AI 마케팅 스택, 돈은 어디로 흐르나 — 광고·인프라·개인 브랜드 3중 이동

무슨 일이 일어나고 있나

세 갈래 뉴스가 같은 시기에 터졌어요.

첫째, AI 광고가 실험을 넘어 시장이 됐어요. OpenAI는 2026년 2월 ChatGPT 광고를 시작해 이미 8개국에 전개했고, 2분기 대부분을 셀프서브 광고 매니저·conversions API·CPC 입찰 같은 디지털 광고 사업의 기본기 구축에 썼어요. 원문 표현으로 이번 변화의 본질은 "OpenAI가 광고를 도입하고 광고주가 실험했다"가 아니라 "구매 도구·측정·에이전시 제휴·상거래 인프라로 이뤄진 생태계 전체"가 AI 미디어 주변에 형성되기 시작했다는 거예요. Cannes Lions에서 최고매출책임자 Denise Dresser는 "우리는 이제 명백히 광고 사업을 한다"고 못박았고요. adtech·크리에이티브테크·에이전시가 빠르게 붙었는데, OpenAI는 Criteo·StackAdapt·Pacvue·Kargo·Adobe와 제휴했고, 지주사 Dentsu·WPP·Publicis·Omnicom이 에이전시 파트너로, LiveRamp가 측정으로 합류했어요(퍼스트파티 데이터·아이덴티티가 여전히 핵심이라는 신호예요). 흥미로운 건 Sensor Tower 데이터로 본 ChatGPT 최대 광고주가 소매업체인데, 자사 브랜드가 아니라 상품 광고를 대량으로 밀었다는 점이에요. AI 쇼핑 대화는 매장이 아니라 상품 중심이라, AI 미디어에선 상품 relevance가 리테일러 브랜드 인지도를 이긴다는 신호예요. 여기에 더해 OpenAI는 광고 판매에 그치지 않고 Codex와 워크스페이스 에이전트로 크리에이티브 자산·변형 제작까지 대행사가 하도록 데모를 보였어요.

둘째, AI 스택의 이익 구조가 SaaS 때와 정반대로 뒤집혔어요. SaaS 시대엔 사용자 한 명 추가 한계비용이 0에 가까워 인터페이스·워크플로·기록 시스템을 쥔 기업이 총마진 75–90%를 확보했는데, AI에선 추론이 가변 매출원가가 되면서 매출의 평균 23%를 갉아먹어 앱 마진이 50–60%로 내려앉아요. 대신 자본은 밑단으로 몰렸어요. NVIDIA 데이터센터 매출은 2026년 4월 마감 분기 752억 달러로 전년 대비 92% 증가, 총마진 약 75%, 연환산 약 3,000억 달러, AI 가속기 점유율 약 80%, 다음 분기 전체 매출 가이던스는 910억 달러예요. 4대 하이퍼스케일러의 2026년 1분기 설비투자는 약 1,310억 달러(Amazon 442억, Alphabet 357억, Microsoft 309억, Meta 198억)로 연환산 약 5,250억 달러, 2026년 연간 가이던스 6,000억 달러 이상을 향해요. Goldman Sachs는 2025–2030년 누적 설비투자를 5.3조 달러로 추산했고요. 세계 반도체 매출도 2025년 7,930억 달러(전년 대비 21% 증가)에서 2026년 1조 달러에 근접(WSTS 약 9,750억, 25% 증가)해요. AI는 전체 반도체 매출의 약 30%를 차지하며 2029년 50% 이상으로 향하고, AI 가속기 시장은 2024년 약 800억 달러에서 2029년 2,800억 달러 이상으로 커질 전망이에요. 메모리는 더 팽팽해요. HBM 수요는 2025년 약 130% 늘고 2026년 추가 약 70% 증가, 일반 DRAM 계약가는 2026년 1분기에 전 분기 대비 약 90% 뛰었고, AI 데이터센터가 고급 DRAM의 약 70%를 흡수해요. 병목은 칩 설계에서 패키징·전력으로 옮겨가, TSMC CoWoS 생산능력은 2025년 월 약 7만 웨이퍼에서 2026년 약 11만으로 늘지만 사실상 매진이고 NVIDIA가 2027년까지 공급 과반을 예약했어요.

