우리 가게 상품도 AI 추천에 다시 들어갈 수 있을까?

고객이 쇼핑몰의 추천 칸만 보는 것이 아니라 자기 AI 비서에게 다시 골라 달라고 하면, 처음 추천받지 못한 상품도 후보에 들어올 가능성이 생긴다. 한 실험에서는 고객 쪽 AI가 추천 페이지를 8번 더 따라가자 싼 상품과 비싼 상품이 섞인 추천이 16%에서 64%로 늘었다. 다만 이 결과가 작은 가게 상품이 바로 더 팔린다는 뜻은 아니다.

쇼핑몰 추천 칸 밖의 상품도 다시 찾을 수 있을까?

지금까지는 쇼핑몰이 어떤 상품을 추천하느냐가 고객의 선택에 큰 영향을 줬다. 일본 국립정보학연구소 연구진이 인용한 자료를 보면 아마존 매출의 35%, 넷플릭스 시청 시간의 80%, 인스타그램 콘텐츠의 50% 이상이 추천을 거친다.

문제는 추천 칸이 고객이 원하는 조건을 넓게 찾는 방식으로 만들어진 것은 아니라는 점이다. 싼 상품을 보고 있으면 싼 상품을 계속 보여 주고, 비싼 상품을 보고 있으면 비슷한 가격대의 상품을 계속 보여 주는 식이다.

이번 연구에서 만든 고객 쪽 AI는 이 흐름을 한 번 더 따라간다. 고객이 보고 있는 상품의 추천 목록을 가져온 뒤, 그중 어떤 상품 페이지를 더 열어 보면 원하는 조건에 맞는 후보가 늘어날지 판단한다.

그 페이지의 추천 목록을 다시 가져오고, 또 다른 페이지를 여는 과정을 반복한다. 쇼핑몰의 내부 데이터나 다른 고객의 기록은 사용하지 않고 누구나 볼 수 있는 추천 칸만 이용한다.

작은 가게 상품은 어떻게 다시 발견될까?

처음 추천 목록에 싼 상품만 있다면 AI는 다른 가격대의 상품을 찾을 수 있는 페이지를 더 열어 본다. 영화라면 액션 영화에 치우친 후보를 보고 다른 장르의 영화 페이지를 찾아 추천을 더 모으는 식이다.

이렇게 모은 상품은 처음 상품에서 몇 단계 안에 연결돼 있다. 그래서 처음 고객이 보고 있던 상품과 전혀 관계없는 후보를 무작정 찾는 방식은 아니다.

이 차이가 중요하다. 고객 쪽 AI는 쇼핑몰 추천을 버리는 것이 아니라, 그 추천을 출발점으로 더 넓게 후보를 모은다.

추천 페이지를 더 여는 횟수도 결과에 영향을 줬다. 연구에서는 8번 더 열어 후보를 모으는 조건을 사용했고, 영화에서는 횟수를 1번으로 줄여도 쇼핑몰식 추천보다 크게 나았으며 16번까지 늘리면 대체로 더 좋아졌다.

어떤 상품 정보가 있어야 AI가 제대로 고를까?

이번 실험은 영화·음악·쇼핑 세 분야에서 진행됐다. 고객 100명씩을 무작위로 뽑았고, AI는 GPT-5.6 루나를 사용했다.

쇼핑에서는 아마존 주방·생활용품 2만 3,927개를 대상으로 했다. 고객이 원한 것은 19.99달러 미만 상품 5개와 이상 상품 5개가 섞인 추천이었다.

그런데 AI는 상품 이름만 보고 가격대를 짐작해야 했다. 이 조건에서는 후보를 계속 늘려도 성공률이 약 60%에서 더 오르지 않았다.

이 결과는 작은 가게 상품에도 한 가지 조건이 필요하다는 점을 보여 준다. 상품 이름과 설명만 읽어도 가격대나 용도를 어느 정도 파악할 수 있어야 한다는 점이다.

실제 결과는 얼마나 달라졌을까?

쇼핑에서는 차이가 분명했다. 쇼핑몰식 추천은 싼 상품과 비싼 상품을 5개씩 섞은 목록이 나오는 비율이 16%였고, 순서만 바꾸는 AI도 16%에 머물렀다.

반면 추천을 따라가는 고객 쪽 AI는 64%까지 높아졌다. 처음 추천 칸에서 한쪽 가격대에 치우친 후보를 받더라도, 다른 상품의 추천을 따라가면서 조건에 맞는 후보를 더 모았기 때문이다.

