AI 광고 제작, 자동 생성만 믿으면 안 되는 이유: 성과는 어디서 갈릴까

AI 광고 제작에서 이미지를 여러 장 빠르게 만드는 것과 광고 성과가 좋아지는 것은 같은 문제가 아닙니다. 생성형 AI는 소재 후보와 변형을 빠르게 만드는 데 유용하지만, 누구에게 어떤 메시지를 보여줄지, 무엇을 성과로 판단할지, 제품의 차별점을 어떻게 표현할지는 여전히 사람이 결정해야 할 부분이 남습니다.

실제 광고 연구에서도 이 차이가 나타납니다. 소비자 평가가 좋았던 광고를 학습한 AI가 만든 자동차 광고는 Meta 실험에서 기존 Polestar 광고보다 높은 클릭률을 기록했습니다. 하지만 이 실험의 광고 목표는 구매가 아니라 트래픽이었고, 연구진도 CTR만으로 전체 광고 성과를 판단해서는 안 된다고 설명합니다.

따라서 AI 광고를 도입할 때 먼저 정할 것은 “어떤 생성기가 가장 예쁜 이미지를 만드는가?”가 아닙니다. 타깃과 목표를 정하고 → AI로 소재 후보를 만들고 → 사람이 검수하고 → 실제 광고 성과를 테스트한 뒤 → 다음 제작 방향을 수정하는 구조가 먼저 필요합니다.

한 가지는 미리 구분해야 합니다. 이 글에서 주로 살펴보는 Journal of Marketing 연구는 Stable Diffusion 2.1을 특정 광고 데이터로 fine-tuning한 실험입니다. 따라서 연구 결과를 2026년 현재의 모든 상용 이미지 생성 AI나 모든 업종에 그대로 적용할 수 있다는 뜻은 아닙니다. 이 연구가 보여주는 핵심은 AI 광고가 무조건 우수하다는 것이 아니라, 광고 목표에 맞는 데이터와 평가 기준이 결과를 크게 좌우할 수 있다는 점입니다.

AI로 광고 이미지를 많이 만들면 성과도 같이 좋아질까?

많이 만들 수 있다는 것과 좋은 광고를 찾는 것은 별개의 문제입니다.

생성형 AI는 추가 제작 부담을 낮추면서 많은 소재 후보를 만들 수 있습니다. 연구진도 AI를 활용하면 광고를 비교적 낮은 추가 비용으로 확장할 가능성이 있다고 설명합니다. 하지만 후보 수가 늘어난다고 높은 CTR이나 구매 전환이 자동으로 따라오는 것은 아닙니다.

Journal of Marketing 연구에서는 공개 온라인 광고 211,429개 가운데 자동차 광고 543개를 선별했습니다. 이후 소비자에게 각 광고의 주의·흥미·욕구·행동 고려 정도를 평가하게 하고, 평균 AIDA 평가가 높은 자동차 광고 30개를 모델 학습에 사용했습니다.

단순히 “효과적인 자동차 광고를 만들어줘”라고 프롬프트를 입력한 모델이나 무작위 자동차 광고를 학습한 모델보다, 소비자 평가가 높았던 광고를 fine-tuning에 사용한 모델의 AIDA 평가가 더 높았습니다. 연구진은 기본 생성 모델의 미적 능력만으로는 특정 마케팅 목표에 맞는 광고를 만드는 데 충분하지 않았다고 설명합니다.

여기서 실무자가 가져갈 결론은 “광고주도 AI 모델을 직접 fine-tuning해야 한다”가 아닙니다.

무엇을 생성할지보다 무엇을 ‘좋은 광고’라고 판단해 다음 제작에 반영할지가 중요하다는 뜻에 가깝습니다.

예를 들어 쇼핑몰 광고에서 성과가 좋았던 이미지가 있다면 단순히 비슷한 이미지 20장을 생성하기보다 먼저 봐야 할 것이 있습니다. 그 광고가 가격을 강조해서 반응이 좋았는지, 제품 사용 장면이 효과적이었는지, 특정 문제를 해결한다는 메시지가 먹혔는지, 클릭 이후 구매까지 이어졌는지를 구분하는 것입니다.

그다음 AI를 이용해 확인하고 싶은 광고 가설의 변형을 만드는 편이 다음 테스트에도 도움이 됩니다.

‘예쁜 광고’가 곧 좋은 광고는 아니었습니다

같은 연구에서는 미적 품질이 높은 광고와 AIDA 성과가 높은 광고가 반드시 일치하지 않았습니다.

