기본 콘텐츠로 건너뛰기

클로드 AI로 블로그 글쓰기, 시행착오 끝에 찾은 7단계 루틴

  처음 클로드(Claude)를 블로그 운영에 도입했을 때, 솔직히 기대보다 실망이 컸습니다. 생성형 AI가 써준 글을 그대로 올렸다가 방문자 수가 뚝 떨어졌던 아픈 기억이 있거든요. 당시엔 단순히 '글 좀 써줘'라고만 하면 그럴듯한 포스팅이 나올 줄 알았죠. 하지만 3개월간 매일같이 프롬프트를 수정하고 검수 방식을 바꿔가며 내린 결론은, AI는 '대필 작가'가 아니라 '똑똑한 비서'로 부려야 한다는 점입니다. 오늘은 효율적인 블로그 운영을 위해 제가 실제로 적용하고 있는 7단계 실전 가이드를 공유해 보겠습니다. 초반 기획의 함정: 키워드와 페르소나 설정 무작정 글을 쓰게 시키기 전에, 클로드에게 블로그의 정체성과 타겟 독자를 확실히 주입하는 것이 첫 번째 단계입니다. 처음에는 블로그의 정체성 따위는 생각하지 않고 무조건 검색량 높은 키워드만 쫓았습니다. 결과는 참담했죠. 특정 분야의 전문성을 꾸준히 보여주지 않으니 검색 엔진도 제 글을 신뢰하지 않더라고요. 3개월 차에 접어들며 클로드에게 'IT 분야 실무 경험을 바탕으로 30대 초보 개발자에게 눈높이 설명을 해주는 튜터'라는 역할을 부여했습니다. 이렇게 페르소나를 정해주니 답변의 결 자체가 달라졌습니다. 검색량뿐만 아니라, 실제 독자가 어떤 고민을 하고 있는지 질문하는 과정을 덧붙였더니 클릭률이 눈에 띄게 올라갔습니다. 여러분도 클로드에게 '지식 전달자' 이상의 역할을 부여해 보세요. 프롬프트 설계부터 초안 생성까지의 디테일 전체 글을 한 번에 뽑아내려 하지 마세요. 클로드와의 협업은 섹션 단위의 계단식 접근이 가장 효율적입니다. 개요를 먼저 잡고, 본문의 소제목별로 하나씩 질문을 던지는 방식을 택했습니다. 처음엔 이게 시간 낭비처럼 느껴졌습니다. 하지만 한 번에 작성하면 전체적인 문맥이 뭉개지거나, AI 특유의 뻔한 서론으로 시작하는 경우가 많더라고요. 실제로 한 섹션을 맡길 때마다 "내 경험담을 섞어줄 테니 내용을 더 풍성...

AACR 2026 샌디에이고 현장: K-바이오가 승부수를 던진 기술들

 썸네일

미국 샌디에이고에서 막을 올린 AACR 2026 현장은 생각보다 훨씬 더 치열했습니다. 학회장 입구에서부터 쏟아지는 방대한 양의 초록들을 훑어보며, 불과 몇 년 전만 해도 '기대감'으로만 논하던 기술들이 이제는 '데이터'라는 이름으로 검증받는 무대가 되었음을 실감했습니다. 예전에는 막연히 유망하다고 평가받던 플랫폼들이 이제는 구체적인 숫자와 임상적 근거를 들고 글로벌 빅파마들의 시험대에 올라선 것이죠.


한미약품의 플랫폼 확장 전략, 왜 지금인가?

단일 신약의 성공을 넘어, 이제는 파이프라인의 지속 가능한 플랫폼 엔진을 증명하는 것이 K-바이오의 새로운 과제가 되었습니다.


학회장 한쪽 구석, 한미약품의 전시 공간 앞에 섰을 때 받은 첫인상은 '압도적인 물량 공세'였습니다. 총 9건의 연구 포스터를 내놓으며 단순한 항암제 개발사를 넘어 플랫폼 기업으로서의 입지를 다지려는 모습이 역력했거든요. 사실 처음 이 포스터들을 접했을 때는 종류가 너무 다양해 다소 혼란스럽기도 했습니다. 하지만 EZH1/2 저해제부터 차세대 mRNA 항암 신약까지 아우르는 파이프라인을 뜯어보니, 이들이 결국 '어떤 타깃이든 플랫폼을 통해 찍어낼 수 있다'는 자신감을 보여주고 싶어 한다는 점을 읽을 수 있었습니다.


