WPP는 Google Cloud를 기반으로 구축하지만, 이제 AI 마케팅은 데이터 기반에 달려 있다

WPP는 분산된 에이전시 데이터 시스템을 AI 마케팅을 위한 공동 기반으로 대체하기 위해 Google Cloud를 선택했다. 갈등은 분명하다. WPP는 수년간 이어진 데이터와 기술의 파편화에도 불구하고, 글로벌 조직 전반에서 예측 기반 의사결정을 이루고자 한다.

WPP의 해답은 데이터, 모델, 워크플로, 에이전시 전문성을 연결하는 에이전틱 마케팅 시스템인 WPP Open이다. 에이전틱이란 소프트웨어 에이전트가 개별 프롬프트에 단순히 응답하는 대신, 정해진 규칙 안에서 여러 단계의 작업을 조율할 수 있음을 뜻한다.

하지만 가장 어려운 부분은 모델이 아니다. WPP는 먼저 팀이 데이터에 접근하고, 서비스를 배포하며, 통제를 적용하고, 엔지니어링 구성 요소를 재사용하는 방식을 표준화해야 한다. 이 때문에 플랫폼 및 데이터 엔지니어링이 AI 전략의 중심에 놓인다.

이 접근 방식은 Publicis Groupe, Omnicom, Dentsu를 비롯한 경쟁 에이전시 그룹에도 압박을 가한다. 각 기업은 자사의 AI 플랫폼이 창의적 도구와 벤더 통합을 모아놓은 수준을 넘어선다는 점을 입증해야 한다.

WPP의 승부수는 거버넌스를 갖춘 내부 플랫폼이 흩어진 전문성을 반복 가능한 소프트웨어로 전환할 수 있다는 데 있다. 위험은 중앙집중화가 새로운 의존성을 만들 수 있고, 마케팅 성과는 여전히 독립적으로 검증하기 어렵다는 점이다.

Google Cloud가 WPP Open에 공통 엔지니어링 계층을 제공하다

WPP는 공유 인프라를 공유 지능의 전제조건으로 보고 있다.

이 회사가 당면한 문제는 자체 규모에서 비롯됐다. 마케팅 데이터, 애플리케이션, 운영 관행은 수백 개의 에이전시와 지역 조직에 분산돼 있었다.

이 구조는 전문화된 팀을 뒷받침했지만, AI 배포를 복잡하게 만들었다. 한 에이전시를 위해 구축된 모델이 다른 곳에서는 서로 다른 권한, 데이터 형식, 인프라 또는 승인 절차에 의존할 수 있었다.

새로운 engineering account는 WPP의 대응을 플랫폼 및 데이터 엔지니어링 문제로 설명한다. 목표는 제품 팀이 AI 서비스를 안전하고 일관되게 구축할 수 있도록 재사용 가능한 기반을 제공하는 것이다.

플랫폼 엔지니어링은 승인된 도구, 서비스, 배포 경로로 이루어진 내부 계층을 만든다. 개발자는 모든 애플리케이션 환경을 독립적으로 조립하는 대신 이 계층을 사용한다.

이는 AI 마케팅 서비스가 언어 모델 이상의 요소와 맞닿기 때문이다. 여기에는 고객 정보, 캠페인 이력, 오디언스 신호, 브랜드 규칙, 크리에이티브 자산, 측정 데이터, 외부 광고 플랫폼이 포함될 수 있다.

각 구성 요소에는 서로 다른 접근 조건이 따른다. 글로벌 시스템은 팀이 관련 정보를 결합하도록 지원하면서도 이러한 경계를 유지해야 한다.

WPP Open은 이 작업을 위한 운영 환경을 제공한다. 전략, 크리에이티브 개발, 제작, 미디어, 분석을 공유 환경 안에서 연결한다.

이 플랫폼은 모든 에이전시 데이터세트를 동일하게 만들지 않는다. 대신 필요한 조직적 경계를 유지하면서, 팀이 데이터를 공개하고 거버넌스하며 활용할 수 있는 공통 방식을 제공한다.

이 구분은 중요하다. 제한 없는 고객 데이터를 담은 중앙집중형 웨어하우스는 용납하기 어려운 상업적·개인정보 위험을 초래할 수 있다.

대신 WPP에는 통제된 상호운용성이 필요하다. 데이터는 승인된 워크플로 전반에서 활용 가능해야 하지만, 모든 사람에게 보이거나 자유롭게 이전될 수 있어서는 안 된다.

