AI 쇼핑 비서가 우리 상품을 고르는 기준도 바뀔까?

AI 쇼핑 비서의 추천은 고객이 실제로 무엇을 샀는지와 무엇에 불만을 말했는지를 함께 보며 달라질 수 있다. 징둥의 쇼핑 비서 대화 7,001건을 학습한 실험에서는 실제 구매 상품을 1순위에 올리는 비율이 26.8%에서 42.1%로 올랐다. 고객의 불만까지 함께 학습하자 10개 추천 안에 실제 구매 상품이 들어가는 비율은 89.1%까지 올랐다.

고객이 실제로 산 기록까지 AI가 배우나

이번 연구는 중국 런민대와 징둥닷컴 연구진이 징둥에서 실제 운영 중인 쇼핑 비서의 대화 기록을 이용해 진행했다. 기록은 익명으로 처리했고, 구매로 끝난 대화와 대화 중 고객의 다음 반응을 담은 기록을 따로 모았다.

구매로 끝난 대화는 7,001건이었다. 이 대화에서 실제로 산 상품은 6,685개였고, 대화에 등장한 후보 상품은 12만 5,694개였다. 대화 한 건에서 고객과 쇼핑 비서가 주고받은 횟수는 평균 2.07번이었다.

연구진은 먼저 고객이 실제로 산 상품을 추천 목록에서 위로 올리는 방식으로 AI를 훈련했다. 그다음에는 고객의 불만을 보고 원래 답을 어떻게 고쳐야 하는지를 배우게 했다.

고객은 AI에게 어떤 불만을 말하나

고객의 반응은 크게 네 가지로 나뉘었다. 가격대나 배송처럼 AI가 미리 알아챘어야 할 조건, 앞서 말한 조건을 지키지 않은 경우, 특별한 이유 없이 상품을 거절한 경우, 상품끼리 비교하며 원하는 점을 밝힌 경우다.

가장 많은 것은 가격대나 배송처럼 고객이 굳이 다시 말하지 않아도 AI가 알아챘어야 할 조건이었다. 이런 반응이 8,249건 중 5,413건으로 약 66%를 차지했다.

예를 들어 평소 200위안 밑의 물건을 주로 사는 고객에게 1,094위안짜리 무선 이어폰을 추천했다가 「너무 비싸요」라는 반응을 받은 사례가 연구에 나온다. 고객이 가격을 직접 말하기 전에도 평소 구매 기록을 보고 가격대를 짐작했어야 한다는 뜻이다.

실제 구매 기록을 넣으니 추천 순위가 달라졌다

연구진은 알리바바의 공개 모델 큐웬3 80억 매개변수를 바탕으로 실험했다. 먼저 실제로 구매한 상품을 추천 목록에서 위로 올리도록 훈련하고, 이어 고객의 불만을 보고 답을 고치는 방법을 배우게 했다.

결과는 뚜렷했다. 원래 모델은 실제 구매 상품을 1순위에 올리는 비율이 26.8%였지만, 구매 기록과 불만 기록을 차례로 학습한 뒤에는 42.1%가 됐다. 추천 10개 안에 실제 구매 상품이 들어가는 비율도 61.0%에서 89.1%로 올랐다.

흥미로운 점은 학습 순서였다. 구매 기록을 먼저 배우고 불만 기록을 나중에 배우는 방식이 1순위 적중률 42.1%, 불만 해결률 60.2%를 보였다. 순서를 거꾸로 하면 1순위 적중률은 42.0%, 불만 해결률은 59.2%로 조금 낮았다.

잘된 대화를 그대로 따라 쓰게 하는 방식은 오히려 불만 해결률이 40.6%로 떨어졌다. 원래 모델의 불만 해결률은 54.7%였다. 단순히 좋은 답을 많이 보여주는 것과 고객이 실제로 무엇을 샀고 왜 불만을 말했는지를 배우는 것은 달랐다.

어떤 고객 불만을 가장 많이 배웠나

유형별로 보면 상품끼리 비교하며 원하는 점을 밝힌 불만의 해결률이 35.3%에서 47.1%로 가장 크게 올랐다. 가격대나 배송처럼 미리 알아챘어야 할 조건도 46.1%에서 53.3%로 높아졌다.

