Future of AI
•
11.19.2026

Stanford AI 선구자 Fei-Fei Li가 말하는 의료 AI: 헬스케어와 의학적 발견은 어떻게 바뀔까

WHO는 2030년까지 의료 인력 1,100만 명 부족을 전망한다. 페이페이 리의 병원 AI 비전을 분석한다.

Luke
Technical Market Researcher

핵심 요약

World Health Organization(WHO)에 따르면 환자 10명 중 약 1명이 치료 과정에서 피해를 입으며, 안전하지 않은 의료로 인한 사망자는 매년 300만 명을 넘습니다. 환자 안전이 여전히 큰 숙제로 남아 있는 가운데, WHO는 2030년까지 보건의료 인력이 1,110만 명 부족할 것으로 전망합니다. 이 간극이 의료 AI가 시급한 과제로 떠오른 이유입니다.

이미지 데이터베이스 ImageNet을 만든 Stanford 컴퓨터과학자 Fei-Fei Li는 10년 넘게 AI로 병원 진료를 지원하는 방법을 연구해 왔으며, 이는 부모를 오랫동안 직접 돌본 경험에서 비롯되었습니다. 이 글에서는 Li 교수의 구상과 지금까지의 근거, 병원이 AI를 안전하게 도입하는 방법, 그리고 AI 의료의 미래를 살펴봅니다.

Fei-Fei Li는 의료 AI가 헬스케어를 어떻게 바꿀 수 있다고 볼까요?

Fei-Fei Li는 의료 AI가 의사와 간호사를 대체하는 것이 아니라 지원함으로써 의료를 개선할 수 있다고 봅니다.

Li 교수는 Issues in Science and Technology 인터뷰에서 30년 동안 투병 중인 부모를 돌본 경험을 밝혔습니다. 그 결론은 "의료는 사람이 사람을 돌보는 일"이며, 그 일을 할 사람이 부족하다는 것입니다. Li 교수는 AI가 도울 수 있는 세 가지 예를 들었습니다.

  1. 환자가 넘어지는 것을 보고 누군가에게 알리는 "눈" 역할
  2. 검사 결과의 변화를 지켜보는 소프트웨어
  3. 환자의 일상적인 질문에 답하는 대화형 도구

2026년 8월 Huberman Lab 팟캐스트에서는 과학적 발견을 AI와 인류 건강 모두에 가장 흥미로운 기회 중 하나로 꼽았습니다. 종합하면 Li 교수의 구상은 상황을 보는 센서, 언어를 다루는 대규모 언어 모델(LLM), 발견을 앞당기는 도구라는 세 가지 영역으로 나뉩니다.

의료 분야의 앰비언트 인텔리전스란 무엇이며, 연구에서는 어떤 결과가 나왔을까요?

앰비언트 인텔리전스(Ambient Intelligence)는 센서와 AI로 병실의 위험을 감지해 환자 안전을 높이는 기술이며, 초기 연구 결과는 긍정적입니다.

앰비언트 인텔리전스는 작은 센서와 AI로 진료 공간을 24시간 지켜보는 기술로, 스마트 병원을 구현하는 대표적인 의료 AI 사례입니다. Stanford 연구팀은 일반 영상 대신 사람의 대략적인 3D 윤곽만 기록하는 깊이 센서(depth sensor)를 사용합니다. Li 교수가 Albert Haque, Arnold Milstein과 함께 쓴 2020년 Nature 리뷰 논문은 엄격한 임상 검증, 개인정보 보호, 투명성을 확산의 세 가지 과제로 꼽았습니다. 두 건의 Stanford 연구가 이를 검증했습니다.

깊이 센서가 환자의 개인정보 보호에 중요한 이유는 무엇일까요?

깊이 센서는 얼굴이 아닌 몸의 형태만 포착하기 때문에, 누구인지는 드러내지 않으면서 어떤 행동이 있었는지 파악할 수 있습니다. 다만 두 연구는 각각 병원 한 곳에서만 진행되어 더 넓은 검증이 필요합니다.

