AI Is a Tool, Not a Cure: 제약 CEO들이 AI 질병 정복론에 선을 긋는 이유

제약사 경영진은 AI를 신약 개발 앞 단계의 속도를 올리는 도구로 보고, 질병을 통째로 해결하는 기술로 보지 않습니다. 이 판단을 우리 조직에 옮기려면 벤더의 약속을 자사 데이터로 직접 시험하고, AI 성과를 가치사슬 단계별 지표로 쪼개 보는 습관이 필요합니다.

요약

2026년 11월 4일 Wall Street Journal은 WSJ Health Forum에서 나온 대형 제약사 경영진의 발언을 보도했습니다. 계기는 Anthropic CEO Dario Amodei가 AI가 10년 안팎에 사람의 질병 대부분을 고칠 수 있다고 내다본 것, 그리고 다른 기술 리더가 7년 안에 90%를 고친다고 말한 것입니다. Novartis CEO Vas Narasimhan은 AI를 “another tool in the toolbox”라고 불렀습니다. AstraZeneca CEO Pascal Soriot은 질병과 생물학이 복잡하다며 AI가 암을 고친다는 말은 지나치다고 했습니다. Vertex의 Jeff Leiden은 이런 전망을 터무니없다고 일축했습니다.

WSJ Health Forum 발언을 AI Weekly·Finwire·TechNews 요약으로 정리

근거로 나온 사실은 두 가지입니다. Vertex는 AI 기업 약 50곳에 자사 화합물 데이터를 주고 시험했지만 쓸 만한 결과를 낸 곳이 없었습니다. AI로 발견하거나 설계한 약 가운데 FDA 승인을 받은 것도 아직 없습니다. 그렇다고 제약사가 AI를 내려놓은 것은 아닙니다. 표적 선정, 후보물질 개발과 최적화, 임상 환자 모집에는 계속 AI를 씁니다. 경영진의 메시지는 AI가 효과를 내는 구간과 내지 못하는 구간을 나눠 보라는 쪽에 가깝습니다. 아래에서는 그 구간을 가르는 메커니즘 다섯 가지와, 같은 판단을 다른 산업의 AI 도입에 옮기는 방법을 정리합니다.

AI가 지금 쓰이는 곳은 앞 단계와 환자 모집. 승인까지 가는 길은 아직 열리지 않음

핵심 메커니즘

Value Chain Coverage: AI가 닿는 단계와 닿지 않는 단계

신약 하나가 승인까지 가는 길은 10~15년, 수십억 달러가 드는 긴 과정입니다. 보도에 따르면 AI가 지금 힘을 쓰는 곳은 그 앞부분입니다. 어떤 단백질을 노릴지 고르는 표적 선정, 수많은 분자 가운데 후보를 추리는 스크리닝, 후보 화합물을 다듬는 최적화가 여기에 속하고, 임상에 맞는 환자를 고르는 일에도 AI를 씁니다. 반면 후보물질을 시장에 내놓기까지 지나야 하는 사람 몸속의 미지 영역은 AI가 가장 약한 곳으로 꼽힙니다. 앞 단계가 몇 달 빨라져도 전체 일정에서 차지하는 몫은 작습니다. 그래서 AI가 신약 개발 전체를 짧게 만든다는 주장과 현장의 체감 사이에 간격이 생깁니다.

단계별 AI 활용. 앰버 칸이 원문 보도가 든 현재 활용처

Vendor Bake-off: 자사 데이터로 AI 기업을 시험하기

Vertex가 한 일은 일종의 경연(bake-off, 같은 과제를 여러 공급사에 주고 결과를 비교하는 방식)입니다. 약 50개 AI 기업에 자사 화합물 데이터를 주고 분석하게 했습니다. Finwire는 데이터 규모를 약 1만 종으로, 대만 TechNews는 수만 종으로 전했습니다. 결과는 같습니다. 눈에 띄는 결과를 낸 곳이 없었고 실제로 작동하는 약도 나오지 않았습니다. 이 사례가 보여 주는 것은 AI 기업의 데모나 논문이 아니라 내 데이터와 내 과제에서 나온 결과로 판단한다는 원칙입니다. 시험 기간, 평가 지표, 참가 기업 이름은 보도에 나오지 않습니다.

