Aunque la IA tiene el potencial de transformar la atención médica en todo el mundo, el progreso se está topando actualmente con un muro invisible. Los obstáculos son los sistemas de datos obsoletos. A esta conclusión llega el Foro Económico Mundial (FEM) en el informe publicado en vísperas de su reunión anual en Davos, llamado ‘La IA puede transformar la asistencia sanitaria si transformamos nuestra arquitectura de datos’.

Según el estudio, décadas de registros aislados, formatos incompatibles e infraestructuras rígidas frenan el progreso. Para que la IA no siga siendo solo una herramienta para tareas específicas, sino que se convierta en un sistema autónomo y capaz de aprender, el FEM considera que el sector sanitario debe replantearse desde cero su arquitectura de datos.

Urge salir de la trampa del silo

Hasta ahora, las estructuras se basaban a menudo en entradas manuales y actualizaciones diferidas. Sin embargo, el futuro pertenecerá a un canal de datos inteligente y unificado que limpie la información de los sensores y las fuentes automatizadas en tiempo real y la haga directamente legible para la IA. En lugar de almacenarse en rígidas bases de datos relacionales, la información se almacena cada vez más en bases de datos gráficas multidimensionales que permiten comprender inmediatamente el contexto y el significado.

El FEM considera que otro gran problema es la investigación médica. En este ámbito, muchos conocimientos valiosos permanecen ocultos en notas o imágenes complejas, ya que son difíciles de encontrar con una búsqueda convencional. Aquí es donde entra en juego la denominada vectorización: los datos multimodales, desde textos hasta secuencias genómicas y señales clínicas, se convierten en incrustaciones numéricas. Esto permite a la IA reconocer relaciones profundas, como comparar síntomas con casos anteriores o recuperar resultados de investigación relevantes con la máxima precisión.

Seguridad y confianza

En definitiva, según el FEM, un sistema sanitario moderno necesita un data lakehouse. Es decir, un lugar de almacenamiento centralizado en el que los datos de los laboratorios, los wearables y las aplicaciones de los pacientes confluyan de forma segura y estén disponibles para su análisis. Para que la protección de datos no se quede en el camino, una fábrica de datos inteligente debe garantizar que solo los usuarios autorizados tengan acceso y que la información sea coherente.

Para garantizar que las recomendaciones de IA para los médicos sean comprensibles y fiables, éstas deben basarse en conocimientos clínicos validados. Los denominados gráficos del conocimiento podrían servir como guías para garantizar que los resultados de la IA se ajusten a las directrices médicas.

Esta transformación de la IA es más que una simple renovación tecnológica. Según la valoración del FEM, para las naciones soberanas, la creación de una arquitectura de datos preparada para la IA significa considerar la sanidad como un recurso nacional. Y, desde el punto de vista del foro, esta transformación radical es indispensable. Solo así los países podrán garantizar una atención mejor y personalizada y aprovechar al máximo el potencial de una IA con capacidad de autoaprendizaje.

오픈AI가 샌프란시스코 기반 스타트업 토치헬스(Torch Health)를 인수했다. 업계 분석가들은 이번 인수가 지난주 출시된 오픈AI의 ‘챗GPT 건강(ChatGPT Health)’ 이니셔티브를 강화하기 위한 전략적 행보라고 평가하고 있다.

오픈AI는 지난주 블로그 게시물을 통해 챗GPT 건강의 비전을 구체적으로 설명했다. 사용자가 자신의 의료 기록과 애플 헬스, 펑션, 마이피트니스팔과 같은 건강 앱을 연결해 최근 검사 결과를 이해하고, 병원 진료를 준비하거나 개인의 의료 이용 패턴을 바탕으로 식단 관리 방법과 보험 옵션 간의 선택지를 파악할 수 있도록 돕는 챗봇을 구현하겠다는 구상이다.

토치헬스 역시 비슷한 문제 해결에 주력해 온 기업이다. 창업자들에 따르면 토치헬스는 진료 기록, 검사 보고서, 웨어러블 데이터, 소비자 웰니스 검사 결과, 분산된 의료 포털의 정보를 AI로 통합해 개인이 의료 기록을 보다 쉽게 이해할 수 있도록 돕는 애플리케이션을 개발해 왔다.

