AI agent 예산 집행 사례 3건으로 본 실행 권한 분리 방법

무슨 일이 일어나고 있나

첫 번째 흐름은 실행 권한 논쟁이에요. AdExchanger에 실린 글은 업계의 기본값이 된 접근법을 이렇게 요약합니다. LLM을 붙이고, MCP로 Meta나 Google 접근권을 주고, 일을 시킨다. 명백해 보이는 답이지만 현실은 더 복잡하고, 그 복잡함은 예산이 걸린 순간부터 크게 중요해진다는 게 필자의 지적입니다. 근거는 단순해요. 동일한 컨텍스트와 동일한 지시로 같은 질문을 다섯 번 물으면 답이 다섯 번 다릅니다. 차이가 사소할 때도 있고 사소하지 않을 때도 있어요. 이 확률적 성질은 설계상 의도된 것이고, 초안 작성, 요약, 추론, 탐색 같은 열린 과제에서 유용함의 원천입니다. 동시에 실제 돈이 움직일 때는 정확히 피해야 할 특성이고요. 필자 본인도 LLM으로 글을 쓰고 코드를 짜고 생각을 정리한다고 밝히지만, 검토 없이 자기 이름으로 전략 문서를 발행하게 두지는 않겠다고 말합니다. 세금 신고를 검토 없이 맡기지 않는 것과 같은 이유죠. 그래서 질문이 이렇게 정리됩니다. 블로그 글 하나도 확인 없이 발행시키지 않을 사람이, 왜 광고 예산 집행은 같은 수준의 검증 없이 맡기려 하는가.

두 번째 흐름은 예산 압박입니다. 미국 마케팅 리더 300명 이상을 대상으로 한 최근 설문에서 지난 12개월 마케팅 지출 증가율은 1.7%로 2021년 이후 최저였고, 마케팅 예산은 총매출의 9%까지 내려갔습니다. 그런데 같은 조직들은 2029년까지 마케팅 활동의 절반 이상을 AI가 담당할 것으로 추정해요. 미국에서 프로그래매틱, 즉 온라인 광고 지면을 실시간으로 자동 매매하는 거래의 규모는 지난해 2710억 달러를 넘었습니다. 돈은 안 늘고 자동화 인프라는 이미 깔려 있으니, 남은 승부는 캠페인이 진행되는 도중에 다음 1달러를 어디로 옮기느냐로 이동합니다. 원자료의 표현대로 AI의 가치가 '마케팅을 더 빨리 만드는 것'에서 '다음 1달러를 어디에 쓸지 결정하는 것'으로 옮겨간 거죠.

세 번째 흐름은 측정 쪽 진입장벽 붕괴예요. 노스웨스턴대 마케팅 조교수 줄리안 룽게는 GDPR, COPPA, Apple의 IDFA 폐기로 어트리뷰션이 신뢰할 수 없게 되면서 오픈소스 MMM이 서서히 주류화하고 있다고 설명합니다. Meta가 2021년 Robyn을 냈고 Google과 PyMC가 뒤따랐으며, Google은 이후 LightweightMMM을 Meridian으로 업데이트했어요. 코드가 공개돼 있어 검사 가능하고 재사용 가능하다는 점 자체가 의미 있는 변화인데, 여기에 agentic AI가 붙으면 오랫동안 데이터 사이언티스트와 전문 컨설턴트의 영역이던 MMM을 거의 누구나 할 수 있게 됩니다. 룽게의 표현으로는 "모델링 배경이 거의 없어도 사실상 0에서 1로 가는" 변화이고, "어떤 의미에서는 무한대의 증가"예요. 다만 그가 곧바로 덧붙인 조건이 있습니다. 진입장벽이 크게 낮아졌다고 감독을 건너뛸 수 있다는 뜻은 아니고, 무슨 일이 벌어지는지 이해하는 사람의 지능은 여전히 필요하다는 것.

