AI 바이오헬스케어, 지금 공부해야 할까? 승무원 투자자의 분석 노트

뉴욕 날씨는 참 좋은데, 내 계좌는 언제쯤 봄날이 올까 고민하며 쓴 글이에요. 😅

저는 뉴질랜드에서 10년째 승무원으로 일하면서 비행 사이사이에 노트북을 펴고 투자 공부를 하는, 약간 이상한(?) 열혈 투자자예요. AI 바이오헬스케어는 아직 제 포트폴리오에 없는 섹터인데요, 최근 이걸 파고들다 보니 “이건 그냥 지나치기 어렵겠다”는 생각이 자꾸 드는 거예요.

오늘은 그 공부 과정을 솔직하게 털어놔 볼게요.

이 글은 투자 권유가 아니라, 같이 고민하는 분들과 나누고 싶은 개인 공부 기록이에요.

“월가 거물도 물리는데, 내가 감히?” — 뉴욕 카페에서 시작된 질문

레이오버로 뉴욕에 내렸던 날이었어요. 동료들은 다들 5번가 쇼핑 간다고 신났는데, 저는 혼자 카페 구석에 짐을 풀었죠. 에스프레소 한 잔 시켜놓고 노트북 열었더니, 빌 애크먼 인터뷰가 눈에 들어오는 거예요.

퍼싱 스퀘어가 올해 큰 손실을 기록하는 상황에서도 “지금은 우량 자산을 살 기회”라고 말하는 애크먼. 솔직히 처음엔 좀 당혹스러웠어요. 월가에서 수십 년을 굴린 거물도 저렇게 물리는데, 내가 감히 이 시장을 읽을 수 있을까? 하는 생각이요.

근데 그 허탈함 속에서 오히려 다른 질문이 떠올랐어요.

“하락장에서도 버틸 수 있는 섹터가 어딘가에 있지 않을까? 10년 뒤에도 살아있을 구조적 흐름은 뭘까?”

카페 소음 속에서 한 시간 넘게 이것저것 뒤지다가 결국 도착한 곳이 AI 바이오헬스케어였어요. 단백질 구조 예측이라는 단어를 처음 접하면서 “이게 뭐지…?” 싶었는데, 파고들수록 재밌더라고요. 동료들 쇼핑 끝나고 돌아왔을 때 저는 여전히 카페 구석에 있었고요. 😊

AI가 신약 개발에 끼어들면 뭐가 달라지냐고요?

먼저 현실부터 짚고 갈게요. 신약 하나 만드는 게 얼마나 힘든 일인지, 숫자로 보면 실감이 나요.

∙후보 물질 발굴부터 임상 승인까지 평균 10~15년 소요

∙성공한 신약 1개당 평균 수십억 달러 비용

∙임상 3상까지 올라온 후보의 상당수가 최종 승인에서 탈락

(출처: MIT Sloan School of Management, 2023)

이 구조를 바꾸려는 움직임이 바로 디지털 생물학(Digital Biology) 이에요. 단백질 구조나 분자 반응을 디지털 공간에서 모델링하고 예측하는 방식인데요, 한 발 더 나아가 인 실리코(In Silico) 실험—컴퓨터 시뮬레이션으로 실험실 시행착오를 미리 걸러내는 방식—이 실제 연구 현장에서 쓰이기 시작했어요.

엔비디아 BioNeMo가 여기서 뛰어들었어요. GPU 연산으로 단백질 구조 예측과 분자 시뮬레이션을 가속화해서, 초기 후보 물질 탐색 시간을 확 줄이는 게 목표래요. 엔비디아 공식 발표 기준으로 일부 프로세스는 기존 대비 수십 배 빠르다고 하고요.

알파벳의 AlphaFold는 이미 성과를 낸 케이스예요.

∙ 2024년 노벨 화학상 수상, 과학적 가치 공식 인정

∙ 전 세계 200만 명 이상 연구자가 무료로 활용 중

∙ 수억 개의 단백질 구조를 공개해서 글로벌 연구 속도 자체를 끌어올리는 중

(출처: DeepMind 공식 블로그)

근데 공부하다가 저도 모르게 멈칫하게 되는 질문이 하나 생기더라고요.

“In Silico로 속도가 빨라지는 건 알겠는데… 그게 실제 신약 승인률 향상으로 이어질까?”

아직 이 질문에 대한 데이터가 충분하지 않아서, 판단은 보류 중이에요.

빅테크는 왜 바이오에 이렇게 공을 들이는 걸까요

2025년 1월 JP모건 헬스케어 컨퍼런스에서 반복해서 나온 키워드가 “플랫폼화” 였어요. 신약 하나를 개발하는 게 아니라, 신약 개발 전체 프로세스를 플랫폼으로 만들어 반복 수익화하겠다는 전략이에요.

