고객 AI가 값을 깎으면 가게 AI도 따라 깎을까?

AI끼리 흥정을 시켜 보니 고객 AI의 말투가 거래 결과를 크게 바꿨다. 화난 구매 AI의 거래 성사율은 0.39%였고, 겁먹은 구매 AI는 성사된 거래에서 정가보다 17.4%를 깎았다. 가게가 판매 AI를 쓴다면 말투보다 먼저 정해 둘 것은 AI가 절대 넘지 말아야 할 최저가다.

고객 AI가 화를 내면 정말 값을 더 깎아 줄까?

결과만 보면 그렇다. 화난 구매 AI를 만난 판매 AI의 양보 속도는 0.127로 가장 컸다. 기쁜 구매 AI를 만났을 때의 0.045보다 거의 세 배 빠르다.

그런데 거래는 거의 성사되지 않았다. 화난 구매 AI가 참여한 흥정은 87.19%가 거절로 끝났고, 거래 성사율은 0.39%였다. 값을 빨리 내리는 것과 실제로 거래가 성사되는 것은 같은 일이 아니었다.

연구팀은 구매 AI와 판매 AI를 서로 흥정시켰다. 실제 소비자 상품 350개를 대상으로 했고, 상품 가격은 6달러부터 1,250만 달러까지였다.

AI에게 어떤 말투를 시켰을까?

여기서 감정은 AI가 실제로 느끼는 감정이 아니다. 연구팀이 시스템 지시문에 감정 이름과 행동 지시를 넣고 대화 내내 그 감정을 드러내도록 한 것이다.

예를 들어 화난 AI에는 단호하게 답하고 무리한 할인 요구에 버티라는 지시가 들어갔다. 기쁜 AI에는 협조적인 말투를 유지하면서 높은 이윤을 노리라는 지시가 들어갔다.

구매 AI와 판매 AI에는 각각 분노·두려움·슬픔·놀람·기쁨·중립의 6가지 감정을 넣었다. 구매 쪽과 판매 쪽 감정을 조합해 36가지 조건을 만들고, 예산 조건 2가지를 더해 모델마다 72개 조건을 시험했다.

고객 AI가 겁을 먹으면 오히려 더 많이 깎을까?

그렇다. 구매 AI의 감정별 결과를 보면 차이가 분명하다. 기쁜 구매 AI의 거래 성사율은 28.9%로 가장 높았지만, 깎은 폭은 10.1%였다.

반면 겁먹은 구매 AI의 거래 성사율은 3.5%로 낮았다. 하지만 성사된 거래에서는 정가보다 17.4%를 깎아 가장 많이 깎았다.

판매 AI 입장에서는 기쁜 고객 AI가 가장 남는 상대였다. 기쁜 구매 AI를 만났을 때 판매 AI가 도매가보다 남긴 몫은 18.9%였고, 겁먹은 구매 AI를 만났을 때는 3.6%였다.

여기서 성사율 숫자는 주의해서 봐야 한다. 실험에는 정가보다 20% 많은 넉넉한 예산과 도매가의 80%인 모자란 예산이 함께 들어갔다. 모자란 예산에서는 애초에 거래가 성립할 수 없도록 설계했기 때문에, 성사율은 실제 가게의 판매 성공률과 그대로 비교할 수 없다.

판매 AI의 말투도 가격을 바꿀까?

판매 AI의 감정도 결과에 영향을 줬다. 다만 구매 AI의 감정처럼 성사율을 크게 벌리기보다는 가격이 움직이는 방식에 차이가 나타났다.

놀란 판매 AI의 거래 성사율은 17.98%로 가장 높았다. 예상 밖의 제안이나 반응이 나오면 되묻도록 한 지시가 들어갔다. 반면 기쁜 판매 AI의 성사율은 10.3%였지만, 도매가보다 남긴 몫은 18.1%였다.

화난 판매 AI도 흥미로운 결과를 보였다. 무리한 요구에 버티라는 지시를 받았지만 양보 속도는 0.118로 가장 빨랐다. 거래 성사율은 5.95%로 가장 낮았다.

