AI는 바닥을 올린다. 승리하는 방법은 '깊이'다.
AI가 엔트리 레벨 업무를 대체한다는 이야기는 엔트리 레벨 인재가 실제로 무엇을 하는지 오해하고 있습니다. 활성화 담당 주니어는 단순 작업을 하는 게 아닙니다. DV360 타겟팅을 구성하고, 트래킹 픽셀을 QA하고, 입찰 전략을 관리합니다. 진짜 질문은 이것입니다: AI가 모두의 바닥을 올렸을 때, 우위는 어디서 오는가? 깊이입니다.
지난 몇 달간 AI-Native 미디어 오퍼레이션 과정을 만들고 있습니다. 7개 모듈, 수십 장의 슬라이드. 그중에 계속 다시 쓰고 있는 슬라이드가 하나 있습니다. 아직도 제대로 완성하지 못했다고 생각하는 그 슬라이드는, 운영 모델이 75-80% AI로 전환될 때 업계에 진입하는 사람들에게 어떤 일이 일어나는지에 대한 것입니다.
자신 있게 들리는 버전을 여러 번 썼습니다. 그리고 매번 지웠습니다. 자신이 없기 때문입니다. 답이 아니라 방향만 가지고 있습니다. 그리고 솔직한 대화가 다듬어진 것보다 더 유용하다고 생각합니다.
여기에 제가 계속 고민해온 것들을 적어봅니다.
그 이야기는 틀렸습니다
"AI가 엔트리 레벨 업무를 대체한다." 들어보셨을 겁니다. 깔끔한 이야기입니다. 하지만 틀렸습니다. 최소한 엔트리 레벨 인재가 실제로 무엇을 하는지 오해하고 있습니다.
현대 미디어 에이전시의 각 분야를 살펴봅시다:
- 전략: 경쟁 분석 수집, 리서치 브리프 종합, 하루 종일 회의에 묶여 있는 시니어가 놓치는 데이터 패턴 발견
- 플래닝: 미디어 플랜 작성, 예산 시나리오 실행, 오디언스 세그먼트 구축 — 작업을 검토하는 시니어 플래너보다 실제 데이터에 더 가까운 경우가 많습니다
- 활성화: DV360 타겟팅 구성, 트래킹 픽셀 QA, 플랫폼 간 입찰 전략 관리 — 오디언스 구성 오류 하나가 몇 시간 만에 예산을 소진시킬 수 있는, 진정으로 기술적이고 위험 부담이 큰 업무
- 광고 운영: 광고 트래피킹, 트래킹 불일치 디버깅, 수십 개 플랫폼에 걸친 측정 무결성 유지
- 리서치: 조사 방법론 평가, 표본 편향 감지, 정성적 응답 코딩 — 진정한 회의적 사고가 필요한 꼼꼼한 분석 작업
- 리포팅: 대시보드 구축, 이상 현상 식별, 차트는 괜찮아 보이지만 데이터가 맞지 않는 상황을 감지하는 능력
이것은 "반복 작업"이 아닙니다. 판단력, 플랫폼 지식, 클라이언트 맥락이 필요한 실질적 기여입니다. DV360 캠페인을 설정하는 사람은 단순 작업을 하는 게 아닙니다. 미디어 플랜이 실제로 작동하는지 여부에 직접적으로 영향을 미치는 수십 가지 기술적 결정을 내리고 있는 것입니다.
아무도 말하지 않는 시니어 검증 격차
충분히 논의되지 않는 문제가 있습니다. VP는 수년간 DV360을 매일 사용하지 않았습니다. 플래닝 디렉터는 더 이상 직접 오디언스 세그먼트를 만들지 않습니다. 전략적 의사결정을 하는 사람들은 플랫폼 레벨의 실행을 너무 오래 위임해왔기 때문에, 원한다 해도 그 레이어에서 AI 아웃풋을 검증할 수 없는 경우가 많습니다.
AI가 캠페인 설정을 생성했을 때, 누가 그것이 올바른지 검증합니까? 오디언스 세그먼트를 구축했을 때, 데이터 소스가 맞는지 누가 확인합니까? 측정 프레임워크를 만들었을 때, 트래킹 아키텍처가 실제로 이를 지원하는지 아는 사람은 누구입니까?
대부분의 경우 플랫폼에 가장 가까운 사람들입니다. 자신의 업무가 "루틴"이라고 들은 바로 그 사람들입니다.