네 번째 흐름은 실패 사례의 공개입니다. 뉴욕 남부지방법원에 제기된 WPP 증권 집단소송에서 전직 임원 13명의 인터뷰가 문건으로 나왔어요. 2024년 3월부터 2025년 10월 사이 WPP ADR을 매수한 투자자들이 원고고, 피고는 WPP와 전 CEO Mark Read, CFO Joanne Wilson, WPP Media 글로벌 CEO Brian Lesser입니다. 소장은 전직 임원 Richard Foster의 부당해고 소송을 폭넓게 인용하는데, Foster는 그룹의 미디어 투자 부문이 부적절한 리베이트 운영을 하고 있다는 우려를 제기한 뒤 보복성 해고를 당했다고 주장합니다. 다만 임원 13명 증언 자체는 Foster 사건이 아니라 증권 소송을 위해 수집된 것이에요. 증언 내용 중 핵심은 이렇습니다. 전직 GroupM CFO는 2024년 4월 시점에 오래 끌어온 GroupM 단순화 작업에 측정 가능한 진전이 전혀 없었고, 유일한 실질 변화는 인력 해고였으며 그것이 문제를 고치기는커녕 키웠다고 진술했습니다. 그 감축이 WPP 구조를 푸는 복잡성 때문에 성장 복귀 시점을 2-3년 밀어낼 것이라고도 했어요. 인원의 일부만 남은 상태에서 진행된 그 과정을 이 임원은 "행정적 악몽"이라 표현했고, 회사가 대외적으로는 변혁 중이라고 포장하면서 실제로는 "현금 젖소를 짜면서 동시에 비용을 깎고 있었다"고 말했습니다. 2024년 GroupM에 합류한 전 transformation PMO 프로젝트 매니저도 입사 몇 주 만에 그 요란한 단순화가 실현되지 않으리라는 걸 알았다고 진술했고요. WPP는 개별 의혹에 답하지 않았고, 대신 Foster 측 수정 소장에 대해 "기각을 피하려는 시도이며 두 소장 모두 근거가 없고 기각 신청을 다시 제출할 것"이라는 입장을 냈습니다. Foster 측 수석 변호인 William A. Brewer III는 "당신의 이익은 고객에 대한 충실한 서비스에서 나오는가 아닌가라는, 어떤 에이전시라도 답할 준비가 돼 있어야 할 질문을 Foster가 던졌다"고 반박했어요.

왜 중요한가

네 건을 붙여 놓으면 인과 사슬이 보입니다. 지출 증가율 1.7%, 매출 대비 9%라는 압축된 예산은 '더 쓰는' 선택지를 지워버립니다. 그런데 미국 프로그래매틱 거래액은 이미 2710억 달러 규모예요. 즉 자동화 자체는 신규 우위가 아니라 기본 인프라입니다. 남는 차별화 축은 하나뿐이고, 원자료의 문장 그대로 "경쟁 우위는 마케팅 지출이 아니라 마케팅 인텔리전스에서 온다"는 상태가 됩니다. 여기서 조직 내부의 유인 구조가 뒤틀려요. 예산은 못 늘리고 성과 압박은 그대로니, 관리자 입장에서 가장 빠른 카드가 'AI 도입을 성과로 계상하는 것'이 됩니다. 도입 속도가 KPI가 되는 순간 거버넌스 설계는 비용이자 지연 요인으로 분류되고, 뒤로 밀립니다.

밀린 결과가 어떤 모습인지를 WPP 문건이 구체적으로 보여줍니다. 주목할 대목은 기술 실패가 아니라 순서 실패라는 점이에요. 전직 CFO 증언의 핵심은 '진전이 없었다'가 아니라 '진전이 없는 상태에서 대외적으로는 변혁 중이라고 말하고 있었다'입니다. 그리고 그 간극이 자체 동력을 갖습니다. 서사를 유지하려면 비용을 깎아 숫자를 만들어야 하고, 인력을 깎으면 구조를 푸는 실무 역량이 사라지고, 역량이 사라지면 진전은 더 늦어지고, 늦어지니 서사에 더 의존하게 되죠. 전직 CFO가 성장 복귀가 2-3년 밀린다고 본 이유가 여기 있습니다. 감축이 원인이자 결과인 되먹임 고리가 생긴 겁니다. 소송의 원고가 다름 아닌 투자자, 즉 그 서사를 사서 ADR을 매수한 사람들이라는 사실이 이 구조를 압축해서 보여줘요.