이 결과만으로 특정 말투가 모든 가게에 더 좋다고 말하기는 어렵다. 성사율과 남기는 몫이 함께 움직이지 않았기 때문이다. 판매 AI를 쓴다면 먼저 무엇을 지키려는지 정하고 말투를 그 목적에 맞춰야 한다.

AI에게 최저가를 맡겨도 괜찮을까?

실험 결과만 보면 최저가를 말투 지시에만 맡기는 것은 위험하다. 판매 AI에게 원가 밑으로 팔지 말라고 지시했는데도 성사된 거래 가운데 원가보다 싸게 판 비율이 모델에 따라 0.24~2.70%였다.

구매 AI도 항상 예산을 지킨 것은 아니다. 예산을 넘겨 구매한 비율은 0.35~1.80%였다. 어떤 모델을 쓰느냐에 따라서도 결과가 달라졌다.

그래서 가게에서 판매 AI를 쓴다면 최저가는 AI의 말투와 별도로 정해 두는 편이 중요하다. AI가 협상 문장을 만드는 것과 실제 결제 가격을 결정하는 것을 같은 곳에 맡기지 않는 방식이다.

홈페이지에는 가격을 어떻게 적어야 할까?

할인할 수 있는 조건은 가능한 한 숫자로 분명하게 적어 두는 것이 좋다. 예를 들어 3개 이상 10% 할인, 평일 오전 예약 1만 원 할인처럼 조건과 숫자를 함께 제시하는 방식이다.

이렇게 하면 고객 AI가 말투로 가격을 계속 시험할 필요가 줄어든다. 실험에서도 구매 AI의 감정에 따라 거래 성사율이 0.4~28.9%까지 흔들렸다.

고객 AI가 가게 정보를 읽고 상품을 고르는 흐름에서는 빠르고 분명하게 답하는 것도 중요하다. 모의 시장에서는 고객 AI가 처음 받은 제안을 고른 비율이 모델에 따라 93.3~100%였다.

다만 이번 실험을 실제 동네 가게의 결과로 그대로 받아들이면 안 된다. AI끼리만 흥정한 실험이고, 사람 고객의 기분이나 오래 쌓인 신뢰, 문화 차이는 들어가지 않았다. 한국어 흥정이나 미용·병원·학원 같은 동네 서비스업도 다루지 않았다.

그럼에도 사장님이 준비할 방향은 분명하다. 할인 조건은 숫자로 공개하고, 최저가는 시스템에서 막고, 판매 AI의 말투는 성사와 이윤 중 무엇을 더 중요하게 볼지에 맞춰 정하는 것이다.

같이 읽을 글

• 우리 가게 상품도 AI 추천에 다시 들어갈 수 있을까?
• AI에게 가격을 맡길 때 문장도 조심해야 하나?
• 고객은 돈 쓰는 결정을 AI에게 어디까지 맡길까?
• AI가 대신 결제할 때, 서명만 믿어도 될까?

자료 출처

• Deal Me Maybe: The Role of Emotions in Multi-Agent Negotiation(브루노 케슬러 재단·arXiv 2608.06922·2026.8, 상품 350개·36개 감정 짝·5개 모델)
• 위 논문 본문·표(HTML판)
• The Automated but Risky Game: Modeling and Benchmarking Agent-to-Agent Negotiations and Transactions in Consumer Markets(MIT 등·arXiv 2506.00073·2025.6)
• A2A-NT 코드·데이터(위 논문 공개 저장소)
• Magentic Marketplace: an open-source simulation environment for studying agentic markets(마이크로소프트 리서치·2025.11, 고객 AI 100·사업자 AI 300)
• Magentic Marketplace 논문(마이크로소프트·arXiv 2510.25779·2025.10)
• McKinsey forecasts up to $5 trillion in agentic commerce sales by 2030(디지털커머스360·2025.10, 맥킨지 전망 보도)
• US agentic commerce revenue forecast to reach $1 trillion by 2030(리테일다이브·2025.10, 맥킨지 전망 보도)