FDA 생성형 AI 의료기기 규제 토론논문(2026-08-18) 해부: 2축 리스크 프레임·역량기반 사전심사·파운데이션 모델 MAF·에이전틱 AI — 한국 디지털헬스가 10월 19일 전에 정리할 26개 질문

FDA CDRH가 2026년 8월 18일 발표한 생성형 AI 의료기기 규제 토론논문(docket FDA-2026-N-7874, 의견 마감 2026-10-19)을 바탕으로 기기 활동도×결과 중증도 2축 리스크 프레임, action-directing 기능 판정, 역량기반 사전심사·벤치마킹, 파운데이션 모델 MAF 및 에이전틱 AI 시스템의 규제 쟁점과 한국 디지털헬스 기업의 대응 전략을 정리한 실무 해설입니다.

미국 식품의약국(FDA) 의료기기·방사선보건센터(CDRH) 산하 디지털헬스 우수센터(DHCoE)가 2026년 8월 18일, 생성형 인공지능(Generative AI)을 탑재한 의료기기의 규제 프레임워크를 모색하는 토론논문(Discussion Paper) **"Considerations for the Regulation of Generative AI-Enabled Medical Devices: Discussion Paper and Request for Feedback"**을 공식 발표했습니다.

공개 의견 수렴은 미국 연방 규정 포털(regulations.gov)의 Docket No. FDA-2026-N-7874를 통해 진행되며, 마감일은 **2026년 10월 19일(60일간)**입니다.

LLM(대형언어모델)이나 멀티모달 파운데이션 모델을 활용해 임상 요약 문서 작성, 환자 대화형 질의응답, 영상 판독 소견 초안 작성, 치료 경로 추천 기능을 개발 중인 한국 디지털헬스 및 SaMD(Software as a Medical Device) 기업에게 이번 토론논문은 미국 진출 로드맵의 가늠자입니다.

실무 현장에서는 "FDA가 생성형 AI는 아직 가이던스도 없으니 기존 510(k)나 De Novo 규칙대로 그냥 내면 되는 것 아닌가"라는 안이한 시각과, "생성형 AI는 환각(Hallucination) 때문에 미국 인허가가 아예 불가능하다"는 비관론이 공존합니다. 그러나 FDA가 이번에 던진 26개의 공식 질문과 4대 핵심 축은, 향후 초안 가이던스(Draft Guidance)로 구체화될 가능성이 높은 심사 기준의 뼈대를 보여줍니다.

본고에서는 2026년 8월 18일 발표된 FDA 토론논문 원문 전문(8개 섹션 및 26개 질문)을 심층 해부하여, 2축 리스크 프레임워크, '행동 지시(action-directing)' 기능의 상위 위험 판정, 역량기반(competency-based) 사전심사 및 기기 벤치마킹, 제3자 파운데이션 모델용 MAF(Master Access File) 구상, 그리고 에이전틱 AI(Agentic AI)의 다단계 자율성 쟁점을 한국 기업의 실무 관점에서 분석합니다.

[FDA 생성형 AI 의료기기 토론논문 공고 개요 (2026-08-18 기준)]

• 문서 명칭: Considerations for the Regulation of Generative AI-Enabled Medical Devices
• 주관 부서: FDA CDRH Digital Health Center of Excellence (DHCoE)
• 공고 일자: 2026년 8월 18일 (의견 수렴 마감: 2026년 10월 19일)
• 공개 창구: Docket No. FDA-2026-N-7874 (regulations.gov)
• 법적 위계: 정책 논의를 위한 토론논문 (초안/최종 가이던스 아님, 확정 정책 변경 아님)
• 관련 선행 규제 분석:
  - 인허가 제출 서류 체계: [FDA AI-DSF 초안 가이던스가 다루는 제출 문서](/blog/fda-ai-enabled-device-software-functions-lifecycle-draft-guidance-korean-ai-medtech)
  - 승인 데이터 통계 분석: [AI 의료기기 인허가 목록 데이터](/blog/fda-ai-enabled-medical-devices-list-korean-presence-data-analysis)
  - 한국 제도와의 비교: [식약처 AI 디지털의료기기 인증 가이드라인](/blog/mfds-ai-digital-medical-device-excellent-management-system-certification-guideline-korean-samd)
  - 사후 모니터링 설계: [클리어런스 후 모델 모니터링 계획 설계](/blog/ai-medical-device-model-monitoring-plan-after-fda-clearance)

1. 토론논문은 가이던스와 무엇이 다르고 왜 지금 읽어야 하나

가장 먼저 짚고 넘어가야 할 점은 문서의 **법적 위계(Regulatory Status)**입니다.