측정 쪽에서 반복되는 함정은 성질이 조금 다릅니다. 룽게가 말한 "0에서 1"은 실행 장벽에만 해당하는 이야기예요. 자연어로 지시해 Robyn이나 Meridian을 돌리는 일은 쉬워졌지만, 결과가 맞는지 판단하는 능력은 그대로입니다. 문제는 이 비대칭이 위험을 줄이는 게 아니라 형태를 바꾼다는 데 있어요. 예전에는 MMM을 아예 못 돌려서 감으로 결정했고, 그때는 최소한 자기 판단이 감이라는 걸 알았습니다. 지금은 코드가 매끄럽게 돌아가고 그럴듯한 계수와 그래프가 나오니, 검증되지 않은 숫자가 '데이터 기반'이라는 이름표를 달고 예산 회의에 들어갑니다. 확신의 근거가 없어진 게 아니라 가짜 근거가 생긴 거죠. 룽게가 진입장벽 하락을 강조하면서도 "무슨 일이 벌어지는지 이해할 수 있는 인간 지능은 여전히 필요하다"고 곧장 못을 박은 이유가 이것입니다.

이해관계, 역학

누가 왜 이득을 보는지 나눠 보면 발표문 읽는 법이 달라집니다.

먼저 플랫폼 사업자예요. 룽게는 큰 플랫폼들이 프라이버시 변화를 미리 봤다고 설명합니다. Meta가 2021년 Robyn을 내고 Google과 PyMC가 따라온 순서가 그 증거고요. 여기서 유인 구조를 한 단계 더 파고들 필요가 있어요. 어트리뷰션이 무너지면 손해를 보는 쪽은 광고주만이 아닙니다. 자기 채널의 기여도를 증명할 수단을 잃는 플랫폼이 더 급하죠. IDFA 이후 클릭 단위 증거가 사라진 상태에서, 예산 배분 논거를 다시 세울 방법은 모델링밖에 없습니다. 그 모델링 도구를 직접 공개하면 코드는 투명해지지만 관행과 기본값 - 어떤 변수를 넣고, 애드스톡을 어떻게 잡고, 무엇을 통제변수로 두는지 - 을 정의하는 위치는 공개자가 차지합니다. 룽게가 오픈소스이므로 "숨겨진 편향이 없다"고 말한 것은 코드 수준의 이야기이고, 모델 설계 관행 수준의 영향력은 그와 별개 문제예요. 접근 민주화라는 명분과 채널 기여도 방어라는 유인이 같은 방향을 향하고 있어서, 둘을 구분하려는 노력이 없으면 그냥 함께 흘러갑니다.

두 번째는 agentic AI를 파는 쪽입니다. LLM에 MCP로 광고 계정을 물려 예산을 집행하는 구조는 데모 시간이 짧고 시각적으로 인상적입니다. 반면 결정론적 실행 계층에 경계를 코드로 새겨 넣는 작업은 보여줄 게 없고 오래 걸려요. 이 비대칭이 시장의 기본값을 만듭니다. AdExchanger 필자의 세 가지 교훈 중 첫 번째가 정확히 이 지점을 겨눠요. 플랫폼 API가 무엇을 할 수 있는지 아는 것과 그 플랫폼에서 캠페인을 운영할 줄 아는 것은 다른 능력입니다. 주요 광고 플랫폼마다 고유한 운영 리듬이 있어요. 오디언스를 어떻게 구성해야 하는지, 예산 페이싱을 어떻게 가져가는지, 변경을 어떤 순서로 넣어야 하는지, 자동 입찰에 무엇을 먹여야 하는지. 이 중 어느 것도 API 문서에 없습니다. 문서는 어떤 호출이 합법인지 알려줄 뿐 어떤 호출이 현명한지는 말해주지 않아요. 그리고 캠페인이 성과를 내느냐 돈을 태우느냐는 바로 그 합법과 현명의 차이에서 갈립니다. 필자의 표현대로 현명한 쪽을 배우는 데는 수년의 시간과 수십억 달러 규모의 실제 지출이 들고, 지름길은 없어요. 이 간극은 모델 성능으로 메워지는 종류가 아닙니다. 문서에 없는 지식이니까요.

