AI는 우리 가게 후기를 골고루 읽을까?

AI가 가게 후기를 요약할 때 가장 먼저 빠질 수 있는 것은 나쁜 후기가 아니라 적은 의견이다. 실제로 약 3만 5천 건의 글과 156개 질문을 시험한 연구에서 질문과 비슷한 글만 고르자 다수 의견이 실제보다 크게 보였다. 반대로 의견 비율을 맞추는 단계를 넣자 호텔 후기의 오차가 80% 줄었고, 다시 찾는 단계까지 더하면 89% 줄었다.

AI는 우리 가게 후기를 어떻게 고를까?

고객이 AI에게 「이 가게 어때?」라고 물으면 AI가 모든 후기를 한꺼번에 읽는 것은 아니다. 먼저 질문과 비슷한 글을 모은 뒤 그중 일부를 골라 답을 만든다. 이런 방식으로 필요한 글을 찾아 답에 사용하는 구조를 RAG라고 부른다.

문제는 비슷한 글을 먼저 고르는 과정에서 생긴다. 「맛있다」는 후기가 많다면 「이 가게 어때?」라는 질문과 비슷한 글로 여러 개가 선택되기 쉽다. 그러면 실제로는 소수인 의견이 답에서 빠질 수 있다.

연구진은 후기 약 3만 5천 건, 대상 26곳, 질문 156개를 사용했다. 질문은 전반적인 평가뿐 아니라 장점·단점과 고객층별 평가까지 나눴고, 처음에는 약 200개의 글을 모아 정리했다.

그럼 불만 후기가 먼저 빠지는 걸까?

꼭 그렇지는 않다. 연구에서 중요한 기준은 의견의 좋고 나쁨이 아니라 그 의견이 전체에서 얼마나 많은가였다.

대부분의 고객이 만족하는 가게라면 불만 후기가 소수이기 때문에 빠질 수 있다. 반대로 불만이 많은 가게라면 칭찬하는 소수 의견이 빠질 수 있다. 따라서 「AI가 나쁜 후기를 지운다」고 단순하게 볼 수는 없다.

예를 들어 전체 고객 중 60%가 만족하고 40%가 소음을 불평한다고 해도, 비슷한 표현을 한 후기부터 고르면 만족 의견이 더 많이 선택될 수 있다. 답에 들어간 문장 하나하나는 실제 후기에서 가져온 말이어도, 고객은 실제 의견 비율을 알지 못할 수 있다.

실제 비율과 얼마나 달라질까?

연구진은 AI가 고른 후기 묶음의 의견 비율이 전체 후기의 의견 비율과 얼마나 다른지를 계산했다. 점수가 낮을수록 실제 비율에 가깝다.

보통 방식으로 고른 경우 옐프 호텔 후기는 13.60, 자동차 후기는 13.33, 아마존 판매자 포럼은 10.33이었다. 비슷한 글만 고르는 과정에서 의견의 균형이 실제와 달라진 것이다.

연구진은 빠진 의견을 다시 찾고, 최종 후기 묶음의 의견 비율이 전체 비율과 가까워지도록 고르는 단계를 넣었다. 옐프 호텔은 13.60에서 2.76으로 낮아졌고, 다시 찾는 단계까지 더하면 1.52가 됐다.

골고루 고르면 문제가 해결될까?

서로 다른 글을 고르는 방법만으로는 충분하지 않았다. 연구진은 MMR처럼 글의 차이를 크게 만드는 방법도 시험했지만, 옐프 호텔에서 거리는 8.67까지 줄어드는 데 그쳤다.

이유는 단순하다. 서로 다른 글을 골라도 실제 의견 비율과 맞는다는 보장은 없기 때문이다. 연구진은 「서로 다른 글을 고르는 것」과 「실제 의견 비율대로 고르는 것」이 다르다고 설명했다.

또 의견을 5~7개 칸으로 나눠 각 칸에서 하나씩 고르는 방식도 시험했다. 이 방법은 각 의견을 빠짐없이 보여 줄 수 있지만, 칸마다 하나씩 채우고 나면 실제 비율을 반영할 기준이 부족하다.

극단적인 불만은 어떻게 다뤄야 할까?

의견에는 순서도 있다. 「아주 좋음」과 「아주 나쁨」은 서로 반대편에 있기 때문에, 둘을 뒤바꾸는 실수는 「좋음」과 「보통」을 바꾸는 것보다 큰 문제로 볼 수 있다.

연구진은 이런 차이를 반영하는 계산법을 사용했다. 양 끝의 의견을 잘못 분류하는 실수를 바로 옆 의견으로 잘못 분류하는 실수보다 6배 무겁게 계산했다.

옐프 호텔에서는 계산법만 바꿔도 오차가 8.7% 더 줄었고, 자동차 후기에서는 9.7% 더 줄었다. 소수 의견을 다룰 때도 단순히 「한 번 언급했는가」만 보는 것과 의견의 정도까지 보는 것은 다르다는 뜻이다.

이렇게 고른 후기로 답하면 실제 답도 달라질까?

연구진은 고른 후기들로 답을 만든 뒤, 보통 방식으로 만든 답과 비교했다. 서로 다른 회사의 AI 모델 5개가 답을 평가했고, 3개 이상이 고른 쪽을 승자로 계산했다.

비율을 맞춘 방식은 156번 비교에서 51번 이기고 8번 졌다. 무승부는 97번이었다. 승부가 난 비교만 보면 86%를 이겼다.

