Agentic AI

LLM 모델

RAG^[1] 모델

(ex: Perplexity, GPT-4o, Gemini 2.5, Copilot, Etc.)

Agentic AI 모델

(ex: Amazon Bedrock Agents, Nova Sonic, AutoGen, Gemini 2.5, Etc.)

프롬프트(Prompt) : 사용자의 초기 지시 또는 질의
메모리(Memory) : 상호작용 통한 정보 기억 및 지식 검색 기능으로 단기 ( 현재 세션용 ) 또는 장기 (세션 간 지속) 형태로 작동
검색 및 컨텍스트(Search & Context) : RAG와 유사하게, 검색된 정보는 LLM에 정보 제공하는 컨텍스트 형성
( Hallucination 방지 및 정확도 향상 기여 )
LLMs : Agentic AI의 브레인 역할. 프롬프트, 메모리 및 컨텍스트 처리해 추론, 응답 및 계획 생성. 전문 LLM 또는 정교한 아키텍처 포함
추론 및 계획(Reasoning & Planning) : 결과 도출 위해 단순 텍스트 생성이 아닌, 오더 이해/하위 목표로 분해함, 결과 도출 전 내부 사고 프로세스 선행
서브 에이전트(Sub-Agents) : 효과적인 답변 출력을 위해 활용 가능한 외부 기능 혹은 타 AI 에이전트
※ 의료 부문 예시 :
- Biomarker database analyst; 바이오마커 데이터 분석
- Statistician; 결과 기반 그래프 출력
- Clinical evidence researcher; 문헌과 같은 외부 api에 쿼리하여 관련 사항 출력
- Clinical trial analyst; 임상데이터 분석
- Medical imaging expert; CT 등 의 영상데이터 분석
Action(Actuators) : 결과에 따른 행동 수행 위해 AI가 외부와 상호작용하는 메커니즘 ( 이메일∙메시지 보 내기/ 로 봇 시스 템 제어 / DB 업데이트/ S/W와 상호작용 등 )
다중모드 응답(Multi-Modal Answers) : 사용자 요구에 따라 이미지, 오디오, 비디오 등 구조화된 데이터로 정보 생성 및 제시

의료 마이데이터 연계 CRO 디지털 시스템 구축 및 전장유전체(WGS) 데이터 기반 Agentic AI 분석·활용으로 제약사向 R&D 디지털 인프라 혁신

국내외 제약사

R&D 전(全) 주기 디지털 혁신

임상

임상 전 Profile Targeting 임상 시험(1상~3상) 디지털화 허가 후 임상 가능
→ 전략 설계 및 최적 결과 도출

임상 R&D 비용 ▼
임상 성공률 ▲
의료 데이터 기반
시험∙대조군 정밀 식별 등

신약개발

바이오마커 보유 환자 선별 디지털화(WGS 및 임상시험 연계) 적응증 확장, 동반진단 등
→ 최효율 기획 및 수행력 극대화

Agentic AI 활용 맞춤 분석
신약개발 비용∙리스크 ▼
후보물질 발굴 가능성 ▲
글로벌 제약사향
라이선스아웃 전략 확대 등