상단 퍼널의 병목은 늘 똑같습니다. “소재가 부족하다”와 “꾸준히 못 올린다”. 이 두 병목은 CAC를 올리는 가장 직접적인 원인입니다. 제작비가 비싸면 테스트 수가 줄고, 테스트 수가 줄면 승자 크리에이티브를 못 찾고, 결국 유료 매체에서 CPM·CPA를 비싸게 지불하게 됩니다.
최근 브런치에서 공유된 Cluely 전 CMO Daniel Min의 사례(Brunch, ‘Cluely, Daniel Min 밋업’)는 이 문제를 정면으로 찌릅니다. Cluely는 UGC 프로그램을 먼저 ‘운영 체계’로 만들었습니다. 100명의 크리에이터를 고용해 바이럴 스크립트를 공급하고, 반응이 오는 영상을 광고로 전환하는 구조죠. 중요한 건 “조회수=전환”이 아니라는 사실을 데이터로 빨리 인정했다는 점입니다. 수백만 뷰인데 전환 0인 영상이 쌓이면, 그건 감이 아니라 퍼널 설계가 틀렸다는 신호입니다.
Daniel이 한 조치는 단순하지만 강력했습니다. ‘양’이 아니라 ‘전환을 만드는 크리에이터/포맷’으로 압축(100→70)하고, 스크립트를 더 정교하게 바꿔 운영 효율을 끌어올렸습니다. 그 결과 월 1~1.5억 뷰를 안정적으로 뽑는 UGC 엔진이 됐고, “인플루언서 기반 운영이 단순 유료 집행보다 효율적”이라는 결론으로 이어졌습니다. 여기서 CAC 절감 포인트는 명확합니다: 콘텐츠 공급을 내부 제작팀의 인력 한계에서 분리해 ‘외부 분산 생산’으로 바꾸면, 실험 모수 자체가 커집니다.
하지만 UGC만으로는 아직 반쪽입니다. 운영팀이 매번 주제 선정→카피 작성→이미지 제작→업로드를 수동으로 하면, 회전수는 다시 줄어듭니다. dev.to의 글(‘I Built a Bot That Posts to LinkedIn Every Day…’)이 보여주는 건 이 두 번째 병목의 제거입니다. NewsAPI로 트렌드를 수집하고, Gemini로 글을 만들고, Stability AI로 배너를 생성한 뒤, GitHub Actions로 매일 자동 발행하는 파이프라인—핵심은 “일관된 배포를 0달러에 자동화”했다는 점입니다.
UGC 엔진과 배포 봇을 묶으면, 성장 레버는 ‘콘텐츠 수’가 아니라 ‘학습 속도’로 바뀝니다. 저는 이 조합을 이렇게 설계하라고 권합니다. - (1) UGC를 세 등급으로 라우팅: TOF(인지) / MOF(UGC+전환 의도) / BOF(유료 광고). Daniel이 말했듯 TOF에서 전환을 강요하면 판단이 흐려집니다. - (2) 배포 자동화는 TOF·MOF에 먼저: 봇은 “매일 꾸준히”를 해결해 조회수 근육을 키우고, 사람은 “전환 설계”에 집중해야 합니다. - (3) BOF는 냉정하게 숫자: ROAS 양수 아니면 즉시 중단. 감정 섞는 순간 CAC가 구조적으로 상승합니다.
그럼 무엇을 지표로 최적화해야 ROAS·전환까지 연결될까요. TOF는 ‘도달’이 아니라 리콜의 프록시를 봐야 합니다(예: 팔로우 전환율, 프로필 클릭률, 브랜드 검색량 상승). MOF는 클릭 후 행동이 핵심입니다(랜딩 CTR, 가입 시작률, 체험 활성화율). BOF는 말 그대로 CPA/LTV, payback, ROAS로 판정합니다. 특히 UGC는 “조회수 대비 전환”만 보면 크리에이터가 손해를 봅니다. 대신 크리에이터×포맷별 인크리멘털 리프트(통제군 대비), 최소한 UTM 기반 기여 + 광고 재활용 성과(whitelist/spark ads ROAS)까지 같이 묶어야 공정합니다.
전망은 명확합니다. UGC는 앞으로 더 싸지고 더 많아질 겁니다. 차이는 ‘공급’이 아니라 ‘운영 시스템’에서 납니다. 배포 봇은 단순 자동 포스팅 툴이 아니라, 콘텐츠→반응 데이터→스크립트 개선→재배포의 루프를 24시간 돌리는 성장 인프라가 됩니다. 결국 승자는 “UGC로 상단 퍼널을 스케일”하면서도 “하단에서 숫자로 절단(ROAS 게이트)”하는 팀입니다. 바이럴은 운이지만, CAC 절감은 구조입니다.