Anthropic Claude의 효소 발견은 CRISPR를 닮았지만, 기능은 여전히 미지수
Anthropic은 Claude가 약 950회의 에이전트 세션을 통해 21시간 동안 생물학 데이터를 탐색한 끝에, 이전에 특성이 규명되지 않았던 효소 시스템을 자율적으로 발견했다고 밝혔다. Anthropic Claude의 효소 발견은 한 가지 중요한 구조적 측면에서 CRISPR와 닮았지만, 이것이 유전자를 편집한다는 실험적 증거는 아직 없다.
이 차이는 흥미로운 과학적 단서와 일부 초기 헤드라인이 암시한 도구를 가르는 핵심이다. Anthropic은 이 시스템을 배열 연관 역전사효소(array-associated reverse transcriptases), 즉 ART라고 부른다. 연구진은 박테리아를 감염시키는 바이러스인 박테리오파지에서 반복 DNA 배열 옆에 위치한 역전사효소 유전자를 발견했다.
이번 결과는 Anthropic이 2026년 봄에 구성한 생명과학 연구 그룹에서 처음으로 공개한 발견이다. 동시에 범용 AI 에이전트가 생물학적 이상 징후를 포착하고 이를 추적해, 과학자들이 검증할 만한 후보를 제시할 수 있는지라는 더 큰 가설도 시험한다. Claude는 그 시험에 한 번 통과했지만, 이후 10회의 캠페인 재실행에서는 이 시스템을 규정하는 배열을 다시 발견하지 못했다.
Anthropic Claude의 효소 발견이 실제로 찾아낸 것
Claude가 발견한 것은 새로운 생물학적 배열이지, 작동하는 CRISPR 대체재가 아니다.
Anthropic은 2026년 9월 23일, 새로 마련한 Bay Area 분자생물학 연구소와 함께 이 결과를 발표했다. 회사의 효소 시스템 발표에 따르면, 해당 연구소는 위험도가 낮은 BSL-1 및 BSL-2 연구를 수행한다. 모든 물리적 실험은 인간 과학자가 진행한다.
컴퓨팅 캠페인은 고수준 연구 브리프로 시작됐다. Claude는 특이한 역전사효소 시스템을 찾도록 요청받았다. 역전사효소, 즉 RT는 RNA를 DNA로 복사하는 효소다.
에이전트들은 198,000개가 넘는 RT 클러스터를 구성하고 수천 개의 인접 단백질 패밀리를 조사했다. Anthropic의 ART 기술 보고서에 따르면, 전체 캠페인에는 949회의 에이전트 세션에 걸쳐 2억 1,560만 토큰이 사용됐다. 경과 시간은 21.5시간이었고, 총 에이전트 작업 시간은 77시간에 달했다.
Anthropic의 공개 요약은 이 수치를 약 200,000개의 RT, 950개 에이전트, 2억 1,000만 토큰으로 반올림했다. 이 숫자는 탐색의 규모를 보여준다. 950명의 독립적인 AI 과학자가 동시에 문제를 조사했다는 뜻은 아니다.
여기서 “에이전트”는 연구 하네스를 통해 조율된 모델 세션이었다. 한 세션은 작업을 계획할 수 있었고, 다른 세션은 이를 검토할 수 있었으며, 어느 쪽이든 후속 작업을 열 수 있었다. 이 구조 덕분에 Claude는 과학자가 모든 중간 결정을 지시하지 않아도 여러 탐색 경로를 살필 수 있었다.
원래 브리프는 역전사효소 옆에 위치한 새로운 파트너 유전자에 초점을 맞췄다. Claude는 3,564개 단백질 패밀리를 가능한 파트너로 평가한 뒤 더 깊은 조사를 진행했다. 검토를 통과한 연관성은 이전에 보고되지 않았던 RT 관계 세 가지였다.
ART는 더 특이한 경로를 통해 나타났다. 한 에이전트는 비정상적으로 큰 게놈을 지닌 박테리오파지인 점보 파지와 연관된 역전사효소 계통을 조사했다. 예상했던 단백질 연관성은 설득력이 없었지만, 에이전트는 주변 게놈 영역을 계속 탐색했다.