그리고 이 구조를 보면서 제가 무릎을 탁 쳤던 게 있어요.

결국 이 섹터도 반도체와 전력 인프라가 없으면 안 돌아가요

디지털 생물학이든 In Silico 실험이든, 다 컴퓨터가 돌려야 해요. 그것도 엄청난 규모로요.

∙수억 개의 분자 조합을 연산할 고성능 GPU 클러스터

∙대규모 단백질 구조 데이터를 학습·추론하는 AI 서버팜

∙이걸 24시간 돌릴 대용량 전력 인프라

저는 현재 반도체 ETF(SMH)와 전력·유틸리티 인프라 관련 포지션을 갖고 있는데요, AI 바이오를 공부하면서 그 포지션의 논리가 여기서도 연결된다는 걸 다시 확인했어요. AI 바이오가 성장하면, 그 연산을 받쳐주는 인프라 수요도 자연스럽게 따라 올라가는 구조거든요.

물론 이게 곧바로 투자 근거가 된다는 건 아니고요, 더 꼼꼼히 따져봐야 하는 부분이에요.

그럼에도 내가 아직 못 들어간 이유 — 솔직하게 말할게요

공부할수록 매력적인 섹터인 건 맞아요. 근데 저는 아직 직접 투자를 못 하고 있어요. 이유가 있거든요.

① 솔직히 바이오는 무서워요

임상 결과 하나에 천당과 지옥을 오가잖아요. In Silico로 후보 물질을 아무리 빠르게 찾아도, 임상 3상에서 뒤집어지면 주가가 하루아침에 반토막 날 수 있어요. 개별 바이오 기업 투자는 아직 제 심장이 못 버틸 것 같더라고요.

② 지금 가격이 싼 건지, 아직 비싼 건지 모르겠어요

많은 AI 바이오 기업의 주가에 이미 미래 기대치가 잔뜩 얹혀 있어요. 지금 들어가는 게 ‘저점 매수’인지, 아니면 고점 근처에 앉는 건지 판단이 서질 않아요.

③ 아직 제가 너무 모르거든요

신약 개발 파이프라인 구조, 임상 1·2·3상이 각각 뭘 의미하는지, FDA가 어떻게 움직이는지—이걸 제대로 이해하지 못한 상태에서 돈을 넣는 건 제 원칙에 안 맞아요. 공부가 덜 된 채로 투자하면, 결국 뉴스에 흔들리게 되더라고요.

앞으로 제가 지켜볼 것들

당장 투자하진 않겠지만, 이 섹터는 계속 추적할 거예요. 제 개인 체크리스트예요.

∙AI 기반으로 발굴된 신약 후보의 실제 임상 진입 건수 추이

∙FDA의 AI 활용 신약 심사 가이드라인 변화

∙엔비디아 BioNeMo, 알파벳 AlphaFold의 상업적 계약 건수 공시

∙In Silico 기반 후보 물질의 임상 성공률이 실제로 올라가는지 여부

∙AI 바이오 인프라 수요가 반도체·전력 섹터 실적에 실제로 반영되는지 확인

지금 배당 ETF(QQQI, SPYI)에서 나오는 현금흐름이 사실 이 공부를 버티게 해주는 힘이에요. 하락장에서도 꼬박꼬박 현금이 들어오면, 조급하게 뭔가를 결정하지 않아도 되니까요. 그 여유가 생각보다 크더라고요.

마치며

동료들은 뉴욕 5번가에서 쇼핑하는 동안, 저는 카페 구석에서 단백질 구조 예측을 공부했어요.☺️ 그게 맞는 선택인지는 아직 모르겠지만, 이 섹터가 구조적으로 흥미롭다는 건 확실히 느꼈어요.

AI 바이오헬스케어가 10년짜리 성장 섹터인 건 맞아 보여요. 디지털 생물학과 In Silico 실험이 신약 개발의 속도와 비용 구조를 바꾸고 있고, 그 뒤에는 반도체와 전력 인프라 수요라는 또 다른 흐름이 연결돼 있어요. 하지만 그게 지금 당장 제 투자 버튼을 눌러야 한다는 의미는 아직 아니에요.

뉴욕 날씨는 분명 봄이었는데, 제 계좌에 봄이 오려면 아직 공부가 좀 더 필요한 것 같아요. 같은 섹터를 함께 보고 계신 분들, 의견 있으면 댓글로 나눠주세요. 같이 공부해요! 🌱​​​​​​​​​​​​​​​​

#AI바이오#디지털생물학#엔비디아헬스케어#알파폴드#신약개발AI#미국주식분석#승무원투자자#빌애크먼#성장엔진가속화#은퇴자산관리#QQQI#SPYI#재테크기록