웹 2.0때 바이럴 루프에 대해 배운 (그리고 잊어버린) 모든 것

(andrewchen.substack.com)

12P by neo 16시간전 | ★ favorite | 댓글과 토론

바이럴 루프(Viral Loop) 는 제품 자체에 설계된 성장 메커니즘으로, 초대·공유·추천 기능을 통해 측정 가능하고 최적화 가능한 사용자 획득 구조를 만듦
웹 2.0 전성기에는 바이럴 루프를 이용해 수천만 사용자를 만든 제품이 쏟아졌지만, 이후 모바일 시대로 넘어가며 이 노하우 상당수가 사라진 상태임
제품 안에 초대·공유·추천 기능을 설계하고 세션·코호트 단위로 바이럴 팩터(viral factor) 를 계량하면, 어느 정도까지 무료 사용자를 증폭시킬 수 있는지 수식으로 추적 가능함
- 1.0 이상이면 자체적으로 성장 가속, 1.0 미만이면 결국 성장 둔화
단순하고 강한 공유 루프에 의존하는 카테고리 1 제품과, 깊은 기능과 높은 리텐션 위에 여러 공유 루프를 얹는 카테고리 2 제품이 존재하며, 두 경우 성장 패턴과 한계가 크게 다름
모바일 전환, 플랫폼 제약, 신기함 소멸, 시장 포화 등으로 첫번째 세션에서 바이럴 팩터가 1을 넘는 구조는 거의 불가능해졌고, 오늘날에는 리텐션이 높을수록 세션 전체를 합친 누적 바이럴 팩터가 커지는 구조가 중요해짐
AI 생성형 도구와 소셜에서 유행하는 시트포스팅·레이지베이팅·영상 클립은 일회성 스파이크에 가깝지만, 제품 안에 설계된 “만들고-공유하기” 루프와 결합될 때 장기적인 사용자 기반 확장에 기여 가능

웹 2.0 시대 바이럴 루프의 전성기

2005~2010년 웹 2.0 시기에는 소셜 네트워크, UGC 플랫폼, 협업 도구, 메신저 앱들이 체계적으로 바이럴 루프를 설계해 수백만~수억 명 규모 사용자 기반을 형성함
- 이메일 초대, 주소록 가져오기, 컨텐츠 공유 링크 등으로 유저가 유저를 불러오는 구조를 공학적으로 최적화함
- A/B 테스트와 수식 기반으로 바이럴 팩터를 추적하며 “공학적으로 설계된 성장”을 추구한 시기임
- Facebook, LinkedIn, YouTube, Spotify, Pinterest 등이 이렇게 성장
이 시기에 성공한 바이럴 제품 창업자·팀은 이후 대형 테크 기업 임원·VC로 이동하며 바이럴 루프 구축 지식이 사실상 소실
모바일 전환 이후 예전 방식이 통하지 않으면서 지식과 노하우 상당 부분이 실무 현장에서 희석된 상태임
그러나, 현재의 Product-Led Growth, 마켓플레이스 추천, 생성형 AI 공유 플로우에도 같은 수학·사고방식이 그대로 적용 가능함

바이럴 팩터를 수식으로 보는 기본 구조

여기서 다루는 바이럴은 트윗 하나가 터지는 수준이 아니라, 제품 안에 내장된 초대·태깅·링크 공유·추천 프로그램이 지속적으로 신규 사용자를 만들어내는 구조적 루프를 의미함
이 루프의 특징은 측정 가능하고, 제품 변경으로 개선 가능하며, 초대·콘텐츠 공유·리퍼럴 등 다양한 형태에 동일한 수학적 구조가 적용되는 특성을 가지며, 중심에 바이럴 팩터(viral factor) 라는 비율 개념이 놓여 있음
바이럴 팩터는 “특정 기간에 가입한 사용자 코호트”를 분모로 두고, 해당 코호트의 사용자들이 시간이 지나며 초대·공유를 통해 만들어낸 신규 사용자 수를 분자로 두는 비율
- 예: 3개월 전 가입자 100명이 이후 50명을 데려오면 해당 시점 바이럴 팩터는 0.5임
- 100명의 사용자가 150명을 데려오고, 그 150명이 225명을 데려오는 상황이라면 바이럴 팩터는 1.5
- 1 이상이면 루프가 확장되고 1 미만이면 언젠가 멈추는 구조

