Primary Keywords : 헬스케어 AI (AI in healthcare) , 에이전틱 AI (Agentic AI) , 생성형 AI (Generative AI) , 대형 언어 모델 / LLM (Large Language Models) , 헬스케어 임원 AI 도입 (Healthcare executives AI adoption) , Deloitte 보고서 (Deloitte report) , 에이전틱 AI 가치 헬스케어 (Agentic AI value healthcare)

들어가며

80%. 이것은 Deloitte의 2026년 글로벌 헬스케어 아웃룩에 따르면, 에이전틱 AI가 향후 2년 내에 조직에 측정 가능한 가치를 제공할 것으로 기대하는 의료 임원의 비율입니다. 이 수치는 단순한 낙관론을 넘어, 업계가 인공지능을 바라보는 시각이 생산성 도구에서 운영 인프라 레이어로 근본적으로 재편되고 있음을 보여줍니다.

지난 3년간 대부분의 헬스케어 AI 논의는 생성형 AI가 주도했습니다. 임상의들은 퇴원 요약서 초안 작성에 활용했고, 코더들은 의료 청구 업무를 가속화했으며, 행정 담당자들은 환자 커뮤니케이션 생성에 사용했습니다. 이러한 활용 사례들은 실질적인 가치를 제공했지만, 공통된 한계를 지니고 있었습니다. 모든 출력물에 대해 인간이 직접 프롬프트를 입력하고, 검토하고, 행동해야 했다는 점입니다.

에이전틱 AI는 그 한계를 돌파합니다. 프롬프트를 기다리지 않습니다. 목표를 추구하고, 다단계 워크플로우를 실행하며, 임상 도구와 데이터 시스템을 활용하고, 실시간 결과에 따라 전략을 조정합니다. 이 변화가 기술적, 운영적, 전략적으로 무엇을 의미하는지 이해하는 것은 2026년을 헤쳐나가는 모든 의료 임원, AI 실무자, 디지털 헬스 리더에게 이제 필수적인 과제입니다.

Deloitte가 보내는 신호: 80%가 중요한 이유

Deloitte 2026년 보고서의 80% 수치는 단독으로 존재하는 데이터 포인트가 아닙니다. 이는 헬스케어 임원들의 AI 도입이 가속화되는 더 큰 흐름 속에 위치합니다. Deloitte의 2024년 동등한 설문조사에서는 절반에도 미치지 못하는 의료 리더만이 AI가 단기적 운영 가치를 제공할 것이라는 확신을 표명했습니다. 2년 만에 80%로 도약한 것은 여러 요인의 수렴을 반영합니다. 에이전틱 플랫폼의 성숙, ROI를 입증하는 초기 파일럿 결과, 그리고 만성적인 인력 부족과 상승하는 운영 비용을 해결해야 한다는 의료 시스템에 대한 압박 증가가 그 배경입니다.

Deloitte의 조사 결과는 또한 임원들이 그 가치가 어디에서 실현될 것으로 기대하는지를 보여줍니다. 상위 3개 예상 영향 분야는 임상 워크플로우 자동화(응답자의 67% 언급), 행정 부담 감소(61%), 임상 의사결정 지원(54%)입니다. 이는 주변적인 기능들이 아닙니다. 의료 시스템이 비용과 임상의 시간을 가장 많이 소모하는 핵심 영역들입니다.

시사점은 명확합니다. 헬스케어 분야의 에이전틱 AI는 더 이상 미래의 목표가 아닙니다. 조사에 참여한 대다수 의료 시스템 리더들에게 이는 단기적인 운영상의 베팅입니다. 전략적 질문은 "투자해야 하는가?"에서 "어떻게 책임감 있고 확장 가능하게 배포할 것인가?"로 이동했습니다.

헬스케어 AI 에이전트 시대의 개막: 스탠퍼드가 제시한 로드맵. 더 읽어보기! 

헬스케어에서의 에이전틱 AI란 무엇인가?