에이전트는 원시 상류 DNA를 작업 컨텍스트에 불러왔고, 그 과정에서 직렬 반복 배열을 발견했다. 한 유전자좌에는 약 100~200개 뉴클레오타이드 길이의 고유 구간으로 분리된, 16개 뉴클레오타이드 반복 서열 14개가 있었다.
이 배열은 CRISPR 역시 가변 서열 사이에 반복 DNA를 사용한다는 점에서 CRISPR를 연상시켰다. 세포는 이런 배열을 더 짧은 RNA로 전사하며, 이 RNA는 CRISPR 연관 단백질을 일치하는 유전 물질로 유도할 수 있다.
Anthropic의 실험실 연구에서는 ART 배열 역시 서로 다른 짧은 RNA로 전사된다는 사실이 확인됐다. 한 Staphylococcus 박테리오파지 데이터세트에서는 감염 15분 후 배열 유래 RNA가 파지 RNA의 최대 8퍼센트에 이르렀다.
연구진은 배양 파지와 예측된 바이러스 서열 전반에서 95개의 서로 다른 ART 관련 RT 클러스터를 확인했다. 이 가운데 28개에는 상류에 위치한 검출 가능한 반복 배열이 있었다. 이 시스템은 대체로 역전사효소, 인접한 파트너 유전자, 일정한 간격의 DNA 반복 배열이라는 세 요소를 결합했다.
이러한 관찰은 ART가 이전에 특성화되지 않았던 생물학적 시스템이라는 주장을 뒷받침한다. 그러나 이 시스템이 무엇을 하는지는 밝히지 못한다. Anthropic 연구진은 역전사효소가 활성 상태인지, 짧은 RNA를 기질로 사용하는지, ART가 다른 유전 서열을 표적으로 삼는지를 아직 보여주지 못했다.
따라서 가장 흥미로운 가능성은 확립된 사실이 아니라 열린 가능성으로 남아 있다. ART는 또 다른 프로그래밍 가능한 분자 시스템일 수 있으며, 혹은 CRISPR와 유사한 구조가 파지 내부에서 전혀 다른 역할을 수행할 수도 있다.
CRISPR와의 비교가 중요한 이유
이 비교가 중요한 이유는 CRISPR 역시 처음에는 설명되지 않은 반복 패턴으로 시작했기 때문이지, ART가 이미 유전자 편집을 수행해서가 아니다.
과학자들은 1987년 Escherichia coli 유전자를 조사하던 중 훗날 CRISPR가 된 것을 처음 발견했다. 이들은 익숙하지 않은 반복 DNA 서열을 포착했지만, 기능은 이해하지 못했다. 원래의 CRISPR 서열90183-4)은 연구자들이 이 반복을 미생물 면역과 연결하기 수년 전에 등장했다.
CRISPR라는 용어는 2002년에 등장했다. 이후 연구들은 박테리아와 고세균이 반복 서열 사이에 바이러스 유전 물질 조각을 저장한다는 사실을 확립했다. 이 영역에서 복사된 RNA는 연관 단백질이 일치하는 침입자를 인식하고 공격하도록 돕는다.
연구자들은 결국 이 메커니즘을 프로그래밍 가능한 게놈 편집에 적용했다. 여기서 얻을 수 있는 역사적 교훈은 모든 반복 배열이 생명공학 플랫폼이 된다는 것이 아니다. 오히려 낯선 게놈 패턴이 수년간의 실험 연구 후에야 중요성이 드러나는 분자 장치를 가리킬 수 있다는 점이다.
ART는 이 시각적 문법의 일부를 공유한다. 반복 단위는 가변 서열로 분리되며, 배열은 짧은 RNA를 생성한다. 이러한 특징은 RNA가 다른 분자 활동을 유도하거나 프로그래밍하는지 조사할 근거가 된다.
여러 차이점은 직접적인 동등 비교를 약화시킨다. 기술 보고서는 확립된 CRISPR 시스템의 핵심 단백질을 암호화하는 인접 cas 유전자를 발견하지 못했다. ART 스페이서는 관련 파지들 사이에서 보존된 것으로 보이는 반면, CRISPR 스페이서는 미생물이 서로 다른 바이러스를 만나면서 대체로 달라진다.
