Creative Systems / AI Design Automation
AI에게 디자인을 가르친다는 것은 ‘룰 운영체제’를 만드는 일이다
네이버 ADVoost Creative 구축기는 “생성형 AI로 광고를 만든다”는 이야기가 아니라, 디자이너의 암묵지를 규칙·검증·피드백 루프로 바꾸는 운영 시스템에 관한 이야기다.
이 발표의 겉보기 주제는 네이버 광고 소재 자동 생성 시스템입니다. 광고주가 상품 이미지와 혜택 정보를 넣으면 AI가 여러 지면에 맞는 광고 배너와 모션 소재를 만들어주는 이야기죠. 하지만 실제로 더 흥미로운 지점은 “AI가 디자인을 잘하게 됐다”가 아닙니다.
핵심은 반대에 가깝습니다. 발표자들은 AI가 처음부터 광고를 “뚝딱” 만들어주지 못했다고 말합니다. 광고는 예쁘기만 하면 되는 이미지가 아니라, 검수 규칙, 상품 보존, 문구 정확성, 지면 제약, 성과 데이터까지 통과해야 하는 운영물입니다. 그래서 이 프로젝트의 본질은 AI에게 자유롭게 만들라고 시키는 것이 아니라, 사람이 하던 디자인 판단을 실행 가능한 룰로 번역하는 일이었습니다.
1. 프롬프트가 아니라 제약 조건이 제품을 만든다
프로젝트 초반의 가정은 단순했습니다. 광고하고 싶은 내용을 적고 생성 버튼을 누르면 이미지 생성 AI가 배너를 만들어줄 것이라는 기대입니다. 그런데 실제 광고 소재에서는 그 방식이 바로 막힙니다. 상품이 이상하게 변형되면 안 되고, 광고 문구와 다른 내용이 노출되면 안 되며, 검수에서 걸릴 표현이나 이미지도 피해야 합니다.
즉 광고 생성은 “멋진 이미지 생성” 문제가 아니라 제약 조건 안에서 쓸 수 있는 결과물을 반복 생산하는 문제입니다. 여기서 디자이너의 역할은 시안을 직접 만드는 것에서, AI가 벗어나면 안 되는 경계와 판단 기준을 설계하는 쪽으로 이동합니다.
생성형 이미지의 관점
프롬프트를 넣으면 그럴듯한 후보를 만든다. 창의성은 높지만, 광고 운영 규칙을 자주 어긴다.
광고 시스템의 관점
상품, 문구, 지면, 검수, 성과라는 제약을 통과해야 한다. 쓸 수 있는 반복성이 더 중요하다.
2. 템플릿은 고정 틀이 아니라 암묵지의 압축이다
발표에서 가장 좋은 사례는 상품 이미지 비율에 따른 레이아웃 규칙입니다. 세로로 긴 청소기와 정방형 수분크림을 같은 영역에 넣으면 하나는 적당해 보이고 다른 하나는 너무 커 보입니다. 그래서 시스템은 오브젝트가 세로형인지, 가로형인지, 정방형인지 판단하고 이미지 영역의 100% 또는 85%처럼 다른 기준을 적용합니다.
이건 사소해 보이지만 자동화의 핵심입니다. 사람이 피그마에서 “이건 좀 커 보이네”라고 느끼고 손으로 줄이던 판단을, 기계가 실행할 수 있는 기준으로 바꾼 것이기 때문입니다. 좋은 템플릿은 디자인을 단순화하는 장치가 아니라, 디자이너의 반복 판단을 압축한 실행 규칙입니다.
3. 예외 처리가 곧 디자인 품질이다
광고주가 항상 완벽한 상품 이미지를 올리지는 않습니다. 인물이나 상품 일부가 어색하게 잘린 이미지도 많습니다. 단순히 잘린 면을 한쪽에 붙이면 이미지가 한쪽으로 쏠리고, 두 면을 모두 붙이려 하면 너무 커져서 텍스트를 가립니다. 그라데이션으로 덮어도 어색함은 남습니다.
네이버 팀이 찾은 힌트는 실제 사람이 만든 광고 소재였습니다. 사람들은 잘린 인물 이미지를 프레임 안에 넣어 “원래 그렇게 구성된 것처럼” 보이게 만들고 있었습니다. 그래서 시스템도 잘린 부분에 맞춰 프레임을 씌우고, 배경보다 조금 진한 컬러를 적용하는 규칙을 만들었습니다.
4. 컬러 선택도 ‘감각’에서 ‘알고리즘’으로 내려와야 한다
디자이너는 상품을 보고 “분홍색이 어울리겠네”, “그런데 상품이 묻히니 노란색이 낫겠다”라고 빠르게 판단합니다. 하지만 시스템은 “많이 쓰인 컬러”가 무엇인지부터 정의해야 합니다. 픽셀 기준으로만 보면 비슷한 분홍색 100개가 추출될 수 있기 때문입니다.
발표에서는 색상환 기준으로 컬러 간 각도가 최소 30도 이상 떨어지게 하는 규칙을 만들고, 1순위 컬러를 그대로 쓰는 대신 보색 계열까지 추출해 상품이 더 돋보이도록 개선합니다. 이 대목은 AI 디자인 자동화가 사실상 디자인 원리를 계산 가능한 기준으로 재작성하는 과정임을 잘 보여줍니다.
사람의 언어
비슷한 핑크만 나오지 않게 하고, 상품이 묻히면 보색으로 살린다.
