AI 광고 트렌드, Meta GenRecs와 Google AI Mode로 본 타기팅 축소 대응법

무슨 일이 일어나고 있나

Meta는 광고 랭킹 시스템 세 개를 한꺼번에 손봤다고 발표했습니다. 광고 인프라와 랭킹을 맡은 Matt Steiner 부사장은 세 혁신이 함께 작동한다며, 모델이 쓰는 데이터, 다음 단계로 넘길 광고를 고르는 리트리벌, 최종 결정을 내리는 랭킹이 각각 다음 층에 입력을 넘긴다고 설명했어요.

구조부터 보면 이렇습니다. 사용자가 Facebook이나 Instagram을 여는 순간 보여줄 수 있는 광고는 수천만 개이고, Meta는 거의 즉시 하나를 골라야 합니다. 먼저 리트리벌 시스템 Andromeda가 그 사람이 좋아할 만한 광고로 짧은 목록을 만들고, 이어 연산량이 더 큰 랭킹 모델이 승자를 고르는 2단계예요. Meta는 이제 노출마다 자격 있는 모든 광고를 점수화하며, 그 처리량이 초당 10억 개를 넘는다고 밝혔습니다.

세 가지 개편은 다음과 같아요.

• GenRecs: LLM 기반 생성형 추천 모델입니다. LLM이 광고의 텍스트와 이미지를 읽고 브랜드, 색상, 핏, 스타일 같은 핵심 속성을 시맨틱 토큰이라는 공통 단위로 기술해요. 기존에는 광고주, 캠페인, 소재, 상품마다 붙은 ID나 라벨에 성과를 묶어 학습했는데, 이제는 원예나 특정 자전거 페달처럼 그 밑의 개념에 성과를 묶습니다.
• Andromeda: Nvidia와 협력해 광고 정보를 GPU에 더 많이 올리고, 광고를 전문가 모델로 나눠 보내도록 바뀌었어요.
• GEM: 지난해 도입한 광고 추천 파운데이션 모델로, 랭킹 모델을 학습시키는 역할입니다. 더 커졌고 사용자 이력을 2배 길게 읽어요. Meta는 지난해 이후 GEM으로 전환이 약 19% 개선됐다고 밝혔습니다.

Google 쪽은 숫자 규모가 다릅니다. Alphabet의 3분기 매출은 1,276억 달러로 전년 대비 25% 늘었고 사실상 대부분이 광고에서 나왔어요. Search 광고는 전년 3분기 566억 달러에서 634억 달러로 늘었고(약 12% 증가), YouTube Ads는 112억 달러로 전년 대비 약 10% 성장했습니다. 그런데 실적 콜에서 Sundar Pichai CEO는 Search 광고 사업을 언급하지 않았어요. 대신 Google Cloud 100% 이상 성장, 자체 AI 모델 API의 분당 320억 토큰 처리(몇 달 전보다 40% 증가), Gemini 사용자 10억 명과 회사 역사상 가장 빠른 성장 제품이라는 평가를 앞세웠습니다. AI Mode 질의가 일반 검색 질의보다 평균 3배 길고, 이미지, 영상, 문서를 포함한 비주얼 검색이 월 500억 건을 넘는다는 수치도 함께 내놓았고요.

광고 이야기는 SVP 겸 최고사업책임자 Philipp Schindler가 맡았는데, 이것도 AI 성과로 포장됐습니다. Gemini 모델을 광고 인프라 전반에 배치하는 속도를 높이고 있다고 했고, 3분기에 스폰서드 상품 목록 사업을 10년 만에 가장 크게 개편해 AI 모델이 어떤 상품 정보를 보여주고 어떻게 개인화할지 더 큰 재량을 갖게 됐다고 설명했어요. AI가 광고 개발을 가속하고 제품 출시의 대부분을 이끈다는 발언, Gemini가 광고 소재 15억 개를 만들었다는 수치, AI Mode 광고 클릭률이 검색 광고와 비슷하다는 언급이 이어졌습니다.