시장에서의 가치 평가는 더 이상 약 하나가 잘 팔리느냐에 머물지 않습니다. 그 약을 만들어낸 기술의 확장성이 곧 회사의 밸류가 되는 시대라는 뜻입니다.

한미약품연구소

알지노믹스와 AI 바이오마커, 데이터로 말하는 현장

수천 개의 포스터 중에서 '구두 발표'로 선정된다는 건, 학회 측에서 해당 연구의 혁신성을 인정했다는 강력한 시그널입니다.


알지노믹스가 RNA 유전자 치료제 RZ-001의 중간 결과를 구두 발표 세션에서 공개했을 때, 발표장의 열기는 꽤 뜨거웠습니다. 저는 예전에 이와 유사한 초기 기술을 접했을 때만 해도 과연 임상에서 효과가 나올지 반신반의했던 기억이 납니다. 하지만 이번 데이터는 달랐습니다. 간암이라는 미충족 수요가 명확한 시장에서 작동 기전을 수치로 보여준 것이죠. 또한 루닛의 AI 바이오마커 연구들은 단순히 'AI가 뛰어나다'는 구호를 넘어, 실질적인 임상 가이드로서 어떻게 쓰일지를 구체적으로 검증해내고 있었습니다.


전통 제약사의 변신, 실패를 두려워하지 않는 이유

레거시 제약사들이 ADC(항체약물접합체) 시장에 뛰어드는 것은 생존을 위한 필수적인 체질 개선 과정입니다.


동아에스티나 삼성바이오에피스 같은 전통 제약사들의 움직임을 보면 묘한 기분이 듭니다. 예전에는 보수적으로 신약 개발을 바라보던 곳들이, 이제는 ADC라는 트렌드에 몸을 던져 전임상 데이터를 쏟아내고 있으니까요. 사실 이 과정에서 시행착오도 많았을 겁니다. 저 역시 3년 전 플랫폼 전환을 시도하던 기업의 데이터를 보고 실망했다가, 지금은 완전히 다른 결과물을 내놓는 것을 보며 기술의 발전 속도가 무섭다는 생각을 합니다. 중요한 건 이들이 더 이상 안전한 길만 걷지 않는다는 점이죠.


자주 묻는 질문(FAQ) ❓

AACR에서 나오는 임상 결과는 주가에 바로 반영되나요?

학회 데이터 발표 직후보다는 그 내용이 빅파마와의 파트너링 미팅으로 이어지는지가 실질적인 변수입니다. 단순히 임상 결과가 나왔다는 사실만으로는 시장의 기대치를 완전히 충족시키기 어렵고, 실제 기술이전(L/O)이나 공동개발 논의가 시작될 때 기업 가치가 제대로 재평가받는 경향이 있습니다.

K-바이오 기업들이 ADC에 집중하는 이유는 무엇인가요?

글로벌 제약 시장에서 ADC는 현재 가장 높은 미충족 수요를 해결해주는 기술이기 때문입니다. 기존 항암제보다 정교한 타깃팅이 가능하고, 효능 면에서 드라마틱한 결과를 보여주기 때문에 빅파마들이 가장 적극적으로 라이선스 인을 타진하는 모달리티 중 하나입니다.

개인 투자자가 이런 학회 소식을 어떻게 해석해야 할까요?

데이터 그 자체의 객관성보다, 그 데이터가 글로벌 트렌드와 얼마나 부합하는지를 냉정하게 판단해야 합니다. 단순히 보도자료를 믿기보다는 학회 공식 홈페이지에 공개된 초록 내용과 실제 발표 데이터 사이의 간극은 없는지, 그리고 해당 기술이 정말로 빅파마가 돈을 지불할 만큼 차별성이 있는지를 스스로 질문해 보는 과정이 필요합니다.


루닛스코프AI

샌디에이고에서 본 K-바이오의 내일

AACR 2026은 K-바이오가 더 이상 '꿈'을 파는 단계가 아니라는 것을 명확히 보여주었습니다. 물론 모든 기업이 성공하진 않겠죠. 누군가는 기술의 한계에 부딪힐 것이고, 누군가는 데이터 분석에서 오류를 범할지도 모릅니다. 하지만 샌디에이고 현장에서 확인한 것은 우리 기업들이 이제 글로벌 무대의 규칙을 이해하고, 치열한 데이터 싸움에 뛰어들 준비가 되었다는 사실입니다. 투자라는 관점에서 볼 때, 이 치열한 현장의 데이터가 결국 주가 방향을 결정하는 진짜 변수가 될 것입니다. 각자의 판단에 도움이 되길 바랍니다.


