# AI에게 쇼핑몰 할인율을 맡겨도 오래 남는 장사가 될까?

_타오바오 AI는 14일 매출을 13.21% 올렸고, 작은 쇼핑몰이 먼저 따라 할 것은 할인 한도와 평가 기준이다_

> 타오바오는 약 20만 개 신상품의 할인율을 AI로 정했다. 14일 누적 매출은 13.21%, 투자수익은 7.59% 올랐지만, 그대로 쓴 AI는 기존 모델보다 낮았다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/ai-pricing-14-day-gmv-13-percent
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-10-08

타오바오는 AI에게 신상품의 하루 할인율을 맡겼고 14일 누적 매출은 13.21%, 투자수익은 7.59% 늘었다. 그런데 큰 AI를 그대로 가져다 쓴다고 같은 결과가 나오는 것은 아니었다. 작은 쇼핑몰이 먼저 따라 할 것은 AI의 크기가 아니라 할인 한도와 14일 뒤 성과를 보는 규칙이다.

할인율을 AI에게 맡길 때는 얼마나 깎을지보다 어디까지 깎지 않을지를 먼저 정해야 한다.

## AI가 할인율을 정하면 매출이 바로 오를까?

타오바오의 실험 무대는 신상품 전용 매장인 타오 팩토리다. 이곳에서는 플랫폼이 가격을 직접 정할 수 있다. AI는 상품마다 다음 날 할인율을 얼마나 올리거나 내릴지 결정했고, 하루 약 20만 개 상품의 가격을 처리했다.

AI가 참고한 자료에는 판매 이력, 노출과 클릭 수, 과거 할인 이력, 경쟁 상품 통계, 재고가 들어갔다. 상품 설명과 고객 후기 같은 글도 함께 읽었다. 개인 고객 정보는 넣지 않았다.

| 항목 | 숫자 | 비고 |
|---|---|---|
| 하루 가격 결정 상품 수 | 약 200,000개 | 결정은 다음 날 적용 |
| 상품 1개 처리 시간 | 약 60초 | 20만 개 전체 약 7시간 |
| 학습 데이터 기간 | 180일 넘게 | 상품 수백만 개(SKU) |
| 장기 가치 평가에 쓴 기록 | 500만 건 넘게(6개월) | 60%는 상위 30% 상품의 기록, 40%는 그 밖의 기록 |
| 하루 할인율 변경 한도 | ±20% | 업무 규칙 |
| 할인 하한 | 정가의 50%까지 | 할인율 계수 0.5~1.0 |
| 온라인 비교 실험 기간 | 60일 넘게 연속 | 대규모 A/B 실험 |

결과는 기존 가격·판매 모델보다 좋았다. 7일 기준 누적 매출은 11.04%, 투자수익은 8.23% 늘었고, 14일 기준으로는 누적 매출 13.21%, 투자수익 7.59%가 늘었다.

| 비교(기존 가격·판매 모델 대비) | 7일 | 14일 |
|---|---|---|
| 누적 매출(GMV) | +11.04% | +13.21% |
| 투자수익(ROI) | +8.23% | +7.59% |
| 마일스톤 달성률(MAR) | +6.92% | +8.20% |

## 그런데 왜 14일을 봤을까?

할인을 크게 하면 당장 판매가 늘 수 있다. 하지만 할인 폭이 커지면 마진이 줄어든다. 그래서 이 연구는 하루 매출만 보지 않고 14일 동안 매출과 투자수익 목표를 함께 넘었는지를 평가했다.

오늘 바꾼 가격의 효과가 오늘 바로 끝나는 것도 아니다. 검색과 추천 노출이 달라지고, 그 영향이 며칠 뒤 판매로 이어질 수 있기 때문이다. 연구진은 이런 늦게 나타나는 효과까지 평가하는 장치를 만들었다.

이 장치가 높은 점수를 준 할인안을 AI가 고르도록 다시 학습했다. 그 결과 평가 점수와 실제 14일 누적 매출의 순위 상관은 0.94였고, 14일 마일스톤 달성률과는 0.98이었다.

다만 여기서 말하는 장기는 14일이다. 재구매나 단골 유지처럼 몇 달 뒤에 나타나는 효과까지 확인한 연구는 아니다.

## 큰 AI를 그대로 쓰면 더 잘 팔릴까?

그렇지는 않았다. 추가 학습 없이 그대로 쓴 AI는 기존 가격·판매 모델보다 전문가 판단과의 일치율이 낮았다.

