차세대 광고 시스템, 그 본질을 묻다
최근 Adidas, Unilever 같은 빅테크와 글로벌 브랜드를 중심으로 기존 광고 추천 시스템을 대규모 언어 모델(LLM) 기반으로 전환하려는 움직임이 포착되고 있습니다. 이는 단순한 기술 업데이트 이상의 의미를 가집니다. 디지털 광고 생태계의 패러다임이 ‘명시적 타겟팅’에서 ‘맥락적 추론’으로 이동하고 있음을 시사하는 중대한 변곡점입니다. 이 변화의 기술적 본질과 파급 효과를 문답 형식으로 깊이 있게 분석합니다.
Q1. 왜 검증된 기존 광고 모델을 교체하려 하는가? 기존 방식의 근본적 한계는 무엇이었나?
기존의 주력 추천 모델들은 고도로 최적화되었지만 명백한 구조적 한계를 가지고 있었습니다. 이 모델들은 사용자와 광고를 이산적인(discrete) 특징(feature)의 집합으로 인식하고 매칭하는 방식에 의존했습니다. 즉, ’30대, 서울 거주, 스포츠에 관심 있는 사용자’와 ‘운동화, 20% 할인’ 같은 태그(tag)의 조합을 확률적으로 연결하는 것에 가깝습니다.
이 방식의 문제는 다음과 같습니다.
- 콜드 스타트 (Cold Start) 문제: 신규 사용자나 완전히 새로운 컨셉의 캠페인(예: 명품 브랜드의 앰버서더가 된 Timothée Chalamet의 첫 광고)은 누적된 데이터(feature)가 없어 효과적인 추천이 어렵습니다. 시스템은 이들이 누구인지, 이 광고가 어떤 맥락을 갖는지 이해하지 못합니다.
- 의미론적 이해의 부재: 모델은 ‘캠핑’과 ‘글램핑’의 미묘한 차이나, 광고 이미지의 분위기(예: Adidas 광고의 역동성), 텍스트의 톤앤매너와 같은 비정형 데이터의 의미(semantics)를 해석하지 못합니다. 단순히 ID와 속성을 기계적으로 매칭할 뿐입니다.
- 특징 공학(Feature Engineering) 의존성: 모델 성능을 높이려면 엔지니어가 끊임없이 유의미한 특징을 발굴하고 가공해 주입해야 합니다. 이는 확장성과 유연성을 저해하는 요인입니다.
Q2. 새로 부상하는 ‘생성형 추천 시스템’은 기술적으로 어떻게 다른가?
핵심은 ‘표현(Representation)’ 방식의 근본적인 전환입니다. 새로운 시스템은 LLM과 멀티모달(Multi-modal) 모델을 활용해 광고의 텍스트, 이미지, 영상과 사용자의 활동 이력 같은 모든 정보를 고차원의 밀집 벡터(dense vector), 즉 임베딩(embedding)으로 변환합니다.
이는 마치 모든 광고와 사용자를 거대한 ‘의미 공간(semantic space)’ 안에 좌표로 배치하는 것과 같습니다. 이 공간에서는 ‘편안한 주말 휴식’이라는 개념과 관련된 광고, 게시물, 사용자 그룹이 서로 가까운 위치에 군집하게 됩니다. 시스템은 더 이상 개별 특징을 비교하는 것이 아니라, 벡터 간의 기하학적 유사도를 기반으로 가장 적합한 매칭을 추론합니다.
따라서 시스템은 ‘새로운 Adidas 스니커즈’ 광고를 접하더라도, 광고의 이미지와 텍스트를 분석해 ‘어반 라이프스타일’, ‘스트리트 패션’, ‘편안함’이라는 의미 벡터를 추출합니다. 그리고 이 벡터와 가장 가까운 곳에 위치한 사용자 벡터(과거 유사한 분위기의 콘텐츠에 반응했던 사용자)를 찾아 광고를 노출합니다. 이는 추론에 기반한 발견(discovery)에 가깝습니다.
