Roche는 AI 사용률이 아니라 ‘의사결정 기여율’을 공개했다

Roche는 9월 28일 Pharma Day에서 2025년 4분기부터 2026년 2분기까지 pipeline decision의 40%에 추적 가능한 AI 또는 computational contribution이 있었다고 밝혔다.

동시에 자체 AI 도구 Target Nexus가 2026년 말까지 research portfolio decision의 80%에 기여하도록 하는 목표를 제시했다. 두 숫자는 같은 모집단을 직접 비교한 값은 아니다. 40%는 과거 pipeline decision에서 추적된 기여이고, 80%는 특정 도구의 research portfolio decision 기여 목표다.

그래도 방향은 분명하다. AI가 문헌요약이나 분석 보조를 넘어 어떤 연구를 계속하고 어디에 자원을 배분할지 결정하는 R&D infrastructure 안으로 들어가고 있다.

다음 단계는 ‘AI에게 질문하는 연구실’이 아니라 Lab in the Loop다

Roche Pharma Day의 공식 세션에는 ‘Revolutionizing drug R&D with Lab in a Loop’가 포함됐다. Genentech가 설명하는 Lab in the Loop는 실험실과 임상 데이터가 AI 모델로 들어가고, 모델이 새로운 target·molecule·experiment를 제안한 뒤 과학자가 이를 실험하고 결과를 다시 모델에 넣는 반복구조다.

흐름은 Data→AI prediction→Experiment→New data→Model update에 가깝다. 핵심은 AI가 보고서를 잘 만드는 것이 아니라 예측이 실제 wet-lab 실험과 연결되고, 실험 결과가 다시 모델 학습으로 돌아간다는 점이다.

Genentech는 이 구조를 과학자를 대체하기보다 과학자의 능력을 확장하는 방식으로 설명한다. 빠른 iteration을 통해 연구자가 더 큰 과학적 질문에 집중하게 한다는 것이다.

Roche는 이제 autonomous AI-driven lab 구축을 시작했다고 밝혔다

Reuters가 전한 Pharma Day 발언에서 Aviv Regev는 Roche가 최근 autonomous AI-driven labs 구축을 시작했다고 밝혔다.

기존 Lab in the Loop에서는 AI가 다음 실험을 제안해도 실험준비, 장비조작, 조건설정, 측정, 데이터 정리 같은 physical execution에 사람이 크게 관여한다. 여기에 lab automation이 깊게 들어가면 AI가 제안한 실험을 자동화된 시스템이 수행하고 결과가 다시 모델로 돌아가는 cycle을 더 빠르게 돌릴 수 있다.

이를 ‘사람 없는 연구소’라고 단정할 근거는 없다. 더 정확한 변화는 반복 execution의 일부가 자동화되고, 사람의 역할이 문제설정·실험설계·실패해석·검증·portfolio judgment 쪽으로 이동할 가능성이 커진다는 것이다.

3,500개가 넘는 GPU도 이제 연구실 인프라의 일부다

Roche는 2026년 3월 NVIDIA Blackwell GPU 2,176개를 추가해 총 3,500개가 넘는 hybrid-cloud AI factory를 운영한다고 발표했다.

회사는 이 computing infrastructure를 신약분자 설계뿐 아니라 Lab in the Loop, 임상시험, 제조 digital twin, 진단, digital pathology 등 value chain 전반에 연결한다고 설명했다.

전통적인 제약 R&D 인프라가 연구자와 실험장비 중심이었다면, 앞으로는 실험장비·automation·data·GPU·AI model까지 하나의 연구시스템으로 보는 편이 더 정확해질 수 있다.

인재 변화는 Wet Lab Scientist → AI Scientist의 단순 교체가 아니다

AI가 실제 실험과 연결될수록 필요한 capability는 한 직무명으로 설명하기 어려워진다. Biology와 Chemistry, Experimental Design, Lab Automation, Data Engineering, AI/Computational Science, Validation, Scientific Judgment가 같은 workflow 안에서 맞물린다.

