# AI가 단골 가게만 계속 추천하게 되는 것 아닐까?

_방문 기록으로 다음 가게를 고르는 AI 실험에서 기록이 적은 가게는 애초에 후보에서 빠졌다_

> 뉴욕·도쿄·캘리포니아에서 다음 방문을 첫 답으로 맞힌 비율은 25.8~38.5%였다. 하지만 방문 기록 10건 미만인 가게와 고객은 처음부터 실험에서 제외됐다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/next-visit-ai-skips-shops-under-10-checkins
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-09-29

AI가 고객의 방문 기록을 보고 다음에 갈 곳을 추천하는 연구에서, 기록이 많이 쌓인 가게가 유리할 수 있다는 점이 확인됐다. 뉴욕에서는 다음 방문을 첫 답으로 38.5% 맞혔고, 후보 10개 안에 정답이 들어간 비율은 68.4%였다. 그런데 방문 기록이 10건 미만인 가게와 고객은 실험 데이터에서 처음부터 빠졌다.

이번 연구의 높은 적중률만 보기보다 어떤 가게가 AI의 후보에 들어갔는지를 함께 봐야 한다.

## AI는 고객의 다음 방문을 얼마나 맞혔나

중국 다롄이공대 등 연구진은 고객의 최근 방문 기록 50건을 AI에 보여 주고 다음에 갈 곳을 쓰게 했다. 사용한 AI는 라마 3.1 8B를 고쳐 만든 모델이며, 답을 내기 전에 고객의 반복 방문이나 방문 시간대 같은 이유를 먼저 적도록 훈련됐다.

연구 결과 첫 번째 답으로 다음 행선지를 맞힌 비율은 뉴욕 38.5%, 도쿄 32.4%, 캘리포니아 25.8%였다. 후보를 10개까지 넓히면 정답이 들어간 비율은 뉴욕 68.4%, 도쿄 60.5%, 캘리포니아 46.8%로 올라갔다.

| 데이터 | 뉴욕 | 도쿄 | 캘리포니아 |
|---|---|---|---|
| 출처 | 포스퀘어 | 포스퀘어 | 고왈라 |
| 기간 | 2012.4~2013.2 | 2012.4~2013.2 | 2009.2~2010.10 |
| 가게·장소 수 | 5,135곳 | 7,873곳 | 1만 4,027곳 |
| 업종 수 | 209개 | 190개 | 301개 |
| 고객 수 | 1,083명 | 2,293명 | 6,592명 |
| 1인당 평균 방문 기록 | 136건 | 195건 | 53건 |

| 적중률 | 뉴욕 | 도쿄 | 캘리포니아 |
|---|---|---|---|
| 첫 번째 답(이번 AI) | 38.5% | 32.4% | 25.8% |
| 후보 10개 안(이번 AI) | 68.4% | 60.5% | 46.8% |
| 첫 번째 답(오래된 방식 PRME) | 11.6% | 10.5% | 5.2% |
| 언어 AI 없는 최고 방식(ROTAN) 대비 상대 향상 | +23.86% | +31.77% | +17.47% |
| 이유 쓰기를 뺐을 때(상대 변화) | −4.5% | −4.2% | −4.07% |

이 결과만 보면 AI가 고객의 습관을 꽤 잘 잡아내는 것처럼 보인다. 실제로 기록이 촘촘한 뉴욕과 도쿄의 1인당 평균 방문 기록은 각각 136건과 195건이었고, 캘리포니아는 53건이었다.

## 그런데 기록이 적은 가게도 시험했나

여기서 사장님이 눈여겨볼 부분이 있다. 이 실험에서는 방문 기록이 10건 미만인 가게와 고객을 데이터에서 제외했다.

시험 기간에 처음 나타난 가게와 고객도 빠졌다. 따라서 AI가 다음 가게를 고를 때 사용할 수 있는 후보에는 이미 방문 기록이 10건 이상 쌓인 가게만 남았다.

| 거르기 단계 | 기준 |
|---|---|
| 가게 | 방문 기록 10건 미만이면 제외 |
| 고객 | 방문 기록 10건 미만이면 제외 |
| 시험 기간 새 가게·새 고객 | 훈련 데이터에 없으면 제외 |
| 훈련·검증·시험 나누기 | 80%·10%·10%(시간 순서) |

이 조건은 연구에서 흔히 쓰는 데이터 거르기 방식이다. 다만 이 연구의 결과를 보고 기록이 적은 가게까지 같은 조건에서 경쟁했다고 생각해서는 안 된다.

특히 새로 문을 연 가게처럼 방문 기록이 거의 없는 곳은 이 실험에서 AI의 선택 대상 자체가 될 수 없었다. 따라서 이번 연구만으로 새 가게가 실제 추천에서 얼마나 불리한지 수치로 말할 수는 없지만, 기록이 적은 가게가 시험 대상에서 빠졌다는 사실은 분명하다.

## 왜 단골 가게가 다시 뽑히기 쉬울까

연구진이 공개한 뉴욕 고객의 풀이를 보면 AI는 고객의 방문이 몇몇 장소에 몰려 있는 점과 평일 아침·오후에 반복되는 점을 이유로 들었다. 최근 연달아 방문한 곳도 습관이 굳어진 장소로 해석했다.

이런 방식에서는 반복해서 방문한 가게가 다음 방문 후보로 잡히기 쉽다. 고객이 자주 가는 가게일수록 AI가 활용할 수 있는 기록도 많아지기 때문이다.