ART는 알려진 CRISPR 연관 뉴클레아제가 아니라 역전사효소를 중심으로 구성된다. 뉴클레아제는 핵산을 절단하는 반면, 역전사효소는 RNA를 DNA로 복사한다. 이 차이는 ART가 익숙한 CRISPR 도구처럼 작동하지 않으면서도 게놈 변형에 관여할 수 있음을 의미한다.
CRISPR 게놈 편집 개발에 기여한 Broad Institute 및 MIT 연구자 Feng Zhang은 Anthropic 발표 전에 사전공개본을 검토했다. 그는 역전사효소와 연관된 RNA 반복 배열이 진정으로 흥미롭다며, 추가 조사가 필요하다고 말했다.
그의 반응은 이 발견이 지닌 과학적 관심을 뒷받침한다. 하지만 독립적인 실험 검증을 의미하지는 않는다. ART의 기능이나 프로그래밍 가능성을 확립하는 증거를 발표한 외부 연구실은 아직 없다.
따라서 이 비교는 연구 지도로 활용하는 편이 가장 적절하다. CRISPR는 ART의 반복 유래 RNA가 표적을 암호화하는지, 효소를 유도하는지, 혹은 정보를 기록하는지 묻게 하는 이유를 제공한다. 답을 제공하지는 않는다.
별도의 연구 그룹은 또 다른 역전사효소 계열 옆에서 비암호화 RNA 배열을 보고했다. 해당 게놈 마이닝 사전공개본은 목적에 맞게 설계된 게놈 언어 모델을 사용해 관련 구조 패턴을 식별했다.
이 유사 사례는 반복 연계 역전사효소가 단일한 우연이 아닐 수 있음을 시사하기 때문에 중요하다. 비슷한 구조는 반복적으로 나타나는 생물학적 문제를 해결하기 위해 한 번 이상 진화했을 수 있다.
같은 증거는 Anthropic의 주장을 덜 독보적으로 보이게도 한다. AI 지원 게놈 마이닝은 이미 모호한 비암호화 요소와 그 연관 단백질에 적용되고 있었다. Claude의 기여는 하나의 게놈 과제에 맞춰 설계된 시스템이 아니라 범용 모델과 에이전트 하네스를 사용했다는 데 일부 있다.
Anthropic Claude의 효소 발견이 설득력 있는 이유는 모델이 반복을 찾으라는 지시 없이도 이 시스템을 규정하는 배열을 포착한 것으로 보이기 때문이다. 연구 브리프는 RT 파트너 유전자를 목표로 했고, 에이전트는 처음에는 기각된 단서를 따라간 뒤 배열을 추적했다.
이는 과학적 우연한 발견을 닮았다. 연구자가 한 관계를 찾다가 이상 징후를 발견하고 방향을 바꾸는 방식이다. AI가 이런 패턴을 신뢰성 있게 만들어낼 수 있는지가 이제는 한 번의 성공적인 기록이 인간적으로 들리는지보다 더 중요하다.
진짜 경쟁은 신뢰할 수 있는 발견과 우연한 주목 사이에 있다
Anthropic의 가장 강력한 성과는 Claude가 이상 징후를 인식했다는 점이며, 가장 큰 약점은 시스템이 좀처럼 올바른 곳을 살피지 못했다는 점이다.
발견 캠페인은 제한적이지만 의미 있는 범위에서 자율적이었다. 연구진이 초기 브리프를 제공한 뒤, 하네스는 21시간 넘게 사람의 개입 없이 실행됐다. Claude는 작업을 조직하고, 컴퓨팅 탐색을 구축하고, 약한 후보를 기각하고, 후속 조사를 열었다.
어떤 과학자도 성공한 에이전트에게 반복 배열을 검사하라고 지시하지 않았다. 모델은 독립적으로 상류 서열을 불러오고, 패턴을 설명하고, 분석 코드를 작성하고, 구조를 알려진 시스템과 비교한 뒤, 인간 검토를 위한 보고서를 준비했다.
이는 논문을 요약하거나 익숙한 실험을 제안하는 수준을 넘어선다. 시스템은 광범위한 목표에서 출발해 원래 작업에 명시되지 않았던 관찰로 나아갔다.
하지만 Anthropic은 최초 발견 이후 같은 캠페인을 열 번 재실행했다. 이 재실행 중 어느 것도 배열을 다시 발견하지 못했다.
