ChatGPT, Claude 아니면 Gemini? 빅파마가 AI 기술 스택을 재편하는 방법

서론

인공지능과 제약 연구 간의 관계가 변화하고 있습니다.

수년 동안 AI 기반 신약 개발에서 가장 주목할 만한 협업은 표적 발굴, 단백질 구조 예측, 분자 생성, 가상 스크리닝 또는 실험실 자동화에 특화된 전문 기업들이 주도해 왔습니다. 제약 그룹들은 또한 클라우드 서비스 제공업체, 칩 제조사, 데이터 플랫폼 공급업체에 크게 의존하여 이러한 프로젝트의 기반이 되는 인프라를 제공받았습니다.

이제 두 번째 유형의 공급업체들이 이 산업에 깊이 진입하고 있습니다. OpenAI, Anthropic, Google은 더 이상 단순한 범용 챗봇이나 오피스 어시스턴트 제공자로만 여겨지지 않습니다. 이들의 모델은 과학 연구, 임상 개발, 의학 저술, 규제 업무, 코딩, 데이터 분석, 생산 조사 및 기업 의사 결정 영역으로 진출하고 있습니다.

따라서 제약사들이 직면한 전략적 질문은 더 이상 "직원들이 어떤 챗봇을 사용해야 하는가?"에 국한되지 않습니다.

진정한 질문은 이것입니다:

어떤 모델, 데이터 시스템, 과학적 도구, 보안 통제 조치 및 수동 검토 프로세스의 조합이 회사의 신뢰할 수 있는 인텔리전스 레이어가 될 수 있을까?

대형 제약사 최첨단 AI 협업 개요

Big Pharma Sharma의 2026년 5월 분석 보고서는 21개 대형 제약사와 OpenAI, Anthropic, Google Gemini라는 3개 최첨단 AI 생태계 간의 27건 확인된 전략적 협업을 추적했습니다.

해당 데이터 세트는 다음과 같은 대략적인 분포를 보고했습니다:

발견 사항	보고 결과
추적된 확인된 협업	27건
관련 대형 제약사	21개
Anthropic 관련 협업	약 52%
OpenAI 관련 협업	약 41%
Gemini 관련 협업	2건
OpenAI와 Anthropic 모두와 협업하는 회사	최소 6개
연구 또는 발견 관련 협업	약 82%

이 데이터는 시장 스냅샷 역할을 하지만 모든 제약 AI 프로젝트의 공식 통계는 아닙니다. 비공개 파일럿 프로젝트, 클라우드 계약, 내부 모델 배포, 전문 모델 협업 및 공개되지 않은 실험은 데이터 세트에 포함되지 않았을 수 있습니다.

이 수치가 제약 산업이 OpenAI 진영, Claude 진영, Gemini 진영으로 명확히 구분되었다는 것을 의미하지도 않습니다.

더 중요한 패턴은 멀티 모델 실험입니다. 대형 회사들은 서로 다른 작업에 대해 다양한 시스템을 테스트하는 동시에 독점 데이터, 검증 도구, 기업 권한 및 수동 감독을 중심으로 더 광범위한 기술 스택을 구축하고 있습니다.

대형 제약사가 선택하는 것은 채팅 창이 아닌 인프라입니다

개인 사용자에게 최첨단 모델은 글쓰기, 검색, 요약, 브레인스토밍 또는 코딩에 사용될 수 있습니다.

제약 배포에는 추가 요구 사항이 있습니다.

모델은 다음을 수행해야 할 수 있습니다:

• 기업 제어 환경에서 실행
• 역할 기반 민감 데이터 액세스 권한 준수
• 내부 연구 데이터베이스와 문서 저장소 연결
• 검증된 과학적 및 통계 도구 사용
• 출처 및 인용 정보 유지
• 검토 가능한 결과물 생성
• 감사 요구 사항에 따른 운영 행위 기록
• 규정 준수 워크플로우 지원
• 불확실하거나 영향력이 큰 결정을 적격 전문가에게 상향 보고

이로부터 최소 세 가지 도입 수준이 형성됩니다.

첫 번째 수준: 기업 생산성 향상

이 수준에서 기업은 많은 직원에게 AI 어시스턴트를 개방합니다.

일반적인 사용 사례는 다음과 같습니다:

• 내부 지식 검색
• 긴 문서 요약
• 보고서 초안 작성
• 코드 생성
• 프레젠테이션 제작
• 정책 문서 검토
• 일상적인 지식 기반 업무 지원

모더나는 이 모델의 초기 실천자입니다. 이 회사는 2023년부터 OpenAI와 협력하여 내부 어시스턴트인 mChat을 구축한 후 ChatGPT Enterprise를 수천 명의 다양한 직원에게 배포했습니다.

Bristol Myers Squibb는 2026년에 유사한 광범위한 접근 방식을 취하여 연구개발, 임상 개발, 생산 제조, 상업 및 기업 기능 부서에 Claude를 배포한다고 발표했으며, 3만 명 이상의 직원과 수천 개의 내부 데이터 소스를 연결했습니다.

두 번째 수준: 특정 워크플로우에 AI 내장

이 수준은 범용 어시스턴트를 넘어섭니다.

