OUR STORY (BLOG)

동물병원 간 격차가 존재할까요? 개인별 의견은 모두 다르지만 국내 개인 동물병원 통계에서도 평균 매출과 중위 매출 사이에 차이를 보이고 있으며, 지역별 평균 매출도 고르게 분포하지 않는 모습을 보입니다. 춘옥컴퍼니에서는 이와 관련하여 이런 질문을 던지게 됩니다. "AI가 도입되면 이 격차는 어떻게 될까요?" AI 이전에도 격차는 있었습니다. 먼저 확인해야 할 것은 이 격차가 AI 때문에 생겼는지입니다. 현재 확인할 수 있는 통계만으로 AI가 국내 동물병원 간 격차를 만들었다고 보기는 어렵습니다. 규모와 입지, 지역별 수요, 인력과 비용 구조처럼 AI 이전부터 작동해 온 요인이 있기 때문입니다. 따라서 AI 도입을 늦추는 것만으로 기존의 격차가 사라지지는 않습니다. 질문은 수의료 AI를 막을 것인가가 아니라, 어떤 조건에서 격차를 줄이는 방향으로 사용할 것인가에 가깝습니다. 실험이 보여준 평준화 효과와 그 조건 다른 산업의 통제된 실험에서는 AI가

인공지능은 수의 의료 현장에도 빠르게 들어오고 있습니다. 방사선 영상을 판독하는 AI부터 진료 내용을 자동으로 기록하는 스크라이브, 임상 의사결정을 지원하는 CDSS, 병원 운영 소프트웨어와 보험 청구 자동화까지 적용 범위도 넓어지고 있습니다. 시장조사기관들은 수의 AI 시장이 앞으로 연평균 17~23% 성장할 것으로 전망합니다. 수치만 보면 빠르게 성장하는 유망 산업처럼 보입니다. 하지만 시장의 성장률만으로는 중요한 질문에 답하기 어렵습니다. 실제 수의 AI 시장은 얼마나 큰가? 투자금은 어떤 기업에 모이고 있는가? AI 기술이 좋으면 경쟁력 있는 기업이 될 수 있는가? 상용화된 제품은 임상적으로 충분히 검증됐는가? 한국 기업에는 어떤 기회와 과제가 남아 있는가? 출처: [춘옥리포트] 수의학 AI의 경제학_자본·투자·시장 현황 분석 춘옥컴퍼니는 이 질문에 답하기 위해 2026년 8월 현재 공개된 시장조사 자료와 기업 실적, 투자·M&A 사례, 학

7월 27일 중국 Moonshot AI가 Kimi K3 기술 보고서와 모델 가중치를 공개했습니다. 누구나 가중치를 내려받아 직접 운영할 수 있는 오픈웨이트 AI입니다. AI 모델은 크게 두 진영으로 나뉩니다. Claude나 GPT처럼 내부를 공개하지 않고 API로 사용하는 폐쇄형 모델, 그리고 가중치를 내려받아 직접 운영할 수 있는 오픈 모델입니다. 지금까지 최상위 성능에서는 폐쇄형 모델이 앞서 있었습니다. 이 글에서는 그 격차가 얼마나 좁아졌는지, 그리고 의료영상 판독을 준비하는 입장에서 이 논문의 어떤 부분이 눈에 띄었는지를 정리합니다. 1. 오픈웨이트 AI는 얼마나 따라잡았나 논문에는 40여 개 벤치마크에서 K3와 주요 폐쇄형 모델을 비교한 표가 있습니다. 오픈 모델인 K3가 1위를 차지한 항목도 여럿 있습니다. 벤치마크 K3 2위 ProgramBench (코딩) 77.8 GPT-5.6 Sol 77.6 BrowseComp (웹 검색) 91.2

의료 AI 평가, 시험을 잘 보는 것과 진료를 잘하는 것 의료 AI 성능을 이야기할 때 가장 자주 등장하는 숫자는 시험 점수입니다. 의사 국가시험 몇 점, 수의사 국가시험 몇 점. 저희도 오픈소스로 공개한 VetJarvis-4B가 일본 수의사 국가시험에서 81.67%를 받았다는 내용을 여러 자리에서 소개했습니다. 하지만 시험 성적과 실제 임상 추론 능력은 같은 개념이 아닙니다. 시험은 다섯 개 보기 중에서 답을 고르는 일이고, 진료는 주어진 정보에서 가능한 원인을 검토하고, 최선의 치료 계획을 만들어가는 과정입니다. “3살 말티즈, 이틀째 구토, 식욕 없음.” 여기서 시작할 때 임상의의 머릿속에 떠오르는 것은 정답 하나가 아니라 의심 목록입니다. 이물일 수도, 췌장염일 수도, 신부전일 수도 있습니다. 어제 보호자가 준 간식이 원인일 가능성도 있습니다. 이 감별진단 목록을 얼마나 적절하게 펼치느냐가 다음 검사를 결정합니다. 지난 4월 JAMA Net