에이전틱 AI는 장기적인 시간 지평에 걸쳐 목표를 자율적으로 추구하도록 설계된 AI 시스템을 의미합니다. 단계 사이에 최소한의 인간 개입만으로 계획 수립, 의사결정, 도구 활용, 순차적 행동 실행을 수행합니다. 헬스케어 맥락에서 이 정의는 구체적이고 고위험적인 의미를 갖습니다.

사전 승인 워크플로우를 예로 들어보겠습니다. 오늘날 이 프로세스는 일반적으로 임상의가 케이스를 문서화하고, 코더가 요청서를 제출하고, 보험사 담당자가 후속 조치를 취하고, 관리자가 예외 상황을 처리하는 일련의 업무 인계를 필요로 합니다. 이 과정은 3일에서 7일이 소요될 수 있습니다. 이 워크플로우를 맡은 에이전틱 AI 시스템은 환자 기록을 불러오고, 보험사의 보장 기준을 검토하고, 승인 요청서를 작성해 제출하고, 응답 대기열을 모니터링하고, 예외 사항을 인간 검토를 위해 플래그 처리하고, EHR을 업데이트합니다. 이 모든 과정이 각 단계마다 인간의 개입 없이 이루어집니다.

이것이 에이전틱 AI의 핵심적 특성입니다. 단순한 지능이 아니라, 시스템, 데이터 소스, 의사결정 지점 전반에 걸친 자율적 오케스트레이션입니다. 이 아키텍처는 표준 생성형 모델에는 없는 네 가지 역량을 포함합니다.

• 목표 분해 — 고수준의 임상 또는 행정 목표를 실행 가능한 하위 작업으로 세분화
• 도구 활용 — EHR 시스템, 보험사 포털, 검사실 데이터베이스, 일정 API, 임상 의사결정 지원 도구에 연결
• 메모리 및 상태 관리 — 컨텍스트 손실 없이 단계와 세션 전반에 걸쳐 워크플로우 진행 상황 추적
• 자가 교정 — 오류 또는 예상치 못한 결과를 감지하고 인간에게 에스컬레이션하기 전에 전략을 조정

2025년까지 Mayo Clinic, Kaiser Permanente를 비롯한 여러 대형 학술 의료 센터들이 임상 문서화부터 공급망 최적화에 이르기까지 다양한 분야에서 에이전틱 AI 파일럿을 운영하고 있었습니다.

OpenAI 보고서가 밝힌 헬스케어 분야의 엔터프라이즈 AI 도입 가속화. 자세히 알아보기! 

헬스케어에서 생성형 AI와 LLM의 역할

헬스케어에서의 에이전틱 AI를 이해하려면 먼저 그 기반인 생성형 AI와 대형 언어 모델(LLM)을 이해해야 합니다. 이 둘은 별개의 범주가 아닙니다. 에이전틱 시스템은 LLM을 핵심 추론 엔진으로 활용합니다. 생성형 역량은 에이전트가 임상 언어를 이해하고, 비정형 노트를 해석하며, 사람이 읽을 수 있는 출력물을 생성하고, 케어 팀 역할 전반에 걸쳐 소통할 수 있게 합니다.

헬스케어 분야의 대형 언어 모델은 독립적인 도구로서도 이미 의미 있는 영향을 입증했습니다. GPT-4, Med-PaLM 2, BioMedLM은 의료 면허 시험, 방사선 보고서 해석, 감별 진단 생성에서 전문의 수준에 근접하는 임상 성능을 보여주었습니다. 2024년 Nature Medicine에 발표된 연구에 따르면, LLM 기반 임상 문서화 지원은 의사의 노트 작성 시간을 평균 33% 단축시켰으며, 동료 검토를 통해 측정한 문서화 품질에는 유의미한 저하가 없었습니다.

그러나 핵심적인 차이는 생성형 AI와 LLM 단독으로는 반응적(reactive)이라는 점입니다. 프롬프트에 응답할 뿐, 스스로 시작하거나 계획하거나 실행하지 않습니다. 에이전틱 AI는 이 생성형 지능을 상태를 관리하고, 작업을 라우팅하며, 오류를 처리하고, 결과를 향해 나아가는 오케스트레이션 아키텍처 안에 통합합니다. 헬스케어 관점에서 말하자면, 생성형 AI는 의뢰 서한을 초안 작성할 수 있습니다. 에이전틱 AI는 의뢰의 필요성을 파악하고, 서한을 생성하고, 적절한 전문의에게 라우팅하고, 예약을 잡고, 치료 계획을 업데이트할 수 있습니다. 매 단계마다 지시를 받지 않고서도 말입니다.

