BMS AI Targets: 약물 시험 20~30%, 타깃→선도물질 기간 절반 단축 목표
Bristol Myers Squibb CEO는 3분기 콜에서 AI 목표를 운영 계획에 넣었다며 약물 시험 기간 20~30% 단축, 타깃 선정에서 선도물질 도출까지 기간 절반을 제시했습니다. 전사 도구는 넓게 깔고 ROI가 보이는 곳에만 집중 투자한다고 했습니다. 기간 장부와 13주 일정을 붙였습니다.
BMS는 AI 효과를 비용이 아니라 신약 개발 기간으로 재겠다고 했습니다. 약물 시험 기간은 20~30%, 타깃 선정에서 선도물질 도출까지는 절반이 목표입니다. 같은 목표를 우리 R&D에 걸려면 과거 과제의 단계별 기간을 기준선으로 먼저 만들어야 합니다.
요약
Bristol Myers Squibb(BMS)는 2026년 10월 29일 3분기 실적 콜을 열었습니다. 매출은 131억 달러로 7% 늘었고 성장 제품군 매출은 77억 달러로 12% 늘었습니다. AI 이야기는 Goldman Sachs 애널리스트의 질문에서 나왔습니다. 그는 Anthropic이 Claude로 신약 개발을 앞당기려 하며 BMS를 협업사 여섯 곳 가운데 하나로 꼽았다고 짚었습니다. 그리고 AI 성과를 어떤 지표(KPI)로 재는지 물었습니다. CEO Christopher Boerner가 먼저 답했고 개발 총괄 Cristian Massacesi(최고의학책임자 겸 글로벌 개발 총괄)가 R&D 쪽을 이어 받았습니다.
Boerner는 AI를 discovery(신약 탐색)부터 상업화, 제조, 지원 부서까지 가치사슬 전체에 넣는다고 했습니다. 목표 수치를 운영 계획에 넣었고 enterprise 도구는 넓게 배포하되 ROI를 설명할 수 있는 곳에만 따로 크게 투자한다고 했습니다. 수치 목표는 두 가지입니다. 약물 시험 기간 20~30% 단축, 그리고 타깃 선정에서 lead molecule(선도물질) 도출까지 걸리는 시간 절반 단축입니다. Anthropic과의 계약도 이 전략 안에 있다고 했습니다. Massacesi는 AI가 R&D를 앞당기고 있고 이제 그 효과를 측정할 수 있다고 답했습니다. 아래에서는 이 목표가 어떻게 짜였는지 다섯 가지 메커니즘으로 나누고 같은 방식을 다른 회사 R&D에 옮기는 데 필요한 장부와 일정을 덧붙입니다.
핵심 메커니즘
Targets in Operating Plans: AI 목표를 운영 계획의 숫자로 관리
BMS는 AI를 별도 실험 예산으로 두지 않고 운영 계획에 구체적인 목표 수치로 넣었다고 했습니다. 입력은 부서별 업무와 현재 소요 기간입니다. 처리 단계에서 AI를 적용할 단계를 고르고 목표를 정합니다. 출력은 분기마다 실적과 비교할 수 있는 기간 단축 목표입니다. 적용 범위는 discovery, 개발, 제조, 상업화, 지원 부서까지 넓습니다. 이 방식은 AI 성과를 이사회와 투자자에게 설명해야 할 때 맞습니다. 업무 기준선이 없는 초기 탐색 단계에는 맞지 않습니다.
작은 예시(가상)입니다. 한 제약사 임상 운영팀이 프로토콜 확정부터 첫 환자 등록까지 평균 기간을 기준선으로 잡고 운영 계획에 “AI 적용 과제는 이 기간 20% 단축”을 적는 식입니다.
Two-layer Investment: 전사 도구는 넓게, 큰 돈은 ROI가 보이는 곳에만
Boerner는 투자를 두 층으로 설명했습니다. 1층은 전사 직원이 쓰는 enterprise AI 도구입니다. 넓게 깔아 업무 습관을 바꾸는 바닥 역할을 합니다. 2층은 ROI를 설명할 수 있는 영역에만 붙이는 집중 투자입니다. Anthropic 계약은 이 전략의 일부라고 했습니다. 1층은 개별 효과를 따지지 않고 사용률로 관리하고 2층은 목표 수치와 담당자를 붙여 관리하는 구조로 읽힙니다. 도구 배포만으로 성과를 기대하는 방식과 다르고 모든 과제에 ROI 심사를 거는 방식과도 다릅니다.