토치헬스는 “AI를 위한 의료 메모리를 구축하기 위해 시작했다. 흩어져 있는 의료 기록을 하나의 맥락 엔진으로 통합해 전체 그림을 볼 수 있도록 하고, 정보 간의 연결고리를 찾아 중요한 내용이 다시는 소음 속에 묻히지 않도록 돕는 것이 목표였다”라고 설명했다.

HFS리서치의 부실무책임자 악샤트 티아기는 토치헬스의 기술이 챗GPT 건강 개발을 가속화할 것이라고 분석하면서, 오픈AI가 의료 분야에 특화된 서비스를 정교화하는 데 기여할 것이라고 평가했다. 의료 분야는 위험 민감도가 높고 규제가 강한 만큼, 티아기는 데이터 파편화 문제를 해결하는 것이 가장 시급한 과제라고 지적했다. 데이터 통합이 가능해질 경우, 보다 신뢰도 높고 정확한 응답을 제공하는 애플리케이션의 기반이 마련될 수 있다고 그는 설명했다.

앤트로픽도 의료 AI로 범위 넓혀

오픈AI만 의료 시장에 뛰어든 것은 아니다. 오픈AI의 경쟁사 앤트로픽 역시 AI 소프트웨어·서비스 기업 가운데 의료 분야 진출에 속도를 내고 있다.

앤트로픽은 최근 공개한 블로그에서 ‘클로드 포 라이프 사이언스’ 제품군의 기능을 강화하고 ‘클로드 포 헬스케어’를 추가한다고 밝혔다.

앤트로픽에 따르면 클로드 포 헬스케어는 의료 제공자, 보험사, 소비자가 HIPAA(의료정보 보호법) 요건을 충족하는 환경에서 의료 데이터를 활용할 수 있도록 지원하는 도구와 리소스로 구성된다.

오픈AI 역시 ‘오픈AI 포 헬스케어’라는 이름의 유사한 제품을 출시했다. 이 제품 역시 의료 분야 내 다양한 이해관계자를 겨냥한 도구로 구성돼 있다.

업계 분석가들은 오픈AI와 앤트로픽의 잇따른 의료 분야 진출을 두고, LLM 기술이 의료 분야에서 사용될 만큼 충분히 성숙 단계에 이르렀다는 신호로 해석하고 있다. 동시에 이는 의료 시스템 전반에서 기반 지능 레이어 자리를 차지하기 위한 경쟁이 본격화되고 있음을 보여준다는 평가다.

티아기는 “이전 모델은 신뢰성이 충분하지 않았다. 하지만 현재의 모델은 임상 기록을 요약하고, 환자와의 커뮤니케이션을 지원하며, 문서 작업을 보조하고, 관련 의료 문헌을 찾아 제시함으로써 의료진의 수작업 부담을 실제로 줄일 수 있는 수준에 이르렀다”라고 진단했다.

티아기는 비용 상승과 의료진 번아웃이 심화되는 가운데, 의료 시스템 전반이 진료의 질을 훼손하지 않으면서 효율성을 높일 수 있는 해법을 모색하고 있다고 분석했다. 이런 상황에서 임상이나 행정 워크플로우에 조기에 자리 잡는 기업이 장기적인 전략적 위치를 확보할 수 있다고 그는 지적했다. 한 번 AI 시스템이 해당 프로세스 안에서 신뢰를 얻으면, 이를 다른 시스템으로 대체하기 매우 어려워진다는 설명이다.

오픈AI와 앤트로픽은 모두 의료진을 대체하거나 치료를 제공하려는 목적은 없으며, 의료진을 보조하는 역할에 집중하고 있다고 밝혔다. 오픈AI는 사용자 건강 데이터를 모델 학습에 활용하지 않겠다는 방침도 함께 제시했다.
dl-ciokorea@foundryco.com

When I first began leading AI programs across healthcare and insurance, I kept seeing the same pattern repeat itself. The early stages looked encouraging. Models performed well in controlled environments, small teams reported strong accuracy and executives saw dashboards that suggested meaningful impact. But as soon as we attempted to move those same models into full operational workflows, the results changed. Accuracy dipped, exceptions grew and the expected improvements in cycle time or member experience did not appear.