셋째, 뉴스룸은 콘텐츠가 아니라 사람에 투자하기 시작했어요. NYT는 3월 Tom Denison을 영상 트레이닝 에디터로 정규직 채용해 기자·에디터 코칭과 취재를 영상으로 확장하는 일을 맡겼고, 매니징 에디터 Charlotte Greensit는 "가장 효과적인 영상 트레이닝은 소규모·1대1에서 일어난다"고 메모에 적었어요. 기자 주도 영상 산출물은 2026년 1분기 전년 대비 두 배가 됐다고 CEO Meredith Kopit-Levien이 실적 발표에서 밝혔고요. WSJ도 'Talent Lab' 팀으로 기자에게 세로 영상 촬영·팟캐스트 출연·뉴스레터 집필을 가르쳐 개별 기자를 구독자에게 더 잘 보이게 만들고 있어요. Reuters Institute 2026 Digital News Report로는 전 세계 27%가 매주 뉴스 크리에이터·인플루언서에게서, 46%가 유형 불문 크리에이터에게서 뉴스를 얻고, 이제 소셜·영상 플랫폼이 뉴스 사이트나 자체 앱보다 더 많은 뉴스 소비 경로가 됐어요.

왜 중요한가

세 사건은 '차별화되지 않은 표면 레이어는 대체당한다'는 한 원리를 공유해요.

AI 스택 분석의 핵심 메커니즘은 '다음 1달러의 가치를 다른 곳이 얼마나 쉽게 대체할 수 있느냐'예요. 범용 애플리케이션 로직은 모델이 직접 수행할 수 있어 스택에서 가장 쉽게 대체돼요. 공개 가중치 모델은 애초에 이동 가능하도록 설계돼서, 모델 자체보다 이를 굴리는 추론 플랫폼(높은 처리량·낮은 지연)으로 가치가 옮겨가요. 반대로 같은 환경에 파이프라인·테이블·모델이 쌓일수록 이전 비용이 커지는 데이터 플랫폼, 자금만으로 단기에 못 푸는 물리적 병목(CoWoS 첨단 패키징·HBM·전력)을 쥔 곳은 값이 유지돼요. 자본 집약도 자체가 해자라, 연환산 5,000억 달러 넘는 설비투자를 계속 태워야 하는 시장에선 자본을 못 대는 플레이어가 밀려나요. 이게 닷컴 붕괴 이후 반도체를 떠나 80%+ 마진 SaaS로 갔던 자본 흐름이 AI로 정반대로 되돌려진 이유예요.

이 원리를 광고에 대입하면, ChatGPT 광고 포맷이 아무리 새로워도 그것만으론 예산이 안 움직여요. 대화형 광고의 진짜 승부처는 포맷이 아니라 어트리뷰션이에요. 왜냐하면 last-click 모델은 링크 클릭이라는 명확한 마지막 접점을 전제로 하는데, ChatGPT 대화 안에서는 사용자가 상품 추천을 받고 나서 다른 채널로 이탈해 구매하는 경로가 흔해 '마지막 클릭'이라는 앵커 자체가 사라져요. 그 빈자리를 LiveRamp의 퍼스트파티 아이덴티티 기반 측정이 메우느냐가 예산 이동을 가릅니다. 그런데 만약 OpenAI 계열과 Google 계열이 서로 다른 측정 로직을 표준화하면 크로스채널 성과 비교 자체가 불가능해져요. 그래서 실무자가 먼저 할 일은 예산 붙이기가 아니라 측정 호환성 검증이에요.

뉴스룸의 답도 같은 논리예요. AI 검색이 텍스트 트래픽을 요약으로 삼키니까, 요약·복제가 어려운 '특정 사람의 목소리와 관점'에 베팅한 거예요. 27%가 크리에이터에게서 뉴스를 얻는다는 건 신뢰의 단위가 masthead(매체명)에서 개인으로 내려갔다는 뜻이고, 이게 곧 '개인이라는 데이터 루프'예요.

