생성형 이미지의 초기 경쟁은 단순했다. 프롬프트를 넣었을 때 얼마나 그럴듯한 그림을 만드는지가 중요했다. 지금은 문제가 달라지고 있다. OpenAI는 9월 8일 공개한 ChatGPT Images 2.5에서 참고사진의 피사체를 더 잘 보존하고 여러 번의 편집 지시를 더 안정적으로 따르며, Images 2.0보다 생성 지연을 최대 50% 줄였다고 밝혔다.[^1]
Adobe도 비슷한 방향으로 움직인다. Firefly는 생성과 편집, 자산 관리, 영상 타임라인을 한 공간에 묶는 새 작업환경을 9월 공개했고, 이미 여러 생성모델을 오가면서 결과를 계속 수정하는 방식으로 제품을 확장하고 있다.[^2]
이 변화가 누적되면 창작자의 핵심 문제는 “이미지를 만들 수 있는가”에서 멀어진다. 오히려 수십 개의 그럴듯한 결과 중 무엇을 남길지, 어떤 결과가 브랜드와 목적에 맞는지, 수정 과정에서 무엇을 보존해야 하는지를 판단하는 비용이 더 커진다.
생성 비용이 내려갈수록 판단이 비싸진다. AI 창작의 다음 병목은 이미지 생성 그 자체보다 선택, 일관성, 의도와 검증에 가까워지고 있다.
좋은 이미지 하나를 만드는 것과 캠페인을 만드는 것은 다른 일이다
한 장의 이미지를 생성하는 데 성공했다고 해서 광고 제작이 끝나는 것은 아니다. 실제 캠페인에서는 제품의 모양, 로고, 색상, 조명, 인물, 타이포그래피와 전체 분위기가 여러 자산에서 일관돼야 한다. 세로 영상과 정사각형 소셜 이미지, 배너, 제품 상세페이지가 서로 다른 브랜드처럼 보이면 개별 이미지의 품질이 높아도 사용할 수 없다.
Adobe Firefly를 활용한 커피 브랜드 캠페인 제작 사례를 보면 이 문제가 잘 드러난다. 처음부터 브랜드의 딥 그린 색을 정하고, 생성한 이미지에서 컵이나 원두처럼 수정할 영역만 지정한 뒤 나머지 조명과 그림자를 유지하면서 편집한다. 이후 같은 결과를 reference로 사용해 다른 비율과 영상 자산으로 확장한다.
이 워크플로의 핵심은 “AI가 예쁜 이미지를 만들어준다”가 아니다. 한 번 만든 의도를 다음 수정에서도 얼마나 보존할 수 있는가다.
OpenAI의 Images 2.5 발표도 같은 지점을 강조한다. 더 자연스러운 조명이나 질감뿐 아니라 reference subject preservation과 multi-turn editing reliability가 주요 개선점으로 제시됐다. OpenAI에 따르면 ChatGPT Images와 API의 GPT-Image 계열을 통해 매주 30억 개가 넘는 이미지가 생성되고 있다.[^1]
이미지 공급량이 그 정도로 커졌다면 생성 자체는 점점 희소한 능력이 아니게 된다. 희소한 것은 무엇을 만들 것인지 정하고, 반복 과정에서 원래의 목적을 잃지 않는 능력이다.
생성 모델의 발전이 오히려 ‘선택 비용’을 늘릴 수 있다
생성 품질이 낮을 때는 후보 대부분이 쉽게 탈락한다. 손가락이 이상하거나 제품 형태가 바뀌고 텍스트가 깨지면 버리면 된다.
품질이 올라가면 판단은 더 어려워진다. A안과 B안 모두 기술적으로 괜찮지만 어느 쪽이 브랜드에 더 맞는지, 무엇이 다른 캠페인과 구분되는지, 소비자가 어떤 이미지를 더 신뢰할지는 자동으로 결정되지 않는다.
이는 단순한 미적 취향 문제가 아니다. 생성할 수 있는 후보의 수가 급증하면 탐색 공간도 함께 커진다. 후보를 4개 만들던 사람이 40개를 만들 수 있게 되면 선택에 필요한 시간이 같은 비율로 줄어드는 것은 아니다. 오히려 모든 결과가 “나쁘지 않은” 수준이 되면 미세한 차이를 판별하는 일이 더 중요해진다.
Taste Labs가 최근 내세우는 문제의식도 여기에 있다. 회사는 “AI가 무엇이든 생성하기 쉽게 만들었지만, 이제 어려운 것은 무엇을 만들고 무엇이 좋은지 아는 것”이라고 설명한다.[^3] 이 회사가 주관적인 디자인 품질을 데이터와 평가시스템으로 바꾸려는 이유다.
