Peak Integration: Waters가 신약 품질검사 판독은 AI로 줄이고 IT는 늘리지 않는 법
Waters는 Empower에 AI Peak Integration을 붙여 크로마토그램 판독의 수작업 개입을 95% 줄였다고 밝혔고 상위 10위권 제약사와 1년 반을 들여 만들었습니다. BD 사업부 인수로 회사가 두 배 넘게 커졌지만 IT 인력 약 8,500명 중 20명가량만 넘어왔고 CIO는 IT 조직을 두 배로 늘리는 대신 AI로 바꾸겠다고 말합니다. 예외 판독 큐 설계와 인수 통합 12주 계획을 붙였습니다.
Waters는 신약 품질검사에서 과학자가 수백 장의 크로마토그램을 넘기며 어긋난 한두 장을 찾던 일을 AI에 맡기고 인수로 커진 회사의 IT 일은 사람을 늘리지 않고 AI로 메우려 합니다. 따라 하려면 AI가 정상으로 넘긴 건과 사람에게 올린 건을 나눠 기록하는 예외 판독 구조, 그리고 학습 데이터를 주고받는 계약부터 먼저 갖춰야 합니다.
요약
Fortune의 John Kell은 2026년 10월 28일 CIO Intelligence 뉴스레터에서 분석 장비·소프트웨어 기업 Waters가 같은 날 내놓은 Peak Integration을 전했습니다. Peak Integration은 Waters의 실험실 소프트웨어 Empower에 들어간 AI 기능입니다. 신약 개발과 제조의 QA/QC(품질보증·품질관리)에서 과학자가 손으로 하던 단계를 줄이는 것이 목표입니다. Empower 사용자는 50만 명이고 아스피린부터 Wegovy까지 여러 의약품의 시험에 쓰입니다. Waters는 이름을 밝히지 않은 상위 10위권 제약사와 약 1년 반 동안 이 기능을 함께 개발했습니다. 같은 기사에서 2018년부터 CIO를 맡은 Brook Colangelo는 사내 AI와 인수 통합 계획을 설명합니다.
Waters가 밝힌 효과는 세 가지입니다. 수작업 개입은 95% 줄고 시험 정확도는 76% 높아지며 이전 방식보다 50% 빠릅니다. Waters 정보과학 소프트웨어 사업 책임자 David Leitham은 이런 반복 판독이 과학자의 시간과 전문성을 쓰기에 맞지 않고 결과에 편차까지 만든다고 봅니다. 개발 기간의 상당 부분은 모델 학습이 아니라 제약사와 데이터를 안전하게 주고받는 법적 계약과 절차를 만드는 데 들었습니다. 사내에서는 2,000명 넘는 직원이 대화형 AI 도구 AI Advisor를 쓰고 제조 쪽에는 과거와 현재의 엔지니어링·품질·생산 데이터를 한곳에 모은 과학 데이터 레이크를 만들었습니다. Becton Dickinson(BD)의 바이오사이언스·진단 사업부를 188억 달러에 인수해 회사가 두 배 넘게 커졌지만 그 사업부 IT 인력 약 8,500명 가운데 Waters로 온 사람은 20명 남짓입니다. Colangelo는 IT 조직을 두 배로 키우는 대신 AI로 바꾸겠다고 말합니다. 아래에서는 이 내용을 다섯 가지 장치로 나눠 보고 실제로 돌릴 때 필요한 기술·현업 디테일을 덧붙입니다.
핵심 메커니즘
Peak Integration: 수백 장 가운데 어긋난 한두 장을 AI가 먼저 찾는 판독
Peak Integration은 Empower 안에서 크로마토그램 판독의 반복 작업을 AI가 맡는 기능입니다. 크로마토그램은 혼합물이나 제형 속 성분을 분리해 보여 주는 그래프입니다. 지금까지는 과학자가 수백 장을 하나씩 보며 기대한 모양에서 벗어난 한두 장을 찾았습니다. 이 작업을 AI가 대신하면 과학자는 어긋난 건만 보면 됩니다. 같은 시험을 대량으로 반복하는 품질 시험실에 맞고 새 분석법을 처음 세우는 단계처럼 기준 모양이 아직 없는 일에는 맞지 않습니다. 가상 예시를 들면, 하루 300건의 출하 시험을 하는 공장에서 AI가 정상 패턴 296건을 넘기고 4건만 담당자 검토 목록에 올리는 식입니다.