300억 매개변수 AI의 전문가 일치율은 69.22%였고, 2,350억 매개변수 AI는 67.07%였다. 기존 가격·판매 모델은 71.08%였다. AI가 훨씬 커졌다고 가격 결정도 좋아진 것은 아니었다.

| 방식 | 장기 가치 점수 | 전문가 일치율 |
|---|---|---|
| 기존 가격·판매 모델(현재 운영 중) | 2.564 | 71.08% |
| 장기 목표형 기존 AI(운영 중) | 2.694 | 73.89% |
| 300억 매개변수 AI 그대로 | 2.585 | 69.22% |
| 2,350억 매개변수 AI 그대로 | 2.556 | 67.07% |
| 예시 답만 학습(10만 쌍) | 2.554 | 68.98% |
| 장기 점수로 고르기만 학습(5만 쌍) | 2.794 | 79.26% |
| 둘 다 학습(최종) | 2.836 | 82.51% |

예시 답 10만 쌍만 학습시켰을 때도 전문가 일치율은 68.98%에 그쳤다. 설명을 잘 만드는 것과 가격 결정을 잘하는 것은 다른 문제였다.

점수를 크게 끌어올린 것은 14일 뒤 결과가 더 좋았던 쪽을 고르게 한 학습이었다. 최종 모델은 전문가 일치율 82.51%까지 올라갔다.

사장님이 AI에게 상품 하나를 보여주고 「이 상품 할인 얼마나 할까?」라고 묻는 방식은 이 연구에서 말하는 최종 모델과 거리가 있다. AI가 그럴듯한 이유를 설명한다고 해서 가격 결정이 더 좋아졌다고 볼 수는 없다.

## AI는 생각보다 덜 깎았다?

연구 사례에서는 오히려 그랬다. 어린이 책상은 기존 모델이 정가의 0.71배를 제시했지만 AI는 0.85배를 제시했다. 기존 모델보다 할인 폭을 14%포인트 줄인 셈이다.

3단 찜기도 기존 모델은 0.68배였지만 AI는 0.76배였다. 이 상품 역시 할인 폭이 8%포인트 줄었다.

AI의 목표가 매출 하나가 아니었기 때문이다. 매출과 투자수익을 함께 보도록 만들자 무조건 많이 깎는 방향으로 가지 않았다.

AI는 할인율만 내놓지 않고 이유를 적은 글도 함께 만들었다. 연구진은 이 글이 숫자를 제대로 읽었는지, 빠진 요인이 없는지, 앞뒤가 맞는지, 결론과 가격이 맞는지를 검사했고 전문가 판정과 96.4% 일치했다.

## 고객은 가격이 자주 바뀌어도 괜찮을까?

가격을 자주 바꾸는 데는 고객 신뢰라는 문제가 따른다. 가트너가 2024년 10월 미국 소비자 303명에게 조사한 결과, 68%가 동적 가격을 쓰는 브랜드에 이용당한다고 느꼈다.

80%는 가격이 일정한 브랜드를 더 믿는다고 답했다. 42%는 가격이 일정하다는 보장이 있으면 돈을 더 낼 수 있다고 답했다.

국내 조사에서도 할인 표시를 조심해야 할 이유가 확인됐다. 공정거래위원회와 한국소비자원이 2026년 1월 5일부터 3월 13일까지 4개 쇼핑몰의 상품 1,335개를 조사한 결과, 12.8%에서 정가를 올려 할인율을 부풀린 사례가 확인됐다.

시간제한 할인 상품 535개 가운데 20.2%는 행사가 끝난 뒤에도 가격이 같거나 더 내려갔다. 할인율을 AI에게 맡기더라도 고객이 가격을 어떻게 받아들이는지는 따로 관리해야 한다.

| 조사 | 대상 | 숫자 |
|---|---|---|
| 가트너(2024.10) | 미국 소비자 303명 | 이용당한다는 느낌 68% · 일정한 가격이 더 믿음직 80% · 일정하면 더 낼 의향 42% |
| 가트너(2024.9~10) | 미국 응답자 1,532명 | 지난 1년 예상 못 한 가격을 겪음 79% |
| 공정위·소비자원(2026.1~3) | 4개 쇼핑몰 상품 1,335개 | 정가 부풀리기 12.8% · 시간제한 할인 뒤 같거나 더 쌈 20.2% |
| 같은 조사, 쇼핑몰별 정가 부풀리기 | 쿠팡·네이버·G마켓·11번가 | 23.0% · 13.0% · 9.0% · 6.0% |

## 작은 쇼핑몰은 무엇부터 따라 하면 될까?

작은 쇼핑몰에는 타오바오처럼 수백만 건의 기록이나 약 20만 개 상품이 없다. 그래서 처음부터 큰 AI 모델을 만드는 것보다 가격을 바꿀 수 있는 범위와 성과를 판단하는 기준을 먼저 정하는 편이 현실적이다.

하루 할인율 변경 한도와 최저가를 문서로 적어 두는 방식부터 시작할 수 있다. AI가 그 범위를 넘는 가격을 제시하면 사용하지 않는 규칙을 만드는 것이다.

