19장. 프로젝트 2 — 광고 크리에이티브 A/B 테스트 자동화

광고 크리에이티브에서 가장 비싼 것은 제작비가 아니라 느린 학습이다. 예쁜 이미지를 한 장 만드는 일은 생각보다 어렵지 않다. 하지만 어떤 훅이 클릭을 만들고, 어떤 구도가 설치로 이어지며, 어떤 표현이 브랜드를 살리면서도 CPI를 낮추는지 알아내는 일은 전혀 다르다. 여기서 ComfyUI는 단순 생성기가 아니라 실험 엔진이 된다. 노드 그래프로 제작 과정을 고정하고, 같은 조건에서 변수만 바꾸고, 결과를 메타데이터와 함께 저장하면 광고 제작이 감각의 영역에서 운영의 영역으로 넘어간다.¹²

이번 프로젝트의 목표는 선명하다. 게임·앱 마케팅용 광고 변주를 하루에 100개 단위로 생성하고, 분류하고, 다음 테스트 라운드까지 밀어 넣는 파이프라인을 ComfyUI로 만드는 것이다. 이 장은 잘 나온 한 장의 비주얼보다, 빨리 버리고 빨리 남기는 시스템에 집중한다. 실무 ROI가 가장 또렷하게 드러나는 지점이 바로 여기다.

이 프로젝트의 완성 목표

이 프로젝트에서 만드는 것은 단순한 생성 그래프가 아니다. 마케터와 크리에이티브 팀이 바로 실험에 쓸 수 있는 UA 테스트 공장이다. 기본 산출물은 다음과 같이 잡으면 좋다.

핵심은 광고를 많이 만드는 것이 아니라, 무엇을 바꿨는지 설명 가능한 상태로 많이 만드는 것이다. 그래야 성과가 돌아왔을 때 이겼던 이유를 다시 쓸 수 있다.

광고 실험은 생성이 아니라 학습이다

A/B 테스트라는 말을 들으면 많은 사람이 A안과 B안 두 장을 떠올린다. 실무는 그렇게 귀엽지 않다. 실제 현장에서는 A/B라기보다 A/B/C/D/E/F에 가깝고, 더 정확히는 탐색 → 압축 → 검증의 3단계 반복이다. 모바일 게임 스튜디오들이 주 단위로 수십, 많게는 수백 개 크리에이티브를 테스트하는 이유도 여기에 있다. 대량 실험이 가능해야 학습 속도에서 우위를 만들 수 있기 때문이다.⁸

그래서 이 프로젝트는 처음부터 세 개의 실험 레인을 나눈다.

• 탐색 레인: 훅과 콘셉트를 넓게 본다. 무엇이 멈춰 세우는지 찾는 단계다.

• 격리 레인: 같은 조건에서 한 변수만 바꾼다. 모델, 샘플러, 레이아웃, CTA를 따로 검증한다.

• 확장 레인: 이긴 콘셉트만 미세 변주로 증식한다. 승자 후보를 양산하는 구간이다.

이 구조를 쓰면 처음부터 120개 조합을 한 냄비에 다 넣는 실수를 줄일 수 있다. 광고 실험은 요리가 아니라 실험실에 가깝다. 냄비가 아니라 시험관으로 생각해야 한다.

먼저 쪼개야 하는 변수들

광고 크리에이티브는 한 장처럼 보여도 사실 여러 변수가 겹친 결과다. 실무에서는 변수를 크게 다섯 층으로 나누면 다루기 쉬워진다.

초보자는 여기서 자주 넘어진다. 훅도 바꾸고 스타일도 바꾸고 시드도 바꾸고 모델도 바꿔 놓고는 무엇이 이겼는지 묻는다. 그러면 대답은 늘 같다. 모른다. 같은 조건에서 변수 하나만 움직여야 비교가 된다. ComfyUI에서 워크플로우 복제와 병렬 분기를 쓰는 이유도 바로 이것이다. 같은 시드, 같은 프롬프트, 같은 해상도, 같은 CFG와 steps를 유지한 채 테스트 변수만 바꿔야 공정한 비교가 된다.³

실무에서는 아래처럼 가설 카드를 먼저 만든 뒤 그래프에 넣는 편이 훨씬 낫다.