미적 점수가 가장 높았던 기존 광고 30개의 평균 미적 점수는 AI 생성 광고보다 높았습니다. 그러나 평균 AIDA 평가는 오히려 AI 생성 광고보다 낮았습니다. 추가 분석에서도 미적 품질만으로 관찰된 AIDA 성과 차이를 모두 설명할 수 없었습니다.

즉 이미지가 세련되고 고급스럽게 보이는 것과 광고 목적을 잘 달성하는 것은 별도의 평가 기준입니다.

AI 광고 이미지 도구를 고를 때도 결과물의 화질이나 분위기만 비교하면 부족합니다. 실제 광고에서는 어떤 메시지를 전달하는지, 제품이 정확하게 표현됐는지, 클릭 이후 원하는 행동까지 이어지는지를 함께 봐야 합니다.

생성형 AI에 맡길 일과 사람이 결정할 일은 어디서 나눌까?

반복적인 후보 생성은 AI에 맡기고, 광고 목표·제품 차별화·검수·최종 성과 판단은 사람이 책임지는 방식이 현실적입니다.

아래 표는 논문이 그대로 제시한 업무 분담표가 아닙니다. 앞서 확인한 연구 결과와 현재 Meta의 광고 자동화 기능을 실제 제작 흐름에 맞게 재구성한 판단 기준입니다.

광고 제작 단계	AI를 활용하기 좋은 부분	사람이 결정할 부분
목표 설정	데이터 요약과 아이디어 보조	구매·문의·가입 등 최종 목표 결정
광고 콘셉트	카피·이미지 아이디어 후보 생성	어떤 고객 문제와 제품 장점을 연결할지 결정
이미지 제작	배경·구도·비율 등 여러 버전 제작	제품 표현의 정확성, 브랜드 적합성 검수
소재 확장	한 콘셉트의 여러 변형 제작	단순 반복인지 새로운 가설인지 판단
광고 전달	Meta 등의 자동 전달·랭킹 활용	캠페인 목표와 운영 조건 설정
테스트	결과 정리와 패턴 탐색 보조	무엇을 비교하고 어떤 지표로 판단할지 결정
다음 제작	성과가 좋았던 요소의 변형 생성	어떤 결과를 다음 테스트에 반영할지 결정

여기서 광고 이미지를 만드는 생성형 AI와 Meta 내부의 광고 추천·전달 AI는 구분할 필요가 있습니다.

Meta 자체 발표에 따르면 2025년 4분기 광고 랭킹 모델 개선으로 Facebook 광고 클릭은 3.5%, Instagram 전환은 1% 이상 증가했습니다. 이것은 Meta가 어떤 광고를 어떤 이용자에게 보여줄지를 결정하는 광고 랭킹 시스템 개선에 관한 자체 측정 결과입니다. 생성형 AI 이미지 한 장을 사용해서 발생한 효과를 측정한 수치가 아닙니다.

따라서 Ads Manager의 AI 기반 광고 전달 성과와 생성형 AI 소재 자체의 성과를 한데 묶어 “AI 광고라서 잘됐다”고 판단하면 원인을 구분하기 어렵습니다.

CTR이 높은 AI 광고를 바로 승자로 정하면 왜 틀릴 수 있을까?

판매나 문의가 목표라면 CTR이 높다는 이유만으로 AI 광고를 승자로 정하기 어렵습니다. CTR은 광고가 클릭을 만든 정도를 보여주지만 구매·문의 같은 최종 결과와 같지는 않습니다.

Journal of Marketing 연구의 두 Meta 실험을 합치면 AI 생성 Polestar 광고의 CTR은 2.04%, 기존 Polestar 광고는 1.37%였습니다. 하지만 실험은 미국의 25~65세 자동차 관심 사용자를 대상으로 2025년 2월 1일부터 4일까지 진행됐으며, 광고 목적은 구매가 아니라 traffic이었습니다. 클릭한 사용자는 연구진이 만든 자동차 비교 사이트로 이동했습니다.

따라서 2.04%와 1.37%를 일반적인 Meta 광고 CTR 벤치마크로 사용해서도 안 됩니다. 해당 조건에서 진행된 특정 실험 결과입니다.

연구진 역시 CTR 결과의 효과 크기는 다른 적용 환경에서 달라질 수 있으며, CTR을 다른 성과지표와 함께 해석해야 한다고 설명합니다.

실제 캠페인에서는 목표와 판단 지표를 먼저 맞춰야 합니다.

