광고 이미지 열두 장을 만드는 데 걸리는 시간이 줄었다고 가정해보자. 과거에는 먼저 한 장을 완성하는 것이 과제였다면, 이제는 열두 장 가운데 어떤 것을 버리고 무엇을 실제 고객에게 보여줄지 결정해야 한다. 제목의 ‘열두 장’은 이 변화를 설명하기 위한 가정이다. 특정 기업에서 AI가 정확히 열두 장을 만들어 성과를 올렸다는 실증 수치를 의미하지 않는다.
생성형 AI가 바꾸는 것은 제작비만이 아니다. 조직 안에서 시간이 쓰이는 위치도 달라진다. 시안 생성에 쓰던 시간의 일부가 브랜드 일관성, 광고 문구의 사실성, 매체 정책, 성과 실험으로 이동한다. 생성 속도가 빨라질수록 이런 검수를 뒤로 미루는 관행이 더 위험해질 수 있다.
광고의 생산성과 광고의 성과를 같은 숫자로 측정하면 이 변화는 잘 보이지 않는다. 이미지를 열두 장 만들었다는 사실은 제작 활동을 말한다. 고객이 메시지를 이해하고, 광고를 신뢰하고, 실제 행동으로 이어졌는지는 별도의 증거가 필요하다.
후보가 늘수록 선택의 기준이 먼저 필요해진다
네 장에서 한 장을 고르던 팀이 단숨에 열두 장을 만들게 되면, 결과가 세 배 좋아지는 것은 아니다. 더 많은 후보는 새로운 시도에 도움이 되지만 무엇이 좋은 후보인지 판단하는 기준도 함께 요구한다. 광고 목적이 브랜드 인지도인지, 제품 이해인지, 첫 구매인지에 따라 같은 이미지의 평가도 달라진다.
예를 들어 신규 고객 대상 광고에 제품 사진은 아름답지만 무슨 문제를 해결하는지 적혀 있지 않다면, 시각적 완성도만으로 통과시키기 어렵다. 반대로 매출 전환이 목적이라면 제품을 알아보기 쉽고 다음 행동이 분명한 소재가 우선일 수 있다. 이 판단은 ‘취향’만의 문제가 아니라 캠페인의 목적과 연결된 결정이다.
첫 선별에서 정해야 할 것은 대단한 점수 체계가 아니다. 누구에게, 어떤 문제를, 어떤 근거로, 어떤 행동까지 연결하려는가. 이 네 질문에 답하지 못하는 후보를 먼저 제외하는 것만으로도 검수 부담을 줄일 수 있다. 모든 후보를 같은 깊이로 살펴보는 것은 많은 이미지를 만들어 놓고 다시 사람의 시간을 소진시키는 방법이다.
같은 브랜드의 광고라면, 함께 놓았을 때도 같은 목소리여야 한다
좋아 보이는 개별 결과 여러 장을 모았는데 정작 하나의 브랜드처럼 보이지 않는 경우가 있다. 색상과 글꼴을 통일했다고 해결되는 것도 아니다. 어떤 광고는 전문성을 강조하고 다른 광고는 과장된 유행어로 관심을 끈다면, 캠페인 전체의 메시지가 갈라진다.
검수할 것은 크게 세 가지다. 첫째는 메시지다. 고객이 한눈에 이해할 수 있는 핵심 제안이 있고, 그 제안이 다른 광고와 충돌하지 않아야 한다. 둘째는 시각적 정체성이다. 승인된 브랜드 자산, 제품 형태, 색감, 타이포그래피와 이미지 톤을 확인한다. 셋째는 고객과 채널의 적합성이다. 긴 설명이 필요한 웹페이지 소재와 손가락으로 넘기며 보는 인스타그램 소재는 같은 문장량과 화면 구성을 요구하지 않는다.
이때 생성형 AI를 이용한 반복 수정은 도움이 될 수 있지만, 수정된 그림이 기존 제품 이미지나 로고를 보존했다는 이유만으로 그 광고가 최종 승인된 것은 아니다. ‘브랜드답다’는 판단 가운데 정형화할 수 있는 부분은 규칙으로 검증하고, 해석이 필요한 부분은 담당자의 리뷰에 남기는 구조가 효율적이다.