Vertex의 벤더 시험을 입력, 처리, 판정, 결과로 다시 그림

Off-target Safety: 지금의 AI가 예측하기 어려운 실패

McKinsey 시니어 파트너 Alex Devereson은 임상 중후기 단계 실패의 약 4분의 1이 안전성 문제에서 온다고 봤습니다. 약이 노리지 않은 곳에 작용하는 off-target 효과(표적 밖 작용)와 예상하지 못한 부작용이 여기에 해당합니다. 그는 지금의 AI 모델이 이런 문제를 잘 예측하지 못한다고 했습니다. 신약 개발 비용은 가장 비싼 임상 단계의 실패에 몰려 있습니다. AI가 후보를 빨리 설계해도 이 실패를 줄이지 못하면 전체 비용과 기간은 크게 달라지지 않습니다. Devereson은 투자가 가장 중요한 문제보다 가장 쉬운 문제로 몰리는 경향도 지적했습니다.

McKinsey Alex Devereson 추정. 중후기 단계 실패를 100%로 놓은 비중

Data Standardization: 모델보다 먼저 막히는 곳

WSJ 보도 직전인 10월 30일, WSJ 헬스 비즈니스 편집자가 진행한 미국 보건의료기자협회(AHCJ) 가을 서밋 패널에서도 같은 진단이 나왔습니다. Insitro의 CFO Mary Rozenman은 생물학 AI 모델이 엄격한 실험 조건에서 만든 데이터를 필요로 하며, 조건이 제각각인 데이터를 넣으면 모델이 실험 잡음을 배워 오류를 낸다고 설명했습니다. 그런 품질의 데이터는 아직 충분하지 않다는 것이 그의 판단입니다. 같은 패널에서 전 Amgen CTO David Reese는 AI 단백질 구조 예측이 과정에서 6개월~1년을 덜어 준다고 했습니다. 사람 대상 임상의 성공률은 8~10% 수준이고 AI가 이를 올릴 여지가 있다는 말도 나왔습니다. 시간을 아끼는 지점은 분명합니다. 다만 그 효과는 데이터가 먼저 갖춰져야 나옵니다.

AHCJ 가을 서밋 패널(WSJ 편집자 진행)의 지적을 다시 그림

Capital vs Proof: 돈은 늘고 증거는 아직

McKinsey 집계로 2025년 전 세계 벤처캐피털과 사모펀드가 AI 기반 신약 개발에 넣은 돈은 84억 달러로, 2년 전의 약 두 배입니다. 제약사도 제휴를 이어 갑니다. 그러나 AI 네이티브 바이오 기업 가운데 후기 임상에 약을 올린 곳은 Insilico Medicine, Generate Biomedicines 등 소수이고 승인까지 간 곳은 없습니다. 투자는 빠르게 늘었지만 임상 증거는 아직 그 속도를 따라오지 못했습니다. Bayer COO Sebastian Guth는 진짜 돌파구는 AI 혼자가 아니라 사람 과학자가 AI와 함께 일할 때 나온다고 정리했습니다.

단위 10억 달러. 2025년은 McKinsey 집계, 2023년은 Finwire가 전한 약 40억 달러

통념과 다른 주장

흔히 이렇게 봅니다AI 모델이 계속 좋아지면 신약 개발 기간이 크게 줄고, 10년 안에 대부분의 질병을 정복할 수 있다.

저자는 이렇게 봅니다보도에 나온 제약 경영진은 AI가 앞 단계의 속도를 올리는 도구일 뿐, 질병과 생물학의 복잡성을 건너뛰게 해 주지는 않는다고 봅니다. Regeneron의 George Yancopoulos는 AI가 15년 걸리는 개발을 5년으로 마법처럼 줄이지는 못한다고 했습니다.

근거Vertex가 약 50개 AI 기업을 시험해 쓸 만한 결과를 얻지 못한 것, AI로 설계한 약의 FDA 승인이 아직 없는 것, 중후기 임상 실패의 약 4분의 1을 차지하는 안전성 문제를 지금의 AI가 잘 예측하지 못한다는 분석을 듭니다.

