광고 업계에서 ‘AI 에이전트’라는 말이 유행어처럼 떠돌던 시기는 지났습니다. 애드테크 기업 AI Digital이 미디어 플래닝과 캠페인 분석을 담당하는 AI 슈퍼에이전트 ‘Ellie’를 공개했습니다. 사람이 엑셀과 대시보드 사이를 왕복하며 하던 일을 소프트웨어가 대신 가져가겠다는 선언에 가깝습니다. 광고를 집행하는 쪽이라면 한 번은 들여다볼 만한 사건입니다.
30초 요약
- Ellie 공개: AI Digital이 미디어 플래닝과 캠페인 분석을 위한 AI 슈퍼에이전트 Ellie를 내놨습니다.
- 탑재 위치: Ellie는 별도 앱이 아니라 AI Digital의 마케팅 인텔리전스 플랫폼 ‘Elevate’ 안에 내장된 형태입니다.
- 슈퍼에이전트란: 질문에 답만 하는 챗봇이 아니라, 여러 단계의 작업을 스스로 이어서 처리하는 쪽에 가까운 개념입니다.
- 실무 포인트: 미디어 플래닝과 캠페인 리포팅은 반복 작업 비중이 높아 자동화 효과를 체감하기 쉬운 영역입니다.
- 주의할 점: 발표 자료만으로는 성능을 검증할 수 없습니다. 자동화 도입은 데이터 정합성과 판단 기준을 먼저 정리한 뒤가 순서입니다.
1. 무슨 일이 있었나
AI Digital이 Ellie라는 이름의 AI 슈퍼에이전트를 발표했습니다. 역할은 두 가지로 요약됩니다. 미디어 플래닝, 그리고 캠페인 분석입니다. 광고 예산을 어디에 어떻게 배분할지 설계하는 일과, 집행한 결과를 뜯어보고 해석하는 일입니다. 광고 운영의 앞단과 뒷단을 모두 건드리는 셈입니다.
중요한 디테일이 하나 있습니다. Ellie는 독립 제품으로 따로 파는 형태가 아니라, AI Digital이 운영하는 마케팅 인텔리전스 플랫폼 ‘Elevate’ 안에 내장되어 있습니다. 즉 ‘새 AI 툴 하나 더 깔기’가 아니라, 이미 데이터가 모여 있는 플랫폼 위에 분석과 판단 기능을 얹은 구조입니다. 이 차이가 생각보다 큽니다. AI 도구가 실무에서 쓸모를 발휘하느냐 마느냐는 대부분 ‘데이터에 붙어 있는가’에서 갈리기 때문입니다.
발표에 따르면 Ellie는 채널별 캠페인 데이터 분석과 광고 예산 배분을 돕는 쪽에 초점이 맞춰져 있다고 알려져 있습니다. 다만 이 부분은 회사 발표와 보도자료 중심의 정보라서, 실제 성능이 어느 수준인지는 사용 사례가 쌓인 뒤에 판단하는 게 맞습니다.
2. ‘슈퍼에이전트’가 대체 뭔가요
요즘 AI 업계 용어가 너무 빠르게 늘어나서 피곤하실 겁니다. 간단히 정리해보겠습니다.
챗봇, 에이전트, 슈퍼에이전트
챗봇은 질문하면 답하는 창구입니다. “지난달 CPC 평균이 얼마였지?”라고 물으면 알려줍니다. 묻지 않으면 아무것도 하지 않습니다. 식당의 메뉴판 같은 존재입니다.
에이전트는 한 단계 더 나아갑니다. 목표를 주면 거기에 필요한 작업을 스스로 골라서 수행합니다. “지난달 성과 리포트 만들어줘”라고 하면 데이터를 가져오고, 계산하고, 표로 정리하는 과정을 알아서 밟습니다. 주문을 받고 주방까지 다녀오는 종업원에 가깝습니다.
슈퍼에이전트는 그 에이전트들을 여러 개 묶어 지휘하는 층입니다. 예산 배분을 설계하는 에이전트, 채널별 데이터를 해석하는 에이전트, 이상 수치를 찾아내는 에이전트가 각각 있다면, 슈퍼에이전트는 이들을 호출하고 결과를 합쳐 하나의 결론으로 만들어줍니다. 주방 전체를 돌리는 총괄 셰프 쪽입니다.
업계에서 쓰는 ‘슈퍼에이전트’라는 말에 엄격한 표준 정의는 없습니다. 마케팅 용어로 쓰이는 경우도 많습니다. 그래도 방향성은 명확합니다. ‘하나 물어보고 하나 답 받는’ 구조에서 ‘맡기면 여러 단계를 처리하는’ 구조로 옮겨가고 있다는 신호입니다.
