Himanshu Jain, CommerceIQ 공동 설립자 겸 제품 책임자 – 인터뷰 시리즈

Himanshu Jain, CommerceIQ 공동 설립자 겸 제품 책임자는 AI 에이전트를 구축하여 복잡한 소매 및 전자상거래 워크플로를 자동화하는 데 중점을 두고 제품 전략과 개발을 이끌고 있습니다. 2017년에 CommerceIQ를 공동 설립한 이후, 그는 데이터, 자동화 및 AI를 디지털 커머스에 적용하는 회사의 접근 방식을 형성하는 데 기여했습니다. CommerceIQ에 합류하기 전, Jain은 Boomerang Commerce에서 제품 전략, 사업 개발 및 고객 성공 리더십 역할을 맡아 주요 소매업체와 가격 책정, 품목 구성 및 전자상거래 성장 전략을 함께 작업했습니다. 초기 경력에서는 A.T. Kearney에서 경영 컨설턴트로 근무했으며, Capital One UK에서 거의 5년 동안 제품 관리, 신용 위험, 마케팅 전략, 분석 및 통계 모델링을 담당했습니다. 그는 또한 스타트업에게 시장 진입 전략을 조언하고, Amazon 및 전자상거래에 관한 글을 Marketing Land에 기고했습니다.

CommerceIQ는 소비재 브랜드가 전자상거래 채널 전반에 걸쳐 성과를 관리하고 최적화하도록 설계된 AI 기반 소매 커머스 플랫폼입니다. 이 플랫폼은 판매, 소매 미디어, 디지털 선반, 콘텐츠, 재고 및 경쟁 데이터를 통합하여 1,500개 이상의 소매업체와 85개국에 걸친 성과를 팀이 한눈에 볼 수 있게 합니다. CommerceIQ는 AllyAI 기술을 통해 에이전시 AI에 점점 더 집중하고 있으며, 소매 신호를 분석하고, 행동을 권장하며, 보고서를 자동화하고, 광고 입찰 및 예산을 최적화하고, 정의된 제어 내에서 선택된 전자상거래 워크플로를 실행할 수 있는 특화된 에이전트를 제공합니다. 회사는 이 접근 방식을 대시보드 중심의 소매 관리에서 판매, 미디어, 콘텐츠 및 디지털 선반 전반에 걸친 지속적인 AI 지원 실행으로의 전환으로 위치시키고 있습니다.

CommerceIQ를 공동 설립하기 전, 제품 관리, 고객 성공, 사업 개발 등 다양한 분야에서 10년 이상을 일해오셨습니다. 에이전시 소매에 뛰어들게 된 계기는 무엇이며, 이전 기술 전환 경험 중 어떤 교훈이 현재를 바라보는 시각에 영향을 주었나요?

에이전시 AI가 등장하기 전 대부분의 소프트웨어는 인간의 업무를 더 빠르게 만들기 위해 설계되었습니다. Excel은 모델을 더 빠르게 구축하도록 도와주고, 대시보드는 결정을 더 빠르게 내리도록 지원합니다. 에이전시 소매에서 달라진 점은 소프트웨어가 이제 인간이 하는 방식을 단순히 가속화하는 것이 아니라 작업 자체를 수행할 수 있게 되었다는 것입니다. 에이전트는 새로운 직원이 배우듯이 사용자의 환경을 학습할 수 있습니다. 사용자의 프로세스, 내부 가이드라인, 실제 의사결정 방식 및 목표 달성을 위한 전 과정이 인간은 컨텍스트를 제공하고 결과를 감사하는 역할을 하며, 모든 단계를 직접 수행하지는 않습니다. 이는 제가 이전에 제품 관리나 고객 성공 분야에서 다루던 소프트웨어와는 완전히 다른 카테고리이며, 따라서 이것이 제가 경험한 가장 근본적인 기술 변화이며, 점진적인 변화가 아니라는 이유입니다. 또한 그 속도는 이전 어느 때와도 비교할 수 없습니다. 스마트폰이 보편화되기까지는 수년이 걸렸지만, 에이전시 AI는 전체 산업의 작동 방식을 바꾸었으며 그 속도는 둔화되지 않고 있습니다. 이전 전환에서 제가 가장 중요하게 생각하는 교훈은 과거를 투사하는 사람들이 여기서 잘못된 판단을 내린다는 점입니다. 제가 가장 효과적이라고 생각하는 접근 방식은 열린 마음을 유지하고, 직접 몸으로 체험하며, 과거 사이클이 아니라 현재 실제로 일어나고 있는 일로부터 배우는 것입니다.