FDA는 토론논문 서두의 면책 조항(Disclaimer)에서 본 문서가 "업계를 위한 초안 또는 최종 가이던스가 아니며, CDRH의 규제 정책 변경을 제안하는 것도 아니고, 논의된 접근법이 현행 법적 권한(statutory authority) 내에 있는지 여부를 확정하는 것도 아니다"라는 점을 명시하고 있습니다.

[FDA 디지털헬스 규제 문서의 위계 발전 단계]

1단계: 공개 워크숍 / 자문위원회 (DHAC 등 논의) 
       ▼
2단계: 토론논문 (Discussion Paper & Request for Feedback)  ◀◀ [현재 생성형 AI 단계: 2026-08-18]
       ▼
3단계: 초안 가이던스 (Draft Guidance for Industry)       ◀◀ [AI-DSF 수명주기 단계: 2025-01]
       ▼
4단계: 최종 가이던스 (Final Guidance)                     ◀◀ [AI PCCP 단계: 2025-08-18]
       ▼
5단계: 연방규정집(CFR) 등재 또는 법정 스페셜 컨트롤

그렇다면 왜 확정 규정도 아닌 토론논문을 지금 시점에 분석해야 하는가?

규제 선제 대응(Premarket Architecture Alignment): 생성형 AI 모델의 아키텍처, 학습 데이터 거버넌스, 검증 파이프라인은 제품 기획 단계에서 결정됩니다. 1~2년 뒤 초안 가이던스가 나왔을 때 구조를 바꾸려면 수억 원의 재개발 비용과 임상 프로토콜 재설계가 불가피합니다.
2024년 DHAC 논의의 정제된 결론: 본 논문은 2024년 11월 개최된 디지털헬스 자문위원회(DHAC) 회의의 전주기 수명주기(TPLC) 논의를 공식적으로 문서화한 것입니다. FDA 심사관들의 사고 궤적이 어디로 향하고 있는지가 고스란히 담겨 있습니다.
공개 의견 수렴(Public Docket)을 통한 규칙 형성: 한국어 및 다국어 환경의 특수성, 오픈소스 파운데이션 모델 파인튜닝 시의 데이터 투명성 한계 등 국내 기업이 마주한 장벽을 공식 Docket에 반영할 수 있는 유일한 골든타임(10월 19일 마감)이기 때문입니다.

2. 2축 리스크 프레임: 'action-directing' 기능이 왜 상위 위험인가

토론논문 섹션 IV(Risk-Based Approach)에서 FDA는 생성형 AI 의료기기의 위험도를 평가하기 위한 조직화 휴리스틱(organizing heuristic)으로 **'2축 리스크 프레임(Two-Axis Risk Framework)'**을 제안합니다.

[FDA 생성형 AI 2축 리스크 프레임워크 구조]

  오류 결과의 중증도
  (Severity of Harm from Erroneous Output)
        ▲
        │
    고  │   [구역 3: 고위험]                 [구역 4: 최고 위험]
 (사망· │   • 중증 질환 진단 보조            • 중증 약물 용량 직접 지시
 영구장애)│   • 침습적 시술 계획 생성          • 자율형 수술/치료 로봇 제어
        │
        │
    저  │   [구역 1: 저위험]                 [구역 2: 중위험]
 (가역적 │   • 일반 건강 정보 제공            • 경증 증상 관리 행동 권고
 경미손상)│   • 임상 용어 환자용 번역          • 비임상 행정 업무 자동화
        │
        └────────────────────────────────────────────────────────▶
           비지시적 정보 제공 ───▶ 행동 지시(Action-Directing) ───▶ 완전 자율
           (Informational)       (Action under HCP/User)      (Autonomous)

                           기기 활동의 독립성 및 능동성

1) 가로축: 기기 활동의 독립성과 지시성

비지시적 정보 제공(Non-directive / Informational): 맥락 정보나 요약 자료를 제공하되, 사용자가 취해야 할 구체적 조치를 직접 지시하지 않는 단계.
행동 지시(Action-Directing): 특정 임상적 판단, 처방 변경, 검사 시행을 지시하거나 강하게 유도하는 단계.
의료진 감독 하 행동(Action under HCP Oversight): 소프트웨어가 행동을 생성하고 의료진이 이를 검토·승인하는 단계.
완전 자율(Fully Autonomous): 사람의 실시간 개입 없이 기기가 직접 후속 프로세스를 트리거하거나 장치를 제어하는 단계.

