🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

AppLovin의 1000억 달러 광고 엔진은 Axon 2의 예측력, 몰입형 광고 데이터, 광고주 이익과 연동된 성과형 구조, 소수 정예 실행 문화를 하나의 성장 루프로 결합한 결과다.

📌 핵심 요점

1. AppLovin은 상장 후 주가가 92% 하락한 위기 속에서 트리 기반의 Axon 1을 임베딩과 심층신경망 중심의 Axon 2로 교체했다. 인터뷰에 따르면 새 엔진은 동적으로 변하는 사용자·광고 관계와 처음 보는 조합까지 추론하면서 정확도를 높이고 인프라 비용을 낮췄다.
2. Axon 2의 경쟁력은 모델만이 아니라 데이터 피드백 루프에서 나왔다. 플레이어블 광고의 시청·조작·건너뛰기부터 설치, 반복 사용, 광고 매출, 인앱결제까지 이어지는 행동 신호를 학습해 다음 반응과 광고주의 수익 가능성을 예측한다.
3. 사업 모델은 광고주의 ROAS와 AppLovin의 매출을 직접 연결한다. 광고주가 확보한 사용자에게서 이익을 얻으면 광고비를 늘리고, 그 과정에서 더 많은 데이터가 쌓여 추천 성능과 광고 성과가 다시 개선되는 구조다.
4. 약 100명의 엔지니어를 유지하면서 핵심 알고리즘을 5~6개월 만에 재구축한 배경에는 경영진의 직접 참여, 엔지니어의 사업 이해, 빠른 프로덕션 실험, 필요하면 기존 코드를 버리는 실행 문화가 있었다. AI는 이 조직을 대체하기보다 인원 증가 없이 더 복잡한 문제를 다루게 하는 생산성 증폭기로 활용됐다.
5. AppLovin은 게임 광고에서 확보한 모델과 행동 이해를 전자상거래로 확장했으며, 장기적으로 커넥티드 TV와 오픈 웹의 발견형 광고를 기회로 본다. 다만 인터뷰에서도 모바일 게임과 소비자 광고만으로는 1조 달러 기업에 필요한 현금흐름을 만들기 어렵다고 평가하며, 인접 시장에서의 추가 실행력이 필요하다고 인정한다.

🧩 배경과 문제 정의

• AppLovin은 상장 후 첫 18개월 동안 주가가 92% 하락한 상황에서, 오래된 머신러닝 기법에 의존하던 광고 추천 엔진 Axon 1을 근본적으로 재설계해야 했다.
• 소수 인력과 빠른 실행을 중시하는 문화는 초기 수익성과 성장의 기반이 됐지만, 주니어 엔지니어가 사업의 전체 맥락을 이해하거나 독자적으로 문제를 정의하기 어렵게 만드는 한계도 있었다.
• 핵심 과제는 사용자와 광고 사이의 동적인 관계를 더 정확하게 예측하는 것이었다. 추천 정확도가 높아질수록 광고주의 수익률과 광고비 지출, AppLovin의 매출이 함께 개선되므로 Axon 2의 성능은 기술을 넘어 기업가치를 좌우하는 변수로 다뤄졌다.
• 영상에서 언급된 기업가치, EBITDA, 현금 전환율, 조직 규모 등의 수치는 인터뷰 발언을 기준으로 정리한 것이며, 정확한 재무 수치는 공시자료를 통한 별도 검증이 필요하다.

🕒 시간순 섹션별 상세정리

1. 상장 후 급락과 Axon 2의 반전

• AppLovin의 기업가치 목표는 창업 초기 10억 달러에서 100억 달러로, 상장 시점에는 1,000억 달러로 커졌다. [00:09]
• 상장 후 첫 18개월 동안 주가가 92% 하락했지만, 영상에서는 Axon 2 출시 이후 주가가 회복되며 회사가 1,000억 달러 규모에 도달했다고 보여준다. [00:24]

2. 지오 합류 당시 조직의 강점과 한계

• 빅테크의 무거운 절차와 달리 AppLovin은 팀이 작았고, 경영진과 CTO가 일상적인 의사결정과 실행에 직접 참여해 빠르게 협업할 수 있었다. [01:54]
• 모델·인프라·반복 개발 방식에는 개선 여지가 컸으며, 특히 주니어 구성원은 낮은 수준의 작업에 한정돼 사업을 이해하거나 자신의 질문과 아이디어를 발전시키기 어려웠다. [02:32]