소비자가 AI 에이전트를 이용해 제품을 발견하고 구매하는 \”에이전시 커머스\”와 브랜드가 판매 방식을 관리하기 위해 에이전트를 활용하는 \”에이전시 소매\”를 구분하셨습니다. 양측이 점점 자동화됨에 따라 소비자, 브랜드, 소매업체 간의 관계가 어떻게 변할 것으로 보시나요?

소매 탐색은 몇 차례 실질적인 변화를 겪었습니다. 80~90년대에는 우편으로 받은 전단지, 매장이 어떤 제품을 강조할지 결정하고, 인간이 그 중에서 선택하는 방식이었습니다. Amazon은 무한 진열대를 만들었습니다. 모든 키워드 검색이 자체적인 무제한 선반이 되었지만, 여전히 인간이 제목을 읽고, 리뷰를 훑어보며, 스스로 선택했습니다. 현재 변화하고 있는 점은 인간과 에이전트가 함께 구매한다는 것입니다. 사용자가 의도를 표현하면, 에이전트는 페이지에 있는 모든 제품을 전체적으로 읽고, 모든 주장, 리뷰, 핵심 포인트를 분석하여 사용자의 실제 필요와 맞는 의도 분석을 수행한 뒤 네~다섯 개의 추천을 제공합니다. 최종 선택은 여전히 사용자가 하지만, 에이전트가 이미 인간이 스크리밍으로 하던 비교 작업을 수행한 것입니다. 브랜드 측면에서는 소비자와 그들의 에이전트가 찾는 것을 기반으로 PDP 콘텐츠를 최적화하고, 입찰할 제품을 결정하며, 머천다이징 관리에 도움을 줍니다. 소매업체는 이 루프의 중앙에 위치해 두 측 사이에 흐르는 신호량과 누가 어떤 프로모션 하에 무엇을 보게 될지를 제어합니다. 이러한 데이터와 의사결정 계층은 점점 소매업체에게 독점적인 자산이 되고 있습니다.

제품 탐색이 전통적인 키워드 검색을 넘어 제품을 비교하고 옵션을 요약하며 추천을 제공하는 AI 어시스턴트로 진화하고 있습니다. 브랜드가 검색 결과에서 높은 순위를 차지하는 것만이 아니라 AI 에이전트로부터 추천을 받기 위해 제품 콘텐츠와 디지털 선반 전략을 어떻게 재구성해야 할까요?

사람은 페이지를 훑어보고 리뷰 요약을 읽으며 몇 장의 이미지를 본다. 에이전트는 모든 픽셀을 읽을 수 있다. 쇼핑 에이전트 내부에서도 질문이 키워드로 분해되고, 그 키워드가 검색되고, 결과가 추출되고, 모든 제품이 전체적으로 읽힌 다음, 의도 알고리즘이 보여줄 후보 목록을 순위 매긴다. 이는 콘텐츠가 전통적인 검색과 픽셀 수준의 읽기를 동시에 만족해야 함을 의미한다, 둘 중 하나만이 아니라. 또한 최적화하려는 에이전트 종류도 중요하다. Rufus, Sparky, Alexa Shopping과 같은 쇼핑 에이전트는 실제 구매가 이루어지는 곳이며, 여기서 중요한 요소는 제품 페이지 자체와 그 위의 모든 속성 및 주장이다. ChatGPT나 Perplexity와 같은 범용 에이전트는 상단 퍼널 연구와 더 비슷하게 동작하며, 여기서 언급을 얻는 것은 획득 미디어, 인용, 블로그 포스트, 제3자 기사 등에 가깝다. 이러한 것을 동일한 문제로 다루는 브랜드는 잘못된 표면을 최적화하게 된다.

‘agentic AI’라는 용어가 이제 다양한 제품에 적용되고 있습니다. 소매 분야에서는, 진정한 AI 에이전트를 전통적인 규칙 기반 자동화나 생성 AI 인터페이스가 겹쳐진 분석 플랫폼과 구분 짓는 요소가 무엇인가요?

규칙 기반 자동화는 X가 발생하면 Y를 수행한다는 것입니다. 이는 지능이 없으며 명시적으로 프로그래밍하지 않은 사항을 처리할 수 없습니다. 대시보드 위에 생성 인터페이스를 얹는 것은 동일한 정적 인사이트를 더 쉽게 읽을 수 있게 할 뿐입니다. 진정한 에이전트는 생각하고, 계획하고, 실행하며, 지속적으로 평가하고 적응할 수 있습니다. 마치 훈련시킨 주니어 분석가와 같습니다. 에이전트에게 컨텍스트, 프로세스, 가이드라인, 이전에 내린 결정들을 제공하면, 다음 규칙이 발동되기를 기다리는 대신 목표에 맞춰 실행을 시작합니다. 제가 실제로 사용하는 테스트는 다음과 같습니다: 에이전트가 훈련시킨 사람처럼 작동할 수 있는가, 아니면 언제나 정적인 것을 더 빠르게 만든 버전에 불과한가?