이 가설 카드가 있어야 생성 결과를 성과 데이터와 다시 연결할 수 있다.

워크플로우 아키텍처: 광고 공장은 이렇게 생긴다

이 프로젝트의 그래프는 크게 일곱 구역으로 나뉜다.

첫째, 캠페인 입력 구역이다. 여기서는 캠페인명, 플랫폼, 국가, 타깃 세그먼트, 훅 ID, 스타일 ID, CTA ID를 Primitive 노드나 문자열 입력 노드로 받는다. 가능하면 나중에 API로 바꾸기 쉽도록 키 이름을 고정한다. ComfyUI는 워크플로우를 그래프로 설계한 뒤 JSON 형태로 제출하고, 외부에서 허용된 입력값만 바꾸는 방식과 잘 맞는다.¹⁴

둘째, 광고 자산 입력 구역이다. 게임 로고, UI 스크린샷, 캐릭터 참조 이미지, 브랜드 색상표, 금지 표현 목록을 받는다. 여기서부터 이미 프로덕션 냄새가 난다. 광고는 프롬프트만으로 통제하지 않는다. 브랜드 자산을 그래프 안으로 가져와야 흔들림이 줄어든다.

셋째, 프롬프트·레이아웃 조립 구역이다. 훅 문구와 장면 설명을 합쳐 기본 프롬프트를 만들고, 텍스트 안전 구역을 고려한 구도 힌트를 준다. 광고는 최종 타이포를 이미지 모델에 맡기기보다, 텍스트가 얹힐 자리를 남기는 편이 훨씬 안전하다.

넷째, 변주 확장 구역이다. 여기서 실험 규모가 결정된다. OpenClaw의 Batch Variants 같은 노드를 쓰면 시드 정책과 파라미터 스윕을 결정론적으로 만들 수 있어, 동일한 기획을 여러 변주로 확장하기 좋다.⁵ 예를 들어 훅 H01을 기준으로 seed increment, cfg sweep, steps sweep을 조합하면 빠르게 탐색 세트를 만들 수 있다.

다섯째, 생성 구역이다. 한 장씩 천천히 돌릴 수도 있지만, 광고 테스트는 보통 속도가 먼저다. 이때 서로 다른 시드를 하나의 GPU 배치로 처리하는 KSampler Batch Seeds 계열 노드를 쓰면 GPU 활용률을 끌어올리면서도 각 결과를 독립적으로 재현할 수 있다.⁶ VRAM이 넉넉하면 이 구간에서 처리량 차이가 꽤 크게 난다.

여섯째, 병렬 확장 구역이다. GPU가 여러 장이거나 클라우드 워커를 붙일 수 있다면 ComfyUI Distributed 같은 확장으로 여러 시드를 동시에 돌릴 수 있다. 중요한 점은 이 방식이 한 장의 이미지를 더 빨리 만드는 기술이 아니라, 같은 시간에 더 많은 후보를 만드는 기술이라는 점이다.⁷ 광고 실험에선 이 차이가 아주 중요하다.

일곱째, 저장·정리 구역이다. 결과 이미지만 저장하면 절반만 한 것이다. 파일명, JSONL, 컨택트 시트, 리뷰용 라벨까지 함께 뽑아야 다음 단계가 편해진다. 프로덕션 관점에서는 산출물이 아니라 런 기록이 자산이다.⁴

1차 스크리닝: 빠르고 넓게 보는 라운드

첫 번째 라운드의 목표는 최고 퀄리티를 찾는 일이 아니다. 버릴 것을 빨리 버리는 일이다. 그래서 이 단계에서는 지나치게 섬세하게 돌리지 않는다. 해상도와 steps를 약간 낮추고, 훅과 장면 차이를 크게 벌려서 넓게 본다.

