의료 AI 의 채점자를 판다 — 전문의 1,200명을 검증 레이어로 묶은 메디워크에이아이에 한투AC 가 붙었다

의료 AI 업계는 오랫동안 모델을 만드는 쪽에만 돈과 인재를 몰았다. 그런데 그 모델이 내놓은 답이 임상적으로 맞는지를 판정할 전문의는 늘 부족했고, 학습 데이터를 누가 라벨링했는지는 더 묻지 않았다. 그 공백을 25개 전 분과, 1,200명 이상의 전문의 네트워크로 메우겠다는 회사가 메디워크에이아이다. 거기에 한국투자액셀러레이터가 액셀러레이팅 프로그램 '바른동행' 선정으로 붙었고, 금액은 비공개다¹.

왜 '검증'이었나 — 모델은 넘쳤고 채점자는 없었다

의료 AI 는 다른 AI 와 조건이 다르다. 학습 데이터는 전문의가 직접 생성하고 검증한 것이어야 하고, 모델이 내놓은 판독은 임상에서 틀리면 안 된다. 문제는 그 전문의를 어디서 구하느냐다. 메디워크에이아이가 짚는 병목은 세 가지다. 전문가 데이터 공급처가 부족하고, 임상 검증 파트너가 부족하며, 의료진 네트워크에 접근하는 것 자체가 어렵다¹. 모델 회사가 이 세 가지를 직접 해결하려면 전문의를 고용하거나 병원과 일일이 계약해야 한다. 모델을 만드는 비용보다 모델을 믿게 만드는 비용이 더 비싼 구조가 됐다.

메디워크에이아이는 이 병목을 메우는 데 사업의 초점을 맞춘다. 회사는 스스로를 '의료 AI MLOps' 기업으로 규정한다. 의료 AI 개발에 필요한 데이터를 수집·가공하는 축과, 만들어진 모델의 임상 신뢰성을 검증·개선하는 축이다¹. 그 두 축을 돌리는 자산이 25개 전 분과, 1,200명 이상의 전문의 네트워크다¹. 영상의학과 하나만 모은 것이 아니라 전 분과를 묶었다는 점이 이 숫자의 핵심이다. 의료 AI 의 수요가 영상 판독을 넘어 텍스트와 신호 데이터로 번지는 만큼, 분과를 가로지르는 공급망이 아니면 그 수요를 받아낼 수 없다.

창업진의 이력이 이 선택을 설명한다. 윤승규 대표는 코스닥 상장 AI 데이터 기업 크라우드웍스의 자회사였던 닥터웍스 대표를 역임했다. 김재영 CMO 는 내과 전문의다¹. 데이터 사업을 운영해 본 사람과 임상 현장을 아는 사람이 한 테이블에 앉은 조합이다. 여기에 전문의들이 설립한 투자사 아셉틱아시아가 의료 전문성 자문을, 크라우드웍스가 데이터 사업 노하우와 영업 네트워크를 지원한다¹. 범용 데이터 라벨링 회사가 의료로 들어오려 할 때 부딪히는 벽을, 이 회사는 출발점에서 이미 넘은 상태로 시작했다.

타이밍은 규제가 만들었다. 디지털의료제품법과 변경관리계획서, 이른바 한국판 PCCP 제도가 도입되면서 의료 AI 모델은 업데이트마다 재검증을 요구받는다¹. 한 번 인허가를 받으면 끝나던 검증이, 모델이 바뀔 때마다 반복되는 컴플라이언스 수요로 바뀐 것이다. 검증이 일회성 용역에서 반복 수요로 성격이 바뀌는 순간, 전문의 패널을 상시 보유한 회사의 포지션이 달라진다. 한국이 AI 를 사용하는 국가에서 생산하는 국가로 이동하려면 모델만이 아니라 그 모델을 검증하는 국내 인프라가 필요하다는 진단도 같은 방향을 가리킨다³.

전통 의료 AI 개발 vs 메디워크에이아이 — 다섯 층에서 달라지는 것

의료 AI 회사가 데이터와 검증을 자체 조달할 때와 메디워크에이아이의 파이프라인을 쓸 때 무엇이 바뀌는지를 다섯 층으로 나눠 봤다. 전통 측은 회사가 지목한 구조적 병목을 기준으로 정리했다¹.