Data-Sharing First: 모델보다 데이터 계약에 시간을 쓴 공동 개발
Waters는 상위 10위권 제약사 한 곳과 약 1년 반 동안 Peak Integration을 만들었습니다. 그 시간의 상당 부분은 초기 모델 학습용 데이터를 주고받기 위한 법적 계약과 안전한 교환 절차에 들었습니다. Leitham은 새 모델을 학습하기 시작한 뒤로는 일이 꽤 빨리 진행됐다고 말합니다. 시험 데이터는 제약사의 규제 자산이라 쉽게 밖으로 나가지 못합니다. 그래서 파트너와 함께 만드는 산업용 AI에서는 데이터 계약이 일정의 가장 긴 구간이 됩니다. 실제로 일정을 짤 때는 계약과 데이터 반출 승인을 첫 단계로 놓고 모델 작업은 그 뒤에 둡니다.
Empower AI Stack: 이상 탐지, Peak Integration, AI Link를 차례로 얹기
Peak Integration은 Empower의 두 번째 주요 AI 기능입니다. 첫 번째는 2025년 2월에 나온 AI/ML 이상 탐지 도구입니다. 이번 발표 2주 전에는 AI Link를 내놓았습니다. AI Link는 Anthropic의 MCP(Model Context Protocol, AI 모델과 에이전트를 공통 인터페이스로 소프트웨어·데이터에 잇는 개방형 표준)를 Waters의 정보과학 플랫폼에 들여온 것입니다. 이상한 결과를 찾고 반복 판독을 줄이고 외부 AI가 Empower 데이터에 닿는 길을 여는 순서입니다. Colangelo는 Waters가 AI 이야기를 경쟁사보다 아껴 왔고 업계가 AI를 많이 이야기하지만 QA/QC 쪽은 아니라고 봅니다. 기존 소프트웨어에 AI를 넣을 때는 한 번에 크게 바꾸기보다 이처럼 기능을 단계별로 쌓는 방식이 검증 부담을 나눕니다.
Instead of Doubling IT: 인수로 두 배가 된 회사를 IT 증원 없이 통합
Waters는 BD의 바이오사이언스·진단 사업부를 인수했고 2026년 2월 거래를 마칠 때 이 사업의 가치는 188억 달러였습니다. 이 인수로 Waters는 두 배 넘게 커졌습니다. 그런데 그 사업부의 IT 인력 약 8,500명 가운데 Waters로 넘어온 사람은 약 20명입니다. 인사·재무 인력도 거의 오지 않았습니다. Colangelo는 그 일을 상당 부분 대신해야 한다고 인정하면서 IT 조직을 두 배로 늘리지 않고 AI로 바꾸겠다고 말합니다. 구체적인 효율 수치는 밝히지 않았습니다. 인수 통합에서 사람이 따라오지 않는 기능이 생기면 이 접근이 선택지가 됩니다. 다만 넘겨받은 시스템과 업무를 먼저 목록으로 만들어야 어디를 AI로 메울지 정할 수 있습니다.
Scientific Data Lake와 AI Advisor: 사내 AI의 두 바닥
사내 AI는 두 갈래입니다. 하나는 AI Advisor로, 2,000명 넘는 직원이 쓰는 대화형 AI 도구입니다. 다른 하나는 제조 쪽 과학 데이터 레이크입니다. 과거와 현재의 엔지니어링·품질·생산 데이터를 한곳에 모았고 Waters는 여기에 AI를 더해 처음부터 끝까지 추적할 수 있고 생산 품질도 높아졌다고 설명합니다. Colangelo가 말하는 목표는 자동화와 AI로 과학자가 더 많은 일에 기여하게 하는 것입니다. 대화형 도구는 넓게 깔고 제조 AI는 데이터를 먼저 모은 뒤 얹는 배치입니다.
통념과 다른 주장
흔히 이렇게 봅니다회사가 인수로 두 배가 되면 IT 조직도 그만큼 키워야 시스템과 업무를 감당할 수 있습니다.
Colangelo는 이렇게 봅니다IT를 두 배로 늘리는 대신 AI로 IT 조직을 바꾸겠다고 말합니다.
근거BD 사업부의 IT 인력 약 8,500명 가운데 약 20명만 넘어왔고 인사·재무 인력도 거의 오지 않았습니다. 사람으로 메울 수 없는 일이 생긴 상황입니다.
흔히 이렇게 봅니다산업용 AI 개발에서 가장 오래 걸리는 일은 모델을 만들고 학습시키는 일입니다.
Leitham은 이렇게 봅니다새 모델을 학습하기 시작한 뒤로는 일이 빨리 진행됐습니다. 시간이 든 곳은 데이터를 주고받는 계약과 절차였습니다.
