Databricks가 데이터를 먼저 정비해 FDA의 일일 AI 사용률 85%를 달성한 방법

Databricks에 따르면 FDA는 분산된 AI 파일럿 단계에서 약 두 달 만에 직원 일일 채택률 85%에 도달했다. 눈에 띄는 점은 무엇이 먼저였는가다. FDA는 더 나은 챗봇으로 시작하지 않았다. 먼저 독립적으로 운영되던 8개 센터 전반의 데이터, 권한, 접근 체계를 통합했다.

이 차이는 Databricks의 성공 사례가 단순히 직원들에게 AI 보조 도구를 제공했다는 또 하나의 보고서보다 더 유용한 이유다. FDA는 이미 개별 챗봇과 데이터 저장소를 실험한 바 있다. 더 어려운 과제는 통제 체계를 약화하지 않으면서 민감한 정보를 조직 경계 전반에서 활용할 수 있게 하는 일이었다.

따라서 핵심 갈등은 한 AI 공급업체와 다른 공급업체의 대결이 아니다. 거버넌스 기반 인프라와 파편화된 실험의 대립이다. FDA의 보고된 채택률은 AI가 신뢰할 수 있는 정보에 접근하고 특정 업무 부담을 덜어줄 때 직원들이 이를 사용한다는 점을 시사한다. 다만 공개된 근거만으로는 측정 방식, 정확성, 규제 성과에 미친 영향에 관한 중요한 질문이 여전히 남는다.

FDA는 8개의 AI 섬을 하나의 플랫폼으로 통합했다

FDA의 핵심 변화는 조직과 아키텍처에 있었다. 8개 센터가 고립된 AI 시스템을 구축하는 대신, 거버넌스 기반의 공통 토대를 공유하기 시작했다.

FDA의 업무 범위는 의약품, 생물의약품, 의료기기, 식품, 수의학, 담배 제품, 검사 업무에 걸쳐 있다. 이러한 책임은 각기 다른 워크플로, 기술 시스템, 규제 요건을 가진 센터들에 분산돼 있다. 각 센터는 자체 데이터 리소스를 개발했고, 일부는 별도의 AI 역량도 구축했다.

이러한 독립성은 익숙한 엔터프라이즈 문제를 만들었다. 팀들은 기술 투자 비용을 중복 지출했고, 연관된 정보를 서로 다른 곳에 저장했으며, 데이터를 통합적으로 볼 수 없었다. 한 센터에서 유용한 모델이라도 다른 센터가 관리하는 문서나 정형 레코드에는 자동으로 접근할 수 없었다.

규모가 클수록 이런 분할의 비용은 더 커졌다. Databricks는 FDA가 약 1페타바이트의 문서를 관리하고, 매일 수백 기가바이트의 데이터를 수신하며, 매달 수천 건의 규제 제출 문서를 처리한다고 설명한다. 이 수치는 공급업체 사례 연구에서 나온 것이며, 공개적으로 독립 감사를 받은 것은 아니다.

FDA 플랫폼 설명에 따르면, FDA의 기술 리더십은 3~4개월 안에 50~60개의 데이터 소스를 통합했다. 이 소스들은 8개 센터 전체에서 모여 공유 Databricks 환경으로 들어갔다.

CDER로 알려진 의약품평가연구센터(Center for Drug Evaluation and Research)는 실무 선례를 제공했다. CDER는 5년에 걸쳐 Databricks 위에 자체 데이터 플랫폼을 개발해 왔다. 이 성과는 더 넓은 조직에 공유 기반이 실제 규제 업무를 지원할 수 있다는 근거를 제시했다.

기존에 4~5일이 걸렸다고 전해지는 데이터 교환은 훨씬 빨라졌다. 이 플랫폼은 정보가 정해진 일정에 따라 이동하는 일부 배치 처리도 실시간 스트리밍으로 대체했다. 스트리밍은 다음 배치를 기다리지 않고 새 레코드가 들어오는 대로 사용할 수 있게 한다.