성과도 하루 매출만 보면 안 된다. 14일 매출과 마진을 함께 기록하면 할인으로 판매량만 늘어난 것인지, 실제로 남는 장사가 된 것인지 구분할 수 있다.

잘 팔린 상품의 할인 이력을 따로 남겨 두는 것도 방법이다. AI에게 과거의 좋은 가격 결정 사례를 보여주고, 할인 이유까지 날짜별로 저장하면 나중에 가격이 왜 바뀌었는지 다시 확인할 수 있다.

| 논문의 장치 | 작은 쇼핑몰 판(예상) | 이유 |
|---|---|---|
| 하루 변경 ±20%, 할인 하한 50% | 상품군별 하루 변경 한도와 최저가를 문서 한 장에 적는다 | AI 답이 이 범위를 넘으면 쓰지 않는다 |
| 14일 매출+투자수익 동시 목표 | 할인 성과를 하루 매출이 아니라 14일 매출과 마진으로 본다 | 사례에서 AI는 오히려 8~14%포인트 덜 깎았다 |
| 상위 30% 상품 기록을 본보기로 | 잘 팔린 상품의 할인 이력을 표로 남긴다 | 그대로 쓴 AI는 기존 모델보다 낮았다(67.07~69.22%) |
| 이유 글 저장·4기준 검사 | AI가 낸 할인 이유를 날짜별로 저장한다 | 나중에 정가 부풀리기 의심을 받으면 설명 자료가 된다 |
| 개인 정보 빼고 결정 | 고객별 가격을 매기지 않는다 | 68%가 동적 가격에 이용당한다고 느낀다 |

가격을 자주 바꾼다면 홈페이지에 현재 가격과 행사 기간도 정확하게 적어야 한다. AI 검색이 페이지를 다시 읽기 전에는 이전 가격이 답에 남을 수 있기 때문이다.

결국 작은 쇼핑몰이 따라 할 핵심은 「AI에게 가격을 전부 맡긴다」가 아니다. 가격 변경의 범위를 정하고, 14일처럼 정한 기간의 매출과 마진을 확인하고, AI가 왜 그 가격을 골랐는지 기록하는 것부터 시작하는 편이 낫다.

이 연구도 타오바오의 신상품 전용 매장에서 진행됐고, 연구진 전원이 알리바바 소속이다. 사람의 손으로 정한 가격과 직접 비교한 결과도 아니며 14일 이후의 결과도 없다. 따라서 이 숫자를 작은 쇼핑몰의 예상 매출로 받아들이면 안 된다.

요점 ① 타오바오는 약 20만 개 신상품의 할인율을 AI로 정해 14일 누적 매출을 13.21%, 투자수익을 7.59% 높였다. ② AI를 그대로 쓴 경우 전문가 일치율은 67.07~69.22%로 기존 모델의 71.08%보다 낮았고, 최종 모델은 82.51%였다. ③ 사례 상품에서 AI는 기존 모델보다 할인 폭을 8~14%포인트 줄였고, 하루 할인율 변경 한도는 ±20%였다. ④ 미국 소비자의 68%가 동적 가격에 이용당한다고 느꼈고, 국내 조사에서는 상품의 12.8%가 정가 부풀리기로 지적됐다.

## 같이 읽을 글

 

- AI에게 가격을 맡겨도 가게끼리 가격이 비슷해질까?

- AI가 정한 가격, 설명만 보면 괜찮을까?

- 가격을 바꿨는데 왜 AI에는 예전 가격이 나올까?

- 같은 상품인데 가격이 다르면 고객은 덜 살까?
 

## 자료 출처

 

- AIGP: An LLM-Based Framework for Long-Term Value Alignment in E-Commerce Pricing(알리바바 타오바오·티몰 그룹·arXiv 2606.26787·2026년 6월, KDD 2026)

- 같은 논문 HTML판 — 온라인 A/B 표·오프라인 비교표·부록 B.2 규칙·사례(타오 팩토리 하루 약 20만 개 상품, 60일 넘게 실험)

- Gartner Marketing Survey Finds 68 Percent of Consumers Report They Feel Taken Advantage of When Brands Use Dynamic Pricing(가트너·2024년 12월·미국 소비자 303명, 별도 1,532명)

- 「84% 할인이라더니」…공정위, 온라인 쇼핑몰 가격 꼼수 제동(디지털데일리·2026년 5월·4개 쇼핑몰 상품 1,335개)

- 소비자단체 「대량구매가 더 저렴? 눈속임 가능성」 — 조사 기간 2026.1.5~3.13(이투데이·2026년 5월)

- FTC Surveillance Pricing Study research summaries(미국 연방거래위원회·2025년 1월·기업 6곳)

- FTC Surveillance Pricing Study Finds Personal Data Is Used to Set Individualized Consumer Prices(맥카터 앤 잉글리시 정리·2025년 1월·고객사 최대 250곳)