논문이 스스로 말하고 연구까지 돕는다, 과학 논문을 ‘AI 에이전트’로 바꾸는 기술 등장

과학 논문이 단순히 읽는 문서를 넘어 연구자의 질문에 답하고 데이터 분석과 연구 작업까지 수행하는 ‘AI 에이전트’로 진화하고 있다. Paper2Agent 같은 기술은 논문 속 지식과 코드, 데이터를 연결해 과학자가 연구 결과를 더욱 쉽게 재현하고 새로운 연구에 활용할 수 있는 가능성을 보여준다.

과학 논문을 읽다 보면 늘 비슷한 벽에 부딪힌다. 논문의 결론은 이해했는데 정작 그 연구 방법을 내 데이터에 적용하려면 어디서부터 시작해야 할지 막막하다. 논문 뒤쪽의 참고문헌을 찾아가고, 보충자료를 내려받고, 깃허브(GitHub)에서 코드를 찾아 실행해야 한다. 프로그래밍 환경이 맞지 않으면 오류 메시지와 씨름하는 일도 생긴다. 좋은 연구가 공개되어 있어도 실제로 활용하기까지는 또 하나의 작은 연구가 필요한 셈이다.

그런데 이런 풍경을 크게 바꿀 만한 기술이 등장했다. 2026년 9월 16일 국제학술지 네이처(Nature)에 발표된 연구에서 연구진은 과학 논문을 단순히 읽는 문서가 아니라 질문에 답하고, 분석을 실행하고, 새로운 데이터에 연구 방법을 적용할 수 있는 인공지능 에이전트로 변환하는 페이퍼투에이전트(Paper2Agent)를 공개했다. 연구진은 이를 일종의 ‘가상 교신저자(virtual corresponding author)’로 설명한다. 논문을 읽는 시대에서 논문과 함께 일하는 시대로 넘어가는 흥미로운 변화이다.

읽기만 하던 과학 논문이 실행 가능한 연구 도구로 바뀐다

기존 논문은 기본적으로 수동적인 기록물이다. 아무리 뛰어난 연구라도 PDF 파일 자체가 독자에게 연구 방법을 설명하거나 데이터를 분석해 주지는 않는다. 특히 생물정보학이나 인공지능처럼 소프트웨어 사용이 많은 분야에서는 논문을 읽는 것보다 연구진이 공개한 코드를 제대로 실행하는 일이 더 어려울 때도 있다.

Paper2Agent가 겨냥한 문제가 바로 이것이다. 이 시스템은 논문 본문만 읽는 것이 아니라 논문에 연결된 코드 저장소와 데이터, 보충자료, 분석 과정까지 살펴본다. 그런 다음 논문의 핵심 기능을 AI가 사용할 수 있는 도구로 변환한다. 사용자는 복잡한 프로그램 명령어 대신 자연어로 원하는 일을 요청할 수 있다. 예를 들어 “이 논문의 분석법을 내가 새로 얻은 데이터에 적용해 달라”고 요청하면 에이전트가 필요한 분석 절차를 찾아 실행하는 방식이다.

Paper2Agent는 어떻게 논문을 AI 에이전트로 만드는가

핵심 기술 가운데 하나가 모델 컨텍스트 프로토콜(Model Context Protocol·MCP)이다. MCP는 AI 모델이 외부 데이터와 프로그램, 각종 도구를 표준화된 방식으로 사용할 수 있게 연결하는 구조이다. Paper2Agent는 논문과 코드베이스를 분석해 논문 전용 MCP 서버를 만든다.

이 과정에는 여러 AI 에이전트가 역할을 나눠 참여한다. 어떤 에이전트는 프로그램 실행 환경을 구성하고, 다른 에이전트는 논문의 핵심 분석 기능을 찾아 도구로 변환한다. 또 다른 에이전트는 만들어진 도구를 실제로 실행해 원래 논문의 결과와 맞는지 검사한다. 파일이 제대로 생성되는지, 수치가 허용 범위 안에 들어오는지, 결과 그림이 원래 결과와 일치하는지 확인한다. 반복해서 검증에 실패한 도구는 최종 시스템에서 제외한다.

이 검증 과정은 매우 중요하다. 생성형 AI에게 단순히 “이 논문의 방법대로 코드를 작성해 달라”고 하면 존재하지 않는 함수나 잘못된 코드를 만들어내는 이른바 환각 문제가 발생할 수 있다. Paper2Agent는 AI가 그럴듯하게 대답하는 것에 만족하지 않고 실제 코드와 결과를 기준으로 검증하는 방식을 택했다.

