AI가 고객에게 먼저 물어보면, 우리 가게는 무엇을 보여줘야 할까?
에이전틱 커머스 논문 두 편이 보여준 AI 쇼핑의 변화
AI가 대신 고르는 쇼핑에서는 상품을 많이 보여주는 것보다 고객의 사정을 정확히 묻고 이해하는 일이 중요해진다. 토론토대 연구에서는 질문 5개와 상품 1개가 질문 없이 상품 32개를 보여주는 것과 같은 성능을 보였다. 워싱턴대 연구에서는 조건이 많은 구매에서 사람의 검색은 포기 지점에 이르지만 AI 검색은 포기 지점이 없었다.
AI 쇼핑의 경쟁은 「상품을 얼마나 많이 보여주나」에서 「고객의 조건을 얼마나 잘 이해하나」로 옮겨 간다.
왜 AI 쇼핑 논문을 봐야 하나
AI사이트코리아가 하는 일도 이 변화와 연결된다.
지금 「우리 가게가 AI에게 추천되는가」를 확인하는 것은 현재 상태를 보는 일이다. 하지만 앞으로 AI가 어떤 가게를 골라 고객에게 보여줄지는 AI 쇼핑의 구조를 봐야 알 수 있다.
2026년 3월에 나온 토론토대 로트먼경영대 연구는 AI가 고객에게 무엇을 먼저 묻고 몇 개의 상품을 보여주는지를 다룬다. 2026년 8월 워싱턴대 올린경영대와 코네티컷대 연구는 사람이 직접 검색하는 방식과 AI에게 맡기는 방식이 언제 달라지는지를 다룬다.
두 논문을 같이 보면 변화의 방향이 선명하다.
고객은 상품 목록을 오래 보는 대신 자신의 조건을 말한다. AI는 그 조건을 바탕으로 상품을 좁힌다. 따라서 가게 홈페이지도 상품 이름과 가격만 적어놓는 방식에서 벗어나 고객의 조건과 질문에 답할 수 있어야 한다.
고객에게 몇 개를 보여줘야 하나
첫 번째 논문의 핵심은 간단하다.
AI는 먼저 고객에게 질문을 하고, 그 답을 이용해 상품을 고른다. 고객의 취향은 여러 조건으로 이루어진 공간의 한 점으로 표현된다. AI가 질문을 많이 할수록 그 점이 어디에 있는지 더 정확하게 찾을 수 있다.
반대로 상품을 많이 보여주는 방법도 있다. 하지만 조건이 많아질수록 상품을 추가하는 효과는 작아진다.
| 결과 | 수치 |
|---|---|
| 질문의 힘 vs 진열의 힘 | 손실이 질문 수에는 1/m로, 진열 수에는 k^(−2/d)로 줄어든다. 조건이 10개면 진열을 두 배로 늘려도 손실은 13%만 줄고, 질문을 두 배로 하면 절반으로 준다 |
| 시뮬레이션(그림 5) | 질문 5개+상품 1개 = 질문 0개+상품 32개와 같은 성능. 조건이 100개면 상품을 1개에서 32개로 늘려도 곡선이 거의 평평 |
| 상품 두 개로 나눠 제안(명제 4.3) | 가장 불확실한 방향으로 벌려 놓으면 그 방향 불확실성의 31.8% 제거 |
| 노트북 예(예 4.4) | 불확실성이 4와 1인 두 조건 → 두 상품 간격 1.60, 그 차원 손실의 약 64% 제거. 덜 불확실한 쪽으로 벌리면 이득은 4분의 1 |
| 상품 k개로 나눌 때(명제 4.5) | 취향 공간을 k개 구역으로 나눠 구역마다 상품 하나. 한 조건에서 2개면 분산의 63.6%, 3개면 77.1% 제거 |
| 최적 질문 규칙(명제 4.8) | 「물 채우기」 — 제일 불확실한 조건부터 물어 불확실성을 같은 높이로 맞춘다 |
| 몇 개를 물어야 하나(명제 4.12) | 남은 손실을 목표 아래로 줄이는 데 질문은 조건 수의 제곱에 비례해 늘면 되지만, 진열만으로는 지수적으로 늘려야 한다 |
| 배경 | 소비자 41%가 자연어로 상품을 찾음 · |
논문에서는 손실이 질문 수에는 1/m로, 진열 수에는 k^(−2/d)로 줄어든다고 설명한다. 조건이 10개라면 상품 진열을 두 배로 늘려도 손실은 13%만 줄지만, 질문을 두 배로 하면 절반으로 줄어든다.
