# 상품 페이지에 무엇을 적어야 AI가 잘 읽을까?

_사진과 설명만 올리기보다 종류·항목·값을 분명하게 적는 것이 먼저다._

> 라자다 32만 3천 개 상품 실험에서 AI는 상품 종류를 0.94~0.95 수준으로 맞혔지만 필요한 항목은 최대 47.4%만 찾았다. 속성 채움률을 46%에서 70%로 높이자 추천 거래액은 7.89% 늘었다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/product-type-first-then-attributes
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-10-08

상품 페이지에는 사진과 설명만 넣기보다 상품 종류, 항목, 값을 글로 분명하게 적어 두는 것이 좋다. 특히 AI가 놓치기 쉬운 항목은 사장님이 직접 채워야 한다. 라자다의 32만 3천 개 상품 실험에서도 상품 종류는 0.94~0.95 수준으로 맞혔지만 항목을 찾아낸 비율은 0.273~0.474에 그쳤다.

AI는 「무슨 상품인지」는 잘 찾지만 「무엇을 적어야 하는지」는 자주 놓치므로, 종류 → 항목 → 값 순서로 먼저 정리한다.

## 상품 페이지에는 무엇부터 적어야 할까?

가장 먼저 상품 종류를 분명하게 적는다. 제목이나 첫 줄에 「린넨 셔츠」, 「스테인리스 텀블러」처럼 상품이 무엇인지 바로 알 수 있는 말을 넣는다.

라자다·알리바바 인터내셔널 연구팀은 상품 정보를 상품 종류, 항목 이름, 값의 세 단계로 나눠 살폈다. AI는 제목·설명·사양표와 사진 최대 10장을 보고 이 세 가지를 찾아냈다.

| 실험 규모 | 숫자 | 조건 |
|---|---|---|
| 뽑아 쓴 상품 | 32만 3천 개 | 나라별·최하위 분류별 최대 20개씩 |
| 상품 한 개당 재료 | 제목·판매자 설명·사양표·사진 최대 10장 | 실제 판매자가 올린 그대로 |
| 공개한 묶음 | 상품 3만 7천 개, 점 13만 개, 연결 56만 개 | 걸러 내고 합친 뒤 |
| 상품 종류 | 1만 7천 종 | 자동으로 만든 종류 |
| 항목 이름 | 1만 6천 개 | 서로 다른 항목 키 |
| 판정 AI 정확도 | 최고 0.764 · 작은 모델 0.123~0.384 | AI 심사위원 5개 중 3개 다수결 기준 |

상품 종류는 AI가 비교적 잘 찾았다. 사람이 검수했을 때 대부분 모델이 0.94~0.95 수준을 기록했고, 서로 다르게 적힌 종류 이름 8만 806개가 1만 6,692개로 정리됐다.

이 결과는 상품 종류를 AI에게 맡겨도 된다는 뜻이 아니다. 제목이나 첫 줄에 종류를 분명하게 적어 두면 AI가 같은 상품을 다른 이름으로 해석할 가능성을 줄일 수 있다는 뜻이다.

## 크기·재질 같은 항목도 표로 만들어야 할까?

그렇다. 특히 상품마다 중요한 항목은 표로 따로 정리하는 편이 낫다. 실험에서 AI가 가장 많이 놓친 부분이 바로 항목 이름이었다.

항목은 「용량」, 「재질」, 「보온 시간」처럼 그 상품을 설명할 때 필요한 정보의 이름이다. AI가 남긴 항목 가운데 맞는 비율은 0.93~0.99였지만, 실제 필요한 항목을 찾아낸 비율은 0.273~0.474에 불과했다.

| 단계 | 결과 | 읽는 법 |
|---|---|---|
| ① 상품 종류 | 검수 통과 0.94~0.95, 종합 점수 최고 0.953 | 「무슨 상품인지」는 대체로 맞힌다 |
| ① 종류 이름 정리 | 8만 806개 → 1만 6,692개 | 같은 종류를 다르게 부른 경우가 많다 |
| ② 항목 이름 | 남긴 것 중 맞음 0.93~0.99 / 찾아낸 비율 0.273~0.474 | 적은 건 맞지만 빠뜨린 게 많다 |
| ② 항목 이름 정리 | 2만 3,005개 → 7,994개 (최고 모델) | 같은 항목이 약 3배로 흩어져 있었다 |
| ③ 값 추출 | F1 0.531 (정밀 0.483·재현 0.591) | 절반가량만 정확히 채운다 |
| ③ 신중한 모델 | 정밀 0.688·재현 0.420 | 맞게 적는 대신 많이 비운다 |
| ③ 작은 모델(4B·8B) | F1 0.448~0.482 | 시간은 덜 들지만 더 비운다 |

즉, AI가 찾아낸 항목은 대체로 맞지만 빠뜨리는 항목이 많았다. 드물게 쓰이거나 특정 상품 종류에서만 중요한 항목, 판매자마다 다르게 표현하는 항목을 특히 놓쳤다.