본 글은 투자 판단을 위한 참고 자료일 뿐, 실제 투자에 따른 책임은 본인에게 있습니다. 의료 분야의 기술 평가는 복잡한 전문성을 요하므로 반드시 전문가의 상담과 충분한 자체 검증을 병행하시기 바랍니다.


댓글

이 블로그의 인기 게시물

맥미니 살까 고민했던 과거의 나를 말리고 싶은 이유: 로컬 LLM 찍먹 대실패기

  오픈클로(OpenClaw)를 활용해 나만의 비서 '쟈비스'를 만들겠다는 야심 찬 계획을 세웠던 건 정확히 2주 전이었습니다. 유료 API 비용이 아까워 머리를 굴리다 '로컬 LLM이면 공짜 아닌가?'라는 결론에 도달했죠. 학복스 맥미니 가격표를 보며 고민하던 그 밤, 저는 일단 집에 있던 램 16GB 데스크톱으로 테스트를 시작했습니다. 결론부터 말씀드리면, 이건 제 시간과 뇌세포를 갈아 넣은 거대한 삽질이었습니다. 로컬 환경에서 마주한 처참한 현실: 빡대가리 논란 로컬 LLM은 우리가 기대하는 챗GPT급의 성능과는 완전히 다른 세상의 물건입니다. 기대를 낮추고 시작해도 결국 실망하게 되는 그 간극을 직접 확인했습니다. 처음에는 Ollama를 통해 Qwen2.5를 비롯한 온갖 모델을 다 깔아봤습니다. 8B, 14B는 물론이고 0.5B 같은 초경량 모델까지 램 한도 내에서 다 돌려봤죠. 그런데 한국어를 시키면 갑자기 힌두어를 섞어 쓰거나, 아예 침묵으로 일관하더군요. 프롬프트를 분명 한국어로 설정했는데도 모델 스스로가 한국어의 문맥을 전혀 파악하지 못했습니다. 설정의 문제가 아니었습니다. 모델이 작으면 머리가 나쁘고, 크면 한국어를 못 하는 모순적인 상황이 매번 반복되더군요. 램 16GB라는 제약 안에서 제가 시도했던 그 모든 새벽의 사투가 무색해지는 순간이었습니다. 왜 고사양 맥미니가 답이 아닐 수 있을까 하드웨어 사양을 높인다고 해서 로컬 LLM의 근본적인 추론 능력이 비약적으로 상승하는 것은 아닙니다. 쟈비스를 만드는 데 하드웨어가 전부는 아니라는 걸 깨달았습니다. 많은 분이 맥미니 32GB나 64GB를 사면 로컬 LLM이 엄청나게 똑똑해질 거라 믿지만, 실제로는 그렇지 않습니다. 로컬 LLM은 '기억력'은 좋지만 '사고력'이 부족한 기계에 가깝습니다. 저는 데스크톱에서 서버로 JSON 코드를 보내는 간단한 테스트조차 모델이 수행하지 못해 계속 오류를 뿜어내는 걸 보면서 깊은 현타를 느꼈습니다. ...

