의료기관 마케팅은 두 가지가 동시에 무겁습니다. 하나는 블로그·쇼츠·카드뉴스·지역 커뮤니티까지 채널마다 콘텐츠를 계속 찍어내야 한다는 것, 다른 하나는 그 콘텐츠 한 줄이 의료광고법을 건드리면 업무정지·과징금까지 갈 수 있다는 것입니다. 이 프로젝트는 수원 소재 한 의료기관을 위해, 그 두 짐을 사람 없이 함께 지게 만든 의료 마케팅 자동화 OS입니다. 원장은 슬랙에서 승인·반려만 누르고, 나머지는 여러 에이전트가 나눠 처리합니다.
의료 마케팅 자동화가 풀어야 했던 두 가지 문제
첫 번째 문제는 양입니다. 채널이 넷이면 같은 주제도 블로그 장문, 쇼츠 대본, 인스타 카드뉴스 문안, 지역 커뮤니티 글로 각각 다르게 써야 합니다. 여기에 주제 기획, 이미지, 영상 편집, 성과 확인까지 더하면 원장 혼자서는 감당이 안 되고, 외주를 주면 브랜드 톤이 흔들립니다.
두 번째 문제는 규제입니다. 의료광고는 「의료법」 제56조가 금지하는 유형이 정해져 있습니다. 치료 효과를 단정하거나, 치료 경험담을 광고에 쓰거나, 다른 병원과 비교하거나, 부작용을 고지하지 않으면 위반이 됩니다(국가법령정보센터 의료법 · 대한한의사협회 의료광고 심의 안내). 문제는 이 검수를 사람의 주의력에 맡기면, 콘텐츠가 늘수록 놓칠 확률이 늘어난다는 점이었습니다. 그래서 이 사례의 목표는 화면을 예쁘게 만드는 것이 아니라, 규제 준수를 사람의 기억이 아니라 파이프라인이 담보하게 만드는 것이었습니다.
멀티에이전트로 나눈 접근: 역할·모델·신뢰 경계 분리
핵심 결정은 하나의 거대한 프롬프트에 모든 일을 시키지 않고, 기획·카피·검수·디자인·영상·분석을 각각 다른 에이전트로 쪼갠 것입니다. 각 에이전트는 자기 역할만 하고, 결과는 구조화된 데이터로 다음 단계에 넘깁니다. 나아가 역할이 상충하는 곳에서는 모델 자체를 분리했습니다. 카피는 Claude 계열이 쓰고, 그 카피의 의료광고법 위반 여부는 다른 회사의 모델이 검수합니다. 자기가 쓴 표현을 자기가 놓치는 문제를 구조적으로 피하기 위해서입니다.
또 하나의 설계 축은 신뢰 경계입니다. 주제 기획 같은 창의 작업은 오케스트레이션 계층(Dify)의 LLM이 맡지만, 그 계층에는 구글 시트 자격 증명을 주지 않습니다. 시트 읽기·쓰기 같은 데이터 조작 권한은 Python 계층만 가집니다. LLM은 무엇을 만들지 제안하고, 무엇을 어디에 적재할지는 검증된 코드가 결정합니다.
주제는 과목 비율과 최근 성과, 주간 트렌드를 결합해 자동으로 기획되고, 채널별 카피가 한 번에 생성됩니다. 이 아키텍처를 채널·모델별로 어떻게 나눴는지는 멀티에이전트 마케팅 자동화 아키텍처에서, 카피와 검수의 모델을 왜 갈랐는지는 카피는 Claude, 검수는 다른 모델로 나눈 이유에서 자세히 다룹니다. 브랜드 톤을 유지하는 지식 학습은 브랜드 톤을 학습시키는 마케팅 RAG 지식창고에서 이어집니다.
의료광고법을 코드에 박아넣은 3중 가드
이 시스템의 가장 큰 차별점은 의료광고법 검수를 파이프라인 안에 고정한 것입니다. AI가 쓴 카피는 발행 전 다음 3중 가드를 반드시 통과합니다.
- 룰베이스 1차 검수: 단정 표현·신의료기술·치료경험담·비교광고·부작용 미고지 다섯 유형을 결정론적 정규식/키워드로 스캔해 위반 구간과 순화안을 뽑습니다.
- 다른 모델의 2차 검수: 룰베이스가 못 잡는 우회 표현을 카피와 분리된 LLM이 검수하고, 순화문을 만듭니다. 검수 응답에 판정이 없으면 절대 통과시키지 않는(fail-closed) 설계입니다.
- 부작용 경고 강제 삽입: 채널별 부작용 경고 문구를 중복 없이(idempotent) 주입해, 부작용 미고지 위반을 원천 차단합니다.
