Content Supply Chain: Opella가 사내 AI 콘텐츠 공장으로 생산을 30배 늘리고 에이전트 14개로 검수하는 방식

생성형 AI로 마케팅 콘텐츠를 대량으로 만들기 시작하면 병목은 제작에서 검수로 옮겨 갑니다. Opella는 사내 콘텐츠 공장으로 산출을 30배 늘린 뒤, 검수를 전문 에이전트 14개로 나눠 맡기고 맨 앞과 맨 뒤에는 사람을 두는 구조를 Microsoft와 함께 만들고 있습니다. 따라 하려면 승인된 주장 목록, 근거 문서, 시장별 고지 규칙을 먼저 데이터로 정리해야 합니다.

요약

Allegra, Bisolvon, Dulcolax 같은 브랜드를 가진 소비자 헬스케어 기업 Opella는 사내 콘텐츠 공장 Wonka를 운영합니다. Wonka는 Microsoft의 생성형 AI 엔진 위에 만든 제작 조직으로, 파리의 작은 팀에서 시작해 지금은 전 세계 6개 제작 거점과 85명이 넘는 인원으로 커졌습니다. 회사는 이 AI 워크플로로 마케팅 자산을 21,000건 넘게 만들었다고 밝혔습니다. Opella가 이 일을 하는 배경도 기사에 나옵니다. 회사는 매일 1억 건가량의 건강 콘텐츠가 디지털 공간에 새로 올라오고 그중 적어도 절반은 불완전하거나 오해를 부르거나 부정확하다고 추정합니다.

Wonka에서 Lumen까지: 생산을 키운 뒤 검수를 붙인 순서

회사가 밝힌 결과는 산출 30배 증가와 engagement(콘텐츠 반응률) 50%입니다. 두 수치의 기준 시점과 산정 방식은 기사에서 밝히지 않았습니다. 생산이 빨라지자 Opella는 Microsoft와 함께 Lumen이라는 에이전트 기반 검증 플랫폼을 개발하고 있습니다. Lumen에서는 전문 에이전트 14개가 제품 주장, 의학 데이터, 출처 인용, 법적 고지를 검토하고 형식과 채널에 맞는 유통·프로모션 전술도 추천합니다. 최고성장책임자 Alberto Hernandez는 헬스케어에서는 속도를 얻으려고 신뢰를 내줄 수 없다고 말했고 회사는 승인 권한을 사람 전문가에게 남겨 둡니다. 아래에서 이 구조를 다섯 가지 메커니즘으로 나눠 본 뒤, 직접 돌릴 때 필요한 기술·현업 디테일을 붙입니다.

Opella가 밝힌 수치 세 가지(기준 시점과 산정 방식은 기사에 없음)

핵심 메커니즘

Content Factory: 외주 대행사 대신 사내 AI 제작 조직이 자산을 찍어 낸다

Content Factory(콘텐츠 공장)는 마케팅 자산 제작을 외부 대행사에 건별로 맡기지 않고 생성형 AI 엔진과 전담 인력을 갖춘 사내 조직이 반복 생산하는 방식입니다. 브랜드 브리프와 제품 정보가 들어가면 공장이 채널과 형식에 맞춘 변형을 여러 개 만들어 냅니다. Opella의 Wonka는 Microsoft 생성형 AI 엔진을 쓰고 파리의 소규모 팀에서 6개 거점·85명 이상으로 커졌습니다. 브랜드·시장·채널 조합이 많아 같은 메시지를 여러 버전으로 만들어야 하는 회사에 맞습니다. 브랜드 하나, 시장 하나만 다루는 회사라면 공장을 세우는 고정비가 더 클 수 있습니다.

작은 예시(가상): 알레르기약 봄 캠페인 브리프 하나로 3개 시장 × 4개 채널 × 2개 형식, 모두 24개 자산을 하루에 뽑는 경우입니다.

Content Factory: 외주 대신 사내 공장에서 찍어 내는 구조

Lumen: 검수를 네 영역으로 나눠 전문 에이전트 14개에 맡긴다

Lumen은 Opella가 Microsoft와 개발 중인 에이전트 기반 검증 플랫폼입니다. 한 모델이 자산 전체를 한 번에 보는 대신, 전문 에이전트 14개가 각자 맡은 부분을 봅니다. 기사에 나온 검토 영역은 제품 주장, 의학 데이터, 출처 인용, 법적 고지 네 가지입니다. 에이전트 14개의 개별 이름과 분담은 기사에서 밝히지 않았습니다. 이 방식은 규제가 걸린 문구가 많고 틀렸을 때 비용이 큰 업종에 맞습니다. 의약품·건강기능식품·금융 광고가 그렇습니다. 규제 부담이 낮은 일반 소비재 광고라면 에이전트를 이렇게 잘게 나눌 필요가 적습니다.