이것이 "AI가 주니어 업무를 대체한다"는 이야기를 위험하게 만든다고 생각합니다. AI가 처리하는 75-80%에도 검증이 필요합니다. 그 검증에는 깊이 — 플랫폼 전문성, 트래킹 아키텍처 지식, 데이터 소스에 대한 이해 — 가 필요합니다. 그리고 많은 조직에서 그 깊이는 우리가 가볍게 대체될 거라고 말하는 바로 그 사람들이 가지고 있습니다.
퍼레이드 문제
계속 돌아오는 비유가 있습니다. 모두가 AI를 가지면, 넓은 역량은 퍼레이드가 됩니다 — 멀리서 보면 인상적이지만 가까이 가면 다 똑같습니다. 모든 에이전시가 미디어 플랜, 오디언스 인사이트, 경쟁 보고서, 크리에이티브 브리프를 대량 생성할 수 있습니다. 도구는 같습니다. 프롬프트는 수렴합니다. 아웃풋은 균일화됩니다.
그렇다면 우위는 어디서 옵니까?
깊이입니다. 특정 분야에서 AI + 경쟁사보다 더 깊이 들어가는 것. 더 넓게가 아니라 — 더 깊이.
"T자형" 제너럴리스트를 높이 평가하는 업계에서 자란 사람에게는 직관에 반하는 이야기일 수 있습니다. 하지만 그 형태가 바뀌고 있다고 생각합니다. AI가 T의 가로 막대를 무료로 제공할 때, 유일한 차별화 요소는 세로 막대가 얼마나 깊이 내려가느냐입니다.
깊이 우선 커리어 개발
기존 모델은 "먼저 넓게, 나중에 전문화"였습니다. 부서를 순환하며 플래닝, 바잉, 리포팅을 경험하고, 결국 자신의 길을 찾는 것이었습니다.
이제는 그 반대 모델이 더 낫다고 생각합니다. 먼저 깊이 가고, 그다음에 넓히는 것입니다.
AI는 이미 넓이를 제공합니다. 어떤 주니어든 AI를 사용해 미디어 플랜 초안을 작성하거나, 경쟁 분석을 만들거나, 리서치 요약을 생성할 수 있습니다. 그것이 바닥입니다 — 모두에게 올라간 바닥. 희소한 것은 활성화나 측정이나 크리에이티브 평가를 AI보다 더 잘하는 사람입니다. AI 아웃풋을 보고 뭐가 잘못됐는지 바로 알아차리는 사람입니다.
그 평가 역량 — AI의 작업을 진정한 전문성으로 평가하는 능력 — 에는 깊이가 필요합니다. 그리고 깊이에는 처음 2년간 5개 부서를 돌아다니는 것이 아니라, 한 분야에 집중한 시간이 필요합니다.
"깊이 있게 간다"는 것이 구체적으로 어떤 모습인가
여기서는 구체적으로 이야기하고 싶습니다. 일반적인 커리어 조언은 쓸모가 없기 때문입니다.
활성화: 플랫폼과 AI 사이의 다리가 되십시오. AI의 구성이 현실에서 작동하지 않는 경우를 감지할 수 있을 만큼 플랫폼의 기능과 한계를 알아야 합니다 — 배포하기에 너무 좁은 오디언스, 목표에 맞지 않는 입찰 전략, 클라이언트가 명시적으로 제외한 인벤토리를 포함하는 게재 위치 목록.
광고 운영: 태그 구현에서 트래킹 아키텍처로 전환하십시오. 픽셀을 설치하는 것에 그치지 말고 AI가 의존하는 측정 인프라를 설계하십시오. 동의 프레임워크, 서버 사이드 태깅, 데이터 클린룸을 이해하십시오. 측정 시스템을 설계할 수 있는 사람은 AI에 대체되는 것이 아닙니다. 더 중요해지고 있습니다.
플래닝: 만들기만 하지 말고 스트레스 테스트하는 법을 배우십시오. 이제 누구나 플랜을 만들 수 있습니다. 가치가 있는 것은 수치는 맞지만 전략이 틀렸을 때를 아는 것입니다 — 도달 곡선은 효율적으로 보이지만 빈도가 오디언스를 짜증나게 할 때, 채널 믹스는 서류상 최적화되었지만 각 환경에서 브랜드가 실제로 어떻게 보이는지를 무시할 때.
