Anthropic의 새로운 Claude Science 워크벤치는 주목할 만한 인프라 파트너인 NVIDIA와 함께 출시된다. NVIDIA에 따르면 Claude Science는 이제 NVIDIA BioNeMo Agent Toolkit과 통합되어, 생명과학 연구자들이 모델 엔드포인트와 소프트웨어 환경을 수동으로 조립하는 대신 자연어 인터페이스에서 가속화된 생물학 및 화학 도구를 호출할 수 있게 된다.

이 발표가 중요한 이유는 응용 AI에서 가장 어려운 문제 중 하나인, 범용 비서를 실제 과학 워크플로를 수행할 수 있는 도메인형 에이전트로 전환하는 문제를 겨냥하기 때문이다. NVIDIA의 설명에 따르면 Claude Science는 연구자의 요청을 해석해 전문 에이전트로 라우팅하고, BioNeMo로 패키징된 도구를 호출해 유전체 분석, 구조 예측, 분자 생성, 도킹, 케모인포매틱스 같은 작업을 수행할 수 있다. Anthropic은 Claude Science를 공개 베타로 제공하고 있으며, NVIDIA는 이 툴킷과 관련 기능이 현재 개발자 리소스와 GitHub를 통해 이용 가능하다고 밝혔다.

AI 빌더와 엔터프라이즈 R&D 팀에게 이번 변화는 또 하나의 챗봇 통합이라기보다 워크플로 제어에 가깝다. NVIDIA는 BioNeMo를 생산 환경에서 에이전트가 생물학 모델을 사용할 수 있게 해주는 계층으로 포지셔닝하고 있으며, 해당 모델이 호스티드 엔드포인트로 노출되든 기업 인프라에서 로컬로 실행되든 상관없다는 입장이다.

NVIDIA와 Anthropic이 실제로 무엇을 출시하는가

핵심 제품 변화는 Claude Science와 NVIDIA BioNeMo Agent Toolkit의 연결이다. NVIDIA는 Claude Science를 과학 연구를 위한 AI 워크벤치로 설명하며, 사용자가 자연어로 에이전트와 대화하고 그 에이전트가 작업을 처음부터 끝까지 수행하게 할 수 있다고 말한다. 이 환경에서 BioNeMo Agent Toolkit은 호출 가능한 과학 스킬의 카탈로그 역할을 한다.

이 스킬들은 NVIDIA 가속 기능을 패키징해, 에이전트가 올바른 도구를 식별하고, 유효한 입력을 준비하며, 작업을 실행하고, 결과를 검토용으로 반환할 수 있게 한다. NVIDIA는 이를 통해 연구자들이 하나의 인터페이스 안에 머무른 상태로, 기본 워크로드는 NVIDIA 컴퓨팅 자원에서 “어디에든 배포”되어 실행될 수 있다고 말한다.

실무적으로 NVIDIA는 이 통합을 통해 Claude Science가 Evo 2, Boltz-2, OpenFold3를 포함한 BioNeMo 모델과 서비스, 그리고 회사의 NVIDIA NIM 마이크로서비스에 접근할 수 있게 된다고 설명한다. 회사의 예시는 유전체학, 단백질체학, 단일세포 분석, 케모인포매틱스, 임상 연구 워크플로를 포괄한다.

NVIDIA의 개발자 자료는 이 기능을 단순한 모델 호스팅 이야기가 아니라 에이전트용 툴링 계층으로 본다는 점을 분명히 한다. 이 툴킷에는 BioNeMo Skills와 Model Context Protocol 래퍼가 포함되어 있어, 모델의 용도, 필요한 입력, 반환하는 산출물, 실패 시 처리 방법을 문서화한다. 이러한 메타데이터는 과학 에이전트가 순수한 추론보다 잘못된 도구 선택, 유효하지 않은 요청 형식, 출력 오독 때문에 더 자주 실패하기 때문이다.