그래서 공통 항목만 채우는 것으로 끝내면 안 된다. 상품을 구별하는 데 중요한 항목이 있다면 사장님이 직접 항목 이름을 정해 적어 둬야 한다.

## 값은 사진에만 넣어도 될까?

사진에만 넣지 않는 것이 좋다. 크기, 재질, 용량처럼 고객이 상품을 구별하는 데 필요한 값은 글로도 적는다.

값을 뽑는 단계에서 가장 나은 모델의 F1은 0.531이었다. 정밀도가 높은 모델도 정밀도 0.688, 재현율 0.420으로 필요한 값을 모두 찾아내지는 못했다.

| 구분 | 구글 상품 구조화 데이터 | 오픈AI 상품 피드 |
|---|---|---|
| 꼭 적을 것 | 상품명·사진·가격·통화 | 상품 ID·제목·설명·주소·브랜드·판매자명·사진·재고 상태·가격 (9개) |
| 권장·선택 속성 | 브랜드·분류·색상·재질·무늬·크기·GTIN·SKU·재고·반품·배송 | 분류·재질·색상·크기·성별·연령대·치수(가로·세로·높이)·무게·반품 |
| 글자 수 | — | 제목 최대 150자·설명 최대 5,000자 |
| 바뀌는 값 | 할인 종료일(priceValidUntil) | 할인 시작·종료 때 피드 갱신 |

값을 적을 때는 표기도 하나로 맞춘다. 「그레이」, 「회색」, 「GRAY」를 섞지 않고 하나의 표현을 쓴다. 「500ml」와 「0.5L」도 한 가지 표기로 통일한다.

사진 속 정보는 글로 다시 적는다. 연구팀은 값 추출이 어려운 원인으로 비어 있는 사양표, 애매한 판매자 문구, 상품을 구별해 주지 못하는 사진 등을 꼽았다.

## 상품 정보를 표 하나로 정리하면 충분할까?

상품마다 필요한 항목을 표로 정리하고, 같은 정보를 구조화 데이터와 상품 피드에도 맞춰 주는 것이 좋다. 구글 상품 구조화 데이터와 오픈AI 상품 피드도 상품명, 사진, 가격, 브랜드, 분류, 재질, 색상, 크기 같은 정보를 사용한다.

| 순서 | 할 일 | 실험에서 근거가 된 숫자 |
|---|---|---|
| 1 | 제목·첫 줄에 종류 이름 한 단어 | 종류 이름 8만 806개 → 1만 6,692개 |
| 2 | 종류별 항목 표(색상·재질·크기 + 우리만의 항목) | 항목 재현율 0.273~0.474 |
| 3 | 값은 단위·표기 하나로 통일, 사진 속 정보는 글로 | 값 추출 F1 0.531 |
| 4 | 같은 표를 구조화 데이터·피드에도 똑같이 | 오픈AI 필수 9개 / 구글 필수 4개 |

국내에서는 공정거래위원회의 「전자상거래 등에서의 상품 등의 정보제공에 관한 고시」도 확인할 수 있다. 품목별로 소재, 치수, 제조국 같은 정보가 정해져 있으므로 상세 페이지의 사진 속에만 두지 말고 글로 정리하는 데 활용할 수 있다.

