AI가 콘텐츠가 방대한 플랫폼에서 발생하는 선택 과부하 문제를 해결할 수 있을까?

서론

추천 시스템은 사용자가 내려야 할 선택의 수를 줄여주며, 데이터에 따르면 이는 대부분의 사람들이 생각하는 것보다 플랫폼에 더 큰 가치를 지닌다. 그것이 새로운 것을 우연히 발견할 기회를 희생하는 대가인지는 별개의 문제이며, 이 또한 쉽게 답할 수 있는 질문은 아니다.

스트리밍 앱은 화요일 밤에 사용자에게 많은 것을 요구합니다. 앱을 열면, 볼 만한 콘텐츠를 찾기까지 수많은 썸네일을 훑어봐야 하는데, 애초에 볼 만한 것을 찾을 수 있을지는 미지수입니다. 많은 사람들은 결국 찾지 못합니다. 배너는 계속 바뀌고, 같은 몇 가지 타이틀이 끊임없이 재등장하며, 어느 순간 앱을 닫는 것이 가장 수월한 선택처럼 느껴질 수 있다. Vegas Stars casino nz와 같은 카지노 사이트는 다른 각도에서 이와 유사한 문제에 직면한다. 신규 계정으로 로그인하면 어디서부터 시작해야 할지 뻔히 알 수 없는 수백 개의 낯선 게임 타일이 나타난다. 연구자들은 한동안 전 이를 ‘선택 과부하’라고 명명했으며, 플랫폼들은 이를 일종의 수익 문제로 취급한다.

추천 엔진의 진정한 가치

넷플릭스 소속 경제학자 그룹(논문 저자 중 3명은 넷플릭스에서 직접 근무 중)이 2025년 11월 SSRN에 발표한 워킹 페이퍼에 따르면, 넷플릭스의 추천 엔진을 단순한 인기 순위 시스템으로 대체하면 사용자 참여도가 12% 감소한다고 한다. 완전한 개인화보다 한 단계 낮은 행렬 분해 모델을 대신 적용해 보면, 그 비용은 4%로 줄어듭니다. 수억 명에 달하는 구독자 수를 고려하면, 이 차이는 수십억 시청 시간으로 환산되며, 이는 결국 어떤 식으로든 구독 갱신 수치에 반영되는 수익으로 이어집니다.

클라우스 베르텐브로흐(Klaus Wertenbroch)는 개인화가 명백히 긍정적인 것임을 전적으로 받아들이지 않는다. 그는 INSEAD에서 마케팅을 가르치고 있으며, 사람들이 알고리즘 추천을 애초에 얼마나 중요하게 여기는지에 의문을 제기하는 논문을 공동 집필했다. “저와 공동 저자들은 소비자들이 이러한 선택을 할 때 AI 알고리즘에 지나치게 의존하지 않도록 경고합니다.” 베르텐브로흐는 논문에서 편향성에 대해 재고해 보도록 독려하며 이같이 언급했다. 그는 추천이 공식적인 지지라기보다는 단순히 조언에 불과한 것으로 인식되기를 희망한다고 말했다.

이는 인기 편향과 관련이 있습니다. 이미 충분한 수의 계정이 특정 프로그램을 시청하고 있다면, 이는 모델에게 그 프로그램을 다른 사람들에게 추천하라는 신호가 될 수 있습니다(알려지지 않은 작품보다 이미 히트한 작품을 추천하는 것이 더 안전하기 때문이죠). 그 결과, 후속 추천 과정에서 소수의 시청자층은 점점 줄어들게 되고, 결국 해당 작품을 적극적으로 찾지 않는 사람들에게는 시야에서 사라지게 됩니다. 경제학자들은 이러한 과정을 설명하기 위해 ‘부자는 더 부자가 된다(rich-get-richer)’ 효과를 언급합니다. 이는 검색 엔진 색인화나 소셜 미디어 피드 등, 알고리즘이 품질을 판단하는 기준으로 암묵적으로 인기를 대리 지표로 사용하는 모든 영역에 시사하는 바가 있습니다.

넷플릭스와 INSEAD는 결국 같은 결론에 도달했지만, 그 과정은 달랐습니다. 서로 다른 산업 분야의 완전히 다른 데이터를 다루고 있었음에도 불구하고, 사용자가 계속 머무르는 근본적인 이유는 대개 동일하다는 사실을 발견했습니다. 기존 콘텐츠의 품질을 개선하지 않은 채 단순히 라이브러리를 확장하기만 하면, 쓸모없는 콘텐츠가 쌓이게 되어 신규 사용자 유치나 기존 사용자 유지에 비효율적이 되는 경향이 있습니다.