세 번째는 홀딩컴퍼니입니다. 여기가 시차 구조가 가장 노골적인 영역이에요. AI 플랫폼 발표는 발표 당일 주가와 피칭에 반영되지만, 데이터 인프라 투자는 몇 년 뒤에야 결과가 나옵니다. 회계상 비용은 지금 발생하고 효과는 나중에 나오죠. 이 비대칭이 크면 클수록 '발표를 앞세우고 인프라는 뒤에 채운다'는 선택이 개별 경영진에게는 합리적으로 보입니다. WPP 문건에서 전직 CFO가 쓴 표현 - 대외적으로는 변혁 중, 내부적으로는 현금 젖소 짜기와 비용 절감 - 이 이 계산의 결과물이에요. 그리고 이 선택의 청구서는 발표를 믿고 산 사람들에게 먼저 갑니다. 원고가 2024년 3월-2025년 10월 구간의 ADR 매수자라는 사실이 그 청구서의 형태입니다.

그래서 지금 나오는 agentic 발표를 읽을 때 질문은 하나로 줄어들어요. 이 회사는 실행 계층을 결정론적으로 설계했다고 말하고 있나, 아니면 LLM이 알아서 판단한다고 말하고 있나. 후자를 자랑처럼 내세우는 벤더는 데모 최적화를 택하고 거버넌스 설계를 생략했을 가능성이 높습니다.

실무에 주는 함의

내일부터 점검할 항목을 정리했어요.

1. 에이전트 권한 경계를 문서로 만드세요. 조회, 분석, 초안 생성은 LLM에 열되, 입찰가 변경, 예산 증감, 캠페인 게시, 오디언스 저장처럼 되돌리기 어려운 동작은 결정론적 실행 계층으로 옮깁니다. LLM 출력은 실행 파라미터가 아니라 실행 요청으로 취급하고, 규칙 엔진이 검증한 뒤 집행하게 하는 구조가 기준선이에요. 판단 기준은 하나입니다. 되돌릴 수 없는 결과가 있는 동작에는 사람과 가드레일 없이 열쇠를 주지 않는다.

2. 온도 파라미터를 0으로 낮췄으니 괜찮다는 논리를 받아들이지 마세요. 이 모델들은 설계상 확률적이고, 그 성질이 열린 과제에서의 유용함과 같은 뿌리에서 나옵니다. 같은 프롬프트에 매번 다른 입찰가나 세그먼트가 나올 수 있다는 전제로 설계해야 해요. 대신 결정론적으로 고정할 대상은 코드로 박습니다. 일일 상한, 1회 변경 폭 한도, 사람 승인이 필요한 임계값, 롤백 절차. 무엇이 허용되고 무엇이 아닌지, 무엇이 승인을 요하고 무엇이 자동으로 가능한지를 사전에 인코딩한 뒤 그 경계 안에서만 시스템이 움직이게 하는 것 - 대규모 자동화가 작동하는 유일한 방식이 이것입니다.

3. 오픈소스 MMM은 파일럿으로 시작하고 의사결정 근거는 실험으로 이중 확인하세요. Robyn은 사전 가정 없이 관측 데이터로 모델을 세우는 빈도주의 접근이라 가장 쉽고, Meridian과 PyMC-Marketing은 베이지안 계층 구조를 씁니다. 조직 역량에 맞는 것부터 잡되, 순서가 중요해요. 모델을 고르기 전에 결과를 해석하고 반박할 수 있는 감독 인력을 먼저 확보합니다. 사람이 없는 상태에서 도구만 들이면 앞서 말한 '가짜 근거' 문제가 그대로 발생합니다.

4. 실시간 재배분을 논하기 전에 데이터 지연부터 측정하세요. 캠페인 도중 입찰, 크리에이티브, 타기팅, 채널 믹스, 예산 배분을 성과 데이터에 맞춰 조정하려면 그 성과 데이터가 다음 기획 주기를 기다리지 않고 붙어 있어야 합니다. 대부분 조직은 채널별 리포트와 자사 분석 도구가 따로 놀고 어트리뷰션 기준도 제각각이라 최적화할 재료 자체가 부실해요. 수집, 전송, 처리, 저장, 거버넌스로 계층을 쪼개 놓고 데이터가 늦는지, 빠지는지, 틀렸는지, 중복인지, 접근이 막혔는지를 계층별로 확인하는 점검표를 만드는 편이 빠릅니다.