3. 낡은 Axon 1과 Axon 2 설계자의 영입

• 당시 약 55억 달러 규모였던 것으로 소개된 AppLovin의 광고 사업은 오래된 머신러닝 기법으로 만든 Axon 1에 의존했고, 이를 대체할 Axon 2의 설계자로 지오를 영입했다. [03:38]
• Axon 2는 지오가 합류한 지 약 5~6개월 뒤 출시됐으며, 지오는 새로운 모델의 핵심 아키텍처를 담당했다. [04:02]

4. 코드 중심 협업과 초기의 린 문화

• 좋은 모델을 훈련하려면 먼저 적합한 인프라가 필요했기 때문에 지오는 첫 달부터 직접 코드를 작성했고, 정기적인 일대일 회의도 코드로 소통하는 편이 효율적이라고 판단해 곧 중단했다. [05:05]
• 회사는 약 10명으로 출발해 첫 3~4년 동안 최대 50명 수준을 유지했으며, 자금 조달의 어려움과 광고주에게 제공한 가치보다 많은 비용을 써서는 안 된다는 원칙을 바탕으로 일찍 흑자를 냈다. [05:50]

5. 100명 엔지니어로 핵심 엔진 재구축

• 엔지니어링 조직은 당시와 현재 모두 약 100명이며, 매각한 게임 사업과 별도로 운영한 Adjust를 제외한 회사 인력은 약 600명에서 400명으로 줄어든 뒤 비슷한 규모를 유지했다. [07:47]
• 애덤·바실·지오가 슬랙 채널에서 실시간으로 피드백을 주고받았고, 바실과 지오는 약 5~6개월 동안 경쟁하듯 코드를 작성하며 데이터 플랫폼과 미디에이션 서비스는 유지한 채 핵심 알고리즘을 다시 만들었다. [08:26]

6. 휴가 중 완성한 Axon 2 훈련 인프라

• 애덤과 바실의 작업 방식은 ‘직접 손을 움직인다’는 기준을 세웠고, 지오는 예정된 유럽 여행보다 한 주 먼저 합류한 뒤 휴가를 취소하는 대신 여행 중에도 개발을 이어갔다. [10:34]
• 당시의 ChatGPT는 코드를 대신 작성할 수준이 아니었으며, 지오는 인터넷이 없는 12시간 비행 중 Axon 2 훈련 인프라를 개발하다 문서가 필요해지자 로컬에 저장된 라이브러리 소스 코드까지 분석했다. [11:31]

7. 추천 시스템의 조합 폭발과 기존 모델의 구조

• 추천 시스템은 매우 많은 사용자와 아이템 사이에서 발생하는 방대한 조합을 처리하면서, 각 사용자와 각 아이템 사이의 관계를 학습해야 한다. [14:09]
• 이전 세대 모델은 사용자·아이템 조합을 여러 군집으로 나누고 수십만 개의 조건문으로 구성된 트리 모델을 만든 뒤, 각 조합 군집을 해당 분기 구조의 끝에 배치했다. [14:56]

8. 동적으로 변하는 관계를 학습하는 Axon 2.0

• 날씨·프로모션·휴일이 바뀔 때마다 사용자와 항목의 관계도 달라지기 때문에, 기존 트리 기반 모델로는 이러한 동적 상호작용을 정확히 모델링하기 어려웠다. [15:11]
• Axon 2.0은 학습 가능한 임베딩 테이블을 통해 사용자·항목 ID를 통계적 의미가 담긴 벡터로 바꾸고, 심층신경망으로 두 벡터 사이의 복잡한 상호작용을 학습했다. [15:35]

9. 몰입형 광고에서 만들어지는 예측 데이터

• 사용자에게 노출된 모든 광고는 반응 여부를 남기며, 이 피드백은 해당 사용자가 다음 광고에 어떻게 반응할지를 예측하는 학습 데이터가 된다. [17:48]
• 게임 광고는 사용자가 약 60초 동안 미니게임을 직접 조작하게 하므로 정적 배너보다 많은 행동 신호를 만들며, 하루에 광고 10개만 보더라도 약 10분의 상호작용 데이터가 축적된다. [18:47]