모델은 명확한 프로세스에 통합됩니다. 예를 들어:

• 임상 연구 보고서 작성
• 규제 문서 생성
• 프로토콜 설계 지원
• 임상시험 데이터 분석
• 환자 모집 프로세스
• 생물정보학
• 생산 편차 조사
• 의학 및 과학 저술

이 단계에서 AI 시스템은 더 이상 글쓰기 효율성을 높이는 도구가 아니라 프로세스 자체의 구성 요소가 됩니다.

효과적인 배포에는 승인된 템플릿, 신뢰할 수 있는 출처 검색, 구조화된 출력, 버전 관리, 품질 검사 및 전문가 검토가 필요합니다.

세 번째 수준: 연구개발 전 주기를 포괄하는 지능형 플랫폼

이 수준은 다양한 도구와 정보 소스를 조정할 수 있는 에이전트 플랫폼입니다.

에이전트는 다음을 수행할 수 있습니다:

1. 연구 또는 비즈니스 목표 분석
2. 목표를 하위 작업으로 분해
3. 내부 및 외부 증거 검색
4. 데이터베이스, 연구용 소프트웨어 또는 기업 서비스 호출
5. 분석 연산 수행
6. 결과물 생성
7. 결과 품질 확인
8. 수동 검토 제출

Merck & Co.와 Google Cloud의 장기 협력이 이 방향을 보여줍니다. 수십억 달러 규모의 이 협력 계획은 Gemini Enterprise를 통해 연구개발, 생산, 상업 운영 및 기업 기능에 에이전트 플랫폼을 배포하는 것을 목표로 합니다.

이 수준에서 경쟁의 초점은 직원의 브라우저 탭에 어떤 브랜드 로고가 표시되는지가 아니라, 어떤 플랫폼이 기업의 차세대 과학 및 운영 워크플로우를 조정할 수 있는지에 있습니다.

Claude가 협업 지형에서 선점 우위를 차지한 이유

Anthropic은 Big Pharma Sharma 데이터 세트에서 통계된 파트너 중 가장 큰 점유율을 차지했습니다.

이러한 초기 포지셔닝은 Claude의 기업 및 생명과학 전략과 일치합니다.

제약 팀은 일반적으로 다음을 처리할 수 있는 모델이 필요합니다:

• 장문의 임상 및 규제 문서
• 구조화된 과학 저술
• 코드 및 데이터 분석 워크플로우
• 상세한 운영 지침
• 출처 링크가 포함된 증거
• 기업 보안 통제
• 반복 가능하고 감사 가능한 프로세스

이러한 요구 사항은 Anthropic이 Claude를 포지셔닝하는 방식과 매우 일치합니다.

Claude 생명과학 버전

Anthropic은 2025년 Claude 생명과학 버전을 출시하여 과학 플랫폼 및 정보 소스에 대한 통합 및 커넥터를 추가했습니다.

이 생태계에서 발표된 서비스는 다음과 같습니다:

• Benchling
• PubMed
• BioRender
• 10x Genomics
• Synapse.org
• Wiley Scholar Gateway
• ClinicalTrials.gov
• Medidata

목표는 모든 작업을 수동으로 텍스트 복사하는 것부터 시작하도록 요구하는 대신 Claude를 과학자들의 기존 도구에 더 가깝게 만드는 것입니다.

Anthropic은 2026년 Claude 과학 버전을 출시하여 이 접근 방식을 확장했습니다. 이는 연구 도구, 컴퓨팅 리소스 및 감사 가능한 결과물을 통합한 과학 작업 플랫폼입니다.

Bristol Myers Squibb: Claude를 공유 지능 레이어로 활용

Bristol Myers Squibb는 2026년 5월 Anthropic과의 전략적 계약을 발표했습니다.

회사는 Claude Enterprise가 전 세계 운영에 배포될 것이라고 밝혔습니다. 여기에는 다음이 포함됩니다:

• 연구
• 임상 개발
• 제조
• 상업 기능
• 기업 기능

Bristol Myers Squibb는 Claude를 단일 용도 애플리케이션이 아닌 공유 지능형 플랫폼으로 설명했습니다. 목표는 다양한 워크플로우에서 공통 상호 작용 레이어를 생성하면서 직원과 에이전트를 내부 데이터에 연결하는 것입니다.

이러한 계약은 Anthropic의 파트너 수를 설명하는 데 도움이 됩니다. 이 제품은 모델 API로만 판매되는 것이 아니라 안전한 기업 환경, 코딩 도구, 에이전트 프레임워크 및 지식 인터페이스로 판매됩니다.

NovoScribe, 규제 문서에서 AI의 가치 입증

Novo Nordisk의 NovoScribe는 규제된 문서 워크플로우에서 Claude를 사용한 가장 명확한 사례 중 하나입니다.

이 시스템은 다음을 결합합니다:

• Claude 모델
• Claude 코드
• 검색 증강 생성
• 전문가 승인 텍스트
• 사례별 변수
• Amazon Bedrock
• MongoDB Atlas
• 수동 검토

Anthropic은 이전에 10주 이상이 소요되던 임상 연구 문서가 이 플랫폼을 통해 약 10분 만에 생성될 수 있다고 보고했습니다.

