[아웃소싱타임스 김민수 기자] 인공지능(AI)이 과학자의 조수에서 ‘함께 연구하는 동료’로 바뀌고 있다. 논문을 찾아 요약하는 데 그치지 않고 신약과 신소재 후보를 고르고, 실험 방법을 설계하며, 로봇에 실험을 지시하는 단계까지 들어섰다. 기업 연구소의 일하는 방식은 물론 시험·분석과 연구개발을 대신해 온 아웃소싱 산업에도 큰 변화가 예상된다.
다만 AI가 좋은 후보를 찾아냈다고 해서 곧바로 신약이나 신소재가 완성되는 것은 아니다. 컴퓨터 안에서는 몇 분 만에 수천 개의 후보를 만들 수 있지만, 실제 물질을 합성하고 효과와 안전성을 확인하는 실험에는 여전히 많은 시간과 비용이 필요하다. AI의 빠른 예측을 실제 성과로 연결할 실험·검증·데이터 관리 체계가 중요해진 이유다.
포스코경영연구원은 지난 8월 11일 발표한 ‘AI 시대, R&D 대혁명’ 이슈리포트에서 알파폴드, GNoME, AI 공동과학자, 자율실험실을 연구개발의 변화를 이끄는 네 가지 핵심 기술로 꼽았다. 연구자의 경험에 크게 의존하던 연구 방식이 AI와 로봇, 데이터가 함께 움직이는 체계로 바뀌고 있다는 분석이다.
■ 연구비는 늘었는데 신약 개발은 왜 여전히 오래 걸릴까
AI가 연구개발 현장에 빠르게 들어오는 가장 큰 이유는 기존 연구 방식만으로 감당하기 어려운 문제가 쌓였기 때문이다. 신약 후보가 될 수 있는 물질은 셀 수 없이 많지만, 연구자가 하나씩 살펴볼 수 있는 수에는 한계가 있다.
많은 연구비를 투입해도 실제 제품으로 이어지는 성과는 기대만큼 늘지 않았다. 2012년 국제학술지 네이처 리뷰 드러그 디스커버리에 실린 ‘제약 R&D 효율성 하락의 진단’ 논문은 연구비 10억달러당 승인되는 신약 수가 장기적으로 감소해 왔다고 분석했다. 비용은 커졌지만 성과를 내기는 더 어려워진 것이다.
실패한 실험이 제대로 기록되지 않는 문제도 있다. 성공한 결과는 논문과 특허로 남지만 효과가 없었던 물질이나 실패한 조건은 연구실 안에서 사라지는 경우가 많다. 다른 연구팀이 같은 실험을 되풀이하면서 시간과 연구비가 낭비될 수 있다.
AI는 방대한 논문과 실험 데이터를 한꺼번에 비교해 가능성이 높은 후보를 먼저 골라준다. 연구자는 수많은 후보를 일일이 시험하는 대신 AI가 추린 대상을 중심으로 실험할 수 있다.
■ 알파폴드, 수년 걸리던 단백질 구조 연구를 빠르게 바꾸다
알파폴드(AlphaFold)는 단백질이 어떤 입체 모양을 갖는지 예측하는 AI다. 단백질의 모양을 알아야 질병이 어떻게 생기는지 살펴보고 어떤 약물이 작용할 수 있는지 연구할 수 있다.
과거에는 단백질 하나의 구조를 알아내기 위해 값비싼 장비를 이용해 수개월에서 수년 동안 실험해야 했다. 알파폴드는 아미노산 배열을 입력받아 단백질의 입체 구조를 컴퓨터로 예측한다. 실험을 완전히 대신하지는 못하지만 연구 방향을 잡고 후보를 좁히는 시간을 크게 줄여준다.
알파폴드2를 개발한 데미스 허사비스와 존 점퍼는 단백질 설계 연구자인 데이비드 베이커와 함께 2024년 노벨화학상을 받았다. AI가 과학 연구의 중심 도구로 인정받은 상징적인 사건이다.
현재 알파폴드 데이터베이스에는 2억1400만 개가 넘는 단백질 서열의 예측 구조가 담겨 있다. 구글 딥마인드에 따르면 이 자료는 190개국 이상, 300만 명이 넘는 연구자가 활용하고 있다. 대규모 연구시설을 갖추기 어려운 대학과 중소 바이오기업도 초기 연구에 필요한 단백질 정보를 이용할 수 있게 됐다.
■ AI가 신소재 후보 38만1000개를 찾아냈다
AI의 역할은 신약에만 머물지 않는다. 배터리와 반도체, 태양광, 수소 생산 등에 사용할 새로운 소재를 찾는 데도 활용되고 있다.