Soriot, Narasimhan, Leiden, Yancopoulos 발언 요지

저자가 든 사례

Vertex: AI 기업 약 50곳을 자사 화합물 데이터로 시험

상황: AI로 신약을 찾겠다는 기업이 쏟아지고, 기술 업계에서는 질병 정복 시점까지 거론됐습니다.
한 일: Vertex가 약 50개 AI 기업에 자사 화합물 데이터를 주고 분석하게 했습니다.
결과: 눈에 띄는 결과를 낸 곳이 없었고 작동하는 약도 나오지 않았습니다. 시험 방식의 세부는 원문에서 밝히지 않았습니다.
연결: Vendor Bake-off, Value Chain Coverage.

Vertex 사례. 시험 기간, 평가 지표, 기업 이름은 원문에서 밝히지 않음

회의와 투자가 함께 가는 제약사들

상황: 경영진은 공개 석상에서 AI 질병 정복론에 선을 그었습니다.
한 일: 그러면서도 제휴는 이어 갑니다. AstraZeneca는 Insitro와 간·심장 질환 신약을 위해 선급금 4천만 달러, 마일스톤 최대 14.6억 달러 규모로 손잡았습니다. Eli Lilly와 Nvidia는 5년간 최대 10억 달러를 AI 응용 연구에 쓰기로 했고, Bristol Myers Squibb, Novo Nordisk, Sanofi는 각각 OpenAI나 Anthropic과 제휴했습니다.
결과: 원문은 이 제휴들의 성과 수치를 밝히지 않았습니다.
연결: Capital vs Proof. 제약사는 AI를 버리지 않고 기대치만 단계별로 조정하고 있습니다.

말로는 선을 긋되 돈은 계속 넣는 모습. 금액은 보도된 값

기술 디테일: 벤더 약속을 자사 데이터로 확인하는 법

아래는 보도에 나온 원칙을 실제로 돌릴 때 필요한 설계입니다. 원문에 없는 내용이며, 숫자는 출발점으로 쓸 가상 예시입니다.

Vertex식 벤더 시험을 우리 데이터로 돌리려면 (Vendor Bake-off) 정답을 먼저 봉인합니다. 과거에 합성하고 측정까지 끝낸 화합물을 시간 기준으로 나눕니다. 예를 들어 2024년 이전 데이터는 벤더에게 주고, 2025년 이후 측정분은 입력만 주고 정답 라벨은 사내에 둡니다. 무작위 분할을 쓰면 비슷한 구조의 분자가 양쪽에 섞여 점수가 부풀기 쉽습니다. 그래서 분자 골격(scaffold)이 겹치지 않게 나누는 방법을 함께 씁니다. 모든 벤더에게 같은 날 같은 파일을 주고, 제출 형식은 JSON으로 고정합니다.

{
  "vendor_id": "V-07",
  "model_version": "2026-10-rc2",
  "submission_round": 1,
  "predictions": [
    {"compound_id": "CPD-018422", "rank": 1, "predicted_activity": 7.9,
      "uncertainty": 0.6, "rationale": "결합 부위 수소결합 2개 예측"}
  ]
}

같은 입력으로 3회 제출받아 순위가 얼마나 흔들리는지 봅니다(Spearman 순위 상관). 채점은 상위 100개 가운데 실제 활성 화합물이 몇 개인지를 사내 기존 방법(물리 기반 도킹이나 기존 QSAR 모델)과 비교합니다. 근거(rationale) 필드가 비어 있거나 매번 같은 문장이면 감점합니다.

가상 예시. Vertex식 시험을 우리 데이터로 다시 돌리는 순서

안전성 실패를 앞 단계에서 거르려면 (Off-target Safety) 활성 예측과 안전성 예측을 한 모델에 맡기지 않습니다. off-target 예측은 별도 과제로 두고, 사내 안전성 패널 실험 결과를 라벨로 씁니다. 모델에는 점수와 함께 불확실성을 내게 하고, 불확실성이 상위 20%에 드는 후보는 자동 통과시키지 않고 독성 담당자의 검토 큐로 보냅니다. 검토 결과와 이후 실험 결과는 다시 라벨로 회수해 분기마다 재학습합니다. 이렇게 하면 AI가 잘 못하는 영역을 사람이 맡는 경계가 문서로 남습니다.

