AI 쇼핑은 브랜드가 믿는 만큼 빠르게 움직이지 않는다

AI는 소비자들이 제품을 조사하는 방식에 빠르게 자리 잡았습니다. Adobe Analytics에 따르면 생성 AI 도구를 통해 미국 소매 사이트로 유입된 트래픽이 전년 대비 2025년 휴가 시즌 동안 693.4% 증가했습니다. 1년 전 Adobe는 설문에 응한 미국 소비자 중 39%가 이미 온라인 쇼핑에 생성 AI를 사용했으며, 제품 조사와 추천이 가장 흔한 활용 사례라고 밝혔습니다.

이러한 시스템을 제공하는 기술 기업들은 AI 제품에 쇼핑 기능을 직접 통합했습니다. OpenAI는 ChatGPT에 쇼핑 리서치를 개발하여 소비자가 필요와 선호, 예산에 맞춰 제품을 비교할 수 있도록 돕습니다. Google은 AI를 활용해 제품 추천 및 쇼핑 인사이트를 생성하고, Amazon은 AI 쇼핑 어시스턴트를 확대해 소비자가 제품을 조사하고 선택하도록 지원합니다.

AI가 제품 발견에서 차지하는 비중이 커짐에 따라, 브랜드들은 이전에 Google 순위에만 쏟았던 집중도를 이제 추천 내에서의 존재감에도 적용하기 시작했습니다. 마케터들은 동일한 제품 질문을 AI 모델에 반복해서 묻고, 어떤 브랜드가 나타나는지 기록하며 그 결과가 어떻게 변하는지 추적합니다.

이러한 접근 방식은 마케터들에게 AI 쇼핑이 실제로 얼마나 빠르게 변하는지에 대한 왜곡된 그림을 제공할 수 있습니다.

같은 질문을 AI 모델에 열 번 묻는다면 열 가지 서로 다른 제품 조합을 얻을 수 있습니다. 한 브랜드는 어떤 답변에서는 1위에, 다음 답변에서는 4위에 나타나고 또 다른 답변에서는 사라질 수도 있습니다. 마케터가 각 답변을 순위로 해석한다면, 그 결과는 자신의 위치가 끊임없이 변한다고 보여줍니다.

하지만 생성 모델은 응답에 변동성을 도입하므로, 마케터는 브랜드가 입지를 얻었거나 잃었다고 판단하기 전에 그 변동성을 고려해야 합니다. 보다 유용한 신호는 많은 관련 쇼핑 대화에서 지속되는 패턴에서 나옵니다.

우리가 약 3,300개의 AI 쇼핑 추천 트렌드(186가지 브랜드·프롬프트·AI 모델 조합)를 수집한 데이터는 차이를 보여줍니다. 개별 답변은 자주 변했지만, 전체적인 추천 분포는 훨씬 더 일관되었습니다.

마케터에게는 측정 단위가 데이터 자체만큼이나 중요합니다.

더 많은 질의가 AI 쇼핑을 더 변동적으로 보이게 할 수 있다

검색 순위는 마케터에게 디지털 가시성을 측정하는 익숙한 방식을 제공했습니다. 결과는 특정 시점에 위치를 차지했으며, 마케터는 그 위치를 경쟁사와 비교해 추적할 수 있었습니다.

AI 추천은 시스템이 소비자의 질의와 상황에 따라 답변을 생성하기 때문에 다른 측정 접근이 필요합니다. 예를 들어 OpenAI는 ChatGPT 쇼핑 결과가 사용자 질의와 상황 정보를 고려할 수 있다고 설명합니다. Google도 마찬가지로 자사의 쇼핑 결과가 관련성, 검색어, 이전 활동 및 쇼핑 선호도를 반영할 수 있다고 말합니다.

그 결과, 마케터는 동일한 일반 질문을 여러 번 하면 서로 다른 제품이 나타나는 것을 볼 수 있습니다.

예를 들어, 러닝화 브랜드가 한 답변에서는 1위, 다른 답변에서는 4위, 세 번째 답변에서는 전혀 나타나지 않는다고 상상해 보세요. 이러한 세 관찰은 브랜드의 성과를 불안정하게 보이게 합니다. 하지만 수백 건의 관련 대화에서 동일한 브랜드는 매주 대략 동일한 비율의 추천을 차지할 수 있습니다.

