상품 문구와 가격을 같이 바꾸면 매출이 더 오를까?

문구와 가격은 따로 시험하기보다 함께 기록하고 비교하는 편이 낫다. 실제 거래 데이터로 만든 모의 시장에서는 문구를 학습한 뒤 기대 매출이 5.81% 늘었고, 상품 100개 중 91개에서 매출이 올랐다. 다만 실제 고객이 산 결과가 아니라 모의 수요로 계산한 숫자라는 점은 꼭 봐야 한다.

문구만 바꿔도 가격만큼 효과가 있을까?

그럴 수 있다는 실험이 있다. 남아프리카공화국의 한 대출 회사는 옛 고객 약 5만 3천 명에게 대출 안내 우편을 보내면서 이자율과 편지 내용을 무작위로 바꿨다.

편지 내용만 바꿨는데도 신청이 늘었다. 그 효과가 이자율을 약 25% 내린 것과 비슷한 수준이었다. 문구 하나가 가격 변화만큼 고객의 선택에 영향을 줄 수 있다는 뜻이다.

문구와 가격을 따로 최적화하면 문제가 생길 수 있다. 문구 때문에 사려는 사람이 늘면 매출이 가장 커지는 가격도 달라질 수 있기 때문이다.

반대로 같은 문구라도 어떤 가격을 붙이느냐에 따라 효과가 달라질 수 있다. 그래서 문구 담당과 가격 담당이 각각 가장 좋은 것을 찾아도 둘을 합친 결과가 가장 좋다고 할 수 없다.

실제로 AI 문구를 시험한 결과는 어땠나?

연구진은 고객에게 AI가 쓴 문구와 가격을 함께 보여 주고, 그 고객이 샀는지 안 샀는지만 봤다. 다른 문구나 다른 가격이었다면 샀을지는 알 수 없다는 점에서 작은 쇼핑몰의 판매 상황과 비슷하다.

문구를 만드는 쪽에는 Qwen2.5-1.5B-Instruct라는 작은 공개 언어 모델을 썼고, LoRA라는 방법으로 학습했다. 가격은 수요 모델이 기대 매출이 가장 크다고 보는 값을 주로 사용하고, 정해진 확률로 다른 가격도 시험했다.

문구가 매출에 도움이 되는지를 보기 위해 먼저 단순하게 만든 수요 세 가지를 시험했다. 여기서는 「튼튼한」이라는 단어를 넣었을 때 사려는 사람이 늘어나는 경우와, 가격을 문구에 밝히는 경우를 따로 만들었다.

「튼튼한」을 넣은 문구는 학습 뒤 더 자주 선택됐다. 기대 매출은 로짓 수요에서 5.69%, 프로빗 수요에서 5.18% 올랐다.

가격을 밝히는 문구를 쓰는 경우에는 기대 매출이 55.96% 올랐다. 하지만 출발 매출 자체가 0.0174로 작았고, 연구진도 이 결과가 가격을 밝히는 문구가 많아진 것으로 설명된다고 밝혔다.

따라서 55.96%라는 숫자를 보고 「AI 문구를 바꾸면 매출이 절반 이상 오른다」고 받아들이면 안 된다. 실제 가게에서는 어떤 문구가 효과가 있는지 직접 시험해야 한다.

실제 상품으로 보면 매출은 얼마나 달라졌나?

현실에 더 가까운 시험도 했다. 연구진은 2018년 러시아 중고거래 플랫폼 Avito의 매물 데이터를 사용해 고객이 거래할 확률을 추정하는 모의 시장을 만들었다.

전체 기대 매출은 0.1991에서 0.2107로 늘었다. 증가율은 5.81%였고, 상품 100개 가운데 91개에서 매출이 올랐다.

하지만 상품군별 차이는 컸다. 노트북은 14.26% 올랐지만 휴대폰은 1.98%에 그쳤다. 같은 방법을 써도 모든 상품에서 같은 결과가 나오는 것은 아니다.

이 실험에서 중요한 점은 가격 규칙을 똑같이 두고 문구 쪽을 학습시켰다는 것이다. 따라서 5.81%는 문구가 나아진 데 따른 매출 증가로 봐야 하며, 문구와 가격을 각각 따로 시험한 결과와 단순 비교하면 안 된다.