광고 목적	우선 확인할 결과	함께 볼 항목
사이트 유입	클릭·CTR	클릭 후 사이트 행동
상품 판매	구매·전환	전환율·획득비용·CTR
상담·문의	실제 문의	유효 문의 여부·문의당 비용
인지도	해당 캠페인의 인지도 관련 측정값	필요하면 클릭·반응을 보조지표로 활용

예를 들어 AI 이미지 A가 많은 클릭을 만들었지만 이미지 B를 본 고객의 구매가 더 많았다면, 판매 캠페인에서는 A를 무조건 승자로 볼 이유가 없습니다.

AI 광고의 최종 목표가 판매라면 CTR 1위 소재를 그대로 복제하기 전에 구매까지 이어졌는지를 먼저 확인해야 합니다.

성과가 좋았던 광고만 따라가면 왜 비슷한 광고가 쌓일까?

과거의 승자 패턴만 반복해서 학습하거나 생성하면 효율은 높아져도 광고의 차별성이 약해질 수 있습니다.

Journal of Marketing 연구에서도 반복되는 시각 패턴이 나타났습니다. 자외선 차단제 광고에서는 Monstera 잎이 자주 등장했고, 자동차 광고에서는 유사한 도로 배경이 반복됐습니다. 연구진은 여러 광고주가 비슷한 기술과 최적화 목표를 사용할수록 시각적 콘텐츠가 동질화될 가능성을 지적했습니다.

제품 자체의 차별점이 강한 경우에는 결과도 달라졌습니다.

연구진은 일반적인 자동차 시장보다 작은 차체라는 특징이 뚜렷한 Smart Fortwo 광고를 별도로 테스트했습니다. 같은 자동차 업종에서 AIDA 성과가 높았던 광고를 학습한 AI가 만든 Smart 광고의 평균 AIDA 평가는 3.62였고, 실제 Smart 광고는 3.81이었습니다. 차이는 통상적인 5% 유의수준에는 미치지 못했습니다(p=.064).

연구진은 이런 결과를 바탕으로 독특한 제품 혜택을 표현하려면 더 구체적인 프롬프트나 추가적인 창의적 입력이 필요할 수 있다고 설명했습니다.

따라서 사람의 역할은 AI 이미지의 오류만 찾는 데 그치지 않습니다.

경쟁 제품과 무엇이 다른지 정하고, 그 차이를 어떤 장면과 메시지로 보여줄지를 결정하는 역할이 더 중요할 수 있습니다.

별도의 대규모 광고 연구도 이 지점을 다른 각도에서 보여줍니다. Columbia Business School에 Working Paper로 등록된 연구는 7,000곳이 넘는 광고주, 약 50개 제품군, 160억 회가 넘는 display 광고 노출 데이터를 분석했습니다. 연구에서는 AI 생성 이미지를 사용한 광고가 사람 제작 이미지를 사용한 광고보다 높은 CTR을 보일 수 있었지만, 그 효과는 소비자가 이미지를 AI가 만든 것처럼 인식하지 않을 때 나타났습니다.

다만 이 연구는 현재 Working Paper이고 관찰 데이터를 이용한 준실험 분석입니다. 또한 Meta 광고만을 연구한 것이 아니라 별도의 display 광고 플랫폼 데이터를 다룹니다. 따라서 “AI 티가 나면 광고가 무조건 실패한다”는 일반 법칙으로 해석해서는 안 됩니다.

실제 광고에서는 ‘생성 → 검수 → 테스트 → 다시 생성’을 어떻게 돌릴까?

AI 광고 제작을 도입한다면 몇 장을 생성할지 정하기 전에 무엇을 테스트하고 어떤 결과로 다음 소재를 결정할지부터 정하는 편이 좋습니다.