10. 광고주의 이익이 지출을 키우는 성과형 구조

• 광고주는 플랫폼에 지출한 비용과 그 결과로 얻은 매출·이익을 측정하며, 확보한 사용자에게서 이익이 발생하면 별도의 설득 없이도 광고비를 크게 늘릴 수 있다. [20:47]
• 대규모 영업조직보다 광고 성과 자체가 판매를 이끌며, 광고주가 사용자와 이익을 얻는 동안 AppLovin과의 거래도 자발적으로 확대된다. [21:20]

11. 게임 데이터를 넘어 전자상거래로 확장한 근거

• Axon 2.0을 확장한 지 약 1년 뒤 핵심 모델이 다른 산업에도 적용될 만큼 범용적이라고 판단했지만, 전자상거래에 필요한 데이터 파이프라인과 제품 흐름은 새로 구축해야 했다. [22:06]
• 약 10억 명의 사용자는 게임만 하는 집단이 아니므로, 특정 산업이 아니라 사람의 행동 자체를 이해하는 모델이라면 게임 밖 상품에 대한 반응도 예측할 수 있다고 봤다. [22:52]

12. 빠른 프로토타입으로 검증한 전자상거래 가능성

• 성공과 실패의 근거를 두고 오래 논쟁하는 대신 몇 달 안에 프로토타입과 시험용 모델을 만들었고, 초기 광고주 실험에서 매우 좋은 결과를 확인했다. [24:40]
• 첫 데이터 흐름 엔진은 라스베이거스의 아침 식사 자리에서 냅킨 위에 설계됐으며, 샌프란시스코로 돌아오기 전 호텔방에서 최초 프로토타입까지 완성됐다. [25:45]

13. 제품관리 의존을 줄인 엔지니어 주도 조직

• AppLovin은 제품관리 조직을 거의 두지 않고, 엔지니어가 비즈니스 문제를 이해한 뒤 아키텍처와 제품을 직접 설계해 기존 사업팀도 알지 못했던 문제까지 해결하도록 했다. [26:20]
• 고객 요구를 제품관리자가 명세로 바꿔 엔지니어에게 전달하는 단계를 줄였으며, 소수의 제품관리자 외에는 스스로 개발 방향을 결정할 수 있는 엔지니어가 조직의 대부분을 차지한다. [27:04]

14. 광고주 소통을 확장 가능한 지표로 전환

• 광고주와의 일상적인 소통은 비즈니스팀이 담당하고 엔지니어는 필요할 때 직접 회의에 참여함으로써, 엔지니어가 모든 광고주를 상대해야 하는 비확장적 구조를 피했다. [29:06]
• 모호한 잠재고객 전달량 대신 매출과 ROAS를 성공 기준으로 삼으면, 성과가 좋을 때 지출이 늘고 나쁠 때 줄어드는 명확한 피드백이 엔지니어에게 전달된다. [29:30]

15. 비즈니스 맥락을 중심으로 한 엔지니어 성장

• 엔지니어링과 제품을 함께 담당한 경험은 제품 직관의 기반이 됐으며, 비즈니스와 단절돼 있던 엔지니어도 자신의 업무가 성과에 미치는 영향을 이해한 뒤 무엇을 만들어야 하는지 더 정확히 판단하게 됐다. [30:43]
• 주니어에게 전체 맥락을 제공하지 않고 세분화된 작업만 배정하면 당장의 통제는 쉬워지지만, 스스로 문제를 정의하고 성장할 기회는 줄어든다. [31:11]

16. 첫 주 배포와 자기주도형 온보딩

• 인턴이나 신입 졸업자도 입사 첫 주부터 코드를 배포하며, 시스템 전체를 훼손하지 않도록 안전장치를 두되 긴 교육 절차를 선행시키지는 않는다. [32:23]
• 자신이 만든 테스트를 빠르게 프로덕션에 적용하면 많은 사용자로부터 실제 결과를 받을 수 있고, 이 강한 성취감과 피드백 루프가 학습 속도를 높인다. [33:24]

17. AI 위에서 이동하는 인간의 역할

• AI는 질문 답변·코드 작성·조사에는 강하지만 장기 계획에는 아직 취약하므로, 긴 시간축의 판단이 필요한 업무에는 인간이 계속 개입해야 한다. [35:29]
• 엔지니어는 AI와 같은 층위에서 경쟁하기보다 그 위에서 일해야 하며, AI가 문법 수정에서 문단 완성·전체 풀 리퀘스트 작성으로 발전할수록 인간은 AI가 해결하지 못하는 문제에 집중해야 한다. [35:42]