시뮬레이션에서는 더 직접적인 결과가 나온다.
질문 5개를 하고 상품 1개를 제안하는 방식이 질문 없이 상품 32개를 보여주는 방식과 같은 성능을 보였다. 조건이 100개가 되면 상품을 1개에서 32개로 늘려도 곡선이 거의 평평해진다.
상품을 어떻게 나누어 제안하느냐도 중요하다. 가장 불확실한 방향으로 상품 둘을 벌려 놓으면 그 방향의 불확실성 31.8%를 제거할 수 있다. 한 조건에서 상품을 둘로 나누면 63.6%, 셋으로 나누면 77.1%를 제거한다.
결국 AI는 무작정 상품을 많이 보여주는 것이 아니라, 고객이 무엇을 원하는지 먼저 묻고 그 조건에서 선택지를 좁힌다.
질문을 많이 하면 AI가 더 잘 고르나
그렇다고 질문을 무한히 늘리면 되는 것은 아니다.
논문에서는 최적의 질문 규칙을 「물 채우기」로 설명한다. 가장 불확실한 조건부터 물어 각 조건의 불확실성을 비슷한 높이로 맞춘다.
질문의 효과는 상품 진열과도 다르다. 남은 손실을 일정한 목표 아래로 줄이는 데 질문은 조건 수의 제곱에 비례해 늘리면 되지만, 진열만으로 줄이려면 상품 수가 지수적으로 늘어날 수 있다.
이 차이가 사장님에게 중요한 이유가 있다.
AI가 고객에게 질문을 한다면 홈페이지도 그 질문에 답할 수 있어야 한다. 가격만 적힌 페이지보다 「어떤 고객에게 맞는지」, 「어떤 조건이면 가능한지」, 「어떤 경우에는 맞지 않는지」가 적힌 페이지가 AI가 이해할 수 있는 정보가 된다.
조건이 많은 상품은 왜 AI가 유리한가
두 번째 논문은 사람과 AI의 검색 수고를 비교한다.
여기서 중요한 것은 고객의 조건 수다. 조건이 적은 상품은 사람이 직접 몇 개를 보고 고르기 쉽다. 하지만 조건이 많아지면 사람이 직접 모든 상품을 비교하기가 어려워진다.
AI 방식은 다르다. AI도 고객의 취향과 상품을 잘못 읽을 수 있다. 이를 논문에서는 잡음으로 다룬다. 대신 고객과 대화를 이어가면 탐색 범위를 좁힐 수 있다.
| 기호 | 뜻 |
|---|---|
| k | 조건의 수(취향이 몇 가지 요소로 정해지나) |
| m | 사람이 직접 본 상품 수 |
| α | 상품 하나를 직접 보는 수고 |
| σ | AI가 취향· |
| T | AI와 주고받은 대화 횟수. 대화할수록 탐색 범위가 e^(−T)로 좁아짐 |
| β | 대화 한 번의 수고 |
| B | 주의력 예산 |
| 불일치 | 산 물건이 이상형에서 얼마나 먼가. 1이면 안 찾은 것과 같음 |
사람이 직접 검색할 때는 상품을 보는 수고가 쌓인다. AI를 사용할 때는 대화하는 수고가 쌓인다. 결국 고객의 주의력은 상품을 보는 일과 자신의 조건을 설명하는 일에 나뉜다.
사람 검색은 어디서 멈추나
논문의 정리 4.4에서는 사람 검색에 포기 지점이 있다고 설명한다.
조건 수가 일정한 문턱을 넘으면 고객은 아예 상품을 더 보지 않는다. 논문에서 이때 불일치는 1이고 플랫폼 매출은 0이다.