‘취향’은 감각이 아니라 운영 가능한 제약으로 바뀌고 있다
취향(taste)이라는 단어는 보통 자동화하기 어려운 개인 감각처럼 들린다. 하지만 실제 브랜드 작업에서 상당 부분은 구체적인 제약으로 분해할 수 있다.
어떤 색을 쓰는지, 어떤 폰트와 여백을 선호하는지, 그림자는 얼마나 강한지, 모션은 빠른지 느린지, 사진의 대비와 질감은 어떤지 같은 요소다. 이런 항목이 구조화되면 생성 단계의 prompt에 넣을 수도 있고 결과를 검사하는 기준으로도 사용할 수 있다.
Taste Labs의 Brand API는 URL 하나에서 로고, 색상 팔레트, 폰트, 모션, 텍스처와 그림자 같은 브랜드 시스템을 추출하고, 생성된 자산이 이 시스템을 따르는지 검증하는 기능을 제시한다.[^4]
이 접근이 완벽한 미적 판단을 자동화한다는 뜻은 아니다. 오히려 반대에 가깝다. “좋아 보인다”처럼 모호한 요구를 그대로 모델에 맡기지 않고, 반복해서 확인할 수 있는 일부 기준으로 바꾸려는 시도다.
Adobe가 custom model을 통해 특정 스타일·캐릭터·사진 룩을 재사용하도록 하는 것도 같은 수요에 대응한다. Adobe는 브랜드가 여러 매체와 캠페인에서 시각적 정체성을 유지하려면 지속적인 일관성이 필요하다고 설명한다.[^5]
모델의 생성 능력이 상향 평준화될수록 이런 context와 verification layer의 가치가 커질 수 있다.
그렇다고 ‘인간의 감각만 남는다’고 결론내리면 너무 쉽다
AI가 반복 작업을 하고 인간이 최종 취향만 담당한다는 설명은 직관적이지만 충분하지 않다. 판단 역시 자동화의 대상이기 때문이다.
이미 이미지 모델은 reference를 비교하고 영역별 지시를 따르며 여러 차례 편집을 유지한다. 브랜드 규칙도 구조화해 검사할 수 있다. 사용자가 과거에 선택한 결과에서 preference를 학습하면 후보 ranking도 개선할 수 있다.
따라서 미래의 분업을 “AI는 생성, 인간은 선택”으로 고정하기 어렵다. 더 현실적인 구조는 생성 → 자동 평가 → 후보 축소 → 인간 판단 → 수정 → 재검증처럼 여러 번의 선택이 이어지는 형태일 가능성이 높다.
이때 인간의 역할도 모든 자산을 직접 고르는 것에서, 무엇을 평가해야 하는지 정의하고 예외적인 결과에 개입하는 방향으로 이동할 수 있다.
중요한 것은 생성과 평가가 서로 다른 능력이라는 점이다. 모델이 이미지를 잘 만드는 속도와 그 이미지가 특정 브랜드·목적에 적합한지 판별하는 능력은 같은 속도로 발전할 필요가 없다.
도구 경쟁도 ‘최고 모델 하나’에서 워크플로 경쟁으로 이동한다
Adobe의 최근 제품 방향은 이 변화를 잘 보여준다. Firefly는 자체 모델만 제공하는 것이 아니라 OpenAI, Google, Runway 등 여러 모델을 같은 환경에 넣고, 결과를 다른 모델이나 편집도구로 이어서 다듬을 수 있게 한다.[^5]
9월 8일 업데이트된 새 Firefly 생성·편집 환경은 이미지와 영상 생성, 편집, 프로젝트 자산 관리, generation history와 video timeline을 한 workspace에 묶었다.[^2]
사용자 입장에서는 어떤 한 모델이 모든 영역에서 1등일 필요가 줄어든다. 첫 번째 모델로 제품 이미지를 만들고, 다른 모델로 변형한 뒤, 편집 도구로 특정 부분을 고치고, 브랜드 기준에 맞는지 확인하는 방식이 가능해진다.
그렇게 되면 경쟁의 단위도 모델 benchmark만이 아니다. 얼마나 쉽게 reference를 유지하는지, 수정 이력이 끊기지 않는지, 브랜드 자산과 연결되는지, 여러 사람이 검토하고 승인할 수 있는지가 제품 가치를 결정한다.
