부재한 취향 모델

AI로 만드는 일에 필요한 것은 생성기가 아니라 나침반이다

2026-02-27

Netflix는 그저 스트리밍 서비스가 아니다. 오래 돌아가는 취향 측정 기계다. 여러 해에 걸쳐 당신이 무엇을 시작하고, 무엇을 끝내고, 무엇을 버리고, 무엇을 다시 보고, 새벽 2시에 무엇을 몰아 보고, 무엇을 다시는 건드리지 않는지 관찰한다. 그 이력이 놀랄 만큼 조밀한 선호의 표현을 짓게 한다.

지난 시대에 그 우위는 대체로 추천을 뜻했다. 유한한 카탈로그에서 사용자가 무엇을 고를지 예측할 수 있으면 이겼다. 익숙한 종류의 해자였고, 뻔한 방식으로 불공정했다.

다음 시대는 더 낯설다. 카탈로그는 더 이상 고정되어 있지 않다. 생성기는 거의 무한한 후보를 만들 수 있다. 그 세계에서 우위는 “무엇을 보여 줄까”에서 **“무엇을 만들어 줄까”**로 옮겨 간다. 취향은 시스템의 결과물이기를 멈추고 시스템의 입력이 된다.

기존 강자가 기본으로 이기는 것처럼 들린다. 그럴지도 모른다. 그러나 흥미로운 것은 그 미묘함이다. 추천 데이터는 생성 감독과 같은 것이 아니다. 로그는 노출 제약, UI 편향, 사회적 맥락 아래서 사람들이 무엇을 소비했는지를 말해 준다. 생성기에는 더 어려운 것이 필요하다. 반사실적 감상, 곧 아직 존재하지 않는 것에 누군가가 어떻게 반응할지를 배워야 한다.

그래서 Create with AI는 여전히 슬롯머신처럼 느껴진다. 우리에게는 생성할 수 있는 모델이 있다. 없는 것은 생성을 인간의 취향 쪽으로, 그것을 납작하게 만들지 않으면서 겨냥할 고해상도의 방법이다.

무한 생성의 시대에 창의성은 최적화 문제가 된다. 우리에게 빠진 것은 목적 함수다.

1. 생성은 싸고, 조향은 희소하다

십 년 전 희소한 것은 제작이었다. 다듬어진 이미지, 좋은 데모, 일관된 장면을 만드는 데는 시간, 도구, 기술이 들었다. 이제 묶는 제약은 불확실성 아래의 선택이다.

생성이 풍부해지면 창작은 하나를 만드는 일에서 가능한 많은 것들 사이를 탐색하는 일로 옮겨 간다. 대부분의 사람이 창작 모델을 쓰는 방식이 이미 그렇다.

한 묶음을 생성한다
하나를 남긴다
반복한다
무언가 걸리기를 바란다

프롬프팅은 후보를 요청하는 데 도움이 되지만 평가를 풀지는 못한다. 잘 평가할 수 없으면 잘 조향할 수 없다. 조향할 수 없으면 측정하기 가장 쉬운 대리 지표를 최적화하게 된다.

오늘날 대부분의 창작 시스템에서 그 대리 지표는 일반적 품질, 일관성, 참여도의 어떤 조합이 된다. 유용한 신호이지만, 창작자가 “이게 먹힌다”고 말할 때 뜻하는 것은 아니다. “올바른 사람들에게 깊이 사랑받을 것이다”보다는 “많은 사람에게 받아들여질 만하다”에 더 가깝다.

그래서 창작의 제약이 움직였다. 더 이상 “생성할 수 있는가”가 아니다. **“감상을 예측하고 빚을 수 있는가”**다.

2. 스칼라 함정은 봉우리를 지운다

점수 하나가 문화에 맞지 않는 대상이라는 가장 단순한 증명이 여기 있다.

두 산출물을 상상해 보라. 두 편의 단편, 두 개의 캐릭터 디자인, 두 곡의 노래.