컨텐츠 공유 루프와 데이터 설계

대표적인 바이럴 루프 예시는, 사용자가 AI·필터·툴로 무언가를 만들고 링크로 공유하면, 이를 본 일부가 스스로 가입해 같은 것을 만드는 구조
- Instagram 필터, 블로그 글, 요즘의 AI 동영상 생성 도구 등이 같은 패턴에 해당함
이를 계량하려면 공유 링크에 sharer_id를 포함한 URL을 붙여 추적해야 함
- 예: product.com/vid/[video_id]?sharer_id=[user_id] 형태로 공유하고, 이 링크를 통해 가입한 사용자의 row에 sharer_id를 저장함
이후 특정 코호트의 id 목록을 가져와, 이들이 다른 유저의 sharer_id로 몇 번 등장했는지를 집계하면 바이럴 팩터를 계산할 수 있음
- sharer_id가 비어 있는 사용자는 “Gen 1/onramp 사용자”로 보고 계산에서 제외하고, Gen N 대비 Gen N+1의 비율을 보는 방식이 더 안정적
바이럴 팩터를 계산하고 나면 자연스럽게 “이 숫자를 어떻게 키울 것인가, 1을 넘길 수 있는가” 라는 질문으로 이어짐
- 온보딩에서 초대를 요청하는 플로우 추가, 복사하기 쉬운 초대 링크, 공유 UI 개선
sharer_id 기반으로 계산이 가능해지면 대시보드 지표로 고정해두고 A/B 테스트로 변화량을 관찰하는 운영 방식이 가능
- 실험 변수로는 공유 기능을 사용하는 비율, 공유 횟수, 공유를 받은 쪽의 가입 전환율 등이 있으며, 이 조합이 일종의 “바이럴 팩터 cookbook” 처럼 작동
즉 바이럴 팩터는 초대(invite) 루프뿐 아니라 공유·협업·리퍼럴 등, 기존 사용자가 새 사용자를 만들어내는 모든 구조에 일반적으로 적용 가능

“초대 수 × 전환율” 공식과 그 한계

인터넷에 널리 알려진 “바이럴 팩터 = 초대 수 × 전환율” 공식은 직관적으로는 맞지만, 이 방식은 초대형 루프에만 국한된다는 한계가 있음
- 실제로는 컨텐츠 공유, 협업 초대, 추천 코드 등 다양한 루프가 존재함
무엇보다 진짜 알고 싶은 것은 두 사용자 코호트 사이의 비율이므로, 코호트 기반 정의가 더 본질에 가까움
초대 수×전환율에만 매달리면 최대한 많은 친구에게 초대 메일을 보내게 만드는 방향, 즉 스팸에 가까운 설계로 유도되고, 사용자 피로도를 키움
- Bebo, Tagged, Hi5, MySpace 등 과거 소셜 네트워크들은 핫메일·야후메일 주소록 가져오기 기능으로 초대 메일을 200개 이상 날리게 해, 바이럴 팩터를 인위적으로 끌어올렸음
- 이런 방식은 유효하지 않은 주소로의 발송 증가 → 전환율 감소 → 이메일 제공자들의 스팸 판정으로 이어지고, 약 10년간은 먹혔지만 결국 이메일 초대 루프 시대가 끝나게 됨

바이럴 제품의 핵심 지표와 PMF 조건

일시적인 바이럴 스파이크 이후에도 남는 제품을 가려내기 위해서는, 다음과 같은 리텐션·습관화·네트워크 효과·수익화 지표들이 유용한 기준임
- 코호트 리텐션 곡선이 일정 수준에서 평평해지는지(붙잡혀 있는 사용자 비율)
- actives/registered > 25% 수준으로, 가입자 대비 실제 활동 사용자가 충분한지
- 파워 유저 커브가 “웃는 얼굴 모양(smile)”을 그리는지(중심에 강하게 붙은 유저층 존재 여부)
추가로 다음과 같은 지표들이 지속 가능한 비즈니스를 가려내는 기준으로 유효함
- 바이럴 팩터 > 0.5(다른 채널을 증폭시켜 줄 만큼의 수준)
- DAU/MAU > 50%(일상적인 사용 습관 형성 여부)
- 시장·로고 단위로 오래된 네트워크일수록 참여가 높아지는지(네트워크 효과)
- D1/D7/D30이 60/30/15 수준을 넘는지(초기 안착과 사용 빈도)
- 유저당 매출·활동량이 시간이 갈수록 늘어나는지(더 깊게 쓰이기 시작하는지)
- 유의미한 규모에서 60% 이상이 유료 마케팅이 아닌 자연 유입(organic) 인지
많은 Web 2.0·Facebook 플랫폼 시대 바이럴 앱들은 매우 높은 초기 바이럴 팩터와 입소문을 확보했지만, 리텐션이 받쳐주지 않아 스파이크 이후 사라짐
- 바이럴 루프를 통해 떠나간 유저를 반복해서 재획득할 수는 있지만, 제품-시장 적합성과 스틱한 사용 구조가 없으면 성공적인 비즈니스로 이어지지 않음