5. 에이전시와 벤더 피칭에서 AI 역량을 들을 때 데모 이상을 요구하세요. 프로덕션 환경 정확도, 데이터 거버넌스 체계, 실제 클라이언트 운영 사례를 문서로 받는 절차를 실사 항목에 넣습니다. WPP 사례에서 배울 점은 특정 제품의 성패가 아니라 구조예요. 대외 서사와 내부 진전 사이의 간극은 밖에서는 보이지 않고, 전직 임원 13명의 증언 같은 게 나와야 드러납니다. 그러니 실사 질문을 결과물이 아니라 절차로 던지세요. 이 기능이 프로덕션에서 몇 개 계정에 몇 달째 돌고 있는지, 실패했을 때 누가 어떤 로그를 보고 되돌렸는지.

6. 자동화를 처음부터 거버넌스와 함께 설계하세요. 대량 캠페인을 돌리면 모든 변경을 사람이 검토하는 건 불가능합니다. 동시에 아무도 승인하지 않은 결정을 자동화가 내리게 둘 수도 없어요. 이 두 제약을 동시에 만족시키는 방법은 경계를 앞에서 인코딩하는 것뿐입니다. 거버넌스는 나중에 붙이는 레이어가 아니라 처음부터 심는 뼈대예요. 목표 함수를 정하는 건 사람이고, 그것을 수만 건으로 펼치는 게 기계입니다.

리스크, 반대 관점

이 흐름이 과장일 수 있는 지점도 짚어야 공정합니다.

프로그래매틱 2710억 달러라는 수치는 이미 실시간 자동 거래가 성립하는 영역 안의 이야기예요. 원자료가 예시로 든 활용처만 봐도 성질이 제각각입니다. 소매의 점포 단위 캠페인 개인화, 소비재의 수요 감지와 프로모션 효과, 헬스케어의 맥락 기반 환자 커뮤니케이션, B2B의 계정 우선순위 지정과 리드 전환. 이 중 B2B 롱사이클처럼 전환까지 시간이 오래 걸리는 영역에 캠페인 중 재배분 논리를 그대로 이식하면 노이즈에 반응하는 행동이 됩니다. Netflix 사례가 자주 인용되는 이유도 그 반대 조건 때문이에요. 이탈 예측 모델로 위험 구독자를 찾아 리텐션 캠페인을 걸고, 개인 시청 습관에 맞춘 썸네일을 생성, 테스트하는 일이 성립하는 건 피드백 루프가 짧고 자사 데이터가 완결돼 있어서입니다. 우리 채널의 루프 길이를 먼저 재보지 않고 사례만 옮기면 안 돼요.

결정론적 실행이 만능도 아닙니다. 규칙 엔진은 규칙이 틀렸을 때 틀린 판단을 흔들림 없이 반복해요. 확률적 시스템의 위험은 예측 불가능성이고, 결정론적 시스템의 위험은 잘못된 전제의 대량 복제입니다. 둘은 대체 관계가 아니라 서로 다른 실패 모드고, 아키텍처를 분리했다는 사실 자체가 안전을 보장하지 않아요. 그래서 규칙 자체를 정기적으로 재검토하는 절차가 분리 설계와 한 세트로 따라와야 합니다.

MMM 대중화도 반대 방향으로 읽을 수 있습니다. 룽게가 측정 문제가 해결됐다고 말하면서 곧바로 아니라고 덧붙인 태도가 실무 감각에 가까워요. 진입장벽이 사라지면 검증되지 않은 모델 결과가 조직 안에서 증식합니다. 부서마다 다른 MMM 숫자를 들고 예산 회의에 들어오는 상황이 생기고, 그때 결론을 정하는 건 모델의 품질이 아니라 발언권의 크기가 되기 쉽습니다. 모델 하나를 잘 돌리는 것보다 어떤 모델을 조직의 공식 근거로 삼을지 먼저 정하는 거버넌스가 실질적으로 더 급해요.