이해관계·역학

발표를 액면 그대로 받으면 안 돼요. 각 플레이어의 숨은 유인을 뜯어보면 그림이 달라져요.

OpenAI가 2월 출시 후 단 한 분기 만에 셀프서브 매니저·conversions API·CPC 입찰까지 광고 생태계를 벼락치기로 완성한 건 우연이 아니에요. 추론이 가변 매출원가로 매출의 20% 넘게 먹는 사업 구조에서 광고는 즉시 현금이 도는 몇 안 되는 매출원이거든요. 더 날카롭게 보면, OpenAI가 Codex·워크스페이스 에이전트로 크리에이티브 제작까지 대행사에 밀어넣으려는 건 단순 부가 기능이 아니에요. 광고주를 (1)미디어 채널, (2)제작 도구 양쪽에 묶는 end-to-end 종속을 노리는 거예요. 이게 성공하면 광고 소재·전환 데이터·최적화 로그가 전부 OpenAI 안에서만 돌게 되고, 광고주의 데이터 루프가 그 안에 갇혀요. 원문이 지적한 대로 OpenAI가 증명해야 할 건 '실험 예산 너머의 지속 예산'인데, 종속 구조를 먼저 깔아두면 성과 증명 전에도 이탈을 막을 수 있어요. 지주사 4곳(Dentsu·WPP·Publicis·Omnicom)이 전부 에이전시 파트너로 붙은 것도, 클라이언트 예산의 관문을 선점하려는 OpenAI와 AI 미디어 수수료를 놓치기 싫은 지주사의 이해가 맞아떨어진 결과예요.

밑단 플레이어의 유인도 명확해요. NVIDIA는 총마진 75%·점유율 80%로 이익을 독식하고, 하이퍼스케일러는 연환산 5,250억 달러를 태우며 이 밑단에 자본을 쏟아부어요. 그럼 앱 레이어 벤더는 이 추론비 압박(매출의 23%)을 마케터에게 '성과 기반 가격'으로 전가하려 해요. 여기서 협상력은 데이터를 쥔 쪽이 가져가요. 고객 행동 데이터가 계속 쌓여 모델을 개선하는 구조를 광고주가 쥐고 있으면 인프라 비용 전가에 맞설 힘이 생기고, 그게 없으면 공개 모델값 내려가는 속도만큼 마케터 예산도 증발해요. 결국 '누가 데이터 루프를 소유하느냐'가 가격 협상의 전부예요.

TruGreen 사례가 이 균형을 실전으로 보여줘요. 미국 최대 잔디관리사이자 PGA TOUR 공식 잔디관리 제공사인 TruGreen은 270개 지점·15,000명·230만 고객을 굴리는데, 지점장이 오전 7시 크루 출발 전 신선한 보고서를 못 받는 게 문제였어요. 레거시 클라우드 데이터 창고가 리소스를 동적으로 확장 못 하고 비용은 오르며 루틴한 ERP 변경조차 하류 영향 파악에 몇 주가 걸렸거든요. Databricks SQL(Azure)·Unity Catalog·Lakeflow Spark Declarative Pipelines·서버리스 컴퓨트로 TruSight를 만들어 오전 6–7시 창에 보고서를 넣었어요. 그런데 냉정히 보면 (1)비용 절감은 Claude Sonnet 4.5 덕이 아니라 레거시 창고가 동적 확장이 안 되던 비효율의 반증이고, (2)ERP 변경 영향 조사가 몇 주에서 크게 준 것도 모델이 아니라 Unity Catalog 데이터 계보(lineage)의 성과예요. TruGreen이 Databricks를 ChatGPT·여러 Microsoft Copilot 변형·서드파티 커스텀 솔루션과 비교한 뒤 고른 이유도 Shane Irons의 말대로 "최고의 정확도와 비용, 그리고 개발자에게 주는 통제력(컨텍스트·LLM 선택 통제, 다른 제품에 있는 추가 제약 없음)"이었지 특정 모델의 화려함이 아니었어요. 독점 언어에 묶이거나 징벌적 연 지원비를 무는 걸 피하려는 개방성이 결정 기준이었고, 출력 품질은 MLflow의 LLM judges로 지점장에게 닿기 전에 검증했어요. 즉 이 사례의 승부처는 '어떤 LLM을 썼나'가 아니라 '데이터 파이프라인과 거버넌스를 누가 통제하나'였어요.