18. 코딩 판단력과 인간의 최종 책임

• 현재의 AI는 잘못된 코딩 결정을 자주 내리기 때문에, 엔지니어가 코드를 직접 이해하지 못하면 오류를 판별하거나 수정할 수 없다. [36:51]
• 임시 대시보드와 프로토타입은 견고성보다 속도를 선택할 수 있지만 핵심 인프라는 깨끗하게 유지해야 하며, AI가 만든 결과와 결정에 대한 최종 책임도 담당 엔지니어에게 있다. [37:53]

19. 대량 실험으로 찾는 광고 크리에이티브

• 보상형 광고는 사용자가 최대 60초를 시청하고 전환까지 약 10개의 광고를 볼 수 있어, 누적 10분의 콘텐츠가 지루하면 구매를 유도하기보다 브랜드에 대한 거부감을 키울 수 있다. [40:17]
• 소비자 반응을 미리 맞히는 확실한 공식은 없으며, 매주 광고 30개를 시험해도 의미 있는 결과는 하나뿐일 수 있으므로 작은 요소만 바꾸기보다 서로 다른 콘셉트를 폭넓게 실험해야 한다. [40:42]

20. 소셜 UGC와 게임 광고 문법의 차이

• 소셜 광고는 첫 3초 안에 관심을 붙잡아야 하지만 AppLovin의 사용자는 광고를 더 오래 시청하므로, 짧은 UGC 문법을 그대로 적용하면 긴 접촉 시간을 활용하지 못한다. [42:45]
• 솔리테어나 마작을 즐기는 사용자는 인스타그램·틱톡을 계속 스크롤하는 이용자보다 대체로 연령이 높고 미디어에 반응하는 방식도 달라, 동일한 크리에이티브가 같은 효과를 내지 않을 수 있다. [43:04]

21. 초기 이커머스 시장의 기회와 학습 과제

• AppLovin의 소비자·이커머스 광고 사업은 약 18개월 된 초기 시장으로 소개되며, 광고주와 대행사는 게임 광고 환경에 맞는 사용자 행동과 크리에이티브 문법을 새로 학습해야 한다. [43:43]
• 플랫폼에 일찍 투자해 사용자의 특성·구매 성향·효과적인 광고 형식을 익힌 광고주는 캠페인을 크게 확장했지만, 소셜용 UGC를 그대로 재사용한 광고주는 긴 브랜드 접촉 기회를 충분히 활용하지 못했다. [44:14]

22. 광고 제작 AI의 효율과 완전 자동화의 간극

• 생성형 광고는 브랜드를 훼손하지 않으면서 사용자의 관심을 오랫동안 유지해야 하므로, 다양하고 창의적인 소재를 대량으로 자동 공급하기에는 아직 품질 장벽이 높다. [45:01]
• 현재의 도구는 사람이 광고를 더 빠르고 저렴하게 만들도록 지원하는 단계이며, 그 결과 플랫폼에 유입되는 광고 콘텐츠의 양은 이미 증가했다. [45:21]

23. 범용 영상 도구와 대형 광고주의 요구 차이

• 짧은 생성 영상 도구는 틱톡·인스타그램용 10초 콘텐츠나 인플루언서 작업에는 적합할 수 있지만, 대형 광고주가 요구하는 브랜드 수준과는 차이가 있다. [47:07]
• 웨이페어 같은 대형 브랜드에 어울리지 않는 결과물을 제공하거나 대신 집행하면 플랫폼 신뢰까지 훼손될 수 있어, 사람의 제작물과 유사한 품질과 지속 시간을 확보해야 한다. [47:23]

24. 재구축 대신 기존 시스템 위에 쌓는 AI

• 지난 3년간 구축한 시스템을 AI 때문에 다시 만들 필요는 없으며, AI는 기존 자산을 폐기하는 수단이 아니라 그 위에서 더 많은 성과를 만들어 내는 확장 수단으로 봐야 한다. [48:28]
• 엔지니어링팀 규모는 3년 전과 거의 같지만 사업 규모와 문제의 복잡성은 커졌으며, AI는 인원을 크게 늘리지 않고도 더 어려운 문제를 감당할 수 있도록 팀의 역량을 높였다. [48:59]

