한국 정부가 병원 현장의 AI 내재화를 공식적으로 가속화하겠다고 선언했다. 단순한 시범 사업이 아니라 '내재화(internalization)'라는 표현을 쓴 것이 핵심이다 — 이는 AI가 병원의 선택적 도구가 아니라 운영 인프라의 일부가 되어야 한다는 정책적 의지를 담고 있다.

매일경제 보도에 따르면, 한국 정부는 2026년 4월 21일 기준으로 병원 현장 AI 내재화 추진을 공식화했다. 10년 넘게 중국 의료 AI 현장을 취재해온 입장에서 보면, 이 정책 선언은 표면적 의미보다 훨씬 복잡한 구조적 함의를 갖고 있다.

---

'내재화'라는 단어가 숨기고 있는 것

정부 정책 문서에서 '도입'과 '내재화'는 전혀 다른 무게를 갖는다. '도입'이 외부 솔루션의 구매라면, '내재화'는 병원 조직 문화와 워크플로우 자체를 AI 중심으로 재설계하겠다는 의미다.

중국의 사례를 보면 이 차이가 얼마나 중요한지 알 수 있다. 중국은 2018년부터 국가위생건강위원회(NHC) 주도로 AI 의료 시범 병원을 지정했고, 2020년대 초반까지 수백 개의 3급 병원에 AI 진단 시스템을 '도입'했다. 그러나 실제 임상 현장에서 AI 활용률은 장비 보급률의 절반에도 미치지 못했다. 이유는 단순했다 — 의사들의 워크플로우가 바뀌지 않았기 때문이다.

중국 의료 AI 기업 인퍼비전(Infervision)과 루닛(Lunit)의 비교는 이 문제를 더 선명하게 드러낸다. 인퍼비전은 중국 내 1,800개 이상 병원에 AI 영상 진단 솔루션을 공급했지만, 실제 임상 의사결정에 통합된 비율은 여전히 논쟁적이다. 반면 한국의 루닛은 상대적으로 적은 병원 수에도 불구하고 임상 워크플로우 통합 깊이에서 더 높은 평가를 받는다는 점이 시사적이다.

한국 정부의 이번 '내재화' 정책이 성공하려면, 단순한 예산 투입이나 장비 지원을 넘어 병원의 의사결정 구조 자체를 바꾸는 제도적 설계가 필요하다.

---

글로벌 맥락: AI는 지금 모든 산업을 동시에 관통하고 있다

이번 정책 발표가 나온 2026년 4월 21일, 같은 날 매일경제는 또 다른 중요한 기사를 보도했다. 북미에서 AI 관련 전력 수요가 폭발적으로 증가하면서 "빅T(Big T)" — 전력 인프라 기업들 — 이 주목받고 있다는 내용이다.

이 두 기사는 별개처럼 보이지만 실은 같은 구조적 현상의 두 얼굴이다.

"As demand for artificial intelligence (AI)-related electricity explodes in North America, the 'Big T'..." — 매일경제, 2026-04-21

AI의 병원 내재화는 단순히 소프트웨어 문제가 아니다. 병원 내 AI 추론(inference) 연산을 위한 GPU 클러스터, 의료 데이터 저장을 위한 고용량 스토리지, 그리고 이 모든 것을 구동하는 전력 인프라가 함께 확충되어야 한다. 중국의 경우 화웨이 클라우드와 알리바바 클라우드가 의료 AI 인프라 시장을 놓고 경쟁하면서, 의료 데이터 주권 문제가 동시에 불거졌다.

한국도 동일한 딜레마에 직면할 가능성이 높다. 병원 AI 내재화가 가속화될수록, "누가 의료 AI 인프라를 소유하는가" 라는 질문이 핵심 정책 변수가 된다. 이 맥락에서 AI 클라우드가 신원 판단을 어떻게 설계하는지에 대한 이해는 의료 AI 거버넌스 논의와 직결된다.

---

금융 AI 보고서가 의료 AI에 주는 시사점

같은 날 ZAWYA는 세계동맹(World Alliance)의 2026년 금융 서비스 AI 보고서 발표를 보도했다. 금융과 의료는 다른 산업처럼 보이지만, AI 규제 설계 측면에서는 놀랍도록 유사한 패턴을 보인다.

금융 AI에서 가장 먼저 해결해야 했던 문제들 — 알고리즘 편향, 설명 가능성(explainability), 책임 귀속 — 은 현재 의료 AI가 직면한 문제와 정확히 겹친다. 금융 산업은 AI 도입 이후 약 5~7년의 규

제 기간을 거쳐 현재의 규제 프레임워크를 정착시켰다. 의료 AI는 지금 그 5~7년의 초입에 서 있다.

