AI 마케팅 측정과 비용, MMM 오픈소스·GPT 가격 인하로 뭐가 바뀌나

무슨 일이 일어나고 있나

최근 마케팅 측정과 AI 비용 쪽에서 겹치는 뉴스가 여러 건 나왔어요. 세 가지를 묶어보면 흐름이 보여요.

첫째, Google과 Meta가 오픈소스 MMM(마케팅 믹스 모델) 도구를 뿌리고 있어요. Meta는 2020년 Robyn을 먼저 내놨고, Google은 2024년에야 Meridian을 뒤늦게 냈죠. Apple의 추적 제한과 각국 규제로 개인 단위 추적이 막히면서, 결정론적이지 않고 시간도 오래 걸린다는 이유로 밀렸던 MMM이 다시 떠올랐거든요. AdExchanger 취재에 따르면 Google은 Meridian 채택을 영업 KPI에 걸 만큼 밀어붙이는 반면, Meta는 Robyn을 조용히 축소(winding down)하는 중이라는 게 복수 대행사·어트리뷰션 벤더 관계자들의 증언이에요.

둘째, MarTech는 이 오픈소스 도구가 15만~50만 달러대 컨설팅 게이트를 없앴다고 짚으면서도, 무료 도구가 무료 모델을 뜻하진 않는다고 선을 그었어요. 실제로 미국 마케터의 46.9%가 향후 1년간 MMM 투자를 늘리겠다고 했고, 27.6%가 MMM을 가장 신뢰할 만한 측정 방법으로 꼽았죠. 그런데 Robyn(R, Nevergrad 기반 자동 하이퍼파라미터 탐색), Meridian(Python/TensorFlow, geo 수준 사전분포와 베이지안 추론), PyMC-Marketing(가장 유연하지만 통계 숙련도 요구) 셋 다 학습 곡선과 설정 난이도가 다르고, adstock·saturation 곡선을 비즈니스 상식으로 검증하는 일은 도구가 대신 못 해요.

셋째, OpenAI는 GPT-4에서 GPT-5.6까지 토큰 100만 개당 가격을 97% 내렸어요. GPT-5.6은 Artificial Analysis 코딩 에이전트 인덱스에서 출력 토큰을 54% 줄이고 작업당 시간을 57% 단축했다고 밝혔고요. 여기에 국내 한 게임사가 Google AI로 마케팅해 출시 한 달 반 만에 모바일게임 전체 매출이 325% 성장했다는 벤더 사례까지 얹혔죠. 도구는 싸지고 성능은 오르고 성공 사례는 화려한데, 공통 질문이 하나 남아요. 이 숫자, 믿어도 되나요.

왜 중요한가

세 뉴스를 관통하는 건 무료·저렴해진 도구가 검증 부담을 사용자에게 떠넘긴다는 점이에요.

MMM부터 보죠. 왜 채널 귀속 싸움이냐면, MMM은 채널별 기여도를 사전분포와 채널 정의로 추정하는데 그 초기값을 쥔 쪽이 결과를 크게 흔들 수 있거든요. Google 데이터사이언스 총괄 Harikesh Nair는 오픈소스가 '신뢰 구축에 결정적'이라며 마케터가 방법론을 직접 검증할 수 있다고 강조했지만, 유럽 컨설팅 Smarter Ecommerce의 Mike Ryan은 Meridian이 'Google 미디어·데이터 우주 전체를 정교하게 매핑했다'고 지적했어요. 즉 코드는 열려 있어도 모델의 진짜 가치는 플랫폼이 독점 공급하는 데이터에서 나온다는 거죠. 한 여행 브랜드 데이터 분석가 말대로 MMM은 측정 렌즈를 '현미경에서 망원경으로' 바꿔 채널 단위 고수준 뷰를 주지만, 그 통제감이 착시일 수 있어요. Google이 Meridian 채택을 영업 KPI에 건다는 대목은, 이게 중립적 측정 표준이 아니라 자사 채널 평가 방법론을 자사가 패키징해 파는 구조임을 드러내요.