기술적 통합만으로는 문제가 해결되지 않았다. FDA 센터들은 영업비밀, 독점적 제출 자료, 그 밖의 민감한 자료를 다룬다. 어느 한 센터라도 정보 통제권을 잃는다고 우려했다면, 공통 데이터 계층은 정치적으로도 운영상으로도 실패했을 것이다.

Databricks의 중앙집중형 거버넌스 계층인 Unity Catalog가 통제 지점이 됐다. 이는 데이터 자산 전반에 권한을 적용하고 접근을 추적한다. Databricks는 FDA가 이를 활용해 테이블 수준 접근을 포함한 세분화된 통제를 시행했다고 설명한다.

이 거버넌스 계층은 실질적인 원칙을 만들었다. 인프라를 공유한다고 해서 모든 레코드를 모든 직원과 공유하는 것은 아니었다. 팀들은 승인 요건과 센터별 경계를 유지하면서 정보를 연결할 수 있었다.

FDA는 이후 통합 플랫폼을 데이터용 조화형 AI 및 수명주기 운영(Harmonized AI and Lifecycle Operations for Data)의 약자인 HALO로 설명했다. 2026년 5월 FDA는 HALO가 40개가 넘는 애플리케이션 및 제출 자료 소스, 시스템, 포털을 결합했다고 밝혔다. 이 수치와 Databricks가 언급한 50~60개 소스의 차이는 집계 방식이 다르기 때문일 가능성이 높다.

이것이 Databricks 사례의 첫 번째 중요한 교훈이다. 통합은 현지의 책임을 없애지 않았다. 대신 각 센터가 보호 대상 데이터를 통제하면서도 정보를 찾고, 거버넌스를 적용하고, 활용할 수 있는 공통 방식을 만들었다.

순서도 중요했다. FDA는 모든 직원에게 민감한 업무에 범용 챗봇을 신뢰하라고 요구하지 않았다. 정보 계층을 먼저 구축하고, CDER 내부에서 가치를 입증한 뒤, 그 모델을 확장했다. 채택은 이 기반이 접근 통제를 없애지 않으면서 지연을 줄일 수 있다는 근거를 따른 결과였다.

이 순서는 흔한 엔터프라이즈 패턴에 이의를 제기한다. 많은 조직이 권한, 문서, 데이터베이스가 여전히 분산된 상태에서 AI 인터페이스를 구매한다. 이후 직원들은 불완전한 답변, 누락된 맥락, 중요한 업무를 지원하지 못하는 시스템을 마주한다.

공유 데이터 기반이 신뢰할 수 있는 AI를 보장하지는 않는다. 그러나 적절한 정보에 접근할 수 없는 보조 도구라는 예측 가능한 실패 원인 하나는 제거한다. FDA의 다음 단계는 이 기반 위에 기관 전체를 위한 인터페이스를 올리는 일이었다.

Databricks가 Elsa를 챗봇에서 일상 업무 도구로 발전시킨 방법

Elsa가 확산된 이유는 FDA가 하나의 인터페이스를 거버넌스 기반 정보와 연결하고, 직원들이 이를 기존 절차에 맞게 구성할 수 있도록 했기 때문이다.

FDA는 2025년 6월 2일 Elsa를 기관 전체에 도입했다. Elsa는 읽기, 쓰기, 요약, 검색 및 관련 직원 업무를 위해 설계된 생성형 AI 보조 도구다. Elsa 초기 출시를 통해 과학 검토자, 조사관 및 기타 직원이 이를 사용할 수 있게 됐다.

이번 출시는 2025년 5월 발표된 과학 검토 파일럿을 이은 것이다. Marty Makary 국장은 6월 30일까지 모든 센터로 시스템을 확대하라고 지시했다. FDA는 그 마감일보다 앞서 Elsa를 출시했다.

FDA는 처음에 몇 가지 실용적 활용 사례를 제시했다. Elsa는 이상반응 정보를 요약하고, 제품 라벨을 비교하며, 특정 데이터베이스용 코드를 생성할 수 있었다. FDA 관계자들은 팀들이 임상 프로토콜 검토와 검사 우선순위 설정에도 이를 사용하고 있다고 밝혔다.