## 정보를 채우면 실제로 더 팔릴까?

라자다에서는 속성 채움률을 46%에서 70%로 높이고 상품 배지·검색·추천 등에 속성을 활용하는 온라인 A/B 시험을 했다. 그 결과 추천 거래액은 7.89%, 검색 거래액은 5.32%, 상품 배지 거래액은 3.81% 늘었다.

| 쓴 곳 | 거래액 변화 | 비고 |
|---|---|---|
| 추천 | +7.89% | 가장 큰 폭 |
| 검색 | +5.32% | |
| 상품 배지 | +3.81% | |
| 필터 | +0.26% | 통계적으로 유의하지 않음 |
| 속성 채움률 | 46% → 70% | 상품 1억 1천만 개 |
| 공개 자료 3종 | 항목 일치 F1 +0.166 · 값 일치 F1 +0.231 · 정밀도 +0.208 | 속성 지도를 참고 자료로 붙였을 때 |

다만 이 숫자를 동네 쇼핑몰이나 외부 AI에 그대로 적용하면 안 된다. 라자다의 내부 검색과 추천에서 나온 결과이며, 챗GPT나 구글 AI 모드가 상품을 얼마나 답에 넣는지를 측정한 실험은 아니다.

실험에서도 속성 채움률이 70%가 됐을 뿐 30%는 비어 있었다. 모든 상품 정보를 AI가 자동으로 완성해 줄 것으로 기대하기보다, 중요한 정보를 사람이 먼저 정확하게 적어 두는 쪽이 현실적이다.

## 이 실험을 그대로 믿어도 될까?

한계도 있다. 자료는 동남아 한 쇼핑몰의 상품이고 대부분 영어·현지어였다. 한국어 상품 글로는 시험하지 않았다. A/B 시험 기간이 12월 한 달이라 연말 쇼핑철 영향을 배제하기 어렵다. 공개 자료 세 종의 평가는 사람 대신 큰 AI가 정답을 만들었다. 사람과의 일치도(코헨 카파 0.8297, 1,000건)를 확인했지만 사람이 만든 정답과 같지는 않다.

AI사이트코리아가 9월 20일 챗GPT에 청소기를 물었을 때도 답의 상품 링크는 삼성·LG·다이슨 공식몰로만 이어졌다. 사양표를 글로 갖춘 큰 곳이 먼저 나온 것으로 보이지만, 이 부분은 예상이다.

## 그래서 상품 페이지는 어떻게 고치면 될까?

순서는 간단하다. 첫째, 제목이나 첫 줄에 상품 종류를 한 단어로 분명하게 적는다. 둘째, 그 종류에 필요한 항목을 표로 만든다. 셋째, 각 항목의 값과 단위를 일정하게 적는다.

AI가 상품 종류를 찾는 일은 비교적 잘하지만 필요한 항목을 빠짐없이 찾는 일은 약하다. 따라서 「AI가 알아서 찾아주겠지」라고 두기보다, 사장님이 먼저 종류와 중요한 항목을 정해 놓고 AI가 읽을 수 있는 형태로 정보를 채우는 것이 핵심이다.

요점 ① 상품 종류는 AI가 0.94~0.95 수준으로 맞히므로 제목·첫 줄에 종류를 분명하게 적는다. ② 필요한 항목을 찾아낸 비율은 0.273~0.474이므로 중요한 항목은 직접 표로 만든다. ③ 값 추출 F1은 0.531이므로 단위와 표기를 통일하고 사진 속 정보도 글로 적는다. ④ 라자다에서 속성 채움률을 46%→70%로 높이자 추천 거래액이 7.89% 늘었지만 외부 AI의 매출 효과를 뜻하지는 않는다.

## 같이 읽을 글

 

- 상품 정보를 사진에만 넣어도 AI가 알아볼까?

- 홈페이지 가격표, AI가 제대로 읽을까요?

- 챗봇은 품절 상품을 바로 알까요?

- AI는 우리 가게를 어떤 기준으로 목록에 넣을까?
 

## 자료 출처

 

- AutoPKG: An Automated Framework for Dynamic E-commerce Product-Attribute Knowledge Graph Construction(라자다·알리바바 인터내셔널·난양공대, arXiv 2604.16950, 2026년 4월, 상품 32만 3천 개·A/B 상품 1억 1천만 개)

- 같은 논문 HTML 본문(5.5~5.7절 공개 자료·A/B 시험 수치)

- Merchant listing (Product, Offer) structured data(구글 서치 센트럴, 필수·권장 속성)

- Product Feed Spec(오픈AI 커머스 개발 문서, 필수 9개 필드·선택 속성)

- 전자상거래 등에서의 상품 등의 정보제공에 관한 고시(공정거래위원회 고시 제2016-16호, 2017.2.23 시행, 국가법령정보센터)

- 「제2 가습기살균제 사태 막는다」 살생물제 주의사항 표시 의무화(데일리안, 2020.9, 상품정보 고시 품목 신설·2021.1.1 시행)