자동입찰이 입찰가를 정해요. 알고리즘이 타겟을 찾아요. 자동화 캠페인이 지면과 소재 조합까지 골라요. AI가 카피도 쓰고 이미지도 만들고요. 그럼 마케터가 하던 일이 하나씩 사라지는 거 아니냐 — 이 불안, 다들 한 번쯤 해보셨을 거예요.
결론부터 말하면 일이 사라지는 게 아니라 무게중심이 옮겨가고 있어요. 조작에서 판단으로요. 오늘은 그게 무슨 뜻인지, 그래서 뭘 준비해야 하는지를 구체적으로 볼게요.
기계가 진짜로 가져간 일
먼저 솔직해집시다. 자동화가 가져간 일은 진짜로 가져간 거예요. 돌아오지 않아요.
입찰가를 손으로 조정하던 일, 타겟을 잘게 나눠 설정하던 일, 지면별로 예산을 미세조정하던 일. 이런 건 기계가 사람보다 훨씬 잘해요. 초 단위로 수백만 번 계산하는 걸 사람이 이길 수가 없죠.
솔직히 이런 조작 능력이 '실력'으로 통하던 시절이 있었어요. 광고 관리자를 능숙하게 다루는 게 곧 실력이던 때요. 그 시절은 지나가고 있어요. 인정하고 넘어가는 게 빨라요.
그런데 여기서 흥미로운 일이 벌어져요. 기계가 조작을 가져갈수록, 조작이 아니었던 일의 값어치가 올라가요.
기계가 구조적으로 못 하는 세 가지
이건 "아직 못 한다"가 아니라 **"원래 그렇게 설계되지 않았다"**예요. 알고리즘이 열 배 똑똑해져도 안 바뀌는 것들이에요.
하나씩 볼게요.
1. 기계는 '무엇을' 최적화할지 못 정해요
알고리즘은 주어진 목표를 최적화해요. 이게 전부예요.
"구매를 최적화해줘" 하면 구매를 최적화해요. 아주 잘해요. 그런데 지금 우리가 최적화해야 할 게 정말 '구매'인지는 안 알려줘요. 첫 결제일 수도, 재구매일 수도, 아니면 구매가 아니라 리텐션일 수도 있잖아요.
이게 왜 중요하냐면요. 목표를 잘못 주면 알고리즘은 잘못된 방향으로 아주 효율적으로 달려가요. 그것도 아주 열심히요.
흔한 예가 있어요. 신규 설치를 목표로 잡았더니 설치는 폭증했는데, 그 유저들이 이틀 만에 다 이탈해요. 알고리즘은 자기 일을 완벽하게 했어요. "설치할 확률 높은 사람"을 정확히 찾아줬거든요. 근데 그게 우리가 원한 게 아니었죠. 우리가 원한 건 남는 유저였고요.
기계는 이 차이를 몰라요. 우리가 말해주기 전까진.
그래서 목표를 정의하는 일이 마케터의 첫 번째 일이 돼요. 무엇을 진짜 성과로 볼 것인가. 이건 데이터 분석이 아니라 사업 판단이에요.
2. 기계는 자기 성과를 검증하지 않아요
이게 제일 중요한 얘기예요.
알고리즘은 "내가 이만큼의 전환을 만들었다"고 보고해요. 그런데 그 보고에는 광고를 안 봤어도 어차피 전환했을 사람이 섞여 있어요.
생각해보면 당연해요. 알고리즘은 "전환 확률이 높은 사람"을 찾도록 훈련됐잖아요. 그럼 이미 살 마음이 있는 사람이 최고의 타겟이에요. 그 사람에게 광고를 보여주면 전환이 찍히니까, 알고리즘 입장에선 대성공이죠.
하지만 그건 광고가 만든 성과가 아니에요. 어차피 일어날 일에 도장을 찍은 거예요.
알고리즘은 이걸 구분하지 않아요. 못 하는 게 아니라, 애초에 그런 목적으로 만들어지지 않은 거예요. 매체는 "우리 광고가 이만큼 성과를 냈다"고 보고할 유인이 있지, "사실 이 중 절반은 어차피 됐을 겁니다"라고 말할 유인이 없거든요. (매체를 비난하는 게 아니에요. 구조가 그런 거죠.)
그래서 검증은 밖에서 해야 해요. 광고를 끈 지역과 켠 지역을 비교하거나, 일부 유저에게만 노출을 막아보거나. 이게 증분 측정이고, 자동화가 늘어날수록 더 중요해져요. 기계가 알아서 할수록, 그 기계가 준 숫자를 검증할 사람이 필요하니까요.
이 얘기는 광고 머신러닝 학습에서도 다뤘어요. 학습이 잘 끝난 캠페인의 좋은 CPA도 그대로 믿으면 안 되는 이유가 이거예요.
3. 기계는 계정 밖을 못 봐요
세 번째는 좀 더 현실적인 얘기예요.
알고리즘은 광고 계정 안의 데이터만 봐요. 그런데 결정을 바꾸는 정보는 계정 밖에 있는 경우가 많아요.