That moment, the shift from pilot success to production friction, revealed something deeper about AI in regulated industries. These organizations are not struggling with innovation. They are struggling with readiness. The pilot looks promising because it operates inside a narrow, curated world. Scaling requires an ecosystem that is aligned, governed and capable of absorbing new forms of intelligence. Most enterprises are not built for that yet and that gap between possibility and readiness is becoming more visible as AI moves from experimentation to real operations.

Let’s continue the narrative I built in my earlier CIO pieces on CRM, AI and the healthcare experience. We’ve focused on how AI and CRM help organizations move beyond transactional processes and toward more proactive models of engagement. The next step in that journey is understanding why so many AI initiatives stall on the path from promise to performance and what CIOs can do to close that gap.

Why pilots create a false sense of confidence

AI pilots succeed because they avoid real-world conditions. They operate on clean datasets, constrained workflows and a level of manual support that no enterprise can sustain. In one healthcare program I led, a risk prediction model delivered strong accuracy during testing. Once we connected it to multiple clinical, claims and eligibility systems, the model behaved differently. The issue was not the algorithm. It was the environment around it.

Pilots provide clarity because they filter out everything that makes healthcare and insurance difficult. Production systems reintroduce the complexity that pilots deliberately remove. Data becomes inconsistent. Workflows expand. Roles multiply. Compliance teams ask new questions. What appeared efficient in a contained environment suddenly feels fragile and incomplete.

This pattern is not just something I have seen in individual programs. External analyses show the same thing. McKinsey, for example, has documented how many payers remain stuck in pilot mode because their data, processes and operating models are not ready for AI at scale.

I began seeing the same dynamic in other regulated sectors as well. In a manufacturing program I supported, an equipment failure prediction model performed well in engineering pilots but struggled once connected to maintenance workflows, supplier data and plant-floor operations. In banking, a fraud-risk model delivered strong early accuracy but failed to scale because the surrounding compliance reviews and case management systems were not designed to absorb algorithmic decisions. These industries differed in context, but the readiness gap appeared for the same reason: the supporting environment could not sustain the weight of enterprise AI.

Where AI breaks when organizations try to scale

Across healthcare and insurance, the breakdown tends to happen in the same places. The first is data fragmentation. Clinical information lives in electronic records. Claims data lives in adjudication systems. Member interactions live inside CRM platforms. Pharmacy data, care management notes, eligibility information and provider relationships each have their own systems. A model trained on one dataset cannot handle the reality of workflows that cross 10 or more environments.

The second breakdown happens at the workflow layer. Pilots isolate a decision. Production requires that decision to move through people, systems and documentation requirements. A predicted risk score means nothing if it cannot be routed to a nurse, documented for compliance, recorded in CRM and tracked for audit purposes. Many organizations reach this point and realize they lack the operational foundation to support AI-driven decisions at scale.

The third breakdown is contextual. Humans interpret data through policy, history, clinical appropriateness, operational nuance and lived experience. AI does not have that instinct unless it is trained, governed and monitored in a way that reflects actual decision-making. In pilots, analysts bridge the gap manually. In production, the absence of context becomes a source of friction.

The final breakdown involves compliance. Healthcare and insurance operate under strict oversight. AI-driven decisions must be explainable, traceable and ethically defensible. A system that cannot demonstrate why it decided or how it treated different populations will not pass regulatory review. This does not slow innovation. It slows ungoverned innovation, which is exactly the concern behind emerging frameworks such as the EU Artificial Intelligence Act and the U.S. Algorithmic Accountability Act of 2023.

The cultural readiness gap

Technology gaps can be addressed with time and investment. Cultural gaps take longer. Many organizations still treat AI as a project inside data science or analytics teams. They celebrate proofs-of-concept but do not build the operational or governance environment required to support continuous learning and deployment.

In one health plan I worked with, a model predicting medication nonadherence delivered accurate insights, but adoption was low. Care coordinators did not understand how the model generated recommendations, so they distrusted its output. When we introduced transparent explanations, training sessions and role-based views, adoption increased dramatically.

