Genesis: Pfizer가 120여 개국 약물 안전성 업무에서 행정은 AI에, 판단은 과학자에게 맡기는 방식

Pfizer는 AI를 제조, 의사·환자 소통, R&D, 약물 안전성 네 곳에 배치했다고 밝혔고, 그중 이름을 붙여 소개한 것은 120여 개국에 낸 안전성 제품 Genesis 하나였습니다. Genesis는 안전성 판단을 대신하지 않고 그 앞의 행정 일을 맡아 과학자의 시간을 판단으로 돌립니다. 따라 하려면 사례 처리 단계를 행정과 판단으로 나누고, AI가 맡는 칸마다 사람이 고친 비율을 재는 장치부터 갖춰야 합니다.

요약

Pfizer는 2026년 11월 3일 3분기 실적 콜을 열었습니다. Albert Bourla 회장 겸 CEO는 재무 설명을 CFO에게 넘기기 직전 짧게 AI를 언급했습니다. 회사는 두 가지 목표로 AI를 사업에 배치했습니다. 하나는 제조 효율을 높이는 것이고, 다른 하나는 의사와 환자를 만나는 방식을 더 정교하게 다듬는 것입니다. R&D에서는 타깃 검증(질병과 관련된 단백질·유전자가 약의 표적으로 맞는지 확인하는 단계)을 빠르게 하고 분자와 바이오마커(약효나 반응을 가늠하는 생체 지표)를 더 잘 고르는 데 AI를 쓴다고 했습니다. 마지막으로 120여 개국에 새로 내놓은 AI 제품 Genesis를 소개했습니다.

Genesis를 설명하는 Bourla의 표현은 짧았습니다. 그는 “Genesis takes on the administrative burden”이라고 말했고, 그 덕에 안전성 과학자들이 인과 평가(이상 사례가 정말 약 때문인지 따지는 일), 안전성 신호 탐지(여러 보고에서 새 위험의 조짐을 찾는 일), 환자 보호에 시간을 쓴다고 했습니다. 판단을 AI가 대신한다는 말이 아니라, 판단 앞에 쌓인 행정 일을 AI가 맡는다는 구조입니다. 제조 효율이나 R&D 속도가 얼마나 나아졌는지, Genesis가 얼마나 시간을 줄였는지는 밝히지 않았습니다. 별도로 중국 GLP-1(비만 치료제) 출시 질문에 답하며 그는 AI가 판촉 방식을 바꾸고 있고 의사보다 환자 단위에서 그 변화가 더 크다고 했습니다. 아래에서는 이 네 갈래를 메커니즘으로 풀고, 같은 구조를 우리 회사에서 돌릴 때 필요한 필드·역할·일정을 덧붙입니다.

핵심 메커니즘

Genesis: 안전성 과학자의 행정 부담을 맡는 AI 제품

Genesis는 Pfizer가 120여 개국에 새로 내놓은 AI 제품입니다. Bourla가 밝힌 역할은 하나입니다. 안전성 과학자에게 쌓인 행정 부담을 AI가 맡고, 사람은 인과 평가, 신호 탐지, 환자 보호라는 판단 업무에 시간을 씁니다. 입력은 각국에서 들어오는 안전성 관련 업무이고, Genesis가 그중 행정 처리를 맡으며, 출력은 과학자가 판단에 바로 쓸 수 있게 정리된 상태라고 이해하면 됩니다. 어떤 모델을 썼는지, 어떤 행정 단계를 맡는지, 처리 시간이 얼마나 줄었는지는 콜에서 나오지 않았습니다.

이 구조가 맞는 곳은 판단은 전문가가 해야 하지만 그 앞단의 정리·기록·양식 작업이 판단 시간보다 큰 업무입니다. 규제 보고처럼 판단 결과에 책임자가 서명해야 하는 일에서 특히 그렇습니다. 반대로 판단 자체가 반복적이고 기준이 명확한 일이라면 행정과 판단을 굳이 나눌 이유가 적습니다.

작은 예시(가상): 한 나라 지사에서 환자 전화로 이상 사례가 접수됩니다. 지금은 과학자가 통화 기록을 읽고 양식 칸을 채운 뒤에야 인과 평가를 시작합니다. 행정을 AI가 맡으면 과학자는 칸이 채워진 초안을 받아 인과 평가부터 시작하고, 초안에서 틀린 칸만 고칩니다.