모든 능력을 한 사람이 가져야 한다는 뜻은 아니다. 오히려 interface 역할이 늘어난다는 뜻에 가깝다. AI 연구자는 biology의 제약을 이해해야 하고, wet-lab scientist는 model output을 검증해야 하며, automation engineer는 protocol을 machine-executable workflow로 바꾸고, 연구 책임자는 AI와 실험 evidence를 바탕으로 다음 투자를 판단해야 한다.

Genentech의 현재 Data Science 조직도 biostatistics, real-world data, digital endpoints, programming, product management, data science 등 여러 전문영역을 묶어 운영한다. AI가 깊어질수록 전문영역 자체보다 전문영역 사이의 연결이 새로운 병목이 될 수 있다.

Phase III 80%+를 AI 성과라고 연결하면 안 된다

Roche는 같은 Pharma Day에서 Phase III success rate가 2025년 65%에서 2026년 현재 80% 이상으로 높아졌다고 밝혔고, 2030년까지 최대 20개의 New Molecular Entity를 시장에 내놓겠다는 목표도 제시했다.

또한 약 20억 스위스프랑의 R&D 절감액을 프로그램과 productivity initiatives에 재배치한다고 설명했다.

하지만 공개자료만으로 ‘AI 때문에 Phase III 성공률이 65%에서 80% 이상으로 올랐다’거나 ‘20억 스위스프랑을 AI가 절감했다’고 결론낼 수는 없다. Portfolio selection, trial design, molecule quality, therapeutic-area mix, 운영개선 등 여러 요인이 동시에 작동할 수 있다.

BANSEOG VIEW | 연구자를 없애는 AI보다 ‘연구의 루프’를 바꾸는 AI를 본다

Roche의 중요한 변화는 AI tool을 몇 개 도입했다는 사실이 아니다. pipeline decision에 AI·computational contribution이 실제로 추적되고 있고, 다음 단계로 AI prediction과 physical experiment 사이의 loop 자체를 더 자동화하려 한다는 점이다.

실험 execution이 자동화될수록 인간의 가치가 사라진다고 단정할 필요는 없다. 오히려 무엇을 실험할지 결정하고, 실패의 원인을 구분하고, AI recommendation을 검증하며, 어떤 program에 자원을 배분할지를 판단하는 책임이 더 중요해질 수 있다.

BIO 인재시장을 볼 때도 ‘AI Scientist를 몇 명 뽑는가’만 세기보다 회사가 biology·chemistry·automation·data·AI·validation 사이의 closed loop를 만들기 위해 어떤 capability를 새로 연결하는지 보는 편이 더 많은 것을 보여줄 수 있다.

BANSEOG VIEW

Banseog View — AI가 사람을 대체하는가보다 연구의 loop가 어떻게 바뀌는가

최근 pipeline decision의 40%에서 AI·computational contribution이 추적됐고, Target Nexus는 연말까지 research portfolio decision의 80% 기여가 목표다.

Roche는 autonomous AI-driven labs 구축도 시작했다고 밝혀 AI prediction과 physical experiment 사이의 loop를 더 자동화하려 한다.

BIO 인재시장의 핵심은 Wet Lab Scientist와 AI Scientist의 단순 교체가 아니라 biology·automation·data·AI·validation·scientific judgment를 연결하는 역할의 재설계일 수 있다.

SOURCES

근거가 된 원자료

40%와 80%는 동일 지표의 전후 비교가 아니다. 40%는 2025 Q4~2026 Q2 pipeline decision에서 추적된 AI·computational contribution이고, 80%는 2026년 말 Target Nexus의 research portfolio decision 기여 목표다. Phase III success rate 65%→80%+와 CHF 2B R&D savings는 같은 Pharma Day에서 제시됐지만, 공개근거만으로 이를 AI의 직접 인과효과로 연결하지 않았다. ‘Autonomous lab이 인간 역할을 judgment·validation 쪽으로 이동시킬 수 있다’는 결론은 공개자료를 연결한 Banseog 분석이다.