근거상위 10위권 제약사와 약 1년 반을 함께 개발했고 그 상당 부분이 학습 데이터 교환을 위한 법적 합의와 안전한 절차에 들었습니다.
저자가 든 사례
사례 1. Empower Peak Integration
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 과학자가 크로마토그램 수백 장을 보며 어긋난 한두 장을 찾음. 시간이 들고 결과에 편차가 생김 | 상위 10위권 제약사와 약 1년 반 공동 개발, Empower에 AI 판독 기능 탑재 | Waters 발표 기준 수작업 개입 95% 감소, 정확도 76% 개선, 50% 빠름 | Peak Integration, Data-Sharing First |
사례 2. BD 사업부 인수 뒤 IT 통합
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 188억 달러 규모 BD 사업부 인수로 회사가 두 배 넘게 커짐. IT 인력 약 8,500명 중 약 20명만 합류 | IT 조직을 두 배로 늘리지 않고 AI로 바꾸기로 함 | 구체적 효율 수치는 원문에서 밝히지 않음 | Instead of Doubling IT |
사례 3. 제조 데이터 레이크와 AI Advisor
| 상황 | 한 일 | 결과 | 연결 |
|---|---|---|---|
| 엔지니어링·품질·생산 데이터가 과거와 현재로 흩어져 있음 | 과학 데이터 레이크로 통합하고 AI 적용, 직원에게 AI Advisor 배포 | AI Advisor 사용 2,000명 이상. Waters는 추적성과 생산 품질이 좋아졌다고 설명 | Scientific Data Lake와 AI Advisor |
기술 디테일: 같은 구조를 직접 만든다면
아래 필드명, 설정값, 숫자는 모두 원문에 없는 가상 예시입니다. 기사가 밝힌 기능과 운영 방식을 실제로 돌릴 때 필요한 것을 정리했습니다.
Peak Integration 같은 예외 판독을 돌리려면 AI가 모든 건을 판정하게 두지 말고 정상으로 넘길 건과 사람에게 올릴 건을 가르는 구조로 만듭니다. 입력은 시료별 크로마토그램 원자료, 분석법 ID, 기준 패턴(같은 분석법의 과거 합격 건)입니다. 모델은 피크(성분이 나타나는 봉우리)마다 위치와 면적 판단, 기준 대비 이탈 점수를 JSON으로 냅니다. 라우팅은 모델이 아니라 규칙이 정합니다. 예를 들어 이탈 점수가 0.2 미만이고 모든 피크가 허용 범위 안이면 자동 통과, 그 밖은 사람 검토 큐로 보냅니다. 규제 시험이므로 모델 버전, 입력 파일 해시, 판정, 검토자 서명을 한 행으로 남겨 감사 추적을 만듭니다.
{
"run_id": "QC-20261105-0187",
"method_id": "ASSAY-HPLC-012",
"sample_id": "LOT-2611-A07",
"model_version": "pi-2026.10",
"input_sha256": "9f3c...e1",
"peaks": [
{"name": "API", "rt_min": 6.42, "area_pct": 98.7, "in_spec": true},
{"name": "Impurity B", "rt_min": 8.15, "area_pct": 0.31, "in_spec": true}
],
"deviation_score": 0.07,
"route": "auto_pass",
"reviewer": null
}자동 통과의 기준을 정하려면 출시 전에 사람이 이미 판정한 과거 건으로 검증합니다. 분석법마다 합격 건과 불합격·재시험 건을 섞어 500건 정도 기준 세트를 만들고 AI 판정과 사람 판정을 비교합니다. 가장 중요한 숫자는 사람이 불합격으로 본 건을 AI가 자동 통과시킨 비율이며 목표는 0건입니다. 정상 건을 검토 큐로 올리는 비율은 그보다 느슨하게 둡니다. 운영 중에는 자동 통과 건에서 매주 2% 정도를 무작위로 뽑아 사람이 다시 봅니다. 분석법·장비·컬럼이 바뀌면 기준 세트를 다시 돌린 뒤에만 자동 통과를 켭니다.