광고를 만들기 전에 성공 기준을 정합니다.
“반응이 좋은 광고”처럼 넓게 잡지 말고, 판매가 목표라면 구매, 리드 광고라면 실제 문의처럼 캠페인의 최종 목적을 먼저 정합니다. CTR은 중간 지표로 활용할 수 있지만 최종 성과와 같은 의미로 취급하지 않습니다.
AI에는 단순 이미지 변형보다 서로 다른 광고 가설을 만들게 합니다.
같은 이미지의 배경색만 바꾼 여러 장보다 가격을 강조하는 광고, 사용 장면을 보여주는 광고, 특정 문제 해결을 강조하는 광고처럼 메시지의 차이를 먼저 나눕니다. Journal of Marketing 연구에서도 단순 프롬프트보다 광고 성과 정보에 맞춰 fine-tuning한 방식이 더 높은 AIDA 평가를 기록했습니다. 다만 이 결과는 해당 Stable Diffusion 2.1 실험 조건에 관한 것입니다.
게시 전에는 사람이 제품·조건·표현과 실제 노출 형태를 확인합니다.
AI가 제품의 색상·크기·기능을 실제와 다르게 표현하지 않았는지, 가격·할인·혜택 문구가 실제 판매 조건과 일치하는지, 브랜드가 전달하려는 특징이 유지되는지를 확인합니다.
Meta의 Advantage+ Creative를 사용한다면 업로드한 원본만 보는 것으로 끝내지 않는 편이 좋습니다. Meta 공식 안내에 따르면 Reels 광고에서는 이미지나 영상의 화면 비율을 자동 조정하거나 생성형 AI로 이미지를 9:16 비율까지 확장하고, 이미지 광고에 음악을 자동 적용하는 기능 등을 사용할 수 있습니다. 따라서 자동 최적화를 이용한다면 실제 게재 위치에서 이미지 잘림·확장 영역·제품 표현·문구 배치·음악이 의도에 맞는지 미리 확인할 필요가 있습니다.
테스트에서는 가능하면 생성 도구보다 광고 가설을 비교합니다.
“A 이미지 생성기와 B 이미지 생성기 중 무엇이 좋은가?”만 테스트하면 다음 캠페인에서 활용할 수 있는 정보가 제한될 수 있습니다. 메시지, 제품 장점, 제안, 사용 장면처럼 다음 제작에서도 활용할 수 있는 요소를 비교하는 편이 낫습니다.
Journal of Marketing의 Meta 실험에서는 당시 플랫폼 A/B 테스트가 한 실험당 5개 광고로 제한돼 두 실험으로 나눠 진행했습니다. 이것을 “AI 광고는 5장씩 테스트해야 한다”는 현재의 운영 기준으로 받아들이면 안 됩니다. 연구 당시 사용한 플랫폼 실험 조건일 뿐입니다.
최종 목표 데이터를 다음 제작에 다시 반영합니다.
테스트가 끝난 뒤 “CTR 1위와 비슷한 이미지를 다시 만들어줘”로 끝내지 않습니다. 구매·문의 등 처음 정한 최종 목표까지 확인한 뒤 어떤 메시지와 콘셉트를 다음 제작에서 더 탐색할지 결정합니다.

이 과정을 줄이면 다음과 같습니다.

타깃·목표 설정 → AI 소재 생성 → 사람 검수 → 통제된 테스트 → 최종 성과 확인 → 다음 생성 방향 수정

여기서 ‘다시 생성’은 Meta나 외부 AI 서비스가 광고주의 모든 전환 데이터를 자동으로 학습한다는 의미가 아닙니다. 광고주가 확인한 결과를 다음 브리프와 테스트 조건에 반영하는 운영 과정을 뜻합니다.

Meta 광고를 AI로 만들고 있다면 지금 무엇부터 확인할까?

이미 AI 소재를 사용하고 있다면 새로운 이미지 생성 도구부터 추가하기보다 최근 광고를 CTR과 최종 전환을 함께 놓고 다시 분류하는 것부터 해볼 수 있습니다.

클릭과 최종 전환이 모두 좋은 광고는 다음 소재를 만들 때 우선 참고할 후보입니다.

클릭은 좋은데 구매나 문의가 약한 광고는 눈길을 끄는 데는 성공했더라도 판매 광고의 승자라고 단정하기 어렵습니다. 랜딩페이지나 제안과의 연결까지 함께 확인할 필요가 있습니다.

반대로 현재 성과가 압도적이지 않더라도 제품의 독특한 장점을 명확하게 표현한 광고라면 바로 폐기하기보다 다른 메시지나 제안과 결합해 다시 테스트할 여지가 있습니다.

그리고 Advantage+ Creative 같은 자동 최적화를 사용하고 있다면 Ads Manager에 올린 원본만 확인하지 말고 실제 게재 위치별 변형도 함께 확인하는 것이 좋습니다. 최근 광고 운영자 커뮤니티에서도 자동 Creative 변형이나 게재 위치별 표현 차이를 어디까지 통제해야 하는지가 반복적으로 질문되고 있습니다. 이런 사용자 사례는 효과를 입증하는 근거는 아니지만, 실제 운영에서 검수 지점이 어디에 생기는지는 보여줍니다.

AI를 쓰는 이유를 “사람이 광고를 판단하지 않아도 되기 때문”으로 잡기보다는 사람이 판단할 후보를 더 빠르게 만들고, 실제 성과 데이터로 다음 선택을 좁힐 수 있기 때문이라고 보는 편이 현재 확인된 연구와 더 잘 맞습니다.

