Claude + Postiz로 TikTok 주 10만 뷰 만든 콘텐츠 자동화 엔진 4단계 분석 (2026)

마케팅 팀도, 광고 예산도 없이 TikTok에서 주 10만 뷰를 만들 수 있을까요? 한 1인 개발자가 콘텐츠 자동화 엔진 하나로 그걸 해냈다고 공개했습니다. 핵심은 Claude Code 마케팅 자동화와 오픈소스 스케줄러 Postiz를 묶은 4단계 파이프라인이에요. 이 글에서는 그 AI 콘텐츠 엔진이 실제로 어떻게 돌아가는지, 그리고 어디까지가 검증된 사실이고 어디까지가 작성자 주장인지 구분해서 분석해 드릴게요. 1인 기업이라면 끝까지 읽어보실 만합니다.

콘텐츠 자동화 엔진: 트렌드 역설계(trendwatch) → 생성(generation) → 배포(distribution) → 복리(compound)의 4단계를 사람 개입 없이 반복하는 파이프라인. 이 사례에서는 Claude Code가 두뇌, Postiz가 배포를 맡습니다.

누가, 어떻게 만들었나
4단계 엔진 한눈에 보기
trendwatch — 역설계와 save rate
generation — 페르소나 경제학
distribution — Postiz와 gap-aware 스케줄링
compound — 승자 복제와 산수
시사점과 자주 묻는 질문

누가, 어떻게 만들었나

이 이야기의 주인공은 Nadia Zueva(@nestymee)입니다. AI 옷장 스타일링 앱 aesty.ai의 기술 공동창업자예요. App Store와 Crunchbase, LinkedIn에서 실제 인물·제품으로 교차 확인됩니다.

그가 2026-06-10에 X(트위터)에 올린 장문 아티클이 출발점입니다. 조회 20만 회를 넘긴 이 글에서, 본인을 "마케터가 아니라 프로그래머"라고 규정하며 한 문장이 핵심을 찌릅니다. "마케팅 천재가 아니라 순전한 반복 횟수로 이긴다." 즉, 아이디어의 천재성이 아니라 반복을 자동화한 엔진이 무기라는 거예요.

여기서 한 가지 짚고 갈 게 있어요. 글에서 나오는 성과 수치들(주 10만 뷰, 주 15~25명 유료 사용자 등)은 모두 작성자가 본인 데이터로 공개한 자가 보고 수치입니다. 제3자가 독립적으로 검증한 게 아니에요. 반면 사용된 도구들(Postiz, Claude, aesty.ai)은 외부에서 실재가 확인됩니다. 이 글에서는 이 둘을 계속 구분해서 보여드릴게요.

4단계 엔진 한눈에 보기

작성자가 만든 엔진은 4개 단계로 돌아갑니다. 각 단계가 독립적인 Claude Code 스킬이나 도구로 구현돼 있어요.

단계	이름	핵심 한 줄
①	trendwatch	추측하지 말고, 이미 먹히는 포맷을 역설계해 복제
②	generation	일관성 먼저, 그다음 볼륨 — 얼굴 1회 생성 후 영구 재사용
③	distribution	Postiz로 손 발행을 멈추고 gap-aware 자동 스케줄링
④	compound	승자 포맷을 신규 계정으로 복제해 도달을 곱하기

이 구조의 아름다움은 사람의 판단이 들어가는 지점을 딱 한 곳으로 압축했다는 데 있어요. 바로 ② 단계의 시각 검수입니다. 나머지는 거의 자동이고요. 하나씩 뜯어볼게요.

① trendwatch — 역설계와 save rate

첫 단계의 원칙은 단순합니다. "개념을 발명하지 말고, 이미 먹히는 포맷을 찾아 복제하라." 새로운 걸 만드는 게 아니라 검증된 포맷을 빌려오는 거죠.