알고리즘은 ‘행복한 우연’을 잘 처리하지 못한다

클릭 기록, 페이지 체류 시간, 검색어는 대부분의 검색 엔진의 기반을 이룹니다. 이들은 사용자가 이미 시간을 들여 시청하거나 플레이한 콘텐츠를 더 많이 제공하기 위해 이러한 디지털 발자취에 의존합니다. 이는 설계 의도 측면에서 보면 타당합니다. 하지만 반대로, 특정 유형의 추천이 사용자에게 전혀 노출되지 않을 가능성도 있습니다. 그 이유는 다소 미묘한데, 사용자가 해당 콘텐츠를 접해본 적이 없어 관심의 신호를 보인 적이 전혀 없다는 사실에 기인합니다. 추천 시스템과 AI가 등장하기 전에는 ‘입소문’ 마케팅이 주를 이뤘습니다. 형제자매가 몇 곡만 담긴 믹스테이프를 건네주면, 찾지도 않았는데 갑자기 완전히 새로운 하위 장르를 발견하게 되곤 했죠.

콘텐츠 유형	표준 참여도	선별된 참여	주요 관찰 사항
폭넓은 호응을 얻은 콘텐츠	이미 높은 수준	거의 변동이 없음	인기만으로도 이 작품들이 주목받음
중간 수준의 카탈로그	묻혀 있어, 놓치기 쉬움	눈에 띄게 상승	이곳에서는 특히 큐레이션이 그 가치를 입증한다
틈새 작품	거의 눈에 띄지 않음	조금 증가한다	타겟팅이 아무리 훌륭해도 한계가 있다

순수한 데이터만으로는 이러한 예상치 못한 재미있는 선택지를 스스로 찾아내기 어렵습니다. Vegas Stars와 같은 사이트는 카드 게임, 변동성이 높은 슬롯, 24시간 운영되는 라이브 딜러 게임으로 가득 찬 방대한 카탈로그를 관리합니다. 당연히 이러한 라이브러리를 체계적으로 정리하려면 일정한 조직화가 필요합니다. 머신러닝 알고리즘이 기초적인 수학적 계산을 담당하고, 스마트한 UX/제품 디자인이 그 작업을 완성합니다. 과거 경험이 전혀 없는 사용자가 새 계정을 만들면, AI와 잘 구성된 콘텐츠 카테고리가 마법 같은 효과를 발휘합니다. 플랫폼을 이러한 방식으로 구성하면 게임 목록이 어수선해지지 않도록 보장할 수 있습니다.

알맞은 큐레이션은 큰 효과를 발휘합니다

베가스 스타스를 처음 방문하는 사용자는 아직 클릭 기록이 전혀 없는 상태에서 약 200개의 개별 게임 타일을 마주하게 됩니다. 많은 구식 추천 엔진은 이러한 백지 상태를 구시대적인 방식으로 처리하는데, 이는 대부분 개발 당시 그러한 시나리오를 염두에 두지 않았기 때문입니다. 일부는 화면에 표시된 모든 것이 서로 뒤섞여 보일 때까지 소수의 장르만 반복해서 추천하기도 합니다. 더 나은 시스템은 좀 더 복잡한 방식을 시도합니다. 플레이어가 이미 좋아하는 것을 추적한 다음, 어떤 것이 반응이 좋은지 확인하기 위해 그 패턴 밖의 타이틀을 가끔씩 끼워 넣는 식입니다.

• 클릭 수와 세션 지속 시간은 어떤 설문조사보다도 플레이어를 더 잘 말해줍니다.
• 협업 필터링을 통해 수천 개의 계정을 서로 비교하여, 어떤 콘텐츠가 플레이되었는지 또는 건너뛴 부분에서 중복되는 지점을 찾아냅니다.
• 변동성과 게임 메커니즘은 게임 파일에서 직접 읽어들이므로, 플레이 스타일 매칭은 추측이 아닌 데이터를 기반으로 이루어집니다.
• 세션 도중 발생하는 기분 변화도 포착되는데, 이는 정적인 프로필로는 절대 파악할 수 없는 부분입니다.

엔지니어들은 기록이 전혀 없는 신규 계정이라는 이러한 초기 시나리오를 ‘콜드 스타트(cold-start) 문제’라고 부릅니다. 일부 시스템은 충분한 행동 데이터가 축적되어 제대로 개인화를 할 수 있을 때까지 신규 계정에 광범위하게 인기 있는 콘텐츠를 기본으로 제공하는 방식으로 이를 처리합니다. 다른 시스템은 대신 몇 가지 온보딩 질문을 통해, 약간 번거로운 가입 절차를 감수하는 대신 매칭에 유리한 출발점을 확보합니다. 두 방법 모두 완벽하지는 않지만, 200개의 타일을 무작위로 보여주고 무언가 통하기를 바라는 것보다는 낫습니다.