왜 인간 중심 AI가 의료의 기본 원칙이어야 할까요?

의료는 신뢰와 개인정보 보호, 존중 위에서 이루어지기 때문에 인간 중심 AI가 중요합니다.

인간 중심 AI란 기술이 할 수 있는 일만이 아니라 환자와 의료진이 실제로 필요로 하는 것을 중심에 두고 도구를 설계하는 접근입니다. Li 교수에게 이는 모든 이해관계자의 목소리를 듣고 진료에서 사람의 판단이 주도권을 갖도록 하는 데서 시작합니다. Li 교수는 2025년 에세이 From Words to Worlds에서 "AI는 인간의 역량을 대체하는 것이 아니라 강화해야 한다"고 밝혔습니다. Nature 리뷰 논문은 신뢰의 조건으로 네 가지 요소, 즉 개인정보 보호, 공정성, 투명성, 연구 윤리를 제시합니다. 실제 원칙은 다음과 같습니다.

  • 현장 의료진과 함께 설계합니다.
  • 개인정보는 최소한으로 수집합니다.
  • 다양한 환자군에서 공정성을 검증합니다.
  • 각 결정의 책임은 소프트웨어가 아닌 의료진이 집니다.

생성형 AI는 지금 의료 현장에서 어떤 가치를 만들고 있을까요?

현재 의료 분야에서 생성형 AI는 진료 기록 작성과 연구 요약에 가장 유용하게 쓰이고 있습니다.

병원에서 생성형 AI는 질병 진단보다 서류 작업에서 가장 큰 도움을 줍니다. AMA의 2026년 의사 대상 설문조사에 따르면 의사의 81%가 업무에 AI를 사용하며, 이는 2023년(38%)의 두 배가 넘습니다(전체 보고서). 주요 용도는 연구 요약(39%)과 진료 기록·치료 계획 초안 작성(30%)이었습니다.

다만 시간 절감 효과는 제한적입니다. UCLA 의사 238명이 참여한 NEJM AI 무작위 임상시험에서 진료 기록을 자동으로 작성하는 AI 스크라이브 중 Nabla는 작성 시간을 9.5% 줄였지만, Microsoft DAX Copilot은 의미 있는 차이를 보이지 않았습니다. 두 스크라이브 그룹 모두 번아웃과 업무 부담이 줄어드는 경향을 보였지만, 임상적으로 문제가 될 수 있는 오류도 간혹 나타나 의사의 검토가 반드시 필요합니다.

미국 연방 기관 ASTP/ONC의 보고서에 따르면 2024년 미국 비연방 급성기 병원의 71%가 전자건강기록(EHR)과 연동된 예측형 AI를 사용했습니다. 이 병원들에서 청구 업무 활용은 36%에서 61%로 급증했지만, 치료 방법 추천 활용은 약 2%p 늘어나는 데 그쳤습니다. JAMA Network Open 연구에 따르면 EHR과 연동된 생성형 AI를 사용하는 미국 병원은 31.5%였습니다.

LLM과 AI 챗봇 도입에는 어떤 의미가 있을까요?

환자용 챗봇에는 검색 증강 생성(RAG, Retrieval-Augmented Generation)이 유용합니다. 챗봇이 병원이 승인한 자체 문서에서 답을 찾기 때문에 답변을 검증하기가 쉬워집니다.

AI는 어떻게 의학적 발견을 앞당기며, 현재의 한계는 무엇일까요?

AI는 신약 단서를 더 빠르게 찾아내지만, 사람을 대상으로 약을 검증하는 데에는 여전히 시간이 걸립니다.

