메타(Meta) 광고 생태계의 진화: GEM 모델과 Andromeda 엔진의 상호작용 및 최적화 전략

Meta Andromeda

1. 알고리즘 패러다임의 대전환과 미디어 바잉의 종말

2024년 하반기부터 2025년 초에 걸쳐 메타(Meta)의 광고 플랫폼은 디지털 마케팅 역사상 가장 근본적이고 구조적인 변화를 맞이했습니다. 이는 2021년 iOS14 업데이트가 데이터의 '단절'을 가져온 충격이었다면, 이번 변화는 데이터 처리와 추론 능력의 '비약적 진화'로 정의할 수 있다. 그 중심에는 GEM(Generative Ads Model)이라는 초거대 AI 두뇌와 Andromeda(안드로메다)라는 차세대 검색 및 추천 엔진이 존재한다. ^[각주:1] 과거의 미디어 바잉(Media Buying)이 인구 통계학적 타겟팅과 수동 입찰을 통해 오디언스를 '사냥'하는 행위였다면, 현재의 패러다임은 고도화된 AI에게 최적의 신호(Signal)와 소재(Creative)를 제공하여 원하는 고객을 '유인'하는 신호 설계(Signal Architecture)의 영역으로 전환되었습니다.^[각주:2]

본 글은 메타의 엔지니어링 블로그, 산업 분석 리포트, 그리고 현업의 실증 데이터를 망라하여 GEM과 Andromeda의 기술적 메커니즘을 상세히 분석했습니다. 특히 사용자 쿼리에서 제기된 소재 수의 최적화, 학습 단계의 검증, 그리고 '노이즈(Noise)'와 '신호'의 상관관계를 규명함으로써, 2025년 이후 광고주가 취해야 할 전략을 제시하는 것을 목적으로 합니다. 

2. GEM(Generative Ads Model): 광고 추천 시스템의 초월적 두뇌

2.1 거대 언어 모델(LLM) 패러다임의 광고 적용

GEM은 메타가 보유한 가장 진보된 광고 파운데이션 모델(Foundation Model)로, 기존의 추천 시스템(RecSys)이 가진 한계를 뛰어넘기 위해 설계되었다. GEM의 가장 큰 특징은 거대 언어 모델(LLM)의 아키텍처와 학습 방법론을 광고 시스템에 이식했다는 점이다. 이는 수천 개의 GPU 클러스터를 통해 훈련된 업계 최대 규모의 모델로, 텍스트, 이미지, 비디오, 사용자 행동 로그 등 이질적인 데이터(Multi-modal Data)를 통합적으로 이해하고 추론한다. ^[각주:3]

기존의 랭킹 모델들이 "사용자가 A 광고를 클릭할 확률"을 계산하는 데 집중했다면, GEM은 광고 소재의 맥락(Context)과 사용자의 잠재적 의도(Intent)를 시맨틱(Semantic) 차원에서 연결한다. 예를 들어, 시스템은 단순히 '운동화'라는 키워드를 매칭하는 것이 아니라, "도심 속 러닝을 즐기는 30대 직장인의 라이프스타일"이라는 뉘앙스를 파악하여, 해당 감성에 부합하는 크리에이티브를 우선적으로 선별한다.^[각주:4]

2.2 기술적 혁신: 모델 확장성과 지식 전이

GEM의 우월성은 데이터와 연산량이 증가할수록 성능이 비선형적으로 향상되는 '확장 법칙(Scaling Laws)'을 따르도록 설계되었다는 점이다. 메타의 엔지니어링 팀에 따르면, GEM은 기존 모델 대비 데이터와 연산 투입량 당 광고 성과 개선 효율이 4배 더 높다. 이는 광고주가 더 많은 양질의 데이터를 제공할수록, AI가 이를 학습하여 돌려주는 성과의 폭이 과거보다 훨씬 크다는 것을 의미한다.^[각주:5]

