Converge Bio라는 스타트업이 OpenAI, Meta 출신 임원들의 투자를 받아 250억 원을 모았어요. 신약 개발에 AI를 쓴다는데, 솔직히 처음엔 ‘또 바이오테크 버블 아냐?’ 싶었죠. 그런데 실제로 이 회사가 만드는 툴을 파헤쳐 보니, AI 신약 개발 플랫폼이 우리가 생각하는 것보다 훨씬 구체적으로 작동하더라고요.
Converge Bio는 뭐 하는 회사일까요
간단하게 말하면 단백질 구조를 예측하고 최적화하는 AI 플랫폼을 만들어요. AlphaFold가 단백질 접힘을 예측한다면, Converge Bio는 거기서 한 걸음 더 나가서 ‘약이 될 수 있는 단백질’을 설계하는 거죠. 마치 포토샵이 이미지를 편집한다면, 이 툴은 생명공학 데이터를 편집하는 셈이에요.
핵심 기술은 생성형 AI와 분자 시뮬레이션의 결합이에요. 기존에는 신약 후보 물질 하나를 찾는 데 10년, 1조 원이 들었다면, AI로는 수개월에 수십억으로 줄일 수 있다고 하죠. 실제로 이런 주장은 과장이 많지만, Converge Bio는 이미 몇몇 제약사와 파트너십을 맺었다는 점이 달라요.
왜 OpenAI, Meta 출신들이 관심을 가질까
투자자 명단을 보면 재밌어요. Bessemer Venture Partners가 리드했고, OpenAI의 전 COO, Meta의 AI 연구 책임자들이 개인 투자했거든요. 이들이 보는 건 단순한 바이오테크가 아니라 ‘AI 추론 능력의 새 영역’이에요.
GPT가 언어를 생성한다면, 이 플랫폼은 분자 구조를 생성하죠. 훈련 데이터는 인간이 100년간 축적한 단백질 데이터베이스예요. 모델 아키텍처는 Transformer 기반이고, 출력값은 3D 분자 좌표죠. 실제로 써본 사람들 얘기로는 학습 속도가 미친 듯이 빠르대요.
실제로 어떻게 작동하는지 뜯어봤어요
Converge Bio 플랫폼은 크게 세 단계로 나뉘어요.
- 데이터 입력: 타겟 질병의 단백질 정보를 넣어요. 예를 들어 암세포 표면의 특정 수용체 구조 같은 거죠.
- AI 생성: 그 수용체에 딱 맞는 항체 후보 수천 개를 자동 생성해요. 마치 ChatGPT가 프롬프트로 글을 쓰듯, 이 툴은 분자식을 써내려가요.
- 시뮬레이션 검증: 생성된 후보들을 가상 환경에서 테스트해서 안정성, 독성, 효능을 예측하죠.
흥미로운 지점은 피드백 루프예요. 실험실에서 실제 테스트한 결과를 다시 AI에 학습시켜서 정확도를 계속 높여요. 일종의 강화학습인 셈이죠. 제가 자동화 파이프라인 만들 때도 비슷한 방식 쓰는데, 데이터 도메인이 생명과학이라는 게 다를 뿐이에요.
경쟁 툴과 비교하면 어떨까요
AI 신약 개발 분야에는 이미 여러 플레이어가 있어요. Generate Biomedicines, Absci, Insilico Medicine 같은 곳들이죠. Converge Bio의 차별점은 ‘범용성’이에요.
Generate는 주로 항체에 집중하고, Insilico는 저분자 약물에 강한데, Converge는 둘 다 커버한대요. 실제로 플랫폼 데모를 본 투자자 인터뷰를 읽어보니, UI도 비개발자가 쓸 수 있을 정도로 직관적이라고 하더라고요. 마치 Notion이 데이터베이스를 쉽게 만든 것처럼, 복잡한 생물정보학을 단순화한 거죠.
다만 한계도 있어요. 아무리 AI가 예측해도 실제 임상 시험은 필수예요. FDA 승인까지는 여전히 10년 걸리죠. 게다가 할루시네이션 문제도 있어요. 분자 구조를 잘못 예측하면 치명적인 부작용으로 이어질 수 있거든요. 그래서 Converge도 ‘인간 전문가와의 협업’을 강조해요.
직장인, 마케터가 알아야 할 이유
직접 신약 개발 안 하는데 왜 알아야 하냐고요? 몇 가지 이유가 있어요.
첫째, AI 적용 패턴이 보여요. Converge Bio의 접근법은 다른 산업에도 적용 가능해요. ‘대량의 데이터 → 생성형 AI → 시뮬레이션 검증’ 이 파이프라인은 제품 디자인, 마케팅 카피 생성, 재무 모델링에도 쓸 수 있거든요. 실제로 우리 팀도 이 구조로 광고 소재를 자동 생성하는 시스템을 만들었어요.