구글 딥마인드가 개발한 GNoME은 기존 소재 데이터를 학습한 뒤 안정적으로 존재할 가능성이 있는 새로운 결정 구조를 예측한다. 쉽게 말해 수많은 원소 조합 가운데 실제 소재로 만들어볼 가치가 있는 후보를 먼저 골라주는 기술이다.
2023년 네이처에 발표된 GNoME 연구 결과에 따르면 연구진은 220만 개의 안정 가능성이 있는 결정 구조를 찾아냈으며, 이 가운데 38만1000개를 새로운 안정 물질 후보로 분류했다. 후보가 모두 실제 소재로 만들어졌다는 뜻은 아니지만, 연구자가 살펴볼 수 있는 범위가 크게 넓어졌다.
AI는 거대한 후보 목록에서 유망한 대상을 찾는 데 강하다. 사람은 AI가 고른 후보를 실제로 만들어 성능을 확인하고, 배터리나 반도체 등에 사용할 수 있는지를 판단한다.
■ AI 여러 개가 가설을 만들고 서로 틀린 점을 찾는다
최근에는 하나의 AI가 답을 내놓는 방식에서 벗어나 여러 AI가 서로 의견을 주고받는 연구 방식도 등장했다. 구글의 AI 공동과학자(Co-Scientist)는 역할이 다른 AI들이 연구 가설을 만들고, 상대 가설의 약점을 찾은 뒤 더 나은 내용을 다시 제안한다.
구글은 이 기술을 2025년 2월 처음 공개했으며 연구 결과는 2026년 5월 국제학술지 네이처에 게재됐다. 연구진은 AI가 제시한 가설을 급성 골수성 백혈병 치료제 재활용, 간섬유화 치료 표적, 항생제 내성 연구 등에 적용한 뒤 실제 실험을 통해 확인했다.
AI가 과학자를 대신해 마음대로 연구하는 구조는 아니다. 인간 연구자가 해결할 문제와 조건을 제시하면 여러 AI가 가설을 만들고 순위를 정한다. 연구자는 상위 후보를 검토해 실험할 대상을 선택한다.
여러 AI가 서로 검토하더라도 잘못된 답이 완전히 사라지는 것은 아니다. 잘못된 논문이나 편향된 데이터를 학습하면 그럴듯하지만 틀린 가설을 제시할 수 있어 최종 판단과 실험 검증은 사람의 몫으로 남는다.
■ AI가 실험을 지시하고 로봇이 움직이는 ‘자율실험실’
AI가 후보를 찾는 속도가 빨라지면서 새로운 문제가 생겼다. AI는 몇 분 안에 수천 개의 후보를 내놓지만 사람이 실험할 수 있는 수에는 한계가 있다. 연구개발의 병목이 후보 탐색에서 실제 실험으로 이동한 것이다.
자율실험실(Self-Driving Lab)은 AI와 로봇, 분석 장비를 연결해 이 문제를 줄이는 시설이다. AI가 실험 조건을 정하면 로봇이 물질을 만들고 장비가 결과를 측정한다. 측정 결과는 다시 AI에 전달되고, AI는 앞선 결과를 바탕으로 다음 실험을 결정한다.
사람이 매번 같은 작업을 반복하지 않아도 ‘후보 선택→실험→결과 분석→다음 실험’이 계속 이어지는 구조다. 연구자는 로봇이 하기 어려운 문제 정의와 결과 판단, 안전관리 등에 집중할 수 있다.
미국 로렌스버클리국립연구소의 A-Lab은 2023년 네이처에 발표한 연구에서 17일 동안 쉬지 않고 실험해 57개 목표 물질 가운데 36개를 합성했다. 첨부된 포스코경영연구원 보고서에는 58개 중 41개로 소개됐지만, 이번 기사에서는 네이처 원 논문 본문에 적힌 57개 중 36개를 적용했다.
카네기멜런대 연구팀이 개발한 또 다른 AI 시스템 ‘코사이언티스트(Coscientist)’도 화학 논문 검색부터 실험 방법 작성, 로봇 장비 작동까지 하나로 연결했다. 연구진은 2023년 네이처 논문을 통해 AI가 복잡한 화학 실험을 설계하고 자동화 장비를 움직이는 과정을 공개했다.
■ 한국도 AI·로봇 연구실 구축에 135억원 투자
한국에서도 AI와 로봇을 결합한 연구실을 만들기 위한 투자가 시작됐다. 과학기술정보통신부와 한국연구재단은 올해 ‘AI-네이티브 첨단바이오 자율실험실사업’을 공모했다.