몇몇 재실행은 ART 관련 서열을 표본으로 추출했고, 두 건은 관련 계통을 조사했다. 그럼에도 에이전트들은 반복이 있는 상류 DNA 영역을 불러오지 못했다. Claude는 이 특징을 인식할 수 있었지만, 워크플로는 그 특징을 모델에 일관되게 노출하지 못했다.
이 차이는 “자율적 발견”을 해석하는 방식을 바꾼다. 성공한 실행은 모델이 유용한 패턴 인식 및 후속 탐색 능력을 갖췄음을 보여준다. 10번의 실패는 주변 에이전트 시스템이 아직 신뢰할 수 있는 범위를 제공하지 못한다는 점을 보여준다.
Anthropic은 인식 능력과 탐색 행동을 분리하기 위해 더 통제된 시험을 진행했다. 연구진은 7개 Claude 모델에 ART 관련 입력을 다섯 가지 세부 수준으로 제공했으며, 이를 프롬프트에 직접 넣거나 파일과 도구를 통해 제공했다.
가장 강력한 모델들은 관련 서열이 컨텍스트에 직접 놓였을 때 시험의 최소 90퍼센트에서 배열을 식별했다. 모델이 도구를 통해 서열을 찾아 읽어야 할 때 성능은 떨어졌다. 일부 조건에서는 인식률이 최저 32퍼센트까지 하락했다.
파일 기반 시도의 39퍼센트에서는 모델이 최소 200개 뉴클레오타이드의 연속 구간을 전혀 읽지 않았다. 따라서 모델은 하나가 넘는 반복 단위를 인식하기에는 너무 적은 원시 서열만 보게 됐다.
병목은 단순히 생물학적 추론의 문제가 아니었다. 개방형 워크플로 내부에서 주의를 관리하는 문제였다.
에이전트는 제한된 시간, 컨텍스트, 컴퓨팅 자원을 지닌다. 어떤 파일을 열고, 어떤 영역을 검사하며, 어떤 이상 징후에 추가 작업을 할당할지 결정해야 한다. 유능한 모델도 도구가 결정적 증거를 요약 과정에서 제거한다면 발견을 놓칠 수 있다.
이는 AI 과학을 위한 더 실용적인 벤치마크를 만든다. 유용한 발견 시스템은 연구자가 눈앞에 제시한 패턴을 식별하는 데 그쳐서는 안 된다. 넓은 탐색 공간을 반복적으로 탐색하고, 올바른 증거를 살펴보기로 결정할 수 있어야 한다.
전통적인 과학 소프트웨어는 흔히 결정론적 파이프라인으로 이 문제를 처리한다. 연구자들은 반복 서열, 단백질 도메인, 보존된 유전자 이웃 구조, 진화적 관계를 찾기 위한 명시적인 검색을 정의한다. 이런 방법은 범위가 좁지만 일관되게 작동한다.
범용 AI 에이전트는 다른 장점을 제공한다. 문헌 검토, 코드 생성, 서열 분석, 가설 수립, 서면 해석을 결합할 수 있다. 또한 결과가 초기 예상과 모순될 때 방향을 바꿀 수도 있다.
그 대가는 가변성이다. 동일한 지시를 받아도 두 번의 실행은 서로 다른 분기를 따를 수 있다. 한 세션은 원시 DNA를 살펴보는 반면, 다른 세션은 요약을 받아들인 뒤 다음 단계로 넘어갈 수 있다.
따라서 Anthropic의 결과는 AI 연구소와 과학 소프트웨어 개발자 모두에 압박을 가한다. 범용 에이전트는 더 재현 가능해져야 한다. 전문 도구는 원시 증거를 잃지 않으면서도 에이전트가 더 쉽게 선택하고 조율할 수 있어야 한다.
더 강력한 시스템은 두 접근법을 결합할 것이다. 결정론적 검증 절차는 에이전트가 최소한의 서열 구간을 검사하고, 반복 탐지 소프트웨어를 실행하며, 중간 증거를 보존하도록 요구할 수 있다. 이후 언어 모델은 가설을 선택하고 예상치 못한 결과를 연결하는 데 집중할 수 있다.