100편의 계산생물학 논문 가운데 74편을 에이전트로 만들었다

연구진은 이 기술이 몇 편의 잘 정리된 논문에서만 작동하는지 확인하는 데 그치지 않았다. 2025년 12월을 기준으로 바이오아카이브(bioRxiv)의 계산생물학 분야 논문 100편을 대상으로 자동 변환 성능을 시험했다. 문서나 코드가 특별히 잘 정리된 논문만 골라낸 것이 아니라 실제 연구 현장에서 접하게 되는 다양한 상태의 논문을 사용했다.

그 결과 100편 가운데 74편을 성공적으로 에이전트화했다. 시스템이 제안한 599개의 도구 가운데 593개가 자동 검증을 통과했다. 튜토리얼을 바탕으로 만든 300개 질문에서는 Paper2Agent와 소넷 4(Sonnet 4)의 조합이 91.2%의 정확도를 기록했다. 같은 모델이 논문과 코드 저장소에 직접 접근해 문제를 해결한 방식은 80.3%였다. 연구진의 평가에서는 질문당 비용과 처리 시간도 줄었다.

모든 논문이 에이전트로 변환된 것은 아니다. 실행 가능한 코드가 없거나 필요한 데이터와 모델 파일이 빠져 있는 경우, 프로그램 의존성 문제로 실행 환경을 만들 수 없는 경우 등이 실패 원인이었다. 오히려 이 결과는 중요한 현실을 보여준다. 앞으로 논문이 사람뿐 아니라 AI도 읽고 실행하는 연구 자원이 되려면 연구 데이터와 코드의 공개 방식 자체가 달라져야 할 가능성이 크다.

논문 한 편이 한 명의 ‘가상 연구자’처럼 움직인다

이 기술에서 가장 흥미로운 부분은 논문과 대화를 나누는 기능 자체가 아니다. 이미 PDF를 업로드하고 질문하면 내용을 설명해 주는 AI 서비스는 존재한다. Paper2Agent의 차이는 논문의 방법을 실제로 실행할 수 있다는 데 있다.

연구진은 알파게놈(AlphaGenome), 스캔파이(Scanpy), TISSUE 같은 연구 도구를 기반으로 논문 에이전트를 만들었다. 예를 들어 유전 변이를 입력하면 관련 도구를 호출해 유전자 발현이나 염색질 접근성 등에 미치는 영향을 분석할 수 있다. 단순히 “이 논문에는 이런 분석법이 적혀 있다”고 설명하는 것이 아니라 실제 분석 과정에 참여하는 것이다.

여러 논문 에이전트가 서로 협력하면 연구 방식도 달라진다

더 놀라운 가능성은 논문 에이전트끼리의 협력이다. 현실의 과학 연구도 한 논문의 지식만으로 이루어지지 않는다. 어떤 논문에서 새로운 분석법을 발견하고 다른 논문의 데이터에 적용하면서 새로운 가설이 탄생한다. 문제는 사람이 수많은 논문을 읽고 코드와 데이터를 연결하는 데 상당한 시간이 필요하다는 점이다.

Paper2Agent에서는 서로 다른 논문에서 만들어진 여러 MCP를 하나의 AI 에이전트에 연결할 수 있다. 연구진은 실제 사례에서 여러 논문 에이전트를 결합해 건선과 관련된 유전자의 우선순위를 분석했다. 연구자가 논문 A의 방법을 논문 B의 데이터에 적용하고 다시 논문 C의 결과와 비교하는 과정을 AI가 일정 부분 대신 수행할 수 있다는 뜻이다.

이 방향은 Paper2Agent만의 움직임도 아니다. 2026년 발표된 에이전틱사이엠엘(AgenticSciML)은 10개가 넘는 전문 AI 에이전트가 서로 제안하고 비판하며 과학적 머신러닝 문제를 해결하는 구조를 제시했다. 과학 분야에서 AI의 역할이 ‘질문에 답하는 챗봇’에서 ‘여러 도구를 사용하고 서로 협력하는 연구 시스템’으로 확장되고 있음을 보여주는 흐름이다.