모든 검수 결과는 감사 로그(LAW_LOG)에 판정·위험도·위반 카테고리·규칙 ID·사용 모델과 함께 단방향으로 적재됩니다. 다섯 유형과 이중 검수의 구조는 의료광고법 자동 검수란?에서, 장문 콘텐츠의 후반부 위반까지 놓치지 않는 청크 검수는 장문 검수를 놓치지 않는 fail-closed 설계에서 다룹니다.
원장은 슬랙 승인만: 무인 운영 흐름
검수를 통과한 콘텐츠는 배경 이미지 생성부터 타이포까지 자동으로 얹혀 카드뉴스 열 장이 완성되고, 롱폼은 숏폼으로 자동 편집됩니다. 그리고 원장에게는 링크 하나가 갑니다. 원장은 한 화면에서 네 채널 결과를 확인하고, 슬랙에서 승인 또는 반려 버튼만 누릅니다. 여기서 안전장치가 하나 더 있습니다. 검수 결과가 위험(BLOCK/HIGH)인 콘텐츠는 [승인] 버튼 자체가 사라져 원클릭 승인이 구조적으로 막힙니다. 반려하면 사유가 다음 생성에 반영되어 재실행됩니다. 이 승인 게이트 설계는 슬랙 승인 한 번으로 여는 4채널 무인 발행 게이트에서 이어집니다.
외부 SaaS에 의존하는 영상 파이프라인은 세션 만료 자동 재발급, 회로 차단, DLQ/재시도, 계약 드리프트 카나리 같은 복원력 설계로 사람 개입 없이 완주합니다. 성과는 매주 수집되어, 통계적으로 유의미하게 잘 터진 포맷만 프롬프트에 반영됩니다. 이 자가학습 루프는 성과 좋은 콘텐츠를 스스로 학습하는 법에서 다룹니다.
결과: 규제 리스크를 사람의 주의력에서 코드로 옮겼다
도입 후, 원장이 주제를 정하고 카피를 쓰고 의료광고법을 하나하나 확인하던 콘텐츠 운영이, 시스템이 기획부터 검수·디자인·영상까지 무인으로 처리하고 사람은 승인·반려만 누르는 구조로 바뀌었습니다. 가장 큰 변화는 규제 준수가 더 이상 사람의 기억에 매달리지 않는다는 점입니다. 콘텐츠가 늘어도 검수는 늘 같은 규칙으로 실행되고, 애매하면 통과가 아니라 차단으로 기웁니다.
이 사례는 화면이 화려한 프로젝트가 아니라, 규제가 까다로운 도메인에서 멀티에이전트 오케스트레이션과 자동 검수 설계를 어떻게 안전하게 짜는가를 보여주는 사례입니다. 맞춤 시스템으로 도메인 규칙을 정확히 모델링한다는 점에서 행사·캐스팅 맞춤 CRM 사례와 결이 같고, 모델 선택의 트레이드오프는 LLM 트레이드오프와 이어집니다. 도입을 검토 중이라면 의료 마케팅 자동화 도입 전 체크리스트가 판단에 도움이 됩니다.
자주 묻는 질문
의료 마케팅을 자동화하면서 의료광고법은 어떻게 지키나요?
발행 전 모든 카피가 3중 가드를 통과합니다. 금지 유형 다섯 가지를 규칙으로 1차 스캔하고, 카피를 쓴 모델과 다른 모델이 우회 표현을 2차 검수하며, 채널별 부작용 경고를 강제로 삽입합니다. 검수가 확실히 통과라고 판정하지 않으면 발행되지 않습니다.
멀티에이전트 마케팅 OS는 무엇을 자동화하나요?
주제 기획, 4채널 카피 생성, 의료광고법 검수, 카드뉴스 디자인, 숏폼 영상 편집, 성과 수집과 자가학습을 각각 다른 에이전트가 맡아 무인으로 처리합니다. 사람은 슬랙에서 승인·반려만 담당합니다.
카피와 검수를 왜 다른 모델로 나누나요?
같은 모델이 자기가 쓴 표현을 검수하면 스스로의 우회 표현을 놓치기 쉽기 때문입니다. 생성과 규제 판단은 서로 다른 신뢰 역할이라, 카피는 한 모델이 쓰고 의료광고법 위반 여부는 다른 회사의 모델이 검수하도록 분리했습니다.
위험한 콘텐츠가 실수로 승인될 수는 없나요?
검수 결과가 위험(BLOCK/HIGH)으로 나오면 슬랙 카드에서 [승인] 버튼 자체가 제거됩니다. 원클릭 승인이 구조적으로 불가능하고, 이런 콘텐츠는 수동 검토 경로로만 처리되도록 서버 측에서 막습니다.
실제 성과 수치는 왜 공개하지 않나요?
이 사례는 실 의료 클라이언트의 데이터를 다루므로 상호·원장·환자 정보와 콘텐츠 원문을 익명화했고, 코드나 문서로 검증되지 않은 성과 수치는 과장 위험이 있어 정성적으로만 서술합니다. 설계 근거는 모두 실제 소스코드와 아키텍처에 기반합니다.