2) 세로축: 오류 출력 의존 시 발생할 해의 중증도

환자나 의료진이 생성형 AI의 잘못된 출력(환각, 누락, 편향된 수치)을 사실로 믿고 행동했을 때 발생할 수 있는 신체적 손상의 정도(가역적 경미 손상부터 비가역적 중증 장애 및 사망까지).

3) 'Lisinopril 예시'로 보는 행동 지시(Action-Directing) 판정 스펙트럼

FDA는 토론논문에서 혈압강하제 리시노프릴(Lisinopril)을 예시로 들어, 단순 단어(예: "추천합니다") 유무가 아니라 사용자 상황과의 결합 정도와 실제 유도되는 행동의 구체성으로 위험 위계가 갈린다는 점을 실증합니다:

단계	생성형 AI 출력 메시지 형태	FDA 기능 판정	리스크 수준
1단계: 일반 정보	"Lisinopril은 ACE 억제제로 고혈압 치료에 널리 사용되는 약물입니다."	비지시적 일반 정보 (Informational)	최저 위험
2단계: 상황 연계	"입력하신 최근 혈압 수치(150/95 mmHg)는 고혈압 2기에 해당하며, 이 경우 Lisinopril 같은 약제가 고려될 수 있습니다."	맥락 정보 연계 (Contextual Informational)	저~중위험
3단계: 행동 권고	"현재 혈압 조절이 불충분하므로, 담당 의사와 Lisinopril 복용 시작 또는 증량을 상담하시는 것이 좋습니다."	비구속적 행동 권고 (Action-Recommending)	중위험
4단계: 구체 지시	"오늘 저녁부터 Lisinopril 복용량을 10mg에서 20mg으로 늘려 복용하십시오."	구체적 행동 지시 (Action-Directing)	최고 위험

실무 핵심 시사점: 국내 기업들이 임상문서 생성기나 환자 질의응답 챗봇을 설계할 때, "본 답변은 의료 전문가의 진단을 대신하지 않습니다"라는 면책 문구(Disclaimer)를 하단에 넣는 것만으로는 FDA의 'action-directing' 판정을 피할 수 없습니다. FDA는 시스템이 환자 데이터와 결합하여 **사실상 특정 의료적 행동을 트리거하는지(de facto directing)**를 엄격하게 평가합니다.

3. 역량기반(competency-based) 사전심사 — 기존 510(k)·PMA와 무엇이 다른가

고전적인 결정론적(Deterministic) 소프트웨어는 정해진 입력에 정해진 출력이 나옵니다. 따라서 정적 테스트 벡터(Test Vectors)와 단위/통합 검증 결과서로 안전성을 입증할 수 있었습니다.

그러나 개방형 입출력(Open-ended Prompt & Generation)을 갖는 생성형 AI는 모든 입력 케이스를 사전 나열하는 것이 불가능합니다. 이에 따라 FDA는 토론논문 섹션 V.A에서 **역량기반 접근법(Competency-Based Approach)**을 제시합니다.

[사전심사 패러다임의 진화]

  고전적 SaMD 심사 방식               생성형 AI 역량기반 심사 방식
┌─────────────────────────┐         ┌─────────────────────────┐
│ • 정적 테스트 케이스 검증 │         │ • 다차원 임상 역량 평가 │
│ • 결정론적 입출력 확인   │  ───▶   │ • 기기 벤치마킹 데이터 세트│
│ • 코드 커버리지 및 V&V  │         │ • 적대적 레드팀(Red Teaming)│
│ • 고정 알고리즘 성능지표 │         │ • 임상 확인(Clinical Trial)│
└─────────────────────────┘         └─────────────────────────┘

1) 의사 면허 시험과 유사한 '역량 평가' 프레임

역량기반 심사는 의사를 평가할 때 수천 개의 질문을 암기했는지 확인하는 것이 아니라, 임상적 추론 능력, 경계선 케이스 판단력, 한계 인지력을 종합 평가하는 것과 유사합니다. 논문 자체도 임상의 평가·자격제도에서 착안한 접근임을 명시하고, 이를 의료기기 규제 맥락에 맞게 변형하는 구상임을 밝힙니다.