알파고의 진짜 유산: 바둑을 넘어 신약개발의 미래를 보다

  기억하시나요? 10년 전, 구글 딥마인드의 알파고가 바둑판 위에서 인간을 상대로 승리를 거뒀던 그 날의 충격을 말입니다. 당시 저는 사무실 모니터 앞에 멍하니 앉아 그 '37번째 수'를 보며 전율했던 기억이 납니다. 그건 단순한 게임의 승리가 아니었습니다. 기계가 인간의 직관이라는 영역을 어떻게 넘어서는지, 그 서늘하면서도 경이로운 전환점을 목격했으니까요. 하지만 알파고는 그저 시작에 불과했습니다. 알파고가 생물학 연구실에 가져온 나비효과 알파고의 핵심은 승리가 아니라, 미지의 문제를 푸는 창의적 방식에 있었습니다. 그 흐름은 이제 단백질 구조를 해석하고 신약을 설계하는 과학계의 거대한 혁명으로 이어졌습니다. 현업에서 연구 데이터를 다루다 보면, 가장 큰 벽은 언제나 복잡성입니다. 단백질 구조 하나를 밝히는 데 몇 년씩 걸리던 시절이 있었습니다. 하지만 구글 딥마인드의 푸시미트 콜리 부사장의 인터뷰를 보며 느낀 점은, AI가 이제는 예측을 넘어선 '설계자'가 되었다는 사실입니다. 알파폴드(AlphaFold)는 이미 330만 명이 넘는 연구자들의 일상이 되었습니다. 제 주변의 생물학자 동료들도 이제는 실험실에 들어가기 전, AI가 예측한 구조를 바탕으로 가설을 세우는 것을 당연하게 여깁니다. 알파고 때 우리가 봤던 그 '창의적인 수'들이 생명 현상을 읽는 언어로 번역된 셈입니다. 인공지능이 인간을 대체하는 것이 아니라, 인간의 질문 수준을 한 단계 높여주고 있다는 점이 중요합니다. 예측이 쉬워지니 연구자들은 더 깊은 과학적 난제를 고민하게 되었습니다. 유전체 해석과 알고리즘의 최적화 AlphaMissense와 같은 모델은 단순히 데이터를 나열하지 않습니다. DNA 변이가 생명체에 미치는 영향을 판별하며 유전체 연구의 새로운 지평을 열고 있습니다. 데이터를 다루는 사람으로서 가장 흥미로웠던 것은 AlphaEvolve의 성과입니다. 사실 알고리즘을 최적화한다는 건 지루하고 반복적인 작업이거든요. 하지만 AI가 스...

내 책상 위에서 GPT-4급 성능을? Qwen 3.5 로컬 구동 도전기

  처음 397B 파라미터 모델이 로컬 환경에서 돌아간다는 소식을 접했을 때, 솔직히 반신반의했습니다. 단순히 수치만 높은 게 아닐까 싶어 퇴근길에 24GB VRAM을 장착한 제 메인 PC에 바로 Qwen 3.5 9B 모델을 올려봤는데, 그 속도와 답변 품질을 보고 화면 앞에서 잠시 멍하니 앉아있었습니다. 그동안 제가 클라우드 API에 썼던 비용과 시간이 조금 허무하게 느껴질 정도더군요. 오늘은 로컬 LLM이 단순한 장난감을 넘어 실무의 영역으로 들어온 지금, 우리가 무엇을 준비해야 하는지 제 시행착오를 담아 정리해 보려 합니다. MoE와 Dense 모델, 무엇을 고를까? Qwen 3.5는 모델 라인업이 방대해서 처음엔 무엇부터 써야 할지 막막할 수 있습니다. 하지만 하드웨어 제약 내에서 최적의 효율을 내는 구조를 이해하면 선택지는 명확해집니다. 많은 분이 397B 모델의 웅장한 성능에만 집중하지만, 실질적으로 우리 PC에서 생명력 있게 돌아가는 건 MoE(Mixture of Experts) 모델들입니다. 저는 처음에 무리하게 35B-A3B 모델을 돌려보려다 램 부족으로 시스템이 멈추는 바람에 꽤 고생했습니다. 핵심은 '활성화 파라미터'인데, 35B 전체 크기라도 실제 연산은 3B만 사용하니 놀라울 정도로 가벼웠죠. 무조건 큰 모델이 최고라는 생각은 버려야 합니다. 내 하드웨어에서 초당 토큰 생성 속도가 10 이상 유지되는 모델이 가장 실용적인 모델입니다. 현장에서 체감한 양자화와 하드웨어의 함정 양자화는 메모리를 절약하는 마법이지만, 그 종류가 너무 많아 선택 장애를 유발합니다. 수치만 보고 결정하면 나중에 성능 저하 때문에 곤란해질 수 있습니다. 저도 처음엔 무조건 제일 작은 2비트 버전으로 모든 걸 해결하려 했습니다. 하지만 막상 코딩 작업에 투입해보니 엉뚱한 라이브러리를 불러오거나 문법을 틀리는 빈도가 확연히 높더군요. 4비트 양자화 모델이 용량 대비 품질 유지 측면에서 압도적입니다. 또한, GPU 오프로딩을 할 때도 주의가 필요합니다. ...