제약 산업의 오퍼레이터 시대(The Operator Era in Pharma)가 도래했습니다. 인공지능(Artificial intelligence)은 더 이상 질문에 답하거나 초안을 생성하는 것에 국한되지 않습니다. AI는 제약 조직 전반에 걸쳐 실질적인 업무를 실행하기 시작했습니다. 수천 편의 연구 논문을 스크리닝하고 HEOR(보건경제학 및 성과 연구) 보고서를 작성하는 것부터 임상 운영(clinical operations) 및 품질 프로세스를 지원하는 것에 이르기까지, AI 오퍼레이터(AI operators)는 반복적이고 증거 집약적인 과업을 맡는 동시에 전문가들은 감독, 과학적 판단 및 전략적 결정에 집중하고 있습니다. 이러한 변화는 업무가 수행되는 방식뿐만 아니라 제약 팀이 설계되는 방식까지 바꾸고 있습니다.

개별 프롬프트에 반응하는 전통적인 AI 어시스턴트(AI assistants)와 달리, AI 오퍼레이터는 정의된 가드레일(guardrails) 내에서 엔드 투 엔드(end-to-end) 워크플로우를 계획, 조정 및 완료할 수 있습니다. 정밀도, 컴플라이언스(compliance), 신뢰를 바탕으로 구축된 산업인 만큼, 이는 단순한 기술 업그레이드가 아니라 운영 모델의 근본적인 변화를 의미합니다. 본 백서(white paper)에서는 제약 산업의 오퍼레이터 시대가 실제로 무엇을 의미하는지, 어디에서 이미 가치를 창출하고 있는지, 책임감 있는 배포를 위해 필요한 거버넌스(governance)는 무엇인지, 그리고 왜 인간의 전문성이 모든 중요한 결정의 중심에 남아 있는지를 탐구합니다.

코파일럿(Copilot)에서 오퍼레이터(Operator)로: 제약 산업의 오퍼레이터 시대

제약 산업은 신약 개발(drug discovery) 및 데이터 분석을 위해 오랫동안 계산 모델(computational models)을 사용해 왔습니다. 가드레일 내에서 자율적으로 추론, 계획 및 행동하는 에이전틱 AI(agentic AI) 시스템으로의 도약은 새로운 장을 열고 있습니다.

**전통적인 AI (Traditional AI)**는 데이터를 분석하고 권장 사항을 제공했습니다. **에이전트형 오퍼레이터 (Agentic operators)**는 여기서 더 나아갑니다. 이들은 워크플로 (workflows)를 조정하고, 문서를 초안하고, 프로세스를 실시간으로 모니터링하며, 편차를 알리고, 심지어 교정 조치를 제안하기도 합니다. 새벽 2시에 작업자의 음성 질의에 근거가 명시된 표준 작업 지침서 (SOP) 참조를 바탕으로 답변하는 공장 현장의 AI 코파일럿 (copilot), 또는 GxP 준수를 보장하면서 배치 기록 (batch records)을 자율적으로 최적화하는 시스템을 생각해 보십시오.

왜 지금인가? 더 나은 데이터 인프라, 성숙한 대규모 언어 모델 (LLMs), 도메인 특화 미세 조정 (domain-specific fine-tuning), 그리고 GMP 내 AI에 관한 FDA 및 EMA 가이드라인과 같은 규제적 진전이 하나로 모였기 때문입니다.

실제 업무의 모습: 제약 워크플로 내부의 AI 오퍼레이터

나란히 비교해 보면 두 가지 AI 지원 증거 합성 (evidence synthesis) 모델 간의 차이점이 명확히 드러납니다. 아래 표는 전형적인 증거 관련 작업이 오퍼레이터 모델로 전환되기 전과 후의 모습을 비교합니다.

패턴을 주목하십시오. 모든 행에서 인간의 역할은 생산자 (producer)에서 검토자 (reviewer)로 이동합니다. 이는 감독의 상실을 의미하지 않습니다. 사람이 여전히 최종 결과물에 승인 (sign off)을 하기 때문입니다. 대신, 반복적인 조립 작업에서 벗어나 판단 (judgment) 업무로 노력을 재분배하는 것입니다. 그 결과, 팀은 인력을 동일한 비율로 늘리지 않고도 더 방대한 증거 기반을 처리할 수 있습니다.

제약 산업의 오퍼레이터 시대: 5단계 파이프라인

AI 오퍼레이터는 단순히 "읽고 답하는" 것이 아닙니다. 규제 산업에서 매우 중요한 요소인 모든 출력물의 추적 가능성 (traceability)을 유지하기 위해 구조화된 파이프라인 (pipeline)을 실행합니다. 아래 인포그래픽은 증거 합성 또는 임상 시험 데이터를 처리하는 AI 오퍼레이터의 배후에 일반적으로 존재하는 5단계를 설명합니다.

데이터 수집 (Data ingestion): 임상 시험 등록소, 학술지 논문, 내부 문서가 PDF, 구조화된 피드(structured feed), 또는 스캔된 보고서 등 어떤 형식으로 들어오든 시스템에 입력됩니다.

추출 (Extraction): 오퍼레이터는 연구 종점 (study endpoints), 환자군 (patient populations), 중재 (interventions), 투여량 (dosing), 결과 (outcomes)와 같은 핵심 정보를 식별하고 추출합니다. 이를 통해 비구조화된 콘텐츠를 분석 가능한 구조화된 데이터로 변환합니다.

개체 해소 (Entity resolution): 동일한 약물, 임상 시험 또는 저자가 출처마다 서로 다른 이름으로 나타날 수 있기 때문에, 시스템은 중복을 제거하고 이러한 개체들을 조정하여 데이터가 중복 계산되지 않도록 합니다.