이는 AI가 규제 결정을 내릴 것이라는 약속이 아니라, 범위가 제한된 업무였다. 이 차이는 중요하다. 검색, 요약, 문서 비교는 자격을 갖춘 검토자의 판단을 유지하면서 준비 시간을 줄일 수 있다.

FDA는 Elsa가 고보안 GovCloud 환경에서 작동한다고 밝혔다. 또한 모델이 규제 대상 기업이 제출한 정보를 학습하지 않는다고 설명했다. 이러한 보호 조치는 제약, 생명공학, 식품, 의료기기 기업의 핵심 우려를 해소했다.

2025년 12월이 되자 FDA는 직원의 70% 이상이 자발적으로 Elsa를 사용한다고 밝혔다. 이후 FDA는 정의된 지침 아래 소프트웨어가 여러 연결된 단계를 계획하고 실행할 수 있게 하는 에이전틱 기능을 도입했다. 직원들은 회의 관리, 검토, 감시, 검사, 규정 준수, 행정 업무를 위한 워크플로를 구축할 수 있었다.

에이전틱 AI 배포에는 두 달간의 내부 챌린지도 포함됐다. 직원들은 솔루션을 구축하고 FDA의 Scientific Computing Day에서 이를 시연하도록 초대받았다. 이 프로그램은 단순한 소프트웨어 배포가 아니라 채택을 참여로 전환했다.

Databricks는 현재 FDA 직원 16,000명 가운데 사용률이 약 두 달 만에 1% 미만에서 85%로 상승했다고 보고한다. 제목에서는 일일 사용을 언급하지만, 해당 글은 기반 분석 데이터, 기간 또는 활성 사용자 정의를 공개하지 않는다.

이 한계는 중요하다. 매일 애플리케이션을 한 번 여는 것과 중요한 워크플로를 완료하는 것은 다르다. 채택률만으로는 답변 품질, 절감된 시간, 센터 전반에서 사용이 일관되게 유지되는지에 대해서도 거의 알 수 없다.

그럼에도 보고된 사용 행태는 단순한 라이선스 수보다 더 많은 내용을 보여준다. Databricks에 따르면 의사, 과학자, 검토자, 행정 직원들은 매주 수백 개의 에이전트를 만들고 있다. 직원들은 표준 운영 절차, 지침, 센터별 문서를 활용해 이 에이전트의 근거를 마련하는 것으로 전해진다.

그라운딩은 AI 시스템에 요청과 관련된 승인된 정보를 제공하는 것을 의미한다. 그러면 모델은 일반 학습 데이터에만 의존하지 않고 이러한 자료에 근거해 응답할 수 있다. 이 접근법은 관련성을 높일 수 있지만, 부정확한 출력을 완전히 없앨 수는 없다.

모델 선택 역시 직원 경험과 분리됐다. Databricks는 Elsa가 하나의 인터페이스를 통해 여러 모델에 접근할 수 있도록 한다고 설명한다. 이러한 설계는 데이터 권한과 워크플로를 공유 계층에 유지하면서 단일 모델에 대한 의존도를 낮춘다.

이 아키텍처는 Unity Catalog 위에 Model Context Protocol 서버를 배치하는 것으로 전해진다. Model Context Protocol, 즉 MCP는 AI 시스템이 승인된 도구와 정보에 연결하는 표준 방식이다. 이를 통해 에이전트는 무제한 접근 권한을 받지 않고도 거버넌스가 적용된 리소스를 요청할 수 있다.

직원에게 이러한 계층은 대체로 보이지 않아야 한다. 검토자는 질문을 하거나 워크플로를 실행한다. 플랫폼은 그 사람의 권한에 따라 어떤 승인된 정보와 도구를 사용할 수 있는지 결정한다.

이 지점에서 FDA의 접근 방식은 단절된 챗봇 도입과 다르다. 범용 보조 도구는 텍스트를 작성할 수 있지만, 어떤 내부 레코드가 권위 있는지 아는 경우는 드물다. Elsa는 기관의 정보 경계와 운영 맥락 안에서 작동하도록 설계됐다.

