더 스마트한 광고를 위한 멀티 에이전트 아키텍처

Spotify는 Direct, Self-Serve, Programmatic가 같은 백엔드를 쓰면서도 채널·표면마다 워크플로가 갈라지는 문제를 풀기 위해, 중앙집중형 규칙 엔진 대신 멀티 에이전트 아키텍처를 선택했다.

핵심 목표는 목표를 입력하면 이를 여러 툴 호출과 판단으로 풀어내는 통합 decision layer를 만드는 것이었다. 이 레이어는 Spotify Ads Manager, Salesforce, Slack 등 어디에서든 같은 로직으로 예산 배분, 인벤토리 선택, 도달률과 효율성, STR 같은 트레이드오프를 다루도록 설계됐다.

초기 적용 사례는 Media Planning이었다. 판매, 광고주, 인벤토리, 페이싱, 광고 상품이 한데 얽힌 가장 복잡한 구간이기 때문이다. 사용자는 자연어로 캠페인 요구사항을 말하고, 시스템은 과거 성과 데이터를 바탕으로 최적화된 미디어 플랜을 생성한다.

구성은 역할별 에이전트로 나뉜다.

• RouterAgent: 입력 메시지에서 어떤 정보가 있는지 빠르게 판별
• GoalResolverAgent: REACH, CLICKS, APP_INSTALLS 같은 목표와 광고 카테고리 매핑
• AudienceResolverAgent: 관심사, 지역, 연령, 성별 등 타깃 조건 추출
• BudgetAgent: $5000, 5k, €10,000 같은 예산 표현을 micro-units로 변환
• ScheduleAgent: "next month", "30 days" 같은 상대 날짜 파싱
• MediaPlannerAgent: 휴리스틱과 과거 성과 데이터를 결합해 추천안을 최적화

기술 스택은 Google ADK 0.2.0, Vertex AI (Gemini 2.5 Pro), gRPC, Google Cloud 세션 저장소, PostgreSQL + In-Memory Cache, Apollo로 구성됐다. 툴 통합은 FunctionTool과 @Schema를 활용해 LLM이 도구 파라미터를 구조적으로 이해하도록 했다.

최적화 규칙은 단순 생성이 아니라 실제 성과 기반 판단에 초점을 둔다.

• CPM/CPC/CPI 같은 비용 지표를 과거 중앙값보다 낮게 유지
• 배송률이 100%에 가까운 캠페인 우선
• 예산 범위와 기간이 비슷한 성공 사례를 매칭
• 타깃팅 중복도와 포맷/목표 조합의 다양성 점수화
• 예산 규모에 따라 추천 수를 자동 조절: €0-1,000 1개, €1,000-5,000 2개, €5,000-15,000 3개, €15,000+ 4-5개

성과도 분명했다. 미디어 플랜 생성 시간은 수동의 15-30분에서 5-10초로 줄었고, 입력 폼은 20개 이상에서 1-3개의 자연어 메시지로 축소됐다. 에이전트 응답 지연은 병렬 실행을 통해 약 3-5초 수준으로 맞췄다.

이 과정에서 얻은 교훈은 세 가지다. 프롬프트는 코드처럼 다뤄야 하고, 에이전트 경계는 성능과 유지보수를 좌우하며, 툴은 환각을 줄이고 현실 데이터에 접지하는 핵심 수단이라는 점이다. 다음 단계는 스트리밍 응답, 다회차 정교화, A/B 테스트 통합, 창작 제안과 경쟁 분석까지 확장하는 일이다.