두 가지 유형의 바이럴 제품: 카테고리 1과 2

바이럴 제품은 대체로 두 가지 카테고리로 나뉨
- 카테고리 1: 한 가지 동작에 집중한 단순 앱으로, 그 결과물이 매우 쉽게 공유되는 초단순 앱(초기 Instagram, YouTube, 각종 퀴즈·익명 앱 등)
- 카테고리 2: 깊은 기능과 강한 리텐션을 가진 제품에 여러 공유·협업 기능이 들어 있는 복잡한 제품(Figma, Slack, 초기 Facebook 등)
카테고리 1은 짧은 플로우와 높은 전환 덕분에 폭발적인 성장과 “하룻밤 사이에 뜨는” 패턴을 만들기 쉽지만, 스파이크 후 이탈과 낮은 누적 리텐션 문제를 안고 있음
카테고리 2는 구축에 시간이 오래 걸리고 초기 성장은 완만하지만, 획득한 유저가 잘 떠나지 않기 때문에 많은 세션 동안 누적 바이럴 팩터를 쌓을 수 있는 구조
현재 AI 컨텐츠 생성 도구 상당수는 카테고리 1 패턴(간단한 생성→공유) 을 따라가고 있어, 과거 사진 필터·동영상 서비스와 비슷한 강점(빠른 성장)과 약점(스파이크 후 유지 문제)을 같이 가지고 있음

단순 컨텐츠 생성 루프의 단계별 구조와 수식

단순한 컨텐츠 생성·공유 루프는 다음 단계를 거침
- 누군가 만든 결과물을 온라인에서 봄 →
- 결과물을 시청·감상함 →
- 결과물에 달린 링크를 눌러 제작 도구로 이동함 →
- 직접 도구를 써서 무언가를 만들어 봄 →
- 만든 결과물을 다시 소셜·메신저 등으로 공유함 →
- 더 많은 사람들이 이를 보고 같은 과정을 반복함
각 단계에는 시청 비율, 클릭률, 생성 비율, 공유 비율, 노출된 사람 수 같은 퍼널 지표가 존재하며, 이들을 곱한 값과 “한 번 공유될 때 평균 몇 명이 보는지(X)”를 곱한 값이 1을 넘으면 루프가 폭발적으로 커지는 구조
예시로 다음과 같은 수치를 두면, 0.5(시청) * 0.1(클릭) * 0.2(생성) * 0.5(공유) * X가 1을 넘어야 바이럴이 일어남
- 앞 네 항을 곱하면 0.005이므로, 루프를 1 이상으로 만들려면 한 번 공유할 때 200명 이상이 결과물을 봐야 하는 상황이 됨
- 수치가 민감하게 변하므로, 작은 UI·콘텐츠 변경이 전체 루프에 큰 영향을 줄 수 있음
바이럴 팩터(v)를 기준으로 보면, 세대별 유입을 기하급수적 합으로 본 총 사용자 증폭률은 1/(1-v) 구조를 따름
- 바이럴 팩터가 작을 경우, 실제 데이터에서는 노이즈 속에 묻혀 육안으로 구분하기 어려운 수준의 증가만 보이는 경우가 많음
- 예: 하루 100명 유입, 바이럴 팩터 0.1이면 최종 증폭은 1.11배라 추가 11명 수준에 그침
- v=0.5이면 1/(1-0.5)=2가 되어, 유료로 데려온 100명의 위에 바이럴로 100명을 더 얹는 꼴이 됨
즉, v=0.5이면 2배, v=0.75면 4배, v=0.9면 10배의 유저 증폭 효과가 생기는 구조
- 같은 100명 유입이 최종 200명(2배)·400명(4배)·1000명(10배) 처럼 체감 가능한 증폭으로 이어져, 유료 마케팅 비용을 크게 상쇄하는 효과를 냄
이 때문에 실제 설계에서는 “조금이라도 바이럴이 있으면 좋다” 수준보다는, 0.5 이상으로 끌어올릴 수 있는 구조를 만들어야함