Lumen: 검수를 네 영역으로 나눠 전문 에이전트에 맡김

Human first, human last: 사람이 기준을 정하고 마지막 승인도 사람이 한다

Opella는 이 원칙을 “human first and human last”라고 부릅니다. 무엇을 말할지와 어떤 기준으로 볼지는 사람이 먼저 정하고 AI가 생산과 1차 검수를 맡은 뒤, 게시 여부는 사람 전문가가 최종 결정합니다. 에이전트는 판정을 내리는 주체가 아니라 사람 검토자가 볼 곳을 좁혀 주는 도구가 됩니다. 결과에 법적 책임이 따르는 콘텐츠라면 이 순서를 바꾸지 않는 편이 맞습니다. 내부 공지처럼 위험이 낮은 콘텐츠는 마지막 승인을 표본 검사로 바꿔도 됩니다.

Human first, human last: 사람이 양 끝을 잡는 순서

Distribution Recommendation: 검수 자리에서 유통 전술까지 추천한다

Lumen은 검수만 하지 않고 형식과 채널에 맞는 유통·프로모션 전술도 추천합니다. 자산이 어떤 형식이고 어느 채널에 나갈지는 검수할 때 이미 입력으로 들어와 있습니다. 그 정보를 그대로 써서 어디에 어떻게 올릴지를 함께 제안하는 구조입니다. 검수와 유통 결정을 같은 팀이 하는 조직이라면 이 결합이 일을 줄입니다. 유통을 별도 미디어 대행사가 맡는다면 추천 결과를 대행사에 넘기는 형식부터 정해야 합니다.

검수와 같은 자리에서 유통 전술까지 추천

Partner for Capability: 엔진은 역량 가진 곳과, 업무 흐름은 사내에서

Opella의 데이터·분석·AI 글로벌 총괄 Gaurav Shah는 작년 Analytics Unite 행사에서 다음 큰 변화는 AI와 데이터가 이끌고 업무 흐름도 기술과 함께 바뀌어야 하며 앞서 가려면 업종을 넘는 파트너십이 중요하다고 말했습니다. 이미 역량을 갖춘 조직과 손잡아야 한다는 것이 그의 요지입니다. Wonka가 Microsoft 엔진 위에 섰고 Lumen도 Microsoft와 함께 만드는 것이 이 방침의 실제 모습입니다. 사내에는 브랜드 지식, 승인된 주장, 근거 문서, 승인 권한이 남습니다.

Opella의 선택: 엔진은 파트너, 업무 흐름은 사내

통념과 다른 주장

흔히 이렇게 봅니다생성형 AI를 마케팅에 넣으면 제작 속도가 문제를 풀고 검수는 기존 인력이 그대로 감당하면 된다고 봅니다.

Opella는 이렇게 봅니다생산이 30배로 늘면 검수도 같은 속도로 따라가야 하므로, 검수도 전문 에이전트로 나눠 맡기고 최종 승인은 사람에게 남깁니다.

근거Opella는 Wonka로 자산 21,000건 이상을 만든 뒤 생산 속도에 맞춰 검증 플랫폼 Lumen을 Microsoft와 개발하고 있고 헬스케어에서는 속도와 신뢰를 맞바꿀 수 없다는 경영진 발언을 함께 내놓았습니다.

병목이 제작에서 검수로 옮겨 간다

저자가 든 사례

Opella: 사내 콘텐츠 공장과 에이전트 검수

구분	내용
상황	의약 브랜드를 가진 소비자 헬스케어 기업. 하루 1억 건가량의 건강 콘텐츠 중 절반 이상이 불완전하거나 부정확하다고 추정
한 일	Microsoft 생성형 AI 엔진으로 사내 공장 Wonka 구축(파리 소규모 팀 → 6개 거점·85명+), Microsoft와 검증 플랫폼 Lumen(에이전트 14개) 개발, 최종 승인은 사람 전문가
결과	자산 21,000건 이상, 산출 30배, engagement 50%(기준 시점과 산정 방식은 원문에서 밝히지 않음). Lumen은 개발 중이며 검수 정확도·비용 수치는 원문에서 밝히지 않음
연결	Content Factory, Lumen, Human first and human last