개인 및 팀 시스템에도 비슷한 원칙이 적용된다. AI 보조 도구는 정리된 AI 지식 기반, 명확한 소스, 통제된 검색과 함께 작동할 때 더 유용해진다. FDA는 이 원칙을 규제 규모에 적용했다.

따라서 Databricks 사례는 하나의 채택 순환을 설명한다. 거버넌스가 적용된 정보는 구체적인 워크플로를 가능하게 한다. 유용한 워크플로는 직원을 끌어들인다. 이들의 사용은 새로운 요구를 드러내고, 이는 팀이 추가 에이전트를 만들도록 이끈다.

그러나 빠른 생성은 새로운 거버넌스 문제를 낳는다. 매주 수백 개의 새 에이전트가 만들어지면 중복 도구, 일관성 없는 지침, 충분히 테스트되지 않은 출력이 생길 수 있다. 생성 장벽을 낮추는 동일한 플랫폼은 평가, 소유권, 폐기도 지원해야 한다.

FDA의 초기 성과는 직원들이 이 도구를 사용하도록 만든 데 있다. 장기적 시험대는 현지에서 만든 에이전트가 수가 늘어날수록 정확성, 추적 가능성, 관리 가능성을 유지하는지다.

3분 검토 사례가 채택 가속의 이유를 보여준다

가장 강력한 근거는 채택률이 아니라, 며칠이 걸리던 특정 워크플로가 약 3분으로 줄었다고 전해지는 사례다.

의약품 검토자들은 때때로 제조 과정에서 사용되는 원재료인 출발 물질을 식별해야 한다. 관련 세부 정보는 방대한 규제 제출 자료 안에 있을 수 있다. 검토자들은 이러한 물질을 제품, 공급업체, 제조업체와 연결해야 한다.

Databricks에 따르면 이전에는 개별 파일을 열고, 키워드 검색을 실행하며, 답을 수작업으로 조합해야 했다. 관련 정보는 300만~400만 페이지에 분산돼 있을 수 있었다. 따라서 단순한 질문도 느린 문서 조사로 이어졌다.

팀은 머신러닝과 자연어 처리를 활용해 해당 문서들에서 특정 데이터를 추출했다. 시작 물질과 제품, 공급업체, 제조업체 간의 관계를 추적했다. MLflow는 이러한 데이터 처리 모델의 개발과 관리에 활용됐다.

이후 추출된 정보는 Elsa를 통해 접근할 수 있게 됐다. 검토자는 신청 번호를 입력하고 관련 시작 물질을 요청할 수 있었다. Databricks에 따르면 이 시스템은 수일이 걸리던 수작업 조사를 약 3분 만에 근거 기반 답변으로 제공했다.

이 주장은 신중하게 표현할 필요가 있다. 사례 연구는 Databricks가 공개한 것이며, 공개된 기사에는 독립적인 벤치마크가 포함돼 있지 않다. 표본 규모, 정확도, 오류 유형 또는 모든 제출 건에서 동일한 결과가 나왔는지는 보고되지 않았다.

이러한 단서에도 불구하고, 이 워크플로는 직원들이 매일 다시 사용할 만한 이유를 설명한다. 명확한 질문, 식별 가능한 출처, 자격을 갖춘 검토자가 이미 있는 업무에서 정보 탐색 부담을 없앤다. AI는 가치를 제공하기 위해 검토자를 대체할 필요가 없다.

FDA의 AI 전략 및 혁신 책임자인 Venu Boppana는 이러한 역할 분담을 성공의 핵심으로 제시했다. 그는 검토 직원이 검색에 시간을 쓰지 않고 핵심 업무에 집중하도록 하는 것이 목표라고 말했다.

이는 직원들에게 범용 보조 도구의 활용법을 새로 찾아내도록 요구하는 방식보다 더 신뢰할 수 있는 도입 메커니즘이다. 이 플랫폼은 기존 프로세스 안에서 사람들을 지원한다. 인간의 의사결정 지점을 유지하면서 측정 가능한 병목을 줄인다.

이 메커니즘은 데이터 플랫폼이 왜 중요했는지도 분명히 한다. 고도화된 언어 모델만으로는 어느 신청서, 공급업체 또는 제조 문서에 권위 있는 답변이 담겨 있는지 알 수 없다. 추출된 기록, 관계 정보, 권한, 식별자가 필요했다.

