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, Google은 2024년 Meridian을 내놨죠. Apple의 추적 제한과 각국 규제로 개인 단위 추적이 막히면서 채널별 기여도를 통계로 추정하는 MMM이 다시 떠올랐거든요. AdExchanger 취재에 따르면 Google은 Meridian 채택을 영업 KPI에 걸 만큼 밀어붙이는 반면 Meta는 Robyn을 조용히 축소하는 중이에요.

둘째, MarTech는 이 오픈소스 도구가 150만~500만 달러대 컨설팅 비용을 없앴다고 짚으면서도, 무료 도구가 무료 모델을 뜻하진 않는다고 선을 그었어요. 2–3년치 주간 데이터를 채널별로 정합성 맞춰 붙이는 작업, adstock·saturation 곡선을 비즈니스 상식으로 검증하는 일은 그대로 남아요.

셋째, OpenAI는 GPT-4에서 GPT-5.6까지 토큰 100만 개당 가격을 97% 내렸어요. GPT-5.6은 코딩 에이전트 벤치마크에서 출력 토큰을 54% 줄이고 작업당 시간을 57% 단축했다고 밝혔고요. 여기에 국내 한 게임사가 Google AI로 마케팅해 매출 3배가 됐다는 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. 도구를 공짜로 뿌리는 쪽이 그 모델의 사전분포(prior)와 채널 정의를 쥐어요. Meridian 채택을 영업 KPI에 건다는 대목만 봐도 이건 중립적 측정 표준이 아니라 채널 귀속 싸움의 연장선이에요. 오픈소스라 코드가 투명한 것과 그 결과가 중립적인 것은 완전히 다른 얘기죠. 광고주가 saturation·adstock 파라미터와 baseline 설정을 직접 열어보지 않으면, 플랫폼에 유리하게 세팅된 숫자를 그대로 예산 배분 근거로 쓰게 돼요.

토큰 가격도 똑같은 함정이 있어요. 단가 97% 인하는 반가운 헤드라인이지만 agentic 워크플로우로 넘어가면 작업 하나당 호출 횟수가 몇 배로 늘어요. 단가는 내려도 총비용은 오히려 오르는 경우가 많죠. OpenAI 원문도 토큰 가격만으로는 AI가 가치를 만드는지 알 수 없다며 useful work per dollar, 즉 완수한 작업·절감한 시간·개선된 의사결정을 보라고 명시해요. 여기서 놓치기 쉬운 게 실패·환각으로 사람이 다시 검수하는 숨은 인건비예요.

게임사 매출 3배 사례도 같은 틀로 읽어야 해요. 벤더가 자사 도구 성과로 내세운 숫자고, 게임 마케팅은 신작 출시 타이밍과 시즌성으로 원래 매출이 몇 배씩 출렁여요. AI 도구 도입이 진짜 인과인지 단순 상관인지 대조군 없이는 분리가 안 돼요. 값이 싸질수록 실무자에게 필요한 건 도구 선택 능력이 아니라 숫자를 의심하고 교차검증하는 판단력이에요.

실무에 주는 함의

MMM을 검토한다면 소프트웨어 선택보다 데이터 거버넌스와 모델 검증 역량 확보가 ROI를 좌우해요. Robyn·Meridian·PyMC-Marketing 중 뭘 고르든 2–3년치 주간 데이터를 채널별로 정합성 맞춰 붙이는 파이프라인부터 세워야 해요. AI 어시스턴트가 스크립트는 짜주지만, Pareto frontier에서 어떤 해를 고를지, adstock 곡선이 비즈니스 상식에 맞는지는 결국 사람이 판단해요. 도구 도입 전에 모델을 읽을 줄 아는 인력부터 확보하는 게 순서예요.

무료 MMM 숫자는 그대로 믿지 말고 incrementality 실험이나 제3자 검증과 교차하세요. 필요하면 파라미터를 직접 커스터마이징하거나 독립 측정 업체와 병행하는 것도 방법이에요.

AI 비용은 단가가 아니라 업무 단위로 측정하세요. 업무 하나 완수하는 데 든 총토큰과 재시도 비용을 단위로 잡아야 진짜 효율이 보여요. ChatGPT Work의 Admin Console은 사용자·제품·모델별 채택률과 크레딧 사용, 지출을 보여주지만, 우리 업무를 어떤 단위로 쪼개 측정할지는 벤더가 아니라 내부에서 정의해야 해요. 이걸 안 하면 대시보드만 화려하고 의사결정은 여전히 감으로 하게 돼요. 저렴한 모델과 성능 좋은 모델을 작업 복잡도에 맞춰 나눠 쓰고, 탐색·검증·프로덕션 단계별로 자금을 포트폴리오처럼 배분하는 것도 원문이 제시한 전략이에요.

GA4를 CRM·CDP와 양방향 연동해두면 A/B 테스트 결과가 매출·리드 품질·생애가치 같은 사업 지표와 실시간으로 붙어요. 벤더 사례의 매출 몇 배가 아니라 어떤 캠페인에서 ROAS나 CPI가 얼마나 개선됐는지, 대조군을 두고 검증했는지를 따질 수 있는 측정 인프라부터 갖추는 게 먼저예요.

리스크·한계

오픈소스 MMM의 가장 큰 리스크는 투명성을 신뢰로 착각하는 거예요. 코드가 열려 있어도 사전분포와 채널 정의가 배포한 플랫폼에 유리하게 설계됐을 수 있어요. Amazon처럼 이해관계를 명확히 드러내는 방식과 달리 Google·Meta 도구는 중립을 표방하지만 검증 없이 표준으로 받아들이면 채널 귀속이 왜곡돼요.

GPT 가격 인하도 헤드라인 숫자를 총소유비용으로 읽으면 곤란해요. agentic 확산으로 호출이 폭증하는 상황에서 재시도·검수 인건비까지 계산하지 않으면 실제 청구서는 예상을 넘어요. Snowflake Cortex의 CoCo AI 같은 FinOps 도구가 조직·서비스·사용자 수준 예산 관리를 돕지만, 어느 팀이 얼마 썼고 ROI가 있는지 판단하는 기준은 여전히 내부 몫이에요.

게임사 매출 3배 같은 벤더 사례는 인과 검증 없이 인용하면 위험해요. 시즌성과 신작 효과를 통제하지 않은 성공담은 마케팅 전략의 근거로 쓰기 어려워요.

자주 묻는 질문

마케팅 자동화 툴이나 MMM 도구는 무료면 그냥 써도 되나요

무료 도구가 무료 모델을 뜻하진 않아요. Robyn·Meridian은 라이선스 비용을 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% 내렸지만 agentic 워크플로우에선 작업당 호출이 몇 배로 늘어 총비용이 오히려 커질 수 있어요. 업무 하나 완수에 든 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 출렁여요. AI 도입이 인과인지 상관인지 대조군을 두고 ROAS·CPI 개선을 따져야 배울 게 남아요.

ai 마케팅 전략에서 측정은 어떻게 시작하나요

도구 선택보다 측정 인프라가 먼저예요. GA4를 CRM·CDP와 양방향 연동해 테스트 결과를 매출·리드 품질과 실시간으로 붙이고, 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. 코드가 열려 있어도 파라미터와 baseline을 직접 열어보고 교차검증하지 않으면 채널 귀속이 왜곡될 수 있어요.