예를 들어 하나의 게임 캠페인에서 이렇게 시작할 수 있다.

• 훅 5종

• 장면 구도 2종

• 시드 4종

• CTA 2종

이렇게만 해도 80개다. 여기서 전부를 최고 품질로 뽑으면 GPU와 사람의 눈이 동시에 지친다. 첫 라운드에서는 훅의 생존 여부만 본다. 즉, 인물 표정이 더 센지, UI 비교가 더 센지, 보상 숫자가 더 잘 먹히는지부터 본다.

이 단계에서 좋은 습관은 컨택트 시트를 훅 기준으로 묶는 것이다. 한 장에 H01만 모아두고, 다른 한 장에 H02만 모아두면 사람 눈이 패턴을 빨리 읽는다. 반대로 모든 결과를 한 폴더에 섞어 놓으면 비교가 아니라 보물찾기가 된다. 일부 배처 도구와 확장 노드들이 다차원 결과 테이블이나 자동 이름 분류를 지원하는 이유도 바로 이 검토 비용을 줄이기 위해서다.⁵

2차 정밀 실험: 같은 조건에서 한 변수만 바꾼다

1차에서 살아남은 훅이 나오면, 이제부터가 진짜 A/B 테스트다. 이 단계에서는 분위기가 아니라 변수 통제가 핵심이다. 같은 시드, 같은 장면, 같은 해상도, 같은 프롬프트를 유지한 채 모델만 바꾸거나, sampler만 바꾸거나, CTA 위치만 바꾼다.³

가장 많이 쓰는 정밀 비교 축은 보통 다음 네 가지다.

• 비주얼 엔진 비교: 모델 A와 모델 B 중 어떤 쪽이 해당 장르에 더 잘 맞는지

• 표현 강도 비교: CFG, steps, saturation, contrast를 어느 정도까지 올릴지

• 레이아웃 비교: 텍스트 안전 구역을 좌측에 둘지 우측에 둘지

• 메시지 비교: 같은 장면에서 CTA만 바꿨을 때 반응이 달라지는지

이 구간에서는 워크플로우를 통째로 복제해 병렬 분기하는 방식이 특히 강력하다. 결과를 나란히 놓고 비교할 수 있기 때문이다. 한 번에 여러 모델이나 샘플러 조합을 비교하는 방법은 이미 ComfyUI 실전 사용 패턴에서 검증된 접근이다.³

여기서 중요한 규칙이 하나 더 있다. 정밀 라운드에서는 시드를 늘리지 말고 고정한다. 사람은 후보가 많아질수록 똑똑해지지 않고 피곤해진다. 같은 장면에서 차이를 읽어야 할 때는 오히려 시드를 줄이는 편이 낫다.

승자 후보를 대량 증식하는 확장 레인

정밀 라운드에서 이긴 조합을 찾았다면, 그때부터는 속도를 올린다. 여기서는 더 이상 넓게 탐색하지 않는다. 승자 조합 주위만 파고든다. 예를 들어 H03 훅이 좋고, 스타일 S02가 맞고, CTA B가 먹힌다면 그 주변에서 다음만 미세하게 흔든다.

