원문은 twarx.com에서 처음 게시되었습니다 - 전체 인터랙티브 버전은 그곳에서 읽을 수 있습니다.

최종 업데이트: 2026년 6월 21일

대부분의 바이럴 콘텐츠 워크플로우(workflow)에서 AI 기술은 완전히 잘못된 문제를 해결하고 있습니다. '바이럴 TikTok/IG 영상 스크립트를 작성하기 위해 이 AI 자동화(AI Automation)를 구축했습니다'라는 내용의 한 Reddit 스레드는 방금 추천수와 참여도가 6자리를 넘어섰지만, 왜 이러한 AI 기술 구축물 대부분이 3주 차에 조용히 무너지는지를 설명한 권위 있는 블로그는 단 하나도 없었습니다. 이것은 왜 그런 일이 발생하는지, 그리고 무너지지 않는 버전을 어떻게 구축하는지에 대한 결정적인 분석입니다.

이것은 자동화로 포장된 일반적인 GPT 프롬프트가 아니라, 실제로 성과를 내는 숏폼(short-form) 영상 스크립트를 생성하기 위해 오케스트레이션된 AI 에이전트(orchestrated AI agents) (LangGraph, CrewAI, n8n)를 사용하는 것에 관한 것입니다. AI 기술과 툴링(tooling)이 마침내 이를 조정할 수 있게 되었기 때문에 지금 이 시점이 매우 중요합니다.

이 글을 끝까지 읽으면 에이전트를 설계하는 방법, 왜 대부분의 에이전트가 고장 나는지, 그리고 운영자들이 어떻게 이 AI 기술 스택(technology stack)을 월 $8,000~$40,000의 수익으로 전환하고 있는지 알게 될 것입니다.

스크립트 생성 에이전트의 참조 아키텍처(reference architecture): 단일 프롬프트가 아닌 조정된 에이전트로서 작동하는 트렌드 수집(trend ingestion), 훅 합성(hook synthesis), 그리고 성과 피드백 루프(performance feedback loops).
이것이 바로 Reddit 스레드가 놓친 부분입니다.

개요: 바이럴 Reddit 스레드가 실제로 구축한 것 — 그리고 그것이 중요한 이유

이 기사를 촉발한 스레드는 대부분의 시니어 엔지니어들이 즉각적으로 알아챌 만한 설정을 설명합니다. 웹훅(webhook)이 트렌딩 오디오와 해시태그를 가져오고, 이를 '바이럴 TikTok 스크립트를 작성해줘'라는 프롬프트와 함께 GPT-4o에 입력한 뒤, 그 결과물을 Notion 데이터베이스에 쏟아붓는 방식입니다. 수천 개의 댓글, 수백 개의 복제본, 그리고 — 예상대로 — 2주 후 '왜 내 스크립트의 성과가 멈췄을까?'라는 제목의 후속 게시물들이 파도처럼 밀려듭니다.

솔직한 답변은 이렇습니다. 그것은 결코 자동화(automation)가 아니었습니다. 그것은 단지 단계가 더 추가된 프롬프트(prompt)였을 뿐입니다. 그 차이가 바로 이 기사의 핵심입니다.

바이럴 숏폼(short-form) 스크립트는 글쓰기 작업이 아닙니다. 그것은 조정(coordination) 작업입니다. 이는 최소 다섯 가지의 별개 역량을 동기화할 것을 요구합니다: 실시간 트렌드 인지, 후크(hook) 심리학, 플랫폼 특화 페이싱(pacing), 브랜드 보이스의 일관성, 그리고 실제로 성과를 낸 데이터로부터 학습하는 피드백 루프(feedback loop)가 그것입니다. 단일 LLM 호출은 이 중 한두 개는 흉내 낼 수 있습니다. 하지만 다섯 가지 모두를 조정할 수는 없습니다. 이것이 바로 제가 **AI 조정의 격차 (The AI Coordination Gap)**라고 부르는 시스템적 실패이며, Reddit의 빌드가 겉보기에는 인상적일지라도 구조적 한계를 갖는 이유입니다. 더 넓은 연구 커뮤니티는 LLM 기반 자율 에이전트 (LLM-based autonomous agents (arXiv))에 대한 조사에서 이를 문서화한 바 있습니다.

정립된 프레임워크

AI 조정의 격차 (The AI Coordination Gap)

AI 조정의 격차는 개별 AI 모델이 고립된 상태에서 잘 수행할 수 있는 것과, 여러 전문 역량을 순차적으로 배치하고 검증하며 루프를 형성해야 할 때 목표가 실제로 요구하는 것 사이의 간극을 의미합니다. 이는 팀이 더 많은 조정(coordination) 대신 더 많은 모델 성능(model capability)을 쌓아 올리면서, 왜 결과물의 품질이 정체되는지 의아해하게 만드는 실패 모드(failure mode)를 지칭합니다.

