# 우리 가게의 호불호를 AI가 제대로 전할까?

_홈페이지에 좋다는 말과 아쉽다는 말을 함께 적어야 하는 이유_

> 의견이 갈리는 후기를 AI가 찾아오면 보통 방식은 전체 의견 분포에서 더 멀었다. 항목별로 나눠 저장하자 거리가 18~48% 줄었고, 사람 평가자는 그 답을 79.2% 골랐다.

- 종류: 칼럼
- 주소: https://aisitekorea.com/column/split-mixed-reviews-by-topic-for-ai
- 발행: AI사이트코리아 (https://aisitekorea.com)
- 작성일: 2026-10-08

좋다는 고객도 있고 별로라는 고객도 있다면, AI가 한쪽 의견만 골라 전할 가능성을 생각해야 한다. 실험에서는 의견 정리 방식을 썼을 때 AI가 가져온 글과 실제 의견의 차이가 18~48% 줄었다. 사람 평가에서도 79.2%가 의견을 고르게 담은 답을 더 많이 골랐다.

AI는 갈리는 의견을 틀린 답이 아니라, 함께 찾아야 할 정보로 다뤄야 한다.

## AI가 우리 가게를 물으면 왜 한쪽 의견만 나올까?

영업시간처럼 답이 하나인 질문과 음식 맛처럼 사람마다 답이 다른 질문은 다르다. 「이 가게는 몇 시까지 영업하나」는 자료를 더 찾으면 답에 가까워진다. 하지만 「짜장면이 어떤가」는 맛있다는 고객과 짜다는 고객이 모두 실제 경험을 말할 수 있다.

이번 연구는 이런 차이를 AI가 잘 다루지 못한다고 본다. 연구진이 2013~2025년에 나온 AI 평가용 문제집 36개를 살펴보니, 서로 다른 의견을 모아 정리하는 능력을 재는 문제집은 1개뿐이었다. 나머지는 정답이 하나 있다고 보고, 서로 어긋나는 내용은 잡음처럼 다뤘다.

| 앞선 연구가 잰 것 | 숫자 | 뜻 |
|---|---|---|
| AI 평가용 문제집 조사(이번 연구진) | 36개 중 의견 정리를 재는 것 1개 | 대부분 맞는 답 하나만 잰다 |
| 찬반 관점 찾기 실험(PIR, 이번 논문이 인용) | 찬성 쪽으로 기운 비율 58.5% | 한쪽 입장을 더 많이 찾아온다 |
| 논쟁 질문 3천 개 실험(BERDS, 원 논문 초록) | 모든 관점을 다 찾은 경우 33.74% | 3번 중 2번은 한쪽 관점이 빠진다 |

## 그러면 고객 의견을 홈페이지에 어떻게 적어야 할까?

핵심은 의견을 한 덩어리로 적지 않는 것이다. 「맛이 좋다」처럼 결론만 적기보다 「국물 간」「대기 시간」「주차」처럼 고객이 말하는 항목을 나눠 적는 편이 낫다.

그 항목마다 좋다는 의견과 아쉽다는 의견을 함께 적는다. 얼마나 큰 문제인지, 어떤 고객에게 맞는지, 실제 경험에서 나온 이야기인지도 구분해 두면 좋다.

| 적는 칸 | 예(국밥집) | 실험에서 맞닿는 부분 |
|---|---|---|
| 항목 이름 | 국물 간 / 대기 시간 / 주차 | 항목마다 쪼개기·낱말 일치 |
| 좋다는 쪽 | 「진하다」는 후기가 많음, 최근 3개월 후기 수 | 좋다·나쁘다 함께 담기 |
| 아쉽다는 쪽 | 「짜다」는 후기도 있음, 싱겁게 요청 가능 | 소수 의견 지우지 않기 |
| 얼마나 큰 문제인지 | 점심 대기 평균 몇 분, 주차 몇 대 | 문제 크기 질문 +38.9% |
| 어떤 고객에게 맞나 | 「진한 맛을 찾는 분」「싱겁게 드시는 분은 미리 말씀」 | 글쓴이·상황 정보 |
| 근거 | 후기 원문 짧게 인용, 출처 사이트 | 직접 겪은 일인지 표시 |

이렇게 하면 홈페이지가 고객 의견을 숨기는 공간이 아니라 정리해서 보여 주는 공간이 된다. 다만 홈페이지를 이렇게 바꾼다고 실제 챗GPT나 다른 AI가 반드시 양쪽 의견을 똑같이 가져온다고 확인된 것은 아니다. 이번 연구 결과를 홈페이지에 적용해 본 예상이다.

## 실제 실험에서는 얼마나 달라졌을까?

연구진은 판매자 게시판과 호텔 후기 자료를 사용했다. 판매자 게시판은 6개월 동안 판매자 약 8,000명이 작성한 글 1만 건 이상이고, 호텔 자료는 라스베이거스·호놀룰루·방콕 호텔 3곳의 후기 6,256개였다.