산출물 A는 거의 모두에게서 10점 만점에 7점을 받는다. 기분 좋고, 일관되고, 두루 괜찮다.
산출물 B는 사람들을 가른다. 절반은 10점을 주고 집착한다. 나머지 절반은 4점을 주고 금세 떠난다.

평균을 내면 대략 같은 점수가 나온다. 문화적으로 둘은 정반대다.

산출물 A는 합의로 매끈하다. 아무도 거스르지 않는다. 애착도 좀처럼 만들지 않는다.
산출물 B는 봉우리를 만든다. 신호가 되고, 부족을 찾고, 모방과 담론과 리믹스와 집착을 낳는다.

보상 모델이 스칼라라면 이 두 대상은 구별할 수 없게 된다. 스칼라는 대체로 평균만 “보기” 때문이다. 평균을 최적화하는 순간 “아무도 싫어하지 않는” 콘텐츠를 체계적으로 고르고, 일부가 강렬하게 사랑하는 작업은 체계적으로 걸러 낸다.

도덕적 논증이 아니다. 기하다. 단일한 보상 함수는 오를 언덕 하나를 준다. 문화는 언덕 하나가 아니다. 많은 봉우리가 있는 지형이다.

이는 오늘날 가장 흔한 보상 모델링 장치가 만들어진 방식과도 맞아떨어진다. 정석적인 설정은 쌍별 선호로부터 단일 보상 값을 배운 뒤, 그 스칼라를 재순위화, 파인튜닝, 강화 학습에 쓴다. LLM이 결과물을 “심사”할 때조차 그 판단은 보통 스칼라 점수나 레이블로 뭉개진다. 최적화에는 오를 단일 목표가 필요하기 때문이다.

그래서 실패 양상이 이토록 일관된다. 취향을 숫자 하나로 압축하면 최적화가 믿고 따를 수 있는 방향은 하나뿐이다. 깊은 애착이 아니라 넓은 동의 쪽으로 표류할 것이다.

위대한 창작은 흔히 의도적으로 양극화한다. 기대를 깨고, 톤을 섞고, 일부만 읽을 수 있는 코드를 쓰고, 방 안의 일부를 잃을 선택에 확신을 건다. 바깥에서 보면 목소리란 어떤 이들은 신호로 알아보고 어떤 이들은 오류로 받아들이는 결정들처럼 보인다. 스칼라 최적화는 그것을 결함으로 다룬다.

AI 결과물이 그토록 자주 유능하지만 대체 가능하게 느껴지는 큰 이유가 이것이다. 모델이 날카로움을 만들 수 없어서가 아니다. 주변의 평가 논리가 시스템을 중간값의 수용 가능성 쪽으로 슬쩍 밀기 때문이다.

Create with AI가 성숙하기를 원한다면 점수 하나와는 다른 대상이 필요하다.

3. 감상은 다면적이고, 취향은 조건적이다

누군가에게 왜 그것을 사랑했는지 물으면 숫자로 답하는 일은 드물다. 그것이 어떤 느낌을 주었는지, 무엇을 뜻했는지, 어디서 놀랐는지, 정직하게 느껴졌는지, 어느 순간이 내려앉았는지를 말한다.

창작의 감상은 스칼라가 아니다. 다면적이다.

더 충실한 대상은 감상 벡터, 곧 다음과 같은 신호들의 작은 묶음이다.

공명 - 나를 움직였는가, 참되게 느껴졌는가
새로움 - 무작위로 느껴지지 않으면서 나를 놀라게 했는가
일관성 - 하나로 엮였는가, 그 전환을 벌어 냈는가
솜씨 - 의도적이고 빚어진 것으로 느껴졌는가
정서 프로파일 - 긴장, 해소, 온기, 두려움, 경외, 위안
의미 - 내가 지니고 갈 수 있는 무언가를 말했는가
행동 의도 - 저장하고, 공유하고, 다시 보고, 리믹스하고 싶은가

매체마다 강조하는 면은 다르지만, 요점은 글, 이미지, 음악, 비디오에 두루 통한다. 감상은 본래 묶음이다.

