AI 시대, 헬스케어 대전환의 촉매제 '소형 언어 모델(SLM)'

고령화 사회로의 진입, 만성 질환 증가, 그리고 의료 현장의 고질적 비효율성 은 기존 헬스케어 시스템의 지속 가능성에 근본적인 의문을 제기하고 있다. 이러한 도전 과제를 해결하는 핵심 동력으로 인공지능(AI)이 급부상하며, 특히 자연어처리(NLP) 기반 생성형 AI는 의료 서비스의 패러다임을 혁신할 잠재력을 지닌다.

초기 시장을 주도했던 거대 언어 모델(LLM)은 뛰어난 범용성에도 불구하고, 의료 분야 적용 시 치명적인 문제점을 노출했다. LLM의 고질적 환각(hallucination) 현상 은 오진으로 이어질 수 있는 치명적 위험을 내포하고, 클라우드 기반 운영 방식은 민감한 환자 데이터의 보안 및 개인정보보호 문제 를 야기했다. 이러한 한계가 명확해지면서, 특정 도메인에 특화돼 정확성과 효율성을 극대화한 소형 언어 모델(SLM)이 대안으로 급부상하는 모습이다.

본 보고서는 헬스케어 SLM의 시장 현황과 기술적 가치를 분석하고, 주요 기업 사례를 통해 실질적 활용 가능성을 조명하며, 향후 시장의 성공적인 안착을 위한 전략적 제언을 제시한다.

1. 헬스케어 SLM 시장 현황 및 전략적 가치 분석

1.1. 시장 규모 및 성장 동인

글로벌 AI 헬스케어 시장은 폭발적인 성장을 거듭하고 있다. 시장조사기관의 예측에 따르면, 2024년 약 290억 달러 규모였던 시장은 2032년 5041억 달러에 이를 것으로 전망되며, 연평균 성장률(CAGR)은 44%에 달한다. 생성형 AI 헬스케어 시장만 보더라도, 2025년 29억 2천만 달러에서 2037년에는 연평균 31.8%의 성장률로 843억 8천만 달러를 넘어설 것으로 예상된다. 특히, SLM 시장은 2024년 65억 달러에서 2034년 640억 달러로 급성장할 것으로 예측됐다.

이러한 폭발적인 성장은 여러 복합적인 요인에 의해 촉진되고 있다. 첫째, 만성 질환 유병률 증가와 함께 더 빠르고 효율적인 의료 서비스에 대한 수요가 높아졌다. 둘째, 온디바이스 AI 및 엣지 서버 구현이 가능한 SLM은 실시간 의사결정이 중요한 웨어러블 및 로봇 분야에서 핵심적인 역할을 수행하며 엣지 AI의 확산을 이끌고 있다. 셋째, LLM 운영에 필요한 막대한 인프라 및 컴퓨팅 비용을 절감할 수 있다는 점은 특히 중소기업의 AI 도입을 가속화하는 중요한 경제적 동인이 된다.

1.2. LLM 대비 SLM의 핵심 기술적 가치

LLM과 SLM은 모두 인간의 언어를 해석하고 생성하는 AI 시스템이지만, 학습 데이터의 크기와 목적에서 명확한 차이를 보인다. 이러한 차이는 헬스케어 분야에서 SLM이 LLM에 비해 갖는 결정적인 전략적 이점으로 작용한다.

이러한 기술적 특성 비교는 단순한 성능 우열을 넘어, 헬스케어 시장이 지닌 근본적인 요구사항을 드러낸다. LLM은 환각 현상과 개인정보 유출 위험 때문에 의료 분야에 적용하기에 근본적인 한계가 있다. 특히 환자의 생명과 직결된 진료 환경에서 '신뢰성'과 '보안'은 타협할 수 없는 가치다. SLM은 도메인 특화 학습을 통해 환각 현상을 낮추고, 온디바이스 구현을 통해 보안을 강화함으로써 LLM의 치명적 단점을 극복한다. 따라서 시장은 범용 LLM 중심의 기술 경쟁에서

특정 도메인에 최적화된 SLM 기술과 이를 활용한 하이브리드 솔루션 경쟁으로 빠르게 재편될 것이다. 이는 의료 분야의 특수성이 기술 선택을 좌우하는 중요한 사례가 됐다.