이는 생물학 밖의 훌륭한 지식 작업과도 유사하다. AI 시스템은 원자료를 보존하고, 기저 기록을 검토하며, 작업 전반의 발견을 연결할 수 있을 때 더 나은 분석을 내놓는다. 구조화된 AI 지식 베이스는 전문가 판단을 대체할 수는 없지만, 결정적 증거가 요약 속에서 사라질 가능성을 줄일 수 있다.
Anthropic에게는 이제 또 하나의 대규모 에이전트 수보다 신뢰성이 더 중요하다. 11개 캠페인 중 한 번의 성공을 반복 가능한 결과로 전환한다면, 군집의 규모를 키우는 것보다 자율 연구의 근거를 훨씬 더 강하게 만들 수 있다.
웻랩은 주장을 좁히지만 결론을 내리지는 않는다
물리 실험은 배열이 RNA를 생성한다는 점을 확인했지만, 효소의 활성이나 생물학적 목적은 입증하지 못했다.
AI 생물학 발표는 종종 세 가지 별개 성과를 혼동한다. 가설 생성, 관측 가능한 특징의 검증, 유용한 기능의 증명이다. Anthropic은 ART에 대해 첫 두 단계의 일부를 완료했다.
계산 캠페인은 유전체 배열을 식별하고 그것이 하나의 시스템을 나타낸다고 제안했다. 이후 인간 과학자들은 반복 배열이 발현되는지 시험했다. 이들은 뚜렷한 짧은 RNA 산물을 검출했고, 해당 배열이 활성 생물학적 과정에 참여한다는 생각을 뒷받침했다.
이 검증은 중요하다. 유전체 데이터베이스에는 시퀀싱 오류, 불완전한 어셈블리, 기능적 중요성이 없는 패턴이 포함된다. RNA 발현을 관찰하면 ART를 계산상의 산물로 치부하기가 더 어려워진다.
그러나 전사만으로는 시스템을 설명할 수 없다. DNA 영역은 프로그래밍 가능한 효소를 제어하지 않아도 RNA를 생산할 수 있다. 연구자들은 여전히 ART 역전사효소가 해당 RNA를 복제하는지, 파트너 단백질이 참여하는지, 어떤 생물학적 결과가 이어지는지를 판단해야 한다.
현재 연구에는 독립적 재현도 부족하다. Anthropic은 동료 심사를 거친 학술지 논문 대신 기술 보고서를 발표했다. 외부 연구자들은 방법을 검토할 수 있지만, 다른 연구실이 생화학적 관찰을 공개적으로 재현하지는 않았다.
회사는 불리한 결과를 기록한 점에서 공로를 인정받을 만하다. 10회의 실패한 재실행과 낮은 파일 기반 벤치마크 점수는 마케팅 표현을 복잡하게 만들지만, 보고서에는 이러한 내용이 포함돼 있다.
이런 공개는 독자가 세 가지 주장을 구분할 수 있게 한다.
첫째, Claude는 비지도 캠페인 중 간과됐던 유전체 패턴을 발견했다. 이용 가능한 로그와 방법론은 이 설명을 뒷받침한다.
둘째, ART는 반복 배열이 짧은 RNA를 생성하는, 이전에 특성화되지 않은 시스템이다. Anthropic의 실험은 외부 재현을 전제로 이 결론을 뒷받침한다.
셋째, ART는 프로그래밍 가능한 유전자 편집 플랫폼으로서 CRISPR에 필적한다. 현재 증거는 이 결론을 뒷받침하지 않는다.
Anthropic 자체도 일부 요약보다 더 신중한 언어를 사용한다. 회사는 CRISPR을 “연상시키는” 특성을 설명하며, 시스템이 유사한 무언가를 포함할 수 있다고 말한다. 또한 ART의 주요 기능은 아직 알려지지 않았다고 명시한다.
두 번째와 세 번째 주장 사이의 간극을 메우는 데는 상당한 작업이 필요할 수 있다. 연구자들은 관련 단백질을 정제하거나 발현하고, 분자 기질을 식별하며, 활성을 측정하고, 스페이서 서열의 변경이 표적을 바꾸는지 시험해야 한다.
