병원 전체가 AI로 움직인다…KT·서울대병원 ‘의료 AX 플랫폼’이

KT와 서울대병원이 손잡은 이유, 단순한 ‘의료 AI 도입’이 아닙니다

의료 현장에서 인공지능(AI)을 활용한다는 이야기는 이제 낯설지 않습니다. 영상 판독을 돕는 AI, 환자의 질병 위험을 예측하는 알고리즘, 진료기록을 자동으로 정리하는 소프트웨어 등 이미 다양한 의료 AI 기술이 등장하고 있습니다.

그런데 2026년 8월 17일 KT와 서울대학교병원이 발표한 협력은 기존 의료 AI 사업과 조금 다른 방향을 바라보고 있습니다.

특정 진료과에서 AI 솔루션 하나를 도입하는 것이 아니라 **진료·간호·연구·병원 운영을 하나의 AI 전환 체계로 연결하는 ‘의료 AX 플랫폼’**을 구축하겠다는 것이 핵심입니다.

KT는 서울대학교병원과 서울 종로구 KT 광화문 West 빌딩에서 의료 AX 플랫폼 구축을 위한 업무협약을 체결했다고 밝혔습니다. 협약에는 김봉균 KT Enterprise부문장과 백남종 서울대학교병원장 등 양측 관계자가 참석했습니다.

여기서 등장하는 **AX는 AI Transformation, 즉 ‘인공지능 전환’**을 의미합니다.

기존의 DX(Digital Transformation·디지털전환)가 종이 문서와 오프라인 프로세스를 데이터와 소프트웨어 중심으로 바꾸는 과정이었다면, AX는 한 단계 더 나아가 AI가 실제 업무를 분석하고 판단을 지원하며 일부 과정까지 자동화하는 구조를 만드는 데 초점을 맞춥니다.

이번 협력을 간단히 정리하면 다음과 같습니다.

구분	주요 내용
협력 기관	KT·서울대학교병원
발표일	2026년 8월 17일
핵심 사업	의료 AX 플랫폼 구축
적용 영역	진료·간호·연구·병원 운영
KT 역할	AI·클라우드·데이터 기반 플랫폼 기획·개발·검증·사업화
서울대병원 역할	의료 현장 과제 발굴·의료 자문·유효성 평가
정부 정책 연계	AI Native 병원 등 정책과제
중장기 목표	서울대병원 검증 → 의료기관·공공 의료 분야 확산

이번 프로젝트에서 특히 주목할 점은 ‘플랫폼’이라는 표현입니다.

개별 AI 프로그램을 하나씩 병원에 설치하는 방식에서 벗어나 향후 여러 AI 서비스와 데이터를 연결할 수 있는 공통 기반을 구축하겠다는 의미이기 때문입니다.

즉 KT와 서울대병원이 만들려는 것은 단순한 의료용 챗봇이나 진단 AI 하나가 아니라, 병원 전체의 AI 전환을 가능하게 하는 운영체제에 가까운 기반 구조라고 볼 수 있습니다.

의료 AX 플랫폼에서는 무엇이 달라질까…진료부터 병원 운영까지 연결

이번 협약의 가장 중요한 특징은 AI 적용 범위가 상당히 넓다는 점입니다.

KT와 서울대병원은 구체적으로 의료 AX 플랫폼 표준모델 발굴 및 적용, AI Native 병원 등 정부 정책과제의 실증·고도화·사업화, AI 기반 임상 의사결정 지원 및 업무 효율화, 헬스케어 시장 확산 등을 공동으로 추진할 계획입니다.

특정 질병의 진단 정확도를 높이는 데 그치지 않고 의료기관에서 발생하는 업무 전반을 AI와 연결하겠다는 것입니다.

병원의 업무를 크게 나누면 다음과 같은 구조로 볼 수 있습니다.

영역	현재 주요 업무	의료 AX 적용 가능 방향
진료	진료기록 확인, 검사결과 분석, 치료방향 결정	AI 기반 임상 의사결정 지원
간호	환자 상태 확인, 기록 작성, 인수인계	업무 자동화·기록 지원
연구	임상 데이터 분석, 연구 대상자 탐색	AI·데이터 기반 연구 효율화
행정	예약, 병상, 인력, 자원 관리	AI 기반 운영 최적화
IT	시스템별 데이터 관리	클라우드·데이터 통합
사업화	연구 결과의 개별 적용	플랫폼 기반 서비스 확대

예를 들어 의료진이 한 명의 환자를 진료한다고 가정해보겠습니다.