이 수치는 회사가 보고한 사례 결과이며 모든 임상 문서에 대한 보장은 아닙니다. 그럼에도 불구하고 이 워크플로우는 대규모 언어 모델이 규제 저술에서 왜 매력적인지 보여줍니다.

임상 보고서 및 관련 문서는 일반적으로:

• 길이가 깁니다
• 고도로 구조화되어 있습니다
• 형식이 반복적입니다
• 소스 데이터에 의존합니다
• 통일된 용어를 사용합니다
• 광범위한 검토를 받습니다
• 결론을 증거에 연결해야 합니다

모델은 정보 추출, 초안 생성, 서식 지정 및 일관성 검사를 지원할 수 있습니다. 반면 과학적 판단, 규제 책임, 승인 및 최종 책임은 여전히 적격 전문가에게 있습니다.

이것은 중요한 차이점입니다. Claude의 초기 제약 분야 성공이 반드시 신약 발명에서 더 뛰어나다는 것을 증명하는 것은 아닙니다. 이는 Anthropic이

가치를 신속하게 측정할 수 있는 기업 워크플로우를 발견했습니다: 코딩, 문서 생성, 지식 검색 및 구조적 분석입니다.

OpenAI, 범용 기업 AI에서 생명과학 모델로 확장 중

OpenAI의 제약 산업 진출 경로는 약간 다릅니다.

초기 강점은 다음에서 비롯되었습니다:

• 직원들의 ChatGPT에 대한 보편적인 친숙함.
• 기업 수준 배포.
• 방대한 개발자 생태계.
• 맞춤형 GPT 애플리케이션.
• API 기반 내부 도구.
• 범용 코딩 및 추론 능력.

Moderna: 전사적 인공지능 도입

Moderna는 2023년 OpenAI와 협력하기 시작했습니다.

이 회사는 처음에 mChat이라는 내부 챗봇을 만들었습니다. 이후 여러 비즈니스 기능 영역에 ChatGPT Enterprise 사용을 확대하고, 직원들이 반복적인 작업을 위해 전용 GPT를 구축하도록 장려했습니다.

이는 상향식 생산성 모델입니다. 연구개발, 법무, 제조, 상업 및 행정 팀의 직원들이 빈번한 사용 사례를 식별하고, 이를 중심으로 내부 어시스턴트를 만듭니다.

이점은 광범위한 시도입니다. 위험은 각 부서가 통합된 거버넌스, 평가 기준 및 데이터 통제 없이 도구를 구축할 경우 파편화가 발생할 수 있다는 점입니다.

사노피, Formation Bio 및 OpenAI

사노피는 2024년 OpenAI 및 Formation Bio와 협력하여 신약 개발용 인공지능 소프트웨어를 공동 개발한다고 발표했습니다.

이 협력은 다음을 통합했습니다:

• 사노피의 독점 데이터 및 제약 전문성.
• OpenAI의 모델 및 AI 역량.
• Formation Bio의 엔지니어링 기술 및 약물 개발 플랫폼.

이후 이들 회사는 임상시험 환자 모집을 지원하기 위한 Muse를 출시했습니다.

이는 범용 직원 지원에서 명확한 약물 개발 워크플로우로의 전환을 의미합니다.

GPT-Rosalind: 전용 생명과학 제품군

OpenAI는 2026년 GPT-Rosalind를 출시했습니다. 이는 생명과학 연구를 위해 특별히 구축된 모델 시리즈입니다.

이 시스템은 다음 분야에 대한 추론을 위해 설계되었습니다:

• 생물학.
• 신약 발견.
• 단백질 공학.
• 화학.
• 유전체학.
• 과학적 증거.
• 연구 도구.
• 실험 워크플로우.

OpenAI는 또한 문헌 분석, 차세대 염기서열 분석, 단일 세포 분석 및 분자 구조 검토와 같은 워크플로우를 위한 생명과학 플러그인 및 과학 뷰어를 개발했습니다.

GPT-Rosalind는 전략적 전환을 의미합니다.

OpenAI는 더 이상 제약 회사에 범용 기업 어시스턴트만 제공하지 않습니다. 생명과학 연구를 위한 독립적인 모델 시리즈, 평가 프레임워크, 도구 계층 및 통제된 액세스 프로그램을 구축하고 있습니다.

자체 LifeSciBench 결과는 신중한 접근이 여전히 필요함을 보여줍니다. GPT-Rosalind는 평가된 모델 세트 중 최고 성능을 보였지만, 전체 작업 통과율은 특히 아티팩트, 높은 설계 요구 사항 및 제한된 작업에서 완벽함과 거리가 멉니다.

도메인 모델은 성능을 향상시킬 수 있지만 전문가 검증의 필요성을 대체하지는 않습니다.

과학적 추론에서 자동화된 실험으로

OpenAI의 생명과학 전략에는 모델을 실험 플랫폼에 연결하여 자동화된 실험 설계 및 실행을 가능하게 하는 작업도 포함됩니다.

실험 시스템.

