빅테크 낙관론과 임상 현실
2026년 11월 10일 공개된 42분 분량의 투자자 로드쇼 영상에서 다리오 아모데이(Dario Amodei) 앤스로픽(Anthropic) 최고경영자(CEO)는 인공지능(AI)이 10년 안에 암, 알츠하이머병, 심장병, 정신 질환 같은 난제를 과거의 문제로 만들 수 있다고 내다봤다. 그는 AI를 통해 인류가 수 세대에 걸쳐 해결하지 못했던 문제들을 풀 수 있는 "기적의 시대"를 열 수 있다고 강조했다.
이 발언은 의학의 미래를 향한 낙관론이지만, 산업 관점에서 더 큰 의미는 따로 있다. 생성형 AI 기업들이 더 이상 챗봇과 업무 자동화 시장에만 머물지 않고, 제약 연구개발(R&D)이라는 고비용 산업의 핵심 공정으로 들어가려 한다는 점이다. 투자자가 봐야 할 쟁점은 '10년 내 완치'라는 문구의 가능성보다, AI 기업이 제약사의 비용 구조와 협상 구도를 얼마나 바꿀 수 있느냐다.
앤스로픽은 2026년 10월 27일 업데이트에서 6개 제약 연구 기관과 협력 관계를 맺고 자체 신약 개발 프로그램을 시작했다고 밝혔다. 근이영양증 같은 희귀 소아 질환을 포함한 여러 질환 영역에 초점을 맞추고 있으나, 대부분 연구는 전임상(preclinical) 단계에 머물렀고, 잠재 치료제가 인체 대상 임상시험(clinical trial)에 들어갔다는 공식 확인은 없었다.
6개 기관이라는 숫자는 아직 대형 상업화 성과가 아니라 탐색적 포트폴리오의 출발점에 가깝다. 그러나 AI 모델 기업이 직접 질환 영역을 고르고 후보물질 발굴 과정에 발을 들였다는 사실은, 제약 산업의 외주 구조를 다시 계산하게 만들기에 충분하다.
본지 분석에 따르면 이번 논쟁은 의료의 낙관론과 비관론 사이에서 끝나지 않는다. 핵심은 신약 개발 가치사슬에서 어느 구간의 마진이 AI 플랫폼으로 이동하느냐다. 전통 제약사는 표적 발굴, 후보물질 탐색, 독성 검토, 임상 설계, 허가 대응, 생산과 판매를 긴 사슬로 묶어 사업을 키웠다.
AI 기업은 이 가운데 데이터 해석과 후보 탐색 구간을 먼저 파고든다. 이 구간에서 반복 실험 횟수를 줄이고 실패 후보를 일찍 걸러낸다면, 제약사는 현금 소모 속도를 낮출 수 있고 AI 공급자는 사용료, 공동개발 지분, 성과 기반 보상이라는 새 매출원을 확보한다.
광고
어느 쪽이 더 큰 협상력을 쥐게 될지는 임상 단계 이후의 결과 데이터가 쌓여야 판단할 수 있다. 구글 딥마인드(Google DeepMind)의 데미스 하사비스(Demis Hassabis) CEO가 제시한 전망도 같은 맥락에 놓인다. 그는 인도 과학 연구소(Indian Institute of Science) 대담에서 일반적으로 약 10년이 걸리는 신약 개발 과정을 AI가 몇 달, 심지어 몇 주 단위로 줄일 수 있다고 제안했다.
딥마인드의 알파폴드(AlphaFold)는 2억 개 이상의 단백질(protein) 구조 예측 정보를 연구자들에게 제공했다. 이 숫자는 연구자가 실험 전에 살펴볼 수 있는 생물학적 지도 자체가 넓어졌다는 뜻이다.
단백질 구조는 약물이 어디에 결합하고 어떤 반응을 유도할지 추정하는 데 쓰이는 핵심 정보다. 다만 하사비스 CEO도 단백질 구조 예측이 의약품 개발의 한 부분일 뿐이며, 후보 화합물이 원하는 방식으로 작동하는지와 안전성·부작용 여부를 따져야 한다는 점을 인정했다.
이 지점에서 앤스로픽의 행보는 단순한 기술 홍보가 아니라 기업 전략으로 읽힌다. 대규모 언어모델(LLM) 경쟁은 막대한 연산 비용과 가격 인하 압력에 직면했다.
