# AI 쇼핑 비서는 고객 조건을 끝까지 기억할까?

_고객이 일찍 떠난 대화에서 AI의 조건 기억 점수는 0.98점에서 0.23점으로 떨어졌다._

> 상품 328만 개와 가상 고객 2,000여 명으로 시험한 결과, 범용 AI 7종의 구매 결정 성공률은 평균 54%였고 조건 기억이 추천 결과를 바꿨다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/shopping-ai-loses-changed-conditions-3-28m-products
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-10-14

고객은 쇼핑할 때 처음부터 모든 조건을 말하지 않는다. 「주방에 쓸 만한 거」라고 물었다가 「싱크대가 좁아요」, 「예산은 줄일게요」처럼 필요한 조건을 나중에 꺼낼 수 있다.

AI 쇼핑 비서는 한 번의 답변은 자연스럽게 만들 수 있지만, 대화가 길어지고 조건이 바뀌면 앞에서 들은 내용을 놓칠 수 있다. 실제 쇼핑 대화를 재현한 시험에서 범용 AI 7종의 구매 결정까지 간 비율은 평균 54%였다.

고객이 중간에 떠난 대화에서는 조건 기억 점수가 0.98점에서 0.23점으로 떨어졌다. AI 쇼핑 비서 시대에는 상품 설명을 많이 쓰는 것보다, AI가 다시 찾을 수 있는 정보를 정확하게 남기는 일이 중요해진다.

AI 쇼핑 비서는 답 한 번은 그럴듯하지만, 대화 중에 바뀐 조건을 끝까지 들고 가는 데서 무너진다.

## 고객이 말한 조건을 AI는 왜 놓칠까?

중국 징둥(JD.com)과 쓰촨대 연구진은 실제 상품 328만 개와 가상 고객 2,000여 명을 이용해 AI 쇼핑 비서의 대화를 시험했다. 상품은 대형 쇼핑몰 한 곳에서 허가를 받아 모은 실제 상품이었다.

상품마다 이름, 가격, 속성, 분류, 설명, 배송 조건이 들어 있었다. 배송 조건에는 무료 배송, 다음 날 도착, 당일 도착 같은 내용이 포함됐다.

고객은 다른 AI가 연기했다. 고객마다 예산, 호환 조건, 배송 조건, 말투가 정해져 있었고 일부 조건은 처음부터 말하지 않고 대화 중에 공개했다.

예를 들어 고객은 「주방에 쓸 만한 거」라고 시작한 뒤 「싱크대 위가 좁아요」, 「혼자 살아요」, 「소음이 싫어요」 같은 조건을 차례로 밝혔다. 큰 가전을 거절하거나 예산을 바꾸는 상황도 포함됐다.

AI 답변 30번 안에 구매 결정에 이르면 성공으로 평가했다. 고객이 먼저 떠나면 중도 이탈, 30번을 넘기면 실패로 처리했다.

| 항목 | 숫자 |
|---|---|
| 실제 상품 | 328만 개 |
| 쇼핑 상황 | 약 1,200가지 |
| 가상 고객 | 2,000여 명 |
| 대화 길이 한도 | AI 답 30번 |
| 시험한 범용 AI / 쇼핑 전용 방법 | 7종 / 5가지 |
| 분류별 시험 대화 | 100개씩, 시스템마다 5번 반복 평균 |
| 사람 3명이 다시 채점해 맞춰 본 대화 | 150개(AI 채점과 일치 0.88~0.97) |

## AI는 답변보다 대화 관리에서 약할까?

시험 결과에서 가장 눈에 띄는 점은 한 번의 답변과 전체 대화의 차이다. AI는 고객 질문 하나에는 그럴듯하게 답했지만, 여러 조건이 쌓이는 상황에서는 점수가 내려갔다.

범용 AI 7종 평균은 답 한 번 점수가 1.08점이었다. 하지만 대화 전체 점수는 0.80점이었다.

가장 높은 결과를 보인 GPT-5도 답 한 번 점수 1.45점에서 대화 전체 점수 1.20점으로 내려갔다. 고객이 원하는 것을 묻는 능력보다, 이미 들은 조건을 유지하고 바꾸는 능력이 더 어려웠다.

| AI | 구매 결정까지 간 비율 | 고객이 도중에 떠난 비율 | 답 한 번 점수 → 대화 전체 점수 |
|---|---|---|---|
| GPT-5 | 71% | 10% | 1.45점 → 1.20점 |
| Kimi-K2.6 | 67% | 16% | 1.29점 → 0.99점 |
| DeepSeek-V3.2 | 56% | 27% | 1.03점 → 0.80점 |
| Qwen3.5-27B | 55% | 25% | 1.01점 → 0.70점 |
| Gemini-2.5-Flash | 38% | 35% | 0.85점 → 0.70점 |
| GPT-4o | 38% | 39% | 0.92점 → 0.56점 |
| Qwen3.5-35B-A3B | 53% | 31% | 1.00점 → 0.64점 |
| 범용 AI 7종 평균 | 54% | 26% | 1.08점 → 0.80점 |
| 쇼핑 전용 방법 5가지 평균 | 60% | 21% | 1.14점 → 0.90점 |

대화 전체 점수를 항목별로 보면 되묻기는 범용 AI 평균 1.37점으로 가장 높았다. 하지만 조건 기억은 0.78점, 조건 갱신은 0.67점, 진행 속도와 개인 맞춤은 각각 0.59점이었다.