| 실패하는 경우 | 대응 (가상 예시) |
|---|---|
| 새 장비나 컬럼에서 피크 위치가 조금씩 밀림 | 장비·컬럼 변경 시 자동 통과를 끄고 기준 세트 재검증 |
| 겹친 피크를 하나로 판단 | 분리도가 기준 미만이면 무조건 사람 검토 |
| 드문 불순물이 기준 패턴에 없음 | 기준에 없는 피크가 하나라도 나오면 사람 검토 |
| 모델 업데이트 뒤 판정이 달라짐 | 모델 버전을 결과에 고정 기록, 업데이트 전 기준 세트 전체 재실행 |
공동 개발용 데이터 교환을 설계하려면 계약과 기술 장치를 함께 정합니다. 계약에는 데이터 범위(분석법, 기간, 건수), 용도(초기 모델 학습만), 보관 기간, 파생 모델의 소유, 반출 금지 항목을 적습니다. 기술 쪽에서는 시료명·로트·고객사 식별자를 가명 처리한 원자료만 받고 학습은 접근 기록이 남는 격리 환경에서 합니다. 이렇게 틀을 미리 만들어 두면 두 번째 파트너와는 같은 문서를 고쳐 쓰면 됩니다.
AI Link 같은 MCP 연결을 열려면 쓰기 권한부터 막습니다. 처음에는 결과 조회, 시료 목록, 감사 기록 읽기 같은 읽기 전용 도구만 MCP 서버로 노출합니다. 판정 변경이나 결과 승인 같은 쓰기 동작은 노출하지 않거나 사람 서명을 거치게 합니다. 모든 호출은 사용자 ID, 도구 이름, 인자, 시각을 남깁니다.
인수 통합 IT를 AI로 메우려면 넘겨받은 업무를 티켓 단위로 나눕니다. 지난 6개월 IT 서비스 티켓을 유형별로 묶고 유형마다 월 건수, 평균 처리 시간, 필요한 권한, 표준 답이 있는지를 표로 만듭니다. 비밀번호 초기화, 계정 생성, 자주 묻는 시스템 사용법처럼 표준 답이 있고 권한 위험이 낮은 유형부터 AI 에이전트에게 맡깁니다. 시스템 이관이나 권한 변경처럼 되돌리기 어려운 일은 사람이 맡고 AI는 작업 계획 초안과 점검표를 만듭니다.
현업 실행 디테일: 누가, 언제, 무엇을
아래 표와 일정, 기준은 모두 가상 예시입니다. 하나는 품질 시험실에 예외 판독을 들이는 일, 다른 하나는 인수 통합 IT를 AI로 메우는 일입니다.
| 역할 | 맡는 일 (가상 예시) |
|---|---|
| QC 시험실장 | 대상 분석법 선정, 자동 통과 기준 승인, 확대 여부 판정 |
| QA(품질보증) 담당 | 컴퓨터 시스템 밸리데이션 계획, 감사 추적 요건, 일탈 처리 절차 |
| 데이터·AI 엔지니어 | 기준 세트 구축, 판독 파이프라인과 라우팅 규칙, 모니터링 |
| 법무·정보보호 | 데이터 교환 계약, 가명 처리 기준, MCP 노출 범위 승인 |
| 통합 IT 리더(CIO 직속) | 승계 IT 업무 목록, AI 배치 결정, 인력 공백 추적 |
시작 전 준비물은 다섯 가지입니다. 대상 분석법 한두 개의 최근 1년치 크로마토그램과 사람 판정 결과, 분석법별 허용 기준 문서, 일탈·재시험 기록, 현재 판독에 드는 시간 측정값(건당 분, 하루 건수), 승계 IT 업무의 티켓 6개월치입니다.
| 기간 | 할 일 | 산출물 |
|---|---|---|
| 1~3주 | 분석법 선정, 데이터 반출 승인과 계약, 현재 판독 시간 측정 | 대상 목록, 기준선 시간 |
| 4~6주 | 기준 세트 500건 구축, 판독 파이프라인과 라우팅 규칙 작성 | 기준 세트, 규칙 문서 |
| 7~9주 | 사람 판독과 나란히 그림자 운영, 불일치 건 매일 검토 | 불일치 목록, 혼동 표 |
| 10~12주 | 밸리데이션 보고 자동 통과 범위 판정, 다음 분석법 결정 | 판정 보고서 |
확인 질문은 이렇게 준비합니다. 하루에 판독하는 크로마토그램은 몇 장이고 그중 실제로 어긋나는 건은 몇 장입니까? 사람이 놓치면 안 되는 이탈 유형은 무엇입니까? 시험 데이터를 외부 파트너나 클라우드로 내보내려면 누구의 승인이 필요합니까? AI가 자동 통과시킨 결과에 누가 서명합니까? 인수로 넘어온 시스템 가운데 담당자가 없는 시스템은 몇 개입니까?