조건이 1개, 2개, 5개, 10개, 20개로 늘어나는 상황을 비교하면 조건이 많을수록 상품을 50개까지 봐도 불일치가 충분히 내려가지 않는다.
반면 AI 검색에는 같은 의미의 포기 지점이 없다.
| 결과 | 내용 | 그림· |
|---|---|---|
| ① 사람 검색은 포기 지점이 있다(정리 4.4) | 조건 수가 문턱 K(α)를 넘으면 소비자는 아예 안 본다. 불일치=1, 플랫폼 매출=0 | 그림 2: 조건 1· |
| ② AI 검색은 포기 지점이 없다(정리 5.2) | 조건이 늘면 대화가 늘고 손실도 늘지만, 불일치는 늘 1 미만이고 매출은 늘 양수 | 그림 4: 주의력 0.1과 0.5, 대화 수고 0.4, 잡음 0.1 |
| ③ 도입 지체(정리 6.1) | 플랫폼이 AI를 원하는 문턱이 소비자가 원하는 문턱보다 앞에 온다. 그 사이에선 플랫폼은 AI를 밀고 소비자는 안 쓴다. 직접 보는 수고가 커질수록 이 구간이 줄어든다 | 그림 5: 보는 수고 0.01, 대화 수고 0.4, 잡음 1, 주의력 1 |
| ④ 정확도 배분 역전(정리 7.1) | 주의력 많은 소비자는 대화로 메우니 플랫폼이 덜 정확한 AI를 줘도 되고, 그 소비자가 더 돈이 된다 | 7장 |
조건이 많아지면 대화는 늘어나고 손실도 커진다. 그래도 불일치는 1 미만으로 유지되고 매출은 양수로 남는다.
이 차이는 동네 사장님에게 특히 중요하다.
조건이 많은 서비스를 고객이 직접 비교하려 하면 검색 자체가 부담이 된다. 하지만 고객이 자신의 조건을 말하고 AI가 그 조건에 맞는 곳을 좁혀준다면 검색 방식 자체가 달라진다.
그래서 홈페이지에는 무엇을 적어야 하나
두 논문을 합치면 핵심은 하나다.
고객이 상품을 찾을 때 AI에게 자신의 사정을 말한다면, AI가 그 사정을 이해할 수 있는 정보가 홈페이지에 있어야 한다.
예를 들어 고객이 「팔순 어머니 틀니가 불편한데 임플란트 되나요」라고 말할 수 있다. 이때 중요한 것은 홈페이지에 단순히 서비스 이름만 있는지가 아니다.
어떤 상황에서 어떤 방법을 쓰는지, 어떤 조건이면 가능한지, 어떤 경우에는 어려운지, 실제로 어떤 사실을 확인할 수 있는지가 연결되어 있어야 한다.
앞서 AI사이트코리아가 말해온 「사정 → 방법 → 우리 조건 → 사실」의 구조가 여기에 해당한다.
| 논문 | 한 줄 | 사장님에게 뜻하는 것 |
|---|---|---|
| 토론토대 | 질문 5개가 상품 32개를 이긴다. AI는 취향 공간을 구역으로 나눠 구역마다 하나를 고른다 | 우리 가게가 「어느 조건의 고객 구역」을 맡는지 페이지에 적혀 있어야 뽑힌다 |
| 워싱턴대 | 조건이 많은 구매일수록 사람 검색은 포기하고 AI 검색은 포기하지 않는다. 수고는 보기에서 말하기로 옮겨 간다 | 병원· |
| 둘 다 | AI는 정직하다고 가정했지만, 플랫폼 이익과 소비자 이익은 어긋날 수 있다 | 조건과 예외까지 정직하게 적은 페이지가 신뢰 자산이다 |
AI는 고객의 말을 바탕으로 취향과 조건이 있는 구역을 정한다. 그리고 그 구역에서 상품이나 서비스를 고른다. 홈페이지에 고객의 조건과 연결되는 내용이 없다면 그 구역에서 선택될 근거도 부족하다.