현재 의료진은 전자의무기록(EMR), 영상검사, 혈액검사, 과거 진료기록 등 여러 정보를 직접 확인하고 종합해야 합니다. 의료 AX 플랫폼이 제대로 구현될 경우 AI가 이러한 데이터를 분석해 의료진이 확인해야 할 중요 정보나 의사결정에 필요한 자료를 우선적으로 제공하는 구조를 만들 수 있습니다.

중요한 점은 AI가 의료진을 대신해 진단을 내린다는 의미와는 다르다는 것입니다.

이번 협약에서도 핵심 표현은 **‘AI 기반 임상 의사결정 지원’**입니다. 즉 AI가 방대한 의료 정보를 처리하고 패턴을 찾더라도 최종적인 의료 판단과 책임은 의료 전문가가 담당하는 방향입니다.

연구 분야에서도 변화 가능성이 큽니다.

서울대병원처럼 대규모 임상·연구 데이터를 보유한 기관에서는 연구자가 필요한 데이터를 찾고 분석 가능한 형태로 정리하는 과정 자체에 상당한 시간이 필요합니다.

의료 AX 플랫폼이 데이터 인프라와 AI 분석 환경을 통합한다면 연구자는 보다 빠르게 연구 가설을 검증하거나 연구 대상자를 탐색하고, AI 모델의 유효성을 검토할 수 있게 됩니다.

결국 의료 AX의 핵심은 AI 기능 하나를 추가하는 것이 아니라 병원 내 데이터가 AI를 활용할 수 있는 형태로 연결되고, 그 위에서 진료·연구·운영 서비스가 움직이도록 만드는 것이라고 할 수 있습니다.

KT는 왜 의료 AX에 뛰어들까…통신보다 중요한 AI·클라우드·데이터

이번 협력을 이해하기 위해서는 KT의 역할을 살펴볼 필요가 있습니다.

과거 KT를 떠올리면 이동통신과 초고속인터넷 같은 통신 서비스가 가장 먼저 생각났지만 최근 기업 시장에서는 AI·클라우드·데이터를 결합한 AX 사업의 중요성이 커지고 있습니다.

이번 프로젝트에서도 KT는 단순히 서버나 네트워크 인프라만 공급하지 않습니다.

KT는 AI·클라우드·데이터를 통합한 의료 AX 플랫폼의 기획부터 개발, 검증, 사업화까지 전 과정에 참여할 예정입니다.

반대로 서울대병원은 의료기관만이 제공할 수 있는 임상 경험과 연구 역량을 담당합니다.

양사의 역할은 상당히 명확합니다.

KT	서울대학교병원
AI 기술	임상 전문성
클라우드 인프라	실제 의료 현장
데이터 플랫폼	의료 데이터 활용 경험
시스템 개발	적용 과제 발굴
플랫폼 검증 지원	의료적 유효성 평가
서비스 사업화	의료 현장 실증

이 구조가 중요한 이유가 있습니다.

의료 AI는 일반적인 기업용 AI보다 현장 검증이 훨씬 중요하기 때문입니다.

아무리 뛰어난 AI 모델이라도 실제 의료 환경의 업무 흐름과 맞지 않거나 의료진이 활용하기 어렵다면 도입 효과가 제한될 수밖에 없습니다.

반대로 병원은 풍부한 임상 데이터와 전문 인력을 보유하고 있지만 대규모 AI 인프라나 클라우드 플랫폼을 직접 개발하고 운영하려면 상당한 기술 인력과 투자가 필요합니다.

따라서 이번 협력은 쉽게 표현하면 KT가 AI 인프라와 플랫폼을 만들고, 서울대병원이 실제 의료 환경에서 필요한 기능을 정의하고 검증하는 구조입니다.

특히 KT는 이번 협력을 의료 분야 AX 사업 확대의 계기로 삼을 계획입니다.