검색 품질은 선행 데이터 엔지니어링에 달려 있었다. 팀은 수백만 페이지를 처리하고, 중요한 엔터티를 정의하며, 이러한 자산을 안전하게 노출해야 했다. 눈에 보이는 3분 응답 뒤에는 수년간의 덜 가시적인 플랫폼 작업이 있었다.

이 패턴은 시연 중심으로 구축된 엔터프라이즈 AI 프로그램에 압박을 가한다. 세련된 대화형 인터페이스는 경영진에게 깊은 인상을 줄 수 있지만, 답변에 내부 맥락이 부족하면 직원들은 이를 떠난다. 일상적인 사용에는 일상 업무 안에서 반복적으로 제공되는 가치가 필요하다.

이는 고립된 부서별 도구에도 압박을 가한다. 특정 센터 전용 보조 도구는 범위가 좁기 때문에 빠르게 발전할 수 있다. 그러나 다른 부서가 관련 정보나 공동 거버넌스를 필요로 할 때 사일로를 재현할 수 있다.

FDA는 CDER의 운영 플랫폼을 출발점으로 유지한 뒤, 그 역량을 여러 센터에 맞게 조정했다. 이 접근법은 현지 수준의 검증과 조직 전반의 인프라 사이에서 균형을 맞췄다. 유용한 워크플로를 입증하기 전에 완벽한 전사 설계를 기다리지 않았다.

역사적 순서가 중요하다. CDER의 5년간 플랫폼 구축 노력은 빠른 기관 전반 도입 사례보다 앞섰다. 2개월 도입 수치는 총 개발 기간 2개월 만에 나온 것이 아니다. 수년간의 데이터 준비와 집중적인 통합 단계를 거친 결과였다.

이러한 뉘앙스는 다른 조직이 이 결과를 해석하는 방식에 반영돼야 한다. 이 사례는 어떤 기관이든 보조 도구를 배포하면 몇 주 안에 85%의 사용률에 도달할 수 있다는 뜻이 아니다. 성숙한 데이터 기반과 신뢰할 수 있는 내부 선례가 있다면 빠른 도입이 뒤따를 수 있음을 보여준다.

이 워크플로는 보조와 판정의 경계도 보여준다. 시작 물질 정보를 찾는 일은 의약품이 안전하거나 효과적인지를 결정하는 일과 다르다. 더 빠른 근거 검색은 검토를 지원할 수 있지만, 최종 규제 결론을 검증하지는 않는다.

FDA 정책은 전 과정에 걸쳐 인간 분야 전문가를 배치한다. FDA는 직원들이 입력값, 분석 단계, 그리고 결과물이 활용되는 방식을 검증한다고 설명한다. 근거가 있는 듯한 답변도 관련 문서를 누락하거나 관계를 잘못 해석할 수 있으므로, 이 안전장치는 필수적이다.

따라서 3분 사례를 가장 적절하게 해석하면 제한적이지만 의미가 있다. 이 플랫폼은 조사 업무를 단축하고, 뒷받침하는 정보에 더 쉽게 접근하게 하며, 전문가에게 시간을 돌려주는 것으로 알려졌다. AI가 독립적으로 과학적 검토를 수행할 수 있음을 입증하는 것은 아니다.

85% 도입 주장이 말해주지 않는 것

높은 사용률은 접근성과 체감 효용의 증거이지만, 규제 정확성이나 더 나은 공중보건 결과의 증거는 아니다.

85% 수치는 Databricks가 2026년 7월에 공개한 설명에서 나왔다. 이 회사는 기반 데이터 플랫폼을 공급하므로, 해당 사례 연구는 자사의 상업적 서사도 뒷받침한다. 독자는 이 수치를 독립적 발견이 아니라 보고된 고객 지표로 받아들여야 한다.