같은 시기 Google DeepMind는 Gemini 4 Carbon을 공개했어요. Gemini 4 Argon 출시 2주 만에 나온 후속 모델이고, Artificial Analysis Intelligence Index v5.0에서 59점으로 1위라고 밝혔습니다. 도입가는 Argon과 같은 입력 100만 토큰당 2달러, 출력 100만 토큰당 10달러이고 캐시된 입력은 95% 할인돼요. 일반 출시가 아니라 Fairwind Program을 통해 일부 사이버 방어 담당자와 신뢰 파트너에게만 순차 공개하는 중입니다. 광고 상품은 아니지만, Google이 광고 인프라 전반에 Gemini 배치를 가속한다고 말한 이상 광고 시스템의 엔진이 얼마나 빠르게 바뀔 수 있는지 보여주는 단서예요.

왜 중요한가

핵심 메커니즘은 Meta가 왜 ID를 버렸는지에 있습니다. Steiner의 표현대로 광고, 캠페인, 캠페인 구조는 계속 바뀌어요. ID에 성과를 묶으면 소재를 갈아끼우거나 캠페인을 재구성할 때마다 학습된 성과가 새 ID로 이어지지 않습니다. 새 광고는 참여 이력이 없으니 모델이 실제 사람에게 노출해 보며 반응을 확인하는 수밖에 없고, 이것이 콜드 스타트 비용이에요. 시맨틱 토큰은 모든 광고를 같은 어휘로 기술하기 때문에, 새 광고가 기존 광고와 무엇을 공유하는지 바로 계산됩니다. Steiner는 신상품의 경우 모델이 그 사람이 사는 상품 유형과 비슷하다는 걸 이해한다고 말했어요. 다시 말해 신규 소재가 0에서 출발하지 않고 비슷한 개념을 가진 광고들의 성과를 물려받는 구조입니다.

이 메커니즘이 타기팅의 의미를 바꿉니다. 광고주가 세그먼트를 쪼개 알려주던 정보, 즉 이 소재는 원예에 관심 있는 사람에게 맞다는 판단을 이제 모델이 소재 자체에서 읽어내요. 여기에 GEM이 사용자 이력을 2배 길게 읽으니, 사람이 짠 관심사 세그먼트는 모델이 보는 사용자 표현보다 거칠 수밖에 없습니다. Meta 부사장이 타기팅의 중요도가 시간이 갈수록 줄어든다고 직접 말한 배경이 여기에 있어요.

그러면 타기팅 자리를 무엇이 대신할까요. 소재입니다. 2단계 구조를 다시 보면 이유가 분명해져요. Andromeda가 짧은 목록에 넣지 않은 광고는 랭킹 모델의 평가를 받지 못하고, 그 목록에 들어가는 근거가 이제 소재에서 읽힌 개념입니다. 같은 메시지에 색만 바꾼 변형 열 개는 모델 입장에서 거의 같은 토큰 묶음이라 서로 다른 사용자군으로 뻗어갈 경로를 만들지 못해요. 속성이 다른 소재를 넣어야 리트리벌 단계에서 더 많은 연결 후보가 생깁니다. Google이 Gemini로 소재 15억 개를 만들었다는 수치는 같은 논리를 플랫폼이 직접 실행한다는 뜻이에요. 소재 생산량이 병목이 되자 플랫폼이 그 병목을 자체 모델로 메우는 중입니다.

지면 쪽에서도 같은 방향이 보입니다. AI Mode 질의가 일반 검색보다 평균 3배 길다는 건, 짧은 키워드 하나로 의도를 매칭하던 방식보다 문장 전체의 의미를 해석하는 방식이 광고 선택을 좌우하게 된다는 뜻이에요. Meta의 시맨틱 토큰과 Google AI Mode는 서로 다른 지면에서 광고 매칭의 기준을 키워드와 ID에서 의미와 개념으로 옮기고 있습니다.