이제 레이블을 아무리 더해도 스칼라 보상을 깨뜨리는 두 번째 사실을 더하자. 취향은 조건적이다.

같은 산출물이 한 사람에게는 카타르시스이고 다른 사람에게는 신파일 수 있다. 한 하위문화에는 상징적이고 다른 하위문화에는 오글거릴 수 있다. 장르에 밝은 독자에게는 일관되고 가벼운 시청자에게는 혼란스러울 수 있다. “좋다”는 산출물만의 속성인 경우가 드물다. 산출물, 사람, 맥락 사이의 관계다.

최소한으로 이름 붙이면 깨끗한 목표가 나온다. x를 산출물, u를 사람 또는 취향 프로파일, c를 맥락, R을 반응 벡터라 하자. 우리가 실제로 원하는 대상은 누구인지와 맥락에 조건 지어진 반응의 분포다.

“좋은가”가 아니다. “누가 사랑하고, 누가 싫어하고, 그들에게 어떤 느낌을 주며, 우리는 얼마나 확신하는가”에 가깝다.

초기의 발판은 있다. 비교로 학습된 선호 모델, 미학 채점기, 비평하고 순위를 매기는 LLM 심사자, 클릭과 시청 시간을 예측하는 참여 지표가 있다. 이들 대부분은 세 실패 양상 중 하나로 무너진다.

스칼라 붕괴
취향들을 봉우리 하나로 평균 내는 점수 하나
심사자 미학
다양한 사람들이 실제로 사랑하는 것이 아니라 모델이 좋다고 여기는 것을 재는 모델
참여도 혼동
호기심, 습관, 논란, 강박, 때로는 기쁨이 뒤섞인 시청 시간과 클릭에 최적화하기

빠진 것은 다면적이고, 조건 지어지고, 불확실성에 정직한 취향 모델이다. 판결이 아니라 반응 지도를 내놓는 시스템.

4. 생성기가 실제로 쓸 수 있는 취향 좌표가 없다

“취향이 조건적이면 그냥 배우면 된다”는 구체화하려 하기 전까지는 쉽게 들린다. 생성기는 분위기에 조건을 걸 수 없다. 표현이 필요하다. 배울 만큼 안정적이고, 조건으로 걸 만큼 간결하며, 조향할 만큼 의미 있는 좌표계 같은 것이 필요하다.

지금 창작 AI는 그 좌표가 무엇이어야 하는지에 수렴하지 못했다.

쓸모 있는 취향 좌표계는 세 가지를 동시에 할 것이다.

첫째, 장기적 특성을 단기적 상태에서 분리할 것이다.
어떤 선호는 안정적이다. 장르 친화도, 모호함에 대한 내성, 새로움에 대한 식욕, 페이스 선호, 이탈하기 전에 얼마나 많은 일관성이 필요한지 같은 것. 다른 것들은 맥락적이다. 기분, 의도, 사회적 상황, 혹은 “오늘 밤은 도전이 아니라 위안을 원한다” 같은 것. 특성과 상태를 섞으면 개인화는 부서지기 쉬워진다. 마지막 세션에 과적합하고 사람을 잊는다.

둘째, 감상을 하나의 분위기가 아니라 제어 가능한 면들로 바꿀 것이다.
창작자가 “새롭지만 온전하게”라고 말하면, 시스템에는 “새로움”과 “온전함”을 따로 배우고 따로 조향할 수 있는 표현이 필요하다. 그렇지 않으면 “새로움 올리기”는 “이상함 올리기”가 되고, 모델은 조악한 새로움 대리 지표에서 높은 점수를 받으면서 기꺼이 일관성을 깨뜨릴 것이다.