FDA는 이러한 흐름을 뒷받침하는 더 이른 도입 데이터를 공개한 바 있다. 2025년 12월, FDA는 직원의 70% 이상이 자발적으로 Elsa를 사용했다고 밝혔다. 이 공식 공개는 광범위한 도입이 그럴듯함을 보여주지만, 85%의 일일 사용률을 독립적으로 확인하지는 않는다.

몇 가지 측정 세부 정보는 여전히 빠져 있다. FDA와 Databricks 모두 일일 사용자로 집계되기 위해 필요한 최소 활동 기준을 공개적으로 설명하지 않았다. 센터별, 직무별, 워크플로별 도입 현황도 공개하지 않았다.

불균등한 사용은 중요할 수 있다. 행정 직원은 요약 기능을 자주 사용할 수 있는 반면, 과학 검토자는 더 적지만 고위험 업무에 Elsa를 활용할 수 있다. 하나의 기관 전체 비율은 이러한 차이를 가릴 수 있다.

공개 자료에는 시스템 전반의 정확도 평가도 없다. 3분 시작 물질 사례는 속도를 보여주지만, 정밀도, 재현율, 검토자 수정률은 제시하지 않는다. 이러한 지표는 더 빠른 검색이 신뢰성도 유지하는지를 보여줄 것이다.

거버넌스 관련 주장도 비슷한 검토가 필요하다. FDA는 Elsa가 사용자 입력이나 규제 대상 산업의 제출 자료로 학습하지 않는다고 말한다. 또한 이 시스템이 고영향 클라우드 데이터를 위한 연방 보안 표준인 FedRAMP High 환경에서 운영된다고 설명한다.

이는 중요한 통제 장치이지만 모든 위험을 해소하지는 않는다. 권한을 가진 사용자도 여전히 부적절한 정보를 요청할 수 있다. 에이전트는 허용된 데이터를 예상치 못한 방식으로 결합할 수 있고, 생성된 요약은 원본 문서에 있는 단서를 누락할 수 있다.

빠른 에이전트 생성은 이 과제를 확대한다. 각 맞춤형 에이전트에는 서로 다른 지침, 도구, 문서 세트가 포함될 수 있다. 일관된 테스트가 없다면 유사한 질문에 답하는 두 에이전트가 상충하는 결과를 낼 수 있다.

FDA의 인간 검토 요건은 이러한 차이로 인한 결과를 제한한다. 그러나 인간 감독은 검토자가 시스템의 한계를 이해하고 뒷받침하는 근거를 검토할 수 있을 때만 작동한다. 자동화 편향은 사람들이 자신감 있는 답변을 너무 쉽게 받아들이게 할 수 있다.

외부 전문가들은 광범위한 출시 이전부터 이러한 우려를 제기했다. Scripps Research의 Eric Topol은 Axios에 이 개념 자체는 타당하지만, 제한된 세부 정보와 성급해 보이는 추진이 우려된다고 말했다. 그는 또한 어떤 모델과 학습 입력이 시스템을 뒷받침하는지 의문을 제기했다.

전 FDA 국장 Robert Califf는 일정에 대한 신중함을 유지하면서도 열의를 표했다. 업계 관계자들은 검토를 더 효율적으로 만들려는 노력을 환영하면서도 독점적 제출 자료의 보호를 강조했다. 이러한 반응은 Elsa가 광범위하게 도입되기 전에 핵심적인 상충 관계를 드러냈다.

출시 관련 우려는 사용률이 증가했다고 해서 사라지지 않았다. 이제 더 많은 직원과 워크플로가 플랫폼에 의존하기 때문에, 도입은 평가의 시급성을 높일 수 있다.

직원 효율성과 규제 처리량 사이에도 차이가 있다. 검토자는 정보를 더 빨리 찾을 수 있지만, 전체 검토 주기가 단축되는 것은 아닐 수 있다. 다른 과학적, 법적, 제조, 커뮤니케이션 단계는 그대로 남을 수 있다.

FDA는 AI를 치료 접근성 향상과 연결해 왔지만, 공개 증거는 그 인과관계를 확립하지 못했다. 신중한 분석은 한 조사 업무에서 절약된 시간을 더 빠른 승인이나 더 나은 환자 결과에 대한 주장으로 바꾸어서는 안 된다.

