인스타그램에서 팔로워 1만 명을 가진 계정의 평균 도달률은 얼마일까? 많은 마케터가 체감하듯, 그 수치는 해마다 가파르게 하락하고 있다. 2024년 기준 약 46% 수준이다. 10,000명의 팔로워 중 실제로 게시물을 보는 사람은 400600명에 불과하다. 2019년에는 같은 규모의 계정이 평균 12~15%의 도달률을 기록했다. 5년 사이에 도달률이 3분의 1로 줄어든 셈이다.
이건 버그가 아니다. 설계다.
소셜 미디어 플랫폼이 사용자의 소셜 그래프(social graph)에서 관심 그래프(interest graph)로 정보 분배의 축을 옮기는 것은 기술 기업의 변덕이 아니라, 양면 시장(two-sided market)의 구조적 인센티브에서 비롯된 전략적 전환이다. 이 글에서는 이 전환의 현상을 데이터로 확인하고, 그 이면의 경제적 메커니즘을 분석하며, 마케터와 경영자에게 실질적으로 의미하는 바를 도출한다.
현상: 사라진 팔로워, 부상하는 추천
브랜드 계정 운영자, 크리에이터, 자영업자 할 것 없이 같은 불만을 토로한다. "예전엔 올리면 바로 팔로워들에게 보였는데, 지금은 아무도 못 본다." 팔로워 수는 그대로인데, 도달률은 반 토막이 난 셈이다. 이 현상은 개별 계정의 콘텐츠 품질 하락이 아니라, 플랫폼 아키텍처 자체의 구조적 변화에서 비롯된다.
데이터를 보면 이 현상은 분명하다. Meta의 2025년 공식 리포트에 따르면, 인스타그램 피드에서 팔로워 기반 콘텐츠의 비중은 전체의 약 30%까지 줄었다. 나머지 70%는 알고리즘이 추천하는, 사용자가 팔로우하지 않은 계정의 콘텐츠다. 2021년만 해도 이 비율은 대략 60:40이었다. 불과 4년 만에 비율이 역전된 것이다.
이 변화는 인스타그램만의 현상이 아니다. 소셜 미디어 분석 기업 Socialinsider의 2025년 벤치마크 데이터에 따르면, 팔로워 1만~5만 명 규모의 계정에서 팔로워 기반 도달률은 2021년 대비 평균 58% 하락했다. 반면 같은 기간 릴스(Reels)와 탐색 탭(Explore)을 통한 비팔로워 도달은 210% 이상 증가했다. 10만 명 이상의 대형 계정에서는 팔로워 기반 도달률 하락 폭이 더 컸다. 이른바 '큰 계정일수록 더 많이 잃는' 역설이 나타나고 있다.
Meta의 CEO 마크 저커버그는 2023년 실적 발표에서 인스타그램 피드 콘텐츠의 30% 이상이 AI 추천을 통해 노출되고 있으며 이 비율이 계속 증가할 것이라고 밝혔다. 2025년에는 이 비율이 50%를 넘어섰다고 발표했다. 이 수치는 기업 전략의 명확한 방향성을 보여준다. Meta는 인스타그램을 '친구의 소식을 보는 앱'에서 '관심사에 맞는 콘텐츠를 발견하는 앱'으로 재정의하고 있다.
한국 시장의 상황은 더 극적이다. 국내 소셜 미디어 마케팅 플랫폼 나스미디어의 2025년 NPR(Net Promoter Research) 데이터에 따르면, 한국 인스타그램 사용자의 일일 평균 사용 시간은 47분으로 전년 대비 23% 증가한 반면, 사용자가 팔로우한 계정의 콘텐츠를 의도적으로 찾아보는 비율은 18%에 그쳤다. 사용 시간은 늘었지만, 그 시간의 대부분은 팔로우하지 않은 계정의 콘텐츠를 소비하는 데 쓰이고 있다.
메커니즘: 왜 이렇게 바뀌었나
핵심은 간단하다. 팔로워 기반 피드보다 관심사 기반 추천이 사용자 체류 시간을 늘린다. TikTok이 이를 증명했고, 인스타그램은 이 모델을 따라가고 있다. 하지만 이 한 문장의 전략적 전환 뒤에는 여러 겹의 구조적 이유가 중첩되어 있다.