Q3. 이 변화가 광고주와 사용자에게 미치는 실질적 영향은 무엇인가?
이 전환은 광고 생태계의 모든 참여자에게 영향을 미칩니다. 각 주체별 예상되는 변화는 다음과 같습니다.
- 광고주 (Advertisers):
- ‘크리에이티브’의 가치 상승: 세부적인 타겟팅 설정에 대한 집착이 줄어들고, 광고 소재 자체의 설득력과 창의성이 더욱 중요해집니다. 실제로 Unilever가 약 30만 명 규모의 크리에이터 네트워크를 구축한 것은, 잘 만들어진 수많은 광고 소재가 AI를 통해 스스로 최적의 잠재고객을 찾아갈 것이라는 믿음을 반영합니다.
- 예상 밖의 고객 발굴: 인간의 직관으로는 찾아내기 어려운 잠재 고객군을 AI가 발견하여 광고 효율을 극대화할 수 있습니다. 예를 들어, OpenTable 같은 예약 앱이 예술 영화 팬들에게서 고급 레스토랑의 새로운 수요층을 발견하는 식입니다. 이는 광고 지출 대비 수익률(ROAS) 개선으로 이어질 가능성이 있습니다.
- 진입 장벽 완화: Plainspeak 같은 신규 브랜드도 고품질의 콘텐츠만 있다면 콜드 스타트 문제를 상당 부분 극복하고 빠르게 시장에 진입할 기회를 얻게 됩니다.
- 사용자 (Users):
- 광고 피로도 감소: 사용자의 현재 맥락과 잠재적 관심사를 깊이 있게 이해한 광고가 노출되면서, 광고가 단순 방해물이 아닌 ‘유용한 콘텐츠’로 인식될 가능성이 커집니다.
- 개인화의 고도화: 반복적이고 직접적인 광고 대신, 개인의 취향과 더 잘 부합하는 새로운 제품(Ally Bank의 금융 상품이든, Heineken의 신제품이든)이나 서비스를 발견하는 경험이 증가할 수 있습니다.
Q4. 이 기술의 잠재적 리스크와 기술적 과제는 없는가?
물론입니다. 모든 강력한 기술에는 그림자가 따릅니다. 업계가 주목해야 할 과제는 다음과 같습니다.
첫째, 연산 비용(Computational Cost)의 폭증입니다. 거대한 언어 모델을 훈련하고 실시간으로 수십억 명의 사용자를 상대로 추론을 실행하는 데는 막대한 인프라 비용이 수반됩니다. Adidas가 한 분기 마케팅 비용으로 10억 달러에 가까운 금액을 지출하는 규모를 감안하면, 이 모델의 운영 비용은 자본력이 뒷받침되는 빅테크와 대형 브랜드로의 권력 집중을 심화시킬 수 있습니다.
둘째, 해석 불가능성(Black Box) 문제입니다. 모델이 왜 특정 사용자에게 특정 광고를 노출했는지 그 논리적 과정을 역추적하기가 극도로 어려워집니다. 이는 광고 성과 분석, 디버깅, 그리고 편향성 감사(audit)를 어렵게 만드는 요인으로 작용할 것입니다.
마지막으로, 생태계의 동질화(Homogenization) 위험입니다. 모델이 특정 종류의 ‘고효율’ 콘텐츠 패턴(예: 특정 유머 코드를 활용한 Heineken 광고 스타일)을 학습하고 이를 증폭시키기 시작하면, 광고 크리에이티브가 획일화되고 소수의 취향이 배제되는 ‘필터 버블’ 현상이 광고 영역에서도 나타날 수 있습니다. 기술의 진보가 오히려 다양성을 저해하는 역설적인 결과를 낳지 않도록 지속적인 감시와 제어 기술의 연구가 병행되어야 할 것입니다.