When AI Stops Being a Project: Turning Technology into Real Value for Patients and Providers

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

When AI Stops Being a Project: Turning Technology into Real Value for Patients and Providers를 중심으로, 생성형 AI는 단순 질의응답에서 벗어나 여러 단계를 추론·결정·실행하는 에이전트로 발전하고 있지만, 의료기관의 협업 구조와 통제를 핵심 판단 포인트로 압축 정리한다.

📌 핵심 요점

1. 생성형 AI는 단순 질의응답에서 벗어나 여러 단계를 추론·결정·실행하는 에이전트로 발전하고 있지만, 의료기관의 협업 구조와 통제 체계는 장시간 자율 실행에 맞게 설계돼 있지 않다.
2. 개별 작업을 자동화하는 포인트 솔루션이 늘어나도 개선 효과가 하나의 환자 여정이나 의료 업무로 연결되지 않으면, 환자·의료진 경험과 손익에는 의미 있는 변화가 나타나기 어렵다.
3. UnitedHealth Group의 접근은 다수의 모델과 에이전트를 공통 실행 기반에 등록하고, 토큰 사용량·데이터 접근·보안·운영 이후 모니터링을 중앙에서 통제하는 데 초점을 둔다.
4. 모델 성능과 비용 구조가 빠르게 바뀌므로 공개 벤치마크나 낮은 토큰 단가만 믿기보다, 실제 사용 사례의 품질·총토큰 소비·속도·보안·교체 가능성을 함께 평가해야 한다.
5. AI 전환의 핵심 병목은 모델 자체보다 조직 운영에 있으며, 최종 사용자와 문제 해결자의 거리를 줄이고 경영진이 비용과 의료 성과를 공동 책임질 때 실행 속도가 높아진다.

🧩 배경과 문제 정의

• 생성형 AI의 역할이 단순한 질의응답에서 여러 단계를 연결해 실제 업무를 끝내는 에이전트로 확장되고 있지만, 의료기관의 업무 구조와 통제 체계는 아직 이 변화에 맞지 않는다.
• 개별 업무를 자동화하는 포인트 솔루션만 늘리면 조직 곳곳에 AI가 있어도 재무 성과와 환자·의료진 경험은 크게 달라지지 않는다.
• 모델의 성능·비용·공급자가 빠르게 바뀌는 상황에서는 특정 모델에 종속되기보다 업무 흐름, 평가 지표, 보안 거버넌스와 모델 교체가 가능한 실행 기반에 투자해야 한다.

🕒 시간순 섹션별 상세정리

1. 검색을 넘어 구매를 끝내는 소비자 에이전트

• 매장에서 원하는 상품을 찾았지만 색상·사이즈·핏이 맞지 않았고, 사진을 Gemini에 올리자 해당 조건과 재고를 자동으로 찾아냈다. [01:27]
• 온라인 판매처와 브랜드 확인부터 주문까지 이어지면서, 사용자가 직접 수행해야 할 탐색과 비교 작업이 크게 줄었다. [01:41]

2. 질의응답에서 장시간 업무 수행으로의 전환

• OpenAI 내부 데이터상 에이전트는 엔지니어링뿐 아니라 금융·채용·법무에서도 정보를 반환하는 수준을 넘어 실제 업무를 수행하기 시작했다. [02:28]
• 의료 분야는 아직 짧은 질의응답과 제한된 상호작용에 머물러 있어, 소비자 서비스에서 시작된 업무 수행형 AI를 바로 수용하기 어렵다. [03:05]

3. 기존 조직 구조와 장기 실행형 에이전트의 충돌

• 의료기관의 업무는 긴 작업을 독립적으로 맡겼다가 결과를 받는 구조보다 여러 사람이 반복적으로 주고받는 구조라서, 에이전트 활용에는 업무 분해 방식 자체의 재설계가 필요하다. [04:42]
• UnitedHealth Group은 약 2만2천 명의 엔지니어를 보유하고도 장기 실행형 에이전트를 운영할 거버넌스·가드레일·보안과 활용 상상력이 충분하지 않다고 판단했다. [05:19]

