[KtN 최기형기자]신약 후보물질이 임상 1상에 들어간 뒤 시장에 도달하는 비율은 약 13%에 머문다. 성공한 신규 분자 하나를 내놓는 비용은 2016년 약 25억 달러에서 현재 약 40억 달러 수준으로 높아졌다. 바이오·제약 R&D 지출의 약 70%는 임상 개발 단계에 집중된다. 맥킨지앤드컴퍼니의 2026년 6월 바이오·제약 R&D 분석은 AI 시대의 산업 경쟁이 더 빠른 도구를 갖는 문제를 넘어, 실패와 성공의 데이터를 다음 판단으로 되돌리는 구조를 갖추는 문제로 이동했음을 짚는다.

AI를 둘러싼 산업 담론은 오랫동안 모델 성능과 자동화 효율에 집중돼 왔다. 더 긴 문서를 요약하고, 더 정교한 코드를 만들고, 더 사실적인 이미지를 생성하는 능력이 먼저 주목받았다. 바이오 산업에서도 생성형 AI는 새로운 분자 구조, 단백질 서열, 항체 후보, 실험 가설을 빠르게 만들어내는 기술로 부상했다. 그러나 신약개발의 비용 구조는 후보를 많이 만드는 능력만으로 바뀌지 않는다. 후보가 실제 질병 생물학과 맞는지, 특정 환자군에서 의미가 있는지, 임상시험과 제조 단계까지 갈 수 있는지 확인하는 절차가 뒤따라야 한다.

맥킨지가 제시한 핵심은 선형 절차의 한계다. 후보물질 발굴, 전임상, 임상, 허가, 출시로 이어지는 기존 신약개발은 각 단계를 통과하는 데 익숙하다. 문제는 각 단계에서 드러난 실패의 이유가 다시 앞선 판단으로 빠르게 돌아가지 못한다는 데 있다. 임상시험에서 환자군을 넓게 잡아 약효 신호가 흐려졌다면 표적 검증과 바이오마커 전략까지 되짚어야 한다. 제조 가능성 문제가 개발 후반에 드러났다면 후보물질 설계의 기준도 바뀌어야 한다. 연구, 임상, 제조, 규제, 상업화 조직이 다른 일정과 지표로 움직이면 실패의 정보는 축적되더라도 다음 의사결정으로 돌아가는 속도가 느려진다.