게시 전에 받는 바이럴 점수

모든 소셜 팀은 게시하기 전에 클립이 퍼져 나갈지 알고 싶어 합니다. AI 영상 플랫폼 Higgsfield는 이제 자사 앱 가운데 하나로 그 답을 내놓습니다. 최대 15초짜리 클립을 올리면 Virality Predictor가 바이럴 점수, 훅이 정점에 이르는 초, 유지율, 그리고 클립이 활성화한다는 뇌 영역의 히트맵을 돌려줍니다.

아이디어는 매력적이고 화면은 과학적으로 보입니다. Higgsfield가 무엇을 주장하는지, 도구의 작동 방식에 대해 무엇을 공개했는지, 바이럴 예측에 대해 연구는 무엇을 말하는지, 그리고 점수가 실제 사람을 대상으로 한 테스트와 어떻게 다른지 살펴봅니다.

주장하는 것

제품 페이지는 “클립이 스크롤을 붙잡을지 놓칠지에 대한 모델링된 판독”을 약속합니다. 방법은 한 문장으로 설명됩니다. “모델링된 시청자가 영상을 보는 동안 저희는 시각, 소리, 기억, 주의, 언어에 걸친 뇌 반응을 지도로 그립니다.” 페이지의 표현에 따르면 히트맵은 “클립이 뇌의 어느 영역을 자극하는지 정확히” 보여 줍니다.

점수는 자신감 있게 소개됩니다. “추측도 아니고 감으로 하는 점검도 아닙니다”, 그리고 “게시 버튼을 누르기 전에 할 수 있는 시사회에 가장 가까운 것”이라고 합니다.

공개된 것과 공개되지 않은 것

Higgsfield는 점수 뒤에 어떤 모델이 있는지, 어떤 데이터로 학습했는지, 그 점수가 게시된 클립의 실제 조회 수, 시청 시간, 공유 수와 어떻게 비교되는지 밝히지 않습니다. 저희는 정확도 수치도, 검증 연구도 찾지 못했습니다. 그런 자료가 나오기 전까지, 점수가 바이럴을 예측한다는 주장은 입증되지 않은 것입니다.

사용하는 용어는 잘 알려진 연구 분야를 가리킵니다. 뇌 인코딩 모델은 영상을 보는 사람들의 뇌 스캔으로부터 뇌가 영상에 어떻게 반응하는지 예측하는 법을 배웁니다. 2025년 7월에 발표된 TRIBE는 영상에 대한 뇌 전체의 fMRI 반응을 예측하며, Algonauts 2025 대회에서 우승했습니다. 이런 모델은 평균적인 뇌 영역이 어떻게 반응하는지를 추정합니다. 낯선 사람들이 멈춰서 보고 공유할지는 그와 다른 질문입니다.

실제 뇌가 유용한 신호를 담고 있다는 근거는 있습니다. 2020년 PNAS에 발표된 연구에서 연구진은 40명이 영상을 보는 동안 뇌를 스캔했습니다. 각 영상 시작 부분에서 나타난 두 영역의 활동은, 기존 지표를 넘어 같은 영상이 YouTube에서 얼마나 자주, 얼마나 오래 시청되었는지를 예측했습니다. 이 결과는 실제 스캐너와 실제 사람에게서, 수십 편의 영상으로 얻은 것입니다. 모델링된 시청자는 거기서 한 단계 더 떨어져 있습니다.

바이럴이 예측을 거부하는 이유

더 깊은 문제는 성공이 사회적으로 퍼진다는 점입니다. 2006년 Science에 발표된 잘 알려진 실험에서 참가자 14'341명이 알려지지 않은 노래를 내려받았고, 그중 일부는 다른 사람들이 무엇을 골랐는지 볼 수 있었습니다. 사회적 영향은 성공을 더 불평등하게, 그리고 덜 예측 가능하게 만들었습니다. 저자들은 이렇게 썼습니다. “가장 좋은 노래가 부진한 경우는 드물었고 가장 나쁜 노래가 성공한 경우도 드물었지만, 그 밖의 결과는 무엇이든 가능했습니다.”

2016년에 발표된 Twitter 캐스케이드 연구는 사용자, 콘텐츠, 과거 성과에 대한 방대한 데이터를 갖춘 최고의 모델조차 “캐스케이드 크기 분산의 절반도 설명하지 못한다”는 것을 발견했고, 데이터가 무제한이라도 그 한계는 사라지지 않을 것이라고 주장했습니다. 효과가 있는 것은 초기 확산을 지켜보는 일입니다. 그보다 앞선 연구는 캐스케이드가 계속 커질지가 “리셰어를 더 많이 관찰할수록” 더 예측 가능해진다는 것을 발견했습니다. 클립의 도달 범위를 가장 잘 예측하는 것은 그 클립의 첫 실제 시청자입니다.

점수가 할 수 있는 것과 없는 것

신중하게 쓴다면 이런 점수도 여전히 도움이 될 수 있습니다. 느린 도입부를 짚어 내고, 주의가 떨어질 수 있는 초를 보여 주며, 같은 클립의 두 가지 편집본 사이에서 빠른 1차 필터 역할을 할 수 있습니다. 더 자세히 들여다보게 만드는 계기로서는 비용도 적습니다.

점수는 귀사의 시청자, 타이밍, 그날 피드에 무엇이 함께 올라와 있는지, 훅이 브랜드에 맞는지 알 수 없습니다. 바이럴 점수는 확률도 아니고 조회 수 예측도 아닙니다. 그리고 모든 팀이 같은 점수에 맞춰 최적화하면 모든 피드가 같은 훅으로 채워집니다. 저희가 보기에 이는 클립을 돋보이게 하는 것과 정반대입니다. Higgsfield조차 결과물이 많아지는 것이 “그것만으로 결과를 결정하지는 않는다”고 씁니다.

실제 사람을 대상으로 한 테스트

실제 테스트는 이제 플랫폼에 내장되어 있습니다. Meta의 A/B 테스트는 광고의 각 버전을 서로 다른 시청자 그룹에 보여 주고 “아무도 두 버전을 모두 보지 않도록” 한 다음, 결과당 비용으로 성과를 비교합니다. YouTube는 크리에이터가 영상 하나에 제목과 썸네일을 최대 세 개까지 테스트하게 해 주며, 시청 시간 점유율로 평가하고 차이가 통계적으로 유의할 때에만 승자를 정합니다. 둘 다 실제로 일어난 일을 측정합니다.

Tempo도 그렇게 설계되었습니다. 모든 아이디어는 만들어지고, 테스트되고, 가능성을 점검받은 뒤에 사람이 승인합니다. 저희는 그 점검을 예측이 아니라 필터로 다룹니다. 다음 달을 결정하는 것은 실제 게시물의 성과이며, 그 성과가 다시 계획에 반영됩니다. 바이럴 점수는 클립에 던져 볼 만한 좋은 질문입니다. 답은 시청자가 줍니다.