마케터가 모니터링 빈도를 높이면 이 구분이 중요해집니다. 더 많은 질의를 실행하면 관찰이 늘어나고, 관찰이 늘어날수록 정상적인 변동을 볼 기회가 많아집니다. 따라서 대시보드는 전체 추천 분포가 거의 변하지 않아도 점점 더 활발해 보일 수 있습니다.

마케터는 이러한 움직임이 지속되는지 판단할 충분한 관찰이 필요합니다. 대표성을 갖춘 샘플이 없으면 일일 모니터링이 제품, 마케팅 또는 경쟁 위치의 변화와는 무관한 설명을 찾게 만들 수 있습니다.

그 결과는 보고를 넘어섭니다. 측정은 마케터가 시간과 비용을 어디에 투자할지 결정하게 합니다. 매일의 변동을 모두 의미 있는 것으로 해석하는 기업은 충분한 근거가 마련되기 전에 제품 콘텐츠를 반복적으로 변경하거나 경쟁사를 조사하거나 마케팅 자원을 재배치할 수 있습니다.

마케터는 의미 있는 것으로 간주되는 기준을 정의해야 한다

AI 쇼핑 측정에는 변화가 조사할 가치가 있는지를 알려주는 임계값이 필요합니다.

브랜드가 세 개의 답변에서 사라진다고 해서 전체 성과에 대한 충분한 증거가 되는 것은 아닙니다. 동일한 브랜드가 수백 건의 관련 쇼핑 대화에서 추천 점유율을 잃고 그 감소가 몇 주 동안 지속된다면, 마케터는 조사할 더 강력한 이유를 갖게 됩니다.

표본 크기가 중요한 이유는 개별 AI 응답에 변동성이 있기 때문입니다. 시간도 중요한데, 지속적인 패턴이 단발성 변화보다 더 많은 정보를 제공하기 때문입니다. 마케터는 추천 데이터를 의사결정에 활용하기 전에 두 요소를 모두 판단해야 합니다.

모델 역시 중요합니다.

브랜드가 ChatGPT에서는 추천 점유율이 증가하지만 Gemini에서는 성과가 안정적일 수 있습니다. 이러한 관찰을 하나의 AI 가시성 점수로 합치는 마케터는 변화가 발생한 위치에 대한 유용한 정보를 잃게 됩니다.

다양한 AI 쇼핑 시스템은 서로 다른 정보를 활용하고 다른 제품 경험을 통해 작동합니다. OpenAI는 쇼핑 리서치에 판매자 제품 데이터, 공개된 제품 정보 및 기타 소매 소스를 사용할 수 있다고 말합니다. Google은 AI 지원 제품 추천이 브랜드, 매장 및 기타 콘텐츠 제공업체로부터 수집된 쇼핑 데이터를 기반으로 한다고 밝혔습니다.

이러한 차이는 마케터가 모든 AI 시스템이 동시에 같은 방향으로 움직인다고 가정하기보다 모델별로 추천 패턴을 검토해야 하는 이유가 됩니다.

몇 주에 걸쳐 구축된 기준선은 기준점을 제공할 수 있습니다. 마케터는 이후 새로운 관찰을 그 기준선과 비교하고 의미 있는 표본에서 지속되는 변화를 조사할 수 있습니다.

추천 점유율은 순위보다 브랜드에 더 많은 정보를 제공한다

추천 점유율은 이러한 패턴을 측정하는 실용적인 방법을 제공합니다. 제품이 하나의 답변에서 어디에 나타났는지를 기록하는 대신, 마케터는 대표적인 관련 소비자 질문 집합에서 브랜드가 얼마나 자주 추천을 받는지를 측정할 수 있습니다.

러닝화 제조업체를 예로 들어보겠습니다. 소비자가 마라톤 훈련용 신발을 물어볼 때는 제품이 자주 나타나지만, 트레일 러닝을 물어볼 때는 거의 나타나지 않을 수 있습니다. 이러한 차이는 AI 시스템이 브랜드와 연관 짓는 필요에 대해 마케터에게 유용한 정보를 제공합니다.

개별 답변의 순위는 훨씬 적은 맥락을 제공합니다. 두 번째와 다섯 번째 사이의 차이는 다음에 질문이 들어오면 사라질 수 있습니다. 수백 건의 대화에서 추천 점유율의 일관된 차이는 마케터가 연구할 수 있는 패턴을 제공합니다.