서울대병원에서 검증된 모델이 만들어진다면 해당 기술과 운영 모델을 다른 의료기관으로 확산하는 것이 상대적으로 쉬워질 수 있습니다.

결국 KT 입장에서 서울대병원은 단순한 고객이 아니라 의료 AX 플랫폼의 공동 개발·검증 파트너에 가깝다고 볼 수 있습니다.

‘AI Native 병원’이 중요한 이유…AI를 추가하는 병원에서 AI 중심 병원으로

이번 발표에서 가장 눈에 띄는 표현 가운데 하나가 **‘AI Native 병원’**입니다.

KT와 서울대병원은 정부가 추진하는 AI Native 병원 등 정책과제의 실증·고도화·사업화에도 협력할 계획입니다.

AI Native라는 표현은 최근 IT 산업에서 자주 등장하는 ‘Cloud Native’와 비슷한 개념으로 이해하면 쉽습니다.

기존 시스템에 AI 기능을 조금씩 추가하는 것이 아니라 처음부터 AI 활용을 전제로 데이터와 업무 프로세스를 설계하는 방식입니다.

기존 병원과 AI Native 병원의 차이를 단순화하면 다음과 같습니다.

기존 디지털 병원	AI Native 병원
업무별 시스템 구축	AI 활용을 고려한 통합 플랫폼
의료진이 데이터를 직접 검색	AI가 필요한 정보 분석·제시
AI 솔루션 개별 도입	플랫폼에서 다양한 AI 서비스 연결
병원별 독립 시스템	표준모델을 통한 확산 가능
데이터 저장 중심	데이터 분석·예측·의사결정 지원 중심

예를 들어 병원에 생성형 AI를 하나 도입한다고 해서 AI Native 병원이 되는 것은 아닙니다.

핵심은 데이터입니다.

진료 기록과 검사 결과, 연구 데이터 등이 서로 분리돼 있고 AI가 접근할 수 없는 구조라면 아무리 성능이 좋은 AI 모델도 활용 범위가 제한적입니다.

따라서 의료 AX 플랫폼을 구축하려면 AI 모델뿐만 아니라 데이터 표준화, 클라우드 인프라, 시스템 연동, 보안, 권한 관리, 의료진 업무 프로세스 등을 함께 설계해야 합니다.

이 때문에 서울대병원이 추진 중인 **‘그룹 통합 DX 플랫폼’**과 KT의 의료 AX 협력이 연결된다는 점도 중요합니다.

양사는 서울대병원이 보유한 임상·AI 연구 체계에 KT의 AX 플랫폼과 인프라 역량을 결합해 연구·개발 → 실증 → 검증 → 사업화로 이어지는 의료 AX 생태계를 구축한다는 구상입니다.

기존에는 병원 연구실에서 뛰어난 AI 기술이 개발되더라도 실제 의료 시스템에 적용하고 다른 병원으로 확대하는 과정에서 어려움을 겪는 경우가 많았습니다.

하지만 처음부터 플랫폼 구조를 만들어 놓으면 하나의 병원에서 검증된 AI 모델을 다른 환경에 적용할 수 있는 가능성이 커집니다.

이것이 KT와 서울대병원이 강조하는 **‘표준모델’**이 중요한 이유입니다.

의료 AI에서 진짜 어려운 것은 기술보다 데이터·검증·보안입니다

이번 협력이 성공하려면 해결해야 할 과제도 적지 않습니다.

AI 모델 자체의 성능도 중요하지만 의료 분야에서는 데이터 품질, 개인정보 보호, 보안, 시스템 연동, 의료적 유효성 검증이 모두 중요합니다.

특히 의료 데이터는 일반적인 서비스 데이터와 성격이 다릅니다.

진료기록에는 개인의 질환, 검사결과, 치료 이력 등 매우 민감한 정보가 포함되어 있기 때문에 AI가 데이터를 활용하는 과정에서 엄격한 접근 통제와 보안 체계가 필요합니다.

의료 AX 플랫폼 구축의 주요 과제를 정리하면 다음과 같습니다.