핵심 포인트: 슈퍼에이전트가 바꾸는 건 ‘답의 품질’이 아니라 ‘사람이 개입하는 횟수’입니다. 마케터가 질문 10번 던져 얻던 결과를 1번 요청으로 받는 쪽이 목표입니다. 그래서 평가 기준도 ‘얼마나 똑똑한가’가 아니라 ‘중간에 몇 번이나 손이 가는가’로 봐야 합니다.
3. 왜 하필 미디어 플래닝과 캠페인 분석인가
AI 자동화가 가장 먼저 들어오는 영역에는 공통점이 있습니다. 작업량은 많고, 판단 규칙은 비교적 일정하고, 결과를 숫자로 검증할 수 있다는 점입니다. 미디어 플래닝과 캠페인 분석이 정확히 여기에 해당합니다.
실무를 떠올려보면 바로 이해됩니다. 아마존 광고 콘솔에서 데이터를 내리고, 메타 광고 관리자에서 또 내리고, 구글 애즈에서 한 번 더 내립니다. 플랫폼마다 지표 이름이 다르고 집계 기준도 다릅니다. 이걸 하나의 시트에 맞춰 붙이고, 지난달과 비교하고, 눈에 걸리는 수치에 메모를 답니다. 이 과정 자체가 창의적인 일은 아니지만 시간은 가장 많이 잡아먹습니다.
월간 리포트 하루, 주간 점검 반나절, 예산 재배분 회의 준비 반나절. 이런 식으로 쌓이는 시간이 실제로는 캠페인 전략을 고민할 시간을 갉아먹습니다. 자동화의 가치는 여기서 나옵니다. 분석을 더 잘해서가 아니라, 분석 준비에 쓰던 시간을 되돌려주기 때문입니다.
| 작업 | 기존 방식 | AI 에이전트 활용 방식 |
|---|---|---|
| 채널별 데이터 수집 | 플랫폼별 수동 다운로드 후 시트 통합 | 플랫폼 연동 상태에서 자동 집계 |
| 지표 기준 정리 | 플랫폼마다 다른 지표명을 사람이 매칭 | 사전 정의한 지표 사전대로 자동 매핑 |
| 성과 비교 | 전월·전년 대비 수식을 매번 작성 | 기간 비교를 기본 출력으로 제공 |
| 이상 수치 탐지 | 눈으로 훑으며 감각에 의존 | 편차 기준에 따라 자동 플래그 |
| 예산 배분 시나리오 | 엑셀로 1~2개 안만 만들어 비교 | 여러 시나리오를 빠르게 생성 후 검토 |
| 최종 판단 | 사람 | 사람 (변하지 않습니다) |
표의 마지막 줄이 가장 중요합니다. 자동화가 가져가는 건 준비 작업이고, 결정은 그대로 사람 몫입니다. 이 선을 흐리는 순간 사고가 납니다.
4. 마케팅 실무에 이렇게 씁니다
Ellie 같은 도구를 아직 쓰지 않더라도, 같은 원리를 지금 당장 적용할 수 있습니다. 중요한 건 특정 제품이 아니라 ‘에이전트에게 맡길 수 있는 작업의 형태’를 알아보는 눈입니다.
채널별 성과 해석을 요약으로 받기
아마존, 메타, 구글, 틱톡을 동시에 돌리는 브랜드라면 주간 점검이 늘 숙제입니다. 에이전트형 도구에 맡길 때는 ‘데이터 분석해줘’ 같은 막연한 요청이 아니라, 판단 기준을 함께 주는 게 핵심입니다. “ROAS가 목표치 대비 20퍼센트 이상 떨어진 캠페인만 뽑고, 각각 노출·클릭률·전환율 중 어디서 빠졌는지 구분해줘”처럼 요청하면 결과물의 쓸모가 완전히 달라집니다.
예산 배분 시나리오 만들기
예산 회의에서 가장 소모적인 순간은 “그럼 아마존 비중을 10퍼센트 줄이면 어떻게 되나요?”라는 질문에 아무도 즉답을 못 할 때입니다. 시나리오를 미리 여러 개 만들어두면 회의 성격이 달라집니다. 계산하는 회의가 아니라 선택하는 회의가 됩니다. 에이전트는 이 계산 부분을 빠르게 밀어줍니다.
리포트 초안 자동화, 해석은 사람이
클라이언트 리포트는 데이터 정리와 해석이 섞여 있습니다. 앞쪽 데이터 정리는 자동화에 맡기고, 뒤쪽 ‘그래서 다음 달에 뭘 할 것인가’는 사람이 씁니다. 이 분업이 품질을 가장 안정적으로 지킵니다. 반대로 해석까지 통째로 맡기면 그럴듯하지만 근거가 얕은 문장이 나오기 쉽습니다.