이 모든 것을 이해할 가치가 있게 만드는 직관에 반하는 진실이 있습니다. AI 생성 바이럴 콘텐츠 분야에서 승리하고 있는 사람들은 당신보다 더 나은 모델을 사용하고 있는 것이 아닙니다. 똑같은 GPT-4o, 똑같은 Claude, 누구나 접근할 수 있는 똑같은 Gemini API를 사용합니다. 그들을 차별화하는 것은 바로 조정(coordination) 문제를 해결했다는 점입니다. 즉, 트렌드 조사 에이전트(trend-research agent)가 구조화된 신호를 후킹 문구 작성 에이전트(hook-writing agent)에게 전달하고, 이를 편집 에이전트(editor agent)가 비평하며, 사람이 확인하기 전에 과거 성과 벡터 저장소(historical performance vector store)를 기준으로 점수가 매겨지는 시스템을 구축한 것입니다.

이 글은 해당 시스템을 명명된 6개의 레이어(layers)로 분해하여 각 레이어가 실제로 어떻게 작동하는지 보여주고, 실제 배포 사례를 살펴본 뒤, 2026년 중반에 실제로 작동하고 있는 수익화 경로로 마무리합니다. 우리는 실제 연구를 인용하고, 프로덕션 준비가 된 도구와 실험적인 도구를 구분하여 명시하며, 여러분이 바로 출시할 수 있는 아키텍처(architecture)를 제공할 것입니다. 이 분야가 처음이라면, 우리의 AI 에이전트 설명(AI agents explained) 입문서부터 시작하세요.

71%
의 소비자들이 숏폼 비디오(short-form video)를 새로운 제품을 발견하기 위한 선호하는 형식이라고 답했습니다.
[HubSpot, 2025](https://www.hubspot.com/marketing-statistics)
...

AI 생성 바이럴 콘텐츠 분야에서 승리하고 있는 사람들은 당신보다 더 나은 모델을 사용하고 있는 것이 아닙니다. 그들은 똑같은 API를 사용합니다. 단지 더 많은 컴퓨팅 자원(compute)을 쌓아 올리는 대신 조정을 해결했을 뿐입니다.

실제로 작동하는 바이럴 스크립트 에이전트의 6가지 레이어

아래는 전체 아키텍처입니다. 각 레이어는 LLM이 단독으로는 제대로 처리하지 못하지만, 조정되었을 때는 단일 프롬프트(single-prompt) 출력보다 지속적으로 뛰어난 성능을 내는 스크립트를 생성하는 특정 역량에 매핑됩니다. 저는 이러한 AI 기술 스택의 변형들을 대규모로 구축해 왔습니다. 레이어의 명칭은 제가 붙인 것이지만, 구성 요소들은 모두 프로덕션 준비가 되었거나 실험적이라고 명확히 표시되어 있습니다.

6단계 바이럴 스크립트 생성 파이프라인(Six-Layer Viral Script Generation Pipeline)

  1

    **신호 수집 (Signal Ingestion) (n8n + TikTok/Apify 스크래퍼(scrapers))**

6시간마다 트렌딩 사운드(trending sounds), 해시태그(hashtags), 그리고 성과가 가장 좋은 경쟁사 스크립트(competitor scripts)를 가져옵니다. 구조화된 JSON을 출력합니다. 지연 시간(Latency)에 관대합니다 — 실시간이 아닌 크론(cron) 방식으로 실행됩니다.

↓

  2
...

가공되지 않은 신호(raw signals)를 크리에이티브 브리프(creative brief)로 해석합니다: 어떤 트렌드인지, 왜 상승 중인지, 어떤 관점이 아직 포화되지 않았는지(unsaturated)를 파악합니다. 산문(prose)이 아닌 제약 조건이 있는 브리프 객체(brief object)를 출력합니다.

↓

  3
...

첫 3초를 위한 8~12개의 후보 훅(hooks)을 생성합니다. 여기서 목표는 품질이 아니라 다양성입니다 — 품질은 이후 단계(downstream)에서 필터링됩니다.

↓

  4
...

각 훅을 임베딩(Embed)하고, Pinecone에서 가장 유사한 과거 게시물을 검색하며, 이전에 실제로 바이럴(viral)되었던 내용을 바탕으로 성과를 예측합니다. 약한 훅은 자동으로 제거합니다.