과제	중요한 이유
의료 데이터 표준화	시스템별 데이터 형식이 다르면 AI 활용이 어려움
개인정보 보호	환자 의료정보는 높은 수준의 보호 필요
보안	클라우드·AI 시스템 확대 시 공격 표면 증가 가능
AI 정확성	잘못된 분석 결과가 의료 판단에 영향을 줄 수 있음
유효성 평가	실제 의료 현장에서 도움이 되는지 검증 필요
의료진 사용성	업무를 복잡하게 만들면 현장 도입 효과 감소
시스템 연동	기존 EMR·PACS 등과의 연결 필요
책임 체계	AI 추천과 의료진 최종 판단의 역할 구분 필요

이 부분에서 서울대병원이 의료적 자문과 유효성 평가를 담당한다는 점이 중요합니다.

기업이 자체적으로 AI의 정확도를 평가하는 것만으로는 실제 의료적 가치까지 판단하기 어렵기 때문입니다.

예를 들어 AI 모델의 통계적 정확도가 높더라도 의료진의 실제 업무를 방해하거나 특정 환자군에서 성능이 떨어진다면 의료 현장에서는 사용하기 어렵습니다.

따라서 의료 AX 플랫폼은 일반적인 기업용 AI 시스템보다 훨씬 긴 검증 과정이 필요할 가능성이 높습니다.

또 하나 주목해야 할 부분은 생성형 AI의 활용 범위입니다.

최근 기업 AX에서는 문서 요약과 검색, 보고서 작성 같은 생성형 AI 기능이 빠르게 확산되고 있습니다. 병원에서도 의료 기록 요약, 연구자료 검색, 행정 문서 작성 지원 등에는 생성형 AI가 활용될 가능성이 있습니다.

다만 진료 영역에서는 단순한 생성 능력보다 정확성, 근거 제시, 데이터 보안, 결과의 재현성이 훨씬 중요합니다.

의료 AI 경쟁이 결국 ‘누가 더 큰 AI 모델을 가지고 있는가’가 아니라 누가 의료 데이터를 안전하게 연결하고 실제 현장에서 검증 가능한 시스템을 만들 수 있는가의 경쟁이 될 가능성이 큰 이유입니다.

서울대병원에서 검증한 뒤 공공의료로…이번 협력이 중요한 진짜 이유

이번 업무협약에서 장기적으로 가장 주목해야 할 부분은 확장성입니다.

KT는 서울대병원에서 검증한 AI 혁신 모델을 기반으로 향후 의료기관과의 플랫폼 협력을 확대하고 공공 의료 영역으로 적용 범위를 넓히는 것을 목표로 하고 있습니다.

백남종 서울대학교병원장 역시 이번 협력을 통해 의료기관 플랫폼 협력의 표준을 만들고 공공 의료 영역 전체에 적용할 수 있는 실효성 있는 AI 혁신 모델을 발굴·확산하겠다는 방향을 밝혔습니다.

김봉균 KT Enterprise부문장 부사장도 서울대병원과의 협력을 시작으로 공공 의료 시장에서 AI 기반 혁신 모델을 만들겠다고 강조했습니다.

여기에서 중요한 것은 서울대병원이 일종의 레퍼런스 사이트 역할을 할 수 있다는 점입니다.

기업용 IT 사업에서는 대형 기관에서 실제 적용·검증된 사례가 매우 중요합니다.

특히 의료 분야는 안정성과 신뢰성이 중요하기 때문에 한 병원에서 성공한 서비스를 다른 병원이 그대로 도입하기 어렵습니다.

하지만 공통 플랫폼과 표준모델이 마련된다면 상황이 달라질 수 있습니다.

가능한 확산 구조를 단계별로 정리하면 다음과 같습니다.

단계	예상 방향
1단계	KT·서울대병원 의료 AX 플랫폼 공동 구축
2단계	실제 진료·연구·업무 현장에서 실증
3단계	의료적 유효성 및 운영 효율 검증
4단계	AI Native 병원 정책과제 연계
5단계	플랫폼·AI 서비스 사업화
6단계	다른 의료기관 및 공공 의료로 확산

즉 이번 프로젝트의 성패를 판단하려면 단순히 “AI 기능을 몇 개 만들었는가”를 볼 것이 아니라 서울대병원에서 만들어진 시스템을 다른 병원에서도 사용할 수 있는 표준 형태로 만들 수 있는가를 봐야 합니다.