가상 예시. 중후기 실패의 안전성 원인을 앞 단계에서 거르는 구조

모델이 실험 잡음을 배우지 않게 하려면 (Data Standardization) 결과값만 쌓지 말고 실험 조건을 필드로 붙입니다. 최소한 실험 종류, 프로토콜 판, 세포주, 농도 단위, 플레이트와 실행일을 남깁니다. 같은 화합물을 다른 날 다른 플레이트에서 측정한 값이 크게 다르면 배치 효과입니다. 학습 전에 플레이트별 대조군 값으로 보정하고, 조건 필드가 빈 행은 학습에서 뺍니다. 외부 데이터와 섞을 때는 출처 필드를 따로 두어 성능이 떨어지면 어느 묶음 때문인지 추적합니다.

가상 예시. 모델이 실험 잡음을 배우지 않게 하는 최소 필드

AI 성과를 단계 지표로 쪼개려면 (Value Chain Coverage) “AI로 신약 기간 단축” 같은 한 줄 목표 대신 단계별 지표를 둡니다. 표적 선정에 걸린 개월 수, 스크리닝 적중률, 최적화 사이클 수, 임상 환자 모집 기간이 그 예입니다. 각 지표에 AI 도입 전 기준값을 먼저 기록해 둬야 효과를 말할 수 있습니다.

현업 실행 디테일: 누가, 언제, 무엇을

벤더 시험 하나를 12주 안에 끝내는 예시입니다. 제약 연구소를 기준으로 썼지만, 소재 개발이나 품질 예측처럼 실험 데이터를 쓰는 다른 업종에도 같은 틀을 쓸 수 있습니다.

역할	담당	하는 일
스폰서	R&D 총괄	시험 과제 선정, 최종 판정
데이터 책임	데이터 사이언스 리드	데이터 봉인, 분할, 채점 코드
도메인 검토	의약화학·독성 담당	상위 후보 검토, 실험 확인 설계
계약	구매·법무	NDA, 데이터 사용 범위, 결과물 권리
재무	재무 담당	시험 비용과 후속 계약 규모 비교

준비물: 측정이 끝난 과거 화합물 데이터와 조건 필드, 사내 기존 방법의 같은 과제 점수(비교 기준), 벤더에게 줄 과제 설명서 한 장, 채점 코드.

가상 예시. 12주 일정을 네 구간으로 나눈 간트

벤더에게 물을 질문

우리와 비슷한 표적 계열에서 앞을 내다보고 검증(prospective validation)한 결과가 있습니까?
학습 데이터에 공개 데이터와 다른 고객 데이터가 섞여 있습니까? 우리 데이터는 학습에 쓰입니까?
같은 입력을 다시 넣으면 순위가 얼마나 달라집니까?
예측마다 불확실성과 근거를 낼 수 있습니까?
off-target이나 독성 예측은 별도 모델입니까?

진행 판정 기준(가상 예시): 상위 100개 적중 수가 사내 기준의 1.5배 이상이고, 3회 제출의 순위 상관이 0.8 이상이며, 상위 후보 일부를 실제 실험으로 확인했을 때 같은 경향이 나오면 다음 단계 계약으로 갑니다. 하나라도 못 미치면 멈춥니다.

가상 예시. 숫자는 출발점으로 삼을 값이며 원문 수치 아님

어디에 쓸까. 이 보도의 쓸모는 제약에만 있지 않습니다. 어느 산업이든 “AI가 이 문제를 해결한다”는 벤더의 약속을 받으면, Vertex처럼 자사 데이터로 여러 곳을 한 번에 시험하는 것이 가장 빠른 확인 방법입니다. 순서는 이렇습니다. 첫째, 가치사슬을 단계로 나눠 AI가 닿는 단계와 닿지 않는 단계를 표시합니다. 둘째, 닿는 단계에서 기준값을 기록합니다. 셋째, 봉인된 데이터로 12주 시험을 돌립니다. 이사회나 투자위원회에는 “질병 정복”이나 “업무 혁신” 같은 큰 목표 대신 단계 지표의 변화를 보고합니다. 데이터 표준화가 안 된 부서라면 벤더 시험보다 조건 필드 정비를 먼저 하는 편이 낫습니다.