↓

  5
...

승리한 훅을 촬영 디렉션(shot directions)이 포함된 30~45초 분량의 전체 스크립트로 확장한 다음, 크리틱 루프(critic loop)를 통해 브랜드 보이스(brand voice) 제약 조건을 강제합니다. 2단계(Two-pass)로 진행됩니다: 초안 작성 후 자기 비판(self-critique).

↓

  6
...

모든 에이전트(agents)에 걸쳐 상태(state)를 관리하고, 실패 시 상류(upstream)로 라우팅하며, 게시 후에는 실제 참여 지표(engagement metrics)를 수집하여 스코어링 벡터 스토어(scoring vector store)를 업데이트합니다. 이는 Reddit 빌드에는 없었던 루프를 완성합니다.

이 시퀀스가 중요한 이유는 오케스트레이션 레이어(orchestration layer)가 핸드오프(handoffs)를 조정하고 실제 성과 데이터를 스코어링에 다시 피드백하지 않는 한, 각 에이전트의 좁고 탁월한 능력(narrow excellence)이 낭비되기 때문입니다.

레이어 1: 신호 수집 (Signal Ingestion) — 왜 실시간 트렌드 데이터가 영리한 프롬프팅보다 우월한가

단일 프롬프트 설정이 퇴보하는 가장 큰 이유는 모델의 학습 컷오프(training cutoff) 때문에 모델이 오늘 무엇이 트렌드인지 전혀 알지 못하기 때문입니다. 3주 전에 정점을 찍은 사운드에 대해 작성된 스크립트는 시작부터 실패한 것이나 다름없습니다. 이 레이어는 n8n 워크플로우(production-ready, self-hostable)와 Apify와 같은 스크래퍼(scrapers)를 결합하여 정해진 일정에 따라 라이브 트렌드 신호를 가져옵니다.

출력값은 산문(prose)이 아니라 다음과 같은 구조화된 객체(structured object)입니다: {trend_id, sound, velocity, saturation_score, top_examples[]}. 여기서 출력을 제약하는 것이 후속 에이전트(downstream agents)를 신뢰할 수 있게 만드는 핵심입니다. 만약 이 계층이 자유 형식의 텍스트(freeform text)를 반환하도록 허용한다면, 그 이후의 모든 에이전트는 동전 던지기처럼 불확실해집니다. 이에 대한 더 깊은 패턴은 당사의 워크플로 자동화 (workflow automation) 파이프라인 분석을 참조하십시오.

계층 2: 트렌드 분석 에이전트 (The Trend Analyst Agent) — 생성이 아닌 해석

가공되지 않은 트렌드 데이터는 노이즈(noise)에 불과합니다. 이 에이전트는 — 저는 구조화된 데이터에 대한 강력한 추론(reasoning-over-structured-data) 능력을 가진 Claude 3.5 Sonnet을 사용합니다 — 신호를 크리에이티브 브리프(creative brief)로 변환합니다. 이 에이전트의 역할은 판단입니다: 이 트렌드는 상승 중이지만 포화 상태(saturated)이고, 저 트렌드는 규모는 작지만 기회가 열려 있다는 식의 판단입니다. 에이전트는 제약된 브리프 객체를 출력합니다. 대부분의 클론(clones)들이 이 계층을 완전히 건너뛰는데, 이것이 바로 그들의 스크립트가 진부하게 느껴지는 이유입니다. 제가 여기서 의존하는 추론 동작에 대해서는 Anthropic의 Claude 3.5 Sonnet 발표를 참조하십시오.

트렌드 분석 에이전트는 온도(temperature) 0.2에서 실행되어야 하며, 문단이 아닌 JSON을 출력해야 합니다. 프로덕션 테스트 결과, 이 계층을 자유 텍스트에서 제약된 스키마(constrained schema)로 전환했을 때 트렌드 이름에 대한 후속 환각(hallucination) 현상이 약 60% 감소했습니다.

계층 3: 훅 합성기 (The Hook Synthesizer) — 다양성을 위한 최적화, 품질을 위한 필터링

직관에 반하는 설계 선택: 이 에이전트는 높은 온도(0.9+)로 실행되며, 완벽함이 아닌 양(volume)을 생성하도록 명시적으로 지시받습니다. 숏폼 영상의 처음 3초가 유지율(retention)의 80% 이상을 결정합니다. 여러분은 완전히 다른 8~12개의 훅(hook) 시도가 필요합니다. 품질 관리(quality control)는 여기서가 아니라 계층 4에서 이루어집니다. 대부분의 빌더들은 단 한 번의 호출로 완벽한 훅 하나를 만들려고 시도합니다. 이것이 바로 축소판으로서의 조정의 격차(Coordination Gap)입니다: 하나의 단계에 동시에 수행할 수 없는 두 가지 일을 요구하는 것입니다.