4. 에이전트의 조건과 사일로 자동화의 한계

• 일반 API까지 에이전트로 부르는 과장이 확산됐지만, 에이전트에는 스스로 추론하고 결정하며 행동하는 실질적인 행위 능력이 필요하다. [05:43]
• 도메인별 사일로 안에서 에이전트를 안전하게 운영할 수는 있어도, 하나의 의료 절차를 여러 고립된 에이전트로 나누면 환자 경험과 의료 업무 전체를 재구성하기 어렵다. [06:18]

5. 포인트 솔루션보다 종단 간 업무 재설계

• 개별 작업의 자동화보다 환자가 적절한 진료 지점에 도달하거나 의료기관이 비용을 지급받기까지의 전체 흐름에서 그 작업이 왜 존재하는지 다시 물어야 한다. [07:31]
• 여러 포인트 솔루션에 점진적으로 투자해도 각각의 개선이 합산되지 않으면, AI 도입 범위는 넓어져도 손익에는 변화가 나타나지 않는다. [08:35]

6. 비용 통제와 특정 모델 종속 위험

• 에이전트가 자율적으로 더 많은 토큰을 사용하면 작업당 효율과 총비용을 예측하기 어려워져, 기업의 지출 통제 문제가 커진다. [09:12]
• 전체 업무를 하나의 모델 공급자나 API에 맞춰 재편하면 더 저렴하고 우수한 모델이 등장하거나 기존 모델에 보안 문제가 생겨도 신속하게 전환하기 어렵다. [09:47]

7. 다중 모델과 에이전트를 통제하는 United AI Studio

• United AI Studio는 117개 LLM을 수용하며, 이 가운데 약 20개는 특정 목적에 맞춰 내부에서 만든 오픈 웨이트 소형 모델이다. [11:40]
• 토큰 게이트웨이는 하루 약 100억~250억 개의 토큰 소비를 관리하고, 개인별 사용 한도까지 적용해 실험 비용의 무제한 확장을 막는다. [12:06]

8. 매주 바뀌는 모델 경쟁과 오픈소스의 부상

• 금요일에 완성했다고 판단한 기술 구조도 주말의 신규 모델 발표로 월요일이면 뒤처질 수 있어, 고정된 최적 설계보다 지속적인 재평가가 필요하다. [13:08]
• GLM 5.2는 일부 벤치마크에서 직전 프런티어 모델 수준의 성능을 보이며 비용이 높은 기존 모델 중심의 지출 전략을 흔들었다. [13:28]

9. 공개 벤치마크보다 내부 사용 사례 평가

• GLM 계열 모델은 엔지니어링과 기본 작업에서 높은 품질을 보였지만, 의료 벤치마크까지 압도한다는 근거는 아직 부족하다. [15:21]
• 비슷한 결과를 얻는 데 비교 대상보다 5~10배 많은 토큰을 쓸 수 있으므로, 낮은 토큰 단가만으로 실제 비용 효율을 판단할 수 없다. [16:03]

10. 범용 모델과 의료 특화 모델의 성능 역전

• 비교 연구에서는 Claude Opus 4.6·GPT-5.2·Gemini 3.1 같은 범용 모델이 OpenEvidence와 UpToDate 계열의 의료 특화 AI보다 높은 성능을 보였다. [18:21]
• 의료 전문지식을 별도로 인코딩한 시스템도 범용 모델에 충분한 데이터·연산·추론 시간을 제공하면 경쟁력을 잃을 수 있어, 특화 모델 자체가 지속적인 우위를 보장하지 않는다. [18:36]

11. 자체 모델 개발보다 교체 가능한 하네스

• Optum Health는 연간 2천만 명의 환자와 접촉하고 의사 1만 명을 고용하기 때문에, 기술 선택이 환자와 의료진 경험에 미치는 영향과 자체 개발·외부 구매의 비용이 모두 크다. [19:45]
• 오픈 웨이트 모델을 추가 학습하는 기술적 장벽은 낮아졌지만, 빠르게 발전하는 범용 모델을 고려해 자체 모델 개발을 기본 선택으로 삼지는 않았다. [20:05]