왜 NVIDIA는 모델뿐 아니라 스킬에 집중하는가

NVIDIA의 두 자료는 생명과학 에이전트가 대형 모델 접근만으로는 충분하지 않다고 주장한다. 범용 에이전트는 단백질 접힘이나 도킹이 관련 있다는 것은 알 수 있어도, 특정 모델을 선택하고 입력을 정확히 준비하며 반환된 파일을 해석하는 절차적 지식은 부족할 수 있다. NVIDIA는 에이전트 프레임워크와 도메인 특화 과학 소프트웨어 사이의 인터페이스를 표준화함으로써 그 간극을 메우려 한다.

이 접근은 엔터프라이즈 AI의 더 큰 변화, 즉 “모델 접근”에서 “워크플로 신뢰성”으로의 이동을 반영한다. 신약 개발과 계산 생물학에서 실패한 호출은 단순한 불편이 아니라 후보 생성, 구조 분석, 순위화, 후속 실험으로 이어지는 다단계 루프를 깨뜨릴 수 있다. NVIDIA의 메시지는 BioNeMo Skills가 특화된 생체분자 기능을 개별 엔드포인트가 아니라 에이전트가 바로 사용할 수 있는 도구로 바꾼다는 것이다.

회사 역시 배포 유연성을 강조한다. NVIDIA는 팀이 빠른 접근과 최소한의 인프라 부담을 위해 호스티드 NIM 엔드포인트로 시작한 뒤, 더 낮은 지연 시간, 더 강한 제어, 더 나은 데이터 지역성이 필요할 때 선택한 모델을 로컬 배포로 옮길 수 있다고 말한다. 이 차이는 먼저 폭넓게 실험한 뒤 반복 호출 워크로드나 민감한 데이터 파이프라인을 자체 시스템으로 가져오려는 제약·바이오텍 팀에게 중요하다.

다시 말해 NVIDIA는 가속만 파는 것이 아니다. AI 에이전트가 도메인 도구를 어떻게 발견하고 사용하는지에 대한 제어 플레인도 함께 판다.

NVIDIA가 가능하다고 말하는 워크플로

NVIDIA가 제시하는 가장 명확한 사용 사례는 과학적 추론과 연산 집약적 실행 사이의 반복 루프다. 연구자는 Claude Science에 유전체 서열 분석, 단백질 구조 예측, 후보 결합체 설계 등을 요청할 수 있다. NVIDIA에 따르면 Claude Science는 그다음 기존 워크플로를 이해하는 전문 에이전트를 오케스트레이션한다. BioNeMo는 실제로 단계를 실행하는 데 필요한 도구 정의와 가속화된 모델 접근을 제공한다.

회사는 종양학 예시도 든다. 암과 연관된 알려진 변이에서 시작해 Claude에게 잠재적 억제제 설계를 요청하는 방식이다. NVIDIA의 설명에 따르면 BioNeMo Agent Toolkit과 NVIDIA NIM 마이크로서비스를 결합한 Claude Science는 이 워크플로의 예측, 최적화, 검증 단계를 가속할 수 있다.

NVIDIA는 또한 그런 에이전트 루프를 뒷받침할 구성 기술을 강조한다. NVIDIA Parabricks는 유전체 분석을 수시간에서 수분으로 줄이는 방법으로 제시된다. scverse가 개발했다고 NVIDIA가 밝힌 RAPIDS-singlecell은 130만 세포 전처리 및 클러스터링 워크플로를 52분에서 25초로 줄인다고 언급된다. nvMolKit은 유사도 검색과 컨포머 생성 같은 케모인포매틱스 작업을 최대 3,000배까지 가속한다고 설명된다.

이러한 속도 향상이 실제 운영에 가까운 환경에서도 유지된다면, 의미는 명확하다. 더 많은 단계가 나중에 연구자가 다시 확인하는 배치 작업으로 밀려나지 않고, 활성 추론 루프 안에 남아 있을 수 있다. 이는 결과 하나하나가 다음 질문을 바꾸는 탐색적 작업에서 AI 에이전트를 훨씬 유용하게 만든다.