원문에서는 Ginkgo Bioworks 및 Retro Biosciences와 관련된 프로젝트를 특히 강조했습니다.

중요한 방향은 고립된 결과가 아니라 폐쇄 루프를 구축하려는 시도입니다:

1. 모델이 이전 실험 증거를 검토합니다.
2. 새로운 설계 또는 최적화 방안을 제안합니다.
3. 실험실 자동화가 실험을 실행합니다.
4. 실험 결과를 수집합니다.
5. 모델이 결과를 분석합니다.
6. 다음 실험을 제안합니다.
7. 과학자가 프로세스와 결론을 검토합니다.

이 폐쇄 루프가 신뢰할 수 있게 되면, AI의 역할은 과학 정보 요약을 넘어 반복적인 실험 설계에 참여하는 것으로 확장됩니다.

이는 문서 생성보다 더 높은 기준을 요구합니다. 시스템은 노이즈가 많은 데이터, 불완전한 생물학적 이해, 실패한 실험, 장비 제약 및 안전 제약을 처리해야 합니다.

따라서 과학적 진보에 대한 주장은 모델 벤치마크나 보도 자료가 아닌, 재현 가능한 실험과 실제 연구 개발 성과를 통해 평가되어야 합니다.

Gemini 거래 수는 적지만, 인프라 구축 범위는 더 넓음

대형 제약사 Sharma의 데이터 세트에서 Google Gemini는 단 두 건의 협력 관계에만 나타납니다.

이 숫자는 생명과학 분야에서 Google의 전체적인 입지를 반영하지는 않습니다.

Google의 솔루션은 다음을 포함합니다:

• Gemini 모델.
• Google Cloud.
• Gemini Enterprise.
• 데이터 인프라.
• 기업 검색.
• Workspace.
• Vertex AI.
• TPU 컴퓨팅.
• 에이전트 개발 도구.
• Google DeepMind의 과학 연구.
• AlphaFold 및 관련 생물학 모델.

Gemini를 도입하는 제약 회사는 단일 모델이 아닌 통합된 클라우드 및 데이터 아키텍처를 구매할 가능성이 높습니다.

머크와 Google Cloud

머크는 2026년 4월 Google Cloud와 최대 10억 달러 규모의 다년간 파트너십을 발표했습니다.

이번 협력은 Gemini Enterprise 및 Google Cloud 기술을 다음 분야에 적용하는 것을 목표로 합니다:

• 연구개발.
• 제조.
• 상업 운영.
• 환자 상호작용.
• 기업 기능.

Google Cloud 엔지니어가 머크 팀과 협력하여 배포할 것으로 예상됩니다.

이는 대규모 인프라 수준의 계약으로, 이러한 계약은 협력 건수 통계를 왜곡할 수 있습니다. Google은 공개적으로 발표된 거래는 적더라도 광범위한 전략적 약속을 확보할 수 있습니다.

AlphaFold와 Google의 과학 생태계

Google은 또한 Google DeepMind의 과학적 신뢰도의 혜택을 받고 있습니다.

AlphaFold는 단백질 구조 예측의 현실을 변화시켰으며 중요한 연구 자원이 되었습니다. Google DeepMind와 Isomorphic Labs는 생물학 및 약물 설계 시스템에 계속해서 노력하고 있습니다.

제약 아키텍처에서 Gemini는 자연어 및 작업 오케스트레이션 계층 역할을 할 수 있고, 전용 과학 모델은 구조, 화학 또는 생물학적 예측을 수행합니다.

따라서 Google의 장기적 강점은 다음의 통합에서 비롯될 수 있습니다:

• 범용 추론 능력.
• 클라우드 인프라.
• 기업 데이터.
• 과학 모델.
• 에이전트 관리.
• 대규모 컴퓨팅.

업계가 세 개의 영구 진영으로 나뉘지는 않음

추적된 데이터 세트에서 적어도 6개의 제약 회사가 OpenAI와 Anthropic 모두와 협력하고 있었습니다.

이는 가장 중요한 발견 중 하나입니다.

대형 제약사는 역량, 가격, 지연 시간, 제품 설계 및 규제가 여전히 빠르게 변화하고 있기 때문에 모든 핵심 워크플로우를 단일 모델 공급업체에 맡길 가능성이 낮습니다.

다중 모델 아키텍처는 기업이 작업에 맞게 도구를 매칭할 수 있게 해줍니다.

예를 들어:

• Claude는 긴 문서, 구조적 글쓰기, 코드 및 규제 대상 워크플로우에 사용될 수 있습니다.
• OpenAI는 광범위한 지식 작업, 도메인 연구, 도구 기반 과학적 추론 및 실험 시스템에 사용될 수 있습니다.
• Gemini는 Google Cloud 데이터, 기업 에이전트 및 전용 DeepMind 기술과 결합하여 사용될 수 있습니다.
• 소규모 또는 오픈 소스 모델은 저비용 또는 프라이빗 배포 워크로드를 처리할 수 있습니다.
• 전문 과학 모델은 화학, 유전체학, 이미징 또는 통계 작업을 수행할 수 있습니다.

이는 모든 회사가 모든 공급업체를 사용한다는 것을 의미하지는 않습니다.