Google Cloud는 이 운영 모델 아래에서 인프라, 데이터, 보안, AI 서비스를 제공한다. WPP는 마케팅 데이터, 에이전시 지식, 고객 관계, 워크플로 설계를 제공한다.

이 협력은 2024년 4월 발표된 초기 Gemini 통합을 기반으로 한다. 당시 WPP는 이미 35,000명 이상의 직원이 WPP Open을 사용하고 있다고 밝혔다.

이 협업은 네 가지 초기 애플리케이션에 초점을 맞췄다. 여기에는 크리에이티브 제작, 콘텐츠 성과 예측, 영상 내레이션, 제품 표현이 포함됐다.

Gemini 1.5 Pro는 당시 100만 토큰 컨텍스트 윈도우도 제공했다. WPP는 이 용량이 Creative Studio가 더 많은 브랜드 가이드라인, 캠페인 이력, 시각 규칙, 제품 정보를 함께 처리하는 데 도움이 됐다고 설명했다.

이러한 활용 사례는 모델이 무엇을 할 수 있는지 보여줬다. 최신 엔지니어링 초점은 WPP가 유사한 기능을 조직 전반에 반복적으로 제공할 수 있는 방법을 다룬다.

재사용 가능한 플랫폼은 ID 제어, 로깅, 배포 정책, 데이터 연결, 모니터링을 표준 경로로 묶을 수 있다. 그러면 제품 팀은 기반 구성 요소를 재구축하는 데 드는 시간을 줄일 수 있다.

이 설계는 더 빠른 실험도 지원한다. 팀은 완전히 별도의 인프라 패턴을 구축하지 않고도 새 오디언스 모델이나 에이전트를 테스트할 수 있다.

그러나 속도만이 유일한 목표는 아니다. 표준화는 서비스가 고객 워크플로에 도달하기 전에 WPP가 일관된 통제를 적용하도록 해준다.

여기에는 애플리케이션이 어떤 데이터세트를 조회할 수 있는지, 출력 결과를 어떻게 기록하는지, 어느 지점에서 사람의 승인이 계속 필요한지를 결정하는 일이 포함된다. 또한 팀이 장애가 발생한 서비스를 누가 책임지는지 파악하는 데도 도움이 된다.

그 결과는 하나의 범용 마케팅 모델이 아니다. 전문 애플리케이션이 승인된 엔지니어링 기반을 공유할 수 있는 거버넌스 시스템이다.

이 변화는 이 글의 핵심 긴장을 만든다. WPP의 AI 우위는 모델 접근성보다, 내부 플랫폼이 에이전시 구조가 만든 파편화를 극복할 수 있는지에 더 크게 달려 있다.

분산된 데이터는 이제 경쟁상의 부담이다

AI는 조직의 파편화를 불편함에서 제품 품질에 대한 직접적 제약으로 바꾼다.

전통적인 에이전시 업무는 자동화된 의사결정 소프트웨어보다 단절된 시스템을 더 쉽게 감내할 수 있다. 사람으로 구성된 팀은 일상적으로 일관되지 않은 보고서를 조정하고, 동료에게 맥락을 묻고, 지역별 명명 규칙을 해석한다.

모델은 엔지니어링 지원 없이는 이러한 격차를 안정적으로 해소할 수 없다. 정의가 부실한 데이터는 오해를 부르는 비교, 불완전한 권고, 또는 잘못된 고객 맥락을 바탕으로 한 자신감 있는 답변을 만들 수 있다.

에이전트가 행동을 취하면 문제는 더 커진다. 보고 오류는 불편할 수 있지만, 미디어 배분의 자동 변경은 실제 지출에 영향을 줄 수 있다.

따라서 WPP에는 오디언스, 캠페인, 자산, 성과 지표, 권한에 대한 공통 정의가 필요하다. 이러한 정의는 에이전시, 지역, 광고 채널 간 이동에도 유지돼야 한다.

회사가 2025년 10월 발표한 확대된 파트너십은 이러한 인프라 투자를 더 구체화했다. WPP는 5년 계약과 Google 기술에 대한 4억 달러의 지출 약정을 발표했다.

WPP는 또한 Google Cloud AI 제품이 오디언스 모델링을 위한 데이터 및 인텔리전스 계층인 Open Intelligence를 지원할 것이라고 밝혔다. Open Intelligence는 더 광범위한 WPP Open 시스템 안에 위치한다.