시스템의 언어
색상환 각도, 주요 컬러 추출, 보색 후보, 랜덤 노출 규칙으로 변환한다.
5. 다양성은 ‘AI에게 맡기기’가 아니라 제어된 자유도에서 나온다
서비스를 열고 나서 광고주들은 소재가 비슷비슷하고 단조롭다고 말했습니다. 이유는 명확합니다. 룰을 촘촘하게 만들수록 안정성은 올라가지만, 결과는 획일화되기 쉽습니다. 그래서 두 번째 단계는 폰트, 문구 강조, 배경 생성 같은 자유도를 다시 넣는 일이었습니다.
하지만 이 자유도도 무제한이 아닙니다. 폰트는 광고 컨셉 키워드와 매칭하고, 강조 문구는 하나의 텍스트 안에서 50%까지만 강조하도록 제한합니다. AI 배경 생성도 “가을 배경”이라는 추상 프롬프트가 아니라, 베이지 갈대밭, 구름 없는 하늘, 제품이 놓일 바위 같은 구체 조건으로 다시 좁힙니다.
6. Image-to-Motion은 환상보다 분류 체계가 먼저다
후반부의 I2M(Image to Motion) 사례도 같은 패턴입니다. 이미지를 움직이게 만드는 기술은 처음엔 콜라 UI를 깨뜨리거나, 반지에 다이아몬드를 새로 생성하거나, 드라이기를 불 뿜는 물체로 오해했습니다. 모델의 상상력이 광고의 신뢰성을 망가뜨린 겁니다.
팀은 모션을 세 가지로 분류합니다. 제품 자체가 움직이는 모션, 제품은 유지하고 배경만 움직이는 모션, 제품과 배경은 두고 간접 효과만 주는 모션입니다. 인물 이미지에서는 표정 변화가 민감하므로 머리카락이 살짝 움직이는 정도로 더 엄격하게 제한합니다. 여기서도 답은 “더 강한 모델”이 아니라 어떤 대상에 어떤 종류의 변형을 허용할지 정하는 분류 체계였습니다.
7. 성과 데이터는 다시 생성 규칙으로 돌아와야 한다
발표는 성과 지표도 공유합니다. 베스트 케이스에서는 자동 생성 소재를 여러 지면에 확장하면서 노출수, 유입수, 구매 전환율이 좋아졌고, 현재 집행 지표에서도 직접 만든 소재 대비 더 높은 CTR 사례가 언급됩니다. 중요한 건 숫자 자체보다 다음 루프입니다.
팀은 성과가 좋은 소재를 모아 텍스트 비율, 문구 유형, 문구 길이, 톤 같은 특징을 AI로 분석하고, 그 결과를 다시 생성 규칙에 학습시키려 합니다. 이때 광고 자동화는 한 번 만든 템플릿 묶음이 아니라, 성과가 좋은 패턴을 다시 룰로 회수하는 시스템이 됩니다.
8. 디자이너의 역할은 작업자에서 결정권자로 이동한다
마지막 회고가 이 발표의 결론입니다. AI 시대에 디자이너가 사라지는 것이 아니라, 오히려 “AI에게 어떻게 디자인을 가르칠 것인가”라는 새로운 문제가 생겼다는 말입니다. 지금까지 직감으로 처리하던 컬러, 레이아웃, 예외 처리, 강조 기준을 룰로 만들고, AI가 만든 결과물이 서비스에 적합한지 스스로 판단해야 합니다.
이건 디자이너에게 더 높은 수준의 추상화를 요구합니다. 예쁜 시안을 만드는 능력만으로는 부족하고, 예쁨을 만드는 조건을 설명하고, 실패 케이스를 분류하고, 자동화가 따라야 할 기준을 정해야 합니다. 결국 AI 시대의 디자이너는 작업자가 아니라 디자인 운영체제의 정책 설계자에 가까워집니다.
핵심 정리
- AI 광고 생성은 프롬프트 문제가 아니라 제약 조건과 검수 규칙을 통과하는 운영 시스템 문제다.
- 템플릿은 고정된 틀이 아니라 디자이너의 반복 판단을 압축한 실행 규칙이다.
- 실제 제품 품질은 완벽한 입력보다 잘린 이미지, 복잡한 배경, 민감한 인물 같은 예외 처리에서 갈린다.
- 컬러·폰트·문구 강조 같은 감각도 자동화를 위해서는 계산 가능한 기준으로 내려와야 한다.
- 다양성은 무제한 생성이 아니라 안전한 기본 룰 위에 제한된 자유도를 얹을 때 나온다.
- I2M 같은 모션 생성도 모델 성능보다 “무엇을 움직여도 되는가”의 분류 체계가 먼저다.
- 성과 데이터는 리포트에서 끝나지 않고 다음 생성 규칙으로 회수되어야 한다.
- AI 시대의 디자이너는 시안 작업자에서 디자인 판단 기준의 결정권자·정책 설계자로 이동한다.
Sources: YouTube video “[팀네이버 컨퍼런스 DAN25] 오늘도 AI에게 디자인을 가르치는 중입니다 : AI 광고 소재 생성 시스템 구축기” by 네이버 NAVER, uploaded 2025-11-27. Transcript extracted with YouTube transcript API on 2026-05-08; Korean transcript was used as the primary source. Original URL: https://www.youtube.com/watch?v=H1-VkEwlLNU. Screenshots are captured from the public YouTube source for learning/commentary purposes.