[레슨] 메타 알고리즘의 고도화 방향: 매 분기 업데이트되는 메타 자체 인공지능(Llama 기반 광고 최적화) 공식 백서 기반 전략 수정 프로세스

메타의 광고 랭킹·검색·기여 모델은 광고주가 직접 설정을 바꾸지 않아도 백엔드에서 계속 업데이트됩니다. 이 변화는 겉으로는 "설정을 안 건드렸는데 성과가 달라졌다"는 형태로 나타나기 때문에, 원인을 계정 내부 문제로 오인하기 쉽습니다. 이 과목 앞부분에서 다룬 기여 기간 정책 변경(2026년 1월, 3월)처럼, 메타 알고리즘 업데이트는 광고주의 캠페인 설정과 무관하게 리포팅 수치와 성과 곡선 자체를 흔들 수 있는 변수입니다. 따라서 성과 변화를 진단할 때는 항상 "우리가 뭘 바꿨나"와 "메타가 뭘 바꿨나"를 함께 점검하는 습관이 필요합니다.

메타는 2025년 11월 GEM(Generative Ads Recommendation Model)을 광고 랭킹을 위한 파운데이션 모델로 공개했습니다. GEM은 학습 결과가 메타의 여러 광고 모델 전반으로 전이(transfer)되는 구조로 설계됐고, 적용 이후 Instagram 광고 전환이 5%, Facebook 피드 광고 전환이 3% 증가했다고 메타 엔지니어링 블로그를 통해 보고됐습니다. 다만 GEM이 구체적으로 라마(Llama) 계열 오픈소스 모델을 기반으로 구축됐는지는 이번 조사 범위에서 명확히 확인되지 않았습니다 — "LLM 규모"라는 표현은 확인됐지만 기반 아키텍처의 정확한 계보는 미확인이므로, 정확한 기술적 근거가 필요하다면 메타 엔지니어링 블로그의 GEM 원문 게시글을 직접 확인하는 것을 권장합니다.

광고주 입장에서 GEM 자체를 직접 조작할 방법은 없습니다. 다만 GEM처럼 학습 전이 구조를 쓰는 모델은 계정이 넘겨주는 신호(전환 이벤트 품질, 데이터 볼륨)가 명확할수록 학습 효율이 올라가는 경향이 일반적이므로, 이 과목에서 반복적으로 강조한 이벤트 매치 품질 관리와 전환 API 연동 상태 점검이 GEM 같은 랭킹 모델의 성능을 끌어올리는 가장 직접적인 광고주 측 대응입니다.

안드로메다(Andromeda)는 2024년 12월 발표되고 2025년 중 단계적으로 확대 적용된 AI 광고 검색(retrieval) 엔진으로, NVIDIA Grace Hopper 하드웨어 기반이며 테스트 구간에서 회수율(recall) 6%, 광고 품질 8% 개선이 보고됐습니다. 검색 엔진의 역할은 경매에 참여할 광고 후보군을 얼마나 폭넓고 정교하게 찾아내는가에 있습니다. 후보군이 넓어진다는 것은 롱테일 오디언스·소재 조합까지 더 정교하게 평가된다는 뜻이라, 광범위 타겟팅이나 다양한 소재를 투입하는 전략의 효율이 이런 인프라 개선과 함께 오를 수 있습니다.

메타는 2026년 인크리멘털 어트리뷰션 기능도 확대 도입했으며, 최신 모델 롤아웃이 표준 기여 모델 대비 증분 전환을 24% 늘렸고 출시 7개월 만에 연환산 수십억 달러 규모의 매출 기여 제품으로 성장했다고 자체 발표했습니다. 이 기능은 이 과목에서 계속 다룬 "관측된 전환과 실제 증분의 괴리"를 메타가 시스템 차원에서 자동으로 줄이려는 시도입니다. 다만 자체 발표 수치이므로 계정별 실제 효과는 다를 수 있고, 이 기능이 있다고 해서 광고주가 직접 리프트 테스트로 검증하는 절차(3, 4번 레슨)를 생략해도 된다는 뜻은 아닙니다.

매 분기 메타 엔지니어링 블로그와 Business Help Center 업데이트 로그를 확인하는 루틴을 만드는 것이 이 과목 전체를 실무에 적용하는 마지막 단계입니다. 구체적으로는 분기 시작 시점에 (1) 기여 기간·기여 모델 정책 변경 여부, (2) 랭킹·검색 모델 업데이트 발표 여부, (3) AEM·CAPI 관련 정책 변경 여부 세 가지를 점검하고, 변경이 있었다면 그 시점 전후로 자사 계정의 성과·전환수 그래프에 단절이 있는지 대조하는 순서입니다. 이 점검을 거른 채 성과 변화를 캠페인 내부 요인으로만 판단하면, 정책·알고리즘 변화가 원인인 문제를 엉뚱한 소재·타겟팅 조정으로 대응하게 되는 오류가 반복될 수 있습니다.