과학 기능 확장은 이 중 산업 워크플로에 가까운 사례다. 의료기관, 보험사, 헬스테크 기업, 생명과학 기업은 모두 방대한 문서와 절차를 다룬다. 임상시험 프로토콜을 만들고, 규제 문서를 작성하고, 연구 데이터를 검토하고, 내부 보고서를 정리하는 일은 의료 산업을 움직이는 중요한 업무다.
이 영역에서 AI의 가치는 진단을 내리는 데만 있지 않다. 오히려 반복적이고 복잡한 지식 업무를 줄이고, 문서와 데이터를 더 빠르게 연결하는 데 있다. Claude가 의료·생명과학 영역에서 강조하는 것도 이런 지점이다. 의료 AI는 환자에게 답하는 도구이기도 하지만, 의료 산업이 굴러가게 만드는 문서와 절차를 처리하는 생산성 도구이기도 하다.
Anthropic이 의료 산업의 문서와 절차를 겨냥한다면, NVIDIA는 그보다 더 물리적인 연구 인프라를 겨냥한다.
NVIDIA는 의료 AI를 챗봇 서비스가 아니라 신약개발과 실험실 자동화 인프라의 관점에서 접근한다. Eli Lilly와의 AI 공동 혁신 연구소, Thermo Fisher와의 자율 실험실 인프라 협력은 AI가 약물 후보 탐색, 실험 설계, 연구 자동화에 연결되는 방향을 보여준다.
여기서 AI는 화면 속에서 답변만 생성하지 않는다. 연구자가 실험을 설계하고, 후보 물질을 검토하고, 실험실 장비와 데이터 흐름을 연결하는 과정에 들어간다. 텍스트를 생성하는 AI에서 출발한 흐름이 생명 데이터를 분석하는 AI를 거쳐, 실제 연구실과 신약개발 공정을 움직이는 인프라로 이어지는 것이다.
Anthropic과 NVIDIA의 사례를 함께 보면 의료 AI의 확장 방향이 더 분명해진다. 한쪽에서는 의료·제약 산업의 문서와 절차를 처리하고, 다른 한쪽에서는 신약개발과 실험실 인프라를 움직인다. 의료 AI는 더 이상 병원 안의 진단 보조만을 의미하지 않는다. 그것은 의료와 생명과학 산업 전체에 깔리는 새로운 기술 층으로 확장되고 있다.
의료 AI는 하나의 시장이 아니다
지금까지의 사례를 하나로 묶어보면, 의료 AI는 하나의 제품이나 하나의 시장으로 설명하기 어렵다. 겉으로는 모두 “의료 AI”처럼 보이지만, 실제로는 서로 다른 층위에서 작동한다.
OpenAI는 사용자의 건강 질문과 생명과학 연구 평가에 가깝다. Google DeepMind와 Sanger Institute의 유전체 컨소시엄은 AI가 읽어야 할 생명 데이터의 기반을 만든다. Microsoft와 Mayo Clinic의 협력은 병원 내부의 임상 판단과 업무 흐름으로 들어간다. Anthropic은 임상시험, 규제 문서, 보험, 제약 업무 같은 산업 절차를 겨냥한다. NVIDIA는 신약개발과 실험실 자동화 인프라를 구축한다.
이 흐름을 정리하면 의료 AI는 다섯 개의 층으로 나눠볼 수 있다. 첫 번째는 사용자의 증상, 검사 결과, 건강 데이터를 이해하도록 돕는 사용자-facing AI다. 두 번째는 논문, 실험 결과, 유전체 데이터, 단백질 구조처럼 연구자가 다루는 자료를 해석하는 연구-facing AI다. 세 번째는 환자의 기록과 임상 맥락을 종합해 의료진의 판단과 업무 흐름을 보조하는 병원-facing AI다. 네 번째는 임상시험, 규제 문서, 보험, 제약사의 내부 검토처럼 복잡한 절차를 처리하는 산업-facing AI다. 마지막은 신약개발, 실험 자동화, 연구 데이터 파이프라인, AI 연산 인프라와 연결되는 인프라-facing AI다.
이렇게 보면 의료 AI는 하나의 앱이나 서비스가 아니다. 사용자의 질문에 답하는 도구에서 출발하지만, 연구 데이터를 읽고, 병원 시스템에 들어가고, 산업 절차를 처리하고, 실제 연구실과 신약개발 인프라까지 연결되는 여러 층의 기술이다.
그래서 의료 AI를 이해하려면 “어떤 AI가 제일 똑똑한가”보다 “그 AI가 의료와 생명과학의 어느 층위에 들어가려 하는가”를 봐야 한다. 사용자에게 설명하는 AI, 병원 안에서 의료진의 판단을 보조하는 AI, 연구실과 신약개발 인프라에 연결되는 AI는 모두 다른 기준으로 평가되어야 한다.