영화에서도 비슷한 차이가 나타났다. 옛 영화와 새 영화를 5편씩 섞는 조건은 쇼핑몰식 추천과 순서만 바꾸는 AI에서는 0%였지만, 추천을 따라가는 고객 쪽 AI에서는 68%였다.

장르의 다양성도 늘었다. 영화 10편의 장르 수는 5.51개에서 8.94개로, 음악은 2.50개에서 4.34개로 늘었다.

다만 이 실험을 실제 쇼핑몰의 판매 결과와 같은 것으로 보면 안 된다. 실험 속 쇼핑몰 추천은 연구진이 구매 기록을 이용해 흉내 내 만든 것이고, 실제 아마존이나 쿠팡 화면에서 진행한 실험은 아니다.

그럼 우리 가게는 무엇을 준비해야 할까?

아래는 실험 결과에서 끌어낸 예상이다. 첫째는 상품 정보를 AI가 읽기 쉽게 만드는 일이다. 상품 이름과 설명에 가격대와 용도가 드러나지 않으면, 고객 쪽 AI가 여러 상품을 비교할 때 판단하기 어려워진다.

둘째는 다른 상품의 추천과 연결될 수 있어야 한다는 점이다. 이 방식의 AI는 추천 페이지를 따라가며 후보를 모으기 때문에, 처음부터 추천망에 전혀 연결되지 않은 상품을 찾아내는 방식은 아니다.

셋째는 추천 순서만 바꾸는 것으로는 충분하지 않다는 점이다. 이번 실험에서 순서만 바꾸는 AI는 쇼핑몰 추천과 같은 16%에 머물렀다.

한국의 입점 업체가 플랫폼에 내는 비용 문제도 함께 볼 필요가 있다. 중소기업중앙회 2026년 조사에서는 입점 업체가 매출의 21.7%를 플랫폼 거래 비용으로 냈다.

고객이 자기 AI를 이용해 상품을 다시 고르는 일이 늘어난다면, 플랫폼의 첫 추천 칸에 들어가는 것만큼 상품 정보가 AI에게 제대로 읽히는지도 중요해질 수 있다. 다만 현재 자료만으로 고객 쪽 AI가 실제로 얼마나 널리 쓰일지는 알 수 없다.

맥킨지는 AI가 대신 사 주는 에이전틱 커머스가 2030년 세계에서 3조~5조 달러 매출을 만들 수 있다고 내다봤다. 이 전망과 이번 실험은 서로 다른 자료이므로, 작은 가게의 실제 매출이 얼마나 달라질지는 아직 확인해야 한다.

결국 핵심은 추천 칸을 없애는 것이 아니다. 고객이 자기 AI를 이용해 추천의 추천을 따라가면서 더 넓은 후보를 찾을 수 있다는 변화에 대비하는 것이다.

같이 읽을 글

• 광고비를 낸 숙소가 AI 추천에서도 유리할까?
• 장보는 AI가 쇼핑몰에 오면 무슨 일이 생길까?
• 매출의 21.7%를 플랫폼에 내는 가게, AI 시대엔 무엇이 달라지나

자료 출처

• AgentRecommender: LLM Agents Enable Customizable Recommender Systems on the User Side(Ryoma Sato, 일본 국립정보학연구소·2026년 9월 arXiv 제출·영화 3,883편·음악 1,052명·아마존 상품 2만 3,927개·고객 100명)
• 같은 연구 PDF 전문(표 1·그림 2 수록)
• Position: Recommender Systems Should Move Beyond Platform-Centric Ranking toward Personal Agent-Mediated Recommendation(Yuan 등·2026년 arXiv — 추천을 고객 쪽 AI로 옮기자는 주장)
• Overhead-free User-side Recommender Systems(Ryoma Sato·2024년 11월 arXiv — 앞선 고객 쪽 추천 연구)
• Meta now has an AI chatbot. Experts say get ready for more AI-powered social media(LA타임스, 2024.5.2 — 인스타그램 콘텐츠 50% 이상 추천)
• 「플랫폼 비용에 매출 21.7% 지출」(한국일보, 2026.9.15, 중소기업중앙회 온라인 플랫폼 입점사 거래 실태조사, 입점사 1,250곳)
• 맥킨지, 에이전틱 커머스 2030년 최대 5조 달러 전망(Digital Commerce 360, 2025.10.20)