25. 업무 자동화와 고객 관계의 역할 분담

• 사업팀의 개별 업무를 전체 광고주 기반에 적용할 수 있는지 검토하고, 중앙 조직이 도구·대시보드·자동화를 만들어 반복적인 프로세스를 확장하는 구조를 지향한다. [50:21]
• AI는 AppLovin 내부 사업을 이해할 수 있어도 각 광고주의 사업까지 완전히 이해하기는 어려우므로, 고객을 직접 만나 필요를 파악하는 성장 컨설턴트의 역할은 대체하기 어렵다. [50:41]

26. 생산성 향상을 상쇄하는 잘못된 구축 판단

• AI는 엔지니어와 사업 담당자의 개인 생산성을 크게 높였지만, 모든 기업이 그만큼 조직 전체의 산출물을 늘린 것은 아니다. [51:40]
• 구축이 쉬워지면서 잘못된 의사결정과 완성도가 낮은 아이디어까지 빠르게 실행될 수 있고, 이러한 낭비가 AI가 제공한 생산성 이익을 상쇄할 수 있다. [52:07]

27. 기존 조직의 AI 네이티브 전환 장벽

• 현재 AI 사용자의 대부분은 도구를 검색엔진처럼 활용하며, AI 시대에 맞춰 채용되고 설계된 기업과 달리 기존 조직은 구성원 전체의 활용 수준을 끌어올리는 데 어려움을 겪는다. [52:49]
• 고용을 지키기 위한 내부 저항, 무분별한 인원 감축, 제한 없는 토큰 예산은 모두 해법이 아니며, 여러 부서가 비슷한 대시보드를 중복 개발하거나 같은 AI 서비스에 반복 지출하는 낭비를 만들 수 있다. [53:29]

28. 빠르게 바뀌는 AI 도구 선택

• 개발 환경에는 VS Code, 코딩에는 Claude, 텍스트 작업에는 ChatGPT를 활용하며, 특히 기존 의견에 이의를 제기하고 다른 관점을 제시하는 특성이 텍스트 작업에 유용하다고 평가한다. [54:55]
• 불과 1년 전에는 ChatGPT에서 Gemini로 옮겼다가 최근 다시 ChatGPT로 돌아왔을 만큼 모델별 체감 품질은 빠르게 변하며, 몇 달 뒤 어떤 도구가 최선일지도 확정하기 어렵다. [55:24]

29. 챗봇 광고와 구매 퍼널의 차이

• 챗봇 사용의 대부분이 검색이라면 초기 챗봇 광고도 검색 광고와 비슷한 형태가 될 가능성이 높지만, 관련 시장은 아직 초기 단계다. [58:12]
• 검색형 하단 퍼널 광고는 이미 구매 의도가 있는 사용자를 거래 지점까지 연결하는 반면, 인스타그램형 상단 퍼널 광고는 사용자가 몰랐던 상품을 발견하게 해 새로운 구매 의도를 형성한다. [58:58]

30. 발견형 광고가 열어 주는 장기 확장 시장

• 커넥티드 TV에서는 사용자가 원하는 콘텐츠를 미리 정하지 않은 경우가 많으므로, 추천 흐름을 만들고 전환까지 연결하면 높은 광고 가치를 창출할 수 있다. [1:00:19]
• 오픈 웹에서는 현재 보고 있는 레시피와 직접 관련된 광고보다 전혀 예상하지 못한 상품이 더 큰 가치를 만들 수도 있으며, 이러한 비맥락적 발견 광고를 향후 3~10년의 확장 기회로 본다. [1:00:43]

31. 1조 달러 기업에 필요한 현금흐름과 시장 규모

• 영상에서는 현재 연환산 EBITDA가 70억 달러를 넘고 그중 약 75%가 현금으로 전환된다고 설명하며, 1조 달러의 기업가치를 정당화하려면 연간 현금흐름을 300억 달러 이상으로 키워야 한다고 본다. [1:03:21]
• 모바일 게임 사용자 획득 시장만으로는 필요한 현금흐름을 만들 수 없고, 소비자 광고로 확장하더라도 5년 이상의 시계에서는 충분하지 않아 더 큰 인접 사업을 찾아야 한다. [1:04:14]