사실과 정책 검수는 마지막 장식이 아니라 게시의 전제다
AI가 만든 광고는 인상적으로 보이더라도 숫자, 제품 구성, 고객 후기, 효능 또는 할인 조건을 잘못 제시할 수 있다. 특히 이미지 속 글자는 작거나 그럴듯한 형태로만 남아 오류를 놓치기 쉽다. 따라서 검수의 출발점은 “보기 좋은가”보다 **“실제로 확인한 사실만 말하고 있는가”**다.
미국 연방거래위원회(FTC)의 기본 원칙은 광고의 주장이 진실하고 오해를 일으키지 않으며 적절한 근거를 갖추어야 한다는 것이다.[^ftc] Google Ads 역시 광고 내용과 제품·서비스를 오인하게 하는 표현, 실제 작동하지 않는 인터페이스를 광고에 넣는 방식 등을 정책으로 제한한다.[^google] 이는 미국·특정 플랫폼의 공식 원칙이고, 한국에서 실제 집행하는 광고에는 별도의 국내 법령과 매체 심사 기준을 확인해야 한다.
검수는 구체적이어야 한다. ‘업계 1위’라는 표현은 기준과 조사기관이 있는지 확인한다. ‘구매 전환율 30% 개선’ 같은 수치는 실험 대상, 기간, 분모와 대조군을 요구한다. 실제 고객이 작성하지 않은 후기를 마치 진짜 후기처럼 배치하지 않는다. 생성한 사람의 사진이나 특정 브랜드와의 제휴를 암시하는 소재는 사용권과 동의 범위를 확인한다.
광고를 게시하기 전에는 문구뿐 아니라 모바일 크기에서 텍스트가 정확히 읽히는지, 잘림이나 오탈자가 없는지, 플랫폼이 금지하는 인터페이스 모방이나 오해 소지가 없는지도 살펴야 한다. 모든 이미지를 자동 생성해 놓고 사람은 마지막에 ‘좋아요’를 누르는 방식으로는 책임 경계가 불분명하다.
좋은 광고는 만들기보다 운영하면서 구별된다
검수를 마친 광고가 반드시 잘 팔리는 것은 아니다. 안전하고 정확한 광고와 원하는 행동을 이끌어 내는 광고는 별도의 평가 질문이다. 우선 사실·브랜드·정책·시각 품질을 통과한 후보를 대상으로 제한된 실험을 해야 한다. 실험 뒤에는 노출수나 클릭률만 아니라 고객이 실제로 수행한 행동까지 가능한 범위에서 확인한다.
Stripe의 결제수단 A/B 테스트 사례는 광고 소재 시험 자체는 아니지만, 무엇을 ‘성과’로 볼지 정하는 데 좋은 비교 사례다. Stripe는 결제 경험의 두 조건을 비교하면서 전환율뿐 아니라 평균 주문액과 세션당 평균 매출을 함께 보여주고, 환불·분쟁 같은 요인도 사업자가 이해해야 할 결과로 언급한다.[^stripe-ab] 겉으로 보이는 클릭 수와 최종 사업 성과가 같지 않다는 점을 보여준다. 이 사례를 ‘Stripe가 AI 광고 열두 장을 만들어 성과를 냈다’는 주장으로 바꾸어서는 안 된다.
광고 소재도 같은 원리가 적용된다. 두 후보를 비교할 때 노출 대상과 기간, 랜딩페이지, 실제 구매 흐름이 모두 달라진다면 어느 소재의 효과인지 구분하기 어렵다. 실험 기준과 측정 이벤트를 먼저 정하고, 후보의 버전과 적용 시각을 기록해야 한다. 결제·회원가입·문의처럼 결과 지표를 확인하기 어렵다면 그 한계를 명시하고 중간 단계의 지표로만 판단한다.
