【토카티비-totocasinocomunity】 보증업체안전놀이터추천홍보 : 프로그램제작판매제작의뢰 : 스포츠분석 : 무료스포츠중계tv : 섹시bj움짤 : 스포츠뉴스 : 안구정화 놀이터홍보 놀이터후기공유 먹튀피해사례공유

로그인

글쓰기

[연예뉴스][AX 지금, 현장에선] AI 시대, 신약 R&D의 진짜 경쟁력은?

온카뱅크관리자

2026-04-20 18:42:34

<div id="layerTranslateNotice" style="display:none;"></div> 어떤 AI 쓰느냐보다 AI가 작동하는 연구 체계 구축이 우선 
 <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> 
 <section dmcf-sid="Q0I97XLxHy">
 <figure class="figure_frm origin_fig" contents-hash="42c4a952245808972ffbdad8ec97869e2f58910f8652348b72311504501a8b3f" dmcf-pid="xpC2zZoMYT" dmcf-ptype="figure">
 <img alt="김경훈 BCG 코리아 파트너. /BCG 코리아" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202604/20/chosun/20260420184235774tvpp.jpg" data-org-width="547" dmcf-mid="PvZdPqmj1W" dmcf-mtype="image" height="auto" src="https://img2.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202604/20/chosun/20260420184235774tvpp.jpg" width="658">
 <figcaption class="txt_caption default_figure">
 김경훈 BCG 코리아 파트너. /BCG 코리아
 </figcaption>
 </figure>
 2024년 10월, 노벨 화학상 발표는 제약·바이오 업계에 상징적인 장면을 남겼다. 수상자 명단에 구글 딥마인드의 데미스 허사비스 최고경영자와 존 점퍼 박사가 이름을 올렸기 때문이다. ‘알파폴드’를 통해 단백질 구조 예측 문제를 해결한 공로였다. 이들이 전통적인 화학자가 아닌 인공지능(AI) 연구자였다는 사실은 단순한 수상을 넘어, AI가 과학의 방법론 자체를 바꾸고 있다는 메시지를 남겼다.
 이러한 변화 속에 많은 제약·바이오 기업이 ‘우리도 AI 기반 연구·개발(R&amp;D)을 도입해야 하지 않나’라는 반응을 보인다. 그러나 한편에선 다른 고민이 등장하기 시작했다. 시장에서 구매할 수 있는 AI 도구가 과연 기업의 지속적인 경쟁력이 될 수 있는지, 그리고 AI 시대에 진짜 경쟁력은 무엇인지에 대한 것이다.
 ◇핵심은 AI 도구가 아니라, AI가 들어갈 체계
 제약 R&amp;D의 본질은 불확실성을 줄여나가는 반복 과정에 있다. 가설을 세우고, 실험으로 검증하고, 데이터로 가설을 다시 정교화하는 사이클을 얼마나 빠르고 정확하게 반복하느냐가 경쟁력을 좌우한다. 하지만 많은 기업은 AI를 이 핵심 사이클에 적용하지 못하고 있다. AI를 문서 요약이나 데이터 정리 같은 특정 업무를 자동화해 빠르게 처리하는 도구로 활용하는 데 그친다. 이러한 ‘도입 단계’에 머무르는 한 경쟁사와의 격차를 만들긴 어렵다. 누구나 똑같은 AI 도구를 확보할 수 있기 때문이다.
 진짜 전환은 AI를 전제로 연구 체계 자체를 다시 설계할 때 시작된다. 이때 중요한 것은 데이터를 중심으로 한 연구 체계가 경쟁력의 기반이며, AI는 이를 확장하는 수단이라는 관점이다. AI 모델은 교체할 수 있지만, 체계는 쉽게 대체되지 않기 때문이다.
 ◇BCG-머크 사례: AI 중심 R&amp;D 체계의 3가지 핵심
 BCG의 기술·데이터 실행 조직인 BCG X와 머크(Merck)의 협업은 AI 개발이 아닌 목표 설정에서 출발했다. ‘AI를 활용해 질병의 메커니즘을 추적하고, 기존 방식으로는 발견하기 어려운 신약 타깃을 발굴한다’는 명확한 목표가 먼저 정의됐다. 이후 데이터와 실험, 분석 체계가 이 목표를 중심으로 재구성됐다. 이 과정에서 BCG X와 머크는 하나의 팀으로 협업했고 머크가 보유한 독점 데이터와 의학·생물학적 전문성에 BCG의 문제 해결 역량과 데이터 설계·구조화 능력이 결합됐다.