리서치: 회의적 사고를 핵심 역량으로 개발하십시오. AI는 어떤 인간보다 빠르게 리서치를 종합할 수 있습니다. 하지만 설계가 부실한 조사 결과를 자신 있게 제시하거나, 상관관계와 인과관계를 혼동하거나, 표본 편향을 놓치기도 합니다. 방법론의 결함을 발견하는 리서처는 그 어느 때보다 가치가 높습니다.
크리에이티브: AI에 없는 심미안을 기르십시오. AI는 변형을 생성할 수 있습니다. 하지만 왜 이 특정 변형이 이 브랜드의 이 맥락에서 작동하는지는 말해줄 수 없습니다. 그 판단력 — 취향, 브랜드 지식, 문화적 감각에 기반한 — 은 개발할 수 있지만 자동화할 수는 없습니다.
리포팅: 데이터 무결성 레이어가 되십시오. AI는 아름다운 대시보드를 만듭니다. 하지만 대시보드는 아름다우면서 틀릴 수 있습니다. 기여 모델이 오해를 불러일으킬 때, 데이터 소스가 조용히 변경되었을 때, 숫자는 맞아 보이지만 이야기가 거꾸로일 때 — 그것을 아는 사람이 필수적입니다.
아무도 이야기하지 않는 Eval 레이어
AI 개발에서 직접 적용할 수 있는 개념이 있습니다. Eval(평가)입니다. AI에서 eval은 그라운드 트루스 — "올바른 것"이 어떤 모습인지 정의하는 기준입니다. Eval이 없으면 AI 아웃풋이 좋은지 나쁜지 판단할 수 없습니다. 기계를 그냥 신뢰하는 수밖에 없습니다.
미디어 오퍼레이션에서 eval은 이미 존재합니다. 단지 그렇게 불리지 않을 뿐입니다.
론칭 전 체크리스트가 eval입니다. 올바른 캠페인 설정이 어떤 모습인지 정의합니다. KPI 래더가 eval입니다. 좋은 성과가 무엇인지 정의합니다. 브랜드 가이드가 eval입니다. 규정을 준수하는 크리에이티브가 어떤 모습인지 정의합니다. 트래킹 정확도 기준이 eval입니다. 신뢰할 수 있는 측정이 무엇인지 정의합니다.
이것들을 구축하고 유지하는 사람들 — 전문적 판단을 운영 기준에 담아내는 사람들 — 은 AI가 근본적으로 스스로 할 수 없는 일을 하고 있습니다. AI는 캠페인 설정을 생성할 수 있습니다. 하지만 이 클라이언트의 이 시장에서 이런 제약 조건하에 올바른 캠페인 설정이 어떤 모습인지 정의하는 것은 할 수 없습니다. 그것에는 깊이가 필요합니다.
그리고 과소평가되고 있다고 생각하는 것이 있습니다. Eval 구축은 가장 강력한 학습 활동 중 하나입니다. 자신의 분야에서 "올바른 것"이 어떤 모습인지 정의하라고 요청받았을 때 — 론칭 전 체크리스트를 작성하고, 허용 가능한 오차 임계값을 지정하고, 크리에이티브 준수 평가 기준을 만들 때 — 판단을 담아낼 수 있을 만큼 업무를 깊이 이해해야 합니다. 이것은 행정 업무가 아닙니다. 깊이 발전을 가속화하는 작업입니다.
따라서 깊이 우선 커리어 개발이라고 말할 때, eval 생성이 그것의 구체적 표현입니다. AI 아웃풋을 평가하는 동시에 평가 기준을 정의할 수 있는 사람은 시간이 지나며 복리로 성장하는 역량을 갖게 됩니다. 기준은 더 날카로워지고, AI는 더 나아지고, 그 사람과 "그냥 AI를 쓰는 사람" 사이의 전문성 격차는 점점 벌어집니다.
업계에 진입하는 분들에게
여기서는 솔직하게 이야기하고 싶습니다. 업계에 진입하는 사람들은 안심보다 솔직함을 더 필요로 한다고 생각하기 때문입니다.
네, 엔트리 레벨 역할은 변하고 있습니다. 진입점은 더 이상 "AI가 할 수 있는 일을 사람의 손으로 하는 것"이 아닙니다. "AI가 일을 올바르게 했는지 평가할 수 있는 깊이를 개발하는 것"입니다.