진행 판정 기준은 분석법마다 다시 정하되, 출발점은 세 가지입니다. 사람이 불합격으로 본 건을 AI가 자동 통과시킨 사례 0건, 자동 통과 비율 70% 이상, 건당 판독 시간 절반 이하입니다. 첫 번째 기준을 한 건이라도 어기면 자동 통과를 끄고 원인을 고친 뒤 그림자 운영을 2주 더 합니다.
AX 적용 제언. 국내 제약·바이오, 화학, 식품처럼 품질 시험을 대량으로 반복하는 제조사라면 첫 과제로 예외 판독이 알맞습니다. 판정 기준이 이미 문서로 있고 과거 판정 결과가 시스템에 쌓여 있어 기준 세트를 만들기 쉽기 때문입니다. 과제의 주인은 IT가 아니라 QC 시험실장으로 두고 QA를 처음부터 넣어 밸리데이션과 감사 추적을 설계 단계에서 함께 정합니다. 외부 솔루션사나 파트너와 함께 만든다면 일정의 앞쪽 절반을 데이터 계약에 쓴다고 보고 계약 틀부터 준비합니다. 인수·합병이나 분사로 IT 인력이 비는 회사는 승계 업무를 티켓 유형으로 나눠, 표준 답이 있는 일부터 AI에 맡기고 사람은 이관과 권한처럼 되돌리기 어려운 일에 둡니다.
원문 사례
| 항목 | 내용 |
|---|---|
| 원문 | Fortune CIO Intelligence, John Kell, 2026.10.28 |
| 인물 | Brook Colangelo, Waters CIO(2018년부터). David Leitham, Waters 정보과학 소프트웨어 사업 VP 겸 GM |
| 신기능 | Peak Integration. Empower의 AI 기능으로 2026년 10월 28일 공개, QA/QC 수작업 감소가 목표 |
| Empower | 사용자 50만 명, 아스피린부터 Wegovy까지 쓰임 |
| 발표 효과 | 수작업 개입 95% 감소, 시험 정확도 76% 개선, 이전 방식보다 50% 빠름 (Waters 발표) |
| 개발 | 이름을 밝히지 않은 상위 10위권 제약사와 약 1년 반. 상당 부분이 데이터 교환 계약과 절차 |
| 이전 AI | 2025년 2월 AI/ML 이상 탐지 도구. 발표 2주 전 MCP를 들여온 AI Link |
| 사내 AI | AI Advisor 사용 2,000명 이상. 제조 과학 데이터 레이크(엔지니어링·품질·생산 데이터) |
| 인수 | BD 바이오사이언스·진단 사업부, 2026년 2월 종결 시 188억 달러. 회사 규모 두 배 이상 |
| IT 인력 | IT 인력 약 8,500명 중 약 20명만 합류. 인사·재무도 소수. IT는 늘리는 대신 AI로 전환 |
| 업계 배경 | 신약 개발은 약 2조 달러, 10년이 드는 과정으로 소개. Reuters 집계로 2026년 제약·AI 제휴 30건 이상 |
핵심 개념
- Empower
- Waters의 실험실용 크로마토그래피 데이터 소프트웨어입니다. 시험 결과를 수집하고 처리합니다.
- QA/QC
- 품질보증(절차와 체계를 관리)과 품질관리(제품을 실제로 시험)를 함께 부르는 말입니다.
- chromatogram
- 혼합물 속 성분을 분리해 시간에 따라 봉우리 모양으로 보여 주는 그래프입니다.
- peak integration
- 크로마토그램의 봉우리마다 시작과 끝을 정해 면적을 구하는 작업입니다. 면적으로 성분의 양을 따집니다.
- MCP
- Model Context Protocol. AI 모델과 에이전트가 공통 방식으로 외부 소프트웨어와 데이터에 접근하게 하는 개방형 표준입니다.
- data lake
- 형식이 다른 데이터를 원래 모양대로 한곳에 모아 두는 저장소입니다.
내 메모
TODO: 내 생각 추가
원문은 Fortune CIO Intelligence의 「Waters’ new AI tool targets one of the pharmaceutical industry’s most tedious tasks」(John Kell, 2026.10.28 게재)입니다. 요약, 핵심 메커니즘의 기사 내용, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했고 효과 수치는 Waters가 밝힌 값입니다. 핵심 메커니즘의 작은 예시, 기술·현업 실행 디테일, JSON 예시, 실패 대응 표, 역할·일정·판정 기준, 핵심 개념의 용어 풀이, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 기사 전문은 원문 페이지에서 볼 수 있습니다.