사업 기간은 2026년부터 2028년까지다. 2026년에는 정부출연금 135억원을 투입해 약 6개 과제를 지원한다. 신약과 바이오 연구에서 시간이 오래 걸리는 실험 과정을 AI와 로봇으로 자동화하고, 연구 결과를 다시 AI 학습에 활용할 수 있는 실험실을 시범 구축하는 사업이다.
경제협력개발기구(OECD)도 ‘과학 시스템이 전환적 변화에 대응하는 방법’ 보고서에서 AI 로봇이 실험 속도와 정확성, 일관성을 높일 수 있다고 평가했다. AI 프로그램만 구입하는 것으로는 부족하며 실험 장비와 데이터 형식을 표준화하고 이를 운영할 전문인력을 확보해야 한다는 과제도 남아 있다.
■ 연구개발 아웃소싱, 실험 대행에서 연구운영으로 확대
AI와 자율실험실이 확산되면 연구개발 아웃소싱 기업의 역할도 달라진다. 지금까지는 고객사가 정한 시험을 수행하고 결과를 전달하는 업무가 중심이었다면, 앞으로는 AI가 제안한 후보를 실험하고 결과를 다시 AI에 넣어 다음 연구로 연결하는 운영 업무가 늘어날 수 있다.
제약·바이오 분야의 임상시험수탁기관(CRO)과 시험·분석기관, 위탁개발생산기관(CDMO), 연구장비 운영기업, 데이터 전문기업이 함께 참여할 수 있는 영역이다. 연구 데이터를 정리하고 AI가 읽을 수 있는 형식으로 바꾸는 일, AI 모델의 정확성을 점검하는 일, 실험장비를 연결하는 일, 규제기관에 제출할 기록을 관리하는 업무 등이 새로운 서비스가 될 수 있다.
고객사는 핵심 연구 목표와 최종 판단을 맡고, 외부 전문기업은 반복 실험과 데이터 정리, 장비 운영을 담당하는 분업 구조도 가능하다. 자체 연구인력과 장비가 부족한 중소기업에는 필요한 기술과 실험시설을 함께 이용할 수 있는 길이 열린다.
다만 AI가 만든 후보의 수만으로 외부 업체의 성과를 평가해서는 안 된다. 많은 후보를 내놓는 것보다 실제 실험에서 확인된 후보가 얼마나 되는지, 같은 조건에서 결과가 다시 나오는지, 후보 선정부터 검증까지 시간이 얼마나 걸렸는지를 살펴야 한다.
■ 실패한 실험도 중요한 자산…계약서에 소유권 명시해야
AI 연구에서는 성공한 결과만큼 실패한 결과도 중요하다. 어떤 물질이 효과가 없었고 어떤 조건에서 실험이 실패했는지를 AI가 학습하면 같은 실수를 반복하지 않을 수 있다.
외부 업체에 연구를 맡길 때는 실패 데이터를 누가 보관하고 사용할 수 있는지 계약서에 명확히 적어야 한다. 고객사의 연구자료를 외부 업체가 다른 AI 모델의 학습에 활용할 수 있는지, 계약이 끝난 뒤 자료를 삭제해야 하는지도 정해야 한다.
AI가 만든 가설과 로봇이 생산한 실험 기록, 공동 연구에서 나온 특허의 소유권도 미리 나눌 필요가 있다. 문제가 발생했을 때 고객사와 AI 개발기업, 연구대행업체 가운데 누가 어떤 책임을 질지도 빠뜨릴 수 없는 항목이다.
미국 식품의약국(FDA)과 유럽의약품청(EMA)이 제시한 의약품 개발 AI 활용 10대 원칙은 사람 중심의 설계, 명확한 사용 목적, 데이터 관리와 기록, 위험에 따른 성능 점검, 지속적인 모델 관리를 강조한다. 연구 업무를 외부에 맡기더라도 제품의 안전성과 최종 의사결정 책임까지 자동으로 넘어가는 것은 아니다.
■ “AI가 낸 답보다 검증 과정을 관리하는 능력이 중요”
육헌영 한국공항대학교 경영학부 교수는 “AI 연구개발을 단순히 프로그램을 구입하거나 실험장비를 자동화하는 사업으로 생각하면 기대한 성과를 내기 어렵다”며 “무슨 문제를 풀 것인지 정하는 단계부터 데이터 관리, 실험 검증, 오류 발생 시 승인과 책임 절차까지 하나의 운영체계로 설계해야 한다”고 말했다.