이는 지속적인 자산이 모델 브랜드 자체일 가능성이 낮다는 것을 의미합니다.

지속적인 자산은 다음을 제어하는 내부 플랫폼입니다:

• 데이터 액세스 권한.
• 모델 라우팅.
• 도구 권한.
• 인증.
• 평가.
• 로깅.
• 비용.
• 출처 추적.
• 승인.
• 규제 책임.

실용적인 다중 모델 제약 아키텍처

성숙한 제약 AI 플랫폼은 여러 계층을 포함할 수 있습니다.

계층	역할
사용자 및 에이전트 인터페이스	목표, 질문 및 검토 결정 수신
오케스트레이션 계층	작업 계획 및 모델과 도구로 라우팅
프론티어 언어 모델	추론, 글쓰기, 코딩 및 조정 처리
도메인 모델	생물학, 화학, 구조, 이미징 또는 유전체학 작업 수행
데이터 계층	내부 및 외부 정보에 대한 통제된 액세스 제공
과학 도구	검증된 계산, 분석 및 시뮬레이션 실행
기업 시스템	임상, 규제, 제조 및 비즈니스 워크플로우 연결
평가 계층	정확성, 누락, 인용, 재현성 및 위험 측정

| 거버넌스 계층 | 통제 권한, 감사 로그, 보존 및 승인 |
| 인간 전문가 | 증거 검토, 의사 결정 및 책임 유지 |

이러한 아키텍처는 벤더 종속을 줄일 수 있습니다.

모델 품질이 저하되거나 비용이 상승하거나 가용성이 변하면, 오케스트레이션 계층이 일부 워크로드를 다른 곳으로 라우팅할 수 있습니다. 단, 기업이 표준화된 인터페이스와 평가 메커니즘을 구축한 경우에 한합니다.

왜 대부분의 협력이 연구 및 발견 단계에 집중되는가

추적 분석 보고서에 따르면, 약 82%의 협력이 연구 또는 발견 단계와 관련되어 있습니다.

이러한 집중 현상은 현재 대규모 언어 모델의 강점 영역을 반영합니다.

연구 및 임상 개발에는 모델이 처리할 수 있는 방대한 정보가 포함됩니다:

• 과학 문헌.
• 실험 기록.
• 프로토콜.
• 임상 시험 문서.
• 통계 출력.
• 의학 저술.
• 유전체 데이터.
• 생물정보학 코드.
• 표적 증거.
• 내부 지식 베이스.

초기 연구에서 모델은 다음을 지원할 수 있습니다:

• 문헌 검토.
• 증거 통합.
• 코드 생성.
• 오믹스 분석.
• 가설 생성.
• 실험 계획.
• 기술 문서 작성.

임상 개발에서는 다음을 지원할 수 있습니다:

• 프로토콜 준비.
• 시험

타당성.

• 피험자 모집
• 연구 보고서 작성
• 신청 자료 준비
• 데이터 해석
• 의학 저술

이러한 작업은 정보 집약적이며, 일반적으로 결정이 환자 또는 제품에 영향을 미치기 전에 전문가의 검토를 허용합니다.

왜 생산 및 CMC 도입 속도가 느린가

생산과 화학, 제조 및 제어(일반적으로 CMC라고 함) 분야에서는 공개적으로 알려진 최첨단 모델 배포 사례가 적습니다.

그 이유는 잠재적 가치가 부족해서가 아닙니다.

가능한 사용 사례는 다음과 같습니다:

• 배치 기록 검토
• 편차 조사
• 공정 지식 검색
• 품질 문서 초안 작성
• 근본 원인 분석
• 공급망 계획
• 유지보수 지원
• 교육 및 표준 운영 절차

차이는 위험에 있습니다.

잘못된 연구 가설은 후속 실험으로 반증될 수 있지만, 잘못된 생산 지시는 제품 품질, 공급, 규정 준수 또는 환자 안전에 영향을 미칠 수 있습니다.

생산 환경은 또한 다음에 의존합니다:

• 실시간 장비 데이터
• 검증된 소프트웨어
• 품질 관리 시스템
• 변경 관리
• 전자 기록
• 엄격한 권한
• 문서화된 운영 절차

이 환경에서 AI 시스템은 더 강력한 검증, 더 좁은 행동 범위 및 더 엄격한 인간 감독이 필요합니다.

이는 생산 분야가 먼저 문서 검색 및 편차 분석과 같은 통제된 사용 사례에서 시작하여 점차 자율 공정 제어로 확장되는 이유를 설명합니다.

GSK의 JulesOS: 내부 구축 전략

GSK는 공개 협력 모델과 중요한 대비를 이룹니다.

이 회사는 JulesOS를 개발했습니다. 이는 에이전트와 전용 모델로 구성된 커뮤니티에 접근할 수 있는 내부 에이전트 기반 운영 체제입니다.

GSK는 이 플랫폼을 다음과 같이 통합한다고 설명합니다:

• 전용 AI 및 머신러닝 모델
• 코드 생성 도구
• 데이터 분석 도구
• 내부 과학 지식
• 에이전트 워크플로우
• 연구자를 위한 통합 경험

이 방법은 GSK가 오케스트레이션, 데이터 접근, 검증 및 사용자 인터페이스에 대해 더 강력한 통제권을 가지게 합니다.