이 파트너십은 Google Cloud를 단순한 또 하나의 모델 공급업체가 아니라 WPP 운영 모델의 중요한 부분으로 만들었다. Google의 서비스는 이제 고객 대상 애플리케이션과 내부 워크플로를 지원한다.

이 관계는 WPP에 하나의 벤더 체계 아래에서 모델과 관리형 인프라에 접근할 수 있게 한다. 플랫폼의 일부 영역에서 통합 작업을 줄이고 책임 구분을 단순화할 수 있다.

동시에 집중 위험도 만든다. WPP의 데이터 및 AI 운영에서 더 큰 비중이 Google의 기술 로드맵, 서비스 가용성, 상업 조건, 거버넌스 역량에 연결된다.

WPP는 WPP Open을 설계상 개방형이라고 설명한다. 이 시스템은 Adobe, Amazon Web Services, Microsoft, Meta, TikTok을 포함한 고객 플랫폼 및 다른 기술 파트너와 통합할 수 있다고 말한다.

상호운용성은 구현 과정에서 시험받게 될 것이다. 제품 페이지에서 여러 벤더를 지원하는 것과, 비용이 큰 재개발 없이 이들 사이에서 데이터와 워크플로를 이동시키는 것은 다르다.

이 압박은 WPP의 엔지니어링 팀을 넘어선다. 에이전시 리더는 지역별 기술 선택을 제한할 수 있는 공통 표준을 받아들여야 한다.

고객 팀도 어떤 정보를 공유 서비스에 넣을 수 있는지 결정해야 한다. 법무, 개인정보 보호, 보안 전문가는 여러 관할권에서 작동하는 정책을 마련해야 한다.

필수 대응은 장기적이다. WPP는 하나의 애플리케이션을 이전하거나 하나의 데이터 소스를 연결하는 것만으로 이 전환을 완료할 수 없다.

새로운 AI 에이전트가 추가될 때마다 일관된 ID, 메타데이터, 평가, 인시던트 관리의 필요성은 커진다. 기반이 약하면 에이전트 카탈로그가 커질수록 비용도 더 높아진다.

같은 논리는 WPP의 경쟁사에도 적용된다. Publicis는 Epsilon과 CoreAI를 중심으로 ID 및 데이터 전략을 구축했으며, Omnicom은 Omni를 마케팅 운영 체제로 홍보해 왔다.

이들 그룹도 인수한 에이전시와 독점 데이터세트를 일관된 소프트웨어로 전환해야 한다는 유사한 압박을 받고 있다. 모든 주요 네트워크가 선도 모델을 라이선스할 수 있기 때문에, 모델 가용성만으로는 거의 보호막이 되지 못한다.

희소한 역량은 운영 능력이다. 에이전시 그룹은 고객 분리, 개인정보 보호 의무, 지역별 워크플로를 훼손하지 않으면서 데이터를 활용 가능하게 만들어야 한다.

이는 경쟁의 초점을 인상적인 시연에서 멀어지게 한다. 구매자는 플랫폼이 데이터 계보, 승인, 이식성, 측정, 장애를 어떻게 관리하는지 점점 더 묻게 될 것이다.

공유 엔지니어링이 전문 에이전시들을 더 쉽게 결합하게 만든다면 WPP는 혜택을 볼 수 있다. 글로벌 고객은 리서치, 크리에이티브, 제작, 미디어 팀 전반에서 하나의 거버넌스 워크플로를 사용할 수 있다.

하지만 공통 인프라가 자동으로 공통 행동을 만들어내지는 않는다. 팀은 여전히 데이터를 문서화하고, 플랫폼 표준을 채택하며, 중복 시스템을 폐기할 유인이 필요하다.

레거시 시스템은 또 다른 복잡성을 더한다. 일부 애플리케이션은 가치 있는 이력을 담고 있지만 현대적 인터페이스나 일관된 메타데이터가 부족하다.

이를 대체하면 고객 업무가 중단될 수 있다. 유지하면 WPP Open이 줄이려는 바로 그 파편화가 지속될 수 있다.

따라서 WPP의 플랫폼 팀은 표준화와 점진적 도입 사이의 균형을 맞춰야 한다. 지나친 유연성은 사일로를 그대로 남기고, 경직된 이전 요구사항은 제공 속도를 늦출 수 있다.

이것이 엔지니어링 계층이 경쟁 측면에서 중요한 이유다. 이는 WPP Open이 실제로 작동하는 운영 체제가 될지, 아니면 단절된 도구들로 들어가는 브랜드화된 입구에 머물지를 결정한다.