범용 챗봇만으로는 차별화가 빠르게 약해진다. 본지 분석에 따르면 생명과학은 AI 기업에 매력적인 수직 시장이다.
데이터의 전문성이 높고, 실패 비용이 크며, 모델의 성능 개선이 곧 연구 예산 절감 논리로 이어질 수 있기 때문이다. 앤스로픽이 희귀 소아 질환과 근이영양증 같은 영역을 언급한 것도 사업적으로 의미가 있다. 환자 수가 제한된 질환은 대형 제약사의 우선순위에서 밀릴 때가 많지만, AI 기반 탐색 도구가 초기 비용을 낮추면 작은 시장에서도 개발 시도를 늘릴 여지가 생긴다.
제약 가치사슬로 번진 모델 경쟁
투자 측면에서는 기대와 검증 사이의 간격을 구분해야 한다. AI가 신약 개발을 단축한다는 주장은 매력적이지만, 매출 인식은 연구 단계마다 달라진다.
광고
후보물질 발굴 도구를 파는 회사는 소프트웨어 매출을 먼저 얻을 수 있지만, 치료제의 상업적 성공에 연동된 수익은 임상과 허가 이후에야 커진다. 전임상에서 임상으로 넘어가지 못하면 기술의 과학적 성과와 기업가치가 분리될 수 있다. 앤스로픽 사례 역시 현재 확인된 사실은 6개 제약 연구 기관과의 협력, 자체 프로그램 착수, 대다수 연구의 전임상 단계다.
암이나 알츠하이머 치료제가 실제 인체에서 효과를 냈다는 결과는 현재까지 공식 확인되지 않았다. 제약 업계가 신중한 이유도 여기에 있다. Coingeek 보도에 따르면 버텍스 파마슈티컬스(Vertex Pharmaceuticals)의 제프 라이든(Jeff Leiden) 회장은 AI가 기술 기업 경영진이 말하는 속도로 독립적으로 효과적인 의약품을 만들어낼 수 있다는 주장에 이의를 제기했다.
이는 보수적 태도만은 아니다. 신약은 계산 결과가 아니라 사람 몸에서의 안전성과 유효성으로 평가받는다. 동물실험과 세포 기반 분석에서 의미 있는 후보가 나와도, 인체에서는 대사 과정, 면역 반응, 장기 독성, 복용 편의성 같은 변수가 새로 등장한다.
따라서 투자자가 AI 신약 기업을 볼 때 모델 성능 지표만 확인하면 위험하다. 임상 설계 역량, 규제 대응 경험, 제약사와의 계약 조건, 지식재산(IP) 귀속 구조까지 함께 살펴야 한다. 반론도 만만치 않다.
일부 기술 업계 인사는 알파폴드의 성과가 이미 연구 속도를 바꿨고, 딥러닝(deep learning)이 실험실 병목을 줄이면 임상 단계 이전의 실패를 크게 줄일 수 있다고 주장한다. 이 반론은 타당한 부분이 있다. AI가 연구자의 가설 생성 시간을 줄이고, 수많은 후보 중 실험 우선순위를 정하는 데 도움을 준다는 점은 부정하기 어렵다.
그러나 이 주장이 놓치는 부분은 가치 창출의 위치다. 신약 산업에서 가장 비싼 실패는 모델이 답을 못 찾을 때만 발생하지 않는다.
임상 2상 또는 3상에서 효능이 부족하거나 안전성 문제가 드러날 때 손실이 가장 커진다.
광고
AI가 탐색 비용을 낮춰도 임상 리스크를 완전히 없애지 못한다면, 시장은 'AI가 약을 만든다'가 아니라 'AI가 실패의 일부를 앞당겨 발견한다'는 쪽으로 가격을 매길 가능성이 높다. 본지 분석에 따르면 한국 기업에는 두 갈래의 선택지가 있다.
하나는 대형 AI 모델을 직접 구축해 글로벌 플랫폼과 맞서는 길이고, 다른 하나는 병원 데이터, 바이오마커, 질환별 전문성, 임상 운영 경험을 묶어 AI 기업이 쉽게 복제하기 어려운 영역을 차지하는 길이다. 국내 바이오벤처와 병원, 제약사는 후자에서 현실적 기회를 찾을 수 있다. 범용 모델 경쟁은 자본과 연산 인프라가 큰 기업에 유리하다.