WPP 문건을 읽을 때 유의할 점도 분명히 해둡니다. 증권 집단소송의 소장은 원고 측 서사이고, 임원 13명의 증언도 그 사건을 위해 수집된 자료예요. WPP는 두 소장 모두 근거가 없으며 기각 신청을 다시 제출하겠다고 밝혔고, 개별 의혹에는 답하지 않았습니다. 법원 판단은 아직 나오지 않았어요. 그래도 발표와 실제 진전 사이 간극이라는 패턴은 실사 항목을 다시 짜는 근거로 충분합니다. 판결을 기다려서 배울 필요는 없는 종류의 교훈이니까요.

마지막 함정은 조직 정치입니다. agentic AI 도입 자체를 성과로 계상해야 하는 압력이 큰 곳에서는 거버넌스 없는 구조를 먼저 만들고 사고가 난 뒤 수습하는 순서를 밟게 돼요. 문제는 이 경우 사고 비용이 예산 낭비로 끝나지 않는다는 점입니다. 집행된 캠페인은 되돌릴 수 없고, 오염된 오디언스와 잘못 학습된 자동 입찰은 그 이후 몇 개 주기 동안 성과를 갉아먹습니다.

자주 묻는 질문

AI agent란 무엇인가요

사용자의 지시를 해석해 도구나 API를 스스로 호출하며 여러 단계 작업을 수행하는 시스템입니다. 광고 영역에서는 LLM에 MCP 같은 연결 규격으로 Meta, Google 광고 계정 접근권을 주고 캠페인 운영을 맡기는 형태가 논의되고 있어요. AdExchanger 필자도 LLM 기반 에이전트를 피할 이유는 없다고 봅니다. 구매자가 광고 시스템과 상호작용하는 방식의 일부가 될 것이고 그 전환은 이미 진행 중이라는 거죠. 쟁점은 도입 여부가 아니라 에이전트가 무엇을 책임지고 무엇에는 손대지 말아야 하는가입니다.

MCP란 무엇인가요

LLM이 외부 시스템과 도구에 접근하도록 연결해주는 규격입니다. AdExchanger 글에서는 LLM을 MCP로 Meta나 Google에 붙여 일을 시키는 구조가 업계의 명백한 첫 답처럼 보이지만 현실은 더 복잡하다고 지적했어요. 연결이 쉬워질수록 무엇을 연결하지 않을지 정하는 권한 경계 설계가 더 중요해집니다.

AI agent 툴은 어떤 걸 쓰나요

측정 쪽에서는 오픈소스 MMM 패키지에 에이전트를 붙이는 조합이 언급됩니다. Meta의 Robyn은 관측 데이터에 기반한 빈도주의 접근으로 가장 쉽고, Google의 Meridian과 PyMC-Marketing은 베이지안 계층 구조를 써요. Meridian은 Google이 기존 LightweightMMM을 업데이트한 결과물입니다. 셋 다 오픈소스라 코드를 열어 검사할 수 있고, 실행은 에이전트에 맡기더라도 결과 해석과 검증은 사람이 해야 합니다.

AI agent 비교는 어떤 기준으로 하나요

모델 성능만 보지 말고 실행 권한 구조를 기준에 넣으세요. 되돌릴 수 없는 동작을 LLM이 직접 하는지 규칙 엔진을 거치는지, 변경 한도와 승인 임계값을 설정할 수 있는지, 롤백과 감사 로그가 있는지가 실무 안전선입니다. 데모 결과보다 프로덕션 환경 정확도 자료를 요구하는 편이 낫고, API로 가능한 동작 목록과 실제로 권장되는 운영 방식은 별개라는 점도 함께 확인해야 해요.

AI 마케팅 전략에서 예산 배분은 어떻게 바뀌나요

지난 12개월 마케팅 지출 증가율이 1.7%로 2021년 이후 최저이고 예산이 총매출의 9%까지 줄어든 상황에서, 경쟁축이 지출 규모에서 마케팅 인텔리전스로 옮겨갔습니다. 캠페인 진행 중 입찰, 크리에이티브, 타기팅, 채널 믹스, 예산 배분을 성과 데이터에 맞춰 조정하는 역량이 관건인데요, 그러려면 채널별 성과 데이터가 다음 기획 주기를 기다리지 않고 연결돼 있어야 합니다. 조직들은 2029년까지 마케팅 활동의 절반 이상을 AI가 담당할 것으로 보고 있고요.