This experience reinforced an important reality: People do not adopt what they cannot trust. And trust is not created through accuracy metrics. It is created through clarity, collaboration and visibility. These breakdowns reveal a clear pattern in which AI has matured faster than the operational and governance structures required to support it. This is why the CIO’s role is shifting from system integration to readiness orchestration.

The CIO’s role in closing the readiness gap

CIOs are uniquely positioned to bridge the gap between technical possibility and operational reality. They sit at the intersections of data, governance, compliance, workflow design and enterprise leadership. AI cannot scale until these elements come together in a structured and predictable way.

The first area CIOs must focus on is data readiness. Healthcare and insurance do not need a single consolidated dataset. They need aligned definitions, lineage and quality standards that allow models to behave consistently across workflows. This requires collaboration between technology, clinical, claims and service teams. Without that alignment, AI produces insights that break as soon as they cross departmental boundaries.

The second area is operational readiness. AI must be integrated into the systems teams already use. A model has little value if it only produces a score. The real value appears when that score routes into a CRM console, triggers a task, enters a case management queue or initiates proactive outreach. This integration turns AI from an analytical tool into an operational capability.

The third area is governance. AI in regulated industries must be explainable, testable and monitored continuously. A responsible AI framework ensures that models meet fairness expectations, documentation requirements and audit standards. Governance should not be a checkpoint at the end of deployment. It should be embedded into the design. Much of this is now being framed as a digital trust challenge. Deloitte, for example, highlights how enterprises that invest in governance, transparency and accountability build an advantage in “Earning digital trust.”

The fourth area is measurement. Pilots often focus on accuracy metrics. Enterprises care about impact. CIOs must redefine success through operational outcomes such as reduced cycle time, improved member satisfaction, lower rework and stronger compliance posture. This shift in measurement helps organizations focus on what matters most.

Finally, organizations must redesign processes around intelligence. AI changes how the work flows: Decisions move earlier in the process. Exceptions become clearer. Proactive outreach becomes possible. CIOs must help teams rethink workflows so AI becomes a structural part of operations rather than a tool sitting beside them.

The CIO is now the connective leader who brings data, compliance, clinical insight, claims operations and customer experience together under a single readiness model. That responsibility goes far beyond technical implementation. It involves shaping behaviors, redesigning workflows, establishing shared definitions and ensuring that every algorithm introduced into the enterprise is explainable, traceable and actionable. Without this cross-functional alignment, even the best models will fail to scale.

Moving from experimentation to enterprise value

Healthcare and insurance organizations are facing a moment where the limitations of pilot-driven innovation are becoming clear. They do not lack ideas or algorithms. They lack readiness. And readiness is not about technology. It is about leadership, design and alignment.

The organizations that scale AI successfully do not treat it as a project. They treat it as a capability that requires shared ownership. They invest in data alignment, operational integration, governance visibility and behavioral readiness. They understand that AI becomes powerful only when it becomes part of how the enterprise thinks, acts and learns.

As I reflect on the organizations that have successfully scaled AI, one lesson stands out. Transformation does not come from the model; it comes from the readiness of the enterprise around it. Technology alone has never changed healthcare or insurance. Alignment, trust and disciplined execution have. When CIOs focus on readiness as much as innovation, AI stops being an experiment and becomes a structural capability that improves outcomes, strengthens compliance and makes complex systems feel more human rather than more technical.

This article is published as part of the Foundry Expert Contributor Network.
Want to join?

이번에 공개된 클로드 포 헬스케어는 의료 제공자와 보험사, 환자들이 HIPAA(의료정보 보호법) 기준을 충족하는 환경에서 의료 데이터를 활용할 수 있도록 설계됐다. 핵심 특징은 의료 데이터 접근성과 행정 업무 자동화를 동시에 강화했다는 점이다. 특히 미국 의료 시스템에서 사용하는 미국 메디케어·메디케이드 서비스센터(CMS) 보장 데이터베이스, 국제질병분류(ICD-10) 코드, 국가 의료인 식별 등록부(NPI Registry) 등 의료 데이터베이스와 연동된다.