실제 작동 원리는 모델 접근이 아니라 거버넌스 기반 재사용이다

WPP의 기술적 우위는 생성형 AI에 대한 독점적 접근이 아니라 재사용 가능한 통제와 데이터 제품에서 나올 것이다.

모델은 깊은 조직 통합 없이도 브리프를 요약하거나 이미지를 생성할 수 있다. 예측 마케팅에는 더 까다로운 구성 요소 사슬이 필요하다.

시스템은 관련 신호를 찾아내고, 사용 권한을 확인하며, 입력을 변환하고, 모델을 실행하고, 결과를 평가한 뒤, 승인된 워크플로에 제공해야 한다.

데이터 제품은 신뢰할 수 있는 데이터세트를 소유권, 문서화, 접근 규칙, 품질 기대치와 함께 패키징한다. 이는 하위 팀에 설명되지 않은 레코드 모음이 아니라 안정적인 인터페이스를 제공한다.

이 구조는 WPP가 플랫폼 책임을 분리하는 데 도움이 될 수 있다. 중앙 팀은 공통 인프라를 유지하고, 도메인 팀은 데이터의 의미와 품질에 대한 책임을 계속 진다.

미디어 팀은 캠페인 집행 데이터를 이해한다. 브랜드 전략 그룹은 리서치 프레임워크를 이해하고, 제작 그룹은 자산 버전과 사용 권한을 이해한다.

중앙 엔지니어가 이러한 도메인을 혼자 재정의해서는 안 된다. 이들의 역할은 전문가가 이를 게시하고, 모니터링하며, 거버넌스할 수 있는 표준 방식을 제공하는 것이다.

이러한 역할 분담은 엔터프라이즈 AI에서 흔히 발생하는 실패를 줄인다. 조직은 기술을 중앙집중화하면서도 데이터의 의미는 해결되지 않은 채 남겨두는 경우가 많다.

결과적으로 플랫폼은 기술적으로 작동하지만 일관되지 않은 답변을 내놓게 됩니다. 그러면 사용자는 다시 스프레드시트, 비공개 데이터베이스, 수동 승인 절차로 돌아가게 됩니다.

WPP는 도입을 제품 문제로 다뤄 이러한 결과를 피해야 합니다. 내부 팀에는 데이터를 연결하고, 서비스를 출시하며, 오류를 조사할 수 있는 명확한 경로가 필요합니다.

재사용 가능한 배포 패턴은 인지 부담을 줄일 수 있습니다. 제품 팀이 승인된 사용 사례를 시험하기 전에 모든 보안 또는 인프라 세부 사항의 전문가가 될 필요는 없어야 합니다.

표준화된 관측성도 그에 못지않게 중요합니다. 관측성이란 시스템의 동작을 이해하는 데 필요한 로그, 메트릭, 추적 정보를 수집하는 것을 뜻합니다.

AI 워크플로에서는 팀이 가동 시간 이상을 모니터링해야 합니다. 어떤 데이터가 요청에 들어갔는지, 어떤 모델이 이를 처리했는지, 어떤 출력이 사용자에게 전달됐는지를 알아야 합니다.

평가 기준도 필요합니다. 유창한 응답이라도 브랜드 규정을 위반하거나, 관련 근거를 누락하거나, 부적절한 오디언스 세그먼트를 추천할 수 있습니다.

WPP의 엔지니어링 접근 방식은 공유 플랫폼 내부에 평가 게이트를 둘 수 있습니다. 그러면 팀은 완전히 새로운 검토 시스템을 발명하지 않고도 작업별 테스트를 적용할 수 있습니다.

인간의 감독 역시 이 메커니즘의 일부로 남습니다. WPP는 자사 에이전트가 직원의 판단을 대체하는 것이 아니라 지원한다고 말합니다.

이 입장은 마케팅 의사결정에 주관적이고 맥락적인 요소가 포함되기 때문에 실용적입니다. 모델은 모든 브랜드에 대해 캠페인 위험이 허용 가능한지 독립적으로 결정할 수 없습니다.

대신 플랫폼은 근거, 예측, 대안을 제시할 수 있습니다. 이후 전략가 또는 미디어 전문가는 해당 권고를 수용하거나, 수정하거나, 거부합니다.

시간이 지나면 이러한 결정은 피드백 신호가 될 수 있습니다. 에이전트가 잘 수행하는 영역과 현지 전문성이 여전히 필수적인 영역을 드러낼 수 있습니다.

