솔직히 말하면 저도 예전에는 논문을 찾는다고 하면 거의 자동처럼 PubMed부터 열었습니다. 키워드를 넣고, 필터를 걸고, 초록을 하나씩 읽고, 관련 논문을 타고 들어가면서 정리하는 방식이 가장 정석이라고 생각했습니다. 그런데 요즘은 저부터도 조금 달라졌습니다. 정확한 논문 확인은 여전히 PubMed에서 하지만, 막상 첫 화면은 ChatGPT나 다른 AI 도구를 먼저 켜게 되는 경우가 많아졌습니다. “이 주제에서 핵심 개념이 뭐지?”, “이 키워드 말고 같이 봐야 할 표현은 없을까?” 같은 질문을 훨씬 빠르게 정리해주기 때문입니다.
최근 발표된 AI for Science 2026 관련 조사에서도 비슷한 흐름이 드러났습니다. Fudan University와 Nature Research가 함께 진행한 조사에서는, 여러 나라 연구자들이 관련 연구를 찾을 때 전통적인 데이터베이스보다 AI 도구를 먼저 활용하는 경향이 점점 뚜렷해지고 있었습니다. 특히 한국은 10개국 중에서도 관련 연구를 찾을 때 AI를 주된 수단 또는 경우에 따라서는 유일한 수단으로 활용한다고 답한 비율이 상대적으로 두드러졌다는 점이 인상적이었습니다.
논문 검색의 출발점이 왜 바뀌고 있을까
이 변화는 생각보다 단순합니다. PubMed는 여전히 강력한 데이터베이스이지만, 연구자가 처음 마주하는 단계에서는 다소 불친절할 때가 있습니다. 내가 찾고 싶은 주제를 정확한 검색식으로 바꾸지 못하면 관련 논문이 너무 적게 나오거나, 반대로 너무 많이 쏟아져 나와서 오히려 길을 잃기 쉽습니다. 특히 새로운 주제를 처음 탐색할 때는 “무엇을 검색해야 하는지” 자체가 먼저 정리되어야 합니다.
반면 AI는 이 초반 단계에서 훨씬 직관적으로 작동합니다. 연구 주제를 문장으로 던져도 어느 정도 맥락을 이해하고, 관련 키워드, 연관 개념, 함께 봐야 할 분야를 한 번에 정리해줍니다. 예전에는 제가 논문 검색을 시작하기 전에 머릿속으로만 하던 정리를, 이제는 대화형으로 빠르게 외부화할 수 있게 된 셈입니다. 연구자 입장에서는 시간을 크게 줄여주는 변화입니다.
특히 다학제 연구가 많아질수록 이런 장점은 더 커집니다. 예를 들어 디지털헬스, 의료 AI, 임상 연구 설계처럼 의학과 공학, 데이터과학이 겹치는 주제는 한 분야 용어만 알아서는 논문을 충분히 못 찾는 경우가 많습니다. 이럴 때 AI는 관련 용어망을 넓혀주는 역할을 합니다. “이 주제를 영어 논문에서는 보통 어떤 표현으로 부르지?”, “이 개념과 가까운 다른 키워드는 뭐지?” 같은 질문에 빠르게 답해주기 때문입니다.
그래도 PubMed가 사라지지는 않는 이유
그렇다고 해서 PubMed가 필요 없어졌다는 뜻은 아닙니다. 오히려 저는 반대로 생각합니다. AI가 논문 탐색의 출발점을 바꿨지만, 검증의 종착지는 여전히 전통 데이터베이스에 가깝습니다.
이유는 명확합니다. AI는 빠르게 요약하고 구조화하는 데 강하지만, 정확한 원문 확인과 인용, 필터링, 출처의 신뢰성 검토는 결국 데이터베이스 단계에서 다시 확인해야 합니다. 실제로 AI가 논문 제목이나 결과를 그럴듯하게 정리해줘도, 세부 내용을 보면 저널명이나 연도, 결과 해석이 부정확할 때가 있습니다. 연구자는 결국 초록과 본문, 저널 수준, 인용 관계를 직접 봐야 합니다.
