AI 콘텐츠 워크플로를 처음부터 만드는 법 — 완성본에서 거꾸로 설계한다

서치엔진랜드 기고자 타니아 브라운이 클로드 코드로 AI 콘텐츠 파이프라인을 몇 달에 걸쳐 만들고 다시 만든 경험을 정리했다. 지금은 사내 블로그와 외부 기고의 기사 업데이트·제작을 지원하며, 대개 발행 직전 95% 수준까지 원고를 끌어올린다고 한다.

그 과정에서 얻은 교훈은 이것이다. 어려운 건 AI가 글을 뽑아내게 하는 일이 아니라, 완성된 글이 어떤 모습이어야 하는지를 정한 뒤 거기까지 안정적으로 도달하는 워크플로와 입력값을 만드는 일이다.

만들 가치가 있는가부터 따진다

이 시스템은 빠르게 만들어지지 않는다. 그리고 구글이 비고유(commodity) 콘텐츠를 공격적으로 noindex 처리하는 상황에서는 브랜드에 따라 타산이 안 맞을 수도 있다. 필자도 리서치와 다수의 인간 품질 게이트, AI 팩트체커로 위험을 줄였다고 밝혔다.

다만 필요한 구성 요소를 이미 상당수 갖춘 조직이라면 단계적으로 만들며 개선할 수 있고, 만들어 둔 에이전트를 다른 워크플로에 재사용할 수도 있다.

먼저 '품질'을 정의해야 필요한 입력값이 보인다

좋은 파이프라인은 브랜드 목소리로 유용하고 고유한 콘텐츠를 만들어야 한다. 이상적 고객 프로필(ICP)에 도움이 되고, 사업과 제공물을 정확히 설명하며, 사람이 쓴 것처럼 들려야 한다. 순위와 인용 가능성까지 있으면 더 좋다.

무엇을 만들지 정하면 필요한 것의 목록이 나온다. 매번 같은 값은 상수로 하드코딩하고, 주제·앵글·키워드처럼 매번 바뀌는 값은 입력으로 받는다.

상수로 넣을 것들

• 브랜드 설명서: 우리가 누구인지와 ICP 정보. B2B라면 업종·직급·페인포인트(고객·영업 통화 기록에서 추출 가능), B2C라면 연령·성별·직업·페인포인트.
• 브랜드 보이스 가이드: 형용사 나열이 아니라 예시가 있어야 한다. "친근하지만 격식 있게"로는 부족하고, 실제로 그게 어떤 문장인지와 피해야 할 문장을 함께 줘야 한다.
• 예시 브리프·아웃라인·기사: 우리 모범 사례를 따르는 실제 결과물.
• 제품·서비스·방법론 설명: 하는 일을 정확히 서술하게 하는 자료. 영업 자료가 유용하다.
• 기존 콘텐츠 정보: 내부 링크 제안이나 중복 방지를 원한다면 사이트맵이나 크롤 결과를 준다.
• 자체 리서치와 케이스 스터디: 비고유 콘텐츠를 만들려면 필수다.

순서를 정한다

기존 콘텐츠 프로세스를 그대로 옮기되, AI가 만드는 두 가지 문제 — 로봇 같은 문장과 환각된 사실 — 에 대응할 검토 게이트를 추가로 넣는다. 전체 흐름과 각 에이전트의 책임을 기술한 오케스트레이터 문서를 두면 단계 누락을 막을 수 있다.

1단계: 킥오프

키워드와 앵글을 입력하면 리서치가 시작되는 구조다. ICP가 여럿이거나 특정 제품을 언급해야 한다면 시작 입력에 지정한다. 처음에는 콘텐츠 유형 하나(블로그 글이든 링크드인 글이든)에만 집중하고, 잘 도는 프로세스를 만든 뒤 확장하는 편이 낫다.

2단계: 리서치

주제, 우리 브랜드가 이미 쓴 내용, 현재 검색 결과를 조사해 새 글이 채울 공백을 찾는다. 결과는 다음 에이전트에 넘길 조사 자료로 출력한다. 문서로는 우선 참고할 신뢰 출처 목록, 피해야 할 출처 목록, 시의성·표본 기준, 사이트맵, 자체 데이터 링크를 준다.

3단계: 아웃라인 — 여기에 인간 검토 게이트

아웃라인을 만든 뒤 사람이 검토한다. 토큰을 많이 쓰기 전에 완성본의 윤곽을 볼 수 있고, 폐기·수정·진행을 여기서 결정할 수 있다.

4단계: 집필

조사 자료, 아웃라인, 보이스 가이드, ICP 정보, 케이스 스터디, 1차 리서치를 입력한다. 아웃라인에서 좋은 글이 나온 예시를 주고 서사 흐름과 논리 전개, 단어 선택을 분석하게 한다.

5단계: 편집·팩트체크 — 셋으로 쪼갠다

글이 나온 뒤 곧바로 사람에게 넘기지 않고 편집 패스를 먼저 돌린다. 여기서 필자의 경험이 중요하다. 하나의 편집자에게 구조·범위·문체를 모두 맡겼더니 결과가 나빴고, 구조·범위 담당과 표현·AI 티 담당으로 나누자 좋아졌다. 팩트체크까지 편집자에게 시켰더니 두 일 모두 부실해졌다고 한다.

• 편집자: 스타일 가이드 준수, 금지 표현 제거, 서사 구조와 논리 순서, 모호한 표현, 섹션 사이 연결 점검.
• 팩트체커: 적대적으로 접근한다. 글에 적힌 모든 것이 틀렸다고 가정하고 반증을 시도한다.
• AI 에디터: 문체가 아니라 AI 티만 전담해 제거한다.

각각은 새 컨텍스트에서 돌리는 편이 결과가 좋다.

실무자 관점: 역할을 겹치게 두면 결과가 나빠진다

이 글에서 가장 값어치 있는 대목은 도구 선택이 아니라 역할 분리다. 편집자 하나에게 여러 일을 맡기면 각각이 부실해진다는 관찰은, AI가 쓴 글을 사람이 계속 고치게 되는 이유와 정확히 같은 구조다. 이 문제는 AI가 쓴 글을 계속 고치게 되는 이유 — 문장이 아니라 역할이 겹쳤다에서 자세히 다뤘다.

또 하나는 검증 게이트다. 자동화된 파이프라인은 '됐다'고 말하기 쉽지만 그게 맞는지 증명하는 단계는 따로 만들어야 한다(바이브 코딩에서 빠진 단계는 검증이다 — '됐다'를 증명할 수 있게 만드는 법).

마지막으로 필자가 못 박은 조건이 있다. 에이전트 문서는 LLM이 빠르게 만들어 주지만, 읽을 가치가 있는 콘텐츠를 만드는 맥락은 사람이 넣어야 한다. ICP 정보도, 좋은 콘텐츠 예시도, 1차 리서치도 없으면 어떤 워크플로도 고유한 콘텐츠를 만들지 못한다. 그리고 사람 손을 거치지 않은 글은 발행하지 않는 게 원칙이다.