소매 팀은 전통적으로 수천 개의 제품에 대해 재고, 가격, 제품 페이지, 리테일 미디어, 검색 성과, 경쟁 활동을 모니터링해 왔습니다. 오늘날 자율 AI 에이전트에 가장 적합한 운영 격차는 무엇이며, 인간 판단이 대체하기 어려운 영역은 어디인가요?

나는 이를 판단이 요구되는 정도와 영향력의 크기로 2×2 매트릭스로 생각합니다. 판단이 낮은 작업은 에이전트에게 바로 맡깁니다. 판단이 높거나 영향력이 큰 작업은 인간이 전략적 지침을 제공하고 결과를 감사하도록 유지합니다. 실제로는 1년 동안 아무도 건드리지 않은 롱테일 SKU와 롱테일 소매업체부터 시작해 자동 파일럿으로 전환합니다. 실수의 파급 범위가 낮기 때문입니다. 주요 SKU와 주요 소매업체는 인간 레이어를 유지하고, 이 레이어는 단순 감사용이 아니라 에이전트를 교육하는 역할을 합니다. 문제가 발생하면 무엇을 어떻게 해야 했는지, 왜 그렇게 해야 했는지를 알려주고, 이러한 피드백이 시간이 지남에 따라 에이전트를 개선시켜 일관된 평균 수준을 넘어 서게 합니다.

전문화된 에이전트는 고립된 목표에 최적화될 경우 자체적인 문제를 만들 수 있습니다. 예를 들어 미디어 에이전트가 재고가 소진되는 제품에 광고를 늘릴 수 있고, 가격 에이전트가 마진을 희생하면서 전환율을 높일 수 있습니다. 여러 에이전트가 개별 지표를 최적화하는 것이 아니라 브랜드의 광범위한 상업 목표를 향해 협력하도록 어떻게 보장할 수 있나요?

바로 이 때문에 우리는 독립된 에이전트 집합이 아니라 오케스트레이터를 구축했습니다. 우리 오케스트레이터의 이름은 Ally이며, 목표는 단일 채널의 지표가 아니라 매출 성장입니다. Ally는 기회와 위험을 파악하고, 트레이드오프를 검토한 뒤, 미디어, 콘텐츠, 가격 등 작업 에이전트에게 구체적인 과제를 할당합니다. 모든 에이전트가 동일한 정보를 공유하므로 어느 하나가 고립되어 최적화되지 않습니다. 이러한 레이어가 없으면 질문에 나온 실패 사례가 그대로 발생합니다: 재고가 곧 소진될 제품에 미디어 에이전트가 비용을 지출하는 상황이 발생하는데, 이는 재고에 대한 가시성이 없기 때문입니다.

소매 데이터는 소매업체 포털, 광고 플랫폼, 재고 시스템, 제품 정보 시스템, 내부 분석 도구 등 여러 곳에 분산되어 있습니다. 성공적인 에이전트 기반 소매를 위해 데이터 품질과 데이터 통합이 얼마나 중요한가요? AI 에이전트에 더 큰 자율성을 부여하면 부정확하거나 불완전한 데이터가 더 위험해지나요?

데이터를 올바른 형태로 정리하고, 실제 의미론적 구조와 적절한 온톨로지를 갖추는 것이 대부분의 실제 작업입니다. 단순히 원시 피드를 나란히 두는 것이 아니라 말이죠. 많은 팀이 ChatGPT에 무언가를 업로드하거나 기존 시스템 위에 에이전트를 연결하면 일관성이 없고, 때로는 작동하고 때로는 환각을 일으켜 신뢰할 수 없다고 생각합니다. 자율성이 높아지면 상황은 더 악화됩니다. 인간은 나쁜 데이터를 가지고도 오류를 잡아내고 행동하기 전에 수정할 수 있지만, 에이전트는 나쁜 데이터를 즉시, 대규모로 실행해 버리며, 아무도 눈치채기 전에 문제가 확대됩니다.

브랜드가 AI 에이전트에 익숙해짐에 따라, 어떤 행동을 자율적으로 실행하고 어떤 행동은 계속해서 인간 승인이 필요하도록 결정해야 할까요? “AI가 추천”에서 “AI가 실행”으로의 전환은 실제로 어떻게 진행되나요?