앤트로픽은 공식 블로그를 통해 “클로드 포 헬스케어로 사전승인 검토 프로세스를 가속화하고, 보험 청구 이의신청 자료를 작성하며, 환자 메시지를 분류해 긴급한 사안을 식별하는 등의 업무를 지원할 수 있다”라고 설명했다.

앤트로픽은 이번 서비스를 통해 보장 기준과 임상 가이드라인, 환자 기록이 여러 시스템에 분산돼 수작업 확인이 필요했던 기존 사전 승인 절차를 보완할 수 있을 것으로 보고 있다. 클로드는 관련 정보를 종합해 승인 판단에 참고할 수 있는 초안과 근거 자료를 제시하도록 설계됐다는 설명이다. 이와 함께 환자 메시지 분류, 진료 협업 지원, 의료 스타트업을 위한 서비스 개발 등 다양한 영역에서도 활용될 수 있을 것으로 내다봤다.

생명과학 분야에서도 클로드의 활용 범위가 확대되고 있다. 임상시험 운영과 규제 대응 단계까지 지원 범위가 넓어졌으며, 메디데이터(Medidata), 클리니컬트라이얼스닷거브(ClinicalTrials.gov), 바이오아카이브·메드아카이브(bioRxiv·medRxiv), 오픈타깃츠(Open Targets), 켐블(ChEMBL) 등 주요 연구·임상 데이터 플랫폼과의 연동이 추가됐다. 앤트로픽은 해당 기능을 통해 연구자들이 임상시험 프로토콜 초안 작성, 대상자 모집 전략 수립, 규제 문서 준비 등의 업무를 효율화할 수 있을 것으로 설명했다.

한편 최근 AI 업계 전반은 헬스케어 관련 작업에 집중하는 흐름을 보이고 있다. 오픈AI는 검진 결과 분석이나 식단 관리 등 건강 관리에 도움이 되는 정보를 제공하는 ‘챗GPT 건강‘을 8일 공개했다. 구글 역시 AI 오버뷰를 통해 건강 정보를 제공해 왔으나, 일부 부정확한 의료 정보가 포함된 사실을 확인하고 관련 검색 결과 노출을 줄인 것으로 알려졌다.
jihyun.lee@foundryco.com

초기 생성형 AI 도입 방식은 사용 가능한 모든 데이터를 대규모 언어 모델(LLM)에 입력한 뒤 ‘추론’을 요구하는 형태였다. 그러나 이 접근법은 점점 지속되기 어려워지고 있다. 비용은 급격히 불어나고 정확도는 흔들리며, 규제 준수는 관리하기 어려운 수준에 이르고 있다. 부가가치가 유망했던 생성형 AI가 엔터프라이즈 규모로 확산되는 과정에서 현실적인 제약에 부딪히고 있다.

새해를 맞아 생성형 AI의 다음 국면이 시작되고 있다. 그 변화는 더 큰 모델로 정의되지 않는다. 과거와 달리 2026년은 모듈형 구조를 갖추고, 도메인에 특화되며, 거버넌스를 내재화한 AI 시스템으로 전환되는 시점이 될 전망이다. 이런 아키텍처는 실질적이고 측정 가능한 비즈니스 가치를 제공하는 데 초점을 맞춘다.

단일 모델 중심 AI 전략의 한계

지난 2년간 많은 기업이 생성형 AI를 무차별적으로 도입하는 방식을 택했다. 의료 분야를 보면, 모든 진료 기록과 검사 결과, 임상 노트를 하나의 LLM에 입력한 뒤 요약이나 예측을 요구하는 방식이었다. 이는 파일럿 프로젝트 단계에서 빠른 성과를 냈지만, 곧 문맥 처리 한계에 부딪혔고 추론 비용은 급격히 치솟았으며, 결과물은 임상 현장에서 요구되는 수준의 정확성을 확보하기 어려웠다.

스탠퍼드대학교의 AI 인덱스 보고서에 따르면, AI 모델은 수학 문제나 표준화된 시험처럼 정답이 명확한 과제에서는 강점을 보이지만, 복잡한 추론이 요구되는 벤치마크에서는 여전히 어려움을 겪고 있다. 논리적 과제를 안정적으로 해결하지 못하는 경우가 많아, 정밀도가 핵심인 고위험 환경에서는 활용 효과가 제한적이다.