AI 신약 개발은 생물학, 화학, 의학 데이터를 사람보다 훨씬 빠르게 분석해 질병의 "표적"과 그에 작용하는 분자를 찾습니다. Li 교수는 Huberman Lab 팟캐스트에서 AI가 어떤 과학자 한 사람도 할 수 없는 방식으로 분야를 넘나들며 지식을 연결할 수 있다고 말했습니다. 임상시험은 단계별로 진행되며, 1상은 안전성을, 2상은 약효의 가능성을, 3상은 훨씬 많은 환자를 대상으로 효과를 확인합니다.

데이터 부족이 여전히 의료 AI의 발목을 잡는 이유는 무엇일까요?

AI는 데이터로 학습하므로 데이터가 드문 분야에서는 한계를 보입니다. Li 교수는 아버지가 받은 로봇 보조 간 수술을 예로 들며, 전 세계의 간 수술 사례를 모두 모아도 로봇이 스스로 수술하도록 학습시키기에는 데이터가 부족할 수 있다고 지적했습니다. 같은 이유로 신약 개발에서도 AI의 성과는 표적과 후보 물질을 찾는 초기 단계에서 가장 크게 나타나고, 환자 대상 임상시험은 여전히 시간이 오래 걸릴 가능성이 높습니다.

AI 의사가 의사와 간호사를 대체할까요, 아니면 역할을 바꿀까요?

AI는 반복적인 업무를 맡아 의사와 간호사의 일하는 방식을 바꾸겠지만, 그들을 대체하지는 않을 것입니다.

지금까지의 근거를 보면 AI 의사는 일자리를 빼앗기보다 업무를 나누는 쪽에 가깝습니다. 진짜 문제는 인력 부족입니다. WHO는 2030년 보건의료 인력 부족 전망치를 1,020만 명에서 1,110만 명으로 상향 조정했습니다. Li 교수는 챗봇의 위로가 공감이 아니라 학습한 패턴의 반복에 불과하다고 지적합니다. AMA 설문조사에서도 의사의 약 40%가 AI에 대해 기대와 걱정을 똑같이 느낀다고 답했습니다.

AI는 진료 기록, 요약, 일정 관리, 모니터링을 맡고, 진단, 치료 결정, 어려운 대화, 환자 곁을 지키는 일은 사람이 맡습니다.

병원은 의료 AI를 어떻게 책임감 있게 도입할 수 있을까요?

병원은 위험이 낮은 업무부터 의료 AI를 도입하고, 최종 판단은 사람이 내리도록 해야 합니다.

실수가 환자에게 해를 끼치지 않고 효과를 쉽게 측정할 수 있는 업무부터 시작하는 것이 좋습니다. 전면 도입 전에는 해당 병원의 환자와 데이터로 직접 시험하는 현장 검증이 필요합니다. 2025년 9월 Joint Commission과 CHAI가 발표한 자율 준수 가이드라인 Responsible Use of AI in Healthcare는 거버넌스, 개인정보 보호, 편향 점검, 교육 등을 다룹니다. 스마트 병원으로 가는 길도 아래처럼 가장 안전한 활용부터 단계적으로 접근해야 합니다.

Fei-Fei Li가 그리는 의료 AI의 미래에서 리더들은 무엇을 배워야 할까요?

Fei-Fei Li가 그리는 의료 AI의 미래는 언제나 사람을 중심에 둡니다.

Li 교수가 그리는 AI 의료의 미래는 로봇이 병원을 운영하는 모습이 아니라, 사람이 환자와 더 많은 시간을 보내도록 주의를 기울이는 도구입니다. 변화는 점진적일 것입니다. 앰비언트 인텔리전스는 긍정적인 초기 성과를 보였고, 생성형 AI는 아직 입증된 효과가 크지 않으며, AI 신약 개발은 3상에 도달했지만 아직 승인을 받지는 못했습니다. 리더라면 일상적인 문제 하나를 골라 측정하고, 잘 관리된 AI 도구를 적용해 신뢰를 쌓아 가야 합니다. 의료 AI는 사람을 진료의 중심에 둘 때 가장 잘 작동합니다.

