최근 Forum(Groups 앱)

배포 속도 향상으로 단축된 테스트 주기는 Forum(그룹 독립 앱)과 Seller(마켓플레이스 독립 앱)를 포함한 여러 신규 앱의 시장 진입을 가속했다. 최근 출시된 서비스에는 Marketplace 판매자 전용 앱과 Facebook Groups용 독립 앱인 Forum, vibe-coded(분위기 중심) 게임 앱, Instagram의 새로운 사진 앱, AI 침대 머리맡 이야기 실험 등이 포함된다. LLM(대규모 언어 모델)을 활용한 개발 프로세스 효율화가 실제 제품의 출시 빈도를 높인 결과다.

LLM은 콘텐츠의 실제 내용을 이해하고 더 나은 학습 데이터를 생성해 기존 추천 시스템을 더 스마트하게 만든다. 인스타그램의 모든 릴스와 피드 포스트는 LLM을 통해 토픽과 톤이 자동으로 분석되어 추천 시스템에 반영된다. 콘텐츠에 대한 심층적인 이해가 추천 알고리즘의 정교함과 성능 개선으로 연결된다.

엔지니어링 개발 단계에서는 LLM 기반 에이전트(특정 임무를 수행하는 AI 프로그램)가 투입되어 개발 공정을 지원한다. 이 에이전트들은 콘텐츠 품질 평가, 트렌드 감지, 랭킹 변경 테스트 등의 작업을 수행하며 엔지니어링 효율을 높인다. 개발자의 수동 개입을 최소화하고 데이터 기반의 자동화된 테스트를 통해 시스템 최적화 속도를 높였다.

확인해야 할 핵심 지점

2015년까지의 사내 인큐베이터 활동은 Slingshot, Paper, Moments 등의 앱 출시에도 불구하고 상업적 성과 없이 종료됐다. 2020년대 초반에 다시 가동한 NPE Team(내부 R&D 그룹)의 경로도 동일했다. Bump, Spark, Tune 등의 앱으로 시장성을 테스트했으나 상업적 성공을 거둔 사례 없이 모두 폐쇄됐다. 과거의 실험적 접근은 독립적인 앱의 성공이라는 결과물을 만들어내지 못했다.

올해 초 인스타그램의 모든 릴스와 피드 게시물은 LLM(대규모 언어 모델)을 통해 주제와 톤이 자동으로 분석되는 마일스톤에 도달했다. Meta는 모든 게시물을 LLM으로 처리하여 분석하는 체계를 구축했으며, 추출된 주제와 톤 정보는 추천 시스템의 성능을 개선하는 변수로 활용된다. 개별 앱의 성공 여부에 의존하던 과거의 방식에서 벗어나, LLM을 기존 서비스의 추천 엔진에 통합해 성능을 끌어올리는 인프라 최적화 전략으로 전환했다.

AI를 활용해 앱 개발 속도를 높이고 있으며, 더 많은 신규

5억 명의 월간 활성 사용자 수(MAU)는 Threads(스레드)가 AI 기반 추천 시스템을 통해 달성한 결과다. 기존 사용자 기반을 활용한 초기 시딩과 플랫폼 간 홍보가 초기 진입을 도왔으며, AI 기반 콘텐츠 추천을 통해 상당한 성장을 거두었다고 Meta는 밝혔다. 마크 저커버그(Mark Zuckerberg) CEO는 이러한 지표를 근거로 Threads가 향후 10억 사용자 앱으로 성장할 것으로 내다봤다.

소프트웨어 출시 속도를 가속하는 핵심 동력은 LLM(대규모 언어 모델)의 도입이다. LLM은 새로운 아이디어를 빠르게 테스트하고 실제 제품으로 구현하는 주기를 단축해 신규 앱 출시 난이도를 낮추는 역할을 한다. Meta는 LLM으로 아이디어 구축 속도를 높이는 동시에, 검증된 결과물을 추천 시스템과 결합해 서비스 규모를 확장하는 전략을 추진한다.

신규 앱의 성공 여부는 단순한 유저 시딩을 넘어 LLM 네이티브 추천 시스템의 결합 수준에 의해 결정된다. 콘텐츠 이해를 통한 고품질 훈련 데이터 생성과 에이전트를 활용한 엔지니어링 품질 평가 및 랭킹 최적화라는 2단계 적용 전략이 실질적인 실행 기준이다.