증거, 벤치마크, 그리고 벤더 보고 내용

이 기사에서 사용된 증거는 모두 NVIDIA가 통제하는 출처에서 나온 것이므로, 가장 강한 제품·성능 주장은 독립적으로 검증되지 않는 한 벤더 보고로 보아야 한다.

여기에는 상위 20개 제약사 중 18개가 NVIDIA BioNeMo를 사용한다는 NVIDIA의 채택 신호도 포함된다. 회사는 제공된 증거에서 해당 조직명을 밝히지 않았고, 사용 깊이도 정의하지 않았으며, 파일럿과 규모 확산을 구분하지도 않았다. 정확하다면 시장 도달 범위를 보여주는 의미 있는 지표이지만, 여전히 NVIDIA 자체의 프레이밍이다.

성능 수치 역시 벤더 제공이다. NVIDIA는 RAPIDS-singlecell이 특정 130만 세포 워크플로를 52분에서 25초로 줄일 수 있다고 말하고, nvMolKit이 일부 케모인포매틱스 작업을 최대 3,000배 가속할 수 있다고 주장한다. 큰 향상이지만, 원문에는 전체 벤치마크 방법론, 각 사례별 하드웨어 구성, 외부 재현이 제시되지 않는다.

개발자 블로그는 Codex CLI와 GPT-5.5 fast를 사용한 실증 벤치마크도 보고하며, BioNeMo Skills를 추가하자 토큰 효율이 두 배가 되고 과제 완료율이 57.1%에서 100%로 상승했다고 주장한다. 이 결과가 흥미로운 이유는 가치가 모델 품질만이 아니라 구조화된 도구 인터페이스에서도 나온다는 점을 시사하기 때문이다. 다만 이는 NVIDIA 내부 테스트이며, 추출된 증거만으로는 이런 개선이 과제, 에이전트 설정, 실제 실험실 환경 전반에서 얼마나 넓게 적용되는지 판단하기엔 정보가 충분하지 않다.

더 구체적이고 덜 추정적인 사실은 제품 가용성 신호다. Anthropic의 Claude Science는 공개 베타에 들어가며, NVIDIA는 NVIDIA BioNeMo Agent Toolkit과 관련 스킬이 GitHub 및 NVIDIA 개발자 채널을 통해 이용 가능하다고 말한다.

이것이 빌더와 기업 구매자에게 의미하는 것

AI 제품 팀에게 이번 출시는 수직형 에이전트가 도구 오케스트레이션에 따라 성패가 갈린다는 사실을 상기시킨다. 그럴듯한 답변을 쓰는 모델이 반드시 OpenFold3 입력을 관리하고, Evo 2로 호출을 라우팅하며, 출력을 파싱하고, 실행 실패를 복구할 수 있는 시스템은 아니다. NVIDIA는 툴킷을 “harness-agnostic”하게 만들어 이러한 오케스트레이션을 프레임워크 전반에서 재사용 가능하게 하려 한다. 이것이 실제로 작동한다면, 기존 연구 소프트웨어 스택 위에 도메인 에이전트를 만드는 비용이 줄어든다.

제약·바이오텍 분야의 기업 구매자에게 매력은 다르다. 단순히 더 나은 채팅이 아니라, 기업 배포 옵션을 갖춘 실사용 워크플로에 더 빠르게 도달하는 것이다. NVIDIA NIM은 여기서 핵심적이다. 모델을 소프트웨어 스택이 사전 통합된 컨테이너형 추론 엔드포인트로 묶어주기 때문이다. 이는 특히 안정적인 API와 지원 가능한 런타임을 원하는 팀에게, 소스 코드에서 생물학 모델을 배포하는 데 필요한 운영 작업의 일부를 줄여줄 수 있다.