• 표정 강도

• 손 위치 또는 시선 방향

• UI 숫자 크기

• 배경 혼잡도

• 브랜드 컬러 비율

이 라운드는 일종의 승자 복제 공정이다. 퍼포먼스 마케팅에서 자주 벌어지는 일은, 좋은 아이디어 하나를 너무 아껴서 몇 개만 만드는 것이다. 실제로는 반대다. 한 번 반응이 보이면 그 근처를 공격적으로 넓혀야 한다. ComfyUI의 강점은 바로 이 지점에서 드러난다. 같은 그래프를 유지한 채 입력과 시드만 바꾸면, 일관된 가족군을 빠르게 만들 수 있다.²⁸

분류와 관리: 결과물이 아니라 실험 로그를 남겨라

광고 자동화 파이프라인은 생성보다 정리가 더 중요할 때가 많다. 이 장의 그래프는 반드시 파일명 규칙과 메타데이터 규칙을 함께 가진다. 예를 들면 파일명은 다음처럼 잡을 수 있다.

ua_spring26_H03_S02_CTAB_seed044_v07.png

이 한 줄만 봐도 최소한 훅, 스타일, CTA, 시드, 그래프 버전이 읽혀야 한다. 여기에 별도 JSONL이나 CSV를 붙여 다음 정보를 함께 저장한다.

왜 이렇게까지 하느냐고 묻는다면 답은 간단하다. 성과 데이터가 돌아오기 때문이다. CTR, IPM, CPI, ROAS 같은 지표는 광고 플랫폼과 측정 도구에서 들어오는데, 그 숫자가 어느 이미지와 연결되는지 모르면 다시 배울 수 없다. 대량 실험이 진짜 힘을 가지려면 생성 파이프라인과 성과 측정 파이프라인이 이어져야 한다.⁸

프로덕션 관점에서는 파라미터도 아무나 아무렇게나 바꾸면 안 된다. 해상도, steps, CFG 같은 값은 허용 범위를 정해두고, 그래프 자체는 고정한 채 입력만 패치하는 구조가 안전하다. 이런 방식이 비용 통제와 재현성 관리에 모두 유리하다.⁴

사람 검수는 감상이 아니라 필터링이다

자동 생성이 아무리 빨라도 최종 선택은 여전히 사람이 한다. 다만 이때 사람의 역할은 예술 심사위원이 아니라 필터 엔진에 가깝다. 검수 기준도 미리 정해야 한다.

이 검수표를 보면 알 수 있듯, 승자는 꼭 가장 화려한 이미지가 아니다. 오히려 다음 변주를 만들기 쉽고, 카피를 얹기 쉽고, 스토어 페이지와도 충돌하지 않는 결과가 더 오래 산다. 광고는 미술관 벽이 아니라 성과 대시보드로 가는 물건이기 때문이다.

운영 시나리오: 하루 100개를 어떻게 돌릴까

이제 실제 하루 루틴으로 보자. 오전 9시에 UA 매니저와 크리에이티브 담당자가 4개의 훅을 정한다. 각 훅마다 장면 2종, CTA 2종을 잡는다. 9시 15분까지 캠페인 입력값과 참조 자산을 JSON으로 정리한다.

9시 20분부터 1차 스크리닝 그래프를 실행한다. 시드 4개씩, 총 64개를 저해상도로 빠르게 뽑는다. 멀티 GPU나 클라우드 워커가 있으면 이 라운드는 더 짧아진다.⁷ 10시쯤 컨택트 시트가 정리되면 10개 정도를 추린다.

10시 15분부터는 정밀 라운드다. 살아남은 훅 2개만 놓고, 같은 시드로 레이아웃 A/B, CTA A/B, sampler A/B를 비교한다. 이 단계에서는 품질과 가독성을 조금 더 올린다. 점심 전까지 최종 후보 6~8개를 확보한다.

오후에는 사람 손이 들어간다. 타이포를 얹고, 플랫폼별 크롭을 확인하고, 광고 매니저 업로드용 파일명과 메타데이터를 정리한다. 저녁까지 집행에 들어가고, 다음날부터 성과가 돌아오기 시작한다.

그리고 가장 중요한 순간은 그 다음이다. 성과 CSV를 다시 메타데이터와 조인한다. 그러면 단순히 이 이미지가 좋았다가 아니라 H03 훅 + 좌측 여백 레이아웃 + CTA B + seed 44 계열이 성과가 좋았다로 바뀐다. 이 순간부터 파이프라인은 그림 공장이 아니라 학습 공장이 된다.