또한, GEM은 지식 전이(Knowledge Transfer) 기술을 통해 범용 모델이 학습한 방대한 지식을 개별 수직 모델(Vertical Models, 예: 릴스, 피드, 스토리 등)로 효율적으로 전파한다. 특히 주목할 만한 기술은 '스튜던트 어댑터(Student Adapter)'이다. 대형 모델(교사)과 실제 사용자에게 서빙되는 경량 모델(학생) 간의 업데이트 주기 차이로 인해 발생하는 '지식의 진부화(Stale Supervision)' 문제를 해결하기 위해, 스튜던트 어댑터는 실시간으로 관측된 데이터(Ground-truth)를 바탕으로 교사의 예측값을 보정한다. 이를 통해 지식 증류(Knowledge Distillation)의 효율성을 2배로 끌어올렸다. 이는 실시간으로 변화하는 트렌드와 사용자 반응을 GEM이 즉각적으로 반영할 수 있음을 시사한다.^[각주:6]

2.3 도메인 간 학습(Cross-Surface Learning)과 성과

GEM의 또 다른 핵심 역량은 플랫폼 간 장벽을 허무는 도메인 간 학습이다. 인스타그램 릴스에서 발생한 숏폼 비디오에 대한 사용자 반응 데이터를 페이스북 뉴스피드의 정적 이미지 광고 최적화에 활용하는 식이다.5 이러한 상호 연결성은 파편화된 데이터를 통합하여 사용자 프로필의 정확도를 극대화한다.^[각주:7]

실제 성과 측면에서 GEM 도입 이후 인스타그램의 광고 전환율은 5%, 페이스북 피드는 3% 증가한 것으로 보고되었다.^[각주:8] 또한, 2025년 3분기에는 모델 아키텍처 개선을 통해 동일한 데이터 양으로 성능 이점을 두 배로 늘리는 성과를 거두었다. 이는 GEM이 단순한 업데이트가 아니라, 지속적으로 진화하는 유기체적 시스템임을 증명한다.

3. Andromeda(안드로메다): 차세대 검색 및 추천 엔진의 메커니즘

3.1 검색(Retrieval) 단계의 병목 해결과 혁신

광고 시스템은 크게 두 단계로 작동한다. 첫째는 수십억 개의 광고 인벤토리 중 사용자에게 노출할 후보군을 추려내는 검색(Retrieval) 단계이고, 둘째는 추려진 후보들의 순위를 매기는 랭킹(Ranking) 단계이다. GEM이 랭킹 단계의 두뇌라면, Andromeda는 검색 단계의 성능을 비약적으로 향상시킨 차세대 엔진이다.^[각주:9]

Andromeda 개발의 주된 배경은 Advantage+ 캠페인과 생성형 AI 도구의 보급으로 인해 광고 소재의 수가 폭발적으로 증가했기 때문이다. 기존의 검색 아키텍처는 이렇게 방대한 소재를 실시간으로, 그리고 정밀하게 처리하는 데 한계가 있었다. Andromeda는 NVIDIA Grace Hopper Superchip과 MTIA(Meta Training and Inference Accelerator) 하드웨어를 기반으로 구축되어, 대규모 병렬 처리를 통해 이 문제를 해결했다.^[각주:10]

3.2 Meta Lattice와의 통합: 유니버셜 아이덴티티 그래프

Andromeda는 Meta Lattice라는 프레임워크와 결합하여 광고 추천의 정확도를 높인다. Lattice는 과거 수천 개의 카테고리별로 분절되어 있던 광고 카탈로그를 하나의 거대한 통합 시스템으로 재편한다.^[각주:11]

구분	기존 시스템 (Legacy)	Andromeda + Lattice (2025)
데이터 구조	카테고리별 분리된 카탈로그 (Silos)	단일화된 거대 아이덴티티 그래프 (Unified)
매칭 방식	키워드 및 관심사 카테고리 매칭	시맨틱(의미) 기반, 사용자 행동 맥락 매칭
확장성	카테고리 외 타겟 확장 제한적	전혀 다른 카테고리에서도 잠재 고객 발굴 가능
효율성	다수의 소규모 모델 운용으로 비효율	단일 대형 모델 운용으로 리소스 최적화

Lattice와 Andromeda의 결합은 "스포츠 용품을 검색한 사람에게 스포츠 용품만 보여주는" 1차원적 매칭을 넘어선다. 시스템은 사용자의 행동 패턴, 시각적 선호도, 현재의 감정 상태 등을 종합적으로 분석하여, 스포츠 용품과 전혀 상관없어 보이는 '여행 패키지'나 '금융 상품'이 해당 사용자에게 가장 적합한 광고일 수 있음을 예측하고 제안한다.