AI in R&D: 타깃 검증과 분자·바이오마커 선정

R&D에서 Pfizer가 겨냥하는 곳은 신약 개발 초기의 두 고비입니다. 첫째는 타깃 검증입니다. 어떤 단백질이나 유전자를 건드리면 병이 나아질지 확인하는 단계로, 여기서 틀리면 뒤 단계의 시간과 돈이 모두 헛수고가 됩니다. 둘째는 분자와 바이오마커 선정입니다. 후보 물질 중 무엇을 다음 단계로 올릴지, 임상에서 어떤 지표로 반응을 볼지 고르는 일입니다. Bourla는 이 두 곳을 빠르게, 더 잘 하는 데 AI를 쓴다고만 말했고 구체적 도구나 단축 기간은 밝히지 않았습니다.

이 메커니즘이 맞는 조건은 결정 하나가 뒤 단계 비용을 크게 좌우하는 곳입니다. 같은 콜의 R&D 비용 가이던스가 연 108억~118억 달러였다는 점을 보면, 초기 선택을 조금만 낫게 해도 걸린 돈이 큽니다. 다만 콜에서 AI가 이 비용을 얼마나 바꿨는지는 연결하지 않았습니다.

AI in Manufacturing: 제조 효율

제조는 Bourla가 AI 배치 목표로 가장 먼저 꼽은 영역입니다. 어떤 공정에 어떤 AI를 넣었는지는 말하지 않았습니다. 같은 콜에서 Cecile Guegan CFO는 비용 절감 프로그램을 설명했습니다. 1단계 순절감 72억 달러는 2026년 말까지 거의 다 달성할 궤도에 있고, 절감은 제조 거점 비용, R&D(재투자), 판매·관리비에서 나왔다고 했습니다. 2027~2029년의 2단계는 25억 달러를 더 줄이며 판매·관리비와 제조 원가를 함께 다룹니다. CFO는 이 절감액을 AI와 직접 연결하지는 않았습니다. 그러니 AI 제조 효율을 이 숫자의 일부로 읽으면 안 되고, 같은 방향을 가리키는 두 갈래 움직임으로 보는 편이 정확합니다.

Patient-level Promotion: 환자 단위로 옮겨 가는 판촉

중국 GLP-1 출시 전략을 묻는 질문에 Bourla는 AI가 판촉 방식을 바꾸고 있다고 덧붙였습니다. 변화는 의사 단위에도 있지만 환자 단위에서 더 중요하다고 했습니다. 그는 이 맥락에서 소비자용 웹 포털과 전자상거래 같은 디지털 경로를 환자에게 닿는 길로 들었습니다. 제약 판촉은 오래 의사를 상대로 짜였습니다. Pfizer는 비만 치료제처럼 환자가 직접 정보를 찾는 시장에서 그 무게중심이 환자 쪽으로 옮겨 가고, AI가 그 이동을 거든다고 본 셈입니다. 어떤 AI를 어떻게 쓰는지는 밝히지 않았습니다.

통념과 다른 주장

콜에서 나온 사례

사례	상황	한 일	결과	연결
Genesis	안전성 과학자에게 행정 부담이 쌓임(구체적 규모는 밝히지 않음)	120여 개국에 AI 제품 Genesis 출시	과학자가 인과 평가·신호 탐지·환자 보호에 시간을 씀(시간 절감 수치 미공개)	Genesis
R&D	타깃 검증과 분자·바이오마커 선정	AI로 검증 가속, 선정 개선	혁신 가속 목표(단축 기간 미공개)	AI in R&D
제조	제조 효율 개선 목표	사업에 AI 배치	효율 수치 미공개, 비용 프로그램과는 별도로 언급	AI in Manufacturing
중국 GLP-1	비만 치료제 출시 전략	AI로 판촉 방식 변화, 웹 포털·전자상거래 활용	환자 단위 판촉의 중요성 강조(수치 없음)	Patient-level Promotion

기술 디테일: 행정과 판단을 나누는 안전성 파이프라인을 만든다면

아래 단계, 필드, 설정값은 Genesis 같은 구조를 직접 돌릴 때 필요한 것을 정리한 실행 제안이며 Pfizer가 밝힌 구현이 아닙니다. 약물 안전성 업무의 일반적인 흐름(사례 접수, 코딩, 평가, 보고)을 바탕으로 썼습니다.

Genesis처럼 행정 부담을 AI에 맡기려면 먼저 개별 사례 처리를 단계로 쪼개고 단계마다 담당을 정합니다. 접수 문서 분류, 중복 사례 확인, 환자·약·사건 정보 추출, 의학 용어 코딩(MedDRA 같은 표준 용어집), 사례 서술문 초안은 AI 초안 + 사람 확인 칸입니다. 인과 평가, 중대성·예측 가능성 최종 판정, 신호 판단은 과학자 칸으로 둡니다. LLM은 추출과 서술문 초안에, 용어 코딩은 용어집을 검색해 후보 3개를 내는 방식에 씁니다. 추출은 temperature 0으로 두고 같은 문서를 두 번 돌려 값이 다른 칸은 자동으로 사람 확인 대상으로 넘깁니다. 원문에 근거가 없는 칸은 비워 두게 하고, 칸마다 근거 문장 위치를 같이 남깁니다.