그래서 요즘 연구자들의 실제 흐름은 “AI냐 PubMed냐”의 이분법이 아니라, AI로 질문을 정리하고 PubMed로 검증하는 방식에 더 가깝다고 봅니다. AI는 탐색 속도를 높여주고, PubMed는 신뢰도를 보완해줍니다. 즉 경쟁 관계라기보다 역할 분담에 가깝습니다.
한국에서 AI 활용 비중이 높게 보이는 이유
개인적으로 흥미로웠던 건 한국 연구자들의 응답이었습니다. 관련 연구를 찾을 때 AI를 주된 수단 또는 유일한 수단으로 활용한다는 비율이 높았다는 점은, 국내 연구 환경의 특성과도 무관하지 않아 보입니다. 한국은 새로운 디지털 도구를 빠르게 받아들이는 편이고, 시간 압박이 큰 연구 환경에서 효율을 높여주는 도구에 대한 수용도도 높은 편입니다.
실제로 연구 실무를 하다 보면 논문을 ‘정독’하기 전 단계에서 이미 수많은 탐색이 필요합니다. 어떤 주제를 잡아야 하는지, 선행연구가 어느 정도 있는지, 내가 생각한 질문이 너무 넓은지 좁은지, 유사한 연구가 이미 있는지부터 확인해야 합니다. 예전에는 이 과정이 전적으로 연구자의 검색 감각에 달려 있었다면, 지금은 AI가 이 탐색 비용을 상당 부분 줄여주고 있습니다.
다만 여기에는 분명한 주의점도 있습니다. AI를 편하게 쓰다 보면, 어느 순간 논문을 직접 읽는 시간보다 요약을 소비하는 시간이 더 길어질 수 있습니다. 연구자는 결국 원문을 읽고 판단해야 하는 사람입니다. AI가 대신 찾아줄 수는 있어도, 대신 읽고 책임져주지는 않습니다.
연구자의 일은 검색보다 판단에 가까워지고 있다
저는 이 흐름이 단순히 “PubMed 대신 ChatGPT를 쓴다”는 이야기로 끝나지 않는다고 봅니다. 더 본질적인 변화는, 연구자가 점점 정보를 모으는 사람에서 정보를 판단하는 사람으로 이동하고 있다는 점입니다.
예전에는 자료를 찾는 것 자체가 큰 일이었습니다. 지금은 찾는 속도보다, 무엇이 중요한지 골라내는 능력이 더 중요해지고 있습니다. AI는 이미 자료 탐색과 구조화 영역에서는 상당한 도움을 주고 있습니다. 그만큼 연구자에게 남는 핵심 역할은 “이 요약이 맞는가”, “이 논문이 정말 중요한가”, “이 결과를 어떻게 해석해야 하는가”를 판단하는 일입니다.
결국 PubMed가 사라지는 시대라기보다는, 논문 검색의 첫 화면이 바뀌는 시대에 더 가까워 보입니다. 저 역시 이제는 예전처럼 무조건 데이터베이스부터 열기보다, 먼저 AI에게 질문을 던져보는 경우가 많습니다. 다만 마지막 단계에서는 여전히 원문과 데이터베이스로 돌아옵니다. 아마 앞으로 연구자의 검색 습관은 이 두 도구 사이를 오가는 방식으로 더 정교해질 가능성이 큽니다.
논문을 찾는 방식이 바뀌고 있다는 건, 연구를 하는 방식 자체가 바뀌고 있다는 뜻일지도 모릅니다. 중요한 건 무엇을 먼저 켜느냐보다, 어떤 도구를 어떤 단계에서 쓰느냐를 아는 일입니다. 지금은 바로 그 기준이 다시 쓰이고 있는 시기처럼 보입니다.
*이 글은 AI for Science 2026 관련 조사 내용을 바탕으로, 연구 실무에서 체감한 변화와 개인적인 의견을 함께 정리한 글입니다. 실제 조사 수치와 표현은 원문 보고서를 함께 확인하는 것이 가장 정확합니다.