인플루언서·콘텐츠 성과까지 한 판에 올리기
미디어 플래닝을 유료 광고로만 좁혀 보면 그림이 반쪽입니다. 인플루언서 시딩, 틱톡 유기적 콘텐츠, 블로그 유입처럼 수치화가 까다로운 활동도 같은 테이블에 올려야 판단이 정확해집니다. 에이전트에게 맡길 때도 유료 채널 데이터만 던지지 말고, 비유료 활동의 기간과 규모를 함께 넣어주는 편이 해석 오류를 줄입니다.
리서치와 경쟁사 모니터링
경쟁 브랜드의 가격 변동, 신규 리뷰 증가 속도, 광고 소재 교체 주기 같은 정보는 사람이 챙기면 자꾸 놓칩니다. 반복 점검은 자동화가 가장 잘하는 일입니다. 다만 수집은 자동, 의미 부여는 사람 쪽에 두는 원칙은 여기서도 똑같습니다.
5. 주의점과 한계
흐름은 분명하지만, 지금 단계에서 조심해야 할 것들이 있습니다.
발표 자료와 실제 성능은 다른 이야기입니다
신제품 발표에는 가장 좋은 조건의 결과가 담깁니다. 광고 플랫폼 연동 범위, 데이터 신선도, 계정 구조가 복잡할 때의 정확도 같은 실무 변수는 발표에서 잘 드러나지 않습니다. 도입을 검토한다면 숫자보다 ‘우리 계정 구조에서 돌아가는가’를 먼저 확인하는 게 순서입니다.
입력 데이터가 어긋나면 결과도 어긋납니다
자동화의 품질은 결국 데이터 정합성에 묶여 있습니다. UTM 규칙이 들쭉날쭉하거나, 전환 이벤트 정의가 채널마다 다르거나, 어트리뷰션 기간이 섞여 있으면 에이전트는 그 혼란을 그대로 반영한 결론을 냅니다. 더 나쁜 건 그 결론이 깔끔한 문장으로 나와서 틀렸다는 걸 알아채기 어렵다는 점입니다.
예산 배분은 숫자만의 문제가 아닙니다
단기 효율만 보면 거의 항상 전환 단가가 낮은 채널에 몰아주는 결론이 나옵니다. 하지만 브랜드 인지도 확보, 신규 시장 진입, 리뷰 자산 축적처럼 지금 당장 숫자로 안 잡히는 목표가 있습니다. 특히 미국 시장에 처음 들어가는 브랜드라면 초기 몇 달의 지표는 원래 나쁘게 보입니다. 이 맥락을 아는 사람이 최종 판단을 해야 합니다.
블랙박스 문제
“왜 이 채널 비중을 늘리라고 했나요?”라는 질문에 답할 수 있어야 합니다. 근거를 설명하지 못하는 추천은 클라이언트 보고에서 쓸 수 없고, 내부 회의에서도 설득력을 갖기 어렵습니다. 도구를 볼 때 결과값만큼 ‘근거를 보여주는가’를 체크하시길 권합니다.
6. 지금 준비해둘 것
Ellie를 쓰든 다른 도구를 쓰든, 준비가 안 된 상태에서 자동화를 얹으면 혼란만 커집니다. 순서는 이렇습니다.
첫째, 지표 사전을 한 장으로 정리합니다. 우리 조직에서 ROAS는 어떤 기준으로 계산하는지, 전환은 어느 시점을 기준으로 집계하는지, 채널별 어트리뷰션 기간은 어떻게 통일할지 문서로 못 박아둡니다. 이 문서가 있으면 어떤 AI 도구를 붙여도 출발점이 같아집니다.
둘째, 반복 작업 목록을 뽑습니다. 한 달에 한 번 이상 같은 방식으로 반복하는 작업만 모아보세요. 보통 리포트 조립, 데이터 통합, 전월 대비 계산, 이상치 확인이 나옵니다. 여기가 자동화 1순위 구역입니다.
셋째, 사람이 지킬 판단 영역을 명시합니다. 예산 총액 변경, 신규 채널 진입, 브랜드 메시지 방향, 클라이언트 보고의 결론 문장. 이건 자동화 대상이 아니라고 미리 선을 그어두면 나중에 애매한 상황이 생기지 않습니다.
넷째, 작게 병행 테스트합니다. 한 달 동안 기존 방식과 자동화 결과를 나란히 돌려보고 차이를 비교하는 게 가장 안전합니다. 결과가 맞아떨어지기 시작하면 그때 비중을 올립니다.