점진적으로 진행되어야 하며 한 번에 뛰어넘어서는 안 됩니다. 대부분의 팀은 자동화 비율이 약 10%, 승인 필요 비율이 90% 정도에서 시작합니다. 피드백 루프가 작동하면서 인간이 에이전트를 수정하고 에이전트가 그 수정을 반영함에 따라 신뢰가 쌓이고 비율이 20%와 80%로, 그리고 더 나아가 자동화되는 작업의 양과 가치 모두에서 변합니다. 이 진행의 시작점은 영향 범위가 작은 작업, 롱테일 SKU 및 여러분이 적극적으로 관리하지 않던 소매업체들이며, 실제 실적이 쌓이면 더 높은 영향력과 판단이 요구되는 결정으로 확장됩니다.

소매 미디어는 전통적으로 광고 지출 대비 수익(Return on Ad Spend)과 같은 지표에 크게 초점을 맞춰 왔지만, 광고가 실제로 증분 매출을 창출하고 있는지 여부에 대한 관심이 커지고 있습니다. AI는 브랜드가 증분성, 수익성 및 광고 예산을 어디에 할당해야 하는지에 대한 더 나은 결정을 내리는 데 어떻게 도움을 줄 수 있을까요?

브랜드는 측정에 지나치게 매료될 수 있습니다. 한 분기 동안 깊이 있는 증분성 연구를 수행하는 것은 철저해 보이지만, 연구가 끝날 무렵에는 시장이 이미 변해 있는 경우가 많습니다. 저는 팀이 실용적인 휴리스틱 집합을 구축하고 이를 더 빠르게 실행하기를 선호합니다: 이미 유기적으로 높은 순위를 차지하고 있다면 입찰을 늘리지 마세요; 이미 얻을 수 있었던 판매에 대해 비용을 지불하는 것이기 때문입니다. 유기적으로 낮은 순위라면 광고 지출이 실제로 가치를 창출하는 시점입니다. 제품을 모르는 시장 내 잠재 고객이 있다면 그들에게 교육하기 위해 비용을 투입하세요. 1.48달러 혹은 1.68달러의 증분 수익을 놓고 논쟁하는 것은 행동하지 않는 시간입니다. 더 빠르게 행동하고 숫자가 완벽히 정확하기보다 방향성만 맞으면 된다는 것을 받아들이는 것이 실제 매출을 움직이는 방법입니다.

소비자 측 AI 에이전트가 점점 더 발견, 비교, 구매를 담당하고 브랜드 측 에이전트가 콘텐츠, 가격, 광고 및 재고를 관리한다면, 결국 기계가 거래 양쪽에 영향을 미치는 상황이 될 수 있습니다. 이러한 환경에서 전자상거래는 어떻게 보일 것이며, 궁극적으로 AI 기반 구매 시스템에 의해 눈에 띄지 않게 되는 브랜드와 승리하는 브랜드를 구분 짓는 요소는 무엇일까요?

저는 에이전트가 곧 서로 자동으로 거래를 수행하는 방향으로 나아가고 있다고 보지 않습니다. 대신 제가 보는 모습은 인간과 에이전트가 양쪽에서 함께 구매하고, 에이전트가 비교와 추천 작업을 수행하며, 인간이 최종 결정을 내리는 형태이며, 브랜드 측에서도 에이전트가 실행하고 인간이 전략을 설정하고 중요한 결정을 승인하는 동일한 패턴이 존재합니다. 이 세계에서는 물리적인 제품 자체가 여전히 우수해야 합니다; 아무리 최적화해도 나쁜 제품은 구제되지 못합니다. 그 이후에 중요한 구분은 컨텍스트입니다: 에이전트가 귀사의 비즈니스에 대해 얼마나 많은 맥락을 가지고 있는지, 얼마나 학습했는지, 그리고 얼마나 많은 피드백을 받았는지. 이것이 어리석은 실수를 하는 에이전트와 브랜드 목소리와 전략을 충분히 이해해 실제 의사결정을 맡길 수 있는 에이전트를 구분 짓는 요소입니다. 승리하는 브랜드는 에이전트에 좋은 컨텍스트와 작동하는 피드백 루프를 제공하는 것을 핵심 작업으로 여기며, 이를 생략하는 브랜드는 눈에 띄지 않게 됩니다.

멋진 인터뷰에 감사드립니다. 더 알고 싶은 독자분들은 CommerceIQ를 방문하세요.