동물병원 진료비는 사람의 의료비와 다릅니다. 국가적으로 지원하는 금액이 거의 없기 때문에 보호자의 부담이 큰 것도 사실입니다. 보호자의 동물병원 진료비 부담을 낮추기 위해 항목별 가격을 조정하는 정책을 검토하고 있기도 하지만, 실제 진료 현장에서 현실성을 잘 반영하고 있는지는 더 확인이 필요합니다. GraphDx는 인체 의학의 순차적 진단 과정을 대상으로, 비용과 침습도를 의사결정에 포함한 의료 LLM 프레임워크입니다. 실제 동물병원에 적용된 시스템은 아니지만, 비용을 진단 이후에 계산하는 결과값이 아니라 다음 검사를 선택하기 위한 입력값으로 다뤘다는 점에서 주목할만 합니다. 이 연구는 진료비 문제를 가격만의 문제가 아니라 불확실성 아래에서 진료 경로를 어떻게 설계할 것인가의 문제로 바라볼 수 있는 하나의 관점을 제시했습니다. 현재 동물병원 진료비 부담과 정책 2026년 동물의료 정책의 한가운데에는 진료비가 있습니다. 올해 1월 진료비 부가가치세

최근 범용 프론티어 모델과 의료 특화 모델의 벤치마크 성능 비교가 활발합니다. 의료 데이터로 파인튜닝한 도메인 모델보다 범용 모델이 일부 의료 벤치마크에서 더 높은 점수를 기록하기도 하였습니다. 그러나 임상 관점에서 중요한 질문은 따로 있습니다. 벤치마크 점수가 높은 모델이 실제 임상에서 중요한 판단도 안정적으로 수행하는가. 의료 지식 문제의 정답률과 임상 의사결정 지원 능력은 같은 개념이 아닙니다. 모델이 질환명이나 치료 원칙을 알고 있는 것과, 복잡한 환자 상황에서 정보의 우선순위를 정하고 위험을 조정하는 것은 서로 다른 능력이라고 볼 수 있습니다. 서로 충돌하는 검사 결과와 임상 신호를 함께 해석 약물–질환 및 약물–약물 상호작용을 연결 현재 상태뿐 아니라 이후 필요한 인력과 치료 자원을 예상 적극적인 개입보다 개입을 유보하는 것이 안전한 상황을 구분 객관식 의료 벤치마크는 이러한 과정을 충분히 평가하기 어렵습니다. 개방형 응답을 평가하는 루

최근 의료 ai 분야에서는 단순 질의응답을 넘어, 임상 연구 과정 자체를 지원하려는 시도가 등장하고 있습니다. 그 중 하나가 중국 푸단대병원과 옥스퍼드 등이 함께 발표한 논문 “MedGenesis: Toward a World Model for Autonomous Clinical and Translational Research”는 의료 AI가 단순 답변 생성을 넘어, 임상 연구 과정 자체를 지원할 수 있는 가능성을 다룹니다. 사례 1. 논문 2,420편을 192분 만에 분석하다 연구자들은 MedGenesis에게 하나의 질문을 제시했습니다. 신장 기능이 저하된 암 환자에게도 면역항암제가 효과가 있을까? 이 질문에 답하려면 일반적으로 다음 과정이 필요합니다. 관련 논문 수천 편 검색 제목과 초록 기준 1차 선별 본문 정독 데이터 추출 연구 품질 평가 통계적 통합 분석 MedGenesis는 이 과정을 자동화된 워크플로우 안에서 수행했습니다. 구체적인 결과

AI가 의사 국가고시를 만점으로 통과했다는 이야기는 더 이상 새로운 소식이 아닙니다. USMLE(United States Medical Licensing Examination) 에서는 이미 최고 수준의 성과가 보고되었고, 춘옥컴퍼니가 개발한 VetJarvis 역시 스마트폰에서 구동되는 4B 규모의 온디바이스 모델임에도 일본 수의사 국가고시 합격선을 넘어섰습니다. 이제 모델이 시험 문제를 푸는 능력 자체는 상당한 수준에 도달했습니다. 그렇다면 진료의 미래도 이미 결정된 것일까요? 최근 발표된 두 편의 연구를 읽으며 오히려 반대의 생각을 하게 되었습니다. 시험을 잘 보는 것과 진료를 잘하는 것은 생각보다 훨씬 다른 문제였습니다. 시험을 잘 본 AI가 좋은 수의 AI인 것은 아닙니다 NYU 연구팀은 흥미로운 비교 실험을 수행했습니다. GPT-5, Gemini 3 Pro, Claude Sonnet 4.5와 같은 범용 대규모 언어모델과 OpenEvidenc