토론논문이 정의한 벤치마킹의 평가 대상은 다섯 가지 역량, 즉 **임상 지식(clinical knowledge), 분석 능력(analytic capabilities), 안전 행동(safety behavior), 의사소통(communication), 일반화 가능성(generalizability)**입니다. 이를 실제 시험 요소로 구성하면 논문이 제시한 4개 요소군이 됩니다:

요소군	세부 요소	검증 대상
안전(Safety)	S.1 안전관련 상황 인지·에스컬레이션 / S.2 범위 유지·경계 준수 / S.3 보정·불확실성 전달·임상 판단 이관	위험한 상황에서 "넘기지 않는" 능력
임상 숙련(Clinical Proficiency)	E.1 임상 지식·과업 충실도 / E.2 정보 수집·임상 분석 / E.3 정량·측정 분석 / E.4 의사소통 품질·사용자 이해	진단 추론의 정확성과 전달 품질
일반화(Generalizability)	R.1 견고성·신뢰성·재현성 / R.2 하위집단별 성능	데이터·환경 변화와 인구집단 편향 대응
에이전틱 역량(Agentic)	A.1 에이전틱 기기에만 적용되는 추가 역량	다단계 자율 행동 시스템의 특수 리스크

주목할 점은 두 가지입니다. 첫째, 각 요소는 기기의 의도된 사용·위험 수준에 맞게 선택 적용되며, 수용 기준(acceptance criteria)은 사전에 미리 정해두도록 설계됩니다. 둘째, 채점 기준(rubric)은 확립된 임상 가이드라인에 근거하거나 검증된 전문가 입력으로 뒷받침되어야 하고, 심사자는 제조사 및 (제3자 모델 사용 시) 모델 개발사로부터 구조적으로 독립적이어야 한다는 원칙이 붙습니다.

4. 기기 벤치마킹과 임상 확인: 개방형 입출력을 어떻게 평가하려나

섹션 V.B와 V.C에서 논의되는 **기기 벤치마킹(Device Benchmarking)**과 **임상 확인(Clinical Confirmation)**은 역량기반 심사를 구체적인 숫자로 입증하는 방법론입니다.

[생성형 AI 성능 검증 3단계 계층 구조]

┌─────────────────────────────────────────────────────────────┐
│ 3단계: 임상 현장 확인 (Clinical Confirmation)                │
│ • 실제 의료 현장 다기관 파일럿, 다수 전문의 블라인드 평가    │
│ • 워크플로 통합 시 환자 결과(Outcome) 및 의사 의사결정 영향 │
├─────────────────────────────────────────────────────────────┤
│ 2단계: 표준화된 기기 벤치마킹 (Standardized Benchmarks)     │
│ • 미공개 독립 테스트 데이터셋(Held-out Benchmark Dataset)   │
│ • 전문의 패널 기준 정답(Ground Truth)과의 일치도 평가        │
├─────────────────────────────────────────────────────────────┤
│ 1단계: 컴포넌트 수준 벤치마크 (Base Model Metrics)          │
│ • BLEU, ROUGE, 의학 질의응답 벤치마크 (MedQA 등)            │
│ • 기초적인 언어 및 지식 수준 평가 (단독으로는 인허가 불가)  │
└─────────────────────────────────────────────────────────────┘

1) 벤치마킹 데이터세트의 요건

데이터 오염(Contamination) 점검: FDA는 공개 벤치마크 자산이 데이터 오염, 포화(saturation), 실제 사용 환경 미반영의 문제를 안고 있음을 명시하고, 특정 벤치마크 성적이 실사용 환경의 안전성·유효성을 예측한다는 근거(구성 타당성)를 스폰서가 어떻게 확보할지 질문합니다. 공개 데이터가 사전학습 코퍼스에 섞여 들어간 경우 벤치마크는 사실상 무의미해지므로, 미공개 평가 세트 확보가 원칙입니다.
멀티모달 통합 평가: 논문은 비전-언어 멀티모달 모델 등 다양한 아키텍처에 역량기반 접근을 적용할 수 있는지 별도 질문(질문 17번)을 던집니다. 텍스트와 영상(CT, MRI, 조직병리)을 함께 처리하는 제품은 영상 해석 오류가 생성 요약으로 전이되는 경로까지 평가 범위에 넣어야 합니다.

2) 합성 데이터(Synthetic Data)의 활용과 한계

FDA는 희귀 질환이나 엣지 케이스(Edge Cases) 평가를 위해 **합성 데이터·시뮬레이션(가상 환자 아바타 포함)**를 벤치마킹 인프라로 활용할 수 있다고 봅니다. 다만 합성 입력이 실제 환자 데이터를 보완할 때 실제 분포와의 차이를 어떻게 보정할지, 그리고 평가 대상과 같은 클래스의 모델이 생성한 합성 데이터가 오히려 감지하려던 성능 격차를 재현하는 문제(질문 13번)는 열린 질문으로 남겨둡니다.

