사상 리더
AI 에이전트 커머스가 기업 데이터의 오래된 실수를 되풀이하고 있다

핵심 포인트에이전트 기반 상거래는 인간이 읽을 수 있는 콘텐츠뿐만 아니라 기계가 추론할 수 있는 구조화된 제품 데이터를 요구합니다.
더 보기
- 에이전트 기반 상거래는 인간이 읽을 수 있는 콘텐츠뿐만 아니라 기계가 추론할 수 있는 구조화된 제품 데이터를 요구합니다.
- B2B 상거래는 규칙, 관계 및 제약 조건을 명시적으로 인코딩하는 의미론적 제품 계층을 구축해야 합니다.
- 제품 데이터를 인프라로 취급하는 기업은 AI 에이전트에게 명확히 인식될 수 있으며 경쟁 우위를 얻을 것입니다.
오랫동안 B2B 커머스는 단순한 전제를 바탕으로 작동했다. 정보를 둘러보는 주체는 사람이라는 전제다.
사람들은 제품 페이지를 읽고 사양서를 훑어보며, 추가로 질문할 줄 알기 때문에 모호한 표현도 받아들인다. 불명확한 점이 있으면 영업 담당자에게 이메일을 보낸다. 규칙이 각주에 숨어 있으면 경험으로 빈틈을 메운다.
B2B 제품 데이터는 전적으로 이러한 행동을 중심으로 발전했다. 데이터 자체만으로 충분할 필요는 없었다. 사람이 해석할 수만 있으면 됐다. AI가 등장하면서 이 전제는 더 이상 유효하지 않다.
기업 데이터에서도 이미 겪었던 문제다
익숙하게 느껴진다면 그럴 만한 이유가 있다. 10년 전 기업들은 데이터에 관해 매우 비슷한 논의를 하고 있었다. 데이터 웨어하우스는 가득 찼고 데이터 레이크는 넘쳐났으며, 결국 모든 시스템이 무언가를 내보내고 있었다. 겉보기에는 기업에 데이터가 풍부했다. 실제로는 통역자 역할을 하는 분석가 없이는 현업 사용자가 기본적인 질문에도 답할 수 없어 아무 일도 빠르게 진행되지 않았다. SQL이 병목이 됐다.
기업 데이터는 사람들이 비즈니스에 관해 어떻게 사고하는지가 아니라, 시스템이 정보를 어떻게 저장하는지를 중심으로 정리돼 있었다. 행과 열은 있었지만 개념은 없었다. 매출 정보는 세 개의 테이블에 들어 있었다. 고객이라는 말은 누구에게 언제 묻느냐에 따라 다섯 가지 다른 의미를 가졌다. 지표가 명확히 정의되지 않았기 때문에 이를 둘러싼 논쟁도 끝이 없었다.
기업 데이터의 돌파구는 복잡성을 인정하고 통제하는 데서 나왔다. 시맨틱 레이어는 그 한 가지 예지만, 더 큰 변화의 일부였다. 기업들은 원시 데이터가 저절로 쓸 수 있는 상태인 것처럼 다루기를 멈추고, 비즈니스의 실제 사고방식과 운영 방식에 맞는 변환 계층을 구축하기 시작했다.
지표 모델은 보고서마다 계산 방법을 새로 도출하는 대신 한 번 정의함으로써 이를 실현했다. 누군가 시간을 들여 정의를 코드로 표현했기 때문에 매출은 어디서나 같은 의미를 갖게 됐다. 데이터 모델과 차원 스키마도 구조적인 면에서 같은 역할을 했다. 운영 테이블을 고객, 제품, 주문, 시간 같은 개념으로 바꿨다. 현업 사용자는 기본적인 질문에 답하려면 테이블을 몇 번 조인해야 하는지 더 이상 이해할 필요가 없었다. 관계가 이미 정의돼 있었기 때문이다.
데이터 카탈로그와 거버넌스에 따라 관리되는 정의는 문제의 다른 부분을 해결했다. 이전에는 사람들의 머릿속에만 있던 의미를 기록했다. 이 필드는 무엇을 나타내는가? 언제 사용해야 하는가? 어떤 한계가 있는가? 맥락은 더 이상 특정 집단만 아는 암묵지가 아니라 시스템의 일부가 됐다.
이 계층들은 함께 복잡성을 흡수해 다룰 수 있는 것으로 만들었다. 안정적인 추상화를 제공함으로써 더 많은 사람과 시스템이 매번 세상을 처음부터 다시 해석하지 않고도 올바르게 추론할 수 있도록 했다. 바로 이것이 오늘날 B2B 커머스에 빠져 있다.
에이전트가 주도하는 제품 탐색이 같은 재검토를 요구한다
AI 에이전트가 주도하는 커머스는 B2B 제품 데이터에 같은 시험을 요구한다. 제조업체와 유통업체에 제품 정보가 부족한 것은 아니다. 이미 사양과 구성, 가격 책정 논리, 계약상의 제약에 이르기까지 막대한 정보를 저장하고 있다.
문제는 이 데이터 대부분이 사람을 위해 구조화됐다는 점이다. 사양은 PDF에 들어 있고, 규칙은 온라인으로 옮겨지지 않은 인쇄 제품 카탈로그에 설명돼 있다. 예외는 코드로 표현되지 않은 채 영업 지원 부서의 업무 절차에서 암묵적으로 이해된다. 맥락이 영업팀의 머릿속에만 있으니 너무 많은 것이 조직의 기억에 의존한다.
AI 에이전트는 PDF를 훑어보고 대략적인 뜻을 알아채지 않는다. 어떤 문장이 반드시 지켜야 할 제약이고 어떤 문장이 영업용 표현인지 모른다. 서식이나 어조를 근거로 안전하게 규칙을 추론할 수도 없다. 의미가 명시돼 있지 않으면 에이전트는 알 수 없는 것으로 취급한다.