32. 기업 규모를 앞서 준비하는 기술과 목표 설정

• 데이터 인프라와 제품은 현재 수요가 아니라 1조 달러 규모와 여러 산업군으로의 확장을 견딜 수 있도록 설계하되, 자체 하이퍼스케일러 구축보다는 낮은 자본지출 구조를 유지한다. [1:05:18]
• 목표는 10억 달러에서 100억 달러, 상장 후 1,000억 달러로 커졌으며, 상장 초기 주가가 92% 하락했지만 Axon 2 이후 회복해 1,000억 달러 규모에 도달했다는 앞선 논지를 다시 연결한다. [1:05:53]

33. 주가 92% 하락을 견딘 자본 배분 전략

• 주가가 90% 하락하면 기존 2~3% 수준의 주식 보상이 같은 금액을 유지하기 위해 연간 30% 희석으로 불어날 수 있지만, 고정 금액 기준의 보상과 소수 정예 조직·강한 현금흐름을 통해 희석을 억제하고 자사주를 대규모로 매입했다. [1:08:18]
• 자사주 매입 전략은 기술 개선과 미래 성장에 대한 내부 확신이 있었기에 가능했지만, 비알고리즘형 엔터프라이즈 SaaS는 매출 확대를 위해 영업 인력을 늘려야 하므로 낮은 주가와 비용 증가가 악순환을 만들 수 있다. [1:09:03]

34. 고정된 인원과 장기적 감정 통제

• 모델과 인프라는 계속 개선되고 사업 규모는 커지지만 인원수는 거의 그대로여서, 구성원 개개인의 책임과 성장 속도도 회사의 성장과 함께 확대된다. [1:10:55]
• 상장은 단순히 축하할 사건이 아니라 300억 달러 가치에 주식을 산 투자자에게 수익을 돌려줘야 하는 책임이었으며, 단기 성과보다 창업자가 떠난 뒤에도 지속될 회사를 만드는 과정이 우선이라고 보여준다. [1:11:28]

35. 빠른 기술 변화와 AI 시대의 실행 부담

• 초기 400만 달러 가치로 투자받을 때부터 대기업이 회사를 무너뜨릴 것이라는 평가를 받았지만, 주변 위협에 불안해하기보다 시장 전체를 인식하고 남들보다 먼저 전환점을 읽는 역량으로 경쟁 열위를 뒤집었다. [1:12:51]
• 기술 부채를 안은 채 변화 속도를 따라가지 못하면 패배할 위험이 커지며, 현재 인원으로 사업을 운영하고 확장하는 구조는 AI와의 협업이 없었다면 성립하기 어려웠다고 평가한다. [1:13:24]

36. 특이점 논쟁과 AI 경쟁 우위

• 특이점이 오지 않을 것이라는 관점은 검증된 사실이라기보다 인간의 가치를 지키고 싶은 개인적 입장일 수 있으며, 특이점 자체는 한 기업의 사업 전망보다 훨씬 큰 문제라고 선을 긋는다. [1:14:15]
• AI가 현재 속도로 발전한다면 AppLovin의 조직 구조는 경쟁사보다 그 개선 효과를 더 크게 흡수할 수 있으므로, 회사 차원에서는 긍정적인 변화가 될 수 있다고 본다. [1:14:43]

37. 자동화 이후에도 남는 인간 중심의 구매 경험

• 광고에서 곧바로 거래를 완료하는 방식은 상품을 둘러보고 버튼을 누르며 배송을 추적하고 상자를 여는 소비자의 실제 쇼핑 경험을 놓칠 수 있다. [1:15:01]
• 기술 이해도와 AI의 영향은 사람마다 다르고 대다수는 온라인 기술 담론만큼 깊이 이해하지 않으므로, 인간적인 상호작용과 해결책은 계속 필요하다고 본다. [1:15:20]

38. 취향과 선택적 집중이 만드는 기술 경쟁력

• AI로 거의 모든 것을 만들 수 있게 되면서 차별화의 중심은 취향으로 이동하며, 여기에는 미적 감각뿐 아니라 올바른 기술적 선택을 내리는 공학적 취향도 포함된다. [1:15:54]
• Axon의 성공은 거대 경쟁사의 모든 기능을 모방하지 않은 결정에서 나왔으며, 자원과 인력이 적은 팀일수록 고유한 강점에 집중해야 승산을 확보할 수 있다. [1:16:24]