토큰 가격도 똑같은 함정이 있어요. 왜 단가 인하가 총비용 절감으로 이어지지 않느냐면, chat에서 longer-running 워크플로우로 넘어가면 작업 하나당 모델 호출·툴 사용·재시도가 누적되기 때문이에요. OpenAI 원문도 더 싼 모델이 실패하고 재시도하거나 교정이 필요한 작업을 만들어내면, 토큰당 비싼 모델이 오히려 더 적은 시도와 검토로 총비용이 낮을 수 있다고 명시해요. 놓치기 쉬운 건 실패·환각을 사람이 다시 검수하는(human review) 숨은 인건비고요. 그래서 원문은 useful work per dollar, 즉 완수한 작업·절감한 시간·개선된 의사결정으로 보라고 못 박아요.

게임사 매출 325% 사례도 같은 틀로 읽어야 해요. 벤더가 자사 도구 성과로 내세운 숫자고, 게임 마케팅은 신작 출시 타이밍과 시즌성으로 원래 매출이 몇 배씩 출렁여요. 출시 한 달 반이라는 기간 자체가 신작 초기 매출 급등 구간이라, AI 도구가 진짜 인과인지 단순 상관인지 대조군 없이는 분리가 안 돼요. 값이 싸질수록 실무자에게 필요한 건 도구 선택 능력이 아니라 숫자를 의심하고 교차검증하는 판단력이에요.

이해관계·역학

누가 왜 이득을 보는지 보면 발표의 숨은 유인이 선명해져요.

Google이 Meridian을 밀고 Meta가 Robyn을 접는 온도차가 핵심이에요. 두 회사 다 walled garden(Performance Max·AI Max처럼 광고 배치와 알고리즘 의사결정이 불투명한 폐쇄 환경)을 운영하는데, MMM은 그 안을 못 들여다보는 광고주에게 '망원경'을 쥐여주는 척하면서 실제로는 자사 채널 기여도를 유리하게 프레이밍할 여지를 남겨요. Google이 채택을 영업 KPI에 걸 만큼 공격적인 건, Meridian이 GA360과 자사 데이터에 깊이 wired돼 있어 채택될수록 Google 생태계 의존이 강화되기 때문이에요. 오픈소스라는 명분은 '중립·관찰 가능'이라는 포장을 제공하고요. Meta가 물러서는 이유는 원자료에 공개되지 않았지만, 적어도 Google은 이 판을 표준 싸움으로 보고 있어요.

그 위에 SaaS 레이어가 빠르게 층을 이뤘어요. Rockerbox·Northbeam 같은 데이터 레이어 우선 벤더는 파이프라인과 속도가 강점이고, Measured·Analytic Partners·Ekimetrics·Nielsen Gracenote 같은 측정 우선 벤더는 더 엄밀한 모델링을 높은 가격에 팔아요. walled garden이 자사 채널을 평가하는 측정 방법론을 직접 funding·packaging한다는 점에서, 모델 사전분포에 건강한 회의를 유지하라는 게 업계 조언이에요. OpenAI 쪽도 이해관계가 있어요. Admin Console의 사용량 분석·지출 통제를 강조하는 건 고객 이탈을 막고 업무가 business-critical해질 때 더 큰 투자를 유도하는 구조죠. 게임사 사례를 내세운 벤더 역시 성공담 자체가 마케팅 상품이고요.

실무에 주는 함의

내일 뭘 바꾸느냐로 좁혀볼게요.

첫째, MMM을 검토한다면 소프트웨어 선택보다 데이터 파이프라인부터 세우세요. Robyn·Meridian·PyMC-Marketing 중 뭘 고르든 2–3년치 주간 데이터를 채널별로 정합성 맞춰 붙이는 게 선행 조건이에요. Robyn은 가장 접근성 높고 커스터마이징이 쉬운 진입점, Meridian은 더 엄밀하지만 학습 곡선이 가파르고, PyMC-Marketing은 통계 숙련도를 가장 많이 요구해요. AI 어시스턴트가 스크립트는 짜줘도 Pareto frontier에서 어떤 해를 고를지, adstock 곡선이 상식에 맞는지는 사람이 판단하니, 도구 도입 전에 모델을 읽을 인력부터 확보하는 게 순서예요.

둘째, 무료 MMM 숫자는 그대로 예산 배분 근거로 쓰지 말고 incrementality 실험이나 제3자 측정과 교차하세요. 사전분포와 baseline을 직접 열어보고, 필요하면 독립 측정 업체와 병행하는 것도 방법이에요.