셋째, 매번 다른 우주가 되지 않으면서 양식을 가로질러 작동할 것이다.
누군가의 취향이 글, 음악, 이미지, 비디오에 걸쳐 일관된다면 시스템은 그 표현의 일부를 재사용할 수 있어야 한다. 모든 것에 통일된 축 하나를 두자는 뜻이 아니다. 톤 선호, 아이러니 내성, 템포와 페이스 식욕, 명료함 대 신비의 선호, 진정성 대 양식화의 선호 같은 공유된 잠재 구조를 뜻한다.

그러면 이를 연구 판타지로 만들지 않으면서 실제로 무엇을 측정해 지을 것인가?

규모가 되는 측정 기본 요소는 신비롭지 않다.

비교
구체적인 의도가 주어졌을 때 A인가 B인가. 어느 결말이 더 카타르시스적인가. 어느 캐릭터 실루엣이 더 상징적인가. 어느 훅이 드롭을 기다리게 하는가.
측면 판단
”좋은가”가 아니라 “어떤 종류로 좋은가”. 더 일관된가 더 새로운가. 더 다정한가 더 강렬한가. 더 진심인가 더 아이러니한가. 이것들이 진짜 제어 표면의 시작이다.
감독으로서의 편집
창작자가 한 줄을 고쳐 쓰고, 한 박자를 덜어 내고, 코드를 바꾸고, 색 보정을 조정할 때, 그 편집은 구조를 가진 선호 신호다. 산출물에 무엇이 빠졌고 창작자가 대신 무엇을 원했는지를 말해 준다.
순간 주석
그것을 망친 한 줄. 그것을 만든 한 컷. 톤이 뒤집히고 관객 일부가 떠난 그 초. 이 신호들은 취향을 결과만이 아니라 구조에 묶는다.
끈적임
일주일 뒤의 테스트. “좋았다”와 “내 안에 남았다”의 차이는 설탕과 의미의 차이다.

이 기본 요소들은 무거운 수학 없이도 더 구체적인 정식화를 가리킨다. 사용자의 이력과 피드백에서 간결한 취향 프로파일을 배운다. 후보마다 다면적 반응 프로파일을 예측하는 모델을 배운다. 그다음 그 프로파일로 생성을 조향하고, 제약을 만족하는 작은 후보 포트폴리오를 고른다.

제품의 진실이 드러나는 곳도 여기다. 취향 다이얼은 슬라이더가 아니다.

창작자가 “새로움 30퍼센트에 일관성 70퍼센트로”를 뜻하는 일은 드물다. 그들이 뜻하는 것은 제약이다.

새롭게, 그러나 일관성을 깨지는 말 것
울게 하되, 비극이 아니라 안도로
이상하게, 그러나 여전히 진심으로
강렬하게, 그러나 스트레스 없이

그것들은 경계다. 도구가 맞바꿈을 탐색하는 서로 다른 후보들의 작은 포트폴리오를, 각각 예측된 반응 프로파일과 함께 돌려줘야 한다는 뜻이다. 그것이 전역 최적점 하나가 있는 척하지 않으면서 봉우리를 지키는 방법이다.

5. 기존 강자, 도전자, 그리고 진짜 해자는 무엇이 되는가

이는 우리를 Netflix와, 여러 해 동안 선호를 배워 온 모든 플랫폼으로 되돌린다. 추천에서 우위는 분명했다. 더 많은 이력은 더 나은 순위를 뜻했다. 생성에서 우위는 여전히 실재하지만 자동적이지는 않다.

기존 강자가 진짜로 가진 것은 이것이다.

종단적 선호 흔적
일회성 클릭이 아니라 여러 해의 행동.
성숙한 표현 파이프라인
사용자 프로파일, 항목 임베딩, 갱신 주기, 규모 있게 서비스할 만큼 표현을 안정되게 유지하는 시스템.
유통과 피드백 루프
변경을 출시하고, 결과를 관찰하고, 끊임없이 반복하는 능력.

그러나 그들이 자동으로 갖지는 못하는 것은 이것이다.