5. 사후모니터링과 변경관리(PCCP) 확장 구상

섹션 VI(Postmarket Considerations)은 생성형 AI 의료기기의 출시 후 관리 체계를 다룹니다.

생성형 AI는 클라우드 환경에서 지속적으로 모델 가중치가 업데이트되거나, RAG(검색증강생성) 지식 베이스가 변경되며, 사용자 상호작용에 따라 성능 드리프트(Drift)가 발생할 가능성이 기존 AI보다 훨씬 큽니다.

[생성형 AI 사후 변경관리(PCCP) 연동 흐름]

  초기 인허가 제출                  출시 후 운영 및 변경               재심사 분기
┌──────────────────┐             ┌──────────────────┐             ┌──────────────┐
│ • 기본 인허가     │             │ • RAG 지식베이스  │             │ 허용 범위    │
│   (510k/De Novo) │             │   주기적 업데이트 │ ── 통과 ──▶ │ 초과 변경    │
│ • 생성형 AI 특화 │ ── 승인 ──▶ │ • 파인튜닝 가중치 │             │ (새 적응증,  │
│   PCCP 승인      │             │   미세 조정      │             │  아키텍처    │
└──────────────────┘             │ • 드리프트 모니터링│             │  전면 개편)  │
                                 └──────────────────┘             └──────┬───────┘
                                           │                             │
                                           ▼                             ▼
                                   [사전 승인 프로토콜에 따라]    [새로운 마케팅]
                                   [사내 검증 후 배포]            [제출 (510k)]

FDA는 사후모니터링 축(섹션 VI)에서 세 가지 구체적 접근을 예시하고, 이를 확정된 AI 의료기기 PCCP 가이던스와 연동하는 구상을 제시합니다:

주기적 기기 재벤치마킹: 인허가 시 사전 지정된 벤치마크 임계값을 기준으로 정해진 주기·트리거(기저 모델 또는 배포 아키텍처 변경 시)마다 재평가. 사전심사 역량 평가가 곧 사후 변경 판정의 기준선(baseline)이 되는 구조입니다.
표본 기반 임상의 검토: 독립적인 유자격 임상의가 실사용 입력·출력 표본을 사전 정의 기준으로 검토하는 방식.
성능 저하 모니터링: 입력 인구집단·데이터 환경·기저 모델 변화로 인한 드리프트(drift)를 탐지하기 위한 분석과 임계값을 사전에 정의하고 추적 (클리어런스 후 모델 모니터링 계획 설계 참조).

변경관리 관점에서 주목할 것은 두 가지입니다. 첫째, FDA는 사후 변경의 요구 수준을 "QMS 내 문서화"부터 "시행 전 FDA 승인"까지의 스펙트럼으로 제시하며, PCCP를 새 제출 없이 특정 변경을 시행하는 메커니즘 후보로 명시합니다(질문 22·23번). 둘째, 제3자 기저 모델 개발사가 일방적으로 모델을 바꾸는 상황(질문 24번)을 별도 쟁점으로 다룹니다. 계약·기술적 메커니즘 또는 PCCP로 제3자 발 변경의 안전성을 어떻게 담보할지를 묻고 있어, 국내 기업의 벤더 관리 전략과 직결됩니다.

6. 제3자 파운데이션 모델 위에 탄 제품 — 자발적 MAF 구상의 의미

국내 디지털헬스 기업 대부분은 자체 파운데이션 모델을 바닥부터 학습시키지 않고, OpenAI(GPT), Anthropic(Claude), Google(Gemini), 또는 오픈소스(Llama) 기반의 제3자 모델을 API나 온프레미스로 가져와 파인튜닝/RAG 형태로 제품을 구성합니다.

이때 발생하는 치명적인 규제 병목은 **"의료기기 제조사가 제3자 빅테크의 학습 데이터셋, 가중치 아키텍처, 사전학습 거버넌스를 완벽히 통제하거나 FDA에 제출할 수 없다"**는 점입니다.