딥러닝은 뇌를 모방하면서 시작되었습니다. ‘뉴럴 네트워크(Neural Network)’라는 이름 자체가 신경망에서 왔으며, 이 모방의 발전과 그 한계를 늘 흥미로운 주제입니다. 오늘은 뇌와 딥러닝을 나란히 놓고, 둘이 어디까지 닮았고 어디서 갈라지는지, 그리고 그 갈림이 우리가 만드는 제품과 어떻게 이어지는지 이야기해보겠습니다. 뇌라는 우주 사람의 뇌에는 약 860억 개의 뉴런이 있습니다. 한때 1,000억 개로 알려졌지만, 2009년 정밀 측정 이후 약 860억 개가 널리 받아들여지고 있습니다. 뉴런 하나는 다른 뉴런과 보통 수천 개, 많게는 1,000~10,000개의 시냅스를 이루며, 뇌 전체에는 약 100조 개 이상의 시냅스가 거미줄처럼 얽혀 있는 것으로 알려져 있습니다. 여기에 100가지가 넘는 신경전달물질이 신호의 세기와 특성을 끊임없이 바꾸며, 흔히 우리 은하의 별 수에 견주는 규모지만, 별과 달리 이 점들은 쉼 없이 서로 신호를 주고받

LM 최신성은 의료 AI 신뢰성의 핵심 과제다. 최신 연구는 GPT-5를 포함한 의료 LLM이 최신 진료지침과 과거 지식을 구분하는 데 한계를 보인다고 지적한다. 본 글에서는 Medical LLM의 최신성 문제와 CDSS가 해결해야 할 과제를 살펴본다.

2025년 한 해 동안 최소 14만 건 이상의 AI 생성 가짜 인용. 왜 임상 수의학에서 더 위험한가? 춘옥컴퍼니는 이에 대해 어떻게 생각하는지 살펴봅니다.

의료 AI 에이전트는 단순한 LLM 애플리케이션이 아니다. 《The Landscape of Medical Agents》 논문을 기반으로, 의료 AI 에이전트의 정의·워크플로우 통합·종단 메모리·Clinical Decision Support System(CDSS)의 미래를 이야기한다.

Safety and Accuracy Follow Different Scaling Laws in Clinical Large Language Models 리뷰 의료AI와 임상 의사결정 지원 시스템(CDSS)에서 대형언어모델(LLM)을 활용하려는 시도는 확산되고 있습니다. 우리는 흔희 “더 큰 모델, 더 긴 컨텍스트, 더 정교한 retrieval, 더 많은 inference-time compute”를 AI 정확성을 높이고 안정성을 향상시키는 방법으로 가정합니다. 그러나 평균 정확도가 높아진다고 해서 임상적으로 안전한 모델인가? 최근 공개된 Preprint 논문⌈Safety and accuracy follow different scaling laws in clinical large language models⌋은 이 질문을 정면으로 다루고 있습니다. 임상 LLM에서 정확도와 안정성은 같은 방향으로 움직일 수는 있지만, 동일한 지표는 아닙니다. 특히 의료

같은 환자, 같은 증상이라도 보호자가 어떻게 표현하느냐에 따라 AI의 답변은 달라질 수 있습니다. 최근 UC Berkeley·UCSF 연구팀이 발표한 「Green Shielding: A User-Centric Approach Towards Trustworthy AI — LLM-Assisted Medical Diagnosis as a Case Study」는 의료 LLM 신뢰성을 단순 “정답률”이 아니라, 실제 사용자 표현 방식 관점에서 바라본 연구입니다. 그리고 이 문제는 보호자 진술에서 시작되는 수의학 AI에서 더 중요할 수 있습니다. 의료 LLM 신뢰성을 단순 “정답률”이 아니라, 실제 사용자 표현 방식 관점에서 바라본 연구입니다. 그리고 이 문제는 보호자 진술에서 시작되는 수의학 AI에서 더 중요할 수 있습니다. 같은 환자, 같은 증상인데 표현 방식만 달라지면LLM은 다른 판단을 내릴 수 있을까? 연구 결과는 명확했습니다.답은 “그렇다”였습니다

수의학 AI와 동물 의료 AI는 동물을 어떻게 바라보고 있을까? 춘옥컴퍼니 창업 계기와 AI 윤리, 그리고 Veterinary AI의 방향성을 허찬 대표의 시선에서 설명하고 있다.

최근 몇 년 사이 범용 LLM은 다양한 분야에서 빠르게 활용되고 있습니다. 하지만 의료와 수의학 영역에서는 여전히 하나의 질문이 남아 있습니다. 범용 LLM만으로 의료 의사결정을 충분히 지원할 수 있을까? 이 질문에서 JARVIS-4B 프로젝트는 시작되었습니다. 이번 글에서는 수의학 도메인 특화 LLM이 어떤 고민에서 출발했고, 어떤 방향으로 설계되었는지 그 흐름을 소개하고자 합니다. 1. 수의학 AI, 왜 Veterinary LLM을 만들기로 했는가? 최근 몇 년 사이 범용 LLM은 다양한 분야에서 놀라운 성과를 보여주고 있습니다. 텍스트 생성, 요약, 코드 작성 등 많은 영역에서 이미 실용적인 수준에 도달했습니다. 하지만 의료와 수의학 영역에서는 조금 다른 문제가 존재합니다. 바로 정보의 신뢰성입니다. 잘못된 정보가 단순한 오류가 아니라임상 판단에 영향을 줄 수 있는 위험 요소가 될 수 있기 때문입니다. 특히 의료 환경에서는 다음과 같은 요구사