생성된 변형에 대한 반사실적 선호 레이블
로그는 노출 제약 아래의 선택이다. 생성기에는 카탈로그에 존재한 적 없는 후보들에 대한 선호 신호가 필요하다.
면 수준의 감독
참여도는 “계속 봤다”를 말해 줄 뿐, 무언가가 공명 때문에, 새로움 때문에, 위안 때문에, 강박 때문에 내려앉았는지는 말해 주지 않는다.
창작자가 실제로 쓰는 조건화 인터페이스
”개인화된 생성”은 모델 기능만이 아니다. 의도, 제약, 반복적 피드백을 끌어내는 워크플로다.

도전자에게 진짜 틈이 열리는 곳이 여기다. 새로운 창작 도구는 올바른 상호작용 루프를 소유한다면 Netflix 규모의 이력이 필요 없다. 창작 중에 비교, 편집, 순간 수준의 피드백을 붙잡는 도구는 실제로 생성에 조건을 거는 종류의 구조화된 취향 데이터를 쌓을 수 있다. 시간이 지나면 “기존의 어떤 것을 클릭할 것인가”보다 “당신이 사랑할 무언가를 어떻게 만들 것인가”에 가까운 취향 엔진을 지을 수 있다.

실무적 함의는 해자가 옮겨 간다는 것이다. 카탈로그를 소유하는 일은 줄고, 취향 학습 루프를 소유하는 일이 는다.

그 루프의 가장 강한 형태는 이렇다.

시스템이 초기에 소수의 표적 비교를 끌어낸다
시간에 따라 갱신되는 간결한 취향 프로파일을 배운다
후보들의 다면적 반응 프로파일을 예측한다
점수 하나를 쫓는 대신 제약을 만족하는 포트폴리오를 생성한다
시청 시간만이 아니라 편집과 순간 주석에서 배운다

창작자는 순위표를 원하지 않는다. 출시 전에 세 가지 답을 원한다.

봉우리는 어디인가
누가 이것을 강렬하게 사랑할 것인가
갈라지는 곳은 어디인가
누가 떠날 것이고, 무엇이 그렇게 만들었는가
예측은 얼마나 확실한가
시스템이 추측하는가, 아니면 이 관객을 실제로 아는가

그 질문들에 답할 수 있게 되면 Create with AI는 “생성하고 기도하기”이기를 멈춘다. 조향 가능해진다. 의도와 제약을 명세하고, 포트폴리오를 생성하고, 취향 군집들에 걸친 예측 반응 지도를 살피고, 지도가 균열을 보이는 곳에서 반복한 뒤, 어느 봉우리를 골랐고 무엇을 맞바꿨는지 알고 출시한다.

우리는 아직 거기 있지 않다. 빠진 조각은 더 큰 생성기만이 아니다. 빠진 조각은 취향 좌표, 올바른 감독, 그리고 문화를 납작하게 만들지 않으면서 취향을 배울 수 있게 하는 제품 루프다.

맺으며

우리는 창작 모델이 거의 무엇이든 만들 수 있으면서도 결과물은 흔히 대체 가능하게 느껴지는 낯선 국면을 살고 있다. 그것은 영구적인 천장이 아니다. 잘못된 목표를 최적화할 때 일어나는 일이다.

취향을 점수로 압축하면 중간값으로 수렴한다. 참여도를 최적화하면 강박을 사랑으로 혼동한다. 문화는 많은 봉우리가 있는 지형이다.

Create with AI의 다음 시대는 그 지형을 지도로 그리고 그것을 향해 생성할 수 있는 시스템의 것이다. 스칼라 판단 대신 다면적 감상. 보편적 미학 대신 조건적 취향. 슬라이더와 평균 대신 경계와 맞바꿈. 최선의 답 하나 대신 봉우리들의 포트폴리오.

생성기는 가능성을 싸게 만든다. 취향 모델은 방향을 가능하게 만든다. 창작은 둘 다 있을 때 일어난다.

슬라이드 링크