Target-to-Lead: 탐색 초기 구간을 절반으로
두 번째 목표는 타깃 선정에서 선도물질 도출까지입니다. 신약 탐색의 앞부분은 대체로 질병과 연결된 단백질이나 경로(target)를 고르고 거기에 붙는 화합물 후보(hit)를 찾은 뒤, 효능과 성질을 갖춘 선도물질(lead)을 확정하는 순서로 갑니다(일반적인 흐름 설명). BMS는 이 구간의 시간을 절반으로 줄이겠다고 했습니다. Massacesi는 discovery에서 AI가 후보의 품질과 속도를 높이고 새 IND(임상시험계획 승인 신청)를 지원한다고 말했습니다. 콜에서 어떤 모델이나 도구를 쓰는지는 밝히지 않았습니다.
Drug Testing Timelines: 시험 기간 20~30% 단축과 시험 설계 변경
첫 번째 목표는 약물 시험 기간 20~30% 단축입니다. Boerner는 준비 발언에서 회사 전반에 걸쳐 임상시험을 설계하고 수행하는 방식을 바꿨다고 했습니다. Massacesi는 개발 단계에서 AI가 비용과 속도의 효율을 높이고 probability of technical success(기술적 성공 확률, 후보가 다음 단계로 넘어갈 확률)를 높이는 데 쓰인다고 했습니다. 기간 단축과 함께, 탈락할 후보를 일찍 걸러 헛도는 시험을 줄이는 효과도 겨냥합니다.
Outcome Prediction Data: 신경과학 대규모 데이터로 결과 예측 모델
Massacesi는 콜 이틀 전 발표한 협업을 예로 들었습니다. 신경과학 분야의 대규모 데이터셋을 합쳐 환자 결과(outcome)를 예측하는 모델을 만든다는 내용입니다. 녹취에 적힌 협업사 이름은 표기가 분명하지 않아 이 노트에서는 쓰지 않습니다. 구체 사례는 따로 공유하겠다고 했습니다. 다른 회사가 같은 길을 가려면 내부 임상·실험 데이터를 외부 데이터와 합칠 수 있게 정리하는 일부터 해야 합니다.
통념과 다른 주장
흔히 이렇게 봅니다대기업의 AI 효과는 비용 절감과 인력 감축으로 나타나고 경영진은 효과를 대개 말로만 설명합니다.
BMS 경영진은 이렇게 봅니다AI 목표는 R&D 기간 단축이고 목표 수치는 운영 계획에 들어가 있으며 효과는 이제 측정할 수 있습니다.
근거CEO는 약물 시험 기간 20~30%와 타깃에서 선도물질까지 절반이라는 두 수치를 내놓았습니다. 2027년 말까지 20억 달러를 아끼는 생산성 프로그램은 CFO가 조직 구조, 자본 배분, 기술 활용과 함께 따로 설명했고 AI 수치를 붙이지 않았습니다.
콜에서 나온 사례
CEO Boerner의 AI 목표
- 상황: Goldman Sachs 애널리스트가 Anthropic·NVIDIA 협업을 언급하며 AI 성과를 어떤 KPI로 재는지 물었습니다.
- 한 일: AI를 가치사슬 전반에 넣고 운영 계획에 목표 수치를 넣었습니다. 전사 도구는 넓게, 집중 투자는 ROI가 보이는 곳에만 합니다.
- 결과: 약물 시험 기간 20~30% 단축, 타깃 선정에서 선도물질까지 기간 절반이라는 목표를 밝혔습니다. 달성 시점은 콜에서 밝히지 않았습니다.
- 연결: Targets in Operating Plans, Two-layer Investment.
개발 총괄 Massacesi의 R&D 가속
- 상황: 같은 질문의 R&D 부분을 이어 받았습니다.
- 한 일: discovery에서는 후보 품질·속도와 새 IND를, development에서는 비용·속도 효율과 기술적 성공 확률을 AI로 높이고 있다고 했습니다. 신경과학 데이터 협업도 소개했습니다.
- 결과: 가속을 측정하고 있다고 했고 구체 사례는 따로 공유하겠다고 했습니다. 수치는 밝히지 않았습니다.
- 연결: Drug Testing Timelines, Outcome Prediction Data.
따로 설명된 20억 달러 생산성 프로그램
- 상황: BMS는 2027년 말까지 20억 달러 규모의 효율화를 진행하고 있습니다.
- 한 일: CEO는 조직 구조, 자본 배분, 기술 활용으로 생산성을 높인다고 했고 임상시험 설계·수행 방식도 바꿨다고 했습니다.
- 결과: CFO David Elkins는 목표 달성이 순항 중이라고 했습니다. 3분기 영업비용은 41억 달러였습니다. AI가 이 금액에서 차지하는 몫은 밝히지 않았습니다.
