핵심 요약

• 2025년 홀리데이 시즌 동안 미국 소매 사이트로의 생성형 AI 유입 트래픽은 전년 대비 693% 증가했으며, Salesforce의 시즌 종료 후 발표 자료에 따르면 AI와 에이전트가 전 세계 온라인 홀리데이 매출의 20%, 즉 2,620억 달러에 영향을 미친 것으로 나타났습니다.
• Gartner는 2030년까지 디지털 커머스 거래의 20%가 온플랫폼 체크아웃 또는 AI 에이전트를 통한 AI 플랫폼에서 이루어질 것으로 전망하며, 소비자의 50% 이상이 2027년까지 AI 퍼스널 쇼퍼를 정기적으로 이용할 것으로 예측하고 있습니다.
• 부실한 상품 데이터는 더 이상 백오피스만의 문제가 아닙니다. Salsify의 2025년 소비자 조사에 따르면 응답자의 71%가 온라인 상품 정보와 실제 상품이 일치하지 않아 반품한 경험이 있으며, 54%는 채널 간 상품 정보가 일관되지 않아 구매를 포기한 적이 있다고 답했습니다.
• McKinsey의 2025년 State of AI 설문조사 결과, 조직의 88%가 최소 한 개 이상의 비즈니스 기능에서 AI를 활용하고 있지만, 유의미한 EBIT(영업이익) 효과를 실현하는 "고성과 기업"은 약 6%에 불과했습니다. 이 격차는 모델의 품질이 아니라 데이터와 워크플로우 준비도에서 비롯됩니다.
• MIT의 NANDA 이니셔티브는 기업용 생성형 AI 파일럿 프로젝트의 약 95%가 측정 가능한 손익(P&L) 효과를 만들어내지 못했다는 결과를 발표했으며, 연구진은 이를 파편화되고 비정형적이며 신뢰할 수 없는 기반 데이터와 직접적으로 연결되는 패턴이라고 설명했습니다.

서론

지난 20년간 이커머스 마케팅의 본질은 사람의 관심을 사로잡는 것이었습니다. 더 나은 카피, 더 선명한 이미지, 키워드에 최적화된 검색창이 그 도구였습니다. 그러나 이 공식은 이제 다시 쓰이고 있습니다. 소비자들은 점점 더 상품 리서치와 비교를 AI 쇼핑 에이전트에 위임하고 있습니다. 이는 웹페이지를 렌더링하지 않고도 상품 데이터를 직접 읽고, 고객을 대신해 추천하거나 거래를 완료하는 도구입니다. 고객이 사람이 아니라 언어 모델일 때, 기존의 마케팅 유인책은 더 이상 통하지 않습니다. 이제 중요한 것은 상품 데이터가 구조화되어 있고, 정확하며, 에이전트가 신뢰할 수 있을 만큼 기계가 읽을 수 있는 형태로 되어 있는지 여부입니다. 이 글에서는 상품 데이터 품질이 왜 AI 시대의 가장 중대한 마케팅 과제 중 하나로 조용히 부상했는지, 그리고 실질적인 가치를 확보하는 기업과 그렇지 못한 기업을 가르는 요인이 무엇인지 분석합니다.

검색엔진에서 쇼핑 에이전트로의 전환

소매 트래픽 패턴은 대부분의 마케팅 팀이 대응 속도를 따라잡기 어려울 만큼 빠르게 변화하고 있습니다. 미국 소매 사이트에 대한 1조 건 이상의 방문 데이터를 추적하는 Adobe Analytics에 따르면, 생성형 AI를 통한 소매 사이트 유입 트래픽은 2025년 11월에 전년 대비 769%, 12월에는 673% 증가하며 다른 모든 산업군을 압도했습니다. 이러한 트래픽은 전환율도 더 높습니다. Adobe는 AI 유입 방문자의 전환율이 다른 채널 대비 31% 더 높았으며, 체류 시간은 45% 더 길고, 페이지뷰는 13% 더 많았다고 밝혔습니다.