3.3 관심 붕괴 곡선(Interest Decay Curve)과 유사성 감지

Andromeda의 가장 강력하면서도 광고주들이 주의해야 할 기능은 '관심 붕괴 곡선(Interest Decay Curve)'의 계산이다.^[각주:12] GEM 모델은 사용자가 유사한 콘텐츠에 반복적으로 노출될 때 흥미가 떨어지는 속도를 수학적으로 모델링한다.

예를 들어, "그는 그날 밤을 예상하지 못했다..."라는 문구와 유사한 표지 디자인을 가진 웹소설 광고가 반복적으로 노출되었으나 전환이 발생하지 않는 경우, 시스템은 이를 '유사 행동 시퀀스(Similar Behavior Sequence)'로 인식한다. Andromeda는 이러한 패턴이 감지되면 해당 광고뿐만 아니라, 그와 유사한 구조를 가진 다른 광고들의 랭킹까지 자동으로 하향 조정한다.^[각주:13] 이는 광고주가 소위 '성공한 광고'를 약간만 변형하여 복제(Duplication)하는 전략이 더 이상 통하지 않음을 시사한다. 시스템은 이를 다양성이 아닌 '중복(Redundancy)'으로 간주하고 페널티를 부여한다.

3.4 성능 지표와 비즈니스 임팩트

Andromeda의 도입은 검색 시스템의 재현율(Recall)을 6% 향상시켰으며, 특정 세그먼트에서의 광고 품질을 8% 개선했다.^[각주:14] 비즈니스 측면에서의 임팩트는 더욱 명확하다. 닛산(Nissan)의 경우 유럽 테스트에서 Andromeda 기반의 최적화를 통해 랜딩 페이지 조회수가 39% 급증하는 성과를 거두었다.^[각주:15] 또한, 사이트 링크(Site Links) 기능을 광고에 추가했을 때 CPA가 4.5% 감소하고 CTR이 3% 증가하는 등, Andromeda는 광고 형식이 다양해질수록 더 정교한 최적화 능력을 보여준다.^[각주:16]

4. 소재(Creative) 전략의 재검증: 수량, 다양성, 그리고 노이즈

사용자 쿼리의 핵심인 "소재 수와 학습 단계의 검증"에 대해, 수집된 연구 자료와 현업의 데이터를 바탕으로 심층 분석을 진행한다.

4.1 소재 수량(Volume)에 대한 논쟁: 30개 vs 5-15개

Andromeda 업데이트 이후, 일각에서는 "AI에게 더 많은 선택지를 주기 위해 광고 세트당 30개 이상의 소재를 넣어야 한다"는 주장이 제기되었다. 그러나 데이터 분석 결과, 이는 대다수의 광고주에게 위험한 전략으로 판명되었다. 이를 '노이즈 역설(Noise Paradox)'이라 칭할 수 있다.