여기서 가장 흥미로운 주장이 **"likes는 거짓말한다(likes lie)"**입니다. 유틸리티 앱에서 실제 구매 전환을 예측하는 지표는 좋아요가 아니라 **save rate(저장률)**라는 거예요. 작성자 경험칙으로는, 조회 대비 저장이 2~3%를 넘으면 구매 전환 신호이고, 1% 미만이면 인지도만 쌓일 뿐 전환은 안 된다고 합니다.

이 방향성은 업계 통념과 일치해요. TikTok 알고리즘이 2025~~2026년 들어 저장·공유 같은 "의미 있는 참여"를 좋아요보다 높게 가중한다는 마케팅 자료가 다수 있습니다(Sprout Social 등). 다만 **"2~~3%"라는 구체 수치 자체는 작성자 한 명의 데이터 경험칙**이지 업계 표준이 아니에요.

또 하나의 통찰은 팔로워 수에 속지 말라는 거예요. 150만 팔로워 계정의 20만 뷰는 그냥 "도달을 사들인 것"일 뿐, 전이 가능한 포맷이 아닙니다. 진짜 따라 할 포맷은 10K~250K 팔로워 계정에서 찾으라고 해요. 포맷이 스스로 도달을 벌어야 하는 구간이거든요.

trendwatch는 self-bootstrapping Claude Code 스킬로 구현돼 있습니다. repo에 넣고 랜딩페이지를 지정하면, 경쟁사 최근 영상을 이중 필터(셀럽급 제외 + 50만 팔로워 미만)로 수집·분류하고, 레퍼런스 URL을 포함한 후킹 아이디어 10개를 뽑아줍니다. 그리고 실행할 때마다 학습이 누적돼요. 신규 계정이 콜드 상태에서 500~700뷰를 돌파하면 알고리즘 1차 게이트를 통과한 신호로 보고, 그때부터 아이디어 발굴을 멈추고 반복(iterating)으로 넘어갑니다.

② generation — 페르소나 경제학($5.50에서 $0으로)

두 번째 단계가 비용 구조의 핵심입니다. 콘텐츠를 무한정 찍어내는데 비용이 거의 0에 수렴하는 비결이 여기 있어요.

비싼 작업은 딱 하나, 포토리얼리스틱한 얼굴을 만드는 거예요. 그래서 페르소나당 얼굴은 정확히 한 번만 생성하고 영구 재사용합니다. 작성자 보고에 따르면 페르소나 1명을 세팅하는 데 락된 레퍼런스 셀카 1장과 거기서 편집한 커버 약 15장으로 약 $5.50이 든다고 해요. 그 뒤로는 모든 캐러셀이 같은 커버에 앱 스크린샷과 PIL 텍스트 오버레이를 얹는 식이라 추가 비용 $0입니다. 커버 하나를 10개 이상의 캐러셀에 돌려쓰는 거죠.

여기엔 두 가지 절대 규칙이 있어요.

편집본을 또 편집하지 마라(never edit an edit): 모든 커버는 락된 원본에서 단 한 홉(single-hop)만 거친 이미지여야 합니다. 편집의 편집을 반복하면 드리프트가 누적돼 몇 단계 만에 얼굴이 알아볼 수 없게 망가져요.
이미지에 텍스트를 굽지 마라(no baked text): 커버는 글자 없이 생성하고, 모든 캡션·헤드라인·워터마크는 별도 PIL 레이어로 후합성합니다. 그래야 오타를 고칠 때 이미지를 다시 생성하는 비용을 안 내거든요.

각 페르소나는 lore(설정)를 폴더에 기록해 매 빌드에 참조합니다. "22세 영국 예산 스타일리스트"와 "34세 바쁜 엄마"가 같은 포맷을 완전히 다르게 읽어내는 게 핵심이에요.

그리고 이 단계의 마지막에 유일한 사람 개입 지점이 있습니다. 파이프라인이 모든 슬라이드를 렌더링한 뒤(아직 아무것도 발행 안 함), Claude가 직접 시각 검수를 해요. 모든 슬라이드에 같은 얼굴이 나오는지, 커버가 번지르르하지 않고 자연스러운 UGC 느낌인지, 캡션과 핸들이 정확한지 확인하고, Claude가 승인한 캐러셀만 스케줄에 올립니다. 자동화에 품질 게이트를 박아둔 셈이죠.

