# AI가 우리 상품이 왜 덜 추천되는지도 알려줄까?

_원인을 숨긴 100번 시험에서 진단 적중은 39.0%였고, 실제 AI 시험은 제미나이 30번뿐이었다._

> 미국 조지아공대 연구에서 AI 답 속 판매처 점유율과 원인 진단 가능성을 시험했다. 진단 적중률은 39.0%였지만 실제 AI 시험은 제미나이 30번뿐이었다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/ai-shopping-share-root-cause-39-percent
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-10-14

고객이 챗GPT나 네이버 쇼핑 AI에게 상품을 추천받는 시대가 오고 있다. 이때 우리 상품이 경쟁 상품보다 얼마나 자주 나오는지 재는 것은 가능하다. 다만 왜 덜 나오는지 자동으로 알려 주는 진단은 아직 후보를 찾는 수준이다.

미국 조지아공대 연구자가 만든 시제품은 AI 답변 속 판매처 노출 점유율을 계산했다. 원인을 숨긴 시험에서는 39.0%를 맞혔고, 무작위 선택보다 5.5배 높았다. 하지만 주 분석은 실제 AI 답변이 아니라 모의 응답으로 진행됐다는 점을 함께 봐야 한다.

AI 답 속 순위는 볼 수 있지만, 원인 진단은 검증하면서 써야 한다.

## 우리 상품이 AI 답에 얼마나 나오는지는 어떻게 잴까?

AI 쇼핑 답변에서 중요한 것은 고객 질문에 우리 상품이 등장하는지다. 연구 시제품은 고객이 물을 법한 질문을 만들고, 같은 질문을 여러 AI에 반복해서 던지는 방식으로 점유율을 계산했다.

질문은 일반적인 질문, 기능을 묻는 질문, 쓰임새를 묻는 질문으로 나눴다. 경쟁 판매처와 상품을 정한 뒤 AI 답변에 나온 상품 이름과 판매처, 노출 순서를 기록했다.

앞에 나온 상품일수록 더 높은 점수를 줬다. 같은 답변에서 같은 상품이 여러 번 나와도 가장 앞 순서만 계산했다. 상품 이름 없이 설명만 하는 답변은 따로 구분했다.

| 설계 | 내용 |
|---|---|
| 카테고리당 질문 | 50~100개(일반·기능·쓰임새 3갈래) |
| 경쟁 판매처 / 상품 | 5~8곳 / 50~100개 |
| 대상 AI | 챗GPT·퍼플렉시티·구글 AI 개요·제미나이(설계상 4곳) |
| 같은 질문 반복 | 3번 |
| 순서별 무게 | 1위 1, 2위 약 0.63, 3위 0.5 |
| 측정 주기 | 매주 |
| 원인 후보 신호 | 가격·상품 정보·후기·구색·배송 등 14가지 |

이 방식은 동네 가게도 일부 따라 해 볼 수 있다. 고객이 실제로 검색할 만한 질문을 정하고, 같은 질문을 반복해서 물어보면 우리 상품이 얼마나 추천되는지 흐름을 볼 수 있다.

## 실제 AI에게 물어본 결과일까?

여기서 가장 주의할 부분이 있다. 연구의 중심 분석은 실제 AI에게 질문한 결과가 아니었다. 연구자가 만든 모의 응답과 합성한 상품 신호 자료를 이용해 시험했다.

시험 설계는 러닝화 카테고리였다. 상품 23개와 판매처 7곳, 질문 34개를 대상으로 했고, AI 세 곳에 세 번씩 물었다고 가정해 306개의 응답과 1,524건의 상품 언급을 분석했다.

실제 AI에 붙인 시험은 따로 있었다. 구글 제미나이 2.5 플래시에 일반 질문 10개를 세 번씩 물었고, 총 30개 응답을 확인했다.

| 시험 | 숫자 |
|---|---|
| 주 분석(모의 응답) | 상품 23개·판매처 7곳·질문 34개·AI 3곳×3번 |
| 주 분석 응답 / 상품 언급 | 306개 / 1,524건 |
| 실제 AI 시험 | 제미나이 질문 10개×3번 = 30번(약 59초) |
| 실제 시험에서 상품을 뽑아낸 응답 | 21개 / 30개(70.0%) |
| 판매처 1위 몫 | 모의 27.1%, 실제 제미나이 39.2%(종합몰) |

실제 시험에서는 30개 응답 중 21개에서만 상품과 브랜드를 뽑아낼 수 있었다. 나머지 9개는 특정 상품 대신 제품군이나 방향성만 답했다.