FAQ

AI 광고 이미지는 몇 장씩 만들어야 하나요?

이번에 확인한 연구와 Meta 공식자료만으로는 모든 광고 계정에 적용할 수 있는 고정 수량을 제시하기 어렵습니다. 예산·트래픽·전환량·테스트 방식이 다른 상황에서 이미지 개수만 동일하게 맞추기보다, 무엇이 다른 소재인지 구분할 수 있도록 광고 가설을 나눠 테스트하는 편이 유용합니다.

AI 광고는 CTR만 높으면 효과가 있다고 봐도 되나요?

아닙니다. CTR은 광고가 클릭을 만든 정도를 보여주지만 구매·문의와 같은 최종 전환과는 다릅니다. Journal of Marketing 연구진도 CTR 결과는 다른 성과지표와 함께 해석해야 한다고 설명했습니다.

ChatGPT 같은 생성형 AI와 Meta의 AI 광고 기능 중 무엇을 써야 하나요?

역할이 다르기 때문에 하나만 고르는 문제로 볼 필요는 없습니다. 외부 생성형 AI는 아이디어·카피·이미지 후보를 만드는 데 사용할 수 있고, Meta의 AI 시스템은 Creative 생성·변형뿐 아니라 광고 전달과 랭킹에도 사용됩니다. 먼저 제작 문제를 해결하려는 것인지, 광고 전달 자동화를 활용하려는 것인지 구분하는 편이 좋습니다.

Meta에서 AI로 만든 광고에는 AI 표시가 붙나요?

Meta가 2026년 6월 1일 업데이트한 안내에 따르면 자사 생성형 AI Creative 기능으로 만들어졌거나 크게 수정된 광고에는 조건에 따라 ‘AI info’ 정보가 표시됩니다. 제3자 AI 도구로 생성·편집된 광고도 산업 표준 신호를 탐지할 수 있는 경우 ‘AI info’를 적용하는 방향으로 확대하고 있습니다. 다만 자사 AI 기능을 사용했더라도 변경이 크지 않고 사실적인 AI 인물이 포함되지 않은 경우에는 AI 표시를 적용하지 않을 수 있으며, 표시 방식은 지역에 따라서도 달라질 수 있습니다.

AI가 만든 광고가 사람 광고보다 항상 성과가 좋은가요?

현재 연구로 그렇게 일반화할 수 없습니다. 특정 광고 성과 데이터를 이용해 fine-tuning한 AI 광고가 높은 AIDA 평가와 CTR을 기록한 연구가 있지만, 독특한 제품 혜택을 가진 Smart Fortwo 실험에서는 다른 결과가 나타났습니다. 사용한 모델·제품·타깃·광고 목표·평가 지표에 따라 결과가 달라질 수 있습니다.

정보 기준과 작성 방식

정보 기준일은 2026년 9월 15일입니다.

이 글은 Journal of Marketing의 생성형 AI 광고 연구 원문, Meta의 광고 랭킹 및 생성형 AI 투명성 관련 공식 자료, Meta for Business의 Advantage+ Creative 안내, Columbia Business School에 공개된 Working Paper를 확인한 뒤 광고 제작 실무의 판단 순서에 맞춰 재구성했습니다.

Journal of Marketing 연구는 Stable Diffusion 2.1을 사용한 특정 fine-tuning 실험이고, Columbia 연구는 현재 Working Paper입니다. 따라서 특정 AI 도구의 광고 성과를 보장하거나 모든 업종에 동일한 결과가 나온다는 의미로 사용하지 않았습니다. 직접 광고 캠페인을 집행한 후기 형태의 글도 아닙니다.

[참고자료]

Mark Heitmann, Tijmen P.J. Jansen, Martin Reisenbichler, David A. Schweidel, Picture Perfect: Engaging Customers with Visual Generative AI, Journal of Marketing, Volume 90, Issue 4, 2026. 온라인 최초 공개 2025년 6월 25일.
Meta, 2026: AI Drives Performance, 2026년 1월 28일.
Meta, Expanding GenAI Transparency for Meta’s Ads Products, 2025년 2월 3일 공개, 2026년 6월 1일 업데이트.
Meta for Business, Instagram & Facebook Reels 광고 및 Advantage+ Creative 공식 안내.
Yannick Exner, Jochen Hartmann, Oded Netzer, Shunyuan Zhang, AI in disguise – How AI-generated ads' visual cues shape consumer perception and performance, Columbia Business School, Working Paper.