글로벌 제약사들이 AI를 R&D 전 과정에 밀어 넣는 중

• 글로벌 제약사들이 AI를 “업무 보조 도구” 수준이 아니라 R&D 가치사슬 전체의 핵심 인프라로 보고 있다.

  • 기사에서 반복되는 키워드는 생산성, 예측, 실시간 데이터, 맞춤형 인사이트, 신약 개발 속도다.
  • 제약 산업은 원래 데이터가 많고, 의사결정 비용이 크고, 실패 비용도 큰 분야라 AI가 들어갈 명분이 꽤 분명하다.

• 사노피는 카카오헬스케어와 의료 데이터 기반 RWE 실증 연구와 AI 솔루션 개발을 위한 양해각서를 맺었다.

  • 목표는 연합학습 기반 AI 모델을 공동 개발해 파브리병·천식 같은 질환에서 조기 진단과 맞춤형 관리 모델을 만드는 것이다.
  • 의료 데이터는 민감해서 한곳에 모으기 어렵기 때문에, 원본 데이터를 이동시키지 않고 모델을 학습하는 연합학습이 중요한 선택지가 된다.

• 사노피 내부 툴로는 Plai와 Concierge가 언급된다. 특히 Plai는 데이터 통합 플랫폼에 가깝다.

  • 과거에는 여러 시스템에 흩어진 데이터를 각각 뽑아 엑셀로 분석해야 했다.
  • 지금은 Plai로 매출, 투자, 예산 같은 주요 데이터를 실시간 확인할 수 있고, 특정 담당자에게 의존하지 않고 여러 이해관계자가 같은 데이터를 동시에 본다.
  • 이건 단순 자동화라기보다 의사결정 속도와 리스크 관리 방식을 바꾸는 쪽에 가깝다.

• 바이엘은 AI로 2030년까지 R&D 생산성을 40% 높이는 걸 목표로 잡았다.

  • 익명화된 환자 중심 데이터와 AI 플랫폼 아키텍처를 통합해 신약 개발 속도를 높인다는 전략이다.
  • 밴더빌트 대학교 의료센터, 핀젠, 싱가포르 프리시즈와 협력해 글로벌 데이터 생태계도 구축 중이다.
  • 주요 적용 분야로는 심혈관·신장 질환이 언급된다.

• 화이자와 노바티스도 AI를 신약 개발 과정에 깊게 넣고 있다.

  • 화이자는 AI 기반 모델링·시뮬레이션으로 임상 성공률을 높이고 있고, 코로나19 치료제 개발 과정에서도 AI를 적극 활용했다.
  • 노바티스는 마이크로소프트와 전략적 제휴를 맺고, AI와 데이터 과학, 디지털 기술을 신약 개발 전 과정에 접목하고 있다.
  • PathAI, 릴레이션 같은 AI 스타트업과 협업해 면역·피부과 질환의 새 표적을 찾고, 유전성 질환 진단 분석 효율도 높이고 있다.

• 로슈와 아스트라제네카는 더 인프라 쪽으로 간다.

  • 로슈는 엔비디아와 제약업계 최대 규모의 AI 팩토리를 구축해 암·신경계·희귀질환 연구를 가속화하고 있다.
  • 아스트라제네카는 2026년 1월 미국 모델라 AI를 인수해 멀티모달 AI 파운데이션 모델을 항암제 연구에 도입했다.
  • 제약 AI가 “분석 도구 하나 도입”이 아니라 컴퓨팅 인프라, 데이터 파트너십, 모델 인수까지 포함한 전략 산업이 되고 있는 셈이다.

• 재미있는 건 AI가 연구실뿐 아니라 CFO와 비즈니스 리더의 대시보드에도 들어간다는 점이다.

  • 매출과 비용 예측, 글로벌 경제 상황과 정책 변수 반영, 리더별 관심 지표 맞춤형 인사이트가 언급된다.
  • CFO, 지역 리더, 사업부 리더가 서로 다른 지표를 보더라도 같은 데이터 기반으로 논의할 수 있게 만드는 게 목표다.
  • 결국 AI 도입의 효과는 신약 후보 발굴뿐 아니라 회사 운영 전반의 의사결정 품질로 확장된다.

---

기술 맥락

• 제약 AI에서 중요한 선택은 데이터를 중앙에 다 모을지, 아니면 각 기관에 둔 채로 학습할지예요. 사노피와 카카오헬스케어가 연합학습을 언급한 이유도 의료 데이터가 민감하고 규제가 강해서, 데이터 이동 자체가 큰 리스크가 되기 때문이에요.

• RWE가 중요한 이유는 임상시험 데이터만으로는 실제 환자군의 다양성을 다 담기 어렵기 때문이에요. 병원 진료 과정에서 쌓이는 데이터를 잘 활용하면 조기 진단이나 맞춤형 관리 모델을 더 현실적인 방향으로 만들 수 있어요.

• 로슈의 AI 팩토리나 아스트라제네카의 멀티모달 파운데이션 모델은 “모델 하나 써보자”가 아니라 연구 체계를 바꾸는 선택이에요. 암, 신경계, 희귀질환 연구는 데이터 종류도 많고 계산량도 크기 때문에 반복 실험을 빠르게 돌릴 인프라가 필요하거든요.

• 한국 개발자에게도 이 흐름은 꽤 직접적이에요. 의료 데이터 플랫폼, 개인정보 보호형 학습, 병원·제약사 연동 시스템, 모델 검증 파이프라인 같은 영역에서 실제 엔지니어링 수요가 생길 가능성이 높아요.