1. 예산 분산과 분석 마비: 광고 세트 내에 소재가 30개 이상 존재할 경우, 일일 예산이 극도로 파편화된다. 메타의 알고리즘이 승자 소재(Winner)를 판별하기 위해서는 각 소재당 최소한의 노출과 전환 데이터가 필요하다. 그러나 예산이 한정된 상태(예: 일일 $50-$200)에서 소재가 너무 많으면, 각 소재는 50~100회의 노출밖에 얻지 못하고 사장된다.^[각주:17] 이는 통계적 유의성을 확보하지 못한 채 잠재력 있는 소재를 조기에 폐기하는 결과를 낳는다.
2. 최적의 구간 (The Sweet Spot): 다수의 전문가와 실증 데이터는 광고 세트당 5~15개의 소재가 최적임을 가리킨다.^[각주:18] 이 구간은 알고리즘이 충분한 탐색(Exploration)을 할 수 있는 다양성을 제공하면서도, 각 소재에 유의미한 데이터가 축적될 수 있는 집중(Exploitation)을 가능하게 한다.
3. 예외적 상황: 일일 지출이 $10,000를 초과하는 대형 계정(High Spend Accounts)의 경우, 소재 피로도가 매우 빠르게 오기 때문에 20개 이상의 소재를 로테이션하는 것이 유효할 수 있다. 그러나 이는 일반적인 경우가 아니며, '규모의 경제'가 작동하는 특수 상황이다.^[각주:19]

4.2 다양성(Diversity)의 정의: 시각적 변형 vs 의미론적 변형

Andromeda 환경에서 '다양한 소재'란 단순히 배경색을 바꾸거나 모델을 교체하는 수준을 의미하지 않는다. 메타는 이를 '의미론적 다양성(Semantic Diversity)'으로 정의한다.

• 시각적 유사성 감지: Andromeda는 픽셀 단위 분석과 자연어 처리를 통해 광고 간의 유사성을 감지한다.^[각주:20] 만약 광고주가 10개의 소재를 등록했지만, 내용이 대동소이하다면 시스템은 이를 '10개의 기회'가 아닌 '1개의 중복된 그룹'으로 처리한다. 이 경우 입찰 과정에서 내부 경쟁(Self-competition)이 발생하거나, 1개의 소재에만 예산이 몰리고 나머지는 노출되지 않는 현상이 발생한다.
• P.D.A 프레임워크: 진정한 다양성을 확보하기 위해 P.D.A (Persona, Desire, Awareness) 프레임워크가 권장된다.^[각주:21]
  • Persona (인물/상황): "야근하는 직장인" vs "육아에 지친 부모"와 같이 타겟 페르소나를 다르게 설정한 소재.
  • Desire (욕구): "시간 절약(효율성)" vs "사회적 인정(명예)"과 같이 소구하는 욕구를 다르게 설정.
  • Awareness (인지 단계): "문제 제기형(Unaware)" vs "해결책 비교형(Solution-aware)" 등 인지 단계별 접근.
  • 이러한 방식으로 구성된 5~10개의 소재는 시스템 입장에서 완전히 다른 타겟 그룹을 공략할 수 있는 무기가 된다. 연구에 따르면, 서로 다른 동기 부여 요소를 가진 소재는 89%의 확률로 새로운 오디언스를 잠금 해제(Unlock)한다.^[각주:22]

4.3 학습 단계와 '신호 설계(Signal Architecture)'

GEM 모델 하에서 '학습 단계(Learning Phase)'는 여전히 존재하지만, 그 성격이 '기다림'에서 '적극적 교육'으로 바뀌었다.

• 해커(Hacker)의 몰락: 과거에는 자극적인 밈(Meme)이나 낚시성 문구로 클릭률(CTR)을 높여 ROAS를 확보하는 '해킹' 방식이 통용되었다. 그러나 Andromeda는 이러한 소재가 불러오는 트래픽의 '질(Quality)'을 평가한다. 밈 소재가 구매 의도 없는 '구경꾼'을 대거 유입시키면, GEM은 "이 광고는 구경꾼들이 좋아하는 광고"라고 학습하고, 더 많은 구경꾼에게 광고를 뿌린다. 결과적으로 예산은 효율적으로 소진되지만, 전환은 0에 수렴한다.^[각주:23]
• 신호 설계자(Signal Architect): 이제 광고주는 클릭을 덜 받더라도, 확실한 구매 의도를 가진 사람만을 걸러내는 '필터링 크리에이티브(Filter Creative)'를 제작해야 한다. 제품의 가격, 구체적인 혜택, 타겟을 명시한 소재는 초기에 CTR이 낮을 수 있지만, 유입된 트래픽의 전환율(CVR)이 높기 때문에 GEM에게 "이런 사람이 진짜 고객이다"라는 올바른 신호를 학습시킨다.^[각주:24]

5. 데이터 기반 최적화 알고리즘 연구 결과 및 실행 가이드

수집된 데이터와 분석 내용을 종합하여, 2025년 메타 광고 운영을 위한 구체적인 최적화 알고리즘 대응 전략을 수립하였다.