앞선 조직은 이러한 한계를 보완하기 위해 모듈형 파이프라인으로 전환하고 있다. 이 파이프라인은 정보 추출, 추론, 대화를 각각 최적화된 단계로 분리한다. 하나의 모델은 자유 형식의 임상 노트에서 핵심 임상 개체를 추출하고, 다른 모델은 해당 데이터를 기반으로 구조화된 추론을 수행하며, 또 다른 모델은 자연어 인터페이스를 통해 결과를 전달한다. 각 모듈은 독립적으로 조정하고 감사할 수 있으며, 필요에 따라 개선이 가능하다.

이처럼 작업에 맞는 도구를 정확히 배치하는 접근법은 시스템의 속도와 안전성을 높이고, 투명성도 크게 강화한다. 이는 의료처럼 규제가 엄격한 산업에서 AI 결과물이 실제로 활용되기 위해 반드시 충족돼야 할 핵심 요건이다.

멀티 에이전트 협업 시스템의 부상

다음 단계의 주요 변화는 멀티 에이전트 시스템에서 나타날 전망이다. 이는 소규모 전문 AI 모델이 여러 작업에 걸쳐 협력하는 네트워크로, 디지털 팀에 비유할 수 있다. 의료 분야를 기준으로 살펴보면, 하나의 에이전트는 검사 수치의 변화를 모니터링하고, 다른 에이전트는 약물 간 충돌 여부를 점검하며, 또 다른 에이전트는 의료진 검토를 위한 환자 요약을 작성한다.

최근 연구에 따르면 멀티 에이전트 시스템은 추론과 의사결정 벤치마크에서 단일 LLM보다 뛰어난 성과를 내는 경우가 많으며, 연산 비용도 더 낮은 것으로 나타났다. 의료 분야에서는 에이전트 간 역할을 분리해 서로 결과를 교차 검증하는 구조를 갖출 수 있다. 이는 각 에이전트의 책임 범위가 명확하게 정의돼 있어, 한 지점의 판단 오류가 다음 단계로 그대로 전이되며 커지는 위험을 줄인다.

임상 의사결정 지원, 분류 자동화, 환자 참여 영역에서는 멀티 에이전트 아키텍처가 표준으로 자리 잡을 가능성이 크다. 이는 단일한 모델에 의존하는 대신 여러 전문 인력이 협업하는 실제 임상 현장의 운영 방식과 구조적으로 닮아있기 때문이다.

도메인 특화 모델의 필요성

GPT-5나 클로드 같은 LLM은 강력하지만, 의료 분야에서는 도메인에 특화된 수준의 정확성과 설명 가능성이 요구된다. 연구 결과를 보면, 생의학 데이터와 분류 체계(온톨로지), 임상 워크플로우를 기반으로 학습된 전문 모델이 안전성과 관련성 측면에서 범용 모델을 일관되게 앞서는 것으로 나타나고 있다.

특정 의료 분야에 맞춰 조정된 AI는 이미 임상 문서화나 신약 개발과 같은 영역에서 범용 모델보다 더 나은 성과를 내고 있다. 이들 시스템은 의료 전문 용어를 이해하고, FHIR와 같은 전자의무기록(EHR) 표준과 직접 연동되며, 약물 용량 기준이나 임상 진료 지침 같은 의료 규칙을 반영해 작동한다.

규제가 강화될수록, 환자 데이터를 다루는 의료 기관에서는 도메인 특화 AI가 사실상 유일한 선택지가 될 수 있다. 2026년에는 의료를 넘어 금융과 법률 등 규제 산업 전반에서 분야별 특화 모델이 주도권을 잡고, 범용 LLM은 저위험 행정 업무나 소비자용 과제에 한정될 가능성도 있다.

핵심 인프라로 자리 잡는 거버넌스와 신뢰

AI 시스템이 점점 복잡해지면서, 거버넌스는 더 이상 규제 대응을 위한 체크리스트에 머물지 않는다. 이제 거버넌스는 아키텍처 자체의 일부로 자리 잡고 있다. 딜로이트가 조사한 결과에 따르면, 의료 기업 경영진은 2025년 AI 도입에서 거버넌스와 리스크 관리를 최우선 과제로 꼽았다. 이런 흐름은 2026년에 더욱 뚜렷해질 전망이다.