동시에, 내부 실험 결과, 오믹스 정보, 임상 증거 및 표적 지식을 포함한 자체 독점 데이터 세트에서 더 큰 가치를 얻는 데 도움이 될 수 있습니다.

내부 플랫폼이 모든 구성 요소를 처음부터 구축한다는 의미는 아닙니다.

GSK는 여전히 외부 클라우드 인프라, 오픈소스 소프트웨어, 타사 모델 또는 전문 도구를 사용할 수 있습니다. 차이점은 회사가 통합 계층을 제어하고 이러한 구성 요소가 직원에게 어떻게 공개될지 결정한다는 점입니다.

자체 구축 대 외부 협력?

두 전략 모두 장점이 있습니다.

외부 최첨단 AI 협력	내부 에이전트 플랫폼
새로운 모델 기능에 더 빠르게 접근	아키텍처 및 데이터에 대한 강력한 통제
벤더 엔지니어링 및 지원	내부 워크플로우에 대한 심층 맞춤화
기업 배포 용이성	단일 벤더 의존도 감소
모델의 빠른 반복 개선	오케스트레이션 및 평가에 대한 더 큰 자율성
벤더 종속 위험 가능	높은 엔지니어링 및 운영 비용

많은 기업이 두 가지 방식을 결합할 것입니다.

내부 플랫폼을 구축하면서 동시에---

다음은 이를 뒷받침하는 Claude, GPT-Rosalind, Gemini, 오픈소스 모델 및 전문 과학 시스템을 사용할 수 있습니다.

현재 가장 성숙한 가치는 지식 작업 압축에 있다

현재, 의약 분야에서 LLM을 배포하여 얻을 수 있는 가장 측정 가능한 가치는 지식 작업에서 비롯됩니다.

예:

• 문서 준비 시간을 몇 주에서 몇 분 또는 며칠로 단축.
• 검토 주기 단축.
• 규제 및 임상 콘텐츠 초안 작성.
• 코드 개발 가속화.
• 내부 과학 지식 검색.
• 구조화된 분석 생성.
• 데이터 해석 지원.
• 재사용 가능한 워크플로우 에이전트 생성.

이러한 이점은 비교적 빠르게 관찰될 수 있습니다.

그러나 최첨단 모델이 다음을 수행했다는 것을 증명하는 것은 훨씬 더 어렵습니다:

• 더 나은 약물 표적을 식별.
• 더 안전한 분자를 생성.
• 임상 성공률을 높임.
• 후기 단계 실패 위험을 낮춤.
• 환자의 장기적 예후를 개선.

약물 개발에는 수년이 걸립니다. 최종 결과는 생물학, 실험 품질, 독성학, 제조, 환자 개인차, 시험 설계, 임상 운영 및 규제 검토에 따라 달라집니다.

모델은 물리적 검증을 우회할 수 없습니다.

이는 문서 및 코딩 생산성이 중요하지 않다는 의미가 아닙니다. 더 빠른 지식 작업은 전체 개발 과정에서 주기를 단축할 수 있습니다. 단지 업계가 워크플로우 효율성과 과학적 성공을 구분해야 한다는 것을 의미합니다.

범용 모델은 여전히 전문 데이터와 도구에 의존한다

최첨단 모델은 언어, 추론 및 계획에서 강력할 수 있지만, 특정 의약 문제를 해결하는 데 필요한 완전한 데이터가 여전히 부족할 수 있습니다.

롱테일 약물 자산, 과거 임상 프로젝트, 독점 실험 결과, 중단된 연구 화합물 및 내부 의사 결정 기록은 공개 훈련 데이터에 포함되지 않을 수 있습니다.

따라서 현실적인 생명과학 AI 아키텍처는 다음 요소를 결합해야 합니다:

• 작업 이해 및 조정을 위한 최첨단 모델.
• 신뢰할 수 있는 사실을 제공하는 큐레이팅된 데이터베이스.
• 회사 고유의 증거를 제공하는 내부 데이터.
• 영역별 예측을 위한 과학 모델.
• 계산 및 분석을 위한 검증된 소프트웨어.
• 실험 테스트를 위한 실험실 시스템.
• 해석 및 책임을 담당하는 인간 전문가.

승인된 도구를 통해 모델을 전문 데이터베이스에 연결하는 것은 최첨단 모델을 전환하는 것보다 더 가치 있을 수 있습니다.

데이터 및 도구 인터페이스의 품질은 모델의 추론 능력만큼 최종 결과를 결정할 수 있습니다.

AI 협력이 제약 산업의 경쟁 기준을 높이고 있다

새로운 협력 환경은 제약 회사가 본래 어려운 역량을 향상시키도록 강요하고 있습니다.

1. 내부 데이터를 사용 가능한 지식으로 전환

대부분의 대형 제약 회사는 방대한 데이터를 보유하고 있습니다.