2. 헬스케어 분야 SLM의 주요 활용 사례 및 기술 동향

헬스케어 SLM은 의료 시스템의 다양한 비효율성을 해소하고, 환자 중심의 의료 서비스를 구현하는 데 중추적인 역할을 하고 있다.

2.1. 임상 및 행정 업무 자동화

국내 의료진의 91%는 불완전하거나 접근하기 어려운 환자 데이터로 인해 임상 시간을 낭비하며, 이는 의료진 한 명당 연간 약 4주 이상의 근무 시간 손실로 이어진다. SLM은 이러한 행정적 비효율성을 해소하는 핵심 도구로 활용된다.

의료 기록 및 진료 문서 자동 요약: 전자건강기록(EHR) 및 의사 소견서 등 방대한 임상 텍스트를 자동 분석·요약하여 의료진의 문서 작업 부담을 줄인다. 서울아산병원은 AI 음성인식 시스템을 도입해 의료진과 환자의 대화 음성 데이터를 실시간 텍스트로 기록하고 요약함으로써 진료 기록의 정확도를 높이고 있다.
자동화된 SOAP 노트 및 경과 기록 생성: Dr.AI와 같은 솔루션은 환자와의 대화 텍스트를 기반으로 표준화된 SOAP(Subjective, Objective, Assessment, Plan) 노트를 자동으로 생성하여 효율적인 문서화를 돕는다.
사전 문진 및 사후 관리 프로세스 자동화: AI 기반 가상 인간을 활용하여 환자의 문진 과정을 자동화하고, 진료 후 필요한 절차를 안내하는 기술이 개발되고 있다. 이는 의료진의 업무 부담을 줄여 본질적인 진료에 집중할 수 있게 한다.

2.2. 환자 맞춤형 서비스 및 원격 모니터링

ICT 기술의 발전으로 헬스케어 서비스의 중심이 병원에서 가정으로 이동하면서, 예방 중심 의료(Preventative Care) 및 개인 맞춤형 치료(Personalised Care)의 중요성이 커지고 있다.

개인 건강 코칭 챗봇: OpenAI와 Thrive Global은 생성형 AI를 활용하여 수면, 식사, 스트레스 관리 등 5대 행동 영역에 대한 개인 맞춤형 건강 코칭 서비스를 개발하고 있다. 서울시의 '손목닥터9988+' 프로그램은 2025년 인공지능 기반 챗봇을 도입하여 시민의 건강 관리를 지원할 계획이다. 정신 건강 앱 '온센'은 AI 동반자를 통해 인지 행동 치료(CBT)를 기반으로 한 맞춤형 정신 건강 코칭을 제공한다.

웨어러블 기기와의 연동: SK바이오팜의 뇌전증 웨어러블 디바이스 나 애플 워치의 심전도 및 낙상 감지 기능 은 실시간으로 생체 데이터를 수집하고 분석하여 예방적 의료 서비스를 가능하게 한다. 엣지 디바이스에 탑재된 SLM은 수집된 데이터를 즉각적으로 분석해 이상 징후를 감지한다.

2.3. 진단 보조 및 의사결정 지원

AI 기술은 의료 영상, 유전자 데이터 등 방대한 데이터를 분석하여 의료진의 진단 정확도와 속도를 향상시킨다.

의료 영상 분석: 국내 기업 루닛은 유방암 진단, 딥노이드는 뇌 MRA 및 흉부 엑스레이 판독 보조 솔루션을 개발하며 글로벌 시장에 진출하고 있다. 에어스메디컬은 AI를 활용하여 저품질 MRI 영상을 고품질로 재구성함으로써 촬영 시간을 단축하고 환자의 심리적 부담을 줄인다.
실시간 진단 보조: 내시경에 온디바이스 AI를 적용하여 용종 등 이상 부위를 실시간으로 감지하고 의료진에게 알림을 제공하는 기술이 개발되고 있다.
신약 개발 및 임상 시험 최적화: AI는 신약 후보 물질 발굴 및 임상 단계의 비용 절감에 기여한다. 특히, 아이소모픽 랩스는 AI 신약 개발 분야에서 6억 달러의 대규모 투자를 유치했다.