실패한 후보의 기록도 버릴 필요가 없다. 어떤 문구가 오해를 만들었고, 어떤 시각 요소가 브랜드와 어긋났으며, 무엇을 수정한 뒤 결과가 달라졌는지가 다음 제작의 기준이 된다. 자동화가 유용해지는 순간은 매번 처음부터 시안을 뽑을 때가 아니라 검수에서 확인한 문제를 다음 생성에 반영할 때다.
광고 운영의 숫자는 제작 장수에서 승인·사용·성과로 이동한다
조직이 생성형 AI를 도입해 광고 제작 시간을 줄였다면, 이후에는 최소한 세 단계를 나눠 측정하는 편이 낫다. 제작 단계에서는 후보 수와 생성·편집 시간을, 승인 단계에서는 기준 통과율·수정 횟수·승인까지 걸린 시간을, 성과 단계에서는 실제로 게시한 자산의 참여·전환·매출 기여를 본다. 마지막 결과가 확인되지 않았는데 전체 프로세스가 성공했다고 결론내리기 어렵다.
이 지표들은 어느 하나만 최적화하면 부작용이 생긴다. 검수 통과율을 올리기 위해 기준을 느슨하게 만들 수도 있고, 클릭률을 높이기 위해 지나치게 자극적인 문구를 선택할 수도 있다. 그래서 안전성·정확성 같은 게시 전 통과 조건과 전환·수익 같은 게시 후 성과 조건을 혼동하지 않아야 한다.
Meta는 2026년 6월 광고 투명성 안내를 업데이트하면서 자사 생성형 AI 광고 도구뿐 아니라 일정 조건에서 서드파티 AI 도구로 제작된 광고에 대해서도 관련 정보를 제공하기 시작한다고 설명했다.[^meta] 생성 방식과 책임을 둘러싼 정보가 광고 운영의 일부가 되고 있다는 뜻이다. 그러나 이런 안내만으로 모든 지역·모든 광고에 동일한 표시가 적용된다고 일반화해서는 안 된다.
실무적으로 필요한 것은 수백 개의 파일을 보관할 새로운 대시보드보다 간단하고 확실한 이력이다. 어떤 원고와 이미지가 원본인지, 무엇을 근거로 통과했는지, 어떤 버전을 언제 배포했고, 이후 어떤 결과가 확인됐는지 연결돼 있으면 된다. 승인과 게시, 게시와 성과 측정을 다른 상태로 관리해야 하는 이유다.
열두 장의 결과 중 마지막에 남겨야 할 것
좋은 광고는 단순히 생성된 이미지가 아름다운 광고가 아니다. 정확한 정보를 전달하고, 특정 고객에게 필요한 이유를 제시하며, 브랜드의 목소리를 지키고, 실제 채널에서 검증된 결과를 남기는 광고다. 생성형 AI가 제작의 문턱을 낮추더라도 그 네 가지가 자동으로 따라오지는 않는다.
따라서 광고 제작에서 다음 생산성 지표를 하나 고른다면 ‘몇 장을 만들었는가’보다 **‘검수를 통과해 실제 사용된 자산 하나를 만드는 데 무엇이 들었고, 그 결과를 어떻게 설명할 수 있는가’**가 더 유용할 수 있다.
검수는 창의성을 방해하기 위한 절차가 아니다. 선택이 많아진 환경에서 어떤 창의성을 실제 세상에 내보낼지 결정하는 장치다. 열두 장을 만들 수 있게 된 시대의 과제는 열세 번째 이미지를 더 빨리 생성하는 것이 아니라, 앞서 만든 열두 장 가운데 무엇이 남아야 하는지 설명하는 능력이다.
참고자료
[^ftc]: 미국 연방거래위원회(FTC), Advertising and Marketing. 광고 주장의 사실성·비기만성·근거에 관한 일반 원칙. [^google]: Google Ads, Misrepresentation policy. 광고에서의 오해 소지가 있는 표현과 디자인 제한. [^stripe-ab]: Stripe, How we built it: Payment method A/B testing, 2024-11-12. 광고 크리에이티브 실험이 아니라 결제 방법 실험의 평가 설계 사례. [^meta]: Meta, Expanding GenAI Transparency for Meta’s Ads Products, 2026-06-01 업데이트. AI 생성·편집 광고에 관한 투명성 설명.