비정형 데이터가 나쁘다는 뜻은 아니다
한 가지는 분명히 해야 한다. 비정형 데이터는 적이 아니다. 과거에도 그랬다.
기업 분석에서 시맨틱 레이어가 등장했다고 비정형 데이터가 사라진 것은 아니다. 구조 위에 하나의 계층으로 더해졌다. 구조는 규칙과 관계를 담당했고, 비정형 콘텐츠는 뉘앙스와 설명, 맥락을 담당했다.
여기에도 같은 패턴이 적용된다.
에이전트가 추론하려면 구조가 필요하다. 명시적인 규칙, 관계, 제약, 상태가 필요하다. 무엇이 호환되는지, 무엇을 구성 변경할 수 있는지, 무엇이 허용되는지, 어떤 조건에서 적용되는지 알아야 한다. 비정형 콘텐츠만으로는 이런 정보를 신뢰성 있게 제공할 수 없다.
그렇다고 구조만으로 충분한 것도 아니다. 에이전트는 속성을 조회하는 데 그치지 않는다. 선택지를 비교하고 절충점을 평가한다. 대상이 무엇인지뿐 아니라 언제 추천해야 하는지도 판단한다.
서술형 설명은 의도와 포지셔닝, 활용 사례를 설명하는 계층이다. 이 제품이 존재한다는 사실과 이런 상황에서 이 제품을 선택해야 한다는 설명의 차이다. 기업 데이터 영역에서는 정의, 문서화, 비즈니스 맥락으로 나타났다. 여기에서는 에이전트가 학습할 수 있는 제품 수준의 설명으로 나타난다. 구조화된 제품 데이터가 무엇이 사실인지 알려 준다면, 서술형 설명은 무엇이 중요한지 판단하도록 돕는다.
커머스는 추론이 아니라 표현을 위해 최적화됐다
이 부분이 불편한 진실이다. 커머스 인프라는 기업 데이터가 이룬 도약을 실제로 이루지 못했다. 우리는 더 나은 제품 정보 관리 시스템인 PIM, 더 풍부한 카탈로그, 더 보기 좋은 제품 페이지를 만들었다. 그러나 제품을 위한 진정한 시맨틱 레이어는 만들지 않았다. 표현을 최적화했을 뿐이다.
사람이 B2B 구매를 중개하는 동안에는 괜찮았다. 영업 담당자가 특수한 사례를 설명했다. 구매자는 모호함을 받아들였고, 모두가 시스템의 부족한 부분을 우회하는 법을 알았다.
에이전트는 이 완충 장치를 없앤다. B2B에서는 균열이 즉시 드러난다. 가격은 고객 계정마다 다르고, 공급 가능 여부는 지역에 따라 달라진다. 호환성은 구성에 달려 있다. 계약은 기본 조건에 우선한다. 부여된 권리도 중요하다. 어느 것도 안전하게 추측할 수 없다.
에이전트는 제품을 평가할 때 잘 쓴 설명에 감탄하지 않는다. 무엇이 적합하고 무엇이 허용되며 무엇이 호환되는지, 다음에 어떤 일이 일어나는지 알고 싶어 한다. 정보가 명시돼 있지 않으면 설명을 요청하지 않고 그냥 다음으로 넘어간다.
커머스 기업이 지금 해야 할 일
지금이 전환점이다. 커머스 기업은 제품 데이터를 사람이 해석하는 콘텐츠로 계속 취급할 수 있다. 아니면 기계가 추론의 근거로 삼는 인프라로 다루기 시작할 수 있다.
그러려면 사양은 의미가 정의된 속성이 돼야 한다. 호환성은 문단으로 설명할 것이 아니라 관계로 코드화해야 한다. 가격 책정은 논리로 표현해야 한다. 부여된 권리는 명확히 밝혀야 한다. 공급 가능 여부는 정확한 상태 정보로 나타내야 한다.
이는 기업들이 분석 영역에서 해야 했던 것과 정확히 같은 변화다. 원시 데이터와 테이블로 부족하자 의미를 정의해야 했다. 구조화된 핵심이 마련되면 서술형 설명은 더 이상 AI의 유일한 사실 원천이 아니다. 에이전트가 현실 상황에서 그 사실을 적용하는 방법을 가르치는 계층이 된다.
이렇게 하는 제조업체와 유통업체는 에이전트가 이해할 수 있는 대상이 될 것이다. 제품을 평가하고 추천하기 쉬워지고 신뢰하기도 쉬워진다. 그렇지 않은 기업도 여전히 데이터를 갖고는 있겠지만, 그 데이터는 옛 기업 데이터 웨어하우스처럼 작동할 것이다. 기술적으로는 존재하지만 실제로는 쓸 수 없게 된다.
패턴은 오래됐지만 결과는 새롭다
이는 추측이 아니다. 기업 데이터가 정확히 같은 주기를 거치는 모습을 이미 봤다. 지금 유일하게 다른 것은 사용자다. 비즈니스 분석가 대신 자율 에이전트가, 대시보드 대신 추천이, 느린 의사결정 대신 즉각적인 선택지 배제가 자리한다.
AI 에이전트가 주도하는 커머스는 수십 년 된 기업 데이터 문제를 드러낸다. 이를 인식하고, 기업이 운영 데이터를 다루는 법을 배웠듯 제품 데이터를 다루는 회사는 빠르게 적응할 것이다. 그렇지 않은 회사는 계속 PDF를 추가하고 설명을 고쳐 쓰면서, 왜 에이전트가 자신들을 선택하지 않는 것 같은지 의아해할 것이다.
역사는 반복되고 있다. 이번에는 기계가 주목하고 있다.