문제는 이 데이터가 다음과 같을 수 있다는 점입니다:

• 다른 시스템에 저장됨.
• 일관되지 않은 용어로 설명됨.
• 다른 권한으로 보호됨.
• 출처 정보가 누락됨.
• 검색이 어려움.
• 한 워크플로우를 위해 구축되었으나 다른 워크플로우에 적합하지 않음.

조직이 명확한 표준과 접근 통제 메커니즘을 구축하지 않으면 모델이 정보를 안정적으로 사용할 수 없습니다.

2. 모델을 실제 워크플로우에 통합

엔터프라이즈 채팅봇을 구매하는 것은 비교적 간단합니다.

AI를

임상 보고서, 규제 신청, 약물 감시 프로세스, 품질 시스템 또는 실험실 워크플로우에 통합하려면 프로세스 재설계가 필요합니다.

팀은 다음을 결정해야 합니다:

• 어떤 단계를 자동화할 수 있나?
• 어떤 출력이 권고 사항인가?
• 어떤 작업에 승인이 필요한가?
• 어떤 증거를 보존해야 하는가?
• 오류를 어떻게 수정하는가?
• 최종 의사 결정권자는 누구인가?
• 모델이 변경되면 어떻게 되는가?

3. 과학적 평가 구축

공개 벤치마크는 모델이 회사의 약물 개발 워크플로우에 안전하고 유용한지 여부를 답할 수 없습니다.

제약 평가는 실제 내부 작업을 사용하고 다음을 측정해야 합니다:

• 정확성.
• 누락된 정보.
• 근거 없는 주장.
• 인용 품질.
• 재현성.
• 도구 사용의 정확성.
• 불완전한 데이터에 대한 견고성.
• 전문가 수용도.
• 검토 후 절약된 시간.
• 모델 업데이트 후 성능.

인상적인 초안을 생성하지만 더 많은 검토 작업을 만드는 AI 시스템은 실제 가치를 거의 제공하지 않을 수 있습니다.

미래는 모델-데이터-도구-실험 플랫폼이다

Claude, OpenAI 및 Gemini는 제약 분야에 각기 다른 경로로 진입하고 있습니다.

Anthropic

Anthropic은 다음을 강조하고 있습니다:

• 기업 보안.
• 긴 문서 워크플로우.
• 코딩.
• 과학 커넥터.
• 규제 문서.
• 감사 가능한 과학 작업 공간.
• 공유 지능 계층.

OpenAI

OpenAI는 다음을 결합하고 있습니다:

• 광범위한 ChatGPT 채택.

기업 생산성.

• 방대한 개발자 생태계.
• GPT-Rosalind.
• 과학 플러그인.
• 에이전트 기반 코딩.
• 도구 기반 연구.
• 실험 자동화.

구글

구글은 다음을 결합하고 있습니다:

• Gemini.
• Gemini Enterprise.
• Google Cloud.
• 기업 데이터 인프라.
• 에이전트 플랫폼.
• TPU 컴퓨팅.
• AlphaFold.
• Google DeepMind의 과학 모델.

모든 제약 워크플로우에서 단 하나의 승자가 나오는 것은 아닙니다.

더 현실적인 미래는 여러 모델이 공존하며 작업에 따라 라우팅되는 플랫폼입니다.

한 모델은 문헌을 검토할 수 있습니다. 다른 모델은 코드를 생성할 수 있습니다. 전용 모델은 분자 특성을 예측할 수 있습니다. 기업 에이전트는 데이터베이스, 소프트웨어 및 승인을 조정할 수 있습니다. 실험실 플랫폼은 결과를 테스트할 수 있습니다.

이러한 아키텍처에서 모델은 단지 하나의 계층일 뿐입니다.

가치는 신뢰할 수 있는 순환을 완성하는 데서 나옵니다:

1. 과학적 또는 비즈니스 문제 이해.
2. 신뢰할 수 있는 증거 검색.
3. 올바른 검증된 도구 사용.
4. 검토 가능한 출력 생성.
5. 실험 또는 운영 점검 실행.
6. 결과 캡처.
7. 전문가 승인 획득.
8. 다음 워크플로우 개선.

자주 묻는 질문

제약 회사는 Claude, ChatGPT 또는 Gemini 중 무엇을 선택하나요?

많은 회사가 하나 이상을 사용하고 있습니다. 2026년 5월의 협업 분석에 따르면, 최소 6개 대형 제약사가 OpenAI 및 Anthropic과 모두 협력하고 있어 다중 모델 전략이 이미 일반적임을 보여줍니다.

Claude가 많은 제약 파트너십을 맺고 있는 이유는 무엇인가요?

Claude는 긴 문서, 구조화된 글쓰기, 코딩, 기업 보안, 인용 및 과학적 통합을 중심으로 포지셔닝되어 있습니다. 이러한 기능은 임상 문서 작성, 내부 연구, 코딩 및 문서 검토와 같은 규제된 지식 워크플로우에 적합합니다.

GPT-Rosalind란 무엇인가요?

GPT-Rosalind는 OpenAI의 생명과학 모델 시리즈로, 생물학, 화학, 신약 발견, 유전체학, 증거 및 과학 도구 추론을 위해 설계되었습니다. 이 모델은 통제된 연구 미리보기 및 기업 액세스 구조를 통해 배포됩니다.

