필라델피아 인콰이어러, AI 도구 Scrape로 하이퍼로컬 뉴스 리드 발굴 효율화

필라델피아 인콰이어러가 Scrape라는 AI 도구를 도입해 시의회 회의, 학교 일정, 소셜 미디어 등 분산된 출처에서 하이퍼로컬 뉴스 리드를 발굴하고 있다. 이 도구는 Lenfest Institute의 AI 펠로우 Kevin Hoffman이 개발했으며, 과거 편집자들이 뉴스 아이템을 찾는 데 주당 약 12시간을 소요하던 비효율적인 수작업 과정을 해결하기 위해 설계됐다.

워크플로우 및 학습 방법론

Scrape은 범용 솔루션이 아닌 인콰이어러의 기존 편집 워크플로우에 맞춰 구축됐다. 개발 과정에는 3~4개월간의 긴밀한 human-in-the-loop 피드백 루프가 포함됐다.

• 기준선 설정: 팀은 편집자의 기존 수동 팁 시트를 AI 학습 및 평가의 기준 데이터로 사용했다.
• 반복적 개선: Scrape이 생성한 일일 이메일 다이제스트를 편집자가 주석 처리하여 유용한 리드와 노이즈를 구분했다. 이를 통해 팀은 일상적인 인사 변동이나 주식 시장 뉴스 같은 관련 없는 콘텐츠는 필터링하고, 지역사회에 영향을 미치는 스토리는 강조하도록 프롬프트를 다듬었다.
• 맥락적 임베딩: 시스템은 지리적 경계에만 의존하지 않고, 뉴스레터별 상세 설명(청중 인구 통계, 관련 학군, 명시적 배제 기준 등)을 통합한다.

운영 영향 및 확장

이 도구는 파일럿 단계를 넘어 뉴스룸의 핵심 인프라로 자리 잡았다.

• 현재 범위: Scrape은 현재 6개 뉴스레터를 지원하며, 조직 내 약 20명의 저널리스트가 이를 활용하고 있다.
• 향후 확장: 인콰이어러는 조만간 이 도구의 커버리지를 8개 뉴스레터로 확대할 계획이다.
• 효율성 향상: 초기 선별 과정을 자동화함으로써 편집자들은 데이터 수집 대신 집필과 매체 목소리 형성에 집중할 수 있게 됐다.

구현을 위한 핵심 교훈

Hoffman은 유사한 AI 도구를 배포하는 조직을 위해 다음과 같은 전략적 인사이트를 제시했다.

• 실제 워크플로우에서 시작: 해당 작업을 수동으로 수행하는 특정 팀을 식별하고 현재 소요 시간을 측정하여 명확한 기준선을 설정하라.
• 명시적 비용-품질 트레이드오프: 검색 깊이와 API 비용의 균형을 맞추려는 초기 시도는 비효율적이었다. 첫날부터 허용 가능한 비용-품질 제약을 정의하고, 이에 부합하도록 프롬프트와 아키텍처를 설계할 것을 권장한다.
• 편집적 판단 인코딩: '뉴스 가치' 같은 추상적 개념을 청중 관심사, 지리적 범위, 구체적인 배제 규칙을 정의하는 구체적이고 구조화된 프롬프트로 대체하라.