사례 하나의 AI 초안은 아래처럼 받으면 과학자가 틀린 칸만 고칠 수 있습니다(가상 예시).

{
  "case_id": "KR-2027-000418",
  "country": "KR",
  "source_channel": "call_center",
  "received_at": "2027-02-03T10:12:00+09:00",
  "duplicate_of": null,
  "patient": {"age": 54, "sex": "F"},
  "suspect_product": "PRODUCT-A 10mg",
  "events": [
    {"verbatim": "어지럽고 속이 메스꺼움", "meddra_pt_candidates": ["Dizziness", "Nausea"], "evidence_span": [112, 131]}
  ],
  "seriousness_flag_draft": false,
  "narrative_draft": "54세 여성이 투약 3일째 어지럼과 메스꺼움을 보고함...",
  "fields_low_confidence": ["patient.age"],
  "ai_model_version": "intake-extract-v2",
  "causality_assessment": null,
  "reviewer": null
}

causality_assessment와 reviewer를 일부러 비워 두는 것이 핵심입니다. AI는 그 칸을 채우지 않고 과학자가 채웁니다. 시스템은 사람이 고친 칸을 모두 기록해 칸별 수정률을 매주 계산합니다.

신호 탐지에 시간을 돌리려면 사례 정리가 끝난 데이터로 약·사건 조합별 보고 건수를 모아 두는 표를 따로 만듭니다. 흔히 쓰는 불균형 분석(특정 약에서 특정 사건이 다른 약보다 유난히 많이 보고되는지 보는 통계)을 주 단위로 돌리고, 기준(가상 예시: 보고 3건 이상이면서 불균형 비율 2 이상)을 넘는 조합만 과학자 검토 목록에 올립니다. 기준을 넘은 조합과 과학자의 판단 결과를 함께 남겨 두면 다음 분기에 기준값을 조정할 근거가 됩니다. AI는 목록의 조합마다 관련 사례 서술문을 모아 요약해 주는 데까지만 씁니다.

R&D 타깃 검증에 AI를 붙이려면 논문·특허·내부 실험 결과에서 타깃별 근거를 모아 “근거 문장, 출처, 확인 날짜, 지지/반대”로 정리하는 검색형 요약부터 시작합니다. 근거 없는 주장을 막으려면 출처 링크가 없는 문장은 출력하지 않게 합니다.

막히는 경우	증상	대응
나라마다 접수 양식이 다름	같은 필드가 다른 이름으로 들어옴	공통 필드 사전을 먼저 정하고 국가별 매핑표 관리
현지 언어 문서	추출 정확도가 언어마다 다름	언어별로 따로 수정률을 재고 기준 미달 언어는 사람 처리 유지
용어 코딩이 엇갈림	비슷한 용어 후보가 여럿	후보 3개 제시 후 사람이 고르고, 고른 결과를 다음 검색 예시로 저장
AI가 중대성을 놓침	보고 기한이 짧은 사례가 늦어짐	중대성 의심 단어가 하나라도 있으면 무조건 사람 우선 큐로
시스템 검증 요구	규제 감사에서 변경 이력 요구	모델 버전, 프롬프트 버전, 사람 수정 이력을 사례별로 저장

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
약물감시 책임자	시범 범위(국가·제품) 선정, 확대 판정, 규제 보고 책임
안전성 과학자	AI 초안 검토, 인과 평가, 신호 판단, 수정 사유 기록
사례 처리 담당	접수 문서 정리, AI가 넘긴 확인 칸 처리
품질보증(QA)	시스템 검증 계획, 변경 이력·감사 대응
데이터·AI 엔지니어	추출·코딩 파이프라인, 수정률 대시보드
국가 지사 담당	현지 언어 문서와 양식 차이 정리

준비물. 최근 6개월 처리 완료 사례 300~500건(정답지로 씀), 국가별 접수 양식, 표준 용어집 라이선스, 사례당 처리 시간 기록이 필요합니다. 기준선은 시범 전 4주의 사례당 평균 처리 시간과 과학자 업무 시간 중 판단에 쓴 비율로 잡습니다.

현업에 물을 것.

1. 안전성 과학자의 하루에서 양식 작성과 정리에 쓰는 시간은 몇 시간인가요?
2. 나라마다 접수 양식과 언어가 얼마나 다른가요?
3. 사례 하나를 마감하기까지 몇 사람의 손을 거치나요?
4. 보고 기한을 놓칠 뻔한 사례는 어느 단계에서 늦어졌나요?
5. 감사에서 AI 초안과 사람 판단을 어떻게 구분해 보여 줄 수 있나요?

