대부분의 팀은 광고 크리에이티브 (Ad Creative) 테스트를 단순히 내보낸 파일들이 담긴 폴더처럼 취급합니다. 하지만 **어떤 아이디어가 실제로 승리했는지, 그리고 버전 간에 무엇이 바뀌었는지?**와 같은 간단한 질문에 답해야 할 때가 오면 이 방식은 한계에 부딪힙니다.

경량 데이터 모델 (Lightweight Data Model)을 사용하면 AI 지원 크리에이티브 작업을 훨씬 쉽게 비교할 수 있습니다. 목표는 완전한 광고 기술 (Ad-tech) 플랫폼을 구축하는 것이 아닙니다. 모션 (Motion), 음악 (Music), 편집 (Editing)으로 인해 차이점을 파악하기 어려워지기 전에, 각 에셋 (Asset) 뒤에 숨겨진 의도를 보존하는 것입니다.

에셋이 아닌 실험부터 시작하세요

실험 (Experiment)은 먼저 상업적 질문을 정의해야 합니다:

{
  "experiment_id": "summer-landing-page-01",
  "goal": "product_page_visit",
...

실험 내에서 생성된 모든 컨셉 (Concept)은 동일한 목표 (Goal), 타겟 (Audience), 배치 (Placement)를 상속받습니다. 이는 서로 다른 문제를 해결하기 위해 설계된 두 개의 매력적인 이미지를 비교하게 되는 흔한 문제를 방지합니다.

크리에이티브 앵글을 별도로 모델링하세요

크리에이티브 앵글 (Creative Angle)은 전략적 아이디어인 반면, 에셋 (Asset)은 그 아이디어의 한 가지 실행 결과물입니다.

{
  "angle_id": "problem-first",
  "hook": "Dry skin should not decide what makeup you can wear",
...

이러한 분리가 중요한 이유는 배경색을 바꾸는 것은 변형 (Variant)이지만, 약속 (Promise)을 바꾸는 것은 새로운 앵글 (Angle)이기 때문입니다. 이러한 구분이 없다면, 팀은 6가지 아이디어를 테스트했다고 믿을 수 있지만 실제로는 하나의 아이디어를 6가지 색상으로 테스트했을 뿐일 수 있습니다.

비디오 제작 전에 스틸 이미지를 생성하세요

스틸 이미지 (Still Images)는 비용이 저렴한 체크포인트 (Checkpoint)입니다. 각 앵글 (Angle)에 대해 여러 이미지 변형 (Variant)을 제작한 다음, 모션 (Motion)을 추가하기 전에 점수를 매기세요.

유용한 리뷰 객체 (Review Object)는 작게 유지할 수 있습니다:

{
  "asset_id": "problem-first-v03",
  "angle_id": "problem-first",
...

정확한 규모보다는 일관성 (Consistency)이 더 중요합니다. 휴대폰 크기에서 리뷰하고, 다듬기 (Polish) 작업이 불분명한 약속 (Promise)을 보완하게 두지 마세요.

승자만 업그레이드하세요

스틸 이미지가 리뷰를 통과하면, 모션 (Motion)이 무엇을 수행해야 하는지를 기록하는 자식 에셋 (Child Asset)을 생성합니다:

{
  "asset_id": "problem-first-v03-motion-a",
  "parent_asset_id": "problem-first-v03",
...

부모-자식 (parent-child) 관계는 중요합니다. 이를 통해 모든 MP4 파일을 서로 관련 없는 파일로 취급하는 대신, 비디오를 그것이 파생된 정지 이미지 컨셉과 비교할 수 있습니다.

생성 메타데이터를 유지하되, 전략과 혼동하지 마세요

프롬프트 (prompt), 모델 (model), 시드 (seed), 종횡비 (aspect ratio), 그리고 생성 비용 (generation cost)을 저장하세요. 이 필드들은 에셋 (asset)을 재현하는 데 도움이 됩니다. 하지만 이 필드들이 해당 에셋이 왜 효과적이어야 하는지를 설명해주지는 않습니다.

가설 (hypothesis), 앵글 (angle), 훅 (hook), 증거 (proof), 그리고 결정 노트 (decision notes)가 전략적 맥락을 담고 있습니다. 두 계층 모두 필요합니다.

단순한 리뷰 파이프라인 (review pipeline)

1. 하나의 실험과 측정 가능한 목표를 정의합니다.
2. 두세 개의 뚜렷한 크리에이티브 앵글 (creative angles)을 만듭니다.
3. 각 앵글당 여러 개의 정지 이미지 변형 (still variants)을 생성합니다.
4. 명확성 (clarity), 가독성 (readability), 훅의 강도 (hook strength), 그리고 브랜드 적합성 (brand fit)을 점수화합니다.
5. 승리한 정지 이미지(winning still)만 모션 (motion)으로 업그레이드합니다.
6. 원래의 실험 옆에 전달 지표 (delivery metrics)를 기록합니다.
7. 결과를 사용하여 다음 가설을 업데이트합니다.

저는 TrendVis에서 이 이미지 우선 (image-first) 구조를 적용해 왔으며, 여기서 워크플로우는 캠페인 의도 (campaign intent)에서 크리에이티브 앵글, 이미지 변형, 그리고 선택된 컨셉에 따른 비디오로 이동합니다.

더 넓은 관점에서의 교훈은 도구에 종속되지 않습니다: 모든 에셋이 존재해야 하는 이유와 추적 가능한 부모 결정 (parent decision)을 가질 때, AI 크리에이티브 워크플로우는 더욱 유용해집니다. 작은 스키마 (schema)만으로도 생성된 미디어 더미를 반복 가능한 실험 시스템으로 바꾸기에 충분한 경우가 많습니다.