39. AI에 대한 반감과 광고의 경제적 가치

• 대다수가 AI를 검색 도구 정도로 사용하는 상황에서 일자리 상실과 같은 위험만 접하면 AI를 지지할 이유가 없으므로, 검색을 넘어서는 구체적인 효용을 보여줘야 한다. [1:18:22]
• 광고는 단순한 노출이 아니라 원래는 없었을 거래를 만들어 경제를 확장하고, 기업의 수익성 있는 성장과 신규 고용을 가능하게 하는 촉매가 될 수 있다고 보여준다. [1:19:02]

40. 몰입을 만드는 집중과 성취의 대가

• 애덤은 파생상품 거래에서 익힌 금융·수학·알고리즘·예측 역량을 광고 분야에 대한 열정으로 연결하고, 소셜미디어·외부 투자·콘퍼런스 활동을 줄여 현재 사업에 집중했다. [1:20:31]
• 초기 중간 직급으로 합류한 지오에게는 주변 사람들의 기대를 저버리지 않으려는 성향이 강한 실행 동력이 됐으며, 맡은 일을 성사시키기 위해 가능한 수단을 모두 동원했다. [1:21:35]

41. 지능·낮은 자아·역경 대응으로 구성된 인재 기준

• 핵심 인재에게는 빠른 학습, 높은 자기 기준, 실행력을 포괄하는 지능과 함께 타인의 의견을 듣고 팀을 지원하며 피드백을 수용할 수 있는 낮은 자아가 필요하다. [1:23:20]
• 역경에 대응하는 방식은 세 번째 핵심 기준이며, 어려움 속에서도 회복하고 대응할 수 있는 사람이 조직에서도 높은 성과를 낼 가능성이 크다고 본다. [1:24:06]

42. 후속 창업보다 AppLovin의 장기 기회

• 애덤은 주변의 신뢰를 얻는 한 오랫동안 CEO로 남으려 하며, 대형 상장사를 이끄는 현재에는 AppLovin 이후의 행보를 별도로 구상하지 않는다. [1:25:15]
• 초기에는 새로운 회사를 다시 세울 가능성도 생각했지만, 조직과 함께 회사를 0에서 1,000억 달러 이상으로 성장시킨 드문 경험과 앞으로 남은 장기 기회가 현재 사업에 계속 집중할 이유라고 마무리한다. [1:25:31]

🧾 결론

• AppLovin의 반전은 단일 AI 모델의 성공이라기보다 데이터 수집, 예측 모델, 광고주 손익, 빠른 실험을 서로 강화하는 폐쇄형 성장 루프를 구축한 사례로 요약할 수 있다.
• Axon 2의 핵심 변화는 사용자와 광고를 고정된 군집으로 분류하는 데서 벗어나, 상황에 따라 변하는 관계를 벡터와 신경망으로 학습한 것이다. 기술적 정확도 향상이 광고주의 수익률과 플랫폼 매출로 곧바로 연결되도록 설계됐다.
• 소수 정예 조직은 빠른 의사결정과 높은 책임감을 만들었지만, 주니어에게 충분한 사업 맥락을 제공하지 못하거나 개인의 몰입에 과도하게 의존할 위험도 드러냈다. AppLovin은 이를 첫 주 배포, 자기주도형 온보딩, 공개적인 질문 문화로 보완하려 했다.
• AI 시대에도 차별화의 핵심은 코드를 더 많이 만드는 능력이 아니라 무엇을 만들지 않을지 결정하는 기술적·사업적 취향이라는 것이 인터뷰의 일관된 주장이다.
• 장기 성장은 기존 광고 엔진의 성능만으로 보장되지 않는다. 게임에서 전자상거래로 확장한 방식을 더 큰 인접 시장에서도 재현하고, 브랜드에 적합한 크리에이티브와 고객 관계를 함께 발전시켜야 한다.