둘째, 투자 트렌드가 보여요. OpenAI, Meta 출신들이 왜 바이오에 돈을 넣을까요? 그들은 ‘AI가 다음으로 정복할 영역’을 보는 거예요. 텍스트, 이미지 다음은 과학 데이터죠. 이 흐름을 이해하면 어느 분야에 AI 솔루션 수요가 생길지 예측할 수 있어요.
셋째, B2B SaaS의 미래가 보여요. Converge Bio는 결국 제약사에 소프트웨어를 파는 회사예요. 가격 모델은 아마 구독 + 성과 기반일 거예요. 신약 하나 성공하면 로열티 받는 식이죠. 이런 하이브리드 모델은 AI 툴 비즈니스의 표준이 될 가능성이 커요.
실무에 어떻게 적용할까요
당장 Converge Bio 플랫폼을 쓸 순 없어요. 제약사 전용이거든요. 하지만 비슷한 사고방식은 적용할 수 있어요.
예를 들어 마케터라면, ‘우리 제품을 살 고객 프로필’을 Converge처럼 접근해 보세요. 기존 고객 데이터를 AI에 학습시키고, 잠재 고객 수천 명을 생성한 뒤, 시뮬레이션으로 전환율을 예측하는 거죠. Clay나 Apollo 같은 툴에 GPT-4를 연결하면 비슷하게 구현할 수 있어요.
창업자라면, ‘복잡한 전문 영역을 AI로 단순화’하는 아이템을 고민해 보세요. 법률, 건축, 금융 등 전문가만 다루던 분야를 일반인도 쓸 수 있게 만드는 거죠. Converge Bio가 단백질 설계를 민주화하듯, 당신도 어떤 분야를 민주화할 수 있을까요?
비용과 접근성은 어떨까요
공개된 가격 정보는 없어요. 다만 업계 표준으로 보면, 대형 제약사는 연 수억 원, 바이오 스타트업은 수천만 원 정도 낼 거예요. 성공 보수는 별도고요.
아쉬운 점은 일반 개발자나 연구자가 API로 접근할 수 없다는 거예요. AlphaFold는 오픈소스로 공개됐지만, Converge는 독점 플랫폼이에요. 이해는 가죠. 연구개발에 엄청난 돈이 들었을 테니까요. 하지만 장기적으로는 부분 공개가 생태계에 더 좋을 텐데 싶어요.
한계점도 분명해요
실제로 써본 연구자들 후기를 찾아봤는데, 몇 가지 불만이 보이더라고요.
- 블랙박스 문제: AI가 왜 그 분자를 제안했는지 설명이 부족하대요. 생명을 다루는 분야에선 치명적이죠.
- 데이터 편향: 학습 데이터가 주로 서구권 환자 기반이라, 아시아인에게 맞는 약물 설계는 약하대요.
- 계산 비용: 한 번 돌리는 데 GPU 클러스터가 몇 시간씩 돌아간대요. 클라우드 비용이 만만찮죠.
그래도 기존 방식보다 10배는 빠르니 충분히 가치가 있다는 게 중론이에요.
앞으로 어떻게 발전할까요
Converge Bio의 로드맵을 보면 재밌는 방향이 보여요. 단기적으로는 더 많은 질병 타겟을 커버하고, 중기적으로는 개인 맞춤 신약까지 가겠다는 거예요. 내 유전자 정보를 넣으면 나한테 딱 맞는 약을 설계하는 거죠.
장기적으로는 AI가 인간 과학자를 대체하는 게 아니라, ‘슈퍼 과학자’를 만드는 도구가 될 거예요. 한 명의 연구자가 과거 100명이 할 일을 해내는 시대가 오는 거죠. 이미 소프트웨어 개발에서 GitHub Copilot이 그런 역할을 하고 있잖아요.
우리가 배울 수 있는 것
Converge Bio 사례에서 얻을 인사이트는 명확해요. AI는 이제 텍스트와 이미지를 넘어 ‘물리적 세계’를 다루기 시작했다는 거죠. 분자, 재료, 에너지, 기후까지요. 참고 뉴스 중 쌀농사 기후변화 대응 AI도 같은 맥락이고요.
직장인이라면, 당신 업무의 ‘물리적 제약’을 AI로 해결할 방법을 고민해 보세요. 물류 최적화, 재고 예측, 에너지 효율 같은 거요. 마케터라면, 제품 자체를 AI로 개선하는 스토리를 만들어 보세요. ‘우리 제품은 AI로 설계됐습니다’가 강력한 차별점이 되는 시대니까요.
결국 Converge Bio가 250억을 받은 이유는 단순해요. 진짜 문제를 AI로 진짜 해결했거든요. 그리고 그 솔루션을 돈 낼 고객에게 명확하게 전달했고요. AI 툴을 만들든, 쓰든, 이 두 가지만 기억하면 충분해요. 화려한 기술보다 실질적 가치, 복잡한 이론보다 명확한 결과죠. 실무자로서 5년간 수십 개 AI 프로젝트를 해보니, 결국 살아남는 건 이런 툴들이더라고요.
“category_id”: 12,
#ChatGPT #GPT-4 #GPT #Copilot #프롬프트엔지니어링 #AI #OpenAI #자동화