보통 방식은 글을 원래 모습 그대로 저장한 뒤 질문과 관련된 글을 찾았다. 의견 정리 방식은 글을 저장하기 전에 「무엇에 대한 의견인지」, 「좋다·나쁘다와 그 정도」, 「문제가 얼마나 큰지」, 「어떤 감정인지」, 「직접 겪은 일인지」를 뽑았다. 한 글에서 여러 항목을 말하면 항목별로 나눠 저장했다.

| 실험 조건 | 판매자 게시판 | 호텔 후기 |
|---|---|---|
| 규모 | 판매자 약 8,000명·글 1만 건↑·6개월 | 호텔 3곳·후기 6,256개 |
| 의견 대상 항목 | 98개(3단계로 나눔) | 약 90개 |
| 실험에 쓴 항목·질문 | 4개 항목·질문 48개 | 15개 항목·질문 57개 |
| 사람 평가 | 5명이 48쌍을 블라인드로 비교 | 없음 |

결과는 네 자료 모두에서 같은 방향이었다. AI가 찾아온 글의 의견 분포가 실제 전체 의견 분포에 얼마나 가까운지를 비교했는데, 의견 정리 방식을 쓴 쪽이 더 가까웠다.

| 자료 | 보통 방식 거리 | 의견 정리 방식 거리 | 줄어든 정도 |
|---|---|---|---|
| 판매자 게시판 | 8.87 | 7.24 | 18% |
| 라스베이거스 호텔 | 15.31 | 9.17 | 40% |
| 방콕 호텔 | 19.15 | 14.54 | 24% |
| 호놀룰루 호텔 | 12.88 | 6.75 | 48% |

## 어떤 의견이 더 많이 살아남았을까?

판매자 게시판에서는 질문한 항목을 실제로 다루는 글의 비율이 24.8%에서 35.4%로 올랐다. 42.7% 증가한 수치다. 보통 방식에서는 찾아온 글 가운데 질문과 직접 관련된 글이 적었다는 뜻이다.

좋다·나쁘다의 퍼진 폭은 26.8%, 감정 종류 수는 23.6% 늘었다. 한쪽 의견만 모으는 것이 아니라 서로 다른 의견을 더 많이 가져온 결과다.

| 판매자 게시판 지표 | 보통 방식 | 의견 정리 방식 | 변화 |
|---|---|---|---|
| 질문 항목을 다룬 글 비율 | 24.8% | 35.4% | +42.7% |
| 좋다·나쁘다 퍼진 폭(점수 −30~+30) | 9.12 | 11.56 | +26.8% |
| 문제 크기 퍼진 폭 | 10.55 | 12.08 | +14.5% |
| 감정 종류 수 | 7.2 | 8.9 | +23.6% |
| 매출 규모별 글쓴이 고루 담기 | 78.3% | 68.1% | −13.0% |
| 경력별 글쓴이 고루 담기 | 81.2% | 75.6% | −6.9% |

사람이 직접 답을 비교했을 때도 차이가 있었다. 판매자 게시판에서 5명이 48쌍의 답을 비교했는데, 79.2%에서는 의견 정리 방식으로 만든 답을 골랐다.

다만 모든 지표가 좋아진 것은 아니다. 글쓴이를 매출 규모나 경력별로 고르게 담는 비율은 각각 13.0%, 6.9% 떨어졌다. 연구진이 살펴보니 보통 방식은 질문과 상관없는 글까지 가져오면서 여러 사람의 글을 담은 것처럼 보였다. 질문 항목을 다룬 글만 놓고 보면 의견 정리 방식이 오히려 매출 규모는 9.6%, 경력은 31.6% 더 고르게 담았다.

## 홈페이지에서는 무엇부터 나누면 좋을까?

연구에서 효과의 큰 몫은 글을 항목마다 쪼개는 데서 나왔다. 특히 「사업에 얼마나 영향이 큰가」를 묻는 질문에서는 개선 폭이 38.9%였고, 「어떤 기분이었나」를 묻는 질문에서는 34.1%였다.

반면 직접 겪어 본 경험을 묻는 질문의 개선 폭은 6.2%였다. 원래도 여러 의견이 섞여 나오는 질문이라 차이가 상대적으로 작았다.

| 질문 종류·조건 | 개선 폭 | 읽는 법 |
|---|---|---|
| 「사업에 얼마나 영향이 큰가」 질문 | +38.9% | 손해·불편 크기를 묻는 질문에서 효과 큼 |
| 「어떤 기분이었나」 질문 | +34.1% | 감정이 실린 질문에서 효과 큼 |
| 「직접 겪어 보니 어땠나」 질문 | +6.2% | 경험담은 원래도 여러 의견이 섞여 나옴 |
| 낱말 일치 + 뜻 검색 함께 | +26.8% | 항목 이름이 글에 그대로 있으면 더 잘 찾힘 |
| 뜻 검색만 | +21.4% | |
| 찾아오는 글 10~60개 | 모든 구간에서 의견 정리 방식이 높음 | 몇 개를 찾든 같은 방향 |

낱말을 맞춰 찾는 방법도 함께 쓰면 효과가 더 컸다. 「주차」, 「대기 시간」, 「매운맛」처럼 고객이 실제로 묻는 말을 항목 이름으로 적어 두면 AI가 관련 글을 찾을 가능성을 높이는 데 도움이 될 수 있다.

