AI가 올바른 TV 에피소드를 찾아낼 수 있을까? 확실하게는 아니다.

세상은 점점 더 대화 중심으로 변해가고 있으며, 제너레이티브 AI(GenAI)는 사람들이 점점 더 복잡해지는 세상을 헤쳐 나가는 데 도움을 주고 있습니다. 엔터테인먼트 분야에서는 TV 시청자들이 음성 검색을 활용해 채널과 서비스 간에 계속해서 분산되고 있는, 점점 더 방대해지는 동영상 콘텐츠의 홍수 속에서 원하는 콘텐츠를 빠르게 찾아내고 있습니다.

그러나 다양한 기기에서 음성 기능이 널리 보급되었음에도 불구하고, 이 기술의 유용성은 데이터, 즉^LLM1이 사용자 질의에 대한 응답을 검증하고, 정보를 제공하며, 수정하는 데 활용하는 실제 상황의 실시간 정보에 달려 있습니다. 스트리밍 분야 전반에 걸쳐, 이는 특히 에피소드형 콘텐츠의 경우 매우 중요합니다.

에피소드형 콘텐츠의 양이 제공되는 영화의 수를 훨씬 능가할 뿐만 아니라, 시청자들은 TV 에피소드를 검색할 때 영화와 다른 방식으로 검색합니다. 시청자들은 보고 싶은 구체적인 시즌이나 에피소드를 정확히 아는 경우가 드물며, 특히 ‘NCIS’, ‘그레이 아나토미’, ‘심슨 가족’과 같이 오랫동안 방영되어 온 인기 프로그램의 경우 더욱 그렇습니다. 따라서 검색할 때 “‘더오피스’의 크리스마스 에피소드를 보여줘”나 “브루스 윌리스가 게스트로 출연한 ‘프렌즈’ 에피소드는 어떤 것들이 있나요?”와 같은 맥락에 기반한 검색어를 사용합니다.

이러한 경우, LLM의 응답은 대개 부정확합니다. 이는 LLM이 시즌 및 에피소드 번호를 바탕으로 확률에 따라 응답을 도출하기 때문입니다. 서비스 제공업체 입장에서는 부정확한 응답으로 인한 열악한 사용자 경험이, 점점 심화되는 콘텐츠 파편화에 대한 불만을 가중시킬 것입니다. 에피소드형 콘텐츠는 콘텐츠 과밀 현상에 큰 영향을 미치는데, Gracenote 추적한 전 세계 6개 SVOD 서비스 제공업체가 배포하는 콘텐츠 중 TV 에피소드가 85%를 차지하기 때문입니다. Gracenote Data Hub에서 추적한 6개 글로벌 SVOD 제공업체가 배포하는 콘텐츠의 85%를 차지하기 때문입니다.

동영상 콘텐츠가 늘어남에 따라, GenAI는 볼거리를 찾는 시청자들에게 점점 더 큰 도움이 될 것입니다. 예를 들어, 불과 1년 반 만에 시청자들이 이용할 수 있는 TV 에피소드 수는 21% 이상 증가했습니다.

대화형 검색, 개인 맞춤형 프로그램 이미지, 맞춤형 추천, 실시간 스포츠 하이라이트와 같은 기능을 제공함으로써, GenAI는 시청자들이 동영상 콘텐츠를 소비하는 방식을 혁신할 것입니다.

이러한 기능을 제공하고, 이를 사용자에게 적합하고 개인화된 방식으로 전달하기 위해서는 검색 및 콘텐츠 탐색 기능을 지원하는 대규모 언어 모델(LLM)이 정확하고 포괄적인 엔터테인먼트 데이터에 접근할 수 있어야 합니다. 특히,^{관심 있는} 콘텐츠를 제공하지 않을 경우 서비스 해지를 고려하겠다고 응답한 미국인의 50%²에게 있어 이는 더욱 중요한 사항입니다.

검증된 실시간 데이터와의 연동은 매우 중요합니다. 기업용으로 배포되는 대규모 언어 모델(LLM)은 어떠한 외부 정보 소스에도 기반을 두지 않기 때문입니다. 대중적인 챗봇(예: ChatGPT, Gemini)과 달리, 이 모델들은 훈련 데이터에서 제공되는 정보만 알고 있습니다. 이 경우, 새로운 프로그램에 대한 정보는 종종 LLM의 훈련 데이터 범위를 벗어나기 때문에, 시청자가 원하는 정보를 찾도록 도와줄 수 없게 됩니다. 예를 들어, 스티브 카렐이 주연을 맡은 코미디 영화 《 루스터》는 2025년에 출시된 LLM이 정보를 가지고 있을 수 없을 만큼 너무 새로운 작품입니다.

근거 없는 LLM 응답과 시청자 경험 

최근 발표한 ‘AI의 플롯 허점’ 보고서에서 자세히 다룬 바와 같이, 배경 지식이 부족한 대규모 언어 모델(LLM)은 인기 TV 프로그램이나 영화의 기본적인 속성에 대해 질문받을 때 정확한 답변을 내놓는 데 어려움을 겪습니다. 특히 에피소드 단위의 콘텐츠에 있어서는 이러한 한계가 훨씬 더 두드러집니다. 이는 프로그램 제목 수준보다 에피소드 수준에서 메타데이터 속성의 고유성이 훨씬 더 높기 때문입니다. 