5.1 안드로메다 최적화를 위한 4대 실행 원칙

1. 계정 구조의 극단적 통합 (Radical Consolidation)

• 연구 결과: 5개의 광고 세트에 각각 5개의 소재를 분산하는 것보다, 1개의 광고 세트에 25개의 소재를 통합했을 때 전환율이 17% 증가하고 전환당 비용(CPA)은 16% 감소했다.^[각주:25]
• 메커니즘: GEM의 학습 효율은 데이터의 밀도에 비례한다. 광고 세트를 통합하면 전환 데이터가 한곳에 모여 머신러닝의 학습 속도가 빨라지고, Andromeda의 '모델 탄력성(Model Elasticity)'이 리소스를 효율적으로 배분할 수 있다.^[각주:26]
• 권장 구조: 캠페인당 1개의 광고 세트(One Ad Set per Campaign)를 기본으로 하되, 타겟팅은 '브로드(Broad)' 혹은 'Advantage+ Audience'를 사용하여 AI가 스스로 타겟을 찾도록 한다.

2. 예산 설정의 '3x 법칙'

• 연구 결과: Andromeda는 초기 반응(Initial Traction)이 저조한 소재를 매우 빠르게 도태시킨다. 소재가 충분한 기회를 얻기도 전에 예산 부족으로 꺼지는 것을 방지해야 한다.
• 실행 가이드: 일일 예산은 목표 CPA의 최소 3배(3x Target CPA) 이상으로 설정해야 한다.^[각주:27] 예를 들어 목표 CPA가 $50라면, 캠페인 일일 예산은 최소 $150이어야 한다. 이는 알고리즘이 하루에 최소 3건 이상의 전환을 만들어내며 학습 데이터를 안정적으로 확보하기 위한 임계점이다.

3. 소재 생명주기 관리 및 교체 전략

• 교체 주기: 일반적으로 7~14일 주기로 소재를 리프레시(Refresh)하는 것이 권장된다.^[각주:28] 이는 GEM의 '관심 붕괴 곡선'이 작동하여 기존 소재의 효율이 떨어지기 시작하는 시점과 일치한다.
• 테스트 방식: 새로운 소재를 테스트할 때 별도의 테스트 캠페인을 만들기보다, 기존의 잘 돌아가는 광고 세트에 신규 소재를 투입하여 기존 소재와 경쟁시키는 방식이 더 효율적일 수 있다.^[각주:29] Andromeda는 실시간으로 성과를 비교하여 더 나은 소재에 예산을 몰아준다. 단, 이 경우 신규 소재가 초기에 노출 기회를 얻지 못할 수 있으므로, 메타의 '광고 소재별 최적화' 기능을 신뢰하거나, 예산이 큰 경우 별도의 샌드박스 캠페인을 운용한다.

4. CTR 지표의 전략적 해석

• 새로운 기준: 15% 이상의 높은 CTR(특히 틈새 시장 타겟팅 시)은 해당 소재가 Andromeda의 추천 알고리즘에 의해 정확한 잠재 고객에게 도달했음을 보여주는 강력한 신호일 수 있다.^[각주:30]
• 주의점: 앞서 언급한 대로, 높은 CTR이 낮은 전환율(CVR)과 결합된다면 이는 '잘못된 신호'를 증폭시키는 독이 된다. 따라서 CTR은 반드시 ROAS 및 CPA와 함께 복합적으로 해석되어야 한다. 클릭만 높고 전환이 없는 소재는 즉시 중단(Kill)해야 한다.

5.2 GEM + Andromeda 대응 매트릭스

다음은 기존(Legacy) 방식과 2025년 최적화 방식의 비교를 요약한 표이다.