시스템은 피드백을 신중하게 다뤄야 합니다. 사용자의 승인이 항상 출력이 정확하거나 효과적이었다는 증거는 아닙니다.

캠페인 결과에는 교란 변수도 존재합니다. 가격, 유통, 경쟁사 활동, 계절성, 경제 상황은 모두 성과에 영향을 줄 수 있습니다.

따라서 WPP의 모델은 엄격한 측정에 달려 있습니다. 팀은 생성된 권고와 이후의 비즈니스 결과를 구분하고, 그 사이의 의사결정을 문서화해야 합니다.

이 메커니즘은 크리에이티브 작업에도 적용됩니다. 브랜드 가이드라인, 승인된 에셋, 과거 캠페인은 사람이 검토하기 전에 모델 출력을 형성할 수 있습니다.

WPP는 초기 Gemini 통합에서 더 큰 컨텍스트 용량을 사용해 이 정보의 더 많은 부분을 함께 처리했다고 밝혔습니다. 더 많은 컨텍스트는 관련성을 높일 수 있지만, 규정 준수를 보장하지는 않습니다.

오래된 캠페인 자료에는 만료된 주장이나 구식 시각 규칙이 포함될 수 있습니다. 메타데이터와 권한 관리가 취약하면 더 큰 검색 풀은 오류를 증폭시킬 수 있습니다.

데이터 품질과 거버넌스는 검색량보다 앞서야 합니다. 플랫폼은 각 작업에 대해 어떤 소스가 최신이며, 권위 있고, 사용이 허용되는지 알아야 합니다.

이는 검색 가능한 지식 기반이 유용한 유사점을 제공하는 지점입니다. 문서에 소유권, 맥락, 접근 제어가 부여될 때 검색은 가치를 갖게 됩니다.

WPP의 과제는 훨씬 더 큰 조직 규모에서 작동합니다. 그럼에도 원칙은 같습니다. AI에는 무제한의 파일 더미보다 신뢰할 수 있는 맥락이 더 필요합니다.

개인정보 보호 아키텍처는 고객 경계를 넘나들며 작동해야 한다

고객이 자신의 데이터에 대해 실질적인 통제권을 유지하지 않는다면 WPP는 대규모로 마케팅 인텔리전스를 통합할 수 없습니다.

광고 데이터는 고객 행동, 사업 계획, 캠페인 성과, 시장 우선순위를 드러낼 수 있습니다. 이러한 신호를 결합하면 분석적 가치를 창출하는 동시에 상당한 위험도 발생합니다.

WPP의 고객 기반에는 서로 경쟁하는 기업들도 포함됩니다. 플랫폼은 승인된 근거 없이 한 계정의 정보가 다른 계정에 영향을 미치지 않도록 막아야 합니다.

전통적인 권한 설정은 이 문제의 일부만 해결합니다. 사용자는 데이터세트에 접근할 수 있더라도 모델 학습이나 고객 간 분석에 이를 사용할 권한은 없을 수 있습니다.

목적이 중요합니다. 캠페인 측정을 위해 수집한 데이터가 자동으로 모든 AI 애플리케이션에 허용되는 입력이 되는 것은 아닙니다.

WPP는 이 과제를 2025년 4월 인수한 데이터 협업 기업 InfoSum과 연결했습니다. InfoSum 인수는 개인정보 보호를 고려한 오디언스 인텔리전스와 AI 모델 개발을 강화하기 위해 설계됐습니다.

InfoSum은 Bunkers라고 불리는 격리 환경을 사용합니다. 참여자는 기반 기록을 직접 교환하지 않고도 승인된 데이터를 비교하거나 분석할 수 있습니다.

WPP는 2025년 InfoSum Bunkers가 Google Marketplace를 통해 제공되고 WPP Open과 통합됐다고 밝혔습니다. 회사는 이를 원시 데이터를 이동하지 않는 협업으로 설명했습니다.

이 아키텍처는 불필요한 복제를 줄일 수 있습니다. 또한 분석이 실행되는 지점에서 권한을 더 쉽게 집행할 수 있습니다.

그러나 개인정보 보호 인프라가 모든 거버넌스 문제를 해결하는 것은 아닙니다. 조직은 여전히 어떤 분석이 정당한지, 어떤 출력이 보호된 환경을 벗어날 수 있는지를 결정해야 합니다.