이러한 사례들은 헬스케어 AI, 특히 SLM이 인간을 대체하는 것이 아니라, 의료진이 반복적이고 비효율적인 업무에서 벗어나 더욱 본질적인 '대면 전문 진료' 에 집중하도록 보조하는 역할을 수행하고 있음을 보여준다. SLM은 낮은 지연 시간과 비용 효율성을 바탕으로 '실시간 진료 보조'와 '행정 자동화'라는 두 가지 주요 페인 포인트(Pain Point)를 동시에 해결하며, 의료 시스템 전반의 생산성과 질을 동시에 향상시키는 데 기여한다. 이는 의료진의 업무 만족도 향상뿐만 아니라, 환자의 대기 시간 단축 이라는 실질적인 편익으로 이어진다.

3. 심층 기업 분석: 맨인블록과 국내외 경쟁 구도

3.1. 맨인블록의 사업 모델 및 기술적 차별성

2022년 설립된 맨인블록은 생성형 AI 기술을 활용하여 디지털 헬스케어의 대중화를 목표로 하는 신생 기업이다. 특히, 의료진의 업무 부담을 줄이는 데 주력하고 있으며, 이를 위해 가상 인간을 활용한 메타버스 기술과 생성형 AI를 융합하고 있다.

맨인블록의 핵심 솔루션은 헬스케어 특화 대화형 AI인 '메디코지피티(MediKoGPT)'이다. 이 솔루션은 검색증강생성(RAG)과 장기기억(LTM) 기능을 적용하여 신뢰할 수 있는 헬스케어 지식 정보를 전달하고 개인화된 의료 서비스를 제공하는 데 중점을 둔다. 이러한 기술적 접근은 LLM의 환각 문제 를 보완하고, 환자별 맞춤형 응대를 가능하게 한다는 점에서 차별점을 갖는다.

메디코지피티의 주요 활용 사례는 환자가 의료진을 만나기 전 작성하는 문진표를 대체하는 기술이다. 가상 인간이 환자와 대화하며 필요한 정보를 수집하고, 이를 기반으로 의료진에게 잠재적 질환을 예측하는 알고리즘을 제공해 진료를 보조한다. 또한, 진료 후 필요한 절차를 가상 인간이 안내하는 기술도 개발 중이다.

3.2. 주요 경쟁사 분석

헬스케어 AI 시장은 국내외 다양한 기업들이 각자의 강점을 내세우며 경쟁하고 있다.

국내 경쟁 구도

영상 진단 분야: 뷰노, 루닛, 딥노이드 등은 AI 기반 의료 영상 분석에 특화돼 있으며, 미국 FDA 인허가를 통해 글로벌 시장 진출에 주력하고 있다.
자연어처리(NLP) 및 대화형 AI 분야: 솔트룩스 나 스켈터랩스 와 같은 기업들이 헬스케어 챗봇, 음성인식(STT) 솔루션을 제공하며, 닥터스온더클라우드 등 다양한 스타트업이 진출해 있다.

글로벌 빅테크 및 스타트업

빅테크: 마이크로소프트는 뉘앙스 인수를 통해 임상 문서 자동화 시장에 진출했으며 , 애플은 아이폰과 애플 워치를 헬스케어 허브로 육성하며 개인 맞춤형 건강 관리 서비스를 강화하고 있다.
스타트업: Dr.AI는 의료 기록 자동화에 , 아이소모픽 랩스는 AI 신약 개발에 집중하는 등 , 각 기업들은 특정 분야에 특화된 솔루션으로 시장을 공략하고 있다.