Salesforce의 홀리데이 시즌 종료 후 발표 자료는 이러한 흐름의 규모를 뒷받침합니다. 2025년 전 세계 온라인 홀리데이 지출액 1조 2,900억 달러 중 20%, 즉 2,620억 달러의 매출에 AI와 AI 에이전트가 영향을 미쳤습니다. 자체 브랜드 쇼핑 에이전트를 이미 도입한 소매업체는 그렇지 않은 업체보다 홀리데이 매출 성장률이 59% 더 높았습니다(6.2% 대 3.9%, 전년 대비).

이는 일시적인 유행이 아닙니다. Gartner는 2027년까지 소비자의 절반 이상이 AI 퍼스널 쇼퍼를 정기적으로 이용할 것이며, 2030년까지 디지털 커머스 거래의 5분의 1이 온플랫폼 체크아웃 또는 완전한 에이전트 주도 구매를 통해 AI 플랫폼에서 실행될 것으로 전망합니다. 또한 Gartner는 2028년까지 B2B 구매의 90%가 AI 에이전트를 통해 중개되며, 15조 달러 이상의 자금이 자동화된 거래를 통해 이동할 것으로 예측했습니다. 이커머스 분야의 생성형 AI는 불과 2년여 만에 실험적 기능에서 주요 탐색 채널로 자리매김했습니다.

AI 쇼핑 에이전트가 상품 데이터 품질에 의존하는 이유

RAG는 상품 탐색 방식을 어떻게 바꾸는가

대부분의 AI 쇼핑 도우미와 에이전트는 학습 데이터를 통해 여러분의 카탈로그를 "알고" 있는 것이 아니라, 실시간으로 데이터를 검색해 가져옵니다. 이것이 바로 이커머스 RAG입니다. 쇼핑 에이전트는 질의를 받으면 피드, API, 또는 구조화된 콘텐츠 소스에서 관련 상품 레코드를 검색하고, 방금 가져온 정보를 바탕으로 추천을 생성합니다. 에이전트의 결과물은 검색해 오는 데이터의 신뢰도만큼만 정확할 수밖에 없습니다.

이는 기존 SEO와는 근본적으로 다른 탐색 메커니즘입니다. 검색엔진은 페이지의 순위를 매기지만, 쇼핑 에이전트는 가격, 소재, 호환성, 재고 상태 등 구체적인 사실 정보를 추출하고 이를 바탕으로 추론해 추천하거나 거래를 완료합니다. 이러한 정보가 누락되었거나 정형화되지 않은 마케팅 문구 속에 묻혀 있다면 에이전트는 추측하거나 해당 상품을 제외하거나 경쟁사 상품을 대신 노출시킵니다. AI 기반 상품 탐색은 설득력 있는 문구보다 정확성과 기계 판독 가능성을 우선시합니다.

"에이전트 대응 준비가 된" 상품 데이터란 무엇인가

Gartner의 2026년 1월 보고서 "Optimize Product Data for Agentic Commerce"는 구조화되고 풍부하며 접근 가능한 상품 데이터를 에이전트 주도 구매 여정에 참여하기 위한 선택이 아닌 필수 기반 요소로 규정합니다. 실무적으로 에이전트 대응이 가능한 데이터는 일반적으로 다음을 요구합니다.

• 구조화된 속성: 기본적인 크기/색상 항목을 넘어 소재, 호환성, 인증 정보, 사용 사례 태그 등 에이전트가 직접 조회할 수 있는 정보
• 기계 판독 가능한 형식: 스키마 마크업, 상품 피드, 매니페스트 파일 등 각 AI 플랫폼의 수집 요구사항을 충족하는 형식(Google, OpenAI, Perplexity는 현재 각기 다른 형식을 요구합니다)
• 실시간 정확성: 캐시된 정보가 아닌 질의 시점에 확인되는 가격과 재고 정보
• 채널 간 일관성: 마켓플레이스 피드와 브랜드 자체 사이트에서 가져온 정보가 서로 모순되지 않도록 하는 것

이를 표준화하기 위한 두 가지 경쟁적인 개방형 표준이 등장하고 있습니다. Stripe와 OpenAI가 공동 개발했으며 ChatGPT의 즉시 결제 기능을 지원하는 Agentic Commerce Protocol(ACP)과, Shopify와 Google이 공동 개발한 Universal Commerce Protocol(UCP)입니다. 대부분의 엔터프라이즈 판매자는 결국 두 표준을 모두 지원해야 할 것이며, 이는 상품 데이터 관리의 운영상 중요성을 한층 더 높이고 있습니다.