③ distribution — Postiz와 gap-aware 스케줄링

세 번째 단계의 메시지는 "손으로 발행하는 걸 멈춰라"입니다. 여기서 Postiz가 등장해요.

Postiz는 오픈소스 소셜 미디어 스케줄러입니다(GitHub gitroomhq/postiz-app, 약 2만 스타). TikTok을 포함한 19개 채널을 지원하고 Public API를 제공해서 Claude Code와 자연스럽게 붙습니다. 이 부분은 GitHub에서 외부 검증된 사실이에요. 작성자는 Postiz 대시보드를 아예 안 연다고 합니다. 채널 매핑만 한 번 해두면 배치 스케줄러가 나머지를 처리하니까요. 발행할 때 캐러셀에 음악도 자동으로 붙여줍니다.

스케줄링 방식이 똑똑해요. gap-aware 스케줄링이라고 부르는데, 정해진 슬롯(로컬 08:30 / 11:30 / 21:00)을 풀로 생성한 다음, Postiz에 각 채널의 예약된 슬롯을 물어보고 이미 찬 곳은 제외한 뒤, 가장 이른 빈 슬롯에 캐러셀을 배치합니다. 더블북을 방지하는 거죠.

쉐도우밴 경험담도 솔직하게 공유합니다. 실수로 동일한 포스트를 5개 연속 발행했다가 쉐도우밴을 당했고, 며칠 뒤에 회복됐다고 해요. 교훈은 명확합니다. 출력을 다양화하고, 똑같은 콘텐츠를 그대로 반복 발행하지 말 것. 그래서 같은 날 1번 슬라이드의 후킹 사진이 겹치는 것도 금지하고, 불가피하면 CTA 슬라이드로 강등시킵니다.

④ compound — 승자 복제와 산수

마지막 단계가 "곱하기"입니다. 먹히는 포맷을 관찰하면, 메시지는 고정하고 변형을 반복해요. 그리고 명확히 입증된 포맷은 승자 모델로 삼아 신규 계정을 띄우고 똑같은 플레이북을 실행합니다. 최고 성과 후킹은 캐러셀에만 머물 필요가 없어서 영상화(예: Seedance 2.0)까지 시켜 새로운 도달 표면을 추가하고요.

그래서 주 10만 뷰라는 숫자가 어떻게 나오는지, 작성자 원문의 산수를 그대로 옮기면 이렇습니다.

포스트당 300~~500뷰 × 일 3포스트 × 약 15계정 × 7일 = 주 100K+ 뷰 4~~6K 뷰당 구매 1건 → 주 15~25명 신규 유료 사용자, CAC ~제로

천재적인 한 방이 아니라, 작은 숫자를 계정 수와 발행 빈도로 곱해서 만든 결과라는 게 핵심이에요. 다시 강조하지만, 이 수치들은 전부 작성자 자가 보고입니다.

여기서 "작성자 주장"과 "외부 검증"을 한 번 정리하고 갈게요.

항목	분류
Postiz·Claude·aesty.ai·Seedance 2.0 실재	외부 검증 사실
Postiz의 TikTok 지원·Public API	외부 검증 사실
save rate가 좋아요보다 전환을 잘 예측(방향성)	외부 자료와 정합
주 100K+ 뷰 / 주 15~25 유료 사용자	작성자 자가 보고
4~6K 뷰당 구매 1건 / 페르소나 $5.50 → 캐러셀 $0	작성자 자가 보고
save rate 2~3% 구매 임계 수치	작성자 경험칙(업계 표준 아님)

시사점 — "엔진이 해자"이고, 모델 릴리스는 무료 업그레이드

이 사례에서 진짜 배울 점은 수치가 아니라 구조예요. 콘텐츠 하나하나의 품질이 아니라, 역설계 → 생성 → 배포 → 복제로 이어지는 **엔진 자체가 경쟁 우위(해자)**가 됩니다. 누군가 영상 하나를 베껴도 엔진은 못 베끼니까요.