실무에 주는 함의

내일 점검할 것 세 가지예요.

1. 측정 호환성부터 검증하세요. ChatGPT·Google AI 광고를 붙이기 전에 두 진영의 어트리뷰션 로직이 기존 MMM·크로스채널 지표와 맞물리는지 테스트 프레임을 먼저 세워요. 구체적으로 (a)ChatGPT conversions API가 보내는 전환 정의가 자사 GA·CDP의 전환 정의와 같은 이벤트를 세는지 대조표를 만들고, (b)last-click을 대체할 로직(LiveRamp 아이덴티티 측정이든 자체 MMM이든)을 명세로 받아두세요. Q3부터 나올 고유 AI 광고 포맷을 붙일 때도 이 대조표가 있어야 예산 배분 근거가 서요.

2. AI 앱을 만들거나 살 때 마진 50–60%를 기본값으로 깔고 계산하세요. 추론비 23%를 원가에 미리 넣고 손익을 짜라는 뜻이에요. 차별화 없는 래퍼 수준이면 공개 모델값 하락과 함께 마진도 같이 증발해요. 독점 데이터 루프·기록 시스템·규제 워크플로·유통력·성과 기반 가격 중 최소 하나를 확보했는지 제품 전략에서 체크하고(원문이 든 다섯 방어선), 없으면 '왜 우리가 이걸 직접 만드나'부터 다시 물으세요.

3. 벤더보다 파이프라인·거버넌스에 먼저 투자하세요. TruGreen처럼 '운영 데드라인(예: 아침 6–7시 보고)'을 지키는 데이터 파이프라인과 데이터 계보부터 깔면 모델은 나중에 갈아 끼워도 돼요. 실제로 TruGreen은 External Models로 Claude를 서빙해 모델을 교체 가능하게 뒀어요. 서버리스 컴퓨트로 아침 피크 처리량을 감당한 것처럼, 우리 조직 레거시 창고가 동적 확장이 안 되는 지점이 어디인지, 절감 여지가 얼마인지부터 냉정하게 계산해보세요. 절감은 결과가 아니라 '레거시가 얼마나 비쌌나'의 지표예요.

추가로 B2C·에디토리얼 성격이 있는 브랜드라면 직원 개인의 시각성(visibility)을 획득·인게이지먼트 전략의 한 축으로 넣되(NYT가 기자 주도 영상을 1년 새 두 배로 늘린 것처럼), 스타 이탈 리스크에 대비해 매체 자체 IP를 남길 구조를 병행하세요.

리스크·반대 관점

과장될 수 있는 지점이 있어요. AI 광고 시장이 '진짜 사업'이 됐다지만 아직 OpenAI가 실험 예산을 넘어 지속 예산을 벌 수 있을지는 증명 전이에요. 원문도 "이제 실험 예산 이상을 벌 수 있음을 증명할 차례"이며 그 조건이 '고유한 포맷·경쟁사보다 나은 측정·제작과 배치를 아우르는 end-to-end 자원'이라고 못박아요. 측정·표준이 벤더별로 갈라지면 마케터는 비교 불가능한 데이터 조각을 떠안게 돼요.

인프라 밑단 편중도 순환적 리스크예요. 하이퍼스케일러 설비투자 연환산 5,250억 달러(2026년 6,000억 달러 이상 향함, 2025–2030 누적 5.3조 달러 추산)가 회수되려면 결국 앱 레이어에서 매출이 나와줘야 하는데, 정작 앱 마진은 추론비 23% 탓에 얇아지고 있어요. 이 두 흐름이 충돌하면 조정이 옵니다. 원자료도 짚듯 민간 자본은 원래 자본 집약·경기순환적인 반도체를 떠나 80%+ 마진 SaaS로 갔었는데 AI가 이 흐름을 되돌린 거라, 수요가 이 누적 투자를 못 받치면 반도체 특유의 경기순환이 되돌아와요.