이해관계와 역학

Meta부터 보겠습니다. 클릭 8.3%, 전환 15.7%는 랭킹 시스템 개선 전체의 효과로 제시됐고, 세 개편 중 어느 것이 얼마나 기여했는지, 어떤 광고주군과 어떤 기준선에서 잰 값인지는 공개되지 않았어요. 이 공백이 중요합니다. 숫자는 Meta 인프라 전체가 좋아졌다는 근거로는 충분하지만, 특정 광고주가 운영 방식을 바꿔야 할 근거로는 부족하거든요. 그런데 이 숫자와 타기팅 중요도가 줄어든다는 발언이 한 묶음으로 나오면, 메시지는 자연스럽게 수동 세분화를 줄이고 자동화에 더 많은 결정권을 넘기라는 쪽으로 읽힙니다. 모델은 결정권을 더 많이 받을수록 더 많은 탐색 데이터를 얻고, 그만큼 플랫폼의 학습 우위는 커집니다. 성과 설명이 곧 운영 방식 전환의 유도 장치 역할을 하는 셈이에요.

Google의 유인은 투자자 쪽에 있습니다. 광고가 매출 대부분을 내는데도 실적 콜의 주인공이 Cloud, TPU, Gemini였던 건, 주가를 설명할 서사가 광고 성장에서 AI 수익화로 옮겨갔기 때문으로 읽혀요. Pichai는 AI 인프라와 솔루션이 Cloud 성장의 주된 동력이라고 했고 TPU 플랫폼 수요가 강하다고 강조했습니다. 이런 서사에서 광고는 AI 투자가 기존 수익원까지 끌어올린다는 증거로 쓰이고, 쇼핑 광고 개편과 소재 15억 개 생성이 그 연결고리 역할을 했어요. AI Mode 광고 클릭률이 검색 광고와 비슷하다는 문장도 같은 맥락입니다. 이 문장은 새 지면이 검색 광고 수익을 깎아먹지 않는다고 투자자를 안심시키는 기능을 하지, 광고주에게 더 나은 지면이라고 말하는 문장이 아니에요. 정확한 클릭률, 전환 품질, 증분 효과는 공개되지 않았습니다.

쇼핑 광고 개편의 성격도 날카롭게 봐야 합니다. Schindler의 설명대로 AI 모델이 어떤 상품 정보를 보여주고 어떻게 개인화할지 더 큰 재량을 갖게 됐다는 건, 그만큼 광고주가 노출 형태를 직접 정하던 범위가 줄었다는 말과 같아요. 플랫폼 입장에서는 재량이 커질수록 지면 전체 수익을 최적화하기 쉬워지지만, 개별 광고주 입장에서는 왜 그 상품 정보가 그렇게 노출됐는지 설명받기 어려워집니다.

인프라 벤더도 수혜자입니다. Andromeda 개편은 Nvidia와의 협력으로 광고 정보를 GPU에 더 많이 올린 결과이고, Google은 자체 TPU를 내세웠어요. Argon 출시 2주 만에 Carbon이 나오는 속도의 모델 경쟁은 연산 수요를 계속 키웁니다. 광고 랭킹의 정교함이 연산 투자 규모와 묶이는 구조에서는 플랫폼 간 격차가 모델과 인프라로 정해지고, 광고주가 그 내부를 들여다보거나 조건을 협상할 여지는 줄어들어요.

손해를 보는 쪽도 분명합니다. 수동 타기팅 설계를 핵심 역량으로 팔아온 운영 조직, 그리고 플랫폼 자체 리포트만으로 예산을 배분해 온 광고주예요. 전자는 업무의 가치가 모델로 넘어가고, 후자는 플랫폼이 성과를 정의하고 측정까지 하는 구조에 더 깊이 묶이게 됩니다.

실무에 주는 함의

내일 바로 손댈 일을 순서대로 정리했습니다.

