AI는 이미 당신의 의사보다 똑똑합니다. 그게 무서운 부분은 아닙니다.

나는 AI가 이 문제를 해결하기를 원했다.

수년간 나는 복잡한 환자 병력, 실험실 결과, 증상, 약물, 보조제 및 수년간의 이전 치료 정보를 수집해 이를 일관된 임상 계획으로 정리하려고 노력해 왔다. 복잡한 사례는 내가 무엇이 중요한지, 다음에 무엇을 해야 할지 확신을 가질 때까지 3시간 정도의 연구가 필요할 수 있었다.

그때 생성형 AI가 등장했다.

내 첫 생각은 뻔한 것이었다: 드디어.

여기에 방대한 정보를 소화하고, 내가 할 수 있는 것보다 훨씬 빠르게 의료 지식을 떠올리며, 사례 전반의 관계를 몇 초 안에 찾아낼 수 있는 기술이 있었다. 나는 대형 언어 모델 주위에 인터페이스를 두고, 몇 가지 안전 장치를 구축하면 끝날 것이라고 생각했다.

그것은 정말 멋졌을 것이다.

하지만 대신, 약 1년과 100만 달러가 지난 후, 소프트웨어 엔지니어가 10명 규모의 임상 팀과 함께 작업하면서도 우리는 아직도 구축 중이었다.

그 이유는 AI가 충분히 지능적이지 않아서가 아니다.

지능 자체는 쉬운 부분이었기 때문이다.

나는 다른 사람들과는 다른 AI를 얻고 있었다

첫 번째 단서는 우리가 임상 소프트웨어를 만들기 전에 나타났다. 나는 옆에 앉은 사람과 같은 AI 도구를 사용해도 현저히 더 좋은 결과를 얻는다는 것을 계속 눈치챘다.

왜일까? 나는 단순히 질문을 하고 답을 받아들이는 것이 아니었기 때문이다. 나는 AI와 논쟁을 벌였다. 가정을 도전하고, 놓친 맥락을 제공하며, 오류를 수정하고, 프레임을 바꾸고, 다시 밀어붙였다.

기술적으로는 같은 도구를 사용했지만, 기능적으로는 그렇지 않았다.

광고를 작성할 때는 흥미로운 생산성 문제지만, 대상이 환자일 때는 전혀 다른 문제가 된다.

나는 70,000명 이상의 실무자와 일해 왔다. 누군가는 임상적으로 뛰어나면서도 AI 시스템에서 유용한 정보를 끌어내는 데는 형편없을 수 있다.

그것은 서로 다른 기술이다.

그럼에도 의료계의 많은 답변은 임상의가 단지 “프롬프트 엔지니어링”을 배워야 한다는 것처럼 보인다.

나는 그것이 실질적인 해결책이라고 생각하지 않는다.

임상 AI 시스템이 신뢰할 수 있게 되기 전에 의사가 정교한 프롬프트 엔지니어가 되어야 한다면, 우리는 아직 임상 AI 구축을 마치지 않은 것이다.

연구가 이미 우리에게 불편한 사실을 말하고 있다

2024년 무작위 임상 시험에서 50명의 의사에게 어려운 진단 사례를 제공했다. GPT-4를 사용한 의사들은 76%를 기록했으며, 기존 자원을 사용한 의사들은 74%를 기록했는데, 이 차이는 통계적으로 유의미하지 않았다.

그 후 연구자들은 GPT-4만을 테스트했다. 그것은 기존 자원을 사용한 의사들보다 16% 포인트 앞섰다.

2026년 파키스탄에서 진행된 시험은 AI 문해력 교육 후 GPT-4o에 접근한 의사들이 진단 추론에서 71.4%를 기록했으며, 기존 자원을 사용한 경우는 42.6%였음을 발견했다. 그러나 GPT-4o 자체는 82.9%를 기록했다.

2026년 영국에서 진행된 재현 연구는 유사한 격차를 발견했다: 의사들은 AI 지원으로 향상했지만, 스스로 작동하는 LLM보다 여전히 21% 포인트 이상 낮은 점수를 기록했다.

우리는 불편한 부분을 크게 말해야 한다: 특정 인지 작업에서 AI는 이미 개별 의사보다 뛰어나다.

어떤 의사도 모든 의학 논문을 읽었거나, 관련성이 생기는 순간마다 모든 희귀 질환, 상호작용 또는 금기사항을 기억할 수는 없다. AI는 피곤함이나 시간 부족 없이 방대한 정보를 처리할 수 있다.

실수는 챗봇을 임상의 앞에 두고 문제가 해결됐다고 가정하는 것이다.

빈 프롬프트 박스가 문제다

의사가 150개의 마커가 포함된 실험실 보고서를 업로드하고 LLM에게 분석을 요청한다고 상상해 보라.

답변은 아름답게 정리되어 돌아오지만, 한 가지 문제만 있다: 시스템이 150개의 마커 모두를 신뢰성 있게 추출하지 못했다.