반대로 고객이 특별한 이유 없이 상품을 거절한 경우는 78.1%에서 80.0%로 올랐다. 앞서 말한 조건을 지키지 않은 경우는 52.3%에서 56.9%로 올랐다.

훈련 재료에서 유형을 하나씩 빼 보는 실험도 있었다. 가격대나 배송처럼 AI가 미리 알아챘어야 할 조건을 빼자 전체 불만 해결률이 60.2%에서 56.5%로 가장 많이 떨어졌다.

그럼 우리 상품 정보도 달라져야 하나

이번 연구가 바로 「상품 정보를 이렇게 쓰면 AI 추천에 올라간다」는 공식까지 보여준 것은 아니다. 연구는 징둥 한 곳의 대화 기록을 사용했고, 실제 서비스에 적용한 뒤 매출이 어떻게 달라졌는지는 재지 않았다.

다만 상품 정보가 AI가 고객의 조건과 상품을 연결하는 근거가 될 가능성은 생각해볼 수 있다(예상). 배송 소요일, 가격대, 누구에게 맞는지 같은 정보가 상품 정보에 비어 있다면 고객의 숨은 조건과 상품을 짝지을 근거도 부족할 것으로 보인다.

한국에서도 고객은 첫 답을 보고 그대로 끝내지 않고 이어서 묻는다. 오픈서베이 조사에서는 한국 이용자의 42.3%가 첫 답을 보고 이어서 묻는다고 답했다. 이런 대화 속에서 「비싸다」, 「오늘 와야 한다」 같은 조건이 다시 등장할 수 있다는 점을 볼 필요가 있다.

작은 가게는 무엇부터 챙겨야 하나

이번 연구만으로 판매량이 많은 상품이 반드시 AI 추천에서 더 유리하다고 단정할 수는 없다. 다만 실제 구매 기록을 점수로 쓰는 훈련이 추천 순위를 크게 바꾼 만큼, 판매 기록이 적은 새 상품이나 작은 가게 상품은 첫 판매와 이후 고객 반응이 더 중요해질 가능성을 생각해볼 수 있다.

결국 핵심은 상품을 많이 설명하는 데 있지 않다. 고객이 어떤 가격대를 원하는지, 언제 받아야 하는지, 누구에게 맞는지를 상품 정보에 분명하게 적어두는 것이 AI가 고객의 말과 상품을 연결하는 데 도움이 될 수 있다는 점이다.

이번 연구에서 AI는 단순히 상품 설명만 읽고 추천을 고친 것이 아니다. 고객이 실제로 무엇을 샀는지와 대화에서 어떤 불만을 드러냈는지를 함께 배우면서 추천과 답변을 바꿨다. 동네 가게 입장에서는 고객이 실제로 구매한 기록과 대화에서 반복해서 나온 조건을 상품 정보와 함께 살펴볼 필요가 있다는 뜻이다.

같이 읽을 글

• AI 쇼핑 비서는 고객 조건을 어디서 놓칠까?
• 한국 고객은 온라인 쇼핑 때 AI에게 무엇을 물어볼까?
• AI는 물건을 고를 때 무엇을 볼까?
• 쿠팡에서 팔려면 상품 정보를 어떻게 바꿔야 할까?

자료 출처

• Learning from Online User Feedback for Shopping Agents(Zhang·Mao·Xu·Gu·Dou, 런민대·징둥닷컴, 2026년 8월 arXiv 제출, 구매 대화 7,001건·불만 턴 8,249건)
• 같은 논문 전체 본문(표 3~6 수록)
• Qwen3 Technical Report(알리바바 큐웬 팀, 실험에 쓴 바탕 모델)
• DeepSeek-V3.2(딥시크, 실험에서 판정 모델로 사용)
• AI 검색 트렌드 리포트 2026 하반기(오픈서베이, 2026.7) — 이어서 묻기 42.3%·바로 묻기 56.9%
• ShoppingBench: A Real-World Intent-Grounded Shopping Benchmark for LLM-Based Agents(쇼핑 에이전트 평가 선행 연구)