픽켓팅 대표이사 이시우
"규칙 기반 자동화의 시대는 끝났다. 이제는 데이터가 쌓일수록 광고주별로 다른 최적 정책을 스스로 학습하는 AI 에이전트가 필요하다."
2026 딥테크창업사관학교에 선정된 AI 애드테크 스타트업 ㈜픽켓팅이 강화학습(RL) 기반 멀티채널 광고 최적화 SaaS '픽켓팅(PICKETING)'의 정식 런칭을 앞두고 있다. 네이버·메타·구글·카카오 4대 채널을 하나의 AI 에이전트가 자율 운영한다는 야심찬 포지셔닝이다. D2C 브랜드를 직접 운영하며 KOSDAQ 상장사에 엑싯한 경험을 가진 이시우 대표를 만나 기술 철학과 시장 전략을 물었다.
Q1. 픽켓팅을 한 문장으로 정의한다면.
이시우 대표 (이하 이): 네이버·메타·구글·카카오 4대 광고 채널을 하나의 AI 에이전트가 자율적으로 운영·최적화하는 에이전틱 AI 광고 플랫폼입니다. 광고주가 예산과 목표만 세팅하면, 이후 입찰·예산 재분배·소재 테스트·타겟 확장 같은 일상 운영을 AI가 24시간 수행하는 구조죠.
Q2. 이미 시장에는 AI 광고 최적화 솔루션이 많다. 왜 또 하나 필요한가?
이: 기존 솔루션 대부분은 사실 규칙 기반(rule-based) 자동화입니다. "CPA가 X를 넘으면 입찰가를 낮춰라" 같은 사전 정의된 IF-THEN 로직이죠. 조금 더 나아간 곳은 과거 데이터를 학습한 예측 모델을 쓰는데, 이것도 시장 상황이 바뀌거나 신규 소재가 투입되면 성능이 떨어질 우려가 있습니다.
광고 최적화는 본질적으로 불확실성 아래에서의 순차적 의사결정 문제예요. 이건 예측(prediction) 문제가 아니라 의사결정(decision-making) 문제고, 강화학습이 가장 잘 풀 수 있는 영역입니다. 픽켓팅은 이 관점에서 처음부터 RL 기반으로 설계됐다는 게 차이입니다.
Q3. 강화학습 기반이라고 말하는 솔루션이 구체적으로 어떻게 작동하나.
이: 3단계 로드맵으로 고도화합니다. 1단계는 ε-Greedy MAB(Multi-Armed Bandit)입니다. 소재·타겟·채널 조합을 슬롯머신 레버처럼 놓고, 탐색(Exploration)과 활용(Exploitation)의 균형을 잡으며 초기 최적 조합을 찾아요.
2단계는 LinUCB 기반 Contextual Bandit. 광고주 업종, 소재 특성, 시간대, 계절성 같은 맥락 변수(context)를 반영해서 같은 소재라도 이 업종·이 시간대엔 다르게 입찰해야 한다는 걸 학습합니다.
3단계는 Deep RL. 단기 ROAS뿐 아니라 장기 LTV, 채널 간 상호작용까지 고려한 시퀀셜 의사결정을 합니다. 예를 들어 "지금 구글에서 인지도를 확보해야 3주 뒤 네이버 브랜드 검색 전환율이 올라간다" 같은 채널 간 인과관계를 모델이 스스로 발견하는 거죠.
Q4. 실제 데이터는 어떻게 축적하나?
이: 모든 광고 실행 이벤트를 SARS(State-Action-Reward-State) 스키마로 누적합니다. 어떤 상태(광고주 맥락·시장 상황)에서, 어떤 행동(입찰·소재·타겟 선택)을 했고, 어떤 보상(전환·매출)이 돌아왔으며, 그 결과 상태가 어떻게 바뀌었는지를 학습 가능한 포맷으로 전부 기록하는 거예요.
이게 쌓일수록 광고주 계정별로 개인화된 최적 정책(policy)이 학습됩니다. 경쟁 솔루션들은 모든 광고주에게 같은 규칙을 적용하지만, 픽켓팅은 시간이 지날수록 각 광고주 전용 AI 에이전트로 분화되는 구조입니다.