7. 자주 묻는 질문
Q1. Ellie는 지금 바로 써볼 수 있나요?
Ellie는 AI Digital의 Elevate 플랫폼 안에 내장된 기능으로 공개됐습니다. 따라서 독립 앱을 설치하는 방식이 아니라 해당 플랫폼을 통해 접근하는 구조입니다. 구체적인 이용 조건은 AI Digital 측 공식 안내를 확인하시는 게 정확합니다.
Q2. 미디어 플래닝 담당자 자리가 없어지는 걸까요?
그럴 가능성은 낮습니다. 자동화되는 부분은 데이터 수집과 계산, 리포트 조립 같은 준비 작업입니다. 어떤 목표를 세울지, 숫자가 나쁜 초기 구간을 감수할지, 브랜드 자산을 위해 효율을 양보할지 같은 판단은 여전히 사람의 영역입니다. 다만 ‘데이터 정리만 하는 역할’의 비중은 줄어들 것으로 보입니다.
Q3. 슈퍼에이전트와 일반 AI 챗봇의 실질적 차이는 뭔가요?
개입 횟수입니다. 챗봇은 한 번 물으면 한 번 답합니다. 에이전트는 목표를 주면 필요한 단계를 스스로 밟습니다. 슈퍼에이전트는 여러 에이전트를 지휘해 복합 작업을 하나의 결과로 묶습니다. 체감 차이는 ‘내가 중간에 몇 번 손을 대야 하는가’에서 나타납니다.
Q4. 작은 브랜드도 이런 자동화가 의미 있을까요?
오히려 인력이 적은 쪽에서 효과가 큽니다. 담당자 한 명이 아마존·메타·구글을 다 보는 상황이라면 리포트 조립에 쓰는 시간이 전체 업무의 상당 부분을 차지합니다. 다만 도구 도입 전에 지표 정의를 먼저 정리하는 게 순서입니다. 데이터가 뒤섞인 상태에서 자동화를 얹으면 혼란이 자동화됩니다.
Q5. AI가 제안한 예산 배분을 그대로 따라도 되나요?
권하지 않습니다. 단기 효율 기준의 추천은 전환 단가가 낮은 채널로 쏠리기 쉽습니다. 신규 시장 진입이나 브랜드 인지 확보 단계에서는 이 추천이 중장기 목표와 충돌할 수 있습니다. 제안은 시나리오로 받고, 최종 결정은 사업 맥락을 아는 사람이 하는 구조가 안전합니다.
Q6. 자동화 도입 전에 딱 하나만 준비한다면요?
지표 정의 문서입니다. ROAS 계산 기준, 전환 집계 시점, 채널별 어트리뷰션 기간을 한 장에 정리해두세요. 이게 없으면 어떤 도구를 붙여도 결과를 신뢰할 수 없고, 반대로 이게 있으면 도구를 갈아타도 기준이 흔들리지 않습니다.
8. 정리하며
AI Digital의 Ellie는 ‘광고 운영에서 AI가 실제로 일을 가져가기 시작했다’는 흐름의 한 사례입니다. 미디어 플래닝과 캠페인 분석이라는, 가장 손이 많이 가면서도 규칙이 비교적 분명한 영역을 겨냥했다는 점이 눈에 띕니다. 개별 제품의 성능보다 중요한 건 방향입니다. 앞으로 광고 플랫폼마다 비슷한 기능이 붙을 것이고, 마케터의 일은 ‘데이터를 정리하는 사람’에서 ‘정리된 데이터로 판단하는 사람’으로 옮겨갑니다.
그래서 지금 할 일은 도구 쇼핑이 아니라 기준 정비입니다. 우리 지표가 무엇을 의미하는지, 어떤 판단은 절대 기계에 넘기지 않을지를 먼저 적어두는 쪽이 훨씬 남습니다.
Calywire는 미국 시장에서 아마존, 틱톡, 메타, 구글을 함께 운영하면서 이런 자동화를 실제 캠페인에 어떻게 녹일지 계속 실험하고 있습니다. 채널별 데이터가 뒤섞여 판단이 어려우시다면, 가볍게 이야기 나눠보셔도 좋겠습니다. 정리부터 같이 해보는 것으로 충분합니다.
참고 자료
- AI Digital: AI Digital Introduces Ellie, an AI Superagent
- Morningstar (Business Wire): AI Digital Introduces Ellie, an AI Superagent for Media Planning and Campaign Analysis
- Adweek: AI Digital Introduces Ellie, an AI Superagent for Media Planning and Campaign Analysis
- Brief Glance: Decentralizing Adtech: AI Digital’s Ellie Challenges Walled Gardens