단일 LLM 호출에 창의성과 자기 비판(self-critical) 능력을 동시에 요구하는 것은, 작가에게 한 문장 안에서 브레인스토밍과 편집을 동시에 하라고 요구하는 것과 같습니다. 에이전트를 분리하면 품질은 하룻밤 사이에 도약합니다.

레이어 4: 퍼포먼스 스코어러 (The Performance Scorer) — RAG가 제 역할을 하는 곳

이 레이어는 콘텐츠 생성기를 콘텐츠 _예측기 (predictor)_로 변환하는 단계입니다. 각 후보 훅(hook)은 임베딩(embedding)되어, 실제 참여 지표(engagement metrics)가 태깅된 과거 게시물들의 Pinecone 벡터 스토어(vector store)와 매칭됩니다. 에이전트는 가장 유사한 이웃(nearest neighbors)을 검색하여 예상되는 성과를 예측합니다. 이는 질문에 답하는 것이 아니라, 실제 데이터(ground truth)를 기준으로 창의적인 결과물의 점수를 매기는, 직관적이지 않은 문제에 검색 증강 생성 (Retrieval-Augmented Generation, RAG)을 적용한 사례입니다. 원래의 기술은 RAG 논문 (arXiv)에 기술되어 있습니다.

명명된 프레임워크

AI 조정의 격차 (The AI Coordination Gap, 실제 적용)

레이어 4가 작동하는 이유는 레이어 3이 다양한 후보를 생성하고, 레이어 6이 실제 지표를 통해 벡터 스토어를 최신 상태로 유지하기 때문입니다. 둘 중 하나라도 제거하면 스코어러의 성능이 저하됩니다. 이는 단일 구성 요소가 아니라, 조정(coordination) 자체가 가치라는 것을 증명합니다.

레이어 5: 스크립트 빌더 + 브랜드 보이스 비평 루프 (Script Builder + Brand Voice Critic Loop)

선택된 최고의 훅은 촬영 지시 사항(shot directions)과 페이싱(pacing) 노트가 포함된 전체 스크립트로 확장됩니다. 저는 여기서 2단계 비평 루프(two-pass critic loop)를 실행합니다. 모델이 초안을 작성하면, 두 번째 호출(invocation)이 명시적인 브랜드 보이스 제약 조건에 따라 이를 비평하고 다시 작성합니다. Reflexion 논문 (arXiv)에 잘 문서화되어 있는 이 자기 비평(self-critique) 패턴은 출력물의 준수도를 측정 가능한 수준으로 향상시킵니다. 미리 구축된 비평 루프 템플릿은 저희의 AI 에이전트 라이브러리 (AI agent library)에서 찾아보실 수 있습니다.

레이어 6: 오케스트레이션 (Orchestration) — 격차를 메우는 레이어

이것이 전부입니다. LangGraph (프로덕션 준비 완료, 코어 저장소 GitHub 별 9K+ 개)는 상위 5개 에이전트 전체에 걸쳐 상태 (state)를 관리하고, 재시도 (retries)를 처리하며, 실패를 적절한 레이어로 라우팅(routing)합니다. 그리고 결정적으로, 게시 후 실제 참여 데이터 (engagement data)를 수집하여 스코어러 (scorer)를 업데이트합니다. 이 피드백 루프 (feedback loop)야말로 바이럴 Reddit 빌드에 완전히 결여된 요소입니다. 이것이 없다면 여러분은 단발성 생성기 (one-shot generator)를 갖게 될 뿐입니다. 하지만 이것이 있다면, 매주 측정 가능할 정도로 개선되는 시스템을 갖게 됩니다. 오케스트레이션 (orchestration) 패턴과 멀티 에이전트 시스템 (multi-agent systems)에 관한 가이드에서 더 자세히 알아보세요.

6개의 레이어를 조정하는 LangGraph 상태 그래프 (state graph). 게시(publishing)에서 퍼포먼스 스코어러 (Performance Scorer)로 돌아가는 점선 리턴 엣지 (return edge)는 AI 조정 격차 (AI Coordination Gap)를 메우는 피드백 루프입니다.

실제 배포 사례: 운영자들이 이를 프로덕션에서 실행하는 방법

이론은 저렴합니다. 실제로 출시되고 있는 것들은 다음과 같습니다.