최적화 요소	기존 방식 (Pre-2024)	GEM + Andromeda 방식 (2025)	기대 효과 및 근거
타겟팅	관심사, 유사 타겟(Lookalike) 수동 설정	브로드(Broad) + 소재 기반 타겟팅	GEM이 행동 데이터 기반으로 유동적 타겟 발굴, 오디언스 범위 제한 없음
소재 수량	소수 정예 (3-5개) 또는 무작위 대량 등록	다양성 기반 최적 수량 (5-15개)	시맨틱 중복 방지, AI 탐색/집중의 균형 달성
계정 구조	세분화된 구조 (Audience별 분리)	통합 구조 (Consolidated)	데이터 밀도 증가로 학습 속도 10배 향상, 모델 탄력성 극대화
소재 전략	시각적 변화 (색상, 레이아웃)	의미론적 변화 (P.D.A 프레임워크)	심리적 트리거 다양화로 신규 오디언스 잠금 해제
성공 지표	저렴한 CPC, 높은 CTR	신호 품질, 증분 전환(Incremental Lift)	허수 트래픽 제거, 비즈니스 임팩트 중심 최적화

6. 자동화된 추론의 시대로

6.1 기술적 진화의 방향

메타의 엔지니어링 로드맵에 따르면, Andromeda 모델 아키텍처는 향후 자기회귀 손실 함수(Autoregressive Loss Function)를 지원하는 방향으로 전환될 예정입니다.^[각주:31] 이는 현재보다 더 효율적이고 빠른 추론을 가능하게 하며, 텍스트 생성 모델처럼 광고 추천 과정에서도 다음에 올 행동을 더욱 정교하게 예측하게 될 것이다. 또한, MTIA 칩셋과 차세대 GPU의 통합은 모델의 복잡도를 현재보다 1,000배 이상 증가시킬 것으로 추정됩니다.^[각주:32] 이는 광고 시스템이 인간의 직관을 완전히 넘어서는 수준의 패턴 인식을 수행하게 됨을 의미합니다.

6.2 미디어 바이어의 역할 변화

이러한 변화 속에서 미디어 바이어(Media Buyer)의 역할은 '시스템 오퍼레이터'에서 '크리에이티브 전략가(Creative Strategist)'이자 '데이터 큐레이터'로 변화해야 합니다. 버튼을 누르고 입찰가를 조정하는 기술적 기교는 AI에게 완전히 위임됩니다. 대신, 인간은 AI가 이해할 수 있는 고품질의 '원본 소스(Creative)'를 기획하고, AI가 학습하는 데이터의 방향성(Business Logic)을 점검하는 감독관의 역할을 수행해야 합니다.

메타의 GEM과 Andromeda 업데이트는 광고주들에게 '투명한 유리 상자' 안에서 움직일 것을 요구합니다. 알고리즘을 속이거나 우회하려는 시도는 더 이상 통하지 않으며, 오히려 역효과를 낳게 됩니다. 2026년의 승리 공식은 명확합니다. 구조는 단순하게(Consolidation), 소재는 의미 있게(Diversity), 신호는 정직하게(Accuracy) 유지하는 것입니다. 이 세 가지 원칙을 준수하는 광고주만이 메타의 초거대 AI 엔진을 자신의 비즈니스 성장을 위한 강력한 파트너로 활용할 수 있을 것입니다.

 

 

---

GEM 모델과 Andromeda 엔진의 상호작용 및 최적화 전략 FAQ

Q 1: Andromeda 업데이트 이후 계정 구조는 어떻게 변경해야 하나요?

A1: 가장 중요한 변화는 '극단적인 통합(Radical Consolidation)'입니다. 과거에는 타겟 오디언스별로 광고 세트를 잘게 쪼개는 것이 일반적이었으나, 현재의 GEM 모델은 데이터의 밀도가 높을수록 학습 속도가 빨라집니다. 따라서 여러 캠페인에 예산을 분산하기보다, **1개의 캠페인에 1개의 광고 세트(One Ad Set per Campaign)**를 설정하고 타겟팅을 '브로드(Broad)'로 열어두는 것이 권장됩니다. 연구 결과에 따르면, 이러한 통합 구조에서 25개의 소재를 운영했을 때 전환율이 17% 증가하고 CPA가 16% 감소하는 성과가 확인되었습니다. 