범용 LLM은 결정론적인 임상 문서 파서가 아니다. 표와 밀집된 의료 보고서는 특히 어렵다. 무서운 점은 최종 응답이 “50개의 값을 놓쳤습니다.”라고 알리지 않을 수도 있다는 것이다.

그냥 답변만 할 수도 있다.

이제 그 누락된 값 중 하나가 긴급한 의료 평가가 필요하다고 상상해 보라.

그것은 내가 감수할 수 있는 제한이 아니었다. 시스템의 임상 추론 부분이 시작되기 전에 실험실 보고서를 정확하고 재현 가능하게 처리할 추출 기술을 별도로 개발해야 했다.

그 경험은 AI 안전에 대한 내 사고 방식을 바꾸었다.

무언가를 모른다고 알려주는 AI 시스템은 불편하다.

알지 못한 것을 모르는 AI 시스템은 위험합니다.

우리가 AI를 넘어 구축해야 했던 이유

임상 업무에는 일반 목적 생성 AI가 자연스럽게 제공하지 못하는 것이 필요합니다: 재현성.

우리는 입력과 출력에 대한 제어가 필요했습니다: 신뢰할 수 있는 데이터 추출, 구조화된 지식, 결정론적 논리, 안전장치 및 환자 이력 전반에 걸친 관계를 평가할 수 있는 시스템.

임상 추론은 단순히 if‑then 문장의 집합이 아닙니다. 때로는 신호가 여러 지표 간의 관계에 있습니다. 때로는 개별적으로는 눈에 띄지 않는 다섯 가지 소견이 함께 볼 때 중요해집니다.

엔지니어는 소프트웨어가 실행할 수 있을 만큼 명시적인 규칙이 필요합니다. 임상의는 “예, 단…​”이라고 평생 말합니다.

인간 생물학은 예외, 변형, 맥락 및 경쟁 설명으로 가득합니다. 때때로 시스템을 구축하는 것은 한 그룹은 수화로, 다른 그룹은 클링온어로 소통하는 것처럼 느껴졌습니다.

답은 “AI”도 “AI가 아니다”도 아니었습니다. 각각이 정확히 어디에 들어가는지를 파악하는 것이었습니다.

AI는 차트를 읽을 수 있다. 인간은 방을 읽을 수 있다.

올바르게 사용한다면 AI는 임상의의 기억을 확장하고, 연구를 가속화하며, 드문 가능성을 제시하고, 방대한 정보 속에서 패턴을 인식할 수 있습니다.

그것은 실무자를 대체한다기보다 바이오닉 실무자를 만드는 것에 가깝습니다.

하지만 환자는 임상 사례가 아닙니다.

실무자는 답이 나오기 전의 주저함을 듣습니다. 이야기가 바뀔 때를 포착합니다. 한 환자는 증상을 최소화하고 다른 환자는 모든 감각을 최대 강도로 보고한다는 것을 배웁니다. “괜찮아요”가 명백히 괜찮지 않다는 것을 압니다.

그 정보는 차트에 존재하지 않을 수도 있습니다.

의료에서 인간 상호작용은 기계가 지적 작업을 마친 뒤에 추가하는 즐거운 층이 아니라 또 다른 임상 데이터의 원천입니다.

AI는 차트를 읽을 수 있다. 인간은 방을 읽을 수 있다.

최고의 임상 시스템은 양쪽 모두를 필요로 할 것입니다.

AI가 의사를 대체할지 묻는 것을 멈추세요

우리는 잘못된 질문을 하고 있습니다.

미래는 가장 영리한 챗봇이나 가장 똑똑한 기반 모델을 보유한 기업이 반드시 승리하는 것이 아닙니다. 중요한 혁신은 모델 주변에서 일어나고 있습니다: 정보가 어떻게 포착되고 검증되는지, 어떤 지식이 제공되는지, 시스템이 무엇을 추론하도록 허용되는지, 결정론적 제어가 어디서 작동하고 인간이 언제 루프에 남아야 하는지 등.

원시적인 지능은 풍부해지고 있습니다.

그 지능을 적용할 신뢰할 수 있는 시스템을 구축하는 것이 훨씬 더 어렵습니다.

그리고 모든 임상의가 아마추어 AI 개발자가 되도록 요구함으로써 그 문제를 해결해서는 안 됩니다. 복잡성은 기술 내부에 있어야 하며, 의사의 프롬프트 안에 있어서는 안 됩니다.

미래의 의사는 AI와 기억력 경쟁을 하지 않을 것입니다. 그 경쟁은 이미 무의미해지고 있습니다.

대신 우리는 임상의에게 기계의 기억력, 처리 능력, 패턴 인식 능력을 제공하면서도 실무자의 맥락, 판단, 회의감 및 인간적 연결을 유지하는 시스템을 구축해야 합니다.

우리는 이를 바이오닉 실무자라고 부릅니다.

환자들은 결국 훨씬 더 간단한 이름으로 부를 것이라고 추측합니다.

그들의 의사.