제약사들이 내부 역량 구축에 나서면서 AI가 제약 일자리와 인사이트 기능을 재편하다

인공지능은 제약업계 전반의 업무를 재편하고 있으며, 기업들은 대규모 일자리 감소를 보고하기보다 AI 기능을 추가하고 내부 팀을 구축하고 있다. 생명과학 기업들이 AI 기능뿐 아니라 일자리도 추가할 가장 큰 분야는 신약 발굴이며, 제약업계 리더들은 단속적 연구와 단절된 데이터에서 벗어나 상시 작동하는 인텔리전스로 전환하라는 압박도 받고 있다.

최근 업계 임원들을 대상으로 한 설문조사에 따르면, 제약업계 C-레벨 리더들은 AI가 대규모 일자리 감소로 이어질 것이라고 보지 않는다. 지난해 12월 열린 제2회 연례 AI Festival 발표문은 “AI는 일자리를 대체하기보다 새로운 역할을 만들고 기존 역할을 고도화하며, 이에 따라 호기심, 창의성, 비판적 사고가 미래에 필수적인 역량이 되고 있다”고 밝혔다. 한 채용 담당 임원은 AI가 반드시 일자리를 1대1로 대체하는 것은 아니며, 오히려 “새로 유입되는 일자리의 유형을 재배치하고 재구성하고 있다”고 말했다.

실제로 일부 대형 제약사에서는 AI가 일자리를 늘렸다. 한 기업은 Nvidia와 협력해 샌프란시스코에 “신약 발굴을 위한 AI 팩토리”와 공동 혁신 연구소를 구축하고 있으며, 이를 통해 새로운 과학 및 기술 직무가 생길 것이라고 밝혔다. 설문에 응한 바이오텍 임원의 절반 이상은 향후 수년간 충원해야 할 상위 3대 직무 중 하나로 AI 전문가를 꼽았으며, 생명과학 기업들이 더 많은 내부 AI 팀에 투자하고 이를 구축함에 따라 AI 인재 확보의 중요성은 특히 커지고 있다.

신약 발굴은 생명과학 기업들이 AI 기능뿐 아니라 일자리도 추가할 가장 큰 분야다. AI는 기업들이 과거보다 훨씬 적은 비용과 자원으로 치료법과 의약품을 발굴할 수 있게 하면서, 발굴 분야에서 AI 및 머신러닝 엔지니어링 인재 수요를 만들어내고 있다. 상업 분석 직무 역시 수요가 높으며, 상업 데이터와 실제임상근거(real-world evidence)를 분석할 수 있는 인력이 필요하다. 출시 기간 단축과 규제 성공에 직접 영향을 미치는 직무와 부서는 앞으로도 높은 수요를 유지할 것으로 예상된다.

제약업계의 직함 역시 AI에 의해 재편되고 있으며, 이는 상업 분석과 시장 접근 같은 여러 기능과 역량을 결합한 하이브리드 역할을 만들어내고 있다. 기업들은 한 분야의 기술 전문가보다 여러 기능을 넘나드는 역량을 더 많이 요구하고 있다. 한 사례에서는 AI 역량을 도입한 뒤 한 기업이 부서를 통합했고, 그 결과 직원들은 더 많은 기능 간 협업을 수행해야 했지만 인력 감축은 없었다.

AI 도입 추진은 제약업계가 상업적 인사이트를 생성하는 방식도 바꾸고 있다. 데이터, 연구, 콘텐츠 개발에 대규모 투자가 이뤄졌음에도 성과는 계속 기대에 못 미쳤다. 제약 콘텐츠의 77%는 의도한 대상에게 도달하지 못하고, 출시의 절반은 기대에 미치지 못하며, 4건 중 1건은 예상치의 절반에도 못 미치는 성과를 낸다. 글로벌 제약사 내 대부분의 인사이트 기능은 여전히 더 느리고 예측 가능한 세상에 맞춰 조직돼 있으며, 그 환경에서는 계획을 연 단위로 수립하고, 데이터는 사일로에 갇혀 있으며, 시장조사는 간헐적으로 이뤄진다.

지난 18개월 동안 GLP-1 분야는 경쟁 구도가 얼마나 빠르게 바뀔 수 있는지를 보여줬다. 미국 처방 데이터에 대한 공개 분석에 따르면 Eli Lilly는 불과 수개월 만에 핵심 세그먼트에서 Novo Nordisk를 앞질렀고, 경구용 GLP-1 출시가 이미 이 분야를 다시 재편하고 있다. 이런 환경에서는 분기별, 심지어 월별로 제공되는 인사이트조차 이미 시대에 뒤처져 있다.

최근 면역학 분야의 한 사례에서는 경쟁사 진입 후 3~4개월 내에 예상치 못한 의사 처방 전환이 발생한 것으로 나타났다. 기존 경쟁 인텔리전스는 과거 청구 데이터와 신디케이트 데이터에 크게 의존하고 있었기 때문에, 그 영향은 이미 전환이 진행된 뒤에야 가시화됐다. 이에 팀은 회고적 보고에서 벗어나 접근성 동향, 경쟁사 활동, 고객 상호작용 전반의 신호를 하나의 인텔리전스 흐름으로 연결하는 지속적 위협 탐지 시스템으로 전환했고, 그 결과 표준 시장 데이터에 나타나기 몇 주 전에 구체적 촉발 요인을 드러낼 수 있었다. 해당 브랜드는 6~8주 단위의 일련의 스프린트를 통해 표적 방어 조치를 시험하고, 정교화하고, 실행하는 방식으로 대응했으며, 그 결과 더 이른 탐지, 더 빠른 정렬, 그리고 처방 전환 추세를 안정화한 집중적 개입이 가능해졌다.

이 접근법은 선형적 프로세스가 아니라 연속적 루프로 작동하는 정밀 인텔리전스(precision intelligence)로 설명돼 왔다. 청구 데이터, CRM, 고객 상호작용, 환자 지원, 브랜드 추적 등 다양한 출처의 데이터를 연결해 단일 데이터셋으로는 놓치기 쉬운 행동과 정서의 초기 변화를 드러내는 방식이다. 제약업계는 그 어느 때보다 인사이트, 메시징, 실행에 많은 비용을 쓰고 있지만, 선형적 계획, 단속적 연구, 단절된 데이터로는 이제 빠르게 움직이는 시장을 뒷받침할 수 없다.