## 나쁜 후기는 숨기는 게 나을까?

고객 입장에서는 오히려 반대일 수 있다. 브라이트로컬의 2026년 2월 조사에서 미국 성인의 77%는 나쁜 후기를 보면 그 가게를 덜 고른다고 답했다. 동시에 동네 가게 추천에 챗GPT 같은 AI를 쓴다는 응답은 2025년 6%에서 2026년 45%로 늘었다.

후기를 전부 좋게 보이게 만드는 것보다 「이런 의견이 있고, 이런 상황에서는 이렇게 대응한다」고 적는 편이 고객이 판단할 수 있는 자료를 준다. 이번 연구도 의견을 덮어 버리면 무엇이 빠졌는지 확인하기 어려워진다는 점을 문제로 봤다.

| 고객 쪽 숫자 | 값 | 조사 |
|---|---|---|
| 나쁜 후기를 보면 덜 고름 | 77% | 브라이트로컬, 2026.2, 미국 성인 1,002명 |
| 동네 가게 추천에 AI 사용 | 6% → 45% | 같은 조사, 2025→2026 |
| 최근 3개월 후기를 찾음 | 74% | 같은 조사 |
| 후기 20개 미만 가게는 안 씀 | 47% | 같은 조사 |
| 매장에서 휴대폰으로 후기·평점 확인(한국) | 64% | 크리테오, 2026.3 보도, 8개국 약 6,800명(한국 1,000명) |
| 상품 찾을 때 챗GPT 선호(한국) | 65% | 같은 조사 |

## 그렇다고 실험 결과를 그대로 믿어도 될까?

여기에는 분명한 한계가 있다. 연구 자료는 영어로 작성된 판매자 게시판 1곳과 호텔 3곳이고, 한국어 후기나 식당·병원은 다루지 않았다.

사람 평가 결과인 79.2%도 판매자 게시판 48쌍에서 나온 수치다. 호텔 후기에서는 감정 종류 수만 통계적으로 의미가 있었다. 연구진은 시간에 따라 의견이 바뀌는 문제도 다루지 않았다.

무엇보다 연구진이 만든 방식을 실제 챗GPT나 네이버 같은 서비스에서 시험한 것은 아니다. 따라서 홈페이지에 항목별로 내용을 정리하면 실제 AI의 답이 달라진다는 것은 아직 예상이다. 같은 질문을 여러 번 넣어 실제 답이 어떻게 달라지는지 확인할 필요가 있다.

결국 홈페이지에 적어 둘 것은 「우리 가게는 좋다」라는 한 문장이 아니다. 어떤 점을 고객이 좋게 보는지, 어떤 점을 아쉽게 보는지, 문제가 얼마나 큰지, 누구에게 잘 맞는지를 나눠 적는 것이 핵심이다.

요점 ① 의견 정리를 재는 AI 평가용 문제집은 36개 중 1개뿐이었고, 보통 방식은 갈리는 의견을 잡음으로 다루기 쉽다. ② 의견 정리 방식은 실제 의견과 AI가 찾아온 의견의 차이를 18~48% 줄였고, 사람 평가에서도 79.2%가 더 좋은 답으로 골랐다. ③ 질문 항목을 다룬 글 비율은 24.8%에서 35.4%로 늘었고, 좋다·나쁘다의 퍼진 폭도 26.8% 넓어졌다. ④ 고객의 77%는 나쁜 후기를 보면 가게를 덜 고른다고 답했으며, AI로 동네 가게를 추천받는다는 응답은 6%에서 45%로 늘었다.

## 같이 읽을 글

 

- AI는 우리 가게 후기를 골고루 읽을까?

- AI가 나눈 고객 후기, 그대로 믿어도 될까?

- 홈페이지 후기는 어떻게 써야 AI도 고객도 믿을까?

- 가게 후기는 어떻게 써야 AI가 가져갈까?
 

## 자료 출처

 

- Retrieval-Augmented Generation Must Move Beyond Factual Grounding to Represent Diverse Opinions(Amazon.com 연구진·arXiv 2604.12138·2026.4 제출, v5 2026.10)

- Open-World Evaluation for Retrieving Diverse Perspectives(텍사스대 오스틴 Hung-Ting Chen·Eunsol Choi·arXiv 2409.18110·질문 3천 개)

- Open-World Evaluation for Retrieving Diverse Perspectives(NAACL 2025 학회 발표본)

- Local Consumer Review Survey 2026(브라이트로컬·2026.2·미국 성인 1,002명)

- Review survey 2026: 85% act on reviews, recency decides(PinMeTo·브라이트로컬 2026 조사 정리)

- AI 쇼핑 확산 조짐…한국 소비자, 리뷰·검색 기반 활용 강했다(테크42·크리테오 조사·2026.3 보도·8개국 약 6,800명, 한국 1,000명)