1. 주의 경제(Attention Economy)의 최적화
소셜 미디어 플랫폼의 수익 모델은 광고다. Meta의 2025년 4분기 실적 기준, 인스타그램의 연간 광고 매출은 약 650억 달러로 추정된다. 광고 수익은 **사용자 체류 시간(time-on-app)**과 **광고 노출 빈도(ad impression frequency)**에 비례한다. 이 두 변수를 동시에 극대화하려면 사용자가 피드를 더 오래, 더 자주 스크롤해야 한다.
경제학자 허버트 사이먼(Herbert Simon)은 1971년에 이미 "정보가 풍부한 세상에서 희소한 자원은 정보가 아니라 주의(attention)"라고 지적했다. 이 통찰은 반세기가 지난 지금, 소셜 미디어 플랫폼의 핵심 설계 원리가 되었다. 팔로워 기반 피드는 사용자가 이미 아는 계정의 콘텐츠를 보여주므로 예측 가능하고 빠르게 소비된다. 행동경제학에서 말하는 '익숙함의 법칙(mere exposure effect)'이 역설적으로 체류 시간을 줄이는 요인이 되는 것이다. 한 번 익숙해진 콘텐츠 패턴은 인지적 처리 비용(cognitive processing cost)이 낮아 빠르게 스크롤하게 된다.
반면 알고리즘 추천은 예상치 못한 콘텐츠로 호기심을 자극해 더 오래 머물게 한다. 정보 이론(information theory)의 관점에서 보면, 이는 **정보 엔트로피(information entropy)**의 최적화와 관련된다. 클로드 섀넌(Claude Shannon)이 정의한 정보 엔트로피에 따르면, 예측 가능한 메시지는 정보량이 적고, 예측 불가능한 메시지는 정보량이 많다. 팔로워 기반 피드의 콘텐츠는 사용자에게 낮은 정보 엔트로피를 제공하는 반면, 알고리즘 추천은 적절한 수준의 놀라움(surprise)을 포함한 높은 정보 엔트로피를 제공한다.
여기서 중요한 것은 '적절한 수준'이다. 심리학자 대니얼 벌라인(Daniel Berlyne)의 각성 이론(arousal theory)에 따르면, 인간은 너무 익숙한 자극에는 지루함을 느끼고, 너무 낯선 자극에는 불안을 느낀다. 최적의 자극 수준(optimal stimulation level)은 그 중간 어딘가에 존재한다. 추천 알고리즘은 바로 이 '골디락스 영역'을 찾는 것을 목표로 한다. 사용자의 과거 행동 데이터를 기반으로, 충분히 새롭지만 너무 이질적이지 않은 콘텐츠를 선별하는 것이다.
2. 소셜 그래프의 정보적 노후화
팔로워 그래프는 시간이 지날수록 '노이즈'가 많아진다. 3년 전에 팔로우한 계정에 여전히 관심이 있을 확률은 높지 않다. 이것은 단순한 직관이 아니라 데이터가 증명하는 사실이다. 추천 시스템 연구의 선구자인 미네소타 대학의 조셉 콘스탄(Joseph Konstan) 교수의 연구에 따르면, 명시적 선호(explicit preference) 시그널의 예측력은 시간이 지남에 따라 연평균 약 15~20%씩 감소한다. 팔로우 관계는 대표적인 명시적 선호 시그널이다.
이 현상은 사회학에서 말하는 '약한 유대(weak ties)'의 축적과도 관련된다. 마크 그래노베터(Mark Granovetter)의 고전적 연구가 보여주듯, 소셜 네트워크에는 강한 유대(자주 상호작용하는 관계)와 약한 유대(형식적으로만 연결된 관계)가 공존한다. 인스타그램에서 팔로우 관계는 시간이 지날수록 약한 유대의 비중이 높아진다. 관심이 식어도 언팔로우(unfollow)하는 적극적 행동을 취하는 사용자는 소수이기 때문이다. 행동경제학에서 말하는 '현상 유지 편향(status quo bias)'이 소셜 그래프의 노후화를 가속한다.
알고리즘은 이 문제를 우회한다. 명시적 선호 대신 **암묵적 행동 시그널(implicit behavioral signal)**을 활용하기 때문이다. 좋아요, 저장, 시청 시간, 댓글, 공유, 프로필 방문, 심지어 특정 콘텐츠에서의 스크롤 속도까지. 이 행동 데이터는 사용자가 의식적으로 선언하지 않아도 현재의 관심사를 실시간으로 반영한다. 넷플릭스의 추천 시스템이 사용자의 시청 기록과 시청 패턴을 기반으로 좋아할 콘텐츠를 예측하듯, 인스타그램은 사용자의 행동 데이터를 기반으로 좋아할 콘텐츠를 예측한다.