FDA의 2026년 5월 발표는 의도된 안전장치를 더 명확히 보여준다. 전문가들이 입력값, 분석 과정, 결과물의 구현을 검증한다고 설명한다. 같은 발표는 Elsa가 통제된 웹 검색을 제공함에도 인터넷에 직접 연결되지 않는다고 명시한다.

Elsa 4.0에는 문서 생성, 정량 분석, 시각화, 광학 문자 인식, 받아쓰기, 맞춤형 에이전트도 추가됐다. Elsa 4.0 업데이트는 시스템의 범위를 크게 넓혔다.

더 광범위한 기능은 유용성과 노출을 모두 높인다. 문서 생성은 시간을 절약할 수 있지만 검토 의무를 만든다. 정량 분석은 패턴을 드러낼 수 있지만, 잘못된 가정은 결과 차트에 영향을 줄 수 있다.

FDA는 이제 로그인 수를 넘어선 증거가 필요하다. 유용한 지표에는 수정률, 열람된 인용, 완료된 업무, 검토자 절감 시간, 부적절한 접근 관련 사고가 포함된다. 성과 지표는 행정 업무와 과학적 검토도 구분해야 한다.

이러한 불확실성 어느 것도 플랫폼의 보고된 도입을 무효화하지는 않는다. 다만 도입 수치가 뒷받침할 수 있는 범위를 규정한다. 이는 직원들이 다시 사용할 이유를 찾았음을 보여줄 뿐, 모든 결과물이 정확했거나 모든 워크플로가 개선됐음을 뜻하지는 않는다.

이러한 구분은 이야기가 공급업체 홍보로 변질되는 것을 막는다. FDA는 중요한 접근성과 인프라 문제를 해결한 것으로 보인다. 그러나 수천 명의 직원과 수백 개의 신규 에이전트 전반에서 빠른 사용이 일관된 평가와 공존할 수 있음을 여전히 입증해야 한다.

FDA 모델의 성립 여부를 보여줄 세 가지 신호

다음 단계에서는 FDA가 광범위한 실험을 모든 센터에서 측정 가능하고, 거버넌스가 적용되며, 반복 가능한 업무로 전환할 수 있는지가 시험대에 오른다.

첫 번째 신호는 더 나은 정의를 갖춘 도입 보고다. FDA는 활성 사용 기준, 센터별 참여도, 의미 있는 워크플로를 완료하는 직원 비율을 공개해야 한다. 초기 출시 이후에도 안정적인 사용이 이어진다면 지속 가능한 가치에 대한 근거가 강화될 것이다.

감소가 반드시 실패를 의미하지는 않는다. 고가치 워크플로는 남는 반면, 새로움에 이끌린 활동이 사라진 결과일 수 있다. 중요한 지표는 검증된 시간 또는 품질 개선이 있는 업무에 반복 사용이 집중되는지 여부다.

두 번째 신호는 맞춤형 에이전트에 대한 공식 평가다. 매주 수백 개의 새 에이전트가 만들어지면 혁신 기회뿐 아니라 관리 목록 문제도 발생한다. FDA는 테스트, 소유권, 출처 최신성, 권한, 폐기에 관한 가시적인 기준이 필요하다.

에이전트 평가는 답변의 유창성 이상을 다뤄야 한다. 인용 정확성, 누락된 근거, 권한 적용, 재현성, 출처 문서가 충돌할 때의 동작을 시험해야 한다. 모델 또는 워크플로 변경 전후의 결과도 비교해야 한다.

명확한 평가 관행은 거버넌스가 적용된 플랫폼이라는 주장을 강화할 것이다. 심각한 사고, 일관되지 않은 답변, 통제되지 않은 중복은 이를 약화시킬 것이다. 이는 중앙화된 데이터만으로는 분산된 에이전트 생성을 통제할 수 없음을 보여줄 것이다.

세 번째 신호는 HALO가 CDER 선례를 넘어 확장되는지 여부다. FDA는 데이터와 규제 수요가 다른 다른 센터에 의약품 센터의 도구를 맞게 조정하고 있다고 말한다. 재사용이 성공한다면 이 아키텍처가 기관 내 다양성을 지원한다는 점을 보여줄 것이다.

