의료 커뮤니케이션의 병목 현상: AI가 제약업계의 커뮤니케이션 문제에 주목하는 이유

의료 커뮤니케이션은 항상 압박하에 작동해 왔습니다. 바이오제약 회사들은 임상 시험 결과, 실제 진료 환경의 근거, 안전성 업데이트 등 방대한 임상 데이터를 생성하며, 이 데이터는 여러 대상에게 동시에 전달되어야 합니다. 대상에는 전문 의사, 지역 의사, 의학·과학 연락 담당자(MSL), 지불자, 돌봄 제공자 및 환자 등이 포함됩니다.

각 대상은 서로 다른 프레임워크, 언어 및 기술적인 깊이를 요구합니다. 그러나 의료 커뮤니케이션을 담당하는 사람들은 수십 년 동안 업무 시간의 놀라울 만큼 큰 부분을 사고하는 일이 아니라 서식을 다시 맞추는 일에 썼습니다. 의료 업무 기관의 숙련된 과학 커뮤니케이터들은 슬라이드 콘텐츠를 한 학술대회 템플릿에서 다른 템플릿으로 이동시키고, 다른 대상에게 맞춘 프레젠테이션을 재구성하며, 이를 수동으로 하며 종종 촉박한 마감에 맞춰 밤새 작업해야 했습니다.

프랜신 캐릭(Francine Carrick)은 22년간 의료 커뮤니케이션에서 일한 박사 학위 소지자입니다. 그녀는 “우리는 고객을 위해 이러한 결과물을 모두 수행했지만, 우리는 또한 많은 시간을 프레젠테이션을 구성하고 템플릿에서 템플릿으로 내용을 전달하는 데 보냈습니다”라고 말했습니다.

그녀는 “우리는 과학을 번역해 주는 솔루션을 꿈꾸었습니다”라고 추가했습니다.

캐릭은 최근에 AI 프레젠테이션 플랫폼인 Prezent의 Prezent Vivo의 사장으로 합류했습니다. Prezent Vivo는 이 분야에 맞춰 개발한 AI와 분야별 전문가를 결합해 생명과학 커뮤니케이션 생태계를 지원합니다. 여기에는 바이오제약 회사와 Prezent의 협력 대행사가 모두 포함됩니다.

그녀가 설명하는 문제는 좁은 분야에 국한되지 않습니다. 이는 업계에서 이미 충분히 확인된 두 가지 압박이 교차하는 지점에 있습니다. 한편으로, 10명 중 거의 8명의 의료 전문가들이 COVID-19 이전보다 제약 회사로부터 더 많은 정보를 받고 있으며, 77%는 이미 디지털 커뮤니케이션의 양이 너무 많다고 말합니다.

다른 한편으로, 제약 회사들은 의료 전문가가 필요로 하는 개인화되고 관련성 높은 콘텐츠를 제공하는 데 어려움을 겪고 있습니다. 그 이유 중 하나는 레거시 시스템에 대규모의 고도화된 개인화를 지원할 유연성이 부족하다는 점입니다. 콘텐츠 파이프라인은 양쪽 끝에서 과부하에 시달리고 있습니다. 너무 많은 콘텐츠가 생성되고 있으며, 너무 적은 콘텐츠가 효과적으로 전달되고 있습니다.

모듈러 콘텐츠 문제

이 문제에 대한 산업의 제안된 해결책은 오래전부터 “모듈러 콘텐츠”였습니다. 즉, 과학 정보를 재사용 가능한 구성 요소로 분해하여 다양한 대상에게 다른 방식으로 조립할 수 있습니다.

이론적으로는 우아하지만, 실제로는 대규모 언어 모델이 현재 사용되고 있습니다. 이를 통해 원고를 준비하고, 실제 세계 증거 데이터 세트를 요약하고, 의료 전문가를 교육하기 위한 모듈을 개발할 수 있습니다. 이러한 도구는 최근까지 개념 증명으로만 존재했습니다.

캐릭은 기본적인 도전을 단순한 용어로 설명합니다. “학술 의사, 지역 의사, 돌봄 제공자, 환자에게 프레젠테이션하는 방식은 매우 다르다”고 그녀는 강조했습니다.

“전통적인 모델에서는 정보를 맞춤화하는 것이 매우 노동 집약적이었고, 시간이 걸렸습니다.” 즉, 병목 현상은 커뮤니케이터의 전문 지식이 아니었습니다. 처리량이었습니다. 팀이 수동으로 내용을 재구성할 수 있는 속도보다 더 빠르게 더 많은 데이터가 들어왔습니다.

2024년에 광범위한 AI 실험에 이어, 회사들은 AI 투자에 대한 실제 수익을 보여주기 위해 압력을 받고 있습니다. 이는 특정 워크플로우를 위한 수직 AI 솔루션의 채택을 주도하고 있습니다.

이것은 Prezent가 Astrid AI 에이전트와 함께 주장하는 논리입니다. 즉, 생명과학 분야를 위해 특별히 구축하고 바이오제약의 준법 요구 사항, 규제 제약, 과학 용어를 학습시킨 시스템이 업계에 맞춰 사후 조정한 범용 도구보다 더 나은 성능을 낼 것이라는 주장입니다.

전문성에 대한 질문

생명 과학의 맥락에서 정말로 전문적인 AI가 필요한지, 아니면 경쟁 시장에서 마케팅 프레임일 뿐인지는 정당한 질문입니다.