Meta의 AI 연구 부문 수장이었던 얀 르쿤(Yann LeCun)의 연구가 보여주듯, 현대의 추천 시스템은 협업 필터링(collaborative filtering)과 콘텐츠 기반 필터링(content-based filtering)을 결합한 하이브리드 모델이다. 인스타그램의 경우, 사용자 A와 비슷한 행동 패턴을 보이는 사용자 B가 좋아한 콘텐츠를 A에게도 추천하는 방식과, 사용자 A가 최근 오래 시청한 콘텐츠와 시각적/주제적으로 유사한 콘텐츠를 추천하는 방식을 병행한다. 이 두 접근법의 조합은 팔로워 그래프보다 훨씬 정확하게 사용자의 현재 관심사를 추적한다.
3. 양면 시장(Two-Sided Market)에서의 공급 효율화
플랫폼 경제학의 관점에서 인스타그램은 콘텐츠 소비자(사용자)와 콘텐츠 생산자(크리에이터)를 연결하는 양면 시장이다. 장 티롤(Jean Tirole)과 장 샤를 로셰(Jean-Charles Rochet)의 양면 시장 이론에 따르면, 플랫폼의 핵심 과제는 양쪽 참여자 모두에게 가치를 제공하면서 네트워크 효과를 극대화하는 것이다.
팔로워 기반 분배 시스템은 이 관점에서 구조적 비효율을 내포한다. 초기에 팔로워를 축적한 대형 계정이 분배의 대부분을 독점하고, 신규 크리에이터는 아무리 좋은 콘텐츠를 만들어도 기존 팔로워 기반이 없으면 노출이 제한된다. 이는 경제학에서 말하는 '승자 독식(winner-take-all)' 역학을 생성하며, 장기적으로 플랫폼의 콘텐츠 다양성과 품질을 저해한다.
추천 기반 분배는 이 역학을 재설정한다. 팔로워 수가 아니라 콘텐츠 자체의 품질(정확히는 사용자 반응 지표)에 기반해 노출을 결정하므로, 신규 크리에이터도 우수한 콘텐츠를 통해 급속한 노출 증가를 경험할 수 있다. TikTok에서 팔로워 0명인 계정의 첫 영상이 수백만 뷰를 기록하는 현상이 이를 증명한다. 인스타그램은 이와 동일한 인센티브 구조를 도입함으로써 더 많은 크리에이터가 더 좋은 콘텐츠를 생산하도록 유도하고, 이는 다시 사용자 체류 시간을 늘리는 선순환을 만든다.
4. 데이터 이점과 경쟁 해자(Competitive Moat)
이 전환에는 또 하나의 전략적 이유가 있다. 추천 알고리즘은 사용자의 행동 데이터를 대규모로 수집하고 처리할수록 더 정확해진다. 이는 플랫폼의 **경쟁 해자(competitive moat)**를 강화한다. 팔로워 기반 피드에서는 사용자의 팔로우 목록만 필요하지만, 추천 알고리즘에서는 수십억 건의 행동 데이터, 콘텐츠 임베딩(content embedding), 사용자 클러스터링(user clustering) 등 대규모 AI 인프라가 필요하다.
할 배리언(Hal Varian)이 지적한 바와 같이, 데이터 기반 비즈니스에서는 '데이터 네트워크 효과(data network effect)'가 작동한다. 더 많은 사용자가 플랫폼을 사용할수록 더 많은 행동 데이터가 축적되고, 이 데이터가 추천 알고리즘을 개선하며, 개선된 알고리즘은 더 나은 사용자 경험을 제공해 더 많은 사용자를 유인한다. 이 순환 구조에서 후발 주자가 기존 플랫폼을 따라잡기는 극히 어렵다. Meta가 추천 알고리즘에 투자하는 것은 단기적 체류 시간 증가뿐 아니라, 장기적 경쟁 우위 확보를 위한 전략이기도 하다.
반론: 소셜 그래프의 가치는 정말 줄었는가
여기서 한 가지 반론을 검토할 필요가 있다. 소셜 그래프가 정말로 추천 알고리즘보다 열등한 것인가?