추천 점유율은 마케터가 경쟁 움직임을 식별하는 데도 도움이 됩니다. 특정 브랜드가 일반적으로 관련 추천의 30%를 차지하다가 몇 주 동안 40%로 상승한다면, 마케터는 그 증가가 어디서 비롯됐는지 추적할 수 있습니다.

그들은 증가에 가장 크게 기여한 소비자 질문과 이를 만든 AI 모델을 식별할 수 있습니다. 그 다음에는 해당 시스템에 제공되는 정보의 변화를 살펴볼 수 있습니다.

새로운 제품이 특정 소비자 요구에 더 잘 부합할 수 있습니다. 소매업체가 보다 완전한 제품 정보를 추가했을 수도 있습니다. 고객 리뷰나 독립적인 보도가 AI 시스템에 제품이 특정 사용 사례에 맞는 경우에 대한 추가 증거를 제공할 수 있습니다.

측정의 목표는 이러한 수준의 분석에 도달하는 것입니다. 마케터는 조사할 수 있는 변화를 식별하도록 돕는 지표가 필요하며, 단순히 대시보드에서 움직임을 늘리는 지표는 원하지 않습니다.

AI 쇼핑은 일화적 사례를 트렌드로 오해하기 쉽게 만든다

AI 쇼핑은 개별 답변이 설득력 있는 증거가 되기 때문에 일화적 측정을 장려합니다.

ChatGPT 추천 상단에 제품이 표시된 스크린샷이 몇 분 안에 회사 전체에 퍼질 수 있습니다. 자사의 제품이 나타나지 않은 주요 경쟁사의 스크린샷도 마찬가지입니다. 두 사례 모두 직원들이 직접 추천을 확인할 수 있어 구체적으로 느껴집니다.

하나의 답변은 여전히 하나의 관찰을 의미합니다.

소비자들이 제품 조사 시 AI에 더 많이 의존함에 따라 이 문제는 커질 것입니다. Adobe는 생성 AI 소스에서 유입된 소비자들이 다른 트래픽 소스보다 더 많은 페이지를 탐색하고 이탈률이 낮았다는 것을 발견했습니다. McKinsey는 또한 생성 AI 어시스턴트가 구매 결정을 내리기 전 쇼핑 여정 초기에 소비자를 끌어들일 수 있다는 점을 문서화했습니다.

이러한 영향력 증가는 브랜드가 AI 추천 내에서 자신의 위치를 이해해야 할 강력한 이유가 됩니다. 동시에 약한 증거로 결론을 내리는 비용도 높아집니다.

브랜드는 AI 시스템이 자사 제품을 얼마나 자주 추천하는지, 어떤 소비자 질문이 그 추천을 유발하는지, 그리고 이러한 패턴이 시간에 따라 어떻게 전개되는지를 파악할 충분한 관찰이 필요합니다. 기준선은 마케터가 지속적인 움직임을 인식하는 데 필요한 맥락을 제공합니다.

마케터가 그 움직임을 식별하면, AI 시스템이 제품을 이해하는 데 사용하는 정보를 조사할 수 있습니다. 제품 설명, 소매업체 정보, 리뷰 및 독립 소스의 정확성과 완전성을 검토한 뒤, 이러한 소스가 AI 시스템에 소비자가 표현한 필요와 제품을 연결할 충분한 증거를 제공하는지 판단할 수 있습니다.

쇼핑에서 AI의 역할이 커짐에 따라 이 측정은 점점 더 중요해집니다. 소비자는 이제 AI를 활용해 제품을 조사하고, 옵션을 비교하며, 소매업체 웹사이트에 방문하기 전에도 구매 결정을 좁힐 수 있습니다.

브랜드는 이러한 대화 내부에서 무슨 일이 일어나는지 이해해야 하지만, 모니터링을 늘린다고 해서 자동으로 더 나은 정보를 얻는 것은 아닙니다. 가치는 충분한 관찰을 수집해 일반적인 변동과 지속되는 패턴을 구분하는 데서 나옵니다.

개별 AI 답변은 계속 변할 것입니다. 마케터는 이를 기대해야 합니다. 그들의 관심은 충분히 오래 지속되고, 충분히 많은 관련 대화에서 나타나는 추천 패턴에 두어야 행동을 정당화할 수 있습니다.