12. 모델 미세 조정보다 경험과 업무 맥락 우선

• 비용 부담과 출시 속도, 종단 간 기능을 함께 개선하려면 모델 자체보다 환자·의료진 경험과 업무 흐름 안에 여러 모델을 배치하는 방식에 집중해야 한다. [21:04]
• 별도 프런티어 모델을 학습해 성능을 소폭 높이는 일보다 사용 사례의 맥락, 세부 조건, 업무 재설계를 위한 팀 정렬이 현재 더 높은 우선순위다. [22:04]

13. 모델 상품화와 가치 계층의 이동

• 기반 모델이 점차 상품화되면서 차별화의 중심은 모델 자체에서 기업 고유의 맥락·사용 사례·하네스·강화학습 같은 상위 계층으로 이동한다. [22:47]
• 의료 논문은 동료평가에 약 18개월이 걸릴 수 있어, 출판 시점에는 이미 구형이 된 모델 간 성능 논쟁이 현재의 운영 판단을 왜곡할 수 있다. [23:13]

14. 최첨단 모델 논쟁과 의료 현장의 기술 격차

• 의료 산업은 연간 약 90억 건의 팩스를 처리하므로, 최신 모델 간 미세한 성능 차이보다 오래된 정보 전달 구조를 개선하는 문제가 더 시급할 수 있다. [24:16]
• 기존 업무 흐름에 OCR이 깊이 내장돼 있으면 멀티모달 LLM이 더 발전했더라도 교체 비용과 운영 복잡성 때문에 즉시 제거하기 어렵다. [24:41]

15. 사용자와 문제 해결자 사이의 거리를 없애는 100배 속도

• 기술 변화가 너무 빨라 어떤 과제를 언제까지 기다리고 무엇부터 바꿀지 판단하기 어려우며, 90억 건의 팩스 처리와 다른 혁신 과제 사이에서도 우선순위 충돌이 생긴다. [25:26]
• 대기업의 100배 속도는 구성원이 100배 더 오래 일하는 방식이 아니라, 문제 해결자와 환자·의사·접수 담당자 같은 최종 사용자 사이의 거리를 없애는 방식에서 나온다. [26:43]

16. 타이거팀과 경영진 공동 책임으로 만드는 실행 속도

• 성과가 충분히 빠르지 않은 여섯 개 종단 간 프로세스에 여섯 개 타이거팀을 투입하고, 각 팀이 Claude와 Codex 같은 최신 도구를 능숙하게 다루도록 요구했다. [28:10]
• 경쟁사의 앱을 참고하되 자사 맥락을 반영하도록 Claude Code에 요청하자 약 60초 만에 더 나은 HTML 경험이 만들어져, 기존 조직도 문제와 도구 사이의 거리를 줄이면 빠르게 움직일 수 있음을 확인했다. [28:47]

17. But 6 hours a month

• But 6 hours a month [30:09]
• we just obsess over AI use cases, AI [30:24]

18. It is delegated to

• It is delegated to [30:39]

• it's an IT problem, it's an innovation [30:54]

19. transition and many groups who wont

• transition, and many groups who won't. [31:09]
• And if you believe the outcomes are [31:24]

20. Hey if we can solve this for this pa

• "Hey, if we can solve this for this part [32:09]
• of United Health Group's workflow, [32:24]

• Thank you. [32:39]

21. 후반부 마무리 신호

• 후반부 원문 신호: >> No, this was fun. I we could have we [36:32]
• 후반부 원문 신호: could have danced all night. So, this is [36:34]
• 후반부 원문 신호: so good. Um thank you for what both of [36:36]