창작 AI가 Photoshop이나 Figma 같은 기존 도구를 단순히 대체하는 것이 아니라 그 안의 workflow를 다시 구성하는 방향으로 가는 이유다.
브랜드에게는 ‘더 많이 만들기’가 반드시 좋은 소식은 아니다
생성비용 하락의 첫 번째 반응은 보통 콘텐츠 수를 늘리는 것이다. 같은 인력으로 더 많은 광고 변형을 만들고, 더 많은 시장과 채널을 테스트할 수 있다.
하지만 자산 수가 늘면 관리해야 할 일관성도 커진다. 수백 개의 이미지 중 일부에서 제품 색상이 달라지거나, 브랜드 톤과 맞지 않는 표현이 반복되거나, 캠페인별 메시지가 충돌할 수 있다.
즉 AI는 production bottleneck을 풀면서 새로운 governance bottleneck을 만들 수 있다. 이는 거창한 규제의 문제가 아니라 실무적인 creative operations 문제다.
어떤 reference를 canonical하게 볼지, 어떤 변경은 허용하고 어떤 변경은 거부할지, 어떤 단계에서 사람이 승인할지 정해야 한다. 생성량이 많아질수록 이런 기준이 없을 때 생기는 재작업 비용도 커진다.
이 점에서 “AI slop”은 단순히 못생긴 그림을 뜻하지 않는다. 기술적으로 그럴듯하지만 어디서 본 듯하고, 맥락과 맞지 않으며, 만든 사람의 의도가 잘 보이지 않는 콘텐츠가 대량으로 쌓이는 문제에 가깝다.
다음 생산성 지표는 ‘이미지 한 장의 생성시간’이 아닐 수 있다
Images 2.5처럼 generation latency가 절반 가까이 줄어드는 것은 분명한 생산성 향상이다.[^1] 하지만 실제 조직에서 더 중요한 숫자는 다른 곳으로 이동할 수 있다.
첫 시안에서 최종 승인까지 몇 번 수정했는지, 한 자산을 여러 채널로 확장할 때 브랜드 위반이 얼마나 발생했는지, 후보 중 실제 사용되는 비율은 얼마인지, 사람이 검토해야 하는 자산 수를 자동 평가가 얼마나 줄였는지 같은 지표다.
생성 속도가 빨라져도 검토와 수정에 더 많은 시간이 들면 전체 campaign cycle은 크게 단축되지 않는다. 반대로 생성모델 자체가 조금 느려도 reference preservation과 편집 제어가 좋아 재작업이 줄어들면 실제 생산성은 높아질 수 있다.
따라서 창작 AI를 평가할 때 quality per generation만 보는 것은 점점 부족해진다. 최종적으로 사용할 수 있는 자산 하나를 만드는 데 필요한 생성·선택·수정·검증의 총비용을 봐야 한다.
생성의 민주화 다음에는 판단의 인프라가 필요해진다
이미지를 만드는 능력은 빠르게 보편화되고 있다. 좋은 결과를 만들기 위해 전문적인 prompt 기술이 필요한 구간도 줄어들 가능성이 높다. 사용자는 스케치를 그리고, 이미지 위에 직접 코멘트를 달고, reference를 제공하는 방식으로 모델과 상호작용하게 된다.[^1]
그럴수록 경쟁력은 “누가 이미지를 생성할 수 있는가”보다 누가 무엇을 만들어야 하는지 알고, 좋은 후보를 골라내며, 그 선택을 반복 가능한 시스템으로 유지하는가로 이동한다.
이 변화는 인간 창작자의 가치가 자동으로 더 높아진다는 낭만적인 결론도 아니고, AI가 곧 모든 디자인 판단까지 대체한다는 결론도 아니다.
더 현실적인 변화는 생산과 판단이 분리되는 것이다. 생성은 싸고 풍부해지고, 선택과 검증도 일부 자동화되면서 새로운 도구 시장이 생긴다. 사람은 그 위에서 목적과 기준, 예외를 정의한다.
AI 이미지의 품질이 계속 좋아진다면 가장 부족한 것은 이미지가 아닐 가능성이 높다. 무엇을 남기고 무엇을 버릴지 결정할 수 있는 맥락과 판단 체계가 다음 희소자원이 된다.
Sources
[^1]: OpenAI, Introducing ChatGPT Images 2.5, 2026-09-08 [^2]: Adobe, New generation and editing experience overview, updated 2026-09-08 [^3]: Taste Labs, The taste layer for AI [^4]: Taste Labs, Introducing: The Brand API [^5]: Adobe, Adobe Firefly expands video and image creation with new AI capabilities and custom models, 2026-03-19