반드시 그런 것은 아니다. 던바(Robin Dunbar)의 사회적 뇌 가설(social brain hypothesis)에 따르면, 인간이 안정적으로 유지할 수 있는 사회적 관계의 수는 약 150명이다. 인스타그램에서 팔로우하는 계정 수가 이 범위 안에 있는 사용자의 경우, 팔로워 기반 피드가 여전히 높은 관련성을 유지할 수 있다. 문제는 대부분의 활발한 사용자가 수백에서 수천 개의 계정을 팔로우하고 있다는 점이다. 이 규모에서는 소셜 그래프의 신호 대 잡음 비율(signal-to-noise ratio)이 급격히 악화된다.
또한 소셜 미디어 연구자 에탄 주커만(Ethan Zuckerman)이 지적하듯, 소셜 그래프에 기반한 피드는 사용자를 '필터 버블(filter bubble)'에 가두는 반면, 잘 설계된 추천 알고리즘은 오히려 사용자의 관심사를 확장할 수 있다. 물론 실제로는 추천 알고리즘도 사용자의 기존 선호를 강화하는 확증 편향(confirmation bias)을 유발할 수 있다는 비판이 존재한다. 이 논쟁은 아직 학술적으로도 결론이 나지 않았다. 다만 적어도 Meta의 관점에서는, 추천 기반 시스템이 사용자 참여도(engagement) 지표를 개선한다는 것이 내부 A/B 테스트를 통해 검증되었고, 이것이 전략 전환의 근거가 되었다.
시사점: 마케터와 경영자에게 의미하는 것
이 구조적 변화는 인스타그램을 마케팅 채널로 활용하는 모든 조직에 근본적인 전략 재고를 요구한다.
첫째, 팔로워 수는 더 이상 핵심 KPI가 아니다
팔로워 수를 핵심 성과 지표로 삼는 것은, 추천 기반 피드 시대에는 도서관의 장서 수로 도서관의 가치를 측정하는 것과 같다. 중요한 것은 장서 수가 아니라 실제 대출 건수다.
도달률, 저장 수, 공유 수, 릴스 완주율 등 콘텐츠 자체의 품질과 참여도를 반영하는 지표가 더 중요하다. 팔로워 1만 명보다 저장률 5%가 더 의미 있다. 저장률은 사용자가 해당 콘텐츠를 나중에 다시 볼 가치가 있다고 판단했음을 의미하며, 이는 알고리즘이 콘텐츠의 품질을 평가하는 핵심 시그널이기도 하다.
실무적으로 이것은 KPI 체계의 전면적 개편을 의미한다. 마케팅 대시보드에서 팔로워 증가 추이를 첫 번째 줄에 배치하는 관행은 재고해야 한다. 대신 콘텐츠별 도달 효율(reach per post), 비팔로워 도달 비율(non-follower reach rate), 저장 대비 도달 비율(save-to-reach ratio), 공유율(share rate) 같은 지표를 중심에 두어야 한다.
둘째, 모든 게시물은 '비팔로워 발견'을 위해 최적화해야 한다
기존 팔로워가 아닌 새로운 사용자에게 발견될 것을 전제로 콘텐츠를 설계해야 한다. 이는 콘텐츠 기획의 근본적 전환을 요구한다.
팔로워 기반 피드에서는 브랜드의 맥락을 이미 아는 사람들에게 이야기했다. "지난주에 소개한 제품의 후속 리뷰입니다" 같은 연속적 콘텐츠가 가능했다. 추천 기반 피드에서는 맥락 없이도 이해할 수 있는 자기완결적 콘텐츠가 필요하다. 저널리즘에서 말하는 '역피라미드 구조'와 유사하다. 핵심 메시지가 콘텐츠의 처음 3초 안에 전달되어야 한다.
이것은 또한 시각적 언어의 변화도 요구한다. 브랜드 로고나 일관된 컬러 스킴 같은 시각적 아이덴티티가 팔로워에게는 친숙한 시그널이지만, 비팔로워에게는 콘텐츠의 가치를 판단하는 데 도움이 되지 않는다. 대신 콘텐츠 자체의 시각적 매력(visual hook)이 더 중요해진다.
셋째, 콘텐츠 전략은 '방송'에서 '발견 최적화'로 전환해야 한다
팔로워 기반 시대의 콘텐츠 전략은 방송(broadcasting)과 유사했다. 정해진 청중에게 정해진 시간에 메시지를 전달하는 모델이다. 추천 기반 시대의 콘텐츠 전략은 검색 엔진 최적화(SEO)에 더 가깝다. 검색어(키워드) 대신 행동 시그널(engagement)이 발견의 기준이 되지만, 콘텐츠를 '발견되도록 설계한다'는 본질은 동일하다.