AI 쇼핑 시대, 부실한 상품 데이터가 초래하는 숨겨진 비용

부실한 상품 데이터는 예전부터 비용을 초래해 왔지만, 에이전트 시대에는 그 대가가 더욱 커집니다. Salsify의 2025년 소비자 조사는 미국과 영국의 소비자 약 1,900명을 대상으로 진행되었으며, 다음과 같은 결과를 보였습니다.

• 71%가 온라인 상품 정보와 실제 상품이 일치하지 않아 반품한 경험이 있다고 답했습니다.
• 54%는 채널 간 상품 콘텐츠가 일관되지 않아 구매를 포기한 적이 있다고 답했습니다.

2026년 3월 Retail Times가 보도한 조사 결과 역시 유사한 패턴을 보여줍니다. 소비자의 43%가 구매 전 정보가 잘못되어 지난 1년간 상품을 반품한 경험이 있다고 답했으며, 68%는 부실한 상품 정보 경험 이후 해당 브랜드에서의 구매를 완전히 중단하겠다고 답했습니다. 이러한 손실은 사업 규모가 커질수록 눈덩이처럼 불어납니다. National Retail Federation(NRF)과 Happy Returns의 조사에 따르면 2024년 미국 소매업계 전체 반품 규모는 8,900억 달러에 달했으며, 반품 1건당 처리 비용이 주문 금액의 21%를 초과했습니다.

이커머스 상품 데이터의 관점에서 보면, AI는 기존의 인적 실패 요인 위에 새로운 실패 지점을 하나 더 추가합니다. 사양을 제대로 파싱할 수 없는 에이전트는 해당 상품을 추천 목록에서 완전히 제외할 수 있으며, 이는 이탈률 같은 지표로도 포착되지 않는 조용한 손실로 이어집니다. Bain & Company는 2030년까지 미국 에이전트 커머스 시장이 3,000억~5,000억 달러 규모, 즉 전체 이커머스의 15~25%를 차지할 것으로 전망하며, 에이전트에게 보이지 않는 상품이 치러야 할 대가는 앞으로 더욱 커질 것입니다.

엔터프라이즈 AI 투자 성과: 승자와 패자를 가르는 요인

상품 데이터 문제는 엔터프라이즈 AI 전반에 걸친 훨씬 더 큰 패턴, 즉 광범위한 도입과 불균등한 성과라는 흐름 안에 자리하고 있습니다. McKinsey의 2025년 State of AI 설문조사에 따르면, 조직의 88%가 최소 한 개 이상의 비즈니스 기능에서 AI를 정기적으로 사용하고 있으며, 이는 전년 78%에서 상승한 수치입니다. 그러나 측정 가능한 EBIT 효과를 보고한 비율은 약 39%에 불과했고, "AI 고성과 기업"은 6%에 그쳤습니다. 이 격차는 데이터와 워크플로우 준비도에서 비롯되며, 모델의 품질과는 무관합니다. 비용 절감 효과는 엔지니어링과 IT 부문에 집중되어 있으며, 매출 증대 효과는 마케팅과 제품 개발 부문에서 나타났지만, 이러한 성과가 조직 전체 차원의 전환으로 이어지는 경우는 드뭅니다.

MIT의 NANDA 이니셔티브는 널리 인용되고 있는 2025년 보고서 "The GenAI Divide"에서, 기업용 생성형 AI 파일럿 프로젝트의 약 95%가 측정 가능한 손익 효과를 만들어내지 못했다고 밝혔습니다. 연구진은 이러한 실패의 주된 원인을 모델의 결함이 아니라, AI를 실제 워크플로우에 통합하지 못하는 조직적 실패, 즉 "학습 격차"로 지목했습니다. Gartner 역시 다른 관점에서 이를 뒷받침하며, 2027년 말까지 에이전틱 AI 프로젝트의 40% 이상이 비용 급증, 불명확한 비즈니스 가치, 또는 부적절한 리스크 관리를 이유로 중단될 것으로 예측했습니다.