AI는 부족한 정보를 물어보는 것은 잘했지만, 고객이 새 조건을 알려 줬을 때 기존 추천을 수정하는 부분에서 약했다.

고객이 일찍 떠난 대화와 끝까지 이어진 대화를 비교해도 차이가 났다. 되묻기 점수는 1.43점에서 1.25점으로 조금 내려갔다.

하지만 조건 기억 점수는 0.98점에서 0.23점으로 크게 떨어졌다. 연구진은 고객이 떠나는 이유가 질문 부족보다, 이미 말한 조건을 AI가 기억하지 못하거나 반영하지 못하기 때문이라고 해석했다.

## 어떤 쇼핑 대화에서 AI가 더 어려워할까?

상품 하나를 찾는 단순한 대화보다 여러 조건을 함께 맞춰야 하는 대화에서 어려움이 커졌다. 원하는 상품이 분명한 경우에는 성공률이 높았지만, 묶음을 다시 짜거나 여러 목적을 함께 해결해야 하는 상황에서는 낮아졌다.

또 고객의 성향도 영향을 줬다. 서두르는 고객, 의심이 많은 고객, 참을성이 적은 고객은 도중에 떠나는 비율이 높았다.

연구진은 고객이 말한 조건과 거절한 상품을 따로 기록하고, 조건이 바뀌면 이전 후보를 버리고 상품 기록을 다시 찾는 구조를 만들었다.

| 대화 상황(Qwen3.5-27B 기준) | 그냥 쓸 때 성공률 | 연구진 개선판 성공률 |
|---|---|---|
| 조건을 좁혀 감 | 63% | 88% |
| 상품 비교 | 62% | 85% |
| 조건을 도중에 바꿈 | 55% | 83% |
| 앞서 말한 취향을 뒤집음 | 51% | 75% |
| 추천을 거절함 | 50% | 78% |
| 묶음을 다시 짬 | 54% | 80% |
| 모호한 묶음 구매 | 50% | 74% |
| 여러 목적을 한 번에 | 49% | 76% |
| 긴 대화 | 48% | 72% |

## 실패한 추천은 상품 정보에서 무엇이 부족했을까?

연구진이 공개한 실패 사례는 쇼핑몰 사장님이 상품 정보에 무엇을 적어야 하는지 보여 준다.

아이 공부방 조명 사례에서는 고객이 「천장 구멍이 75mm라 다시 뚫을 수 없다」고 말했지만, AI가 85mm 매입등을 계속 권했다. 새로운 조건을 들었지만 이전 후보를 유지한 것이다.

디지털 피아노 사례에서는 고객이 「6.35mm 케이블로 옛 스피커에 연결되나」라고 물었다. 하지만 AI는 출력 단자를 확인하지 않고 연결될 것이라고 답했다.

좁은 주방에서는 공간, 인원, 소음을 먼저 확인해야 했지만 큰 다기능 에어프라이어를 추천했다. 가게 개업 준비에서는 급한 물건과 미뤄도 되는 물건의 순서를 놓쳤다.

| 실패 사례 | 무엇이 틀렸나 |
|---|---|
| 아이 공부방 조명: 「천장 구멍이 75mm라 다시 뚫을 수 없다」고 했는데 85mm 매입등을 계속 권함 | 새 조건을 듣고도 이전 후보를 그대로 씀 |
| 디지털 피아노: 「6.35mm 케이블로 옛 스피커에 연결되나」 물었는데 확인 없이 「될 것」이라고 답함 | 상품의 출력 단자를 확인하지 않고 호환을 단정함 |
| 좁은 주방: 공간·인원·소음을 묻기 전에 큰 다기능 에어프라이어를 권함 | 숨은 조건을 묻기 전에 추천함 |
| 가게 개업 준비: 냉장 진열장·음료·운반 수레가 급하고 장식은 미뤄도 된다고 했는데 장식 선반부터 권함 | 급한 것과 미룰 것의 순서를 놓침 |

## 쇼핑몰 상품 정보에는 무엇을 적어야 할까?

AI가 고객 대화 속 조건을 따라가려면 상품 기록에서 필요한 정보를 다시 찾을 수 있어야 한다. 상품 정보에 숫자와 규격이 없으면 AI는 비교할 근거가 없다.

설치 치수, 크기, 무게처럼 확인 가능한 정보는 숫자와 단위로 적어야 한다. 고객이 「좁은 공간에 들어가나요」라고 물었을 때 AI가 판단하려면 상품 기록 안에 기준이 있어야 한다.

호환 정보와 연결 규격도 중요하다. 어떤 제품과 함께 쓰는지, 어떤 단자가 필요한지 적혀 있어야 고객의 추가 질문에 답할 수 있다.

묶음 상품은 주 상품과 구성품을 나눠 적는 것이 필요하다. 배송 조건도 상품마다 구분해 두는 것이 좋다.