개인 브랜드 베팅의 함정도 실무자가 놓치기 쉬워요. 기자·크리에이터에게 투자하면 그 사람이 나갈 때 팔로워도 따라 나가요. 신뢰의 단위가 매체에서 개인으로 내려갔다는 건, 데이터 루프를 조직이 아니라 개인이 쥐게 됐다는 뜻이거든요. 광고주 관점에선 '인플루언서 종속'이 '플랫폼 종속' 못지않은 리스크라, 육성 투자와 함께 매체·브랜드 자체 IP를 어떻게 남길지가 진짜 숙제예요.

자주 묻는 질문

ai 광고 사례 어떤 게 있나요

OpenAI가 2026년 2월 ChatGPT 광고를 시작해 8개국에 전개한 게 대표 사례예요. 셀프서브 광고 매니저·conversions API·CPC 입찰을 갖췄고, adtech(Criteo·StackAdapt·Pacvue·Kargo)와 Adobe, 지주사 4곳, 측정의 LiveRamp가 붙었어요. Sensor Tower 데이터로 본 최대 광고주는 소매업체인데 자사 브랜드가 아니라 상품 광고를 대량으로 집행했어요. AI 쇼핑 대화가 상품 중심이라 상품 relevance가 브랜드 인지도보다 유리하다는 신호예요.

2026 ai 마케팅 트렌드 핵심은 뭔가요

가치가 얇은 앱 레이어에서 밑단(반도체·추론 인프라)과 독점 데이터 루프로 이동하는 게 핵심 흐름이에요. NVIDIA 데이터센터 매출 752억 달러(92% 증가)·마진 75%·점유율 80%인 반면, AI 앱은 추론비가 매출의 23%를 먹어 마진이 50–60%로 낮아져요. AI 광고에선 포맷보다 어트리뷰션 표준이 예산 이동을 가르고, 차별화 없는 래퍼는 공개 모델값 하락과 함께 마진이 증발해요.

anthropic claude 란 무엇이고 실무에 어떻게 쓰나요

Claude는 Anthropic의 대규모 언어 모델이에요. TruGreen은 Claude Sonnet 4.5를 Databricks Model Serving(External Models)로 서빙하고 Databricks SQL·Unity Catalog와 결합해 지점장용 AI 보고 솔루션 TruSight를 만들었어요. 하지만 성과(비용 절감, ERP 조사 시간 단축)는 모델보다 데이터 파이프라인과 거버넌스·데이터 계보에서 나왔고, 벤더 선정 기준도 ChatGPT·Copilot 변형과 비교한 끝에 정확도·비용·개발 통제력이었어요.

ai 기반 마케팅 전략, 예산을 어디에 먼저 써야 하나요

벤더에 서둘러 붙이기보다 측정 호환성 검증, 독점 데이터 루프 확보, 데이터 파이프라인·거버넌스 투자 순서로 가세요. 대화형 광고는 conversions API 전환 정의가 자사 지표와 같은 이벤트를 세는지 대조표부터 만들고, AI 앱은 추론비 23%를 원가에 넣어 마진 50–60%를 기본값으로 두고 방어 가능한 데이터 자산이 있는지부터 확인해요.

마케팅 자동화 사례에서 비용은 얼마나 줄었나요

TruGreen은 레거시 클라우드 데이터 창고에서 Databricks로 옮겨 270개 지점 지점장이 오전 6–7시 창에 보고서를 받게 했고, 서버리스 컴퓨트로 아침 피크 처리량을 감당했어요. ERP 변경 영향 조사 시간도 크게 단축했고요. 다만 절감은 기존 창고가 동적 확장이 안 되던 비효율의 반증이기도 하니, 자사 레거시 정리 여지를 먼저 계산하는 게 현실적이에요.