의미 추측, 예측 확률, 그리고 색인 기능의 부재는 모두, 근거가 없는 대규모 언어 모델(LLM)이 프로그램 제목, 시즌 번호, 에피소드 번호만 가지고 작업해야 할 때 환각 현상을 보일 가능성을 훨씬 더 높이는 요인이 됩니다. 또한 중요한 점은, 시청자들이 에피소드 제목을 이용해 해당 에피소드를 검색하는 경우는 거의 없다는 것입니다.

에피소드 단위의 검색 및 정보 탐색에서 ‘구체적인 맥락에 기반한 정보’의 중요성을 더 잘 이해하기 위해, 우리는 최근 특정 TV 에피소드에 대한 기본적인 질문에 대해 구체적인 맥락이 반영되지 않은 대규모 언어 모델(LLM)의 응답 품질을 평가했습니다. 비록 실제 사용자들이 이런 방식으로 검색하지는 않지만, 우리는 해당 메타데이터의 정확성을 평가하기 위해 검색어에 시즌과 에피소드 번호를 포함시켰습니다. 이 연구에는 13개국에서 선정된 인기 에피소드 100편(총 1,300편)이 포함되었습니다.

전반적으로 볼 때, 에피소드에 대한 응답의 사실적 정확도는 TV 프로그램이나 영화에 비해 현저히 낮았다. 예를 들어, 미국에서 가장 인기 있는 에피소드 100편을 대상으로 한 조사에서, 프로그램 설명의^정확도는 평균 27%에 불과한^반면2, 인기 TV 프로그램 100편과 영화 100편의 설명 정확도는 평균 69%를 기록했다.

이 연구에서 다룬 1,300개 에피소드(국가당 100개) 전반에 걸쳐, 실제 데이터로 훈련되지 않은 LLM이 어려움을 겪은 부분은 정확도뿐만이 아니었다. 정보를 확보하는 것이 훨씬 더 큰 문제였는데, 이는 해당 모델이 아무런 정보(제목, 줄거리, 출연진, 장르)가 전혀 제공되지 않았다. 이는 스웨덴에서 가장 두드러졌는데, 100편의 에피소드 중 73편에 대한 정보가 전혀 제공되지 않았다. 미국의 경우, 데이터 기반이 아닌 LLM은 31편의 에피소드에 대해 어떠한 정보도 제공하지 못했다.

줄거리가 엉망인 그 작품

지속적 학습 모델(LLM)이 빈 응답을 반환하지 않을 때는, 의미 추측, 예측 확률 및 색인화 부족으로 인해 잘못된 에피소드 설명을 제공하는 경우가 빈번했습니다. 시청자들은 시리즈 번호와 에피소드 번호만으로는 에피소드를 검색하지 않을 가능성이 높지만, 스트리밍 서비스는 이러한 속성을 활용하여 검색 결과로 나온 에피소드 제목을 딥 링크나 데이터 레이크 내의 관련 레코드로 변환합니다. 이 경우, 서비스가 개별 시청자마다 정확한 콘텐츠를 정확하게 제공할 수 있도록 보장하기 위해서는 백엔드 데이터 통합 및 색인화가 매우 중요합니다. 

각 쿼리에 시리즈명과 에피소드 번호만 포함되어 있는 상황에서, 그라운딩되지 않은 LLM은 종종 질문 대상과 전혀 다른 에피소드의 세부 내용을 설명하는 결과를 내놓았습니다. 아래 예시에서, 그라운딩되지 않은 LLM이 제공한 제목과 설명은 잘못된 것입니다.

차세대 콘텐츠 경험을 위해서는 접지가 매우 중요합니다

소비자들이 정보를 검색하는 방식과 사용하는 도구가 변화하고 있습니다. 디지털 네이티브 세대 사이에서는 생성형 AI(GenAI) 사용이 이미 보편화되어 있으며, 그 활용 범위는 빠르게 확대되고 있습니다.

오늘날의 콘텐츠 환경은 개별 플랫폼이나 서비스 내에서도 기존의 검색 기능만으로는 탐색하기 어려울 정도로 방대합니다. 콘텐츠 검색 및 발견에 생성형 AI(GenAI)를 활용하는 것은 사용자 경험에 있어 지각변동과도 같은 변화를 의미하며, 콘텐츠 과부하가 심화되는 상황에서 시청자의 부정적인 감정을 크게 줄일 수 있는 잠재력을 지니고 있습니다. 

하지만 《 스트레인저 씽스》의 S02E06 에피소드에 대해 질문했을 때, 근거가 부족한 LLM의 답변은 여러 다른 에피소드의 정보를 뒤섞어 내놓았다. 이 경우 시청자는 결국 해당 서비스를 신뢰하지 않게 될 것이며, 이는 이미 현재 챗봇 사용자들 사이에서 흔한 현상이다. 응답자의 75%는 AI 챗봇이 제공하는 결과가^틀릴까 봐 우려되어 이를 직접 확인한다고 답했다³.

이러한 상황에서 결국 사용자에게는 불만족스러운 사용자 경험이 제공되며, 이로 인해 시청자가 다른 곳에서 볼 콘텐츠를 찾게 될 수도 있습니다.

콘텐츠 검색 및 발견 경험에서 비접지형 LLM(대규모 언어 모델)의 활용에 대한 추가적인 통찰력을 얻으시려면, 당사의 'AI 보고서 속 허점'를 다운로드해 보세요.

참고

1. LLM은 방대한 양의 데이터를 바탕으로 훈련되어 인간과 유사한 언어를 이해하고 생성할 수 있는 생성형 AI의 한 종류입니다.
2. 접지 데이터와 비교했을 때.
3. Gracenote 2026년 GenAI 사용 현황 조사