판매처 순위도 달랐다. 모의 응답에서는 1위 판매처 몫이 27.1%였지만, 실제 제미나이 시험에서는 종합몰이 39.2%로 더 높게 나왔다.

## AI가 「왜 덜 나오는지」 알려 주는 건 믿어도 될까?

연구에서는 상품이 덜 노출되는 원인을 찾는 진단 에이전트도 시험했다. 방법은 일부러 하나의 신호를 약하게 만든 뒤, AI가 그 신호를 원인으로 찾아내는지 보는 방식이었다.

100번의 제거 실험에서 진단 에이전트가 1순위로 원인을 맞힌 비율은 39.0%였다. 무작위로 고르는 경우의 기대값 7.1%보다 높았다.

하지만 이것은 「이 부분을 고치면 반드시 AI 추천이 늘어난다」는 뜻은 아니다. 숨긴 신호를 찾아내는 능력을 본 시험이다.

| 제거 실험 100번 | 결과 |
|---|---|
| 1순위 추천이 숨긴 신호를 맞힌 비율 | 39.0%(39번) |
| 95% 구간 | 30.0~48.8% |
| 숨긴 신호가 상관 상위 5개 안일 때 | 59.1% |
| 숨긴 신호가 상관 상위 3개 안일 때 | 63.9%(61번 중 39번) |
| 무작위로 고를 때 기대값 | 7.1% |
| 늘 가장 상관 높은 신호만 고를 때 | 약 7% |
| 무작위 대비 | 5.5배(상위 3개 조건은 약 9배) |

연구 결과는 원인 진단을 참고 자료로 보는 것이 맞다는 점을 보여 준다. AI가 알려 준 원인을 바로 수정하기보다 실제 노출 변화를 다시 확인해야 한다.

## 어떤 정보가 AI 추천과 관련이 있었을까?

모든 상품 정보가 같은 영향을 보인 것은 아니다. 시험에서는 상품 문의·답변(Q&A) 유무가 노출과 가장 관련이 높은 신호로 나왔다.

상품 문의·답변이 있는지 숨겼을 때는 진단 에이전트가 100% 찾아냈다. 반면 후기 최신성이나 제목 키워드 점수는 찾은 비율이 0%였다.

| 숨긴 신호 | 찾은 비율 |
|---|---|
| 상품 문의·답변(Q&A) 유무 | 100% |
| 후기 수 | 75% |
| 구매 인증 후기 비율 | 50% |
| 후기 최신성 | 0% |
| 제목 키워드 점수 | 0% |

예시로 연구에서는 아디다스 상품의 기능 질문 묶음 노출을 살폈다. 아디다스 점유율은 7.24%로 비교 판매처 평균 14.29%보다 낮았다.

진단 에이전트는 상품 문의·답변을 늘리는 일을 1순위로 제안했다. 아디다스 상품의 문의·답변 값은 0이었고 다른 판매처 평균은 0.359였다.

다만 이 결과도 바로 효과가 확인된 것은 아니다. 문의·답변을 늘렸을 때 실제 AI 추천이 얼마나 바뀌는지는 추가 확인이 필요하다.

## 작은 가게는 무엇부터 확인하면 될까?

이 연구의 시제품은 아직 사장님이 바로 사용할 수 있는 완성된 도구는 아니다. 하지만 AI 추천을 확인하는 기준은 만들 수 있다.