 

Q 2: '소재 다양성(Creative Diversity)'의 구체적인 기준은 무엇인가요?

A2: 단순히 배경색이나 모델을 바꾸는 시각적 변형은 AI가 '중복(Redundancy)'으로 인식하여 페널티를 줄 수 있습니다. Andromeda가 선호하는 다양성은 **의미론적 다양성(Semantic Diversity)**입니다. 이는 P.D.A 프레임워크로 설명할 수 있습니다.  

• Persona (대상): 대학생 vs 직장인 vs 부모 등 타겟 페르소나를 달리함.
• Desire (욕구): 시간 절약 vs 비용 절감 vs 사회적 인정 등 소구점을 달리함.
• Awareness (인식): 제품을 모르는 단계 vs 비교 단계 등 고객 여정을 달리함. 이러한 방식으로 구성된 5~15개의 소재가 최적의 효율을 냅니다.  

Q 3: '스튜던트 어댑터(Student Adapter)'가 학습 단계(Learning Phase)에 미치는 영향은 무엇인가요?

A3: 스튜던트 어댑터는 거대 모델(GEM/Teacher)의 지식을 실제 광고를 송출하는 경량 모델(Student)에 실시간으로 전달하는 기술적 연결고리입니다. 이 기술 덕분에 새로운 소재를 기존 광고 세트에 추가하더라도, 과거처럼 캠페인이 '학습 단계'로 돌아가 성과가 불안정해지는 현상이 최소화되었습니다. 즉, 전체 캠페인을 리셋할 필요 없이 **지속적 온라인 학습(Continuous Online Training)**이 가능하므로, 성과가 좋은 기존 세트에 신규 소재를 투입하는 전략이 더 안전합니다.  

 

Q 4: 과거의 '크리에이티브 해킹' 전략이 더 이상 유효하지 않은 이유는 무엇인가요?

A4: 과거에는 자극적인 밈(Meme)이나 낚시성 문구로 클릭률(CTR)을 높여 ROAS를 확보하는 '해킹'이 통했습니다. 하지만 GEM과 Andromeda는 사용자의 전환 의도까지 파악합니다. 구매 의도가 없는 사람들을 대거 유입시키는 '낚시성 소재'는 AI에게 "우리 고객은 구경만 하는 사람들이다"라는 잘못된 신호(Signal)를 학습시킵니다. 이제는 클릭을 덜 받더라도 구매 의도가 확실한 고객을 필터링해주는 '신호 설계(Signal Architecture)'형 소재가 장기적인 성과를 보장합니다.  

 

Q 5: 높은 CTR(클릭률)이 오히려 캠페인에 해가 될 수 있나요?

A5: 네, 그렇습니다. CTR은 높아도 전환율(CVR)이 낮다면 이는 '독이 든 성배'와 같습니다. Andromeda 업데이트 이후 CTR이 약 3% 증가하는 경향이 있지만, 전환이 동반되지 않는 높은 트래픽은 광고 비용만 소진시키고 알고리즘을 혼란스럽게 만듭니다. 따라서 CTR 자체보다는 CPA(전환당 비용)와 ROAS(광고 수익률), 그리고 증분 전환(Incremental Lift)을 핵심 지표로 삼아야 합니다. 단순히 클릭만 유도하는 소재는 과감히 중단(Kill)해야 합니다.  