검색을 넘어: LLM·RAG가 개편하는 B2B 마케팅의 새로운 룰. 계속 읽기! 

실제 활용 사례: 에이전틱 AI가 가치를 창출하는 곳

Deloitte 보고서의 80% 임원 신뢰 수치는 실제 배포 현장에서 나온 초기 증거에 기반합니다. 2024~2025년 에이전틱 AI 파일럿에 참여한 의료 시스템들에서 몇 가지 활용 사례 범주가 가장 높은 임팩트를 지속적으로 보여주었습니다.

임상 문서화 및 앰비언트 AI

환자와 임상의의 만남을 청취하고, 구조화된 SOAP 노트를 생성하며, EHR을 업데이트하고, 누락된 문서화 요소를 플래그 처리하는 에이전틱 시스템인 앰비언트 임상 인텔리전스는 헬스케어에서 가장 성숙한 에이전틱 배포 범주입니다. 2025년 말 500개 이상의 의료 시스템에 배포된 Nuance DAX Copilot은 진료 건당 문서화 시간을 중앙값 기준 50% 단축하고, 임상의 만족도 점수를 22퍼센트포인트 개선한 것으로 나타났습니다.

사전 승인 자동화

사전 승인은 미국 헬스케어에서 가장 비용이 많이 들고 임상의들이 가장 불만스러워하는 행정 프로세스 중 하나입니다. 임상 기준을 확인하고, 보험사 요건을 교차 검토하며, 요청서를 제출하고, 예외 사항을 관리하는 이 워크플로우를 위해 특별히 구축된 에이전틱 AI 시스템은 Olive AI와 Cohere Health의 2025년 배포 보고서에 따르면, 통제된 파일럿에서 승인 처리 주기를 60~70% 단축하는 성과를 보였습니다.

환자 분류 및 케어 코디네이션

응급 및 긴급 케어 환경에서 에이전틱 AI 시스템은 증상 입력, 활력 징후, EHR 이력을 기반으로 환자를 사전 분류하는 데 활용되고 있습니다. 고중증도 케이스는 즉시 검토를 위해 라우팅하고, 저중증도 케이스는 전문 간호사나 원격 의료 대기열로 연결합니다. Intermountain Health의 초기 구현 사례에서는 저중증도 내원 환자의 평균 내원부터 의사 진료까지의 시간이 28% 단축되었습니다.

공급망 및 재고 관리

병원 공급망은 높은 변동성 속에서 얇은 마진으로 운영됩니다. 소비 패턴을 모니터링하고, 수요 변동을 예측하며, 공급업체 커뮤니케이션을 관리하고, 재주문 워크플로우를 트리거하는 에이전틱 AI 시스템은 의료 시스템 파일럿에서 재고 비용을 12~18% 절감하는 것으로 나타났습니다. 이는 공급망이 일반적인 병원의 비노동 운영 비용의 30~40%를 차지한다는 점을 고려할 때 상당히 의미 있는 수치입니다.

AI-Native 병원의 시대: 2026년 의료 혁신을 규정하는 10대 트렌드. 자세한 내용은 여기에서 확인하세요! 

도전 과제, 리스크, 그리고 구현 장벽

Deloitte 보고서에 담긴 임원들의 낙관론은 실재합니다. 그러나 현재의 기대감과 실제 규모 있는 배포 사이에 놓인 장벽을 도 마찬가지로 실제 합니다. 헬스케어 AI 실무자와 의료 시스템 CIO들이 일관되게 지적하는 구현 리스크 범주는 네 가지입니다.