그러나 분명한 것은 FDA가 주의 깊게 이를 관찰하고 있다는 것입니다. 2025년에 제약 및 생물학 제품의 규제 결정 지원을 위한 AI 사용에 대한 지침을 발표한 후, FDA는 AI 구성 요소를 포함하는 500개 이상의 제출물을 받았습니다. 이러한 규제적 검토는 사후에 조정한 도구보다 처음부터 규정 준수를 내장한 AI 도구를 사용해야 한다는 실질적인 근거가 됩니다. 규제 환경에서 잘못된 경우의 위험은 마케팅 데크와 같은 경우와는 질적으로 다릅니다.

더 넓은 의료 AI 시장은 자신감이 높아지고 있습니다. 글로벌 의료 AI 시장은 2024년 266억 달러에서 2030년까지 1,877억 달러로 성장할 것으로 예상됩니다. 이 업계의 AI 도입 속도는 이미 전체 경제의 두 배를 넘습니다.

이 중에서 제약 및 바이오 기술 회사들은 연구 개발에 가장 집중되어 있으며, 54%의 회사에서 혁신 및 약물 개발을 우선시하고 있습니다. 그러나 상업적인 운영, 즉 커뮤니케이션을 포함하여 점점 더 많은 관심을 받고 있습니다.

인간 전문성에 대한 질문

전문 서비스에서 AI 도구의 도입은 항상 같은 대화를 생성합니다. 현재 이 작업을 수행하는 사람들에게 무슨 일이 일어날까요? 의료 커뮤니케이션에서 실질적인 과학적 이해가 필요한 만큼, 답은 단순한 인력 대체라는 관점보다 더 복합적입니다.

캐릭의 견해는 의료 커뮤니케이션에서 인간 전문성을 활용하는 데 핵심적인 제약은 지식이 아니라 가용 업무 역량이라는 것입니다. 그녀는 이 분야의 AI에 대해 “인간 전문성을 활용할 수 있게 하고, 그 활용을 여러 면에서 가속합니다”라고 말했습니다. 이어 “그 전문성과 통찰, 인간의 지식을 더 많은 대상에게 더 적절한 시점에 공유할 수 있게 합니다”라고 설명했습니다.

이 관점은 숙련된 지식 작업에서 AI의 영향에 대한 더 세부적인 그림과 일치합니다. 의사 대상 설문에서는 대체보다는 회복력이 드러납니다. 많은 의사들은 AI가 자신의 업무를 바꾸겠지만 자신의 역할을 없애지는 않을 것이라고 믿습니다.

의료 커뮤니케이션과 비교하는 것은 완벽하지 않지만, 구조적인 유사성은 유지됩니다. 현재 AI가 할 수 있는 것은 루틴을 가속화하는 것입니다. 그러나 과학적 판단, 대상에 대한 직관이나 더 높은 가치를 지닌 업무를 규정하는 전략적 사고를 대체할 수는 없습니다.

EPG Health의 조사에 따르면, 거의 60%의 제약 회사 응답자가 의료 전문가의 필요와 관점에 대한 이해를 전략적 참여의 최우선 순위로 식별했으며, 의학·과학 연락 담당자(MSL)가 영업 인력을 넘어 의료 전문가에게 정보를 전달하는 가장 중요한 채널이 되었습니다.

이것은 제약사가 더 관계 중심적이고 방송 스타일이 아닌 커뮤니케이션으로 이동하고 있음을 시사합니다. AI가 제작 단계를 맡더라도 인간의 판단은 줄어드는 것이 아니라 더 많이 필요하다는 뜻입니다.

변화가 실제로 요구하는 것

더 어려운 질문은 AI가 의료 커뮤니케이션에서 역할을 할 것이라는 사실이 이미 결정되었기 때문에, 실제로 구축되는 도구가 복잡한 도메인의 요구를 충족하는지 여부입니다.

캐릭은 Prezent가 “지문”이라고 하는 것을 언급했습니다. 즉, 대상별 커뮤니케이션 선호도를 인코딩하여 콘텐츠를 적응할 때 적용할 수 있습니다. 이 개념은 더 근본적인 도전을 반영합니다. 즉, “올바른 콘텐츠, 올바른 시간, 올바른 채널, 올바른 대상”이라는 목표는 의료 커뮤니케이션에서 오래전부터 목표였지만, 실제로는 달성하기 어려웠습니다.

이를 달성하기 위해서는 좋은 과학적 글쓰기뿐만 아니라 다양한 대상이 서로 다른 유형의 정보를 처리하는 방식에 대한 체계적인 지식이 필요합니다.

AI가 이 지식을 신뢰성 있게 인코딩할 수 있는지, 그리고 의료 커뮤니케이션을 다른 콘텐츠 산업과 구별하는 과학적 정확성과 규제 준수를 유지하면서 이를 수행할 수 있는지는 여전히 열린 질문입니다.

그러나 더 이상 의문은 없습니다. 즉, 과거의 모델은 밤새도록 형식화하고 수동으로 템플릿을 마이그레이션하는 것이 현대적인 제약 산업의 요구에 비해 지속 가능하지 않았습니다.

이 문제는 수년 동안 전문가들에게 보였지만, 이를 해결하기 위한 도구는 이제야 비로소 실현 가능해지고 있습니다. 이는 AI 덕분입니다.