🧾 결론

• 의료 AI의 가치는 어떤 모델을 선택했는지가 아니라 환자가 적절한 진료에 도달하고, 의료진이 효율적으로 일하며, 의료기관이 지속 가능한 성과를 얻는 종단 간 흐름에서 측정해야 한다.
• 빠르게 변하는 모델 시장에서는 자체 모델이나 단일 공급자에 장기적으로 의존하기보다, 목적에 따라 모델을 평가·배치·교체할 수 있는 하네스가 중요한 자산이 된다.
• 에이전트 도입에는 자율 실행 범위, 데이터 접근 권한, 비용 한도, 결과 평가와 사후 모니터링을 포함한 거버넌스가 함께 마련돼야 한다.
• AI를 IT 부서나 혁신 조직의 프로젝트로 위임하면 대규모 업무 전환이 어렵다. 사업·기술·재무·의료 리더가 같은 지표를 기준으로 의사결정해야 실제 가치로 이어질 수 있다.

📈 투자·시사 포인트

• 모델 자체의 상품화가 진행될수록 차별화 가치는 의료기관 고유의 업무 데이터, 사용 사례 평가 체계, 종단 간 오케스트레이션, 보안·비용 통제 기반으로 이동할 가능성이 크다.
• 의료 AI 기업을 평가할 때는 데모나 공개 벤치마크보다 실제 업무에 통합된 범위, 환자·의료진 성과, 총추론비용, 모델 교체 가능성, 운영 모니터링 역량을 살펴볼 필요가 있다.
• 단일 모델 공급자에 최적화된 구조는 초기 개발 속도를 높일 수 있지만, 가격 변화·보안 문제·성능 역전이 발생할 때 전환 비용과 공급자 고착 위험을 키울 수 있다.
• 의료 현장에는 최신 AI와 함께 팩스·OCR 같은 기존 기술이 공존하므로, 최첨단 모델의 미세한 성능 차이보다 낡은 정보 흐름을 실질적으로 개선하는 기업이 더 빠르게 가치를 만들 수 있다.
• 영상에서 언급된 United AI Studio의 모델 수, 토큰 처리량, 등록 에이전트 수와 범용·의료 특화 모델 비교 결과는 발표자의 설명에 근거한 수치이므로, 투자 판단 전 원자료·연구 설계·최신 운영 현황을 별도로 검증해야 한다.

⚠️ 불확실하거나 확인이 필요한 부분

• OpenAI 내부 데이터의 장시간 업무 비율과 United AI Studio의 모델·토큰 규모는 발표자의 설명에 근거하므로, 원문 보고서나 공식 자료를 통한 교차 확인이 필요하다.
• GLM 5.2 및 범용 모델과 의료 특화 AI의 성능 비교는 사용된 벤치마크, 평가 조건, 토큰 사용량에 따라 달라질 수 있어 의료 현장 성능으로 일반화하기 어렵다.
• 장기 실행형 에이전트가 환자 안전, 개인정보 보호, 의료진 책임 소재에 미치는 영향은 구체적인 운영 사례와 검증 결과가 제시되지 않았다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 자동화 후보를 개별 작업이 아니라 환자 접근부터 진료·청구·지급까지의 종단 간 흐름으로 다시 정의한다.
• 도입 전 환자 경험, 의료진 업무시간, 오류율, 처리비용 등 공통 기준 지표와 책임 주체를 확정한다.
• 모델별 품질뿐 아니라 총토큰 사용량, 실제 작업 비용, 지연시간을 내부 사용 사례로 평가한다.
• 공급자 전환이 가능한 모델 하네스와 함께 권한 관리, 지출 한도, 감사 로그, 사람의 승인 지점을 설계한다.

❓ 열린 질문

• 의료 업무의 어느 단계까지 에이전트가 자율적으로 수행하고, 어디서 의료진의 검토나 승인을 의무화해야 하는가?
• 포인트 솔루션의 국소적 효율 개선이 실제 손익과 환자 경험의 종단 간 개선으로 이어졌는지 어떻게 측정할 것인가?
• 모델 교체 시 품질과 안전성을 유지하기 위해 어떤 내부 평가 세트와 회귀 테스트가 필요한가?