AI 에이전트는 상세 페이지를 읽지 않는다: 에이전틱 커머스 시대의 브랜드 데이터 전략

소비자가 직접 검색하고, 비교하고, 클릭해서 구매하는 여정. 지금까지 마케팅은 이 과정을 전제로 설계되어 왔습니다. 좋은 키워드를 잡고, 상세 페이지를 다듬고, 광고로 유입을 만드는 것이 기본 흐름이었죠.

그런데 이 전제가 조금씩 흔들리고 있어요.

"내일 부모님 선물로 홍삼 제품 하나 주문해줘. 예산은 5만 원, 내일까지 도착하는 걸로."

이 한 문장이면, AI 에이전트가 직접 여러 쇼핑몰을 탐색하고 조건에 맞는 상품을 추려서 주문까지 완료합니다. 소비자는 결과만 확인하면 돼요.

실제로 OpenAI는 2025년 1월 온라인 쇼핑, 예약, 폼 작성 같은 작업을 수행하는 Operator를 출시했고, 이후 ChatGPT 에이전트로 통합해 더 많은 사용자에게 제공하고 있어요. 초기 제공 범위는 제한적이었으나, 이후 플랜과 지역을 점진적으로 확대했죠. Google도 2025년 8월 AI Mode를 180개국과 지역으로 확장하며 예약 탐색 등 에이전틱 기능을 강화했어요. 이 흐름은 트래픽 데이터에서도 확인되는데요. Adobe와 BCG 데이터에 따르면, 2025년 7월 기준 미국 소매 사이트로 유입된 생성형 AI 트래픽은 전년 대비 4,700% 증가했어요. AI 경로로 유입된 방문자는 기존 방문자보다 사이트 체류 시간이 32% 더 길고, 이탈률은 27% 더 낮았고요. 단순히 유입이 늘어난 게 아니라, AI를 통해 들어온 고객이 훨씬 더 목적 지향적으로 움직인다는 걸 보여주는 수치예요.

물론 아직 모든 소비자가 이 방식으로 쇼핑하는 건 아닙니다. 하지만 구매 여정의 첫 단계가 바뀌고 있다는 방향은 현재 숫자로도 확인되고 있는 흐름이에요.

그렇다면 브랜드 입장에서는 어떤 변화가 생기는 걸까요? 지금까지는 사람이 직접 보고 판단하는 걸 전제로 마케팅을 설계해 왔는데, AI 에이전트가 먼저 브랜드를 훑고 선택하는 구조라면 그 기준이 달라질 수 있거든요.

AI 에이전트는 실제로 어떤 브랜드를 우선적으로 고려하고, 어떤 기준들을 바탕으로 브랜드를 판단하는 경향이 있을까요?

AI 에이전트는 무엇을 기준으로 브랜드를 선택할까?

AI 에이전트가 상품을 고르는 방식은 사람과 꽤 다릅니다. 사람은 상세 페이지 디자인, 브랜드 감성, 카피 문구 같은 요소에 영향을 받죠. 반면 AI 에이전트는 이런 요소를 거의 참고하지 않아요. 에이전트가 실제로 읽는 건 가격, 재고 상태, 배송 조건, 상품 스펙처럼 명확하게 수치나 값으로 정리된 정보들입니다. 아무리 잘 만든 상세 페이지라도, 거기에 담긴 정보가 에이전트가 읽을 수 있는 형태로 구성되어 있지 않으면 에이전트 입장에서는 사실상 비어 있는 페이지와 다르지 않아요.

좀 더 구체적으로 보면, 에이전트는 웹페이지의 비주얼이나 레이아웃보다 상품명·가격·재고 여부·배송 정보 같은 값들이 ‘정해진 형식’으로 제공되어 있는지를 우선적으로 읽고 판단해요. 이렇게 에이전트가 읽을 수 있는 일정한 형식으로 정리된 상품 정보를 '구조화된 데이터'라고 부르는데, AI 에이전트는 이걸 1차 판단 기준으로 활용합니다. 구조화된 속성 정보가 부족한 상품일수록 AI 추천 과정에서 노출이 줄어드는 경향이 업계 전반에서 관찰되고 있어요. BCG도 AI 에이전트가 구조화되지 않은 정보는 처리하기 어렵다는 점을 대응 전략의 핵심 전제로 짚고 있고요.