고성과 기업과 저성과 기업을 가르는 기술적 요인

• 데이터 준비도: McKinsey와 MIT 모두 파편화되고 사일로화되었거나 제대로 거버넌스가 이루어지지 않은 데이터를 파일럿 단계를 넘어 확장하는 데 있어 주요 장애물로 지목했습니다.
• 구매 대 자체 구축: 외부에서 조달한 검증된 AI 도구는 자체 구축한 도구보다 약 2배 더 높은 성공률을 보였으며, 이는 기존 시스템과의 통합 속도가 더 빠르기 때문입니다.
• 통합 수준: PwC Ireland의 2025년 AI Agent Survey에 따르면 아일랜드 응답자의 40%가 데이터 문제를 에이전틱 AI 도입의 가장 큰 장벽으로 꼽았으며, 36%는 기존 시스템과의 통합에 어려움을 겪는다고 답했습니다.

조직적 요인: 거버넌스, 워크플로우 재설계, 인재

• 경영진의 주도권: PwC Ireland의 2026 AI Business Predictions는 AI 선도 기업이 하향식의 중앙집중적 거버넌스 프로그램을 운영한다고 설명합니다.
• 워크플로우 재설계, 단순한 자동화 추가가 아닌: 고성과 기업은 기반이 되는 워크플로우 자체를 재설계합니다.
• 리스크 거버넌스: McKinsey에 따르면 응답 기업의 51%가 AI 관련 사고를 경험했다고 답했으며, 고성과 기업은 휴먼 인 더 루프 통제와 중앙집중적 감독 체계를 통해 차별화됩니다.

AI 쇼핑 선도 기업 대 후발 기업: 무엇이 다른가

AI 선도 기업과 나머지 기업을 가르는 것은 일관된 구조적 차이입니다.

지금 기업이 해야 할 일

AI 도입과 실제 AI 가치 실현 사이의 격차를 좁히려면, 상품 데이터를 콘텐츠의 부차적 요소가 아니라 전략적 인프라로 다루는 것부터 시작해야 합니다.

• 가장 먼저 에이전트 요구사항 기준으로 상품 데이터를 점검: 모든 채널에 걸쳐 스키마 완성도, 속성의 깊이, 피드 정확성을 점검해야 합니다.
• 상품 데이터 소유권을 단일 거버넌스 체계로 통합: 가격, 재고, 사양 정보가 실시간으로 동기화되도록 해야 합니다.
• 트래픽과 반품률이 가장 높은 카테고리부터 우선 정비: 전자제품, 가전제품 등 리서치 비중이 높은 카테고리가 AI 유입 트래픽에서 가장 큰 비중을 차지합니다.
• 주요 에이전틱 프로토콜(ACP와 UCP) 모두를 지원할 수 있도록 구축: 특정 AI 플랫폼의 통합 방식 하나에만 의존하지 않아야 합니다.
• AI 및 데이터 투자를 측정 가능한 성과와 연계: 전환율, 반품률, 방문당 매출과 같은 지표를 기준으로 삼아야 합니다.

AI 기반 상품 검색과 AI 쇼핑 도우미를 신뢰할 수 있는 데이터로 응대해야 할 새로운 고객으로 다루는 기업이야말로, 앞서 살펴본 통계가 보여주는 성과를 실제로 확보하고 있는 기업들입니다.

결론

AI 매개 커머스 시대에서 승리하는 기업은 반드시 가장 화려한 마케팅 캠페인이나 가장 큰 AI 예산을 가진 기업이 아닙니다. 이들은 에이전트가 실제로 신뢰할 수 있는 상품 데이터를 보유한 기업입니다. LLM 기반 상품 탐색이 기본적인 쇼핑 행동으로 자리 잡으면서, 데이터 품질을 마케팅 기능으로 다루는 기업이 에이전트의 추천을 지속적으로 받게 될 것입니다. 실질적인 AI 가치를 확보한 6%의 기업과 여전히 이를 찾고 있는 94%의 기업 사이의 격차는 결국 기반 데이터를 정확하고 구조화되고 최신 상태로 유지하는 일로 귀결됩니다. 에이전트가 매개하는 시장에서 정확한 상품 데이터는 있으면 좋은 요소가 아니라, 발견되기 위해 반드시 치러야 할 대가입니다.