다만 「모든 관점을 한 번씩 언급했는가」로 보면 비율을 맞춘 방식과 골고루 고르는 방식의 차이가 크지 않았다. 반면 「각 의견이 얼마나 흔한지 제대로 전했는가」로 평가하면 비율을 맞추는 방식이 8%p 앞섰다.

즉, 불만을 한 줄 넣는 것과 그 불만이 고객 사이에서 얼마나 흔한지를 제대로 알려 주는 것은 다른 문제다.

고객은 AI 후기 요약을 얼마나 믿을까?

미국 브라이트로컬의 2026년 3월 조사에서는 성인 1,002명 가운데 동네 가게를 고를 때 AI 추천을 써 본 사람이 2025년 6%에서 45%로 늘었다. AI 후기 요약이 정확하다고 믿는 비율은 전체 50%, AI를 적극적으로 쓰는 사람 가운데는 71%였다.

요약만 보고 결정한다는 사람도 23%였다. 이 고객에게는 AI가 요약 과정에서 빠뜨린 의견이 처음부터 보이지 않는 것과 같다.

국내에서는 네이버가 2025년 6월 식당·카페의 최신 후기를 AI가 요약하는 플레이스 AI 브리핑을 넣었다. 네이버는 이후 체류 시간 10.4%, 클릭률 27.4%, 예약·주문 건수 8%가 늘었다고 밝혔다.

우리 가게 후기는 무엇이 남고 무엇이 빠질까?

가장 먼저 남기 쉬운 것은 고객 수가 많고 질문과 표현이 비슷한 의견이다. 반대로 주차, 대기 시간, 소음처럼 일부 고객만 이야기하거나 질문과 다른 표현을 쓰는 의견은 빠질 가능성이 있다.

반대 상황도 있다. 불만이 많은 가게라면 「최근에는 나아졌다」는 소수 의견이 빠질 수 있다. 따라서 후기 요약에서 특정 의견이 빠졌다고 해서 그 의견이 부정적인 의견이기 때문이라고 단정할 수는 없다.

사장님이 직접 확인하려면 질문을 나눠 보면 된다. 「OO 어때?」로 전체 평가를 보고, 「OO 단점은?」으로 불만을 확인하고, 「아이 동반으로 OO 어때?」처럼 특정 고객층의 평가를 따로 본다. 세 질문의 답에서 어떤 의견이 반복되고 어떤 의견이 사라지는지 비교하면 된다.

이 연구 결과를 그대로 믿어도 될까?

한계는 있다. 이 연구는 실제 고객의 신뢰나 구매 행동을 시험한 것이 아니라 오프라인에서 후기와 질문을 놓고 비교한 실험이다. 따라서 비율을 맞춘 요약이 실제 매출이나 선택에 어떤 영향을 주는지는 이 연구만으로 알 수 없다.

또 후기 자체가 고객 전체의 의견을 그대로 보여 주는 것도 아니다. 아주 만족했거나 크게 실망한 고객이 후기를 더 많이 남길 수 있기 때문이다. 연구진도 편향된 표본의 비율을 그대로 맞추면 잘못된 권위를 줄 수 있다고 적었다.

의견이 「좋다~나쁘다」 하나의 축으로만 정리됐다는 한계도 있다. 「가격은 좋은데 응대는 나쁘다」처럼 여러 측면이 섞인 후기는 충분히 다루지 못했다.

그럼에도 검증은 추가로 진행됐다. 옐프 후기 13,533건을 고객 별점과 대조했을 때 AI가 붙인 의견과 별점이 같은 방향으로 맞은 비율은 81.3%였다. 별점을 기준으로 다시 계산해도 개선 효과는 최소 47.4% 남았다.

현재 실제 챗GPT, 네이버 AI 브리핑, 구글 AI 모드가 이 연구와 같은 방법을 쓰는지는 공개된 바 없다. 따라서 이 연구 결과를 특정 서비스에 그대로 적용할 수는 없다.

다만 사장님 입장에서 확인할 포인트는 분명하다. AI가 우리 가게를 소개할 때 좋은 후기인지 나쁜 후기인지보다, 어떤 의견이 얼마나 많은지 제대로 반영하는지를 봐야 한다.

같이 읽을 글

• AI는 고객 후기를 전부 읽을까?
• AI는 고객 후기를 어디까지 제대로 읽을까?
• 같은 글을 여러 곳에 올리면 AI가 더 믿을까?
• AI는 글이 적은 동네 정보를 어떻게 답할까?

자료 출처

• WARP: Wasserstein-Aligned RAG for Population Opinions(아마존 연구진·arXiv 2608.22859·2026년 8월 제출, 9월 v2·후기 3만 5천 건, 질문 156개, 대상 26곳)
• Half of consumers are asking AI for business recommendations(브라이트로컬·Local Consumer Review Survey 2026·2026년 3월·미국 성인 1,002명, AI 이용자 455명)
• 네이버의 '맛집 정보' AI 리뷰 요약으로 이용자 몰린다(MBC 뉴스·2025년 8월·플레이스 AI 브리핑 도입 효과)
• 네이버 플레이스 방문 만족도, 숫자로 표현 가능해진다…리뷰 서비스 순차 개편(뉴스핌·2026년 3월)
• 네이버, 7월부터 플레이스 리뷰 평균 별점 공개…어뷰징 방지 정책도 강화(네이버 보도자료·2026년 6월)
• Here's how Amazon's AI-generated review highlights help you make better shopping decisions(아마존·2023년 8월·고객 의견 요약 도입)
• Amazon tests AI-generated review highlights with U.S. mobile shoppers(서치엔진랜드·2023년 8월)