 

메타 광고 알고리즘 GEM + Andromeda 최적화 가이드 

메타 광고 알고리즘 GEM + Andromeda 최적화 가이드

 

시퀀스 러닝: 개인화 광고 추천을 위한 패러다임의 전환 (Sequence learning: A paradigm shift for personalized ads recommendations)

시퀀스 러닝: 개인화 광고 추천을 위한 패러다임의 전환 (Sequence learning: A paradigm shift for personalized

 

 

 

 

 

 

 

1. https://fiveninestrategy.com/meta-andromeda-update-2025/ [본문으로]
2. https://engineering.fb.com/2024/12/02/production-engineering/meta-andromeda-advantage-automation-next-gen-personalized-ads-retrieval-engine/ [본문으로]
3. https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/ [본문으로]
4. https://fiveninestrategy.com/meta-andromeda-update-2025/ [본문으로]
5. https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/ [본문으로]
6. https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/ [본문으로]
7. https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/ [본문으로]
8. https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/ [본문으로]
9. https://engineering.fb.com/2024/12/02/production-engineering/meta-andromeda-advantage-automation-next-gen-personalized-ads-retrieval-engine/ [본문으로]
10. https://engineering.fb.com/2024/12/02/production-engineering/meta-andromeda-advantage-automation-next-gen-personalized-ads-retrieval-engine/ [본문으로]
11. https://fiveninestrategy.com/meta-andromeda-update-2025/ [본문으로]
12. https://www.reddit.com/r/PPC/comments/1ot3dk1/how_exactly_does_andromeda_influence_the/ [본문으로]
13. https://www.reddit.com/r/PPC/comments/1ot3dk1/how_exactly_does_andromeda_influence_the/ [본문으로]
14. https://engineering.fb.com/2024/12/02/production-engineering/meta-andromeda-advantage-automation-next-gen-personalized-ads-retrieval-engine/ [본문으로]
15. https://smk.co/meta-upgrades-advantage-with-smarter-andromeda-ai/ [본문으로]
16. https://www.socialmediatoday.com/news/meta-announces-ai-ad-updates-ads-in-notifications/743262/ [본문으로]
17. https://www.reddit.com/r/FacebookAds/comments/1oyljzv/are_people_really_running_30_creatives_in_one_ad/ [본문으로]
18. https://themtmagency.com/blog/meta-andromeda-october-2025-update-why-creative-diversity-now-defines-ad-performance [본문으로]
19. https://www.reddit.com/r/FacebookAds/comments/1onsxz7/who_has_already_applied_the_strategy_of_including/ [본문으로]
20. https://www.mindbees.com/blog/metas-andromeda-update-facebook-ads-insights/ [본문으로]
21. https://www.mindbees.com/blog/metas-andromeda-update-facebook-ads-insights/ [본문으로]
22. https://storehero.ai/metas-andromeda-update-explained-what-it-means-for-businesses/ [본문으로]
23. https://www.reddit.com/r/MarketingDigitalBR/comments/1o7otzy/o_mito_do_roas_4x_com_criativos_memes_entenda_o/?tl=en [본문으로]
24. https://www.reddit.com/r/MarketingDigitalBR/comments/1o7otzy/o_mito_do_roas_4x_com_criativos_memes_entenda_o/?tl=en [본문으로]
25. https://fiveninestrategy.com/meta-andromeda-update-2025/ [본문으로]
26. https://engineering.fb.com/2024/12/02/production-engineering/meta-andromeda-advantage-automation-next-gen-personalized-ads-retrieval-engine/ [본문으로]
27. https://www.mindbees.com/blog/metas-andromeda-update-facebook-ads-insights/ [본문으로]
28. https://www.mindbees.com/blog/metas-andromeda-update-facebook-ads-insights/ [본문으로]
29. https://www.reddit.com/r/FacebookAds/comments/1oyljzv/are_people_really_running_30_creatives_in_one_ad/ [본문으로]
30. https://www.reddit.com/r/FacebookAds/comments/1p0mecw/03_euro_cpc_and_15ctr_but_still_not_profitable/ [본문으로]
31. https://engineering.fb.com/2024/12/02/production-engineering/meta-andromeda-advantage-automation-next-gen-personalized-ads-retrieval-engine/ [본문으로]
32. https://engineering.fb.com/2024/12/02/production-engineering/meta-andromeda-advantage-automation-next-gen-personalized-ads-retrieval-engine/ [본문으로]