정보 추출 엔진이든 대화형 인터페이스든, 모든 AI 모듈은 누가 어떤 데이터로 학습했고 어떤 검증 지표를 거쳤는지를 증명할 수 있어야 한다. 이때 데이터 출처와 설명 가능성은 선택 사항이 아니라 필수 요건이 된다. 기업은 모델이 실제 운영 데이터에 적용되기 전에 편향 여부, 성능 변화, 안정성을 점검하기 위한 내부 레드팀을 운영하게 될 것이다.

이런 변화는 생성형 AI를 실험적 기술에서 벗어나, 기록과 책임을 공식 관리하는 시스템으로 전환시키고 있다. 앞선 의료 기관은 이미 승인된 모델과 데이터 소스, 거버넌스 책임자를 정리한 AI 레지스트리를 운영하고 있다. 이는 소프트웨어 자재 명세서와 유사한 개념이다. 내년이면 이러한 관리 방식이 업계 전반에서 표준으로 자리 잡거나, 최소한 그에 준하는 단계에 이를 것으로 예상되고 있다.

실제 적용 사례

당뇨병이나 심부전과 같은 만성 질환을 함께 앓는 환자를 관리하는 상황을 떠올려 볼 수 있다. 이 환자의 데이터는 수년에 걸친 검사 결과와 영상 자료, 처방 기록, 임상 노트가 여러 EHR 시스템에 흩어져 있다. 기존 방식이라면 이 모든 기록을 하나의 LLM에 입력한 뒤 “다음 단계로 무엇을 해야 하는가”라고 묻는 식이었다.

모듈형 멀티 에이전트 접근법은 전혀 다르게 작동한다. 정보 추출 에이전트가 환자의 병력을 구조화하고, 추론 에이전트가 위험 패턴을 식별하며, 약물 검토 에이전트가 금기 사항을 표시한다. 대화형 에이전트는 이러한 분석 결과를 의료진이 이해하기 쉬운 언어로 설명한다. 여기에 거버넌스 레이어가 모든 추론 과정을 추적해 투명성과 감사 가능성을 확보한다.

이는 설계 단계부터 설명 가능성을 전제로 하며, 규제 검증에도 유연하게 대응할 수 있다. 동시에 실제 의료팀이 협업하는 방식과도 구조적으로 맞닿아 있다. 정밀도와 책임이 요구되는 장기간의 환자 치료 과정 분석에는 멀티 에이전트 기반의 도메인 특화 프레임워크가 훨씬 더 효과적이다.

차세대 생성형 AI의 주목받는 성공 사례는 가장 큰 모델을 도입한 기업이 아니라, 가장 효율적이고 투명하며 도메인에 맞게 설계된 시스템을 구축한 곳이 될 것이다. 의료 분야 리더에게 이제 핵심 질문은 “어떤 LLM을 도입할 것인가”가 아니라 “AI 시스템을 어떻게 협업시키고, 거버넌스를 유지하며, 함께 확장할 것인가”로 바뀌고 있다. 이것이 안전하고 설명 가능한 AI로 나아가는 새로운 방식이다.
dl-ciokorea@foundryco.com

The early adoption pattern of generative AI — dumping all available data into a large language model (LLM) and asking it to “reason” — is proving unsustainable. Costs are ballooning, accuracy is wavering and compliance is becoming unmanageable. What began as a promising value-add is now fighting against the realities of enterprise-scale deployment.

As we start a new year, the next chapter of genAI is upon us and it won’t be defined by bigger models. Instead of years past, 2026 will mark the transition to truly smarter systems: modular, domain-specific and governed architectures that deliver measurable business value.

Here’s why…

It’s the end of one-size-fits-all AI

Over the past two years, many organizations took a brute-force approach to genAI. In healthcare, for example, teams fed every chart, lab and note into a single LLM, then asked it to summarize or predict. It was fast to prototype, but models hit context limits, inference costs skyrocketed and outputs often lacked clinical-grade accuracy.