맨인블록은 고위험-고규제 영역인 '진단'을 회피하고, 저위험-고효율 영역인 '행정'에 집중함으로써 시장 진입 장벽을 낮추는 전략적 포지셔닝을 취하고 있다. 이 접근 방식은 의료진의 가장 큰 고충인 '임상 시간 낭비'를 직접적으로 해결하는 동시에 , AI 의료기기 인허가 및 의료진의 법적 책임 문제로부터 비교적 자유로운 영역이다. 이들의 RAG/LTM 기술은 이러한 전략을 뒷받침하는 핵심 요소로, 안정성과 신뢰성을 확보하며 시장의 신뢰를 구축하는 데 유리한 위치를 점하고 있다. 이는 헬스케어 AI 스타트업이 복잡한 규제 환경을 돌파하기 위한 모범적인 사례로 평가될 수 있다.

4. 시장 진입 장벽 및 성공을 위한 핵심 제언

4.1. 기술 및 데이터 관련 도전 과제

헬스케어 SLM 시장은 여러 도전 과제에 직면해 있다. LLM의 가장 큰 약점인 할루시네이션(환각) 문제는 의료 분야에서 오진으로 이어질 수 있는 치명적 문제점이며 , SLM이 이를 완화하지만 완벽한 해결은 여전히 과제다. 또한, 민감한 의료 데이터는 활용에 엄격한 규제가 따르며 , 기관별로 상이한 데이터 표준으로 인해 연계에 막대한 시간과 비용이 소요된다.

4.2. 제도 및 규제 장벽

국내 디지털 헬스케어 스타트업은 복잡한 식약처 허가와 건강보험 수가 적용 문제로 인해 시장 진입에 수년이 소요된다. 이로 인해 한국의 디지털 치료기기 허가 제품 수는 미국(65개)에 비해 현저히 적은 4개에 불과하다. AI 오작동 시 법적 책임 소재가 불분명하다는 점은 의료진의 AI 도입을 주저하게 만드는 주요 요인이다. 정부는 2025년 '생성형 인공지능 의료기기 허가·심사 가이드라인'을 제정하여 규제를 명확히 하려 노력하고 있다.

4.3. 신뢰 격차 해소

헬스케어 AI 도입에 있어 의료진과 환자 간의 신뢰 격차도 중요한 장벽이다. AI가 치료 결과를 개선할 것이라는 전망에 의료진의 86%가 긍정적이지만, 환자는 60%에 그친다. 환자들은 AI 도입으로 의사와의 대면 시간이 줄어들 것을 우려하며 , 의료진은 AI 오류 발생 시 법적 책임 문제를 가장 걱정한다. 신뢰 격차를 해소하기 위해 환자들은 AI의 '오류 감소'와 '의료비 절감'을 긍정적 인식 변화의 조건으로 꼽았으며, 의료진은 '명확한 지침'과 '법적 책임 규정'을 요구한다.

이러한 시장에는 복잡한 규제와 기술에 대한 신뢰 부족이라는 이중의 장벽이 존재한다. 규제가 엄격하기 때문에 도입이 늦어지고, 도입이 늦어지니 신뢰가 구축되지 않는 악순환이 발생한다. 이 악순환을 끊기 위해 정부의 선제적인 제도 개선(예: 식약처 가이드라인 제정 )이 핵심적인 역할을 한다. 기업은 규제 완화에만 의존할 것이 아니라, 맨인블록이 보여준 것처럼 RAG나 LTM과 같은 기술적 안전장치를 솔루션에 내재화하여 스스로 신뢰성을 입증하는 노력을 병행해야 한다. 기술과 제도가 상호 보완적으로 작용해야만 시장은 본격적으로 성장할 수 있다.