이번 연구에서 이유를 쓰지 않고 훈련한 경우와 비교했을 때, 이유를 쓰도록 한 AI의 성능도 달라졌다. 이유 쓰기를 뺐을 때 상대 변화는 뉴욕 −4.5%, 도쿄 −4.2%, 캘리포니아 −4.07%였다.

## AI가 가게 업종도 제대로 알아봤나

연구진은 가게마다 붙인 번호를 보고 업종을 맞히는 시험도 했다. AI에게 보기 10개를 주고 해당 가게가 어느 업종인지 고르게 했다.

이번 AI의 정답률은 뉴욕 30.2%, 도쿄 26.7%, 캘리포니아 17.2%였다. 가장 높은 뉴욕에서도 열에 일곱은 업종을 틀렸다.

| 업종 맞히기(보기 10개) | 뉴욕 | 도쿄 | 캘리포니아 |
|---|---|---|---|
| 이번 AI | 30.2% | 26.7% | 17.2% |
| 기존 AI(GNPR) | 12.4% | 10.4% | 11.8% |

기존 AI보다 나아진 결과도 있었다. 하지만 업종을 맞히는 시험의 정답률 자체는 최고 30.2%였다는 점을 함께 봐야 한다.

## 이 연구가 동네 가게에 바로 적용되는 걸까

이번 실험은 앱 안에 쌓인 고객의 방문 기록을 이용해 다음 방문 장소를 추천하는 방식이다. 챗GPT처럼 인터넷에서 가게 정보를 읽고 답하는 AI와는 작동 방식이 다르다.

다만 두 경우 모두 기록이나 정보가 쌓여 있는 가게가 AI의 판단에 더 많이 활용될 수 있다는 점은 생각해볼 필요가 있다. 다른 조사에서도 AI 추천에 빠지는 가게가 적지 않은 결과가 나왔다.

업체 조사인 SOCi★의 2026년 분석에서는 35만 곳이 넘는 지점과 2,751개 브랜드를 살펴봤고, 챗GPT가 추천한 지점은 1.2%였다. 발리의 식당·카페·바 4,776곳을 조사한 결과에서는 85.6%가 한 번도 추천되지 않았다.

| 다른 조사 | 수치 |
|---|---|
| SOCi★ 2026: 챗GPT가 추천한 지점 비율 | 1.2%(35만 곳 넘게 분석) |
| 발리 4,776곳: AI가 한 번도 추천하지 않은 곳 | 85.6% |

이 수치들은 이번 방문 기록 연구와 같은 실험이 아니다. 따라서 새 가게가 AI 추천에서 얼마나 불리한지를 그대로 보여주는 수치로 볼 수는 없다.

## 새로 연 가게라면 무엇부터 챙겨야 할까

이번 연구만으로 새 가게가 AI 추천에서 불리하다고 단정할 수는 없다. 다만 방문 기록이 10건 미만인 가게가 실험에서 제외됐다는 점을 보면, 기록이 거의 없는 가게가 이런 방식의 추천 시스템에서 다뤄지기 어려운 구조는 확인할 수 있다.

가게 정보를 AI가 읽을 수 있도록 준비하는 일도 따로 생각할 필요가 있다. 지도 앱 등록을 빨리 끝내고, 재방문 고객이 생기는 메뉴와 요일, 시간대를 홈페이지와 지도 앱 소개에 분명하게 적어 두는 방법이 있다.

이 부분은 연구에서 직접 시험한 결과가 아니라 예상이다. 다만 AI가 고객의 과거 행동이나 가게 정보를 바탕으로 다음 선택지를 고르는 시대에는, 가게에 관한 기록과 정보가 어떤 형태로 쌓이는지도 사장님이 챙길 요소가 되고 있다.

① 다음 행선지 첫 답 적중률은 뉴욕 38.5%·도쿄 32.4%·캘리포니아 25.8%였다 ② 후보 10개 안에 정답이 든 비율은 뉴욕 68.4%까지 올랐다 ③ 방문 기록 10건 미만인 가게와 고객은 실험 데이터에서 처음부터 빠졌다 ④ 업종 맞히기 정답률은 최고 30.2%로, 열에 일곱은 틀렸다

## 같이 읽을 글

 

- AI가 추천한 가게, 정말 있는 가게일까?

- 고객은 이제 동네 가게를 AI에게 물어볼까?

- 식당은 홈페이지가 없는데 AI는 어떻게 추천할까?
 

## 자료 출처

 

- Think2Go: Generative Next POI Recommendation with LLM Reasoning(Zhuang·Feng·Qian 등 7인, 다롄이공대·우한대·싱가포르 A*STAR 등, KDD 2026, 2026년 7월 arXiv 제출, 뉴욕·도쿄·캘리포니아 방문 기록)

- Foursquare Dataset(Dingqi Yang, 뉴욕·도쿄 방문 기록 2012.4~2013.2)

- Gowalla 방문 기록 데이터(스탠퍼드 SNAP)

- AI Search Recommends Only 1.2% of Local Businesses, the Rest Are Invisible(National Law Review 게재 보도자료, 2026.3.10, SOCi 2026 Local Visibility Index·35만 곳·2,751개 브랜드)

- Invisible to the Machine: Auditing AI Restaurant, Cafe, and Bar Recommendation Against a Complete Market Census(Pitenin, 2026년 8월 arXiv, 발리 4,776곳)