이어 “앞으로 연구개발 서비스 기업의 경쟁력은 많은 결과를 만들어내는 능력보다 어떤 자료와 조건을 사용했고 누가 결과를 검증했는지를 설명할 수 있는 능력에서 갈릴 것”이라며 “고객사는 핵심 질문과 최종 판단을 직접 맡고, 반복 실험과 데이터 관리, 규제 문서 작성은 전문기업과 나누는 방안을 검토할 수 있다”고 조언했다.
AI를 도입했다고 모든 연구가 성공하는 것도 아니다. 가트너는 생성형 AI 프로젝트 가운데 최소 30%가 2025년 말까지 시험 단계를 넘지 못하고 중단될 것으로 전망하면서 낮은 데이터 품질, 부족한 위험관리, 늘어나는 비용과 불명확한 사업가치를 원인으로 꼽았다.
AI는 연구자가 더 빨리 후보를 찾고 더 많은 실험을 할 수 있도록 돕는다. 그러나 무엇을 연구할지 정하고, 결과가 맞는지 확인하며, 사회적으로 사용해도 되는지를 판단하는 일은 여전히 사람이 맡아야 한다. AI 시대의 연구개발 경쟁력은 가장 비싼 AI를 보유했느냐보다 사람과 AI, 실험실, 외부 전문기업을 얼마나 안전하고 효율적으로 연결하느냐에 달려 있다.
■ 기사의 이해를 돕는 Q&A
Q1. AI가 연구개발 현장에서 실제로 어떤 일을 하나?
A. AI는 논문 검색과 자료 정리를 넘어 연구 가설을 만들고, 신약·신소재 후보를 고르며, 실험 방법까지 설계한다. 로봇과 연결하면 AI가 정한 조건에 따라 실험을 수행하고 결과를 분석해 다음 실험도 제안할 수 있다. 다만 연구 목표를 정하고 결과가 맞는지 판단하는 일은 여전히 사람의 몫이다.
Q2. 알파폴드와 GNoME은 어떤 성과를 냈나?
A. 알파폴드는 단백질의 입체 구조를 예측해 신약과 질병 연구에 필요한 기초 정보를 제공한다. 알파폴드 데이터베이스에는 2억1400만 개가 넘는 단백질 서열의 예측 구조가 담겨 있으며, 190개국 이상에서 300만 명이 넘는 연구자가 활용하고 있다. 신소재 탐색 AI인 GNoME은 220만 개의 안정 가능성이 있는 결정 구조를 찾았고, 이 가운데 38만1000개를 새로운 안정 물질 후보로 분류했다.
Q3. 자율실험실은 일반 연구실과 무엇이 다른가?
A. 일반 연구실에서는 연구자가 실험 조건을 정하고 장비를 직접 조작하지만, 자율실험실에서는 AI와 로봇이 반복 실험을 맡는다. AI가 실험 조건을 고르면 로봇이 물질을 만들고, 분석 장비가 측정한 결과를 다시 AI에 전달하는 방식이다. 미국 A-Lab은 17일 동안 57개 목표 물질 가운데 36개를 합성했다. 한국도 2026년부터 2028년까지 자율실험실사업을 추진하며, 2026년에는 약 6개 과제에 정부출연금 135억원을 지원한다.
Q4. AI와 로봇이 과학자를 대체하게 되나?
A. 반복적인 문헌 검색과 데이터 정리, 정해진 실험 수행은 AI와 로봇이 상당 부분 맡을 수 있다. 반면 무엇을 연구할지 결정하고, AI가 제시한 결과의 의미와 안전성을 판단하며, 예상하지 못한 현상을 해석하는 일은 사람이 담당해야 한다. AI 공동과학자도 연구자가 목표와 조건을 제시하고 최종 후보를 선택하는 협업 구조다. 과학자의 역할이 사라지기보다 직접 수행에서 질문·검증·통제 중심으로 바뀔 가능성이 크다.
Q5. 연구개발 아웃소싱 기업에는 어떤 변화가 생기나?
A. 외부 전문기업의 역할이 단순한 시험·분석 대행에서 데이터 정리, AI 성능 점검, 실험장비 운영, 결과 검증과 규제 문서 관리로 확대될 수 있다. 계약 성과도 투입 인원이나 실험 건수보다 실제로 검증된 후보의 비율, 결과의 재현성, 검증에 걸린 시간으로 평가해야 한다. 실패 데이터와 AI 학습자료, 실험기록, 공동 특허의 소유권도 계약서에 명확히 적어야 한다. 연구 업무를 외부에 맡기더라도 제품의 안전성과 최종 의사결정 책임까지 자동으로 넘어가지는 않는다.