먼저 고객이 물을 만한 질문을 정한다. 그리고 같은 질문을 여러 번 물어 우리 상품이 몇 번째에 나오는지 기록한다. 상품 이름으로 나오는지, 다른 판매처 이름으로 소개되는지도 나눠 봐야 한다.

| 할 일 | 근거 숫자 |
|---|---|
| 같은 질문을 3번 이상 묻고, 우리 상품이 몇 번째로 나왔는지까지 적는다 | 시제품도 질문마다 3번 반복, 순서에 무게(1위 1, 3위 0.5) |
| 상품 이름 없이 둘러댄 답도 따로 센다 | 실제 제미나이 응답 30개 중 9개가 특정 상품을 들지 않음 |
| 우리 이름으로 나왔는지, 종합몰 이름으로 나왔는지 나눠 기록한다 | 실제 시험 1위는 종합몰(39.2%), 모의 응답(27.1%)과 달랐음 |
| 측정 도구의 「원인」 진단은 후보 목록으로 받고 사람이 고른다 | 원인 찾기 39.0%(30.0~48.8%) |
| 상품 문의·답변을 상품 페이지에 공개하는 일부터 시험해 본다 | 노출과 연관이 가장 큰 신호(+0.40), 단 모의 자료의 상관이라 효과는 확인 전 |
| 고친 상품과 안 고친 상품을 4주 동안 나란히 잰다 | 연구자가 제안한 검증 설계(4주·비교군), 아직 실행 전 |

상품 페이지 정보도 점검할 필요가 있다. 가격, 재고, 후기, 배송 정보처럼 고객이 판단하는 정보가 잘 정리돼 있는지 확인하는 것이다.

다만 「AI 진단 결과가 이렇게 나왔으니 이것만 고치면 된다」라고 받아들이면 안 된다. 연구자도 이 결과를 시제품과 가능성 확인 연구라고 설명했다.

## 앞으로 AI 추천 관리는 어떻게 봐야 할까?

AI 쇼핑 창구가 커질수록 상품이 어디에 노출되는지 확인하는 일은 중요해질 가능성이 있다. 하지만 측정 도구가 나오더라도 진단 결과를 검증하는 과정이 필요하다.

믿을 만한 진단인지 보려면 몇 가지를 확인하면 된다. 실제 AI 답변으로 측정했는지, 질문을 몇 번 반복했는지, 수정 뒤 실제 변화가 있었는지를 봐야 한다.

이번 연구도 미국 러닝화 시장을 대상으로 한 시험이었다. 네이버 쇼핑 AI 같은 국내 창구에 그대로 적용된다고 볼 수는 없다.

앞으로 이런 도구가 나온다면 작은 가게도 AI 답변 속 노출을 확인할 수 있을 가능성이 있다. 다만 진단은 출발점으로 보고, 실제 고객 유입 변화와 함께 판단하는 것이 필요하다.

① AI 답 속 판매처 노출 점유율은 측정 가능하지만 원인 진단 적중률은 39.0%였다. ② 원인 숨김 100번 시험에서 무작위 기대값 7.1%보다 5.5배 높았지만 실제 효과 증명은 아니다. ③ 실제 제미나이 시험은 30번이었고 21개 응답(70.0%)에서만 상품을 뽑아냈다. ④ 상품 문의·답변 신호는 노출과 상관 +0.40이었지만 고친 뒤 4주 비교 검증이 필요하다.

## 같이 읽을 글

 

- 우리 가게가 AI에 나오는지 확인하려면 한 달에 얼마가 들까?

- 응답 점유율이 곧 시장 점유율일까

- 경쟁 가게보다 AI에 더 많이 인용됐다는 말을 믿어도 될까?

- 경쟁사는 나오는데 우리 회사는 왜 안 나올까?
 

## 자료 출처

 

- Agentic Share-of-Search: A Multi-Agent AI System for Competitive Decision-Making in LLM-Mediated E-Commerce(미국 조지아공대·arXiv 2609.11190·2026년 9월 제출, 러닝화 상품 23개·판매처 7곳·질문 34개, 제거 실험 100번, 제미나이 실측 30번)

- 같은 논문 PDF 본문(방법 1~5단계, 실증 결과, 한계, 향후 실험 설계 절. HTML판은 없음)

- 네이버 쇼핑 'AI 에이전트' 정식 출시…대화하며 구매까지 제안(연합뉴스·2026년 7월 1일, 일간 사용자 50% 이상 증가·거래액 2.7배 이상)

- 네이버, 쇼핑앱 AI 에이전트 배송 특화 기능 고도화(뉴스핌·2026년 9월 17일, 6월 대비 대화 약 60%·거래액 82% 증가)

- 제품(Product) 구조화된 데이터(구글 검색 센터 공식 문서, 가격·재고·리뷰 평점·배송 정보)