결국 의료 AI는 하나의 시장이 아니라, 신뢰 수준이 서로 다른 여러 기술 층의 집합이다. 그리고 이 층위가 올라갈수록 AI에게 요구되는 것은 더 빠른 답변이 아니라 더 정확한 근거, 더 분명한 검증, 더 책임 있는 사용 방식이다.
의료 AI가 넘어야 할 벽
하지만 이 흐름이 곧바로 의료 AI의 성공을 의미하는 것은 아니다. 오히려 의료와 생명과학은 AI가 가장 조심스럽게 접근해야 할 영역이다. 가능성이 크다는 말은, 실패했을 때의 위험도 크다는 뜻이다.
가장 먼저 부딪히는 벽은 정확성이다. 일반적인 글쓰기나 이미지 생성에서는 오류가 수정 가능한 실수로 끝날 수 있다. 그러나 의료 영역에서 틀린 정보는 환자의 판단, 연구자의 실험, 의료진의 의사결정에 영향을 줄 수 있다. 의료 AI가 “그럴듯한 답변”만으로는 부족한 이유가 여기에 있다.
LifeSciBench의 결과도 이 점을 보여준다. OpenAI에 따르면 생명과학 특화 모델인 GPT-Rosalind는 기존 GPT-5.5보다 전체 exact pass rate를 25.7%에서 36.1%로 끌어올렸지만, 절대 통과율은 여전히 제한적이었다. 특히 자료 파일이나 URL이 포함된 과업에서는 통과율이 45.1%에서 28.1%로 떨어졌고, 수치 과업은 14.8%, 서열·구조 출력 과업은 24.0%에 그쳤다. 이는 AI가 연구에 쓸모없다는 뜻이 아니다. 오히려 연구 현장에서 AI를 쓰려면 성능 향상만큼이나 과업별 검증과 한계 확인이 먼저 필요하다는 뜻이다.
두 번째 벽은 데이터다. 의료 AI는 개인 건강정보, 유전체 데이터, 병원 기록처럼 민감한 데이터를 다룬다. 이런 데이터는 한 번 유출되거나 잘못 사용되면 되돌리기 어렵다. 의료 AI가 보안, 익명화, 접근 권한, 데이터 주권 문제와 분리될 수 없는 이유다.
세 번째 벽은 책임이다. AI가 제시한 판단을 의료진이 참고했을 때, 그 판단이 틀렸다면 책임은 누구에게 있는가. 모델을 만든 기업인가, 병원인가, 의료진인가, 아니면 AI를 사용한 개인인가. 의료 AI가 병원과 산업 현장으로 깊게 들어갈수록 이 질문은 더 복잡해진다.
네 번째 벽은 실제 성과다. AI가 논문이나 발표에서 좋은 성능을 보이는 것과, 실제 임상시험이나 신약개발에서 성과를 내는 것은 다르다. 의료 AI는 가능성을 말하는 단계에서, 실제 결과로 증명해야 하는 단계로 넘어가고 있다.
결국 의료 AI의 핵심 경쟁력은 성능 자체가 아니다. 그 성능을 어떻게 검증했는지, 어떤 데이터로 학습했는지, 누가 책임지는지, 실제 현장에서 어떤 결과를 냈는지가 중요하다. 생명을 다루는 영역에서 AI는 “할 수 있다”는 주장만으로 신뢰를 얻을 수 없다.
대체가 아니라 확장
의료 AI를 이야기할 때 자주 등장하는 질문은 “AI가 의사를 대체할 수 있는가”다. 하지만 최근 의료·생명과학 AI의 흐름을 보면, 이 질문은 조금 좁다. 실제 변화는 의사 한 명을 AI가 대신하는 방식으로만 일어나고 있지 않다.
의료 AI의 본질은 대체보다 확장에 가깝다. 사용자는 자신의 건강 정보를 더 잘 이해할 수 있고, 연구자는 더 복잡한 생명 데이터를 탐색할 수 있으며, 의료진은 방대한 임상 정보를 더 빠르게 비교할 수 있다. 제약사와 연구기관은 임상시험, 규제 문서, 신약개발, 실험 자동화 같은 복잡한 절차를 AI와 함께 다시 설계할 수 있다.
물론 이 가능성이 현실이 되려면 AI는 더 똑똑해지는 것만으로는 부족하다. 더 검증 가능해야 하고, 더 책임 있게 쓰여야 하며, 인간 전문가가 검토하고 통제할 수 있는 방식으로 설계되어야 한다.
AI의 다음 전장은 사람처럼 말하는 능력이 아니라, 생명을 다루는 영역에서 얼마나 신뢰받을 수 있는가다.