재고가 다음 주에 떨어진다. 경쟁사가 내일 신제품을 낸다. 이 유저층은 전환은 잘 되는데 CS 비용이 커서 실제론 손해다. 이번 달은 마진이 얇아서 ROAS 300%로는 안 남는다.
이런 건 계정 데이터에 안 찍혀요. 그런데 "예산을 늘릴까 말까"를 결정하는 데는 이게 CPA보다 중요할 때가 많아요.
그래서 무게중심이 '판단'으로 옮겨갔어요
정리하면 이래요.
기계는 답을 최적화해요. 사람은 문제를 정하고, 답이 맞는지 확인해요.
예전엔 이 둘이 안 나뉘어 있었어요. 입찰가 조정하고 타겟 만지는 게 일의 대부분이었으니까요. 지금은 앞쪽이 자동화되면서, 뒤쪽만 남았어요. 그리고 뒤쪽이 원래 더 어려운 일이에요.
이게 왜 좋은 소식이냐면요. 조작 능력은 경쟁 우위가 안 돼요. 다들 같은 알고리즘을 쓰니까요. 반면 판단 능력은 차이가 나요. 같은 대시보드를 보고도 어떤 사람은 "CPA 올랐네, 소재 갈자" 하고, 어떤 사람은 "이거 믹스효과인지 효율효과인지 갈라보자" 해요. 그 차이가 성과 차이가 되고요.
그럼 AI 도구는 어떻게 써야 하나
요즘 마케터가 쓰는 AI 도구는 대충 세 종류예요. 각각 대하는 법이 달라요.
하나, 만들어주는 AI (카피·이미지·영상 생성). 소재 제작 시간을 확 줄여줘요. 그런데 여기서 함정이 있어요. 소재를 빨리 많이 만들 수 있게 되니까, 뭘 만들지 정하는 게 더 중요해졌어요. 100개를 뽑아도 방향이 틀리면 100개가 다 쓸모없어요. 그리고 소재가 많아진 만큼 어느 게 진짜 먹히는지 판별하는 일이 더 어려워져요. 만드는 건 빨라졌는데, 고르는 건 안 빨라졌거든요.
둘, 돌려주는 AI (자동입찰·자동화 캠페인). 이건 위에서 얘기한 그거예요. 잘 쓰되, 학습 구조를 이해하고 결과를 검증해야 해요.
셋, 요약해주는 AI (리포트 자동 생성·인사이트 요약). 편한데 제일 조심할 게 이거예요. 요약은 그럴듯한 문장을 잘 만들어요. 근데 그럴듯한 게 맞는 건 아니에요. "A채널 성과가 좋으니 예산을 늘리세요" 같은 문장이 나왔을 때, 그게 평균을 본 건지 한계효용을 본 건지는 확인해야 해요. 그럴듯한 결론을 검산 없이 실행하는 게 요즘 제일 흔한 사고예요.
그래서 뭘 준비해야 하냐면
거창한 게 아니에요. 세 가지예요.
목표를 의심하는 습관. "우리가 지금 최적화하는 게 맞는 목표인가?" 이 질문을 분기에 한 번은 던져보세요. 설치를 늘렸는데 매출이 안 늘었다면, 목표가 틀린 거예요.
숫자를 검증하는 습관. 매체가 준 숫자, 알고리즘이 준 결론, AI가 요약한 인사이트. 다 한 번씩 의심하고 검산하세요. 특히 상관과 인과를 섞지 않는 것. 이게 자동화 시대의 기본기예요.
실험을 설계하는 능력. 기계가 못 하는 딱 하나가 이거예요. 자기 성과를 스스로 검증하는 것. 홀드아웃 하나 돌려볼 줄 아는 사람과 아닌 사람의 차이는 앞으로 더 벌어져요.
이 세 가지가 퍼포먼스 마케터 스킬 피라미드의 위쪽 두 층이에요. 아래층(조작)이 자동화될수록, 위층의 값이 올라가는 거고요.
오늘 해볼 것
지금 돌리는 캠페인의 최적화 목표를 열어보세요. 그리고 물어보세요.
"이 목표를 알고리즘이 완벽하게 달성하면, 우리 사업이 정말 좋아지나?"
설치 최적화인데 리텐션이 나쁘다면, 매출 최적화인데 마진이 얇은 상품만 팔린다면 — 목표가 틀린 거예요. 알고리즘은 아무 잘못이 없어요. 잘못된 문제를 열심히 푼 것뿐이죠.
이 질문 하나가 대부분의 자동화 사고를 막아줘요.
마무리
알고리즘이 똑똑해질수록 마케터가 할 일이 없어지는 게 아니에요. 할 일의 종류가 바뀌는 거예요.
버튼을 누르는 일은 기계가 가져갔어요. 대신 무엇을 목표로 삼을지, 그 숫자를 믿을지, 어디에 얼마를 걸지 — 이건 여전히 사람 몫이고, 오히려 더 중요해졌어요. 기계가 빠르게 달릴수록 방향을 잘못 잡았을 때의 대가가 커지니까요.
그래서 지금 마케터가 키워야 할 건 툴을 다루는 손이 아니라, 숫자를 의심할 줄 아는 눈이에요. 자동화가 끝까지 가도 그건 안 가져가요.