집계된 결과조차 그룹 규모가 너무 작으면 민감한 정보를 노출할 수 있습니다. 반복된 쿼리는 단일 쿼리로는 드러나지 않을 패턴을 공개할 수도 있습니다.

따라서 플랫폼에는 쿼리 설계, 최소 오디언스 규모, 출력 검토, 보존, 감사 기록에 관한 정책이 필요합니다. 이러한 통제는 지역 전반에 일관되게 적용돼야 합니다.

글로벌 운영은 이 작업을 복잡하게 만듭니다. 개인정보 보호 요건과 계약상 제한은 관할권, 고객, 데이터 범주에 따라 달라집니다.

공통 플랫폼은 승인된 기본값을 코드화함으로써 도움이 될 수 있습니다. 지원되지 않는 전송을 차단하고 민감한 워크플로에 추가 검토를 요구할 수 있습니다.

중앙 통제는 감사도 더 쉽게 만듭니다. WPP는 어떤 서비스가 어떤 ID로, 어떤 고객 애플리케이션을 위해 소스에 접근했는지 기록할 수 있습니다.

하지만 중앙화는 설계 오류의 결과도 키웁니다. 결함 있는 접근 템플릿은 누군가 이를 감지하기 전에 여러 서비스로 확산될 수 있습니다.

플랫폼 팀에는 단계적 출시와 제한적인 권한이 필요합니다. 새 구성 요소에는 정의된 목적에 필요한 데이터 접근 권한만 부여해야 합니다.

고객은 삭제 및 정정 절차도 기대할 것입니다. 원본 데이터가 변경되면 관련 인덱스, 캐시된 기능, 모델 입력을 업데이트해야 할 수 있습니다.

에이전트가 파생 산출물을 만들면 이는 더 어려워집니다. 권고 또는 생성된 브리프에는 여러 보호된 소스에서 가져온 정보가 포함될 수 있습니다.

WPP는 이러한 종속성을 식별할 수 있을 만큼 충분한 계보를 보존해야 합니다. 데이터 계보는 정보가 어디에서 시작됐고 워크플로를 거치며 어떻게 변경됐는지를 기록합니다.

계보가 없으면 팀은 기본적인 책임성 질문에 답할 수 없습니다. 에이전트가 왜 권고를 생성했는지 또는 어떤 소스를 정정해야 하는지를 신뢰성 있게 설명할 수 없습니다.

같은 문제는 모델 평가에도 영향을 미칩니다. 고객 정보를 포함하는 테스트 세트에는 자체적인 권한, 보존 규칙, 분리 통제가 필요합니다.

합성 테스트 데이터는 노출을 줄일 수 있지만, 이례적인 실제 사례를 놓칠 수 있습니다. 프로덕션 평가는 여전히 신중하게 통제된 샘플을 필요로 합니다.

따라서 WPP의 개인정보 보호 주장은 모든 구현에 대한 독립적 증거가 아니라 아키텍처적 의도로 읽어야 합니다. 회사는 전체 플랫폼에 대한 상세한 감사 결과를 공개적으로 제시하지 않았습니다.

보고된 고객 성과 역시 주로 WPP 자체 발표에 기반합니다. 이 수치는 사용 사례를 보여줄 수는 있지만, 모든 배포 환경의 성과를 입증하지는 않습니다.

이 불확실성이 전략을 무효화하는 것은 아닙니다. WPP가 파일럿에서 일상적인 고객 운영으로 확장함에 따라 거버넌스가 계속 가시적으로 유지돼야 하는 이유를 보여줍니다.

WPP의 에이전시 경쟁사들도 자체 AI 운영 체제를 구축하고 있다

경쟁 구도는 WPP와 한 모델 공급업체 간의 대결이 아니라, 공유 운영 인프라와 지속되는 에이전시 사일로 간의 대결입니다.

모든 대형 에이전시 그룹은 생성형 모델에 접근할 수 있습니다. Google, Microsoft, Adobe, Amazon 및 전문 AI 공급업체들은 엔터프라이즈 마케팅 팀을 적극적으로 공략하고 있습니다.

WPP 역시 이들 기업 중 여러 곳과 협력합니다. Google과의 관계가 핵심이지만, WPP Open은 고객의 기술 선택도 수용해야 합니다.

회사의 2026년 2월 Adobe 협력 확대는 이러한 요구를 보여줍니다. WPP는 Adobe 에이전트가 콘텐츠 제작을 지원하고, 자사 에이전트는 미디어와 활성화를 최적화할 것이라고 밝혔습니다.