시간이 지나며 바이럴 성능이 떨어지는 이유

바이럴 루프는 시간이 지날수록 성능이 자연스럽게 감소하는 방향으로 움직이는 경향이 있음
- 신기함(novelty) 효과가 사라지고, 시장 포화가 진행되며, 플랫폼의 규제가 강해짐
새로운 형태의 컨텐츠·툴이 등장했을 때는 사람들이 더 잘 보고·눌러보고·써보는 경향이 강하지만, 시간이 지나면서 같은 형식의 공유가 흔해지면 동일 지표가 전반적으로 떨어지는 패턴이 반복됨
- 일례로 초창기 AI 이미지 공유는 손가락이 여섯 개인 사진도 새롭다며 많이 공유됐지만, 지금은 훨씬 높은 기준의 놀라움이 필요하게 됨
시장 포화가 진행될수록, 유저가 초대하고 싶은 상위 친구 목록 중 상당수가 이미 가입자거나 관심이 없는 상태가 되어, 유효 초대 수가 감소함
- 또한 후반부에 유입되는 유저는 늦은 수용자이자 입소문이 약한 경향이 있어 전반적인 바이럴 팩터가 떨어짐
- 이메일 주소록 초대 사례에서, 200개 이상의 연락처에 보내면서 높은 오픈·클릭률이 나왔지만, 수천만 사용자를 모은 뒤에는 연락처 수 자체가 줄고, 오픈/클릭률이 함께 떨어짐
모든 바이럴 루프는 기저 플랫폼(이메일, Facebook, TikTok 등) 위에서 작동함
- 워터마크·링크가 과도하게 붙은 콘텐츠가 많아지면 플랫폼이 이를 억제하는 정책을 적용도 가능
- 즉, 플랫폼이 워터마크·링크가 붙은 컨텐츠를 싫어하거나 경쟁 기능을 내기 시작하면, 특정 단계의 전환율이 급락하며 루프 전체가 붕괴될 수 있음

하이퍼심플 앱의 한계와 네트워크 효과

하이퍼 심플·하이퍼 바이럴 앱은 소수의 화면과 몇 가지 UI만으로 구성된 제품 구조를 가지며, 이 구조 자체는 콘텐츠·네트워크가 충분할 경우 매우 깊은 리텐션을 낼 수 있는 잠재력을 가짐
- YouTube, Instagram은 매우 단순한 코어 UI와 방대한 콘텐츠 네트워크로, 작은 앱처럼 보여도 끝없이 몰입감을 주는 예
이런 제품은 시간이 지나며 기능이 많이 추가되더라도, 콘텐츠 양과 네트워크 효과 덕분에 작은 앱 구조만으로도 끝없이 새로운 것을 보여줄 수 있음
반대로, 단순히 바이럴 트릭만 있고 콘텐츠·그래프·습관이 쌓이지 않는 앱은, 스파이크가 지난 뒤 사용자 기반이 거의 남지 않는 패턴을 반복함

현대 소셜 바이럴 기법(시트포스팅 등)의 한계

최근 소셜에서 말하는 “바이럴”은 레이지베이트(ragebait,분노 유도), 시트포스팅(shitposting), 멋진 런칭 영상, 틱톡 클립, 빌보드, 인플루언서 바이럴, 창업자의 인플루언서화 등 다양한 전술을 섞은 형태임
이런 기법은 일회성 트래픽 스파이크를 만들기에는 좋지만,
- DAU가 커질수록 신규 유저 수 / DAU 비율을 유지하며 기하급수적으로 확장시키는 구조와는 거리가 멀다는 한계가 있음
- 같은 포맷을 월·주 단위로 반복하면 관성·피로감 때문에 점점 효과가 떨어지는 경향이 강함
그럼에도 불구하고, 이 전술들로 들어온 트래픽이 제품 내부의 “만들고-공유하기” 루프와 결합되면, 스파이크가 반복 가능한 성장의 씨앗으로 전환될 수 있다는 점에서 여전히 유효한 도구로 남아 있음