원문 사례

항목	내용
보도	WSJ, 2026년 11월 4일, WSJ Health Forum 발언
계기	Dario Amodei의 10년 안팎 질병 정복 전망, 한 기술 리더의 7년 안 90% 발언
Novartis · Vas Narasimhan	AI는 도구 상자 속 도구 하나
AstraZeneca · Pascal Soriot	질병과 생물학은 복잡, AI가 암을 고친다는 말은 지나침
Vertex · Jeff Leiden	질병 정복 전망을 일축, AI 기업 약 50곳 시험에서 쓸 만한 결과 없음
Vertex 시험 데이터	약 1만 종(Finwire), 수만 종(TechNews)
Regeneron · George Yancopoulos	AI가 15년 개발을 5년으로 줄이지는 못함
McKinsey · Alex Devereson	중후기 임상 실패의 약 4분의 1은 안전성 문제, 지금 AI는 예측이 어려움
Bayer · Sebastian Guth	돌파구는 사람 과학자와 AI의 협업에서
FDA 승인	AI로 발견·설계한 약 0건
후기 임상	Insilico Medicine, Generate Biomedicines 등 소수
투자	2025년 VC·PE 84억 달러, 2년 전의 약 두 배
제휴	AstraZeneca·Insitro(선급 4천만 달러, 최대 14.6억 달러), Lilly·Nvidia(5년 최대 10억 달러), BMS·Novo Nordisk·Sanofi와 OpenAI·Anthropic
현재 AI 활용처	표적 선정, 후보물질 개발·최적화, 환자 모집
AHCJ 패널(10월 30일)	단백질 구조 예측으로 6개월~1년 절약, 임상 성공률 8~10%, 표준화 데이터 부족

핵심 개념

FDA 승인: 미국 식품의약국이 약의 판매를 허가하는 절차입니다. 임상 1~3상을 거친 뒤 심사를 받습니다.
Target identification: 질병을 일으키는 단백질이나 유전자 가운데 약이 노릴 대상을 고르는 단계입니다.
Screening: 수많은 분자 가운데 표적에 반응할 후보를 걸러 내는 단계입니다. AI는 실험 전에 후보를 좁히는 데 쓰입니다.
Lead optimization: 찾은 후보 화합물의 효능, 안전성, 체내 흡수를 다듬는 단계입니다.
AI-native biotech: 처음부터 AI 모델을 중심에 두고 신약을 찾는 바이오 기업입니다. Insilico Medicine, Insitro, Generate Biomedicines가 그 예입니다.
Milestone payment: 제휴에서 임상 진입이나 승인 같은 목표를 달성할 때마다 나눠 주는 대금입니다. 선급금과 달리 성과에 따라 받습니다.

내 메모

TODO: 내 생각 추가

원문은 AI Weekly의 “Pharma CEOs push back on Silicon Valley’s AI cure pitch”(Alexis Dufresne, 2026.11.4)로, Wall Street Journal의 WSJ Health Forum 보도를 요약한 글입니다. WSJ 본문은 열 수 없어, 같은 보도를 인용한 Placera(Finwire, 2026.11.4), TechNews(2026.11.4), Winzheng(2026.11.9) 요약과 AI Weekly 프랑스어판, AI Weekly가 링크한 AHCJ 블로그 글(Farah Yousry, 2026.10.30)을 함께 읽었습니다. Vertex 시험 데이터 규모는 매체마다 달라 둘 다 적었습니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 이 보도들의 내용을 AX Review가 다시 정리했습니다. 기술 디테일, 현업 실행 디테일, JSON 예시, 일정과 판정 기준, 인포그래픽은 실제로 적용할 때 필요한 내용을 새로 작성한 가상 예시입니다. 전체 내용은 원문과 WSJ 기사에서 볼 수 있습니다.