연구진은 학습 과정에서도 문구와 가격을 함께 찾는 방식과 가격만 시행착오로 찾는 방식도 비교했다. 다섯 품목군 모두에서 마지막 100묶음의 평균 기대 매출은 문구와 가격을 함께 학습한 쪽이 높았다.

판매 기록이 적어도 시험할 수 있을까?

여기서는 작은 쇼핑몰이 특히 조심해야 한다. 연구진은 노트북 품목에서 과거 매물 기록을 줄여 가며 시험했는데, 기록이 전혀 없으면 기대 매출이 0.1670으로 떨어졌다.

과거 기록을 절반 사용했을 때는 0.1895였다. 전부 사용했을 때의 0.1802보다 조금 높았지만, 기록이 전혀 없을 때는 95% 구간도 0.1490~0.1854로 넓었다.

따라서 과거 판매 기록이 하나도 없는 가게가 이 방법을 바로 적용하면 효과를 볼 수 있다고 말하기 어렵다. 먼저 어떤 문구와 가격으로 얼마나 보여 줬고, 그중 얼마나 구매했는지를 정리해 두는 것이 중요하다.

작은 쇼핑몰은 어떻게 시험하면 될까?

논문의 실험은 구매 여부를 확인한 제안이 16,000건이었다. 여기서 16,000건은 구매 건수가 아니라 고객에게 상품을 보여 준 횟수에 가깝다.

상품 하나가 하루 200번 조회된다면 16,000번을 채우는 데 80일이 걸린다. 작은 쇼핑몰이 논문의 방식을 그대로 따라 하기에는 부담이 큰 이유다.

대신 문구와 가격의 조합을 작게 만들어 시험할 수 있다. 처음부터 많은 문구와 가격을 한꺼번에 바꾸기보다 차이를 분명하게 만든 뒤 기록하는 방식이다.

비교할 때는 구매율만 보면 안 된다. 논문의 목표가 판매량이 아니라 기대 매출이므로 작은 쇼핑몰도 「구매율×가격」으로 조회당 매출을 비교하는 편이 맞다.

문구를 바꿨다면 가격도 다시 시험해야 한다. 반대로 가격을 바꿨다면 어떤 문구와 붙였을 때 결과가 달라지는지도 함께 기록해야 한다.

AI가 만든 문구는 사람이 확인해야 한다. 매출만 따라가면 문장이 이상해질 수 있기 때문에 연구진도 원래 모델에서 너무 멀어지는 문구에는 벌점을 줬다.

결국 이 연구가 작은 쇼핑몰에 주는 메시지는 「AI를 쓰면 매출이 오른다」가 아니다. 지금 쓰는 문구와 가격을 따로 관리하지 말고, 같은 상품에서 어떤 문구와 어떤 가격의 조합이 실제 매출로 이어지는지 기록하라는 것이다.

같이 읽을 글

• AI에게 가격을 맡길 때 문장도 조심해야 하나?
• 같은 상품인데 가격이 다르면 고객은 덜 살까?
• 우리 쇼핑몰 광고 사진도 AI가 고객마다 다르게 만들 수 있을까?
• AI에게 물어볼수록 가게가 비슷해질까?

자료 출처

• Marrying Pricing and Advertising with LLMs(밀라노공대·arXiv 2610.09985·2026년 10월 제출, 구매 여부 16,000건·상품 100개 평가)
• 위 논문 HTML 본문 — 표 2 품목군별 결과, 부록 B.4 과거 데이터 축소 실험(arXiv·2026년 10월)
• What's Advertising Content Worth? Evidence from a Consumer Credit Marketing Field Experiment(Bertrand·Karlan·Mullainathan·Shafir·Zinman, 남아공 대출 우편 약 53,000명)
• Amazon generative AI-powered product listings(아마존 발표, 판매 파트너 10만 곳 이상·제안 수용 약 80%)
• Amazon sellers generative AI tool(아마존, 2023년 Accelerate 발표, 상품명·설명 자동 생성 도구)
• 7월 온라인쇼핑 25조954억원…모바일 비중 78%(비건뉴스, 국가데이터처 2026년 7월 온라인쇼핑동향 인용)