더 높은 기준처럼 들리고, 어떤 면에서는 맞습니다. 하지만 평가 역량 — AI 아웃풋을 보고 무엇이 맞고 틀린지 알며 왜인지 설명할 수 있는 것 — 은 사람들이 생각하는 것보다 빨리 개발할 수 있다고 생각합니다. 제로에서 시작하는 게 아닙니다. AI를 학습 가속기로 사용할 수 있는 상태에서 시작하는 것입니다.
다만, 평가와 함께 직접 해보는 실습도 필요합니다. 나쁜 결과가 어떤 것인지 알려면 직접 캠페인을 만들어봐야 합니다. 대시보드가 무엇을 숨기고 있는지 이해하려면 직접 데이터를 뽑아봐야 합니다. AI가 학습을 가속화하지만, 실행을 완전히 대체하지는 않습니다. 아직은.
한 분야를 선택하십시오. 깊이 들어가십시오. 프레임워크를 배우십시오. 앞으로 성장하는 사람은 특정 분야에서 진정한 전문성을 개발한 사람들입니다. 제너럴리스트 프롬프트 엔지니어가 된 사람이 아닙니다.
도제 제도의 문제
솔직히 말하면 — 이것은 제가 아직 해결하지 못한 부분입니다.
에이전시의 전통적인 도제 제도가 작동했던 이유는 주니어가 일을 하면서 배웠기 때문입니다. 플래닝 어시스턴트는 플랜을 만들면서 플래닝을 배웠습니다. 활성화 코디네이터는 캠페인을 설정하면서 활성화를 배웠습니다. 반복이 교육이었습니다.
AI는 그 워크플로우를 압축합니다. 그리고 워크플로우를 압축하면서 학습 메커니즘도 압축합니다. AI가 미디어 플랜을 만들고 주니어가 그것을 검토하면, 같은 방식으로 플래닝을 배울 수 있을까요? 그렇지 않을 수 있다고 생각합니다.
방향은 있지만 완전한 답은 없습니다. 깊이 우선 육성. 실행과 병행한 평가. AI를 단순한 생산 도구가 아니라 교육 도구로 사용하는 것 — 주니어에게 AI와 함께 무언가를 만들게 한 다음, AI가 만든 것을 비판하게 해서 기술과 판단력을 동시에 배우게 하는 것.
하지만 그것으로 충분한지 확신하지 못합니다. 도제 제도의 문제는 AI 전환에서 가장 어려운 조직적 과제일 수 있습니다 — 기술보다 어렵고, 비즈니스 모델보다 어렵습니다. 이것을 완전히 해결하는 사람은 어떤 개별 에이전시의 운영 모델보다 더 큰 것을 해결한 셈입니다.
지금 우리는 어디에 있는가
깔끔한 결론으로 마무리하지 않겠습니다. 솔직한 버전에는 그런 것이 없기 때문입니다.
제가 맞다고 생각하는 것은 이것입니다: 여러분은 AI에 의해 대체되는 것이 아닙니다. 이야기는 그보다 뉘앙스가 있습니다. 하지만 성장하는 방식, 우선시하는 역량, 전문성을 포지셔닝하는 방법 — 이것들은 진화해야 합니다. 넓이는 이제 무료입니다. 깊이가 차별화 요소입니다.
커리어 초기에 있다면: 한 분야를 선택하고, 깊이 들어가고, AI 작업을 평가할 수 있는 판단력을 개발하십시오. 그 조합 — 깊이와 평가 능력 — 이 여러분을 대체 불가능하게 만듭니다.
팀을 이끌고 있다면: 플랫폼과 데이터에 가장 가까운 사람들이 AI 전략에서 생각하시는 것보다 더 중요할 수 있습니다. 조직의 운영 모델을 설계하는 사람들이 이것을 이해하고 있는지 확인하십시오.
그리고 이 모든 것에 대한 과정을 만들면서 아직도 그 한 장의 슬라이드를 다시 쓰고 있다면 — 음, 최소한 이제 참조할 블로그 글이 생겼습니다. 모든 답이 있는 건 아니지만.
이상입니다. 다른 분들은 어떻게 생각하시는지 정말 듣고 싶습니다. 특히 미디어 커리어 초기에 있는 분들. 동의하시나요? 반대하시나요? 제가 놓치고 있는 건 무엇인가요?
Cheers, Chandler