셋째, AI 비용은 단가가 아니라 업무 단위로 측정하세요. 원문이 제시한 지표는 cost per accepted outcome이에요. 고객지원이면 해결된 케이스, 엔지니어링이면 리뷰를 통과한 테스트 완료 변경이 단위죠. 여기에 모델·툴 사용, 시도 횟수, 완료율, 지연, human review 비용을 다 더해 '충분히 좋음' 기준에 도달하는 총비용을 재세요. Admin Console은 사용자·제품·모델별 채택·크레딧·지출을 워크스페이스/팀·사용자/제품·모델 세 고도로 보여주지만, 어떤 단위로 업무를 쪼갤지는 내부에서 정의해야 대시보드가 감(感)을 대체해요. 명확한 지시, 집중된 툴, 재사용 컨텍스트, 명시적 종료 조건으로 루프와 낭비를 줄이라는 것도 원문 조언이에요.

리스크·한계

오픈소스 MMM의 가장 큰 리스크는 투명성을 신뢰로 착각하는 거예요. 코드가 열려 있어도 사전분포와 채널 정의가 배포한 플랫폼에 유리하게 설계됐을 수 있고, Meridian이 GA360과 깊이 연결돼 실제 가치가 플랫폼 독점 데이터에서 나온다는 점을 놓치면 채널 귀속이 왜곡돼요. 검증 없이 표준으로 받아들이지 마세요.

GPT 가격 97% 인하도 헤드라인을 총소유비용으로 읽으면 곤란해요. agentic 확산으로 호출이 폭증하는 상황에서 재시도·검수 인건비까지 계산하지 않으면 실제 청구서는 예상을 넘어요. 성장하는 청구서가 낭비인지, 생산적 실험인지, business-critical 워크플로우의 신호인지는 가시성 없이는 해석이 안 돼요.

게임사 매출 325% 같은 벤더 사례는 인과 검증 없이 인용하면 위험해요. 출시 한 달 반이라는 신작 초기 급등 구간과 시즌성을 통제하지 않은 성공담은 전략 근거로 쓰기 어려워요.

자주 묻는 질문

마케팅 자동화 툴이나 MMM 도구는 무료면 그냥 써도 되나요

무료 도구가 무료 모델을 뜻하진 않아요. Robyn·Meridian은 15만~50만 달러 컨설팅 게이트를 없앴지만 2–3년치 주간 데이터 정리와 채널별 지출 정합성, adstock·saturation 파라미터 검증이라는 진짜 비용은 그대로 남아요. 데이터 거버넌스와 모델을 읽을 인력이 없으면 결과를 신뢰하기 어려워요.

ai 에이전트 가격 비교는 토큰 단가만 보면 되나요

단가만 보면 오판해요. GPT는 토큰값을 97% 내리고 GPT-5.6은 출력 토큰을 54% 줄였지만, agentic 워크플로우에선 작업당 호출이 누적돼 총비용이 커질 수 있어요. cost per accepted outcome, 즉 완수한 업무당 총토큰과 재시도·검수 비용을 단위로 잡아야 실제 효율이 보여요.

데이터 마케팅 사례에서 매출 3배 같은 숫자는 믿어도 되나요

벤더가 자사 도구 성과로 내세운 숫자는 그대로 믿기 어려워요. 게임 마케팅은 신작 출시와 시즌성으로 매출이 원래 크게 출렁이고, 매출 325%가 나온 출시 한 달 반은 신작 초기 급등 구간이에요. AI 도입이 인과인지 상관인지 대조군을 두고 ROAS·CPI 개선을 따져야 배울 게 남아요.

ai 마케팅 전략에서 측정은 어떻게 시작하나요

도구 선택보다 측정 인프라가 먼저예요. 실제 업무를 반영한 eval을 만들고 '충분히 좋음'을 테스트 전에 정의한 뒤, MMM 숫자는 incrementality 실험이나 제3자 검증과 교차하세요. 그래야 예산 배분을 근거 있게 결정할 수 있어요.

오픈소스라 투명하다는 MMM은 중립적인가요

투명과 중립은 다른 얘기예요. 도구를 뿌리는 쪽이 사전분포와 채널 정의를 쥐고, Google은 Meridian 채택을 영업 KPI에 걸 만큼 밀고 있어요. Meridian이 GA360과 깊이 연결돼 진짜 가치가 플랫폼 데이터에서 나온다는 점을 감안하면, 파라미터와 baseline을 직접 열어보고 교차검증하지 않으면 채널 귀속이 왜곡될 수 있어요.