ART의 자연적 역할도 규명해야 한다. 이 시스템은 주로 박테리오파지에서 나타나는 것으로 보이므로, 바이러스가 유전 정보를 복제하거나, 세균 방어를 회피하거나, 숙주 세포를 조작하거나, 다른 파지와 경쟁하는 데 도움을 줄 수 있다. 각 가능성은 서로 다른 실험 프로그램을 뜻한다.
시스템이 프로그래밍 가능해진다면 안전성과 거버넌스가 중요해질 것이다. Anthropic은 자사 연구실이 인간을 감염시킬 수 있는 병원체를 다루지 않는다고 말한다. 현재 실험은 임상적 또는 고위험 유전자 편집 응용과는 아직 거리가 멀다.
회사는 또한 AI 에이전트가 과학 기기를 작동하게 하는 방안을 탐색하고 있다. 회사의 하드웨어 표준 프리뷰는 현미경, 액체 취급 장비, 로봇 팔, 그 밖의 프로그래밍 가능한 장치를 위한 공통 인터페이스를 설명한다.
ART는 완전한 로봇 연구실에서 등장한 것이 아니다. Claude는 데이터베이스 검색을 수행하고 분석을 지원했으며, 웻랩 작업은 인간 과학자들이 수행했다. 이 구분은 자율성 주장과 즉각적인 물리적 위험을 모두 제한한다는 점에서 중요하다.
에이전트 기반 분석과 자동화 실험을 결합하면 더 완전한 발견 순환이 만들어질 것이다. AI 시스템은 후보를 제안하고, 시험을 지시하며, 결과를 검토하고, 가설을 수정할 수 있다. 동시에 기기 제어, 오염, 실험 설계, 위험한 목표와 관련한 추가 실패 모드도 만들어낼 것이다.
Anthropic은 이미 Claude가 물리적 제약에 어려움을 겪을 수 있음을 관찰했다. 실험실 자동화 시험에서 모델은 기포가 오류를 일으키자 액체 취급 작업을 재시도했고, 이는 문제를 악화시켰다. 인간의 안내는 모델이 물리적 원인을 인식하고 행동을 조정하는 데 도움이 됐다.
이 사례는 현재 AI 과학의 핵심 한계를 포착한다. 모델은 방대한 양의 상징적 정보를 가로질러 추론할 수 있지만, 과학자가 축적한 물리적 직관은 갖고 있지 않다. 웻랩은 텍스트나 코드에서는 그럴듯해 보이는 오류를 드러낸다.
따라서 ART는 결과가 아직 불완전하기 때문에 유용한 초기 시험이다. AI는 유망한 단서를 만들었다. 인간 실험은 그 단서의 일부가 실제임을 확인했다. 그러나 어느 쪽도 아직 생물학을 설명하지 못했다.
과학자와 AI 개발자가 다음으로 지켜봐야 할 것
세 가지 신호가 ART가 중요한 발견이 될지, 아니면 교육적인 AI 생성 단서로 남을지를 결정할 것이다.
첫 번째 신호는 기능 검증이다. 연구자들은 역전사효소 또는 그 파트너 단백질이 배열 유래 RNA와 관련된 측정 가능한 반응을 수행한다는 증거를 확보해야 한다.
설득력 있는 실험은 효소의 기질과 산물을 식별할 것이다. 더 강한 증거는 반복 서열이나 스페이서를 바꾸면 예측 가능한 방식으로 분자적 결과가 달라진다는 점을 보여줄 것이다.
ART가 프로그래밍 가능하다고 입증되면 CRISPR 비교는 실질적 근거를 얻는다. RNA가 효소 활성과 무관하다면, 시스템이 생물학적으로 흥미롭더라도 그 비교는 약해진다.
두 번째 신호는 독립적 재현이다. 다른 연구실은 Anthropic의 내부 워크플로에 의존하지 않고 RNA 산물을 확인하고, 시스템을 재구성하며, 구성 요소를 시험해야 한다.
독립적인 결과는 생물학과 회사의 모델 시연을 분리할 것이다. 관찰 결과가 재현되지 않는다면 실험 조건, 서열 선택, 분석을 더 면밀히 검토해야 한다.
동료 심사는 도움이 되겠지만, 출판만으로 결정적 기준이 되지는 않는다. 서로 다른 인센티브와 장비를 가진 연구자들의 기능 실험이 더 큰 무게를 지닐 것이다.