📈 투자·시사 포인트

• 긍정적 시사점: 광고주의 이익이 광고비 증가로 이어지는 성과형 구조는 대규모 영업 인력에 덜 의존하면서 매출을 확장할 가능성을 보여준다. 모델 성능이 실제 ROAS로 연결되는지가 핵심 경쟁력이다.
• 긍정적 시사점: 게임 광고에서 축적한 몰입형 행동 데이터와 약 10억 명 규모로 언급된 사용자 기반이 전자상거래에서도 유효하다면, AppLovin은 모바일 게임 광고 플랫폼을 넘어 발견형 소비자 광고 플랫폼으로 확장할 여지가 있다.
• 운영상 시사점: 엔지니어 인원을 거의 늘리지 않고 사업 규모와 모델 복잡성을 확대하는 구조는 높은 영업 레버리지를 제공할 수 있다. 반대로 핵심 인재 의존, 과도한 업무 강도, 조직 지식의 집중은 지속 가능성을 점검해야 할 위험 요소다.
• 성장 위험: 인터뷰 자체도 모바일 게임과 소비자 광고만으로는 장기 목표에 충분하지 않다고 본다. 전자상거래 이후 커넥티드 TV·오픈 웹 등에서 데이터, 광고 형식, 측정 체계를 다시 구축해야 하므로 시장 확장이 자동으로 재현된다고 볼 수는 없다.
• 경쟁 위험: AI 도구의 보편화로 모델 개발과 광고 제작의 진입장벽이 낮아질 수 있다. AppLovin의 방어력은 AI 사용 자체보다 독점적 행동 데이터, 광고주 성과, 모델 운영 역량, 크리에이티브 생태계가 함께 유지되는지에 달려 있다.
• 검증 필요: 주가 92% 하락 및 이후 1000억 달러 기업가치 도달 시점, 연환산 EBITDA 70억 달러 이상과 약 75%의 현금 전환율, 사용자 약 10억 명, 엔지니어 약 100명이라는 수치는 인터뷰의 발언이므로 공시와 최신 재무자료를 통해 별도로 확인해야 한다.
• 검증 필요: Axon 2가 기존 모델보다 정확하면서 인프라 비용까지 낮췄다는 주장과 초기 전자상거래 실험의 높은 ROAS는 구체적인 비교 지표가 제시되지 않았다. 광고주 유지율, 광고비 성장률, 부문별 매출·마진, 증분 전환 측정 방식으로 성과의 지속성과 인과관계를 확인필요가 있다.

⚠️ 불확실하거나 확인이 필요한 부분

• Axon 2 출시가 AppLovin의 주가 회복과 1,000억 달러 기업가치 달성에 결정적인 원인이었다는 설명은 인터뷰의 해석입니다. 거시경제, 광고시장 회복, 실적 개선, 자사주 매입 등 다른 요인의 기여도는 공시와 시장 데이터로 별도 검증해야 한다.
• 연환산 EBITDA 70억 달러 이상, 현금 전환율 약 75%, 약 10억 명의 사용자, 엔지니어 약 100명과 전체 인력 약 400명 등의 수치는 인터뷰 발언에 근거하므로 최신 실적자료와 공식 공시에서 기준 시점과 산정 범위를 확인해야 한다.
• Axon 2가 임베딩과 심층신경망을 이용해 기존 트리 모델보다 정확하면서 인프라 비용도 낮췄다는 설명에는 구체적인 성능 향상률, 비용 절감 폭, 지연시간, 비교 조건이 제시되지 않았습니다. 실제 우위의 크기는 공개 자료만으로 판단하기 어렵습니다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• AppLovin의 실적 발표 자료와 공식 공시를 확인해 기업가치, EBITDA, 현금 전환율, 인력 규모, 자사주 매입 수치를 기준 시점별로 정리한다.
• Axon 2 전후의 광고 성과를 평가할 때 예측 정확도뿐 아니라 ROAS, 전환율, 추론 비용, 지연시간, 광고주 유지율을 함께 비교할 수 있는 지표표를 설계한다.
• 기존 추천 시스템에서 날씨·프로모션·휴일처럼 사용자와 상품의 관계를 동적으로 바꾸는 변수를 식별하고, 현재 모델이 이러한 상호작용을 충분히 학습하는지 점검한다.
• 새로운 산업으로 확장하기 전에 소수 고객을 대상으로 기간, 대조군, 성공 기준, 중단 기준을 명시한 제한적 프로토타입 실험을 진행한다.

❓ 열린 질문

• Axon 2가 실제로 개선한 예측 정확도, 광고주 ROAS, AppLovin 매출과 인프라 비용은 각각 어느 정도였으며 어떤 대조군으로 측정했을까요?
• 주가 회복에서 Axon 2의 기술적 개선과 자사주 매입, 비용 절감, 광고시장 환경은 각각 얼마나 기여했을까요?
• 사용자 임베딩과 광고 상호작용 데이터는 개인정보 보호, 동의, 삭제 요청과 지역별 규제를 어떤 방식으로 충족할까요?