출처 연결 (Source Linkage): 추출된 모든 데이터 포인트는 원래의 문장, 표 또는 문서와 연결된 상태로 유지됩니다. 이는 완전한 추적 가능성 (traceability)을 보장하여, 검토자가 증거를 빠르게 확인하고 규제 준수 (regulatory compliance)를 지원할 수 있게 합니다.

검증 및 준수 (Validation and compliance): 인간 검토자가 다음 단계로 넘어가기 전에 감사 추적 (audit trail)을 바탕으로 출력물을 확인하며, 이를 통해 프로세스가 GxP 스타일의 문서화 기대치와 일치하도록 유지합니다. 이 파이프라인은 신뢰할 수 있는 AI 오퍼레이터와 그저 자신감 있게 들리는 챗봇을 구분 짓는 요소입니다. 출처 연결과 감사 추적이 없다면, AI가 생성한 요약본은 아무리 잘 작성되었더라도 규제 맥락에서 사용할 수 없습니다.

제약 산업의 오퍼레이터 시대가 실제 워크플로우로 전환되는 방식

오퍼레이터 모델은 이론적인 것이 아닙니다. 이는 이미 증거 집약적인 제약 기능 내에서 실행되고 있으며, 각 기능은 위임받는

흥미롭게도, 모든 행을 관통하는 공통점은 오퍼레이터(operator)가 작업량(volume)을 흡수하는 반면, 인간은 리스크(risk)를 흡수한다는 점입니다. 이러한 균형은 규제 기관과 내부 컴플라이언스(compliance) 팀이 정확히 보고 싶어 하는 모습입니다. 처리량(throughput)이 증가하더라도 책임 소재를 면허를 가진 책임 있는 개인에게 유지할 수 있기 때문입니다.

거버넌스 우선: 신뢰가 여전히 주도권을 쥐는 이유

거버넌스(governance) 없이는 이 중 어느 것도 작동하지 않으며, 제약 팀은 다른 산업보다 이 점을 더 잘 알고 있습니다. 출처를 제시할 수 없는 AI 오퍼레이터는 자산이 아니라, 감사(audit) 중에 드러나기를 기다리는 부채(liability)일 뿐입니다. 이것이 가장 강력한 구현 방식이 오퍼레이터 수준의 자동화와 엄격하고 내보낼 수 있는 감사 추적(audit trails)을 결합하는 이유입니다.

FDA는 이미 약물 개발 라이프사이클 전반에 걸쳐 AI 지원 도구를 어떻게 평가해야 하는지에 대한 가이드라인을 발표하기 시작했으며(FDA on AI in drug development), ISPOR와 같은 조직은 HEOR 및 HTA 제출 시 증거 품질에 대한 모범 사례를 지속적으로 형성하고 있습니다(ISPOR). 한편, PhRMA와 같은 산업 단체는 인간의 책임성을 온전히 유지하는 책임감 있는 AI 도입의 필요성을 강조해 왔습니다(PhRMA). 이 세 가지 모두에서 방향성은 일관됩니다. 즉, 자동화는 환영받지만, 추적 가능성(traceability)은 타협할 수 없는 요소라는 점입니다. 이것이 바로 검증(validation)이 프로젝트 끝에 덧붙여지는 사후 고려 사항이 되어서는 안 되는 이유이기도 합니다. 대신, 검증은 앞서 설명한 파이프라인의 모든 단계에 내장되어야 하며, 그래야 검토자가 숫자의 출처를 확인하지 못한 채 숫자를 신뢰하라는 요구를 받는 일이 발생하지 않습니다.

오퍼레이터 시대가 제약 팀에 의미하는 것

이러한 변화를 평가하는 팀들에게 실질적인 시사점은 명확합니다. 첫째, 최종 결과뿐만 아니라 모든 단계에서 작업 과정을 보여주는 도구를 찾으십시오. 둘째, AI 오퍼레이터를 최종 승인하는 전문가의 대체재가 아니라, 초안을 작성하는 워크플로(workflow)의 구성원으로 취급하십시오. 셋째, 검토를 잘하는 것은 글을 잘 쓰는 것과는 다른 기술이므로, AI가 조립한 증거를 효율적으로 점검할 수 있도록 검토자 교육에 투자하십시오.

제약 산업의 오퍼레이터 (Operator) 시대는 전문가를 대체하는 것에 관한 것이 아닙니다. 이는 전문가들의 초점을 반복적이고 수동적인 작업에서, 진정한 과학적 전문 지식, 임상적 판단 (clinical judgment), 그리고 규제 책임 (regulatory accountability)이 요구되는 의사결정으로 전환하는 것에 관한 것입니다. AI 오퍼레이터 (AI operators)가 증거 집약적인 워크플로우 (workflows)를 맡게 됨에 따라, 성공 여부는 자동화 (automation)를 투명성 (transparency), 거버넌스 (governance), 그리고 의미 있는 인간의 감독 (human oversight)과 결합하는 데 달려 있을 것입니다.

이러한 균형을 수용하는 조직은 품질이나 컴플라이언스 (compliance)를 타협하지 않으면서 생산성을 향상시킬 수 있는 더 나은 위치를 점하게 될 것입니다. 제약 산업의 미래는 AI 단독의 것이 아니라, AI 오퍼레이터와 인간 전문가가 협력하여 더 빠르고 신뢰할 수 있는 결과를 도출하는 팀의 것입니다.

저자의 노트: 이 기사는 AI 기반의 연구 및 집필의 지원을 받았으며, Claude 4.5가 텍스트 및 이미지 생성에 도움을 주었습니다.