Anthropic이 Claude Science를 공개했다. MIT Technology Review의 The Download에 따르면 발표 현장은 제약 임원, 바이오테크 창업자, 연구자들을 향했다. 제품 설명도 소비자용 AI와는 거리가 있다. Claude Code가 소프트웨어 엔지니어링을 돕는 방식처럼, Claude Science는 계산생물학과 신약 개발 도구를 써서 과학 연구의 일부 작업을 자율적으로 수행하도록 설계됐다.
눈여겨볼 대목은 "짧은 고수준 지시"라는 표현이다. 개발자에게 Claude Code가 프로젝트 맥락을 읽고 수정·실행·반복을 맡는다면, Claude Science는 연구자에게 가설 정리, 계산 파이프라인, 후보 물질 탐색 같은 일을 넘겨받겠다는 뜻에 가깝다. Anthropic은 여기서 한 걸음 더 나아가 희귀·소외 질환 치료제 연구에도 이 제품을 직접 쓰겠다고 했다.
다만 과학 연구의 실패 비용은 코드 보조와 다르다. 잘못된 코드 제안은 테스트와 리뷰에서 비교적 빨리 드러날 수 있다. 반면 잘못된 계산 가정이나 그럴듯한 후보 우선순위는 실험 설계 자체를 흔들 수 있다. 그래서 Claude Science 같은 제품에는 답변 품질만큼이나 도구 호출 기록, 데이터 출처, 가정, 실패한 경로가 중요하다. 과학용 에이전트는 똑똑하게 말하는 도구가 아니라, 나중에 다시 추적할 수 있는 연구 동료에 가까워야 한다.
같은 뉴스레터에 실린 캘리포니아의 분뇨 메탄 보조금 이야기는 이 문제를 다른 방향에서 비춘다. 주 정부는 소 분뇨에서 나오는 메탄을 천연가스로 바꾸는 농가에 보조금을 지급해 왔고, 제도는 큰 인기를 얻었다. 하지만 연구는 이런 탄소 상쇄·거래 구조가 실제 배출 감축 대신 책임을 지역과 산업 사이에 옮기며, 결과적으로 더 많은 온난화를 고착시킬 수 있다고 지적한다.
두 이야기는 모두 계산과 현실 사이의 간격을 묻는다. AI가 연구 속도를 높이는 일도, 탄소 회계가 기후정책을 설계하는 일도 숫자와 모델 없이는 굴러가기 어렵다. 하지만 모델이 현실을 더 선명하게 만드는지, 아니면 불편한 책임을 보기 좋은 산식으로 숨기는지는 완전히 다른 문제다.
Claude Science의 진짜 시험대는 화려한 데모가 아니라 검증 가능한 연구 흐름일 것이다. 어떤 데이터로 어떤 결론에 도달했는지, 왜 특정 후보를 버렸는지, 어디서 불확실성이 커졌는지 남길 수 있어야 한다. AI for science가 과학을 돕는다면, 그 도움은 속도보다 재현성과 책임성에서 증명돼야 한다.