• 오디언스 세분화에 쓰는 시간을 먼저 기록하세요. 세그먼트 설계와 관리에 주간 몇 시간을 쓰는지 적고, 그 시간 중 일부를 소재 기획과 실험 설계로 옮기는 계획을 세우는 편이 낫습니다. 다만 한 번에 옮기지 말고 아래 증분 측정 결과를 보면서 단계적으로 줄이세요.
• 소재 기획표에 속성 열을 추가합니다. GenRecs가 브랜드, 색상, 핏, 스타일 같은 속성을 읽어 매칭하니, 소재마다 사용 장면, 제품 속성, 대상 상황을 열로 적어 보면 속성이 겹치는 변형이 바로 드러나요. 겹치는 변형은 리트리벌 단계에서 새 연결 경로를 거의 만들지 못하므로, 그 예산을 속성이 다른 소재 제작으로 돌리는 게 맞습니다.
• 신상품과 신규 소재의 초기 지표를 개편 전후로 비교합니다. 콜드 스타트 완화가 Meta 설명의 핵심이니, 신규 소재의 학습 기간과 초기 CPA를 기록해 두면 우리 계정에서 그 효과가 실제로 나타나는지 판단할 근거가 생겨요.
• 증분 효과를 직접 잽니다. 클릭 8.3%, 전환 15.7%는 플랫폼 단위 수치예요. 우리 계정에서 같은 방향의 효과가 나는지는 holdout 테스트나 Conversion Lift로 정기적으로 확인하고, AI Mode처럼 새 지면은 클릭률이 아니라 전환 품질과 증분부터 봐야 합니다. 실험이 팀마다 다른 기준으로 돌면 결과를 비교할 수 없으니, 승인된 실험 방법론을 템플릿으로 저장해 모든 팀이 같은 지표와 무작위 배정 설정에서 출발하게 하는 방식(예: Datadog Experiments의 프로토콜 기능)을 참고할 만해요.
• 자동 생성 소재의 가드레일을 먼저 만듭니다. Gemini가 소재를 대량으로 만들어주면 제작비는 줄지만 브랜드 톤 통제권도 넘어가요. 금지 표현, 제외 카테고리, 승인 절차를 문서로 정리한 뒤 자동화 옵션을 켜는 순서가 안전합니다.
• 1st party 전환 신호를 정비합니다. GEM이 사용자 이력을 2배 길게 읽고 랭킹이 개념 단위로 일반화할수록, 플랫폼에 넘기는 전환 신호가 무엇을 성과로 볼지 정의하는 사실상 유일한 레버가 돼요. 전환 이벤트의 중복과 누락, 가치 값 정확도를 점검하고, 가치가 낮은 전환이 최적화 목표에 섞여 있지 않은지 확인하세요. 내부 리포트와 플랫폼에 넘기는 지표 정의가 다르면 같은 성과를 두고 다른 숫자가 나오니, 지표 정의를 한 곳에서 관리하는 시맨틱 레이어 정비도 같이 챙길 만합니다.

리스크와 반대 관점

첫째, 수치의 출처입니다. Meta의 8.3%, 15.7%, 약 19%와 Google의 소재 15억 개, AI Mode 클릭률 비교는 전부 플랫폼이 자체 발표한 값이에요. 기여 분해, 기준선, 대상 광고주군은 공개되지 않았습니다. Gemini 4 Carbon의 벤치마크도 DeepMind 내부 평가와 보고치이고, 부정행위 성공률 0.0% 같은 숫자는 오히려 평가 환경이 좁다는 신호로 읽어야 해요. 플랫폼 평균 개선이 우리 계정의 개선을 보장하지 않습니다.