AI가 쓰는 쇼핑에서는 무엇이 달라지나
배경 수치도 이 변화를 보여준다.
미국 소비자의 39%가 쇼핑에 생성형 AI를 사용한다는 조사 결과가 있다. 44%는 AI가 대신 둘러보는 것을 허용하고, 구매까지 완전히 위임하는 것은 6%였다. 또 30%는 AI가 구매까지 끝내는 것을 허용했다.
| 수치 | 출처 |
|---|---|
| 미국 소비자 39%가 쇼핑에 생성형 AI 사용 | 어도비 2025 |
| 44%는 AI가 대신 둘러보는 것 허용, 완전 위임은 6% | 월드페이 2025 |
| 30%는 AI가 구매까지 끝내는 것 허용 | 컨텐츠스퀘어 2025 |
아직 모든 고객이 구매를 AI에 맡기는 것은 아니다. 오히려 현재 수치에서 중요한 점은 AI가 고객의 구매 과정에 이미 들어와 있다는 것이다.
특히 조건이 많은 구매에서는 고객이 직접 상품을 하나씩 비교하는 대신 자신의 조건을 설명하는 방식이 가능해진다.
그래서 홈페이지의 역할도 달라진다.
홈페이지는 단순한 명함이 아니라 AI가 고객의 질문을 이해하고 답을 만들 때 참고하는 정보가 된다. 「우리 가게는 무엇을 판다」만 설명하는 것으로는 부족하다. 「어떤 상황의 고객에게 어떤 방법을 제공하고, 어떤 조건에서는 어떻게 달라지는가」까지 설명해야 한다.
결국 사장님이 준비할 것은 무엇인가
두 논문이 말하는 변화는 상품 수의 경쟁이 아니라 정보의 구조 변화다.
토론토대 연구는 질문을 통해 고객의 조건을 좁히는 것이 많은 상품을 진열하는 것보다 효과적일 수 있음을 보여준다. 워싱턴대 연구는 조건이 많아질수록 사람이 직접 검색하는 방식에는 한계가 있지만 AI와 대화하는 방식에는 다른 가능성이 있음을 보여준다.
고객이 AI에게 자신의 사정을 말하는 시대에는 고객의 사정을 이해할 수 있는 페이지가 필요하다.
AI사이트코리아가 동네 사장님의 홈페이지를 AI가 읽고 답에 넣게 만드는 이유도 여기에 있다.
고객이 「무엇을 파나요」라고 묻는 것만 생각할 필요는 없다. 「이런 상황인데 가능한가요」라는 질문에 답할 수 있어야 한다.
AI가 고객 대신 고르는 시대에는 고객의 조건에 답하는 페이지가 선택의 출발점이 된다.
① 질문 5개+상품 1개가 질문 0개+상품 32개와 같은 성능을 보였다. ② 조건이 10개일 때 상품 진열을 두 배로 늘려도 손실은 13%만 줄지만, 질문을 두 배로 하면 절반으로 줄었다. ③ 상품을 두 개로 나누면 불확실성 63.6%, 세 개로 나누면 77.1%를 제거할 수 있다. ④ 미국 소비자의 39%가 쇼핑에 생성형 AI를 사용하고, 완전 위임은 6%였다.
같이 읽을 글
자료 출처
- Cao·Hu 「A Solicit-Then-Suggest Model of Agentic Purchasing」 arXiv 2603.20972(2026년 3월, 토론토대 로트먼경영대) · 본문
- Dong·Luo·Xu 「From Product Search to Preference Articulation: The Economics of Agentic Commerce」 arXiv 2608.08395(2026년 8월, 워싱턴대 올린경영대·코네티컷대) · 본문
- Allouah 외 「What Is Your AI Agent Buying?」 WWW 2026(arXiv 2508.02630) — 에이전트의 위치 편향·모델 의존
- 맥킨지 「에이전틱 커머스의 자동화 곡선」 — 2030년 3~5조 달러
- 어도비 「AI 유입 소매 방문」(2026년 7월) — 전환율 비AI 대비 +60%
작성일
← 칼럼 목록