의료진을 대체하는 것이 아닌, 돕는 AI

Fei-Fei Li 교수가 제시하는 방향, 즉 의료진에게 더 많은 시간을 돌려주는 AI는 CareAI가 설계된 목적과 같습니다. 국내 500개 이상의 의원 및 병원이 신뢰하는 CareAI는 실시간 EMR 연동을 기반으로 예약 관리, 환자 문의, 24시간 콜 응대를 처리해 원무 업무 부담을 최대 50%까지 줄입니다. 의료진이 환자 곁에 더 집중할 수 있도록 돕는 솔루션입니다. 헬스케어 및 기업용 AI 솔루션 전반이 궁금하시다면 메이크봇(Makebot)을 방문해 보세요.

Makebot 헬스케어 AI

의료진의 시간을 되돌려주는 조력자

Makebot의 헬스케어 AI 챗봇·콜봇은 Fei-Fei Li가 말하는 AI의 가장 확실한 가치, 바로 반복 업무를 맡습니다. 예약 확인과 일정 조율, 병원이 승인한 자료를 기반으로 환자의 일상적인 질문에 답변하고, 의료진의 주의가 필요한 상황은 분명한 기준에 따라 넘깁니다. 임상 판단은 언제나 사람이 맡습니다.

EMR 연동 일정 관리 의료진 핸드오프 기준 성과 지표 자동 추적
Makebot 헬스케어 AI 살펴보기 Makebot 더 알아보기
의료 AI와 헬스케어의 미래

자주 묻는 질문

Fei-Fei Li는 의료 AI를 의료진을 돕고 환자 안전을 높이며, 의학적 발견을 앞당기는 도구로 봅니다. 의료는 사람이 사람을 돌보는 일이며, AI는 그 사람들에게 더 많은 시간을 돌려줘야 한다는 것입니다.

센서와 AI가 진료 공간을 관찰해 손 위생 누락이나 환자 낙상 같은 위험을 미리 알려 주는 기술입니다. Stanford 연구에서 사람 관찰자와 비슷한 성과를 보였지만, 더 많은 병원에서 검증이 필요합니다.

AI는 방대한 데이터를 빠르게 분석해 패턴, 신약 후보 물질, 연구 단서를 훨씬 빨리 찾아냅니다. AI 신약 개발 사례인 rentosertib은 2026년 3상에 진입했지만, AI 발굴 약물의 2상 성공률은 업계 평균과 비슷합니다.

아닙니다. AI의 목표는 의료진을 보조해 반복 업무를 줄이고, 환자와 보내는 시간을 늘리는 것입니다. WHO가 2030년까지 1,110만 명의 인력 부족을 전망하는 만큼, AI 의사는 부족한 인력을 보완하는 수단에 가깝습니다.

환자와 의료진의 필요를 중심으로 설계되어 개인정보, 존엄성, 사람의 판단을 핵심에 두는 AI입니다. Li 교수의 표현을 빌리면, AI는 인간의 역량을 대체하지 않고 강화해야 합니다.

운영상의 문제부터 해결하고 환자 데이터를 보호하며, 진료에 대한 최종 판단은 의료진이 맡도록 합니다. Joint Commission과 CHAI의 2025년 가이드라인이 좋은 체크리스트가 됩니다.