5. 투자 동향 및 미래 로드맵

5.1. 투자 및 M&A 동향

디지털 헬스케어 시장 전체의 벤처 자금 조달은 2023년에 감소하는 추세를 보였으나 , AI 헬스케어 분야로의 투자는 오히려 폭발적으로 증가했다. 2025년 1분기 디지털 헬스케어 투자액은 53억 달러로 전 분기 대비 47% 급증했으며 , 특히 AI 기반 스타트업이 전체 투자의 60%를 차지하며 시장을 주도했다. 이러한 투자 동향의 변화는 투자자들이 불분명한 비즈니스 모델을 가진 초기 단계 기업에서, 규제 승인과 확장성이 검증된 'AI 기반 플랫폼' 기업으로 투자의 중심을 이동했음을 의미한다.

또한, 삼성전자 와 같은 대기업들은 유망한 디지털 헬스케어 기업을 인수하여 기술 역량을 빠르게 내재화하고 있다. 이러한 M&A는 시장 성숙도를 보여주는 신호탄으로 평가될 수 있다.

5.2. 정책 및 기술 발전 로드맵

한국 정부는 헬스케어 AI 산업의 성장을 지원하기 위한 로드맵을 적극적으로 추진 중이다. 보건복지부는 2024년부터 2028년까지 AI 의료기술 사업화를 2배 이상 확대하고, 미국과 평균 2.7년의 기술 격차를 1년 이상 단축하는 것을 목표로 한 R&D 로드맵을 추진 중이다. 주요 과제로는 생성형 AI 기반 의료진 업무 경감 모델 개발, 보건의료 데이터 활용 체계 고도화, 그리고 의료 AI 윤리 및 신뢰 기반 마련 등이 포함된다.

이와 같은 정부의 정책적 지원은 시장의 질적 변화를 가속화하는 중요한 역할을 한다. 특히, K-Health 대구 AI 의료생태계 구축 지원사업 과 같은 정부의 노력이 투자 환경 개선과 맞물려 국내 헬스케어 AI 산업의 성장을 견인할 것으로 예측된다.

결론 및 전략적 제언

헬스케어 분야에서 SLM은 LLM의 한계를 보완하는 단순한 기술적 대안을 넘어, 보안, 비용, 정확성 측면에서 의료 특화 솔루션의 필수 요소로 자리매김하고 있다. 맨인블록은 RAG와 LTM 기술을 활용하여 의료진의 행정적 비효율성이라는 고충을 해결하는 데 집중함으로써, 규제와 신뢰라는 이중 장벽을 현명하게 회피하는 전략적 포지셔닝을 보여주고 있다.

이러한 분석을 바탕으로, 헬스케어 SLM 시장의 성공적인 안착을 위해 다음과 같은 전략적 제언을 제시한다.

명확한 페인 포인트 해결: '진단 보조'와 같이 법적 책임이 무거운 분야보다는, '행정 자동화'와 같이 의료 현장의 명확한 고충을 해결하는 SLM 솔루션 개발에 집중해야 한다.
기술적 신뢰성 확보: 맨인블록 사례에서처럼 RAG, LTM, 온디바이스 AI 등 신뢰성과 보안을 보장하는 기술을 적극적으로 도입하여 시장의 신뢰를 선제적으로 확보해야 한다.
선제적 제도 개선: 새로운 AI 의료기기 허가 가이드라인 을 신속히 실행하고, 의료 데이터 활용에 대한 제도적 기반을 더욱 강화해야 한다. 특히, 데이터 표준화와 가명정보 활용 절차의 간소화 는 스타트업의 규제 피로도를 낮추고 혁신을 촉진하는 데 필수적이다.

신뢰 구축 노력: AI 오작동 시의 법적 책임 소재를 명확히 규정하고, 의료진과 환자에게 기술 활용에 대한 명확한 지침을 제공하여 AI에 대한 신뢰를 구축해야 한다.

헬스케어 AI 시장은 앞으로도 개인화, 예방, 원격 의료를 중심으로 성장할 것이다. SLM은 비용 효율성과 보안성을 바탕으로 스마트워치, 진단 장비 등 다양한 엣지 디바이스에 탑재되어,

환자 중심의 의료 서비스 를 현실화하는 데 핵심적인 역할을 수행할 것으로 보인다.

Google 계정
Ethan SHIN
sdjinny.kor@gmail.com