진행 판정 기준(예시). 과거 사례 재처리에서 핵심 필드 추출 정확도 95% 이상, 중대 사례 누락 0건을 채우면 실사례 병행으로 넘어갑니다. 병행 2주 동안 사례당 처리 시간이 기준선보다 30% 이상 줄고 과학자가 고친 칸 비율이 10% 이하이면 다음 국가로 넓힙니다. 중대 사례를 한 건이라도 놓치면 그 단계는 사람 처리로 되돌리고 원인을 찾습니다.

AX 적용 제언. 제약·의료기기·식품처럼 안전성 보고 의무가 있는 기업은 판단을 자동화하는 과제보다 판단 앞의 행정을 덜어 주는 과제부터 시작하는 편이 낫습니다. 규제 책임이 사람에게 남아 있어 승인이 빠르고, 효과도 처리 시간과 판단 시간 비율로 바로 잴 수 있습니다. 같은 틀은 품질 이탈 조사, 고객 불만 처리, 보험 손해사정처럼 전문가 판단 앞에 정리 작업이 쌓이는 업무에 그대로 옮길 수 있습니다. 순서는 사례가 가장 많은 한 나라, 한 제품군에서 시작해 수정률이 안정된 뒤 언어가 다른 나라로 넓히는 것입니다. 제조와 R&D AI는 Pfizer처럼 비용 프로그램과 따로 보고하되, 절감액 중 AI 몫을 재무가 어떻게 나눌지 처음부터 정해 두어야 나중에 효과를 말할 수 있습니다.

원문 사례

항목	내용
발표	Pfizer 2026년 3분기 실적 발표 콜, 2026.11.3(화) (The Motley Fool 녹취)
발언자	Albert Bourla(회장 겸 CEO), Cecile Guegan(CFO), Chris Boshoff(CSO), Francesca DeMartino(IR)
AI 배치 목표	제조 효율 개선, 의사·환자 소통 정교화
R&D	타깃 검증 가속, 분자·바이오마커 선정 개선
Genesis	120여 개국 출시 AI 제품, 행정 부담을 맡아 과학자가 인과 평가·신호 탐지·환자 보호에 집중
판촉	중국 GLP-1 질문 답변에서 AI가 판촉 방식을 바꾸며 환자 단위가 더 중요하다고 언급, 웹 포털·전자상거래 경로
실적	3분기 매출 166억 달러(운영 기준 보합, 비코로나 제품 7% 성장), 조정 EPS 0.87달러
가이던스	2026년 매출 620억~640억 달러로 상향, 조정 EPS 2.95~3.05달러, R&D 비용 108억~118억 달러
비용 프로그램	1단계 순절감 72억 달러(2026년 말까지 거의 전부), 2단계 25억 달러 추가(2027~2029년, 판매·관리비와 제조 원가)
AI 효과 수치	공개하지 않음

핵심 개념

pharmacovigilance

약물감시. 시판 중인 약의 이상 사례를 모으고 평가해 위험을 찾아내고 줄이는 활동입니다.

causality assessment

인과 평가. 보고된 이상 사례가 약 때문일 가능성이 얼마나 되는지 따지는 판단입니다.

safety signal

안전성 신호. 약과 이상 사례 사이에 새로운 관련이 있을 수 있다는 조짐으로, 추가 확인이 필요한 정보입니다.

MedDRA

의약품 규제 활동에 쓰는 국제 표준 의학 용어집입니다. 이상 사례를 같은 이름으로 모으는 데 씁니다.

GLP-1

혈당과 식욕 조절에 관여하는 호르몬 계열로, 이를 겨냥한 약이 비만·당뇨 치료에 쓰입니다.

LOE

loss of exclusivity. 특허 만료 등으로 독점 판매권이 끝나 매출이 줄어드는 시기입니다.

내 메모

TODO: 내 생각 추가

원문은 The Motley Fool에 실린 「Pfizer (PFE) Q3 2026 Earnings Call Transcript」(콜 2026.11.3)이며, 같은 주소의 녹취를 직접 읽었습니다. 요약, 핵심 메커니즘의 콜 내용, 통념과 다른 주장, 사례, 원문 사례 표는 Pfizer 경영진의 발언을 AX Review가 다시 정리했고 효과에 관한 설명은 회사 측 발언입니다. Genesis가 맡는 행정의 세부 항목, 기술·현업 실행 디테일, JSON 예시, 단계별 분담표, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 사례 처리 단계, MedDRA, 불균형 분석은 약물감시 분야의 일반적인 관행을 바탕으로 덧붙였습니다. 콜 전문은 원문 페이지에서 볼 수 있습니다.