이 다중 파트너 설계는 WPP가 한 공급업체의 단순 리셀러가 되는 것을 막을 수 있습니다. 이를 통해 회사는 개별 모델보다 상위에 자사 워크플로와 독점 인텔리전스를 배치할 수 있습니다.

하지만 통합 작업도 늘어납니다. 각 플랫폼은 서로 다른 ID 시스템, 데이터 객체, 안전 정책, 모니터링 방식, 출시 일정을 가져옵니다.

WPP의 내부 엔지니어링 계층은 이 변동성의 상당 부분을 흡수해야 합니다. 그렇지 않으면 공급업체가 변경할 때마다 제품 팀과 고객 계정은 일관되지 않은 동작을 겪게 됩니다.

Publicis는 Epsilon의 ID 및 데이터 자산을 소유하고 있기 때문에 강력한 비교 대상입니다. 이러한 구조는 Publicis에 개인화된 마케팅과 폐쇄형 측정을 향한 다른 경로를 제공합니다.

Omnicom은 오디언스 인텔리전스, 계획, 활성화, 측정을 중심으로 Omni를 개발해 왔습니다. Interpublic과의 제안된 통합 역시 데이터 및 플랫폼 통합의 중요성을 높입니다.

Dentsu도 AI 서비스를 Merkury ID 플랫폼 및 고객 경험 운영과 연결했습니다. 컨설팅 기업들은 클라우드 구현과 마케팅 혁신을 결합하며 추가 압박을 가하고 있습니다.

이 경쟁사들은 단순히 더 많은 콘텐츠를 생성하려 경쟁하는 것이 아닙니다. 고객 데이터가 권고가 되고, 이어 행동으로 전환되는 시스템을 통제하려 하고 있습니다.

그러한 통제에는 상업적 가치가 있습니다. 일상적인 계획과 측정에 내장된 에이전시 플랫폼은 더 긴 관계와 더 높은 전환 비용을 만들 수 있습니다.

고객은 여전히 종속을 경계할 것입니다. 많은 글로벌 브랜드는 이미 상당한 규모의 데이터 플랫폼, 콘텐츠 시스템, 광고 네트워크와의 직접 관계를 유지하고 있습니다.

WPP Open은 이 모든 환경을 대체하기보다 그 안에 맞아야 합니다. 그 가치는 WPP가 소유하지 않은 시스템 전반을 오케스트레이션하는 데 달려 있습니다.

이는 핵심적인 대립을 만듭니다. 통합 플랫폼 모델과 글로벌 에이전시 업무의 분절된 운영 현실 간의 대립입니다.

통합 모델은 더 빠른 재사용, 공통 거버넌스, 통합 측정을 약속합니다. 분절화는 현지 유연성, 확립된 프로세스, 전문 공급업체 선택을 보존합니다.

어느 한쪽도 완전히 사라지지는 않습니다. WPP는 AI를 안전하게 운영할 만큼의 중앙화가 필요하고, 에이전시는 서로 다른 시장과 고객을 지원할 만큼의 자율성이 필요합니다.

최선의 증거는 일상적인 도입에서 나올 것입니다. 경영진 시연에만 사용되는 플랫폼은 에이전시 운영 모델을 바꾸지 못합니다.

WPP의 2026년 1월 Agent Hub 출시는 회사에 내부 도구를 위한 배포 채널을 제공합니다. WPP는 이 허브가 글로벌 인력과 고객을 위한 검증된 에이전트로 시작했다고 밝혔습니다.

한 에이전트는 약 30년간의 Brand Asset Valuator 데이터에 접근할 수 있도록 합니다. 다른 에이전트들은 WPP 에이전시의 행동과학 및 크리에이티브 방법론을 패키징합니다.

이 접근 방식은 제도적 지식을 소프트웨어 구성 요소로 전환합니다. 이를 통해 전문적인 방법론을 이를 만든 팀 외부에서도 사용할 수 있게 할 수 있습니다.

그러나 전문성을 코드화하면 유지관리 의무가 생깁니다. 연구는 변하고, 브랜드 조건은 이동하며, 한때 유용했던 프레임워크가 부적절해질 수 있습니다.

각 에이전트에는 소유자, 업데이트 프로세스, 평가 기준, 폐기 정책이 필요합니다. 이러한 통제가 없는 대규모 카탈로그는 또 다른 형태의 분절화가 됩니다.