ROI는 이렇게 계산한다

이 프로젝트의 ROI는 생성 속도에서만 나오지 않는다. 더 정확히는 낙오 후보를 빨리 죽이는 속도에서 나온다. 광고에서는 승자 한 개를 찾는 것만큼, 패자 30개를 하루 빨리 버리는 일도 중요하다.

가령 기존 방식으로는 디자이너 1명이 하루에 의미 있는 변주 12개를 만들 수 있었다고 하자. ComfyUI 파이프라인으로 같은 인력이 80개를 만들고, 그중 8개만 실제 업로드 후보로 추렸다면 이미 의사결정 샘플 수가 완전히 달라진다. 여기서 좋은 크리에이티브 하나가 CPI를 10%만 낮춰도, 매체비가 큰 계정일수록 절감액은 제작비를 훨씬 빨리 따라잡는다. 반대로 승자가 안 나오더라도 손해가 아니다. 왜냐하면 무엇이 안 먹히는지 학습 데이터가 남기 때문이다.

그래서 이 장의 ROI는 다음 네 줄로 이해하면 된다.

• 더 많은 광고를 만든다.

• 더 적은 시간에 버린다.

• 승자 근처를 더 빠르게 복제한다.

• 성과를 다시 그래프로 되먹임한다.

이 네 가지가 동시에 굴러갈 때 자동화는 장난감이 아니라 경쟁력이 된다.

정적 광고에서 영상 광고로 넘기는 다리

이번 프로젝트는 이미지 중심이지만, 2026년의 실무는 여기서 멈추지 않는다. 정적 광고에서 이긴 훅과 장면은 곧바로 짧은 영상 광고의 첫 프레임 후보가 된다. 즉, 정적 테스트는 끝이 아니라 필터다. 상위 몇 개만 Wan 2.2나 LTX-2 계열 워크플로우로 넘겨 움직임을 붙이면, 영상 광고 제작에서도 낭비를 크게 줄일 수 있다. 이미지를 먼저 통과시켜 승자를 좁히는 이유가 바로 이것이다. 영상은 비싸고, 정적은 빠르다. 빠른 쪽으로 먼저 배우고 비싼 쪽에 나중에 돈을 쓰는 것이 맞다.

이 프로젝트의 진짜 수확

이 장의 핵심은 광고를 자동으로 많이 만드는 기술이 아니다. 더 중요한 것은 성과가 돌아왔을 때 다시 사용할 수 있는 구조로 실험한다는 태도다.

ComfyUI는 노드 기반이라 복잡해 보이지만, 광고 실험에서는 오히려 이 구조가 큰 장점이 된다. 무엇을 바꿨는지 보이고, 병렬 비교가 쉽고, 큐에 태우기 좋고, 메타데이터를 붙이기 좋기 때문이다.¹² 결국 퍼포먼스 마케팅에서 이기는 팀은 가장 예술적인 팀이 아니라, 가장 빨리 배우는 팀이다. 그리고 그 학습 속도는 대개 창의성보다 운영 구조에서 나온다.

광고 시장에서는 늘 같은 질문이 반복된다. 어떤 크리에이티브가 먹히는가. ComfyUI로 파이프라인을 만들면 그 질문이 조금 바뀐다. 무엇이 먹히는지, 내일 더 빨리 알아낼 수 있는가. 이번 프로젝트는 바로 그 질문에 대한 실전 답이다.

참고

¹ComfyUI Official Documentation

²Professional Control of Visual AI

³ComfyUI image comparison and A/B testing workflow replication

⁴The ComfyUI Production Playbook

⁵openclaw: Batch Variants

⁶ComfyUI KSampler Batch Seeds

⁷ComfyUI Distributed

⁸ComfyUI workflow and free AI tools to grow mobile game UA