Opella 사례: 상황, 한 일, 결과

기술 디테일: 검수 에이전트를 실제로 짜는 법

Lumen식 검수를 돌리려면 에이전트를 출력 필드 단위로 나눕니다. 에이전트 14개라는 숫자보다 각 에이전트가 무엇을 판정하고 어떤 필드를 내는지가 중요합니다. 아래는 기사의 네 검토 영역(제품 주장, 의학 데이터, 인용, 법적 고지)을 다섯 묶음으로 나눈 가상 예시입니다. 실제로는 묶음마다 시장이나 형식(이미지 속 글자, 영상 자막)에 따라 에이전트를 더 쪼개면 14개 안팎이 됩니다.

가상 예시: 검수 에이전트 묶음과 출력 필드(Opella의 실제 14개 구성은 공개되지 않음)

에이전트 출력은 JSON으로 고정합니다. 자유 서술로 받으면 합산이 안 됩니다. 에이전트마다 아래 형태로 받습니다(가상 예시).

{
  "asset_id": "ALG-2026-SPR-FR-IG-03",
  "check": "claim_match",
  "status": "fail",
  "findings": [
    {"text": "24시간 지속", "approved_claim_id": null,
      "evidence_ref": null, "reason": "승인 주장 목록에 없는 표현"}
  ],
  "model": "review-model-v1",
  "run": 2
}

설정값: temperature 0, 같은 입력을 3회 돌려 status가 갈리면 needs_review로 넘깁니다. 모델은 생성용과 검수용을 다르게 두면 같은 실수를 반복할 위험이 줄어듭니다.
근거 검색: 의학 근거 에이전트는 인터넷이 아니라 승인된 근거 문서 저장소만 검색하게 묶고 evidence_ref에 문서 ID와 버전, 확인 날짜를 남깁니다. 근거를 못 찾으면 통과가 아니라 fail입니다.
합산 규칙: 에이전트 하나라도 fail이면 자산 전체를 보류하고 사람 검토 화면에는 fail 항목을 먼저, 근거 링크와 함께 보여 줍니다.
넣어야 할 내 데이터: 브랜드·시장별 승인 주장 목록, 근거 문서(임상 자료, 제품 설명서), 시장·채널별 필수 고지 문구표, 과거 반려 자산과 반려 사유.
자주 깨지는 곳: 이미지 안 글자를 놓치는 경우(OCR 단계를 앞에 둠), 존재하지 않는 출처를 그럴듯하게 인용하는 경우(인용 에이전트가 원문 문서를 실제로 열어 대조), 시장마다 다른 고지 규칙을 섞는 경우(market 필드로 규칙표를 먼저 걸러 넣음)입니다.

가상 예시: 검수 파이프라인 4단계

유통 추천을 붙이려면 검수 입력의 channel, format 필드를 그대로 받아, 과거 같은 채널·형식 자산의 성과 기록에서 비슷한 사례를 찾아 제안합니다. 추천은 결정이 아니라 후보 목록으로 내고 채널 담당자가 고른 결과를 다시 기록해 다음 추천에 씁니다.

현업 실행 디테일: 누가, 언제, 무엇을

역할부터 나눕니다. 브랜드 마케터는 브리프와 승인 요청을, 메디컬 검토자는 의학 근거 목록과 최종 승인을, 법무·규제 담당은 고지 규칙표와 최종 승인을, AX·플랫폼 담당은 에이전트 구성과 지표 보고를 맡습니다. Opella 원칙에 맞추면 메디컬·법무 검토자가 기준을 정하는 처음과 승인하는 마지막 두 지점에 모두 들어갑니다.

시작 전 준비물: 한 브랜드의 승인 주장 목록, 근거 문서 묶음, 시장 하나의 필수 고지 문구표, 지난 6~12개월 반려 자산과 반려 사유 기록입니다.

가상 예시: 6주 파일럿 역할별 일정

기간	할 일	산출물
1~2주	브랜드 하나·시장 하나 고르고 기준 자료 정리	승인 주장 목록, 고지 규칙표
3주	에이전트 묶음과 출력 필드 확정, 검토자가 기준 검증	JSON 스키마, 판정 기준표
4~5주	과거 반려 자산을 다시 돌려 사람 판정과 비교	재현율·오탐 표
6주	결과 보고와 확대 여부 결정	진행/보류 판단

(가상 예시)

검토자에게 물을 질문: 지난해 반려 사유 중 가장 많은 세 가지는 무엇인가? 같은 주장을 시장마다 다르게 표현해야 하는 경우가 있는가? 근거 문서가 바뀌면 누가 언제 알리는가? 에이전트가 fail을 냈는데 사람이 통과시킨 경우, 그 판단을 어디에 남길 것인가?