- 연결: Targets in Operating Plans(비용 목표와 기간 목표를 따로 관리).
기술 디테일: 기간 목표를 실제로 재려면
아래 필드, 설정값, 판정 기준은 실행 제안이며 BMS가 밝힌 방법이 아닙니다.
Targets in Operating Plans를 돌리려면 먼저 단계별 기간 장부(cycle_time 장부)를 만듭니다. 과제마다 단계 시작일과 종료일을 남기고 지난 3~5년 과제의 같은 단계 기간 중앙값을 기준선으로 씁니다. 평균은 몇 개 과제의 긴 지연에 끌려가므로 중앙값과 75번째 백분위를 함께 봅니다. 질환 영역과 modality(저분자·항체 등 약의 형태)가 다르면 기준선을 나눕니다.
{
"program_id": "NEURO-SM-014",
"modality": "small_molecule",
"stage": "target_to_lead",
"start_date": "2026-01-12",
"end_date": "2026-08-03",
"duration_days": 203,
"baseline_median_days": 410,
"baseline_n": 9,
"ai_interventions": ["virtual_screening", "property_prediction"],
"ai_tool_versions": {"screening_model": "v3.2"},
"status": "lead_declared",
"verified_by": "R&D 포트폴리오 관리팀"
}위 값은 가상 예시입니다. ai_interventions에는 어느 단계에서 어떤 AI를 썼는지를 남겨, 기간이 줄어든 이유가 AI인지 인력 증원인지 나눠 볼 수 있게 합니다.
Target-to-Lead 절반을 확인하려면 탐색 팀의 설계, 합성, 시험, 분석 반복 횟수와 한 번 도는 데 걸린 날짜를 함께 기록합니다. 기간이 줄어든 이유가 반복 횟수 감소인지, 반복 한 번의 단축인지가 갈립니다. 후보 점수를 매기는 예측 모델은 같은 입력을 3회 돌려 순위가 크게 흔들리는 후보를 사람 검토 대기열로 보냅니다.
Drug Testing Timelines를 줄이려면 LLM은 계산이 아니라 문서 쪽에 씁니다. 과거 프로토콜과 승인 문서에서 포함·제외 기준, 방문 일정, 지연 사유를 뽑아 JSON 필드로 채우고 temperature 0으로 두 번 추출해 값이 다르면 담당자 확인으로 넘깁니다. 기간 집계는 SQL로 합니다. 문서 추출에는 범용 LLM(BMS가 계약한 Anthropic의 Claude가 한 예)을, 후보 점수에는 사내 실험 데이터로 학습한 물성 예측 모델을 따로 씁니다. 추출한 값마다 근거 문서 ID와 확인 날짜를 남겨, 기준선 숫자를 누가 언제 어느 문서에서 가져왔는지 되짚을 수 있게 합니다.
| 막히는 경우 | 증상 | 대응 |
|---|---|---|
| 기준선 과제 수 부족 | 같은 modality 과제가 5개 미만 | 질환 영역을 묶어 기준선 확대, 신뢰도 low 표시 |
| 원인 섞임 | 인력 증원과 AI 도입이 같은 시기 | ai_interventions와 투입 인원을 함께 기록 |
| 성공 확률 착시 | 기간은 줄었는데 다음 단계 탈락 증가 | 단계 통과율을 기간과 같은 표에 둠 |
| 도구 버전 변경 | 분기 중 모델 교체로 비교 불가 | 버전 필드로 구간을 나눠 집계 |
현업 실행 디테일: 누가, 언제, 무엇을
| 역할 | 맡는 일 |
|---|---|
| CEO·경영위원회 | AI 기간 목표를 운영 계획에 넣고 분기마다 점검 |
| R&D 포트폴리오 관리팀 | 기준선 정의, cycle_time 장부 운영 |
| Discovery 팀장 | 타깃에서 선도물질까지 단계 기록, AI 개입 표시 |
| 임상 운영 리더 | 시험 설계·수행 단계 기간 기록, 지연 사유 정리 |
| AX 추진 조직 | 전사 도구 사용률 관리, 집중 투자 과제 심사 |
| 재무(FP&A) | 생산성 프로그램 절감액과 AI 기간 목표 구분 |
시작 전 준비물은 네 가지입니다. 최근 3~5년 과제 목록과 단계별 날짜, 단계 정의서(무엇을 시작과 끝으로 볼지), 현재 쓰는 AI 도구와 적용 단계 목록, 함께 돌고 있는 효율화 프로그램 목록입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~2주 | 단계 시작·종료 정의 합의 | 단계 정의서 1쪽 |
| 3~6주 | 과거 과제 기간 수집, 기준선 계산 | 기준선 표(중앙값·75번째 백분위) |
| 7~10주 | 진행 과제에 AI 개입 표시 | cycle_time 장부 v1 |
| 11~13주 | 목표 수치 확정, 운영 계획 반영 | 경영위원회 보고 1쪽 |
담당자에게 물을 질문은 다음과 같습니다.