도입은 내부 권력 구조도 바꾼다. 공유 에이전트는 개별 에이전시 프로세스에 대한 의존도를 낮추는 한편, 중앙 플랫폼 팀에 대한 의존도는 높일 수 있다.

이러한 긴장 관계는 모델 품질만큼이나 WPP Open의 방향을 좌우할 것이다. 기술 표준은 운영 인센티브가 이를 뒷받침할 때에만 성공한다.

플랫폼이 제대로 작동하는지 보여줄 세 가지 신호

이제 WPP는 엔지니어링 기반이 단순히 마케팅 자료 제작 속도뿐 아니라 의사결정까지 개선한다는 점을 입증해야 한다.

첫 번째 신호는 에이전시와 지역 전반에서 반복 가능한 고객 도입이 이뤄지는지다. WPP는 하나의 거버넌스 적용 컴포넌트가 매번 별도의 인프라 없이 여러 계정을 지원할 수 있음을 보여줘야 한다.

이는 플랫폼 논리를 강화할 것이다. 모든 배포에 여전히 광범위한 맞춤형 통합이 필요하다면, WPP Open 인터페이스 아래에는 파편화가 그대로 남아 있는 셈이다.

유용한 공개 정보에는 활성 고객 워크플로, 재사용률, 배포 시간, 공통 플랫폼 제어 기능을 사용하는 서비스의 비중 등이 포함될 것이다. 총 사용자 수만으로는 운영의 깊이를 거의 알 수 없다.

두 번째 신호는 AI 추천과 검증된 비즈니스 성과를 연결하는 증거다. WPP는 더 빠른 제작, 타깃 오디언스 정확도, 운영 효율성과 관련된 파일럿 결과를 보고한 바 있다.

이러한 결과에는 명확한 기준선과 평가 방식이 필요하다. 구매자는 비교 대상이 유사한 캠페인, 기간, 오디언스, 승인 프로세스를 포괄하는지 알아야 한다.

독립적인 검증은 WPP의 주장을 강화할 것이다. 서로 관련 없는 고객들 사이에서 일관된 결과가 나온다면, 하나의 예외적으로 뛰어난 캠페인보다 더 큰 의미가 있다.

약하거나 선별적인 증거가 시스템의 실패를 입증하는 것은 아니다. 다만 예측은 콘텐츠 제작 자동화보다 여전히 더 어렵다는 점을 보여줄 것이다.

세 번째 신호는 파트너 네트워크가 확장되는 가운데 WPP가 이식성, 개인정보 보호, 사고 대응을 어떻게 처리하는지다. Google Cloud에 대한 WPP의 투자 약속은 크지만, Adobe와 다른 벤더들 역시 여전히 중요하다.

고객은 출처 이력, 평가 또는 접근 제어를 잃지 않고 워크플로에서 모델을 변경할 수 있는지 살펴봐야 한다. 또한 WPP가 보안 및 데이터 거버넌스 실패를 어떻게 보고하는지도 검토해야 한다.

중대한 사고는 중앙 거버넌스가 피해를 제한하는지, 아니면 확대하는지를 시험할 것이다. 실패 이전의 포괄적인 보장보다 투명한 시정 조치가 더 많은 정보를 제공할 것이다.

향후 1~3개월은 새로운 Google 기능이 WPP Open에 얼마나 빠르게 도입되는지도 보여줄 것이다. 제어 장치와 측정 기능이 함께 제공될 때에만 빠른 통합은 의미가 있다.

WPP의 더 큰 베팅은 이제 분명해졌다. WPP는 전문적인 판단을 보존하려 하면서, 에이전시 그룹을 소프트웨어로 매개된 마케팅 조직으로 전환하고 있다.

이 변화는 Google Cloud에 광고 운영에서 전략적 역할을 부여한다. 동시에 모델과 고객의 미디어 예산 사이에 놓인 엔지니어링 의사결정에 대해 WPP가 책임지게 만든다.

엔터프라이즈 구매자에게 실질적인 질문은 WPP Open이 캠페인 콘셉트를 생성할 수 있는지 여부가 아니다. 이미 많은 도구가 그렇게 할 수 있다.

대신 이 플랫폼이 출처를 식별하고, 고객 경계를 존중하며, 벤더 변경에도 견디고, 추천이 어떻게 실행으로 이어졌는지 설명할 수 있는지 물어야 한다. 이러한 검증이 Google Cloud가 WPP의 불확실성을 줄이는 데 도움이 되는지, 아니면 단지 이를 더 빠르게 자동화하는 데 그치는지를 결정할 것이다.