웹 2.0 바이럴의 종말과 모바일 전환

웹 2.0 전성기에는, 이메일 초대·주소록 가져오기·Facebook 앱 등을 활용해 “제로에서 수백만 사용자” 에 이르는 사례가 다수 등장했음
- Facebook·LinkedIn·YouTube·Spotify·Pinterest 등 많은 서비스가 이 기반에서 성장
- BirthdayAlar(생일 알림 이메일), Plaxo(연락처 업데이트 요청) 같은 서비스는 친구의 생일·연락처를 최신으로 유지해준다는 명분으로 초대 루프를 돌렸고, 이 메커니즘은 이후 소셜 네트워크 등장으로 이어짐
시간이 지나며 사용자들이 이런 패턴에 익숙해지고, 이메일 제공자들은 스팸 필터를 강화했으며, 결정적으로 세상의 중심이 이메일에서 모바일로 이동하면서 같은 구조를 재현하기 어려워짐
모바일에서는 연락처 접근 자체는 가능하지만, 번호를 하나씩 골라 초대하는 UX 때문에 이메일처럼 200명 단위로 대량 초대하기가 어려웠음
- Twilio 같은 서버에서 문자(SMS)를 대신 보내도록 하는 시도도 있었지만, 이는 SMS 스팸 이슈와 법규·벌금 리스크로 이어져 지속 가능하지 않았음
그 결과, “첫 세션에서 바이럴 팩터 1을 넘기는” 하이퍼심플·하이퍼바이럴 앱의 시대는 사실상 끝났으며, 현재는 대부분 0.2~0.3 수준의 바이럴 팩터가 일반적인 상황

리텐션 중심 현대 바이럴 전략: 채널 믹스와 세션 합산

오늘날 앱의 성장은 과도한 초대 유도 대신, 크게 두 요소의 조합으로 정리됨
- 1. 여러 개의 상단 퍼널(SEO, 소셜, PR, 유료 광고, 추천 등)
- 1. 강한 리텐션으로 인해 세션 전체에 걸쳐 누적되는 바이럴 팩터
첫 번째로, 유료 마케팅, 리퍼럴, 구전, SEO, 언론, SNS 등 여러 채널에서 꾸준히 신규 사용자를 흘려보내는 구조가 필요
- Uber의 경우 첫 번째 트립의 약 절반이 유료 마케팅, 10~20%는 리퍼럴, 나머지는 구전·SEO 등에서 나옴
두 번째로, 제품이 많은 사용자 세션을 생성하는 강한 리텐션을 가지면,
- 각 세션에서 조금씩 공유·초대·리퍼럴을 유도해 세션별 바이럴 팩터를 모두 합산한 총 바이럴 팩터를 만들 수 있음
“초대 수 × 전환율” 대신, 세션 1의 바이럴 팩터 + 세션 2의 바이럴 팩터 + … 형태의 무한 합으로 바라봐야함
- 단순 공식인 초대 수 × 전환율은 모든 바이럴이 첫 세션에만 일어난다는 암묵적 가정을 깔고 있지만, 실제로는 유저가 수십·수백 번의 세션을 가지며 매번 조금씩 공유·초대를 할 수 있음
- 따라서 현실에 더 가까운 관점은, 각 세션마다의 바이럴 팩터를 리텐션 곡선 전 구간에 걸쳐 합산한 값으로 보는 것

온보딩과 이후 세션에서의 바이럴 역할 분담

경험적으로 보면 전체 바이럴 팩터의 절반은 첫 세션, 나머지 절반은 이후 세션에서 생성됨
- 첫 세션에는 사용자가 워크스페이스 설정, 친구·동료 초대 등 ‘셋업’ 모드에 있기에, 초대 기능을 자연스럽게 전면에 배치할 수 있음
- 두 번째 이후 세션에서는 사용자가 이미 가치 제공을 기대하는 모드라, 바이럴 플로우로 끌고 가기 위해서는 맥락상 유용한 기능이어야 함
실제 제품에서는 여러 종류의 바이럴 루프가 공존하며, 각 루프가 서로 다른 시점·컨텍스트에서 작동
- Dropbox 예시: 폴더 공유, 초대 기능, 리퍼럴 프로그램, 다른 Dropbox 앱들의 바이럴 루프 등이 각각 다른 형태로 기여함
- Uber 예시: 앱 내 리퍼럴 크레딧뿐 아니라 친구와 함께 타는 경험, ETA 공유 등 IRL·기능 기반 노출이 새로운 유저를 유도하는 루프로 작동함
각 루프의 성능은 제각각이지만, 전체적으로 보면 유저가 여러 세션에 걸쳐 다양한 방식으로 다른 사람을 제품 안으로 끌어들이는 구조가 형성됨
리텐션이 높을수록 유저가 여러 루프에 노출될 기회가 늘어나므로, 스팸성 UI를 쓰지 않고도 장기적으로 바이럴 팩터를 키울 수 있는 기반이 됨

