정신을 차려보니 업계의 벽이 사라져 있었다

—— '기사 잭 (Article Jack)'이라는 기술

신약 개발, IT, EdTech. 세 개의 기사가 될 예정이었다. 각기 다른 이야기라고 생각했다.

하지만 나란히 놓고 보니, 같은 것이 보였다.

1｜신약 개발에서 배운 것: 후보를 대량으로 만들고, 빠르게 쳐내는 유형

Protillion × Merck, LG AI Research × D&D Pharmatech, Axcelead DDP × Lilly TuneLab. 세 건의 협업에서 공통적으로 나타난 것은 '오답을 빠르게 쳐낸다'는 구조였다.

AI가 신약 후보를 대량으로 만들고, 후속 공정에서 실패할 것 같은 것을 빠르게 쳐낸다. 탈락하지 않은 후보만이 인간의 최종 판단 단계로 올라온다.

후보는 만드는 것. AI가 대량 생성하고, 빠르게 쳐낸다 —— 이것이 신약 개발의 유형이다.

2｜IT (레거시 이전)에서 배운 것: 후보는 만들지만, 인간의 위치가 다른 유형

Findgate × kCode, Hitachi × OpenAI FDE. 둘 다 'AI가 레거시 코드 (Legacy Code)를 해석하여 이전 후보를 만든다'는 동일한 이야기로 보인다.

Findgate는 AI가 먼저 달리고, 인간은 나중에 외부에서 게이트 (Gate) 역할을 한다. Hitachi × OpenAI는 인간이 AI와 같은 위치에 서서, 후보가 생성되는 과정에 동석한다.

둘 다 최종 판단은 인간이 한다. 하지만 인간이 게이트의 '외부'에서 기다리는지, 후보가 생성되는 장소의 '내부'에서 동석하는지가 다르다.

후보는 만드는 것. 최종 게이트는 인간 —— 하지만 인간의 위치는 하나가 아니다. 이것이 IT의 유형이다.

3｜EdTech에서 배운 것: 후보를 만들지 않는 유형

Encoura × Element451 (미국)과, Mingaku × Succeed (일본). 같은 '교육 × AI'임에도 불구하고, 바라보는 지점이 완전히 달랐다.

해외는 학생이라는 '사람'의 생애를 하나의 CRM (Customer Relationship Management)으로 추적한다. 일본은 수업 시간이라는 '틀'의 외부를 가시화한다.

둘 다 새로운 후보를 '만드는' 것이 아니다. 이미 존재하는 학생·학습자라는 자산을 AI로 스코어링 (Scoring)하며 육성한다.

후보는 만들지 않는다. 이미 존재하는 것을 스코어링하며 육성한다 —— 이것이 EdTech의 유형이다.

4｜3가지 유형을 나란히 놓고 알게 된 것

지금까지 신약 개발, IT, EdTech라는 세 가지 유형을 별개로 작성했다. 나란히 놓으면 다음과 같다.

세 분야 모두 다른 업계, 다른 플레이어, 다른 주제여야 했다. 처음에는 'AI 적용이라는 가로축이 업계를 불문하고 효과가 있다'는 것을 보여주기 위해 우연히 이 세 분야를 선택했을 뿐이었다.

하지만 나란히 놓고 보니, '후보 생성 · 조기 컷오프 · AI 스코어링 · 인간 게이트'라는 동일한 네 가지 공정이 형태를 바꾸며 모든 분야에 존재하고 있다는 것을 깨달았다.

처음에는 EdTech만 조금 다르다고 생각했다. 후보를 '만드는' 것이 아니기 때문이다.

하지만 바로 그 점이 역설적으로 중요한 발견이었다. 3개 분야를 선택한 시점에서 구조적 차이를 보여줄 의도는 없었다. 우연히 선택한 3개 분야의 차이 자체가 '이 유형이 업계를 가리지 않는다'는 증명이 되고 있었다. 가로축이 먼저 있었기에 3개 분야가 나란히 놓인 것이 아니다. 3개 분야를 나란히 놓은 후에야 가로축의 존재가 증명된 것이다.

5｜이를 '기사 잭 (Article Jack)'이라 부르기로 한다

AI 적용이라는 가로축(후보 생성 · 조기 컷오프 · AI 스코어링 · 인간 게이트의 4행 구조 / 번역 단수 지수 / 관점 전환)이 있다면, 업계에 상관없이 전문 미디어가 이미 다룬 임의의 기사를 자신의 프레임으로 다시 읽고 자신의 것으로 만들 수 있다.

이를 **기사 잭 (Article Jack)**이라 부르기로 한다.

전문 미디어는 업계별로 수직적으로 보도한다. 신약 개발 미디어는 신약 개발만 본다. EdTech 미디어는 EdTech만 본다. 하지만 AI 적용이라는 가로축을 가지고 있다면, 어떤 업계의 기사라도 동일한 4행 구조에 대입하여 다시 읽을 수 있다. 전문 미디어가 다룬 화제를 자신의 분석 대상으로 다시 빼앗아 올 수 있는 것이다.

6｜역전의 구도

전문 미디어가 해당 업계에 대해서는 더 자세하다. 당연한 일이다.

하지만 전문 미디어는 자신의 업계 안에서만 기사를 쓴다. 신약 개발 기자는 신약 개발만 쫓는다. EdTech 기자는 EdTech만 쫓는다.