- 이 단계의 시작과 끝은 어떤 문서나 회의로 확인합니까?
- 지난 과제 중 기준선에서 빼야 할 예외(중단, 재개)는 무엇입니까?
- AI를 쓴 과제와 안 쓴 과제를 같은 기간에 비교할 수 있습니까?
- 기간이 줄었을 때 다음 단계 통과율은 어떻게 변했습니까?
집중 투자 판정 기준(예시)은 이렇습니다. 같은 단계 기준선 과제가 5개 이상이고 AI를 쓴 과제의 기간 중앙값이 기준선보다 15% 이상 짧으며 다음 단계 통과율이 떨어지지 않았을 때 2층 투자를 늘립니다. 미달이면 1층 도구로 남겨 두고 다음 분기에 다시 봅니다.
AX 적용 제언입니다. 국내 제약·바이오사와 제조업 R&D 조직도 AI 효과를 비용으로만 설명하면 숫자가 작고 논쟁이 길어집니다. BMS처럼 단계 기간을 목표로 걸면 현업이 자기 일로 받아들이기 쉽고 재무 절감 프로그램과 겹쳐 세는 일도 줄어듭니다. 순서는 기준선 장부를 먼저 만들고 전사 도구를 깐 뒤, 기간 단축이 확인된 단계에만 큰 투자를 붙이는 것입니다. 첫 분기는 목표를 발표하기보다 단계 정의와 기준선을 맞추는 데 씁니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 자료 | BMS 2026년 3분기 실적 콜 녹취(2026.10.29, Motley Fool) |
| 발언자 | CEO Christopher Boerner, CMO 겸 글로벌 개발 총괄 Cristian Massacesi, CFO David Elkins |
| 계기 | Goldman Sachs 애널리스트의 AI KPI 질문(Anthropic 협업사 여섯 곳, NVIDIA 언급) |
| AI 목표 1 | 약물 시험 기간 20~30% 단축 |
| AI 목표 2 | 타깃 선정에서 선도물질 도출까지 기간 절반 |
| 투자 방식 | 전사 enterprise 도구 배포, ROI 설명되는 곳에 집중 투자, 운영 계획에 목표 반영 |
| R&D 효과 | 후보 품질·속도, 새 IND, 개발 비용·속도, 기술적 성공 확률 |
| 데이터 협업 | 신경과학 대규모 데이터셋 결합, 결과 예측 모델 |
| 생산성 프로그램 | 2027년 말까지 20억 달러 효율화, 순항 중 |
| 3분기 실적 | 매출 131억 달러(+7%), 성장 제품군 77억 달러(+12%), non-GAAP EPS 1.35달러 |
핵심 개념
- IND
- Investigational New Drug. 사람 대상 임상시험을 시작하려고 규제 기관에 내는 신청입니다.
- lead molecule
- 표적에 대한 효능과 기본 성질을 갖춰 본격적인 최적화 대상으로 정한 화합물입니다.
- probability of technical success
- 후보 약물이 다음 개발 단계로 넘어갈 확률입니다. 기간과 함께 R&D 생산성을 재는 축입니다.
- enterprise AI 도구
- 특정 과제가 아니라 전사 직원이 공통으로 쓰는 AI 도구입니다.
- growth portfolio
- BMS가 성장 동력으로 묶어 따로 보고하는 신제품군입니다.
내 메모
TODO: 내 생각 추가
이 노트는 Motley Fool에 실린 Bristol Myers Squibb 2026년 3분기 실적 콜 녹취(“Bristol-Myers Squibb (BMY) Q3 2026 Earnings Call Transcript”, 2026.10.29)를 다룹니다. 요약, 핵심 메커니즘의 사실, 통념과 다른 주장, 콜 사례, 원문 사례 표는 녹취의 발언을 AX Review가 다시 정리한 것입니다. 타깃에서 선도물질까지 단계 설명과 IND·기술적 성공 확률 풀이는 일반적인 신약 개발 지식으로 덧붙였습니다. 기술·현업 실행 디테일, JSON 예시, 판정 기준, 13주 일정, 인포그래픽과 기준 100 환산은 원문에 없는 내용으로 새로 작성했습니다. 신경과학 데이터 협업사 이름은 녹취 표기가 분명하지 않아 싣지 않았습니다. 전체 발언은 원문 녹취에서 볼 수 있습니다.