진행 판정 기준(가상 예시): 과거 반려 자산의 반려 사유를 에이전트가 90% 이상 다시 잡아내고 에이전트가 fail을 낸 항목 중 사람이 뒤집은 비율이 30% 이하이면 다음 브랜드로 넓힙니다. 재현율이 모자라면 확대하지 않고 근거 문서와 규칙표부터 보강합니다. 매주 함께 볼 지표는 자산 한 건이 접수에서 승인까지 걸린 시간, 1차 검수 통과율, 사람이 에이전트 판정을 고친 건수 세 가지입니다.

가상 예시: 다음 단계로 넘어가는 판정 기준(숫자는 예시)

어디에 먼저 쓸까. 규제 문구가 많은 마케팅 조직이 첫 적용처입니다. 의약품, 건강기능식품, 화장품, 금융 상품 광고가 해당합니다. 제작 자동화를 먼저 들이고 검수는 나중에 붙이는 순서보다, 생산을 늘리기 전에 승인 주장 목록과 근거 문서를 데이터로 만들어 두는 순서가 낫습니다. 그 데이터가 생성 단계의 입력도 되고 검수 에이전트의 기준도 되기 때문입니다. 현업 스폰서는 브랜드 책임자 한 명과 메디컬·법무 책임자 한 명을 함께 세우고 첫 지표는 생산량이 아니라 검수 대기 시간과 반려율로 잡습니다.

원문 사례

항목	내용
기사	Consumer Goods Technology, Liz Dominguez, 2026년 11월 10일
기업	Opella(소비자 헬스케어, Allegra·Bisolvon·Dulcolax)
배경 수치	하루 건강 콘텐츠 약 1억 건, 그중 절반 이상이 불완전·오해 소지·부정확(Opella 추정)
콘텐츠 공장	Wonka, Microsoft 생성형 AI 엔진, 파리 소규모 팀에서 6개 거점·85명+로 확장
성과	마케팅 자산 21,000건+, 산출 30배, engagement 50%
검증 플랫폼	Lumen(Microsoft와 개발 중), 전문 에이전트 14개, 제품 주장·의학 데이터·출처 인용·법적 고지 검토, 유통·프로모션 전술 추천
원칙	사람이 처음(기준)과 마지막(승인)을 맡고 승인 권한은 사람 전문가가 보유
발언	Alberto Hernandez(최고성장책임자), Gaurav Shah(데이터·분석·AI 글로벌 총괄, Analytics Unite)
인사	Kishore Karuppan, 북미 최고디지털책임자 선임(P&G 23년, 10개 사업부 디지털 과제, API 우선 구조 전환으로 납기 30% 단축)

핵심 개념

Content Supply Chain: 콘텐츠를 기획·제작·검수·유통하는 전 과정을 공급망처럼 하나의 흐름으로 관리하는 방식입니다.
Wonka: Opella의 사내 생성형 AI 콘텐츠 제작 조직이자 그 워크플로의 이름입니다.
Lumen: Opella가 Microsoft와 개발 중인 에이전트 기반 콘텐츠 검증 플랫폼입니다.
Claims review: 광고 문구의 효능·효과 표현이 승인된 근거로 뒷받침되는지 확인하는 검토입니다.
Legal disclosure: 광고에 반드시 들어가야 하는 법적 고지 문구(주의 사항, 사용 조건 등)입니다.
Engagement: 콘텐츠에 사용자가 반응한 정도를 나타내는 지표로, 산정 방식은 회사마다 다릅니다.
API-first: 시스템 기능을 먼저 API로 설계해 다른 시스템이 바로 가져다 쓰게 하는 구조입니다.

내 메모

TODO: 내 생각 추가

원문은 Consumer Goods Technology의 Liz Dominguez 기사 「How Opella, Microsoft Use Agentic AI to Build Enterprise Content Supply Chain」(2026.11.10)입니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 이 기사를 AX Review가 다시 정리했습니다. 에이전트 묶음 구성, JSON 필드, 설정값, 유통 추천 방식, 역할·일정·질문·판정 기준, 적용 제언, 작은 예시와 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 숫자는 가상 예시입니다. 전체 내용은 원문 페이지에서 볼 수 있습니다.