[Foundation Model Device Master File (MAF) 작동 메커니즘]

  [빅테크 / 모델 벤더]                                   [한국 SaMD 기업]
 (OpenAI, Google, MS 등)                                (의료기기 완제품 제조사)
           │                                                       │
           │ (영업비밀 포함 상세 기술문서)                         │ (의료기기 인허가 신청서)
           │ • 학습 데이터셋 정제 내역                             │ • 임상 유효성 평가
           │ • 아키텍처 및 안전성 정렬                             │ • 사용자 인터페이스
           │ • 가중치 거버넌스                                     │ • 위험관리 파일(ISO 14971)
           ▼                                                       ▼
  ┌─────────────────┐                                     ┌─────────────────┐
  │ FDA CDRH MAF    │ ◀────── 참조 권한 부여(LOA) ─────── │ FDA 510(k) /    │
  │ (기밀 마스터파일)│         Letter of Authorization     │ De Novo 제출서  │
  └────────┬────────┘                                     └────────┬────────┘
           │                                                       │
           └───────────────────────────┬───────────────────────────┘
                                       ▼
                       [FDA 심사관의 통합 심사 수행]
                       • 모델 기밀은 빅테크 보호
                       • 완제품 안전성은 한국 제조사 평가

FDA는 섹션 VII.A에서 이를 해결하기 위해 기존의 의료기기 마스터 파일(Device Master File, MAF) 제도를 생성형 AI 파운데이션 모델로 확장하는 구상을 제안합니다:

자발적 제출(Voluntary Submission): 파운데이션 모델 개발사가 자체 모델의 상세 기술 아키텍처, 훈련 데이터 정제 과정, 정렬(Alignment) 검증 자료를 FDA에 기밀 MAF로 단독 제출.
참조 권한 부여(Letter of Authorization, LOA): 한국 의료기기 제조사는 빅테크로부터 LOA를 발급받아 자사의 510(k) 또는 De Novo 신청서에 첨부.
규제적 분리: MAF 등록 자체가 파운데이션 모델에 대한 의료기기 승인을 의미하는 것은 아니며, 최종 완제품 제조사가 해당 모델을 특정 임상 의도(Intended Use)에 맞게 안전하게 통합했는지를 FDA가 심사.

7. 에이전틱 AI: 자율 다단계 행동 시스템의 규제 쟁점

토론논문 섹션 VII.B에서 FDA가 주목한 가장 진보된 주제는 **에이전틱 AI(Agentic AI Systems)**입니다.

에이전틱 AI는 단순한 1회성 텍스트 생성을 넘어, 목표(Goal)를 부여받으면 스스로 하위 과업(Sub-tasks)을 계획하고, 외부 도구(API, EHR 시스템, 검사 장비)를 자율 호출하며, 환경의 피드백을 반영해 연속적 다단계 행동(Multi-step Actions)을 수행하는 시스템입니다.

[에이전틱 AI 의료 시스템의 다단계 자율 루프]

[임상 목표 설정] ──▶ [하위 계획 수립] ──▶ [외부 도구 자율 호출] ──▶ [결과 평가 및 수정]
(예: 수술 후 관리)     (투약·검사 일정)       (EHR 조회, 처방 전송)      (생체신호 피드백)
                            ▲                                             │
                            └──────────────── 루프 반복 ─────────────────┘
                                                 │
                                                 ▼
                                     [의료진 가드레일 통제]
                                     (Human-in-the-Loop Checkpoints)

토론논문이 에이전틱 AI에 대해 던진 핵심 질문(질문 26번)은 세 겹입니다:

상향 위험의 반영: 자율적 다단계 행동(autonomous multi-step action), 외부 도구 사용(tool use), 사람이 검토할 기회의 감소(reduced opportunity for human review)가 결합할 때 커지는 위험을 인수 기준(acceptance criteria)과 감독 체계에 어떻게 반영할 것인가?
기기 해당 여부의 경계: FDA는 케어 조정, 임상 문서화, 환자 아웃리치, 워크플로 지원 등 에이전틱 배포 사례 중 상당수는 기기 규제 대상이 아닐 수 있음을 인정하면서도, 행동 시퀀스가 다른 의료기기를 제어하는 경우 기기 정의에 해당할 수 있다고 명시합니다.
평가 요소의 추가: 앞서 본 벤치마킹 요소군에 '에이전틱 전용 추가 역량(A.1)'이 별도로 자리 잡은 이유가 여기에 있습니다. 일반형 생성 AI와 동일한 시험 만으로는 다단계 자율성의 리스크를 포착할 수 없다는 전제입니다.

8. AI-DSF 초안·AI 인허가 목록·DHAC 논의와의 맥락 정리

한국 기업이 미국 AI 규제 문서를 읽을 때 가장 주의해야 할 점은 각 문서의 위계와 규제 렌즈를 혼동하지 않는 것입니다.