반면 특정 질환군의 고품질 데이터와 임상 현장의 해석 능력은 지역 의료 생태계가 축적한 자산이다. 다만 개인정보, 연구윤리, 데이터 표준화 문제를 해결하지 못하면 AI 기업과의 협상에서 데이터 제공자 역할에 그칠 수 있다.
한국 바이오가 따져야 할 수익 구조
산업 생태계 변화는 이미 계약 방식에서 시작했다. 과거 제약사는 연구 장비, 임상수탁기관(CRO), 대학 연구실을 각각 조합해 개발을 밀어붙였다.
AI 기업이 이 사슬 안으로 들어오면 초기 연구의 의사결정 권한이 일부 소프트웨어 플랫폼으로 이동한다. 플랫폼이 후보물질 추천과 실험 우선순위 제안을 맡을수록, 제약사는 내부 연구조직을 어떻게 유지할지 다시 판단해야 한다. 반대로 AI 기업도 의료 데이터를 다루는 순간 단순 소프트웨어 회사의 규칙만으로 움직일 수 없다.
안전성 검증, 책임 소재, 환자 접근성, 약가 부담까지 사업 모델에 포함해야 한다. 아모데이 CEO가 말한 '기적의 시대'는 투자자에게 강한 메시지를 남긴다.
하지만 산업의 승자는 가장 큰 약속을 내건 회사가 아니라, 계산 모델을 임상 증거와 규제 통과, 생산 가능한 치료제로 연결한 회사가 될 것이다. 10년 내 주요 질병을 과거의 유물로 만들겠다는 전망은 검증을 기다려야 한다.
반면 AI 기업이 제약 연구의 비용 배분과 협력 계약 방식을 흔들기 시작했다는 변화는 이미 숫자와 전략에서 확인된다. 한국의 바이오·헬스케어 산업이 지금 물어야 할 질문은 낙관론의 크기가 아니다.
광고
AI가 신약 개발의 어느 지점을 상품화할 때, 우리는 데이터 제공자에 머물 것인가 아니면 임상 가치의 가격 결정자로 남을 것인가. ※ 이 기사는 Coingeek의 2026년 11월 보도를 참조하여 작성하였다.
FAQ
Q. AI가 실제로 10년 안에 암과 알츠하이머를 치료할 수 있나
A. 현재 확인된 사실만 보면 10년 안에 주요 질병이 치료된다는 주장은 전망이며 임상 결과로 입증된 결론이 아니다. 앤스로픽의 관련 연구는 대부분 전임상 단계로, 인체 대상 효과가 공식 확인된 치료제 사례는 원본 자료에 제시되지 않았다. AI는 후보물질 탐색과 연구 우선순위 설정을 빠르게 만들 수 있지만, 안전성과 유효성 검증은 임상시험을 거쳐야 한다. 투자자와 환자는 기술 발표와 승인된 치료제를 분리해 봐야 한다.
Q. 알파폴드가 2억 개 단백질 구조를 예측했다는 점은 왜 중요한가
A. 알파폴드가 제공한 2억 개 이상의 단백질 구조 예측 정보는 연구자가 생물학적 표적을 이해하는 출발점을 넓혔다는 의미를 갖는다. 단백질 구조는 약물이 어디에 결합하고 어떤 반응을 유도할지 추정하는 데 쓰인다. 다만 구조 예측은 신약 개발의 한 단계이며, 후보 화합물의 독성, 약효 지속 시간, 인체 반응은 별도로 검증해야 한다. 따라서 이 성과는 연구 속도를 높이는 기반이지 승인 의약품을 자동으로 만들어내는 장치는 아니다.
Q. 한국 바이오 기업은 AI 신약 흐름에 어떻게 대응해야 하나
A. 국내 기업은 대형 범용 모델 경쟁보다 질환별 데이터, 임상 경험, 병원 네트워크를 결합한 협력 모델을 우선 검토할 필요가 있다. 글로벌 AI 기업은 연산 능력과 모델 개발 역량을 갖췄지만, 특정 환자군의 정제된 의료 데이터와 임상 해석은 현지 생태계가 강점을 가질 수 있는 영역이다. 계약 단계에서는 데이터 제공 대가, 공동 지식재산권, 임상 성공 시 보상 조건을 명확히 해야 한다. 이 조건을 놓치면 AI 신약 시장이 성장해도 국내 기업의 몫은 낮은 연구용역 수익에 머물 수 있다.
▶ 법률 고민이 있다면 → 변호사 오경석 법률사무소 바로가기
){kind=small}
){kind=small}
){kind=small}
){kind=small}