업계를 횡단하는 가로축을 가진 쪽이 사실 처음부터 유리했다. 전문성으로 이길 수 없더라도, 구조를 바라보는 관점으로 이길 수 있다.

이것이 기사 잭의 역전 구도다.

7｜독자 자신의 판단 축을 기르기

지금까지의 세 가지는 정답을 주는 기사가 아니다.

독자 자신의 판단 축을 기르기 위한 재료다. 독자가 PMO든 엔지니어든 경영자든 투자자든 상관없다. 어떤 입장에서 읽더라도 어딘가에 걸리는 깨달음이 남는다면 그것으로 충분하다.

기사 잭(Article Jack)은 그 판단 축을 기르기 위한 기술이기도 하다.

대학 사이트 심층 분석을 포함한 상세 내용은 이후에 기술했다.

8｜심층 분석: 일본의 대학 사이트는 어디까지 다가와 있는가

여기서 한 가지, 자신의 과거 업무와 결부시켜 확인하고 싶은 것이 있었다.

전직에서 일본의 사립 대학(규모 면에서 상위 10개교 권역)의 사이트 제작을 PMO 입장에서 지켜본 경험이 있다. 저출산으로 인해 학생 모집이 경영 과제가 된 지금, Encoura×Element451과 같은 통합 모델이 들어갈 틈새가 일본에도 있지 않을까——그 직감을 외형적으로 확인해 보았다.

Encoura×Element451의 메커니즘은 학생 라이프사이클(Student Lifecycle) 내에서 크게 3단계로 외부 관찰이 가능하다.

• 예비 학생 데이터 취득 (자료 요청 폼 설계, 리타겟팅(Retargeting)의 정밀도)
• AI 에이전트 접촉 (팔로우업 메일이 일괄 전송인지, 행동 이력에 따른 개별 최적화인지)
• 지원·입학 유도 (추천 기능, 지원자 전용 포털 유무)

이 관점에서 두 가지 국내 사례를 살펴보겠다.

도요 대학 「TOYOWebStyle」

수험 교과나 과목 수에 따라 자신에게 맞는 입시를 검색하고, 선택한 입시를 저장하여 비교·지원할 수 있는 회원제 포털이다. 검색→저장→비교→지원까지가 하나의 장소에 통합되어 있다.

이는 룰 베이스(Rule-based)의 조건 검색이며, Encoura 측에 있는 「예측 스코어링(Predictive Scoring)」(입학 가능성·이탈 리스크를 AI가 계산하는 것)에는 미치지 못한다. 하지만, 데이터와 액션(Action)을 하나로 만든다는 발상을 지원 프로세스 측면에서 먼저 실현하고 있다.

칸다 외국어 대학 (LINE chatbot＋SYNALIO)

입시 시기에 작동하는 LINE 공식 계정의 챗봇에 더해, 입시 정보 사이트 자체에도 AI 챗봇 「SYNALIO」를 도입했다. 이유는 LINE 챗봇이 지망도가 높은 학생들에게만 사용되는 경향이 있어, 많은 수험생에게 닿지 않았기 때문이다.

하나의 접촉 채널로는 모집단의 일부밖에 포착할 수 없다는 점을 깨닫고, 채널을 늘림으로써 커버리지를 넓혔다. 학생 전체를 본다는 발상을 접촉 채널 측면에서 먼저 실현하고 있다.

정리하자면

두 학교는 서로 다른 각도에서 같은 방향(학생 라이프사이클 전체를 하나의 장소에서 보는 것)을 향하고 있다. 「부족한」 것이 아니라, 「다른 입구에서 같은 목표에 다가가고 있다」고 보는 것이 정확하다.

남아 있는 것은 이 두 가지 움직임——지원 프로세스의 통합과 접촉 채널의 통합——을 예측 스코어링으로 연결하는 단 한 단계뿐이다.

저출산으로 모집에 사활을 걸고 있는 일본의 사립 대학들에게, 이곳은 아직 열려 있는 틈새라고 생각한다.

마치며

신약 개발·IT·EdTech·대학 사이트. 이번 주에 살펴본 네 가지는 분야도 성격도 제각각이었다.

공통된 점은 헤드라인이나 일차적인 인상을 그대로 받아들이지 않고, 구조를 한 단계 아래까지 내려다보면 다른 그림이 보인다는 사실뿐이다.

그리고 또 하나, 세 분야의 구조적 차이를 나열함으로써 「기사 잭」이라는 기술 그 자체를 깨달았다. 다음 업계, 다음 뉴스가 나올 때마다 동일한 횡단 분석(Cross-cutting analysis)을 적용한다면 또 다른 발견이 있을 것이다. 이 이후의 기사들은 모두 이 기술의 실연이기도 하다.

기사 잭이 어디까지 도달할지는 검색 순위라는 숫자로 추적하겠다. 경과를 포함하여 월 1회 보고하겠다.

데부네코＠AI 적용

큐레이터 활동을 하고 있는 레거시 전환 중인 현역 PMO. IT/EdTech/신약 개발(희귀 질환 영역 포함)에 대해 발신하며, AI와 함께 정보의 출처와 관점의 차이를 발굴하여 AI 적용 사례를 발신하는 프로젝트 「AI 큐레이션으로의 한 걸음」을 실천 중.

Discussion