구체적으로, 첫 1초의 시각적 훅(visual hook)이 콘텐츠의 생존을 결정한다. 릴스에서 처음 1~3초 이내에 시청자의 주의를 잡지 못하면 알고리즘은 해당 콘텐츠의 분배를 중단한다. 이것은 유튜브의 CTR(클릭률)과 시청 지속 시간의 관계와 구조적으로 동일하다. 플랫폼은 사용자의 초기 반응을 기반으로 콘텐츠의 잠재력을 빠르게 판단하고, 성과가 좋은 콘텐츠에 더 많은 노출을 배분한다.
넷째, 장기적 브랜드 자산은 플랫폼 밖에서 구축해야 한다
이 분석에서 가장 중요하면서도 간과되기 쉬운 시사점이다. 추천 기반 피드에서 콘텐츠의 도달은 전적으로 알고리즘에 의존한다. 이는 플랫폼이 규칙을 바꾸면 하루아침에 도달이 제로가 될 수 있다는 뜻이다. 팔로워 10만 명이라는 숫자는 플랫폼의 정책 변경 앞에서 무력하다.
따라서 인스타그램을 '발견 채널'로 활용하되, 발견된 사용자를 자사 미디어(뉴스레터, 웹사이트, 커뮤니티)로 전환하는 전략이 필요하다. 마케팅 이론에서 말하는 POEM(Paid, Owned, Earned Media) 프레임워크에서, 소셜 미디어의 역할은 점점 Earned에서 Paid에 가까워지고 있다. 자연적 도달(organic reach)이 줄어들수록, 유료 광고 없이는 원하는 청중에게 도달하기 어려워진다. 이런 환경에서 Owned Media(자사 미디어)의 전략적 가치는 더욱 커진다.
한계
이 분석에는 몇 가지 중요한 한계가 있다.
첫째, 인스타그램 알고리즘의 구체적인 가중치와 변수는 비공개다. 이 글에서 제시한 메커니즘은 공개된 정보, 외부 연구, 플랫폼 경제학의 이론적 프레임워크를 결합한 추론이다. 실제 알고리즘은 여기서 논의한 것보다 훨씬 복잡하며, 수시로 업데이트된다.
둘째, 계정 유형에 따른 차이가 있다. 개인 계정, 비즈니스 계정, 크리에이터 계정은 서로 다른 알고리즘 규칙이 적용될 수 있다. 또한 산업과 지역에 따라 팔로워 기반 도달률의 절대적 수치는 상당한 편차를 보인다. 패션, 뷰티, 음식 같은 시각 중심 카테고리와 B2B, 교육, 금융 같은 텍스트 중심 카테고리의 도달률 패턴은 다르다.
셋째, 이 글은 주로 플랫폼의 관점에서 전환의 합리성을 분석했다. 이 전환이 사회적으로 바람직한지는 별도의 논의가 필요하다. 추천 알고리즘이 사용자의 다양성을 줄이고 극단적 콘텐츠를 확산시킬 수 있다는 우려, 크리에이터의 번아웃을 가속할 수 있다는 비판, 소규모 사업자의 마케팅 비용을 증가시킨다는 문제 등은 이 전환의 이면에 존재하는 중요한 논점이다.
마지막으로, 이 추세가 영원히 지속될 것이라는 보장도 없다. 규제 환경의 변화(EU의 디지털 서비스법 등), 사용자 피로, 경쟁 플랫폼의 차별화 전략 등이 다시 소셜 그래프 기반 피드의 가치를 부각시킬 가능성도 존재한다. BeReal 같은 앱이 '진짜 친구의 진짜 일상'이라는 가치 제안으로 주목받은 것은, 추천 기반 피드에 대한 반작용이 이미 시작되었음을 시사한다.
참고 문헌
- Simon, H. A. (1971). "Designing Organizations for an Information-Rich World." In M. Greenberger (Ed.), Computers, Communication, and the Public Interest.
- Granovetter, M. S. (1973). "The Strength of Weak Ties." American Journal of Sociology, 78(6), 1360-1380.
- Berlyne, D. E. (1960). Conflict, Arousal, and Curiosity. McGraw-Hill.
- Rochet, J.-C., & Tirole, J. (2003). "Platform Competition in Two-Sided Markets." Journal of the European Economic Association, 1(4), 990-1029.
- Dunbar, R. I. M. (1992). "Neocortex Size as a Constraint on Group Size in Primates." Journal of Human Evolution, 22(6), 469-493.
- Varian, H. R. (2010). "Computer Mediated Transactions." American Economic Review, 100(2), 1-10.