• 데이터 프라이버시 및 규정 준수는 가장 많이 언급되는 장벽으로 남아 있습니다. 보호 건강 정보(PHI) 처리에 관한 HIPAA의 요건은 에이전틱 AI가 컨텍스트를 저장할 수 있는 위치, 접근 가능한 도구, 감사 추적 유지 방식에 엄격한 제약을 부과합니다. 세션 간 영속적 메모리를 유지하는 에이전틱 시스템은 특히 면밀한 검토를 받습니다. 세션 간 메모리가 HIPAA의 최소 필요 기준과 어떻게 상호작용하는지에 대한 규제 기관의 명확한 지침이 아직 나오지 않았기 때문입니다.
• EHR 통합 복잡성은 두 번째 주요 마찰 지점입니다. 대부분의 의료 시스템은 자율 에이전트와의 실시간 API 수준의 상호작용을 위해 설계되지 않은 레거시 EHR 플랫폼인 Epic, Cerner, Meditech로 운영됩니다. 파일럿 환경에서 간단해 보였던 통합 프로젝트들이 데이터 정규화 문제, API 속도 제한, 워크플로우 종속성으로 인해 6~18개월이나 일정이 지연되는 경우가 빈번합니다.
• 알고리즘 편향 및 임상 형평성은 명시적인 거버넌스 주의가 필요한 리스크 범주입니다. 역사적 임상 데이터로 훈련된 LLM은 해당 데이터에 내재된 편향, 즉 인종, 성별, 사회경제적 지위에 따른 진단 및 치료 패턴의 불균형을 그대로 계승합니다. 편향 감사 없이 임상 의사결정 지원을 자동화하는 에이전틱 시스템은 이러한 불평등을 대규모로 체계적으로 증폭시킬 수 있습니다.
• 임상의 신뢰 및 도입은 네 번째 장벽이며, 아마도 가장 과소평가된 요소일 것입니다. 기술적으로 완성도가 높은 에이전틱 배포도 임상 직원들이 시스템의 출력물을 신뢰하지 않거나 자신들의 전문적 판단이 우회된다고 느낄 때 실패합니다. 최고의 도입 결과를 달성하는 의료 시스템들은 배포 전과 배포 중에 임상의 공동 설계, 투명한 설명 가능성, 명확한 인간 재정의 메커니즘에 많은 투자를 합니다.

헬스케어 커뮤니케이션의 재편: AI 챗봇은 왜 ‘옵션’이 아닌 ‘인프라’가 되었는가. 더 읽어보기! 

헬스케어 AI의 미래: 2026년 그리고 그 이후

의료 임원의 80%가 에이전틱 AI의 가치 실현을 기대한다는 Deloitte의 조사 결과는 기술에 관한 예측이 아니라, 조직적 의지에 관한 선언으로 이해하는 것이 가장 적절합니다. 기술은 대체로 준비되어 있습니다. 2026년과 그 이후의 핵심 질문은 의료 시스템이 이를 책임감 있게 배포하기 위한 조직적, 규제적, 윤리적 인프라를 구축할 수 있느냐입니다.

이 궤적을 형성할 몇 가지 힘이 있습니다. 첫째, 규제 명확성이 진전되고 있습니다. AI 기반 의료 기기에 관한 FDA의 2025년 지침과 HHS의 헬스케어 AI 안전 프레임워크가 결합되어, 의료 시스템 법무팀이 더 광범위한 에이전틱 배포를 승인하는 데 필요한 컴플라이언스 골격을 제공하기 시작했습니다. 둘째, 기반 모델의 전문화가 가속화되고 있습니다. Med-PaLM 2, BioGPT, 그리고 선별된 EHR 데이터셋으로 미세 조정된 신규 임상 LLM들이 범용 AI와 도메인 특화 AI 간의 성능 격차를 좁혀가고 있어, 고위험 임상 맥락에서 에이전틱 시스템의 신뢰성을 높이고 있습니다.

셋째, 그리고 가장 결정적으로, 경제적 논리가 부정할 수 없는 수준에 이르고 있습니다. 2025년 JAMA 분석에 따르면 미국 의료 시스템이 연간 1조 5천억 달러의 행정 낭비에 직면해 있으며, 2030년까지 320만 명의 의료 인력 부족이 예상되는 상황에서, 고용량의 규칙 기반 워크플로우를 처리할 수 있는 자율 시스템 배포에 대한 압박은 전략적 선택이 아닌 구조적 필요입니다.