둘째, 개념 단위 학습이 모든 계정에 똑같이 작동하지는 않습니다. 시맨틱 토큰의 이점은 새 광고가 비슷한 개념을 가진 기존 광고의 성과를 물려받는 데서 나와요. 그러니 비슷한 상품이 이미 많이 팔린 카테고리에서는 강하게 작동하겠지만, 비교할 기존 광고가 적은 새로운 카테고리나 전환 데이터가 희소한 B2B, 고관여 상품에서는 물려받을 신호 자체가 적습니다. 이런 영역에서의 효과는 공개된 바 없어요. 이런 계정에서 수동 타기팅을 성급하게 버리면 낭비 노출이 늘 수 있으니, 일부 캠페인을 유지하면서 비교하는 편이 안전합니다.

셋째, 검증 가능성이 후퇴합니다. 리트리벌과 랭킹이 모두 모델 내부 표현으로 결정되면, 어떤 소재 속성과 어떤 신호가 성과를 냈는지 광고주가 분해하기 어려워져요. 성과가 좋을 때는 문제가 보이지 않지만, 꺾이는 순간 원인을 찾을 도구가 없습니다. 자동화 비중을 올리는 만큼 holdout 같은 외부 검증 장치를 함께 늘려야 하는 이유예요.

넷째, 엔진 교체 속도입니다. Argon 출시 2주 만에 Carbon이 나온 것처럼 모델 세대가 빠르게 바뀌고, Google은 광고 인프라 전반에 Gemini 배치를 가속한다고 했어요. 광고 시스템에 모델이 언제 어떻게 반영되는지는 공개되지 않았지만, 지난 분기에 통하던 소재 문법이 다음 분기에도 통한다고 가정하지 않는 편이 낫습니다. 소재 자동 생성은 제작비를 낮추는 대신 브랜드 일관성 리스크를 키운다는 점도 함께 기억해야 해요.

자주 묻는 질문

AI 광고란 무엇인가요

AI 광고는 누구에게 어떤 광고를 보여줄지, 소재를 어떻게 만들지를 플랫폼의 AI 모델이 결정하거나 생성하는 광고 방식이에요. Meta의 GenRecs는 광고 텍스트와 이미지를 LLM으로 읽어 시맨틱 토큰으로 기술한 뒤 맞는 사람을 찾고, Google은 Gemini로 광고 소재 15억 개를 만들었다고 밝혔습니다. 광고주의 역할은 세부 타기팅에서 목표, 소재, 데이터 신호를 설정하는 쪽으로 옮겨가고 있어요.

AI 광고 트렌드는 어떻게 바뀌고 있나요

가장 큰 흐름은 키워드와 ID 기반 매칭에서 의미와 개념 기반 매칭으로의 전환입니다. Meta는 광고주, 캠페인, 소재 ID 대신 개념에 성과를 묶어 학습하고, Google AI Mode 질의는 일반 검색보다 평균 3배 길어요. 여기에 소재 자동 생성이 더해지면서 타기팅보다 소재의 속성 다양성과 측정 체계가 성과를 가르는 변수가 되고 있습니다.

AI 광고 사례로 어떤 게 있나요

Meta는 랭킹 시스템 개선으로 2분기 Facebook 클릭이 8.3%, 전환이 15.7% 늘었고, GEM으로 지난해 이후 전환이 약 19% 개선됐다고 발표했어요. Google은 10년 만에 가장 큰 쇼핑 광고 개편으로 AI가 상품 정보 노출과 개인화를 더 많이 결정하도록 바꿨습니다. 다만 모두 플랫폼 자체 수치라서 자사 계정 효과는 holdout이나 Conversion Lift로 따로 확인해야 해요.

마케팅 AI 툴로 광고 운영을 자동화해도 되나요

자동화 비중을 늘리는 방향은 맞지만 순서가 중요합니다. 브랜드 톤 가이드와 제외 기준, 전환 신호 품질을 먼저 정비하고, 팀 공통 기준의 증분 측정 장치를 갖춘 뒤 자동화 옵션을 켜는 편이 안전해요. 전환 데이터가 적은 B2B나 고관여 업종은 수동 타기팅을 일부 유지하면서 단계적으로 비교하는 방식을 권합니다.