특히 주목할 만한 것은 '설명 가능성(explainability)' 요건이다. 금융 AI에서 대출 거부 결정은 반드시 설명 가능해야 한다는 규제가 자리 잡았다. 의료 AI에서도 동일한 논리가 적용되어야 한다 — AI가 암 의심 소견을 내렸다면, 그 근거를 의사가 이해할 수 있는 방식으로 제시할 수 있어야 한다.

중국은 이 문제에서 흥미로운 실험을 진행 중이다. 2025년 하반기부터 중국 국가의료보장국(国家医疗保障局)은 AI 진단 보조 솔루션에 대해 '결정 추적 로그(decision trace log)' 의무화를 시범 적용하기 시작했다. 병원 AI가 특정 진단을 제안했을 때, 어떤 데이터 포인트가 해당 결론에 기여했는지를 기록으로 남기도록 한 것이다. 이는 금융 AI의 '대출 결정 근거 문서화' 요건에서 직접 착안한 정책이다.

한국 정부의 이번 내재화 정책에는 이러한 설명 가능성 요건이 명시적으로 포함되어 있지 않다. 이것이 향후 가장 큰 정책 공백이 될 가능성이 있다.

---

한국 의료 AI 산업에 대한 구체적 함의

이번 정책이 실제로 한국 의료 AI 생태계에 미칠 영향을 세 가지 차원에서 분석하면 다음과 같다.

1. 수혜 기업과 리스크 기업의 분기

내재화 정책의 핵심은 병원이 AI 솔루션을 '구독'하는 것이 아니라 '소유'하는 방향으로의 전환이다. 이는 SaaS 기반 수익 모델을 구축해온 일부 의료 AI 스타트업에게는 사업 모델 전환을 강요하는 압력으로 작용할 수 있다.

반면 온프레미스(on-premise) 배포 역량을 갖춘 루닛, 뷰노(VUNO), 딥노이드(DeepNoid) 같은 기업들은 단기적으로 유리한 위치에 설 가능성이 높다. 2025년 기준 루닛의 해외 매출 비중이 전체의 60%를 넘어선 상황에서, 국내 내재화 정책이 오히려 내수 시장 회귀를 자극하는 역설적 효과를 낼 수도 있다.

2. 의료 데이터 주권과 클라우드 종속의 딜레마

중국의 경험은 명확한 경고를 보낸다. 화웨이 클라우드와 알리바바 클라우드가 의료 AI 인프라를 장악하면서, 중국 병원들은 사실상 특정 클라우드 플랫폼에 의료 데이터를 종속시키는 결과를 낳았다. 표면적으로는 '내재화'처럼 보이지만, 실제로는 빅테크 클라우드 의존도가 심화된 것이다.

한국도 이 함정에 빠질 수 있다. 병원 자체 GPU 클러스터 구축은 초기 비용이 막대하기 때문에, 현실적으로는 네이버 클라우드나 KT 클라우드 기반의 '프라이빗 클라우드' 형태로 수렴될 가능성이 높다. 이 경우 "내재화"의 정의 자체를 어디까지로 볼 것인가에 대한 정책적 명확화가 선행되어야 한다.

3. 인력 구조의 병목

가장 간과되는 문제는 의료 AI를 운용할 수 있는 임상 데이터 사이언티스트 인력의 절대적 부족이다. 중국은 2023~2025년 사이 '의료 AI 엔지니어' 자격증 제도를 신설하고, 주요 의과대학에 AI 임상 트랙을 의무화하는 방식으로 이 문제에 대응했다.

한국의 경우 의대 정원 논쟁이 2025년까지 이어지면서 의료 AI 인력 양성 논의는 사실상 후순위로 밀렸다. 병원에 AI 시스템이 도입되더라도, 이를 유지·보수하고 임상 환경에 맞게 파인튜닝할 수 있는 인력이 없다면 내재화는 공허한 구호에 그친다.

---

결론: '내재화'는 목적이 아니라 출발점이다

2026년 4월 21일 발표된 한국 정부의 의료 AI 내재화 정책은 방향성 자체는 옳다. 클라우드 의존에서 벗어나 병원이 AI를 직접 소유하고 운용하는 구조로의 전환은 의료 데이터 주권과 임상 통합 깊이 모두에서 필요한 변화다.

그러나 중국의 10년 경험이 가르쳐주는 교훈은 분명하다. 도입 속도와 통합 깊이는 다르다. 중국은 세계 최대 규모의 의료 AI 배포를 이뤄냈지만, 임상 의사결정에 실질적으로 통합된 비율은 여전히 낮다. 한국은 규모는 작지만 통합 깊이에서 앞설 수 있는 구조적 조건을 갖추고 있다.

이를 위해 세 가지 정책 보완이 시급하다.

첫째, 설명 가능성(explainability