AI models excel at black and white tasks like mathematical problems or standardized tests, but still struggle with complex reasoning benchmarks, according to Stanford University’s AI Index Report. They often fail to reliably solve logic tasks, limiting their effectiveness in high-stakes settings where precision is critical.

To mitigate this, smart organizations will adopt modular pipelines instead. These pipelines separate information extraction, reasoning and conversation into distinct, optimized buckets. One model extracts clinical entities from free-text notes; another performs structured reasoning over that data; a third delivers results via a natural-language interface. Each module can be tuned, audited and improved independently.

This right-tool-for-the-right-job approach makes systems faster, safer and far more transparent. This is a critical requirement when AI outputs operate in highly regulated industries like medicine.

The rise of multi-agent collaboration teams

The next major evolution will come from multi-agent systems — networks of smaller, specialized AI models that coordinate across tasks. Think of them as digital teams. Keeping with the healthcare theme: one agent monitors lab trends, another checks for medication conflicts and a third drafts a patient summary for clinician review.

Recent studies show that multi-agent systems outperform monolithic LLMs on reasoning and decision-making benchmarks, often with lower computational costs. In healthcare, they also bring built-in checks and balances. Each agent’s scope is clearly defined, reducing the risk of compounding errors.

Expect multi-agent architectures to become the standard pattern for clinical decision support, triage automation and patient engagement. Why? Because it reflects how real-world clinical settings already operate — through collaboration among specialists, rather than a single all-knowing model.

Domain-specific models leap ahead

General-purpose LLMs like GPT-5 and Claude are powerful, but healthcare demands domain-specific accuracy and explainability. It’s in the research: specialized models trained on biomedical data, ontologies and clinical workflows consistently outperform general models in safety and relevance.

AI tuned for specific medical subfields is already outperforming general models in tasks like clinical documentation and drug discovery. These systems know medical vocabulary, integrate directly with electronic health record (EHR) standards like FHIR and encode domain constraints such as dosage limits and clinical guidelines.

As regulatory expectations tighten, domain-specific AI will become the only viable option for healthcare organizations handling patient data. In 2026, we’ll see specialty-specific models dominate regulated environments from healthcare to finance and law, while general LLMs remain limited to low-risk administrative or consumer tasks.

Governance and trust as core infrastructure

As AI systems grow more complex, governance is no longer a compliance checkbox — it’s part of the architecture itself. Healthcare executives surveyed by Deloitte ranked governance and risk management as top priorities for AI adoption in 2025. That emphasis will deepen in 2026.

Each AI module, whether an extraction engine or conversational layer, must have a documented lineage proving who trained it, on what data and with what validation metrics. Provenance and explainability will become mandatory features, not optional add-ons. Organizations will deploy internal red-teaming to test bias, drift and robustness before models touch production data.

This shift is transforming genAI from an experimental capability into an auditable system of record. The most forward-looking health systems already maintain AI registries (similar to software bills of materials) listing approved models, data sources and governance owners. By next year, that practice will be standardized or well on its way.

How this looks in the real world

Consider the challenge of managing a patient with chronic conditions such as diabetes and heart failure. Their data spans years of lab results, imaging, prescriptions and clinical notes scattered across multiple EHRs. The old approach would be to dump the entire record into an LLM and ask, “What should happen next?”

A modular, multi-agent approach works differently. An extraction agent structures the patient’s history, a reasoning agent identifies risk patterns, a medication-review agent flags contraindications, and a conversational agent explains the findings to clinicians in plain language. A governance layer tracks every inference, ensuring transparency and auditability.

This second architecture is explainable by design, adapts to regulatory scrutiny and mirrors how care teams collaborate in reality. For longitudinal patient-journey analysis, which requires precision and accountability, a multi-agent, domain-specific framework will fare far better. Which would you prefer as the patient?

The success stories in the next phase of genAI won’t be the ones deploying the largest models, but the ones that engineer the most efficient, transparent and domain-tuned systems. For healthcare leaders, the key question is no longer “Which LLM should we buy?” but “How do our AI systems collaborate, govern and scale together?” This is the new way for safe, responsible and explainable AI.

This article is published as part of the Foundry Expert Contributor Network.
Want to join?