향후 10년간 헬스케어 AI를 정의할 조직은 가장 진보한 모델로 실험하는 곳이 아닙니다. 자율 AI를 신뢰할 수 있을 만큼 확장 가능하게 만드는 거버넌스 프레임워크, 임상 통합 아키텍처, 그리고 변화 관리 역량에 지금 투자하고 있는 조직들입니다.

한국의 AI 혁신을 세계에 알리다: 이탈리아 SIGIR 2025에서 공개된 메이크봇의 HybridRAG 프레임워크. 여기서 더 읽어보세요!

결론

Deloitte의 2026년 보고서에서 나온 80%라는 신뢰 수치는 목적지가 아닌 이정표입니다. 이는 헬스케어 분야의 에이전틱 AI가 투기적 관심에서 임원급 의지로 전환된 순간을 표시합니다. 의료 시스템 리더들이 AI가 운영을 변혁할 것인지 묻는 것을 멈추고, 그 변혁을 안전하고 확장 가능하며 공평하게 만드는 방법을 묻기 시작한 시점입니다.

앞으로의 길은 큰 그림에서는 명확하지만 실행에서는 까다롭습니다. 생성형 AI와 대형 언어 모델은 이미 콘텐츠 및 의사결정 지원 도구로서의 가치를 입증했습니다. 에이전틱 AI는 그 가치를 운영 인프라로 확장합니다. 임상의의 시간을 소모하고, 행정 비용을 높이며, 환자 치료를 지연시키는 조정 집약적이고 규칙 기반의 워크플로우를 자동화하는 것입니다. 2026년과 그 이후를 선도할 조직은 가장 정교한 모델을 보유한 곳이 아닙니다. 가장 엄격한 거버넌스, 가장 깊은 임상 통합, 그리고 자율 실행이 가치를 창출하는 곳과 인간의 판단이 루프 안에 남아야 하는 곳에 대한 가장 명확한 이해를 갖춘 조직들입니다.

헬스케어는 언제나 혁신과 책임 사이의 긴장으로 정의되어 왔습니다. 에이전틱 AI는 그 긴장을 해소하지 않습니다. 오히려 위험성을 높입니다. 그 방정식의 양면을 모두 이해하는 임원들이 앞으로 10년간 환자 케어의 모습을 결정하게 될 것입니다.

참고 문헌

1. Deloitte. (2026). Global Health Care Outlook 2026: Navigating the New Health Frontier. https://www.deloitte.com/global/en/Industries/life-sciences-health-care/perspectives/global-health-care-sector-outlook.html
2. Deloitte. (2024). 2024 Global Health Care Consumer Survey. https://www.deloitte.com/us/en/industries/life-sciences-health-care/analysis/health-care-consumer-survey.html
3. Nuance Communications. (2025). DAX Copilot Clinical Impact Report. https://www.nuance.com/healthcare/ambient-clinical-intelligence.html
4. Cohere Health. (2025). Prior Authorization Automation: 2025 Outcomes Report. https://coherehealth.com/resources/
5. JAMA. (2025). Administrative Waste in the U.S. Healthcare System: 2025 Estimate. https://jamanetwork.com/journals/jama
6. Singhal, K. et al. (2023). Large Language Models Encode Clinical Knowledge (Med-PaLM 2). Nature. https://www.nature.com/articles/s41586-023-06291-2
7. Savage, N. (2024). AI in Clinical Documentation: LLM Performance in Practice. Nature Medicine. https://www.nature.com/nm
8. U.S. Department of Health & Human Services. (2025). HHS AI Safety and Innovation Framework for Healthcare. https://www.hhs.gov/about/agencies/asa/ocio/ai/index.html
9. U.S. Food & Drug Administration. (2025). Artificial Intelligence and Machine Learning in Medical Devices: 2025 Guidance Update. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-software-medical-device
10. McKinsey & Company. (2025). Transforming Healthcare with AI: The Impact on the Workforce and Organizations. https://www.mckinsey.com/industries/healthcare/our-insights

‍