세 번째 신호는 캠페인 재현성이다. Anthropic 또는 다른 그룹은 에이전트가 유망한 유전자좌 주변의 원시 서열을 반드시 검토하도록 하는 안전장치를 갖춰 발견 워크플로를 재실행해야 한다.
통제된 벤치마크는 이미 직접적인 개입 방안을 시사한다. Claude는 관련 DNA를 읽을 때 대체로 반복 서열을 인식한다. 더 나은 하니스는 워크플로를 ART를 찾도록 특별히 설계된 스크립트로 바꾸지 않으면서 이 검토를 체계화해야 한다.
연구자들은 가장 좋은 기록만이 아니라 여러 실행에 걸친 성공률을 보고해야 한다. 또한 인간 검토가 필요했던 후보 수, 각 캠페인에 사용된 컴퓨팅 자원, 최종 결과를 바꾼 자동화 의사결정을 공개해야 한다.
수정된 시스템이 대부분의 유사한 실행에서 ART를 찾는다면, 최초의 11분의 1 결과는 초기 엔지니어링 한계로 보일 것이다. 성공이 여전히 드물다면, 자율 발견은 신뢰할 수 있는 과학 인프라보다 기회주의적 탐색에 더 가까울 것이다.
그렇다고 원래 관찰이 무가치해지는 것은 아니다. 인간 과학 또한 우연, 이례적인 주의, 약한 신호를 따라가는 연구자에게 의존한다. AI의 가치는 부분적으로 이런 순간을 위한 기회를 더 많이 만드는 데서 나올 수 있다.
경제적 질문은 그러한 기회가 산출물을 선별하는 비용을 정당화하는지 여부다. Anthropic의 캠페인은 수천 개의 가능한 연관성과 읽을 가치가 있는 훨씬 작은 보고서 집합을 만들어냈다. 인간 전문가는 여전히 후보를 판단하고 실험을 수행해야 했다.
현업 과학자에게 즉각적인 교훈은 “AI가 연구자를 대체할 수 있다”보다 더 좁다. 범용 에이전트는 한 사람이 지속하기 어려운 규모로 문헌, 유전체 데이터, 계산 도구를 검색할 수 있다. 하지만 워크플로가 원시 데이터를 보존하고 충분한 검토를 요구하지 않으면 명백한 증거도 놓칠 수 있다.
AI 개발자에게 ART는 매끄러운 과학 문장보다 더 나은 벤치마크를 제공한다. 에이전트는 열린 탐색 공간을 탐색하고, 증거를 보존하며, 이상 징후를 인식하고, 첫 설명에 이의를 제기하며, 이후 그 경로를 재현할 수 있는가?
기업 및 지식 노동 팀에도 같은 설계 원칙이 적용된다. 에이전트 품질은 원본 기록에 대한 접근, 추적 가능한 의사결정, 재현 가능한 검색에 달려 있다. 유용한 검색 가능한 지식 베이스는 단지 자신감 있는 결론을 제시하는 것이 아니라, 사람들이 답이 어떻게 나왔는지 검증하도록 도와야 한다.
Anthropic의 Claude 효소 발견은 이미 하나의 의미 있는 기준을 넘어섰다. Claude는 연구자들이 특성화하지 않았던 유전체 구조를 발견하고 인간의 관심을 그 방향으로 이끌었다.
그러나 반복 가능한 발견, 독립적 검증, 입증된 유전자 편집 기능이라는 더 어려운 기준은 아직 넘지 못했다. 이제 중요한 측정 기준은 이것들이다.
비유가 아니라 실험을 지켜봐야 한다. ART가 프로그래밍 가능함이 입증되고 다른 연구실이 이를 재현한다면, Anthropic은 AI가 중요한 생물학적 발견을 시작할 수 있다는 강력한 사례를 갖게 될 것이다. 기능이 계속 밝혀지지 않더라도 이 프로젝트는 여전히 유용한 사실을 보여줄 것이다. AI는 과학적 단서를 생성할 수 있지만, 신뢰할 수 있는 과학은 그 단서가 증거와 반복적으로 맞닿은 뒤에도 살아남을 때 시작된다.