이것이 가능해진다면 국내 의료 AI 시장의 사업 구조도 달라질 수 있습니다.

지금까지 의료 AI 시장은 영상 진단, 병리 분석, 의료 문서 작성처럼 특정 기능에 특화된 솔루션 기업을 중심으로 성장해왔다면 앞으로는 이러한 서비스를 연결하는 의료 AI 플랫폼 사업자의 중요성이 커질 수 있기 때문입니다.

KT가 노리는 지점도 여기에 있다고 볼 수 있습니다.

자체적으로 모든 의료 AI를 개발하기보다 AI·클라우드·데이터 인프라를 플랫폼 형태로 제공하고, 그 위에 병원과 다양한 의료 AI 기업의 서비스를 연결하는 구조가 만들어진다면 장기적으로 훨씬 큰 생태계를 구축할 수 있습니다.

결론…의료 AI 경쟁은 이제 ‘좋은 모델’에서 ‘병원 전체를 바꾸는 플랫폼’으로 이동합니다

2026년 8월 KT와 서울대학교병원의 의료 AX 플랫폼 협력은 단순한 업무협약 이상의 의미를 가지고 있습니다.

핵심은 의료 AI 기술 하나를 개발하는 것이 아니라 진료·간호·연구·운영을 하나의 AI 기반 플랫폼으로 연결하고, 실제 대형 병원에서 검증한 뒤 다른 의료기관과 공공 의료 분야까지 확대할 수 있는 표준모델을 만들겠다는 것입니다.

이번 협력의 핵심 포인트를 다시 정리하면 다음과 같습니다.

핵심 포인트	의미
KT + 서울대병원 협력	AI 인프라와 임상 전문성 결합
의료 AX 플랫폼	개별 AI 도입이 아닌 병원 전체 AI 전환
AI Native 병원	처음부터 AI 활용을 고려한 병원 시스템 구축
임상 의사결정 지원	AI를 의료진의 판단 지원 도구로 활용
그룹 통합 DX 연계	연구·진료·데이터 플랫폼을 통합
표준모델 구축	다른 병원으로 확대 가능한 구조 마련
공공 의료 확산	서울대병원 검증 이후 적용 범위 확대 목표

특히 앞으로 주목해야 할 것은 실제 구축 결과입니다.

업무협약 단계에서는 플랫폼의 구체적인 기술 구조, 어떤 AI 모델이 적용될지, 데이터가 어떤 방식으로 연동될지, 의료진의 업무 시간이 얼마나 줄어드는지 같은 세부적인 수치는 아직 확인하기 어렵습니다.

따라서 향후에는 AI Native 병원 실증 결과, 임상 의사결정 지원 시스템의 적용 범위, 서울대병원 그룹 통합 DX 플랫폼 구축 과정, 다른 의료기관으로의 확산 여부를 지속적으로 확인할 필요가 있습니다.

AI 시대의 병원은 단순히 의사가 AI 프로그램 하나를 사용하는 공간에서 끝나지 않을 가능성이 큽니다.

환자가 병원에 들어오는 순간부터 진료, 검사, 입원, 간호, 연구, 행정에 이르기까지 수많은 데이터가 생성되고, AI가 필요한 정보를 분석해 의료진과 직원에게 제공하는 구조로 점차 변화할 수 있습니다.

결국 의료 AX 경쟁의 핵심은 ‘가장 똑똑한 AI 모델’을 만드는 것에서 ‘AI가 실제 병원 안에서 안전하고 효율적으로 작동할 수 있는 플랫폼’을 만드는 것으로 이동하고 있습니다.

KT와 서울대병원의 이번 협력이 주목받는 것도 바로 이 때문입니다.

향후 서울대병원에서 검증된 의료 AX 모델이 다른 상급종합병원과 지역 의료기관, 나아가 공공 의료 영역까지 확산된다면 이번 협약은 국내 의료 AI 산업이 개별 솔루션 중심에서 플랫폼 중심으로 넘어가는 중요한 전환점으로 평가받을 가능성이 있습니다.

---