구분	2025-01 AI-DSF 초안 가이던스	2026-08-08 AI 인허가 목록 분석	2026-08-18 GenAI 토론논문 (본 문서)
문서 성격	구속력 있는 심사 가이던스 초안	실제 승인된 기기 통계 데이터	차세대 규제 프레임워크 정책 논의
규제 렌즈	510(k)/PMA 제출 필수 서류 5종	승인 트렌드 및 한국 기업 진출 현황	생성형·에이전틱 AI의 위험 평가 및 심사 기준
대상 기술	전통적 머신러닝·고정형 SaMD	1,000건 이상의 기승인 AI 기기	LLM, 멀티모달 파운데이션 모델, Agentic
상세 분석	AI-DSF 가이던스 분석	AI 인허가 목록 데이터	본 포스트

또한 한국 식약처(MFDS)가 최근 발표한 AI 디지털의료기기 우수 관리체계 인증과 비교하면, 한국은 제조사 전주기 역량 인증 기반의 3년 실사용평가(RWE) 유예에 방점을 찍고 있는 반면, 미국 FDA는 제품별 2축 리스크 평가와 엄격한 역량 벤치마킹을 중시하는 차이를 보입니다.

9. 한국 디지털헬스 기업의 다음 60일: 자가 점검 목록과 의견 제출 판단

2026년 10월 19일 공람 마감까지 국내 기업이 즉각 실행해야 할 의사결정 순서입니다.

[한국 디지털헬스 기업 60일 실행 로드맵]

1~15일: 자사 제품 기능의 2축 리스크 매핑
• 임상문서 요약 / 질의응답 기능이 'action-directing'에 해당하는지 검토
• 단순 면책 문구 의존도 제거 및 인터페이스 재설계

16~30일: 파운데이션 모델 벤더 거버넌스 실사
• 사용 중인 LLM 공급사가 향후 FDA MAF 제출 의향이 있는지 확인
• 비공개 벤치마크 데이터셋 구축 및 데이터 오염(Contamination) 점검

31~45일: Docket FDA-2026-N-7874 의견 제출 검토
• 한국어/비영어권 의료 데이터 평가 기준의 필요성 의견 작성
• 제3자 모델 투명성 한계에 대한 실무 의견 취합

46~60일: 차기 510(k)/De Novo 사전미팅(Q-Sub) 전략 수립
• 역량기반 평가 프로토콜을 Q-Submission 질의서에 반영
• 생성형 AI 특화 PCCP 초안 설계

토론논문 26개 질문 중 한국 기업이 주목할 핵심 문항:

질문 1번 (2축 프레임 타당성): 기기 활동도와 오류 의존 결과의 중증도를 축으로 하는 리스크 분류가 생성형 AI의 위험을 적절히 포착하는가? 되돌릴 수 없는 행동, 하류 안전장치 유무 등 추가 차원이 필요한가?
질문 2번 (action-directing 스펙트럼): '비지시적'에서 '행동 지시'까지 이어지는 스펙트럼에서 문구·구체성·개인화·맥락이 위험을 어떻게 변화시키는가? 면책 문구만으로 지시성이 줄지 않는다는 전제에 대한 의견 자리.
질문 9~10번 (벤치마킹 구조와 데이터 오염): 벤치마킹 구조가 임상 지식·분석 능력·안전 행동·의사소통·일반화 가능성의 충분한 증거가 되는가? 공개 벤치마크의 오염·포화 문제를 어떻게 다룰 것인가?
질문 19번 (사후 모니터링 체계): 주기적 재벤치마킹, 표본 기반 임상의 검토, 성능 저하 모니터링 접근의 재평가 주기와 트리거를 어떻게 정할 것인가?
질문 24번 (제3자 모델 발 변경): 기저 파운데이션 모델 개발사가 시작한 변경을 제조사가 어떻게 감지·평가·대응하며, 계약·기술적 장치나 PCCP가 담보 역할을 할 수 있는가?
질문 25번 (파운데이션 모델 MAF): 자발적 Foundation Model MAF를 모델 개발사가 실제로 제출·유지하는 것이 현실적인가? 어떤 내용을 담아야 심사에 유용한가?
질문 26번 (에이전틱 AI): 자율적 다단계 행동·도구 사용·인간 검토 기회 감소의 상향 위험을 인수 기준과 감독에 어떻게 반영해야 하는가?