논문을 읽는 능력보다 질문하는 능력이 중요해질 수 있다

나는 긴 논문을 읽을 때 종종 이런 생각을 한다. 논문의 저자가 바로 옆에 앉아 있다면 얼마나 편할까. “이 표에서 가장 중요한 숫자는 무엇인가”, “이 방법을 다른 데이터에 적용하면 어떻게 되는가”, “왜 이 변수를 사용했는가”라고 즉석에서 물어볼 수 있기 때문이다. Paper2Agent가 흥미로운 이유는 바로 이 상상을 기술적으로 조금씩 현실로 만들고 있기 때문이다.

앞으로 대학원생이나 다른 분야의 연구자가 낯선 분석법을 사용하기 위해 며칠씩 코드를 공부하지 않아도 될 가능성이 있다. 자연어로 목적을 설명하면 논문 에이전트가 필요한 도구를 골라 분석을 수행하고 결과를 보여줄 수 있다. 연구의 진입장벽이 크게 낮아질 수 있는 부분이다.

AI가 연구를 대신한다는 뜻은 아니다

물론 논문이 AI 에이전트가 된다고 해서 과학자가 필요 없어지는 것은 아니다. 연구진 역시 모든 논문을 완벽하게 에이전트화할 수 없다는 점을 인정한다. 오래된 코드와 소프트웨어 의존성은 계속 변하며, 실행 가능한 연구 시스템을 유지하려면 지속적인 관리가 필요하다. 코드와 데이터를 AI 에이전트가 실행하도록 공개할 경우 보안과 지식재산권, 연구자에 대한 적절한 인용과 공로 인정 문제도 생긴다.

무엇보다 AI가 새로운 결과를 내놓았다고 해서 그것이 곧 과학적 사실이 되는 것은 아니다. 계산 결과에서 흥미로운 가설을 찾아낼 수는 있지만 실제 생물학적 의미를 입증하려면 추가 실험과 독립적인 검증이 필요하다. AI는 연구 과정을 빠르게 만들 수 있지만 무엇을 연구할 것인지 판단하고 결과가 무엇을 의미하는지 해석하는 책임까지 자동으로 사라지는 것은 아니다.

PDF라는 300년 된 과학 커뮤니케이션 방식이 바뀔 가능성

논문은 오랫동안 연구 결과를 보존하고 전달하는 가장 중요한 수단이었다. 종이 학술지가 PDF로 바뀌었지만 기본 구조는 크게 달라지지 않았다. 저자가 연구 내용을 기록하면 독자가 읽고 해석하는 방식이다. Paper2Agent가 제시한 변화는 훨씬 근본적이다. 논문이 지식을 보관하는 그릇에서 지식을 직접 실행하는 시스템으로 변하기 때문이다.

미래의 논문에는 본문과 표, 참고문헌뿐 아니라 ‘이 연구와 대화하기’ 같은 기능이 기본적으로 붙을지도 모른다. 논문의 데이터를 다시 분석하고, 그래프를 재현하고, 자신의 데이터를 입력해 같은 방법을 적용하는 일이 클릭 몇 번이나 자연어 명령으로 가능해질 수도 있다. 여러 논문 에이전트를 연결하면 하나의 작은 가상 연구팀처럼 움직일 가능성도 있다.

그렇게 된다면 과학 논문의 의미도 달라진다. 지금까지 논문은 연구가 끝난 뒤 남겨지는 최종 기록에 가까웠다. 앞으로의 논문은 새로운 연구를 시작하게 만드는 능동적인 출발점이 될 수 있다. 연구 결과가 출판되는 순간 멈추는 것이 아니라 다른 데이터와 다른 논문을 만나 계속 활용되는 것이다.

수십 년 동안 우리는 논문을 ‘읽었다’. 검색하고, 밑줄을 긋고, 중요한 부분을 메모했다. 이제는 논문에게 질문하고, 분석을 부탁하고, 다른 논문과 함께 일하게 하는 시대가 열리고 있다. 과학 논문이 더 이상 조용히 서버에 저장된 PDF 한 장으로 머물지 않고 연구자의 책상 옆에서 일하는 또 하나의 지적 도구가 되기 시작한 것이다.

출처

Miao, J., Davis, J. R., Zhang, Y. et al., “Reimagining research papers as interactive and reliable AI agents,” Nature, 16 September 2026.

Nature Research Briefing, “Turning scientific research papers into interactive AI agents,” 16 September 2026.

Jiang, Q. & Karniadakis, G., “AgenticSciML: collaborative multi-agent systems for emergent discovery in scientific machine learning,” npj Artificial Intelligence, 2026.