식품 검사, 의료기기 검토, 생물학적 제제, 수의학은 동일한 프로세스를 공유하지 않기 때문에 이는 어려울 것이다. 공통 플랫폼은 모든 센터를 하나의 워크플로에 억지로 맞추지 않으면서 서로 다른 증거 유형을 지원해야 한다.

HALO 통합은 사용자가 각 채팅에 문서를 업로드하도록 요구하는 대신 Elsa를 기관 데이터 위에 위치시킨다. 이 변경은 마찰을 줄이고 더 일관된 맥락을 제공해야 한다.

또한 이는 권한 관리와 데이터 품질의 중요성을 한층 높인다. 중앙 어시스턴트가 공유 시스템 위에 놓이면, 잘못된 접근 규칙 하나가 많은 워크플로에 영향을 미칠 수 있다. 오래되었거나 중복된 기록은 단일 센터 내부에 있을 때보다 더 빠르게 혼란을 퍼뜨릴 수 있다.

엔터프라이즈 구매자에게 이 Databricks 사례는 까다로운 기준점이 된다. 눈에 보이는 어시스턴트는 단지 마지막 계층이었다. 그에 앞서 수년간의 데이터 작업, 성공적인 센터 단위 선례, 신속한 소스 통합, 엄격한 접근 통제가 있었다.

이 이야기는 순서를 재현하지 않은 채 헤드라인만 따라 하는 데 대한 경고이기도 하다. 여러 모델을 구매한다고 신뢰할 수 있는 컨텍스트가 만들어지는 것은 아니다. 에이전트 빌더를 연다고 평가 체계가 구축되는 것도 아니다. 사용자 수를 세는 것이 더 나은 의사결정을 측정하는 것도 아니다.

지식 근로자들이 주목해야 하는 이유는 같은 메커니즘이 더 작은 규모에서도 적용되기 때문이다. AI는 승인된 문서에 접근하고, 출처 간 경계를 보존하며, 정의된 업무를 지원할 수 있을 때 더 큰 가치를 제공한다. 반면 컨텍스트가 흩어져 있거나 검증되지 않은 상태로 남아 있으면 신뢰도는 낮아진다.

개발자들은 FDA가 MCP로 연결된 도구와 맞춤형 에이전트를 어떻게 관리하는지 지켜봐야 한다. 이제 어려운 엔지니어링 작업은 권한, 평가, 관측 가능성, 변경 관리에 있다. 모델 선택은 그 시스템의 한 부분일 뿐이다.

규제 산업의 기업들은 사용량과 품질을 연결하는 공개 증거에 주목해야 한다. 가장 강력한 향후 공개는 시간 절감 효과를 오류율 및 인간의 수정 데이터와 함께 제시하는 방식일 것이다. 이 조합은 효율성과 엄격성이 함께 향상됐는지 보여줄 수 있다.

FDA가 보고한 일일 85% 채택률은 정부 기술 도입이 이처럼 빠르게 자발적 사용을 얻는 경우가 드물다는 점에서 주목할 만하다. 그러나 가장 널리 적용할 수 있는 교훈은 더 조용하다. 플랫폼이 AI를 거버넌스가 적용된 정보와 익숙한 업무에 연결한 뒤, 사람들이 다시 돌아왔다는 점이다.

향후 1년의 질문은 그 기반이 규모 확장을 견딜 수 있는가이다. FDA가 의미 있는 평가를 공개하고, 에이전트 인벤토리를 통제하며, CDER의 성과를 다른 곳에서도 재현한다면 그 접근 방식은 신뢰할 만한 모델이 될 것이다.

그러한 신호가 비공개로 남는다면, 채택률 주장은 인상적이지만 불완전한 상태에 머물 것이다. Databricks가 FDA의 Elsa 구축을 어떻게 지원했는지 살펴보는 조직은 그 비율 아래에 있는 증거에 집중해야 한다. 자체 AI 프로그램은 신뢰할 수 있는 데이터, 명시적인 권한, 반복할 가치가 있는 하나의 워크플로에서 시작해야 한다.