참고 자료

참고 문헌

01 2026 Physician Survey on Augmented Intelligence American Medical Association Center for Digital Health and AI · 2026년 3월 ↗ 02 More Than 80% of Physicians Use AI Professionally: AMA Survey American Medical Association · 2026년 3월 12일 ↗ 03 Hospital Trends in the Use, Evaluation, and Governance of Predictive AI, 2023–2024 ASTP/ONC · Data Brief No. 80, 2025년 9월 ↗ 04 Uptake of Generative AI Integrated With Electronic Health Records in US Hospitals Everson, Nong, Richwine · JAMA Network Open 8(12):e2549463 · 2025년 12월 ↗ 05 "AI Is a Tool, and Its Values Are Human Values." Interview with Fei-Fei Li Frueh, S. · Issues in Science and Technology 40(3) · 2024년 봄 ↗ 06 Illuminating the Dark Spaces of Healthcare With Ambient Intelligence Haque, Milstein, Fei-Fei Li · Nature 585, 193–202 · 2020년 9월 ↗ 07 Using AI to Increase Your Intelligence & Enrich Humanity, Dr. Fei-Fei Li Huberman Lab · 2026년 8월 10일 ↗ 08 How Successful Are AI-Discovered Drugs in Clinical Trials? A First Analysis and Emerging Lessons Jayatunga, et al. · Drug Discovery Today 29(6) · 2024년 6월 ↗ 09 Responsible Use of AI in Healthcare (RUAIH) Joint Commission and Coalition for Health AI · 2025년 9월 ↗ 10 From Words to Worlds: Spatial Intelligence Is AI's Next Frontier Li, F-F. · 2025년 11월 10일 ↗ 11 Ambient AI Scribes in Clinical Practice: A Randomized Trial Lukac, et al. · NEJM AI 2(12) · 2025년 11월 26일 온라인 게재 ↗ 12 Automatic Detection of Hand Hygiene Using Computer Vision Technology Singh, Haque, et al. · JAMIA 27(8) · 2020년 7월 ↗ 13 Smarter Hospitals: How AI-Enabled Sensors Could Save Lives Stanford HAI · 2020년 9월 ↗ 14 Global Strategy on Human Resources for Health: Workforce 2030 (EB156/15) World Health Organization Executive Board · 2024년 12월 20일 ↗ 15 Patient Safety (Fact Sheet) World Health Organization ↗ 16 A Generative AI-Discovered TNIK Inhibitor for Idiopathic Pulmonary Fibrosis: A Randomized Phase 2a Trial Xu, Z., et al. · Nature Medicine 31(8), 2602–2610 · 2025년 6월 3일 온라인 게재 ↗ 17 A Computer Vision System for Deep Learning-Based Detection of Patient Mobilization Activities in the ICU Yeung, S., et al. · npj Digital Medicine 2, 11 · 2019년 3월 ↗
조사 노트. 17개 참고 문헌 URL은 한국어 원문 PDF에 직접 수록되어 있으며, EN 버전의 목록과 정확히 일치합니다. 별도 조사 없이 그대로 사용했습니다.

About This Article

본 아티클은 메이크봇의 글로벌 리서치 조직이 영어로 초안을 작성한 후, 국내 엔터프라이즈 환경과 시장 맥락에 맞춰 한국어로 재구성·편집되었습니다. 메이크봇은 단순한 번역이나 요약이 아닌, 글로벌 AI 시장에서 논의되는 구조적 변화와 기술 흐름을 한국 기업이 실제로 적용 가능한 전략 언어로 전환하는 것을 콘텐츠의 핵심 원칙으로 삼고 있습니다. 본 아티클에 담긴 관점과 해석은 메이크봇이 수행해 온 다수의 엔터프라이즈 AI 프로젝트에서 축적된 실무 경험, 글로벌 리서치 조직의 지속적인 시장·기술 분석, 그리고 메이크봇 CEO의 기술적·전략적 검토를 거쳐 완성되었습니다.

This article is also available in English.

Continue the Conversation

본 아티클에서 제시한 접근 방식을 실제 생성형 AI 전환에 적용해보고 싶다면,
메이크봇과 논의해보세요.

AI 전환 상담 신청하기

Latest stories

More Stories

Makebot Insight Center

기술 도입을 넘어, 기업의 경쟁력을 재정의하는 메이크봇만의 독보적인 데이터와 통찰을 만나보세요.

[최신백서]

Vol.05 | 모델이 아니라 연결이 이긴다: 6대 산업 AI 구축을 위한 수직적 인텔리전스

AI전략 백서 시리즈 전체보기