모든 콘텐츠를 살펴보기 시작할 때, 실제 정렬 작업의 대부분을 담당하는 두 가지 기법이 있습니다. 첫 번째로, 협업 필터링(collaborative filtering)은 클릭, 재생, 심지어 ‘공통적으로 건너뛴’ 타이틀을 비교하여 한 계정과 수천 개의 다른 계정 간의 유사도 점수를 산출합니다. 콘텐츠 기반 태깅(Content-based tagging)은 이러한 비교 과정을 생략하고, 각 타이틀의 메타데이터(변동성 지수, 테마, 페이테이블 구조 등)를 분석한 뒤, 해당 속성을 특정 계정이 이전에 선호했던 항목과 매칭합니다(이 두 기법은 서로를 대체하기보다는 종종 병행하여 사용됩니다). 어느 방법을 사용하든, 사용자가 직접 모든 카탈로그를 일일이 뒤져야 하는 수고를 덜어줍니다.

자세히 살펴보면, 이 과정은 약 5단계로 이루어져 있으며 각 단계는 꽤 간단합니다:

1. 순위가 매겨지기 전에 세션 데이터, 카테고리 선호도, 건너뛰기 패턴이 모델에 반영됩니다.
2. 개별 프로필은 단순히 광범위하게 인기 있는 타이틀이 아닌, 실제 클릭 기록과 연결된 타이틀과 매칭됩니다.
3. 올바르게 순위를 매기세요. 홈페이지 그리드에서 발생하는 참여의 대부분은 맨 앞 몇 줄에서 일어나며, 이것이 바로 순위가 그 아래 목록의 크기보다 더 큰 비중을 차지하는 이유 중 하나입니다.
4. 새로운 클릭, 건너뛰기 및 완료된 세션은 추가 훈련 데이터로 다시 반영됩니다.
5. 새로운 출시 및 플레이어 행동의 변화는 예정된 업데이트를 기다리지 않고 몇 분 내에 반영됩니다.

Vegas Stars에서 더 나은 큐레이션은 어떤 모습인가

베가스 스타즈(Vegas Stars)와 같은 사이트에서는 모바일 세션이 트래픽의 대부분을 차지하며, 이는 큐레이션이 사용자를 위해 실제로 수행해야 할 역할을 변화시킵니다. 화면이 작으면 사용자가 스크롤을 해야 할 때까지 약 6~8개의 타일만 표시될 수 있으므로, 처음 보이는 행에 배치된 콘텐츠는 넷플릭스 연구에서 지적한 ‘홈페이지 그리드 효과’와 마찬가지로 비정상적으로 큰 비중을 차지합니다. 이 첫 번째 행을 잘못 구성하면, 아무리 매칭 알고리즘이 훌륭하더라도 플레이어는 나머지 라이브러리를 전혀 보지 못하게 됩니다.

여기에 라이브 딜러 테이블 게임이 더해지면 복잡성은 한층 더 높아집니다. 예를 들어, 빈 자리가 세 개 있는 블랙잭 테이블에 참여를 원하는 사용자가 있다고 가정해 봅시다. 예약 일정을 일일이 확인하는 데 몇 초를 소비할 여유가 없이, 밀리초 단위로 사용자를 연결해야 합니다. 자리가 채워진 후 재방송을 재생하는 식으로는 안 됩니다. 온디맨드 동영상 라이브러리와 달리 여기서는 타이밍이 중요합니다. 라이브 테이블이 꽉 차면 플레이어에게 기회는 영원히 사라지기 때문입니다. 이는 플레이스테이션이나 엑스박스에서 볼 수 있는 ‘콜 오브 듀티’나 기타 팀 기반 게임의 멀티플레이어 로비와 비슷합니다.

지급 속도 역시 다소 간접적으로 게임 발견에 영향을 미칩니다. 암호화폐나 전자 지갑을 통해 자금을 이동하는 플레이어는 은행 송금을 며칠씩 기다리는 사람보다 세션을 더 빠르게 순환하는 경향이 있어, 해당 계정이 다른 플랫폼으로 이탈하기 전에 추천 엔진이 방문당 학습할 수 있는 시간이 줄어듭니다. 자금이 더 빨리 유입될수록, 해당 로비가 그 플레이어에게 실제로 효과가 있었는지에 대한 판단도 더 빨리 내려지게 됩니다.

이를 실현하려면 진정한 엔지니어링 역량이 필요합니다. 빠르고 반응성이 뛰어난 백엔드 시스템과, 플레이어의 시선이 실제로 향하는 곳에 맞춰 설계된 레이아웃이 함께 요구됩니다.

면책 조항: 도박은 오락의 한 형태이며 본질적인 위험을 수반합니다. 이를 수입원이나 재정 전략으로 간주해서는 안 됩니다. 잃어도 감당할 수 있는 금액만 베팅하고, 엄격한 한도를 설정하며, 도박으로 인해 문제가 발생하면 도움을 요청하십시오. 참여는 만 18세 이상의 성인으로 제한됩니다. 항상 책임감 있게 도박을 즐기십시오.