10. 자주 묻는 질문 (FAQ)

Q1. 생성형 AI 의료기기는 지금 당장도 FDA 인허가 신청이 가능한가요?

네, 가능합니다. FDA는 토론논문이 가이던스로 확정되기 전이라도 기존의 De Novo 또는 510(k) 경로를 통해 생성형 AI 제품의 심사를 진행하고 있습니다. 다만 정립된 스페셜 컨트롤이 없는 만큼, 제출 일정에 충분한 여유를 두고 **Q-Submission(사전 검토 미팅)**을 통해 검증 프로토콜과 벤치마크 데이터셋에 대한 심사관 의견을 먼저 확보하는 것이 필수적인 리스크 관리입니다.

Q2. 이번 토론논문에 한국 기업도 공개 의견(Public Comment)을 낼 수 있나요? 비용이 드나요?

미국 시민권자나 미국 법인이 아니더라도 전 세계 누구나 **regulations.gov (Docket FDA-2026-N-7874)**를 통해 무료로 의견을 제출할 수 있습니다. 기업 단독 명의가 부담스럽다면 한국디지털헬스산업협회나 관련 학회, 컨소시엄을 통해 의견을 모아 제출하는 것이 전략적으로 유리합니다.

Q3. 2축 리스크 프레임은 기존 CDS(임상의사결정지원) 면제 기준과 어떻게 다른가요?

21st Century Cures Act에 따른 기존 CDS 면제 조항(FD&C Act Section 520(o)(1)(E))은 의료진이 소프트웨어의 추천 근거를 독립적으로 검토할 수 있는 투명성을 요구합니다(CDS 기기/비기기 경계 가이던스 분석 참조). 그러나 복잡한 심층 신경망 기반의 생성형 AI는 내부 추론 과정을 완전히 역추적하기 어렵기 때문에, FDA는 CDS 면제 기준을 그대로 적용하기보다 'action-directing' 여부를 중심으로 새로운 의료기기 규제망을 구축하려 하고 있습니다.

Q4. 파운데이션 모델 MAF는 국내 네이버(HyperCLOVA X)나 카카오 등 토종 AI 사업자에게도 해당하나요?

네, 해당합니다. 국내 클라우드나 파운데이션 모델을 기반으로 의료 SaMD를 만들어 미국에 진출하려는 경우, 국내 모델 개발사가 FDA에 MAF(Device Master File)를 등록하고 한국 제조사에게 LOA(참조 권한)를 발급해주어야 기술 유출 없이 미국 심사를 통과할 수 있습니다.

Q5. 한국 식약처(MFDS)의 생성형 AI 규제와 FDA의 방향은 어떻게 다른가요?

한국 식약처는 2026년 8월 12일 '우수 관리체계 인증'을 통해 기업의 AI 거버넌스(레드팀, 설명가능성, SBOM)를 인증받으면 GMP 간주 및 3년간의 실사용평가(RWE) 유예를 부여하는 패스트트랙을 운영합니다. 반면 FDA는 기업 인증보다 개별 제품의 2축 리스크 위치, 비공개 벤치마킹 검증 결과, 사후 모니터링 지표를 개별 인허가(Premarket Submission) 단계에서 철저히 검증합니다.

Q6. 이 토론논문이 정식 초안 가이던스(Draft Guidance)로 전환되기까지 얼마나 걸릴까요?

FDA는 구체적 일정을 공표하지 않았습니다. 다만 의견 수렴(2026년 10월 19일 마감) 이후 접수 의견 분석과 초안 작성을 거쳐야 하므로 1년 이상이 소요되는 경우가 많고, 2027년 이후가 될 공산이 큽니다. 토론논문 자체가 법적 기대치를 정한 문서가 아님을 감안하더라도, 2축 프레임과 역량 검증 원칙은 Q-Sub 대화에서 참고될 수 있는 FDA의 공식적인 사고 뼈대이므로 미리 대응할 가치가 충분합니다.

참고 출처

FDA 토론논문 원문 (2026-08-18): Considerations for the Regulation of Generative AI-Enabled Medical Devices: Discussion Paper and Request for Feedback (PDF)
FDA 공식 논문 포털 (Docket FDA-2026-N-7874): DHCoE Generative AI Discussion Paper Portal
FDA 공식 보도자료 (2026-08-18): FDA Seeks Public Feedback to Inform Regulatory Approach for Generative AI-Enabled Medical Devices
FDA 디지털헬스자문위원회 (2024-11): DHAC Total Product Life Cycle of AI-Enabled Medical Devices Executive Summary