Google Gemini는 제약 분야에서 어떻게 활용되나요?

Google은 Gemini를 더 큰 규모의 클라우드 및 에이전트 인프라의 일부로 포지셔닝하고 있습니다. 머크(Merck)는 2026년 Google Cloud와 협력하여 Gemini Enterprise를 연구개발, 제조, 상업 및 기업 워크플로우에 적용할 계획입니다.

GSK JulesOS란 무엇인가요?

JulesOS는 글락소스미스클라인(GSK)이 자체 개발한 에이전트 기반 운영 체제입니다. 통합 환경을 통해 전문 모델, 코딩 도구, 데이터 분석 시스템 및 회사 지식 베이스를 연구자들이 사용할 수 있도록 합니다.

AI가 임상 및 규제 문서를 작성할 수 있나요?

AI는 원본 데이터 추출, 초안 생성, 형식 통일, 일관성 검사 및 구조화된 문서 생성을 지원할 수 있습니다. 그러나 최종 과학적 판단, 규정 준수 검토, 승인 및 책임은 자격을 갖춘 전문가가 수행해야 합니다.

AI가 신약 개발 성공률을 높이고 있나요?

임상 성공률 향상보다는 연구개발 효율성 향상을 뒷받침하는 공개 증거가 더 많습니다. 표적 품질, 후보 물질 선별, 안전성 및 시험 결과에 대한 실제 영향은 더 긴 시간이 필요합니다.

제약 회사가 여러 모델을 사용하는 이유는 무엇인가요?

모델마다 성능, 비용, 응답 속도, 도구 생태계 및 배포 방식에서 장단점이 있습니다. 다중 모델 플랫폼은 단일 공급업체 의존도를 낮추고, 각 작업에 가장 적합한 시스템을 할당할 수 있습니다.

관련 도구

• Claude for Life Sciences: Anthropic의 생명과학 솔루션으로, 과학 데이터, 문헌 및 연구 플랫폼과 통합됩니다.
• Claude Science: 도구, 컴퓨팅 및 감사 가능한 연구 결과물을 위한 과학 AI 워크벤치.
• GPT-Rosalind: OpenAI가 생명과학 연구 및 과학 워크플로우를 위해 특별히 설계한 모델 시리즈.
• Gemini Enterprise: Google Cloud의 엔터프라이즈 에이전트 플랫폼으로, 데이터 연결, 애플리케이션 통합, 거버넌스 및 다단계 워크플로우를 지원합니다.
• AlphaFold: Google DeepMind의 단백질 구조 예측 시스템 및 과학 연구 플랫폼.
• GSK JulesOS: 글락소스미스클라인(GSK)의 내부 과학 에이전트 및 전문 AI 도구 운영 체제.

관련 링크

• 대형 제약사 협업 분석 보고서: 27개 협업 및 21개 회사 시장 개요를 포함한 원본 데이터 출처.
• Bristol Myers Squibb와 Anthropic 협력 계약: BMS의 Claude Enterprise 전사 배포 공식 발표.
• Novo Nordisk NovoScribe 사례: Anthropic의 규제 문서 프로세스 및 생산성 향상 보고서.
• Moderna와 OpenAI: OpenAI의 ChatGPT Enterprise 배포 및 내부 GPT 활용에 관한 Moderna 사례 연구.
• Sanofi, Formation Bio 및 OpenAI: Sanofi의 AI 신약 개발 협력 공식 발표.
• GPT-Rosalind 소개: OpenAI의 생명과학 모델 시리즈 공식 소개.
• Merck와 Google Cloud 협력: Merck의 Gemini Enterprise 및 Google Cloud 계약 공식 발표.

요약

대형 제약사는 더 이상 ChatGPT, Claude 및 Gemini를 독립적인 채팅 도구로 보지 않고, 내부 데이터, 과학 도구, 규제 프로세스 및 에이전트 시스템에 연결할 수 있는 기업 AI 인프라의 구성 요소로 테스트하고 있습니다.

현재 Anthropic이 공개 협업 데이터에서 가장 큰 비중을 차지하고 있으며, OpenAI는 일반 기업 애플리케이션에서 전용 생명과학 모델로 확장 중이고, Google은 더 광범위한 클라우드 서비스, 데이터, 과학 모델 및 에이전트 플랫폼을 통해 경쟁하고 있습니다. 한편, GSK의 JulesOS는 대형 제약사가 자체적으로 오케스트레이션 계층을 제어할 수 있음을 보여줍니다.

최근 가장 두드러진 이점은 문서 처리, 코드 작성, 지식 검색 및 데이터 분석의 속도 향상에서 나타납니다. 첨단 모델이 약물 품질이나 임상 성공률을 향상시킬 수 있다는 주장은 여전히 장기적인 실험과 임상 증거를 통해 검증되어야 합니다.

결정적인 우위는 특정 모델 브랜드를 선택하는 것이 아니라, 모델, 독점 데이터, 검증된 도구, 실험 및 책임 있는 인간의 의사 결정을 긴밀하게 연결한 신뢰할 수 있고 감사 가능한 폐쇄형 시스템을 구축하는 데 있습니다.