Q5. 타겟 고객은 누구인가?
이: 전문 마케터를 고용하기 어려운 국내 중소·중견(SMB) 광고주와 소형 대행사입니다. 지금 대행사 주니어 AE 한 명이 5~10개 계정을 동시에 관리하는 게 업계 표준이에요. 그러다 보니 각 계정의 최적화 깊이가 얕을 수밖에 없죠.
픽켓팅의 지향점은 주니어 AE 1명이 담당하는 운영 노동을 AI 에이전트가 계정당 전담하는 겁니다. 사람은 전략·크리에이티브·고객 관리에 집중하고, 반복적인 실행 최적화는 AI가 맡는 구조요.
Q6. 최근 딥테크창업사관학교에 선정됐다. 의미는?
이: 중소벤처기업부와 창업진흥원이 AI·바이오·시스템반도체 같은 국가전략기술 분야에서 선별 육성하는 프로그램입니다. 광고 최적화를 단순 마케팅 툴이 아닌 딥테크 영역으로 인정받았다는 점이 가장 큰 의미예요.
사실 RL을 실제 상용 제품에 적용해 수익을 내는 국내 기업은 많지 않습니다. 이론은 많이 연구되지만, 실데이터에서 탐색 비용을 감당하면서 상용 서비스로 돌리는 건 다른 문제거든요. 그걸 실제로 하고 있다는 걸 외부 전문가들이 검증해준 결과라고 봅니다.
Q7. 창업 이전에 D2C 브랜드를 직접 운영하고 엑싯까지 경험한 걸로 안다. 그 경험이 픽켓팅에 어떻게 녹아 있나?
이: D2C 시절 제가 바로 광고주였어요. 매달 수천만 원의 광고 예산을 집행하면서 대행사에 맡겨도 봤고, 시중의 최적화 솔루션도 다 써봤습니다. 그런데 단 한 번도 내 예산이 내 맥락에 맞게 최적화되고 있다는 확신이 든 적이 없었어요. 규칙 기반 자동화는 제 비즈니스의 계절성이나 소재 특성을 전혀 반영하지 못했고, 대행사는 다른 계정 수십 개와 함께 관리되다 보니 깊이가 얕았죠.
그 6년 가까운 시간 동안 쌓인 광고주로서의 불만이 픽켓팅의 모든 기능 설계에 녹아 있습니다. 예를 들어 광고주가 직접 자연어로 질문하고 근거를 확인할 수 있는 HITL 구조, 계정별로 개인화된 최적 정책을 학습하는 RL 엔진 — 이건 전부 내가 광고주일 때 이런 기능이 있었으면 좋겠다고 생각했던 것들이에요. 광고주 입장을 경험한 창업자가 만든 광고 최적화 솔루션이라는 점이 가장 큰 차별점이라고 생각합니다.
Q8. 향후 로드맵은?
이: 런칭과 함께 SMB 광고주 대상 프리 티어(Free Tier)를 제공해서 데이터 플라이휠을 돌립니다. 하반기엔 대행사·인하우스 마케터 대상 유료 플랜을 확대하고요.
연내에 두 가지 모듈을 추가합니다. 첫째는 에이전시 매치메이킹 시스템 — 광고주와 대행사를 데이터 기반으로 매칭합니다. 둘째는 CI(Competitive Intelligence) 모듈 — 경쟁사의 광고 소재·예산 패턴을 분석해서 전략적 대응을 제안하는 기능입니다.
Q9. 장기적으로 픽켓팅을 어떤 회사로 만들고 싶나?
이: 국내 SMB 광고 시장의 표준 AI 인프라가 1차 목표입니다. 한국 광고주 대부분이 픽켓팅 위에서 광고를 돌리게 되는 상태요.
그다음은 이 기술을 동남아·일본으로 확장하는 겁니다. 이 지역 SMB 광고주들도 같은 문제를 겪고 있고, 강화학습 엔진은 채널만 바꿔 붙이면 확장이 가능한 구조니까요. 궁극적으로는 AI 에이전트가 광고주를 대신해 광고 대행사 역할을 수행하는 모델을 글로벌 스탠다드로 만드는 게 비전입니다.
댓글
0