리텐션과 스팸성 바이럴의 관계

세션 수가 많고 리텐션이 높은 제품은 각 세션에서 조금씩만 공유·초대를 유도해도 총합 바이럴 팩터를 크게 만들 수 있어, 스팸성 강제 초대에 의존할 필요가 적은 구조임
- 반대로 평균 세션이 2~3회 수준인 저리텐션 제품은 그 안에 모든 바이럴을 쥐어짜야 해서 강하게·눈에 띄게·거의 스팸에 가깝게 초대를 요구하게 됨
초기 Facebook은 경쟁 소셜 네트워크에 비해 우측 레일에 조용히 배치된 이메일 초대 기능만 두고도, 높은 리텐션 덕분에 장기 바이럴을 얻은 예
- 반대로 스팸성 초대에 의존하던 경쟁 소셜 네트워크는 낮은 리텐션과 사용자 피로도로 인해 결국 Facebook에 밀려났음
장기적으로는 리텐션이 높은 제품 + 덜 스팸성인 루프를 가진 쪽이, 사용자 경험과 성장 두 측면에서 모두 우위를 갖게 됨

바이럴 팩터가 1 미만일 때의 가치와 “속도”

실제 환경에서는 바이럴 팩터가 1을 넘는 경우가 드물며, 0.2~0.3 수준에서 안정되는 경우가 많음
그럼에도 v=0.2이면, 1000명을 유료·기타 채널로 데려왔을 때 200명을 무료로 추가 확보하는 셈이 되어, CAC 할인 효과가 꽤 의미 있게 작동함
바이럴에는 속도(speed) 라는 개념도 중요함
- 사용 빈도가 높은 소셜 앱은 매일 여러 번의 공유·초대가 일어나므로, 동일한 바이럴 팩터라 해도 성장 속도가 빠름
- 반대로 파일 저장·백업처럼 백그라운드에서 쓰는 도구는, 추천 기능을 한 달에 한 번 정도만 쓰는 식이라, 누적 바이럴은 크더라도 성장 속도가 느릴 수 있음
장기적으로 수억 사용자 규모를 목표로 하는 컨슈머·프로슈머 제품에서는, 유료 마케팅만으로는 도달하기 어려운 규모를 바이럴·SEO·스토어 최적화 등 “무료·저비용 채널” 이 메워주는 구조가 필수적임

AI 시대의 바이럴 루프와 상단 퍼널 스파이크

정리하면, 시트포스팅·레이지베이팅·시네마틱 런칭 영상·빌보드·인플루언서 협찬 등은 반복 가능한 루프라기보다 상단 퍼널에서의 스파이크 생성 도구에 가까움
- 다만 이 자체가 DAU 대비 신규 유저 비율을 장기적으로 끌어올리는 구조는 아니며, 제품 내부에 설계된 바이럴 루프만큼 재현성과 방어력이 높지 않음
현재 세대의 많은 AI 생성형 도구는, 이 스파이크로 들어온 유저에게 “무언가를 만들고 → 공유하는” 루프를 제공함으로써, 단발성 관심을 제품 내부의 구조적 성장으로 일부 전환시키는 위치에 있음
AI 생성물이 짧은 동영상·임베디드 클립 등 현대 소셜 플랫폼에서 잘 먹히는 포맷과 매우 잘 맞아떨어져, 컨텐츠 공유 루프의 전파력이 높게 나타나고 있음
즉 고전적 바이럴 이론(코호트 기반 바이럴 팩터, 리텐션, 여러 루프 합산, 채널 믹스) 은 여전히 유효하며,
궁극적으로는, 다양한 상단 퍼널 스파이크 + 제품 내부의 구조화된 바이럴 루프 + 높은 리텐션의 조합이, AI 시대에도 지속 가능한 성장을 만드는 핵심 구조