 BCG X와 머크는 AI를 활용하는 R&amp;D 체계의 핵심을 세 가지로 정리했다. 첫째, 데이터의 범위와 규모다. 기존에는 연구자가 개별 논문과 데이터를 기반으로 가설을 세웠다면, 이제는 질환·유전자·단백질·약물 간 관계를 하나의 지식 그래프로 통합했고 훨씬 넓은 범위에서 탐색이 가능해졌다. 이를 통해 인간의 인지 능력으로는 파악하기 어려운 연결성과 패턴이 드러나기 시작했다.
 둘째는 AI 기반 해석이다. BCG와 머크는 사람의 유전적 정보를 마치 언어처럼 이해하는 파운데이션 모델 ‘테디(TEDDY)’를 개발했다. 이를 활용해 유전자 정보를 하나의 언어처럼 학습하고, 질병과 관련된 신호를 통합적으로 분석해 새로운 가설 도출의 속도를 크게 높였다. 이는 단순한 자동화가 아니라, 기존 연구 방식으로는 불가능했던 새로운 가설 수립 방식을 가능케 했다.
 셋째는 순환 구조다. AI 기반 R&amp;D에서 가장 핵심은 이 순환 구조의 설계에 있다. AI가 방대한 데이터 속에서 최적의 가설을 도출하면, 이를 검증하기 위한 실험이 수행되고 그 과정에서 새로운 데이터가 축적된다. 이렇게 확보된 데이터는 다시 모델 학습에 반영되고, 재학습된 모델은 다음 실험 설계를 더욱 정교하게 만든다. 이 순환 구조가 작동하면 단순히 반복 속도가 빨라지는 것을 넘어, 반복될수록 성공 확률 자체가 높아진다. 학습이 축적될수록 경쟁자와의 격차는 기하급수적으로 벌어지고 성공 확률이 누적되는 ‘복리 효과’가 나타나기 때문이다.
 ◇‘실패 데이터’의 가치
 AI 도입 과정에서 많은 기업이 ‘AI로 얼마나 정확하게 예측했는가’를 먼저 묻는다. 그러나 AI 기반 연구 체계에서는 관점이 달라져야 한다. ‘왜 예측이 빗나갔는가?’ ‘실제 실험이 실패한 원인은 무엇인가?’라는 질문에 대한 답과 데이터가 다음 성공 확률을 높이는 핵심 자산이 되기 때문이다. 예컨대 임상 1·2상에서 효능이 확인됐지만 독성 문제로 중단된 후보 물질의 데이터나 초기 스크리닝에서 탈락한 수많은 화합물의 실험 결과는 단순한 실패가 아닌 향후 연구 방향을 정교하게 만드는 중요한 단서가 된다. 이런 데이터가 축적되는 기업과 그렇지 않은 기업은 시간이 갈수록 격차가 벌어진다. AI 모델은 외부에서 확보하거나 교체할 수 있지만, 오랜 기간 축적된 실패 데이터와 실험 경험은 외부에서 가져올 수 없기 때문이다. AI 기술이 빠르게 범용화되는 가운데 경쟁력을 결정하는 것은 어떤 AI 모델을 쓰느냐가 아닌, 자사의 데이터와 실험 경험이 AI와 얼마나 긴밀하게 연결되어 있는지에 있다.
 ◇한국 제약 기업이 답해야 할 질문
 BCG가 제안하는 출발점은 AI 도구 선정이 아니다. 다음의 이 세 가지 질문이다. 첫째, AI 활용을 통해 달성할 목표가 무엇인가. 신약 타깃 발굴 속도 향상인지, 연구 비용 절감인지, 임상 성공률 개선인지에 대한 명확한 목표가 필요하다. 이 질문에 대한 답이 없으면 어떤 데이터를 축적해야 하는지도 결정할 수 없다.
 둘째는 어떻게 체계를 설계할 것인가이다. 데이터의 범위와 규모를 확장하고, 실험과 학습이 연결되는 구조를 구축하는 것이 핵심이다. AI 모델 선택보다 중요한 것은 이 구조에 대한 설계다. 마지막으로 무엇을 성공으로 볼 것인가에 대한 정의가 필요하다. 초기 단계에서 모델 정확도만을 기준으로 삼으면 실행이 멈추기 쉽다. 중요한 것은 조직이 데이터를 중심으로 일하는 방식으로 변하는지 여부다. 기술이 아니라 조직의 작동 방식을 바꾸는 것이 AI 재설계의 본질이다. 기업이 지향하는 방향성이 타당하다면, 단기간 내 AI 정확도 문제가 R&amp;D 체계의 방향성을 흔들어서는 안 된다. 꼬리가 몸통을 흔들 수는 없다.
 AI 기술이 빠르게 발전하면서 알파폴드와 같은 기술도 누구나 사용할 수 있는 도구가 될 가능성이 높다. 그러나 데이터와 실험, 학습이 연결된 연구 체계는 쉽게 복제되지 않는다. 결국 경쟁력은 어떤 AI 모델을 쓰느냐가 아니라, AI가 작동할 수 있는 체계를 얼마나 빠르고 단단하고, 촘촘하게 구축하느냐에 있다. 지금 이 질문에 답을 가진 기업이 몇 년 뒤 신약 개발 경쟁의 중심에 서게 될 것이다.
 </section> 
 </div> 
 Copyright © 조선일보. 무단전재 및 재배포 금지.

댓글 총 0개

업체홍보/구인 더보기

놀이터홍보 더보기

지식/노하우 더보기

판매의뢰 더보기

포토 더보기