세 개의 티어가 하나의 파이프라인이 되는 법

회사의 서비스는 세 층으로 쌓여 있다. 아래로 갈수록 단가가 낮고 물량이 많으며, 위로 갈수록 규제 문서에 가까워진다. 세 층이 같은 전문의 네트워크를 공유한다는 점이 이 구조의 효율이다¹.

1. T1 · 전문의가 직접 라벨을 단다 첫 층은 어노테이션이다. 영상·텍스트·신호 데이터에 전문의가 직접 라벨을 붙인다¹. 비전문 라벨러가 만든 데이터를 전문의가 사후 검수하는 방식과 다르다. 생성 단계부터 전문의가 들어가면 재작업 비용이 줄고, 분과별로 미묘하게 다른 판독 기준이 데이터에 그대로 남는다. 회사가 홈페이지에 공개한 누적 처리 데이터는 영상·텍스트·신호를 합쳐 300K+ 다. 이 층이 매출의 출발점이자 전문의 네트워크를 실제로 가동시키는 엔진이다.
2. T2 · 모델의 답을 전문의가 채점한다 두 번째 층은 평가다. 의료 AI 가 내놓은 답변을 전문의가 평가하고, 비교하고, 개선 방향을 돌려준다¹. 범용 LLM 업계가 쓰는 인간 피드백 평가를 의료 전문의로 치환한 구조에 가깝다. 여기서 Dice · IoU · Krippendorff's α 같은 일치도 지표가 쓰인다. 전문의 간 판정이 얼마나 일치했는지를 숫자로 남기기 때문에, '전문가가 봤다'는 말이 아니라 '이 정도로 일치했다'는 수치로 품질이 넘어간다. 이번 선정을 계기로 회사가 어노테이션에서 모델 평가로 확장하겠다고 밝힌 층이 바로 여기다¹.
3. T3 · 독립 패널이 눈을 가리고 검증한다 세 번째 층이 이 회사의 승부수다. 개발에 참여하지 않은 독립 전문의 패널이 블라인드로 임상 검증을 수행하고, 실명 보고서를 낸다. 이 보고서는 식약처·FDA 인허가의 근거 문서로 쓰인다¹. 데이터 하청이 규제 서류로 바뀌는 지점이 T3 다. 디지털의료제품법과 PCCP 제도가 모델 업데이트마다 재검증을 요구하는 한, 이 층의 수요는 한 번 끝나는 용역이 아니라 반복된다¹.

The Bet — 한투AC 는 모델이 아니라 '채점표'를 샀다

리스크도 네트워크에 있다. 전문의 1,200명이 등록돼 있다는 것과 그중 몇 명이 실제로 매달 작업하는지는 다른 숫자다. 활동 전문의 비율과 분과별 분포는 공개되지 않았다. 투자 금액이 비공개인 데다 액셀러레이팅 프로그램 단계라는 점도 읽어야 한다¹. 이번 선정은 시장이 검증 레이어의 가치를 인정했다는 신호이지, 그 레이어가 수익으로 증명됐다는 신호는 아직 아니다. T1 어노테이션 매출에 머물면 범용 데이터 기업과의 가격 경쟁으로 밀려나고, T3 까지 올라가야 규제 인프라가 된다. 그 전환이 12개월 안에 숫자로 나오느냐가 다음 라운드의 조건이다.

다음 12개월에 지켜볼 지표 3개

1. T3 보고서가 실제 인허가 서류에 쓰인 건수 블라인드 임상 검증 보고서가 식약처·FDA 인허가 근거 문서로 쓰인다는 설계가 실제 제출 건수로 확인돼야 한다¹. 공개 레퍼런스가 한 건이라도 나오면 검증 레이어의 단가와 재구매율이 동시에 바뀐다. 아직 그 건수는 공개되지 않았다.
2. 어노테이션과 검증의 매출 비중 회사는 어노테이션에서 AI 모델 평가·임상 검증으로 확장하겠다고 밝혔다¹. T1 비중이 줄고 T2·T3 비중이 늘어나는지가 '데이터 하청'과 '규제 인프라'를 가르는 지표다. 이 비중이 계속 비공개라면 그 자체가 읽어야 할 신호다.
3. 네트워크 활동 비율과 해외 첫 계약 등록 1,200명 중 실제 작업에 참여하는 비율과 분과별 분포가 공개되는지, 그리고 아시아 등 글로벌 진출 준비가 첫 해외 고객으로 바뀌는지를 본다¹. 해외 인허가 문서를 한국 전문의 패널이 발급하는 구조가 성립하면 네트워크의 가치는 국내 시장 크기를 벗어난다.