그리고 흥미로운 보너스가 하나 있어요. Anthropic이 2026-06-09에 발표한 신모델 Claude Fable 5를 작성자가 발행 직전에 엔진에 끼워 넣었는데, 코드를 거의 안 바꾸고 두뇌만 교체한 셈이 됐습니다. 엔진을 잘 설계해두면, 새 모델이 나올 때마다 파이프라인 전체가 공짜로 똑똑해지는 거예요. 도구에 종속되는 게 아니라 구조에 투자했기에 가능한 일이죠.

마지막으로 1인 기업·소규모 팀 관점에서요. 이 사례가 매력적인 이유는 자본이 아니라 구조와 반복으로 도달을 만들었다는 점입니다. 똑같은 성과가 보장되진 않지만(작성자 한 명의 자가 보고라는 점을 다시 기억하세요), "사람의 판단을 한 지점으로 압축하고 나머지를 자동화한다"는 설계 원칙은 콘텐츠 마케팅이 부담스러운 1인 기업이나 소규모 팀이 충분히 빌려올 만합니다. Claude Code 같은 도구로 자기 사업에 맞는 작은 엔진부터 만들어 보는 것, 거기서 시작해 보시는 걸 추천드려요.

자주 묻는 질문

Q. Postiz는 정확히 어떤 도구인가요?

오픈소스 소셜 미디어 스케줄러입니다(GitHub gitroomhq/postiz-app, 약 2만 스타). TikTok을 포함한 19개 채널을 지원하고 Public API를 제공해서 n8n·Make.com 같은 자동화 도구나 Claude Code와 연동하기 좋아요. 자가 호스팅이 가능한 오픈소스라는 점도 장점입니다.

Q. 주 10만 뷰 수치는 믿을 수 있나요?

이 수치는 작성자 Nadia Zueva가 본인 앱(aesty.ai)의 내부 데이터로 공개한 자가 보고입니다. 제3자가 독립적으로 검증한 게 아니에요. 사용된 도구들의 실재는 외부에서 확인되지만, 성과 수치 자체는 "이렇게 했다는 주장"으로 받아들이시는 게 정확합니다.

Q. 1인 기업도 이 구조를 따라 할 수 있나요?

핵심 원칙은 따라 할 수 있습니다. 역설계로 검증된 포맷 빌려오기, 자산(얼굴·페르소나) 1회 생성 후 재사용, 발행 자동화, 승자 복제라는 4단계는 도구만 다를 뿐 어디든 적용 가능해요. 다만 똑같은 성과가 나온다는 보장은 없고, 본인 사업과 채널 특성에 맞게 조정하는 작업이 필요합니다.

Q. save rate가 정말 좋아요보다 중요한가요?

방향성은 업계 자료와 일치합니다. TikTok 알고리즘이 저장·공유를 좋아요보다 높게 가중한다는 마케팅 자료가 다수 있어요. 다만 작성자가 제시한 "2~3% 저장률이 구매 전환 임계"라는 구체 수치는 본인 데이터 경험칙이지 업계 표준은 아니라는 점을 구분하셔야 합니다.

마무리

콘텐츠 하나하나가 아니라 "콘텐츠를 만드는 엔진"을 자산으로 보는 관점 전환이 이 사례의 핵심입니다. 검증된 포맷을 역설계하고, 비싼 자산은 한 번만 만들어 재사용하고, 발행을 자동화하고, 승자를 복제하는 콘텐츠 자동화 4단계는 TikTok이 아니어도 적용할 수 있어요. 성과 수치는 작성자의 자가 보고라는 점만 기억하시고, 구조 자체는 내 사업의 어느 채널에 이식할 수 있을지 검토해 보시길 권합니다.

Claude + Postiz로 TikTok 주 10만 뷰 만든 콘텐츠 자동화 엔진 4단계 분석 (2026)