다만 상품 정보를 이렇게 적으면 추천이 얼마나 늘어나는지는 이 실험에서 직접 측정하지 않았다. 아래 내용은 실패 사례와 공식 상품 데이터 문서를 바탕으로 한 준비 방향이다.

| 할 일 | 근거 숫자 |
|---|---|
| 설치 치수·크기·무게를 숫자와 단위로 적는다(예: 「매입 구멍 지름 75mm」) | 75mm 조건을 듣고도 85mm를 권한 사례, 조건 갱신 점수 평균 0.67점(2점 만점) |
| 무엇과 함께 쓰는지 호환 목록과 단자 규격을 적는다 | 6.35mm 단자 호환을 확인 없이 단정한 사례 |
| 묶음 상품은 주 상품과 구성품을 나눠 적는다 | 묶음을 다시 짜는 대화 성공률 48% |
| 무료 배송·다음 날 도착 같은 배송 조건을 상품마다 적는다 | 실험 상품 기록에 배송 조건이 들어 있었고, 급한 물건 순서를 놓친 사례가 있었다 |
| 혼자 사는지, 소음, 공간처럼 고객이 나중에 꺼내는 조건에 답할 항목을 적는다 | 범용 AI 평균 조건 기억 0.78점, 도중 이탈 대화 0.23점 |

## 이 연구 결과를 그대로 믿어도 될까?

연구진은 세 가지 한계를 밝혔다. 첫째, 채점을 AI가 했다. 사람 3명이 150개 대화를 다시 채점해 0.88~0.97 일치를 확인했지만, AI 채점은 매끄러운 말투에 점수를 더 줄 가능성이 있다.

둘째, 고객도 AI가 연기했다. 실제 고객이 보이는 망설임, 충동구매, 감정 반응은 모두 담지 못했다.

셋째, 반품·환불, 할인 행사, 쇼핑몰 간 가격 비교, 라이브 커머스는 다루지 않았다. 상품 목록도 한 시점에 고정해 가격 변동과 품절은 반영하지 않았다.

또 상품은 대형 쇼핑몰 한 곳의 택배 상품이었다. 서비스 예약이 중심인 동네 가게나 한국 오픈마켓에 숫자를 그대로 옮길 수는 없다.

한국 고객도 아직 AI 쇼핑 비서를 조심스럽게 받아들이고 있다. 크리테오★가 2026년 1~2월 6개국 6,379명(한국 1,107명)에게 물었더니, AI 쇼핑 비서를 주된 쇼핑 수단으로 쓴다는 응답은 한국 7%로 세계 평균 14%의 절반이었다.

한국 소비자의 59%는 상품 찾기를 오픈마켓에서 시작했고, 64%는 AI가 거짓·편향된 정보를 줄까 걱정했다.

그래도 준비할 수 있는 일은 분명하다. 고객이 대화 중에 나중에 꺼낼 조건을 예상하고, 설치 정보·호환 정보·구성 정보·배송 조건을 상품 기록에 남기는 것이다.

요점 ① 실제 상품 328만 개와 가상 고객 2,000여 명으로 시험한 결과, 범용 AI 7종의 구매 결정 성공률은 평균 54%였다. ② 고객이 도중에 떠난 대화에서는 조건 기억 점수가 0.98점에서 0.23점으로 떨어졌고, 조건 갱신 점수 평균은 0.67점이었다. ③ 바뀐 조건을 기록하고 상품 기록을 다시 찾게 한 개선판은 같은 모델의 성공률을 55%에서 82%까지 올렸다. ④ AI 추천을 준비하려면 75mm 같은 설치 치수, 6.35mm 같은 단자 규격, 구성품과 배송 조건을 상품 정보에 적어야 한다.

## 같이 읽을 글

 

- AI 쇼핑 비서는 고객 조건을 어디서 놓칠까?

- 상품 페이지에 무엇을 적어야 AI가 잘 읽을까?

- AI가 고객에게 먼저 물어보면, 우리 가게는 무엇을 보여줘야 할까?

- AI는 물건을 고를 때 무엇을 볼까?
 

## 자료 출처

 

- RealWorldShop: Benchmarking and Improving Conversational Shopping Agents in Real-World E-commerce(징둥·쓰촨대 연구진·arXiv 2609.38974·2026년 9월 제출, 실제 상품 328만 개·쇼핑 상황 약 1,200가지·가상 고객 2,000여 명)

- 같은 논문 HTML 본문(표 2·3·4·7, 그림 2~5 설명, 실패 사례 그림 13~16, 한계 절)

- Bundle is_bundle 속성 설명(구글 머천트 센터 도움말, 직접 꾸린 묶음 표시·12개국 쇼핑 광고 필수)

- Product detail product_detail 속성 설명(구글 머천트 센터 도움말, 기술 사양 적는 항목)

- isAccessoryOrSparePartFor 속성(schema.org, 부속품·교체 부품 관계)

- 크리테오 2026 커머스와 AI 트렌드 리포트 보도자료(크리테오★·2026년 1~2월 조사, 6개국 6,379명·한국 1,107명)