명확한 주의점도 있다. 과학 워크플로는 출처, 재현성, 실패 처리에 민감하다. NVIDIA가 문서화된 입력, 예상 산출물, 실패 모드를 강조하는 것은 고무적이지만, 기업 팀은 여전히 Claude Science, BioNeMo, NVIDIA NIM이 자사 환경에서 어떻게 작동하는지 검증해야 한다. 생명과학에서 더 빠른 루프는 출력이 해석 가능하고 추적 가능하며 후속 검토에 적합할 때만 가치가 있다.

또 다른 함의는 경쟁이다. 이 통합은 Anthropic의 Claude Science를 단순한 파운데이션 모델 인터페이스가 아니라 도메인 워크플로의 프런트엔드로 자리매김하게 한다. 모델 벤더와 클라우드 플랫폼에 대한 메시지는, 과학 AI의 승부가 이제 원시 모델 성능뿐 아니라 인프라 파트너십과 에이전트 툴링을 통해서도 점점 더 결정된다는 것이다.

다음에 주목할 점

가장 먼저 볼 신호는 Anthropic과 NVIDIA가 출시 예시를 넘어, 더 명확한 검증 데이터를 갖춘 이름 있는 연구 워크플로로 확장하느냐는 점이다. 사용자가 Evo 2, Boltz-2, OpenFold3, NVIDIA Parabricks 관련 작업에서 재현 가능한 결과를 공개하기 시작하면, 이 이야기는 단순한 플랫폼 발표보다 훨씬 강해진다.

둘째는 배포 패턴이다. NVIDIA의 자체 가이던스는 팀이 호스티드 엔드포인트부터 시작해 반복 호출 워크로드를 로컬로 옮기라고 제안한다. 기업들이 Claude Science로 실제로 그렇게 하는지 보면, 규제된 연구 환경에서 하이브리드 에이전트 인프라에 대한 수요가 얼마나 큰지 드러날 것이다.

셋째, 더 넓은 프레임워크 지원과 서드파티 툴링을 봐야 한다. NVIDIA는 툴킷이 열려 있고 harness-agnostic하다고 말한다. BioNeMo Skills가 Claude Science뿐 아니라 더 많은 에이전트 런타임에 나타난다면, 이 툴킷은 더 중요한 상호운용 계층이 될 수 있다.

마지막으로, 채택과 벤치마크 개선에 대한 벤더의 주장이 외부에서 확인되는지 주시해야 한다. 제약 사용자들의 공개 사례, 재현 가능한 성능 연구, 독립 벤치마크는 NVIDIA의 주장을 실질적으로 강화할 것이다.

Creati.ai 관점

이번 발표는 모델 출시보다 인프라 움직임으로서 더 중요하다. NVIDIA는 BioNeMo를 사용해 많은 AI 팀이 데모 이후에 부딪히는 실질적 문제를 해결하려 한다. 범용 에이전트는 능력 있어 보이지만, 신뢰할 수 있는 도구 정의, 배포 선택, 오류 처리 없이는 특화 작업이 무너진다. BioNeMo를 Claude Science에 연결함으로써 NVIDIA는 생명과학 에이전트를 “비서” 수준의 행동에서 운영 워크플로 실행 쪽으로 옮기려 하고 있다.

기회는 분명하지만, 벤더 데모와 실제 과학 사이의 간극도 분명하다. 여기서 가장 강한 속도 및 완료율 주장은 NVIDIA 자체 자료에서 나오며, 업계는 여전히 이러한 시스템이 기업 규모에서 견고한 연구 루프를 지원할 수 있다는 독립적 증거를 필요로 한다. 그럼에도 방향성은 주목할 만하다. 엔터프라이즈 AI에서 승리하는 스택은 도메인 도구를 호출 가능하고, 관측 가능하며, 관리 가능하게 만드는 스택일 수 있고, NVIDIA BioNeMo, Anthropic, Claude Science는 지금 그 주장을 생명과학 팀에 직접 제시하고 있다.