구조화된 데이터를 갖추는 것만큼, 그 데이터가 채널 간에 일관성을 갖는 것도 중요해요. 같은 상품인데 자사몰 상세 페이지에는 49,000원, 가격 비교 피드에는 50,000원으로 올라와 있다면 AI 에이전트는 어느 정보를 신뢰할까요? 에이전트는 동일한 정보가 여러 채널에서 얼마나 일관되게 확인되는지를 신뢰도 판단의 근거로 삼기 때문에, 채널마다 정보가 달라지면 그 브랜드 데이터 전체를 불확실하게 볼 수 있어요.

결국 AI 에이전트가 브랜드를 선택하는 첫 번째 기준은 '데이터가 얼마나 명확하고 일관되게 정리되어 있는가'입니다. 잘 쓴 카피 한 줄, 예쁘게 그려진 이미지를 통한 콘텐츠의 설득력보다 '잘 정리된 데이터'가 먼저 읽히는 구조가 된 거예요.

지금 우리 브랜드 데이터, AI 에이전트가 읽을 수 있는 상태인가요?

앞서 AI 에이전트가 구조화되고 일관된 데이터를 기준으로 브랜드를 판단한다는 얘기를 했는데요. 그렇다면 실제 브랜드 데이터 환경은 어떨까요?

Harvard Business Review Analytic Services와 Cloudera가 2025년 10월 AI 데이터 의사결정 담당 임원 230명을 대상으로 진행한 조사에 따르면, "AI를 위한 데이터가 완전히 준비되어 있다"고 답한 기업은 7%에 불과했어요. 73%는 "우리 조직이 현재 AI 데이터 품질을 충분히 관리하지 못하고 있다"고 답했고요. AI 투자는 빠르게 늘고 있지만, 데이터 기반이 그 속도를 따라가지 못하고 있다는 게 조사의 핵심 결론이에요.

이 조사에서 AI 데이터 준비의 가장 큰 장애물로 꼽힌 건 "사일로화된 데이터, 즉 팀이나 시스템 간 데이터 통합의 어려움"(56%)이었어요. 결국 데이터가 없어서가 아니라, 각 팀·채널에 흩어진 데이터를 하나로 연결하지 못하는 구조적인 문제가 발목을 잡고 있다는 거예요.

실무에서는 이 문제가 구체적으로 어떤 형태로 나타날까요?

돈을 써도 노출되지 않는 브랜드 데이터의 3가지 결함

① 같은 행동인데 이름이 팀마다 다르게 쌓이는 경우

사용자가 앱에서 버튼을 눌렀을 때, 이 행동을 기록하는 방식이 팀마다 다른 경우가 있어요. 마케팅팀은 click_cta로 기록하고, 개발팀은 btn_click으로, 앱팀은 tap_purchase로 쌓는 식이에요. 사람이 보기엔 다 비슷해 보이지만, 데이터 입장에서는 전혀 다른 세 가지 행동으로 인식됩니다. AI 에이전트가 이 데이터를 읽으면 같은 행동의 패턴을 파악하기 어렵고, 분석 자체도 흐릿해집니다.

② 클릭 수는 있지만 맥락이 없는 경우

사용자가 특정 버튼을 클릭했다는 기록은 있는데 그 클릭이 어떤 상품 페이지에서 발생했는지, 가격이 얼마였는지, 어떤 경로로 들어온 사용자인지 같은 세부 정보가 빠져 있는 경우예요. 클릭 수 자체는 많아도 “왜 그 행동이 발생했는지”를 읽어낼 수 없는 구조인 거죠. AI 에이전트 입장에서는 행동 데이터는 있지만 맥락이 없는 상태라, 이 브랜드의 고객 행동 패턴을 신뢰 있게 해석하기 어려워요.

③ 같은 상품이 채널마다 다른 정보로 정의된 경우

자사몰에서는 '프리미엄 홍삼 60포', 광고 피드에서는 '홍삼정 60개입', 물류 시스템에서는 'HJ-PRE-060'이라는 코드로만 존재한다면, AI 에이전트는 이 세 가지가 같은 상품이라는 걸 연결짓기 어렵습니다. 앞서 다룬 가격 불일치 사례와 같은 결의 문제인데, 상품 이름 자체가 채널마다 달라도 비슷한 상황이 생깁니다.

이 세 패턴의 공통점, 눈치채셨나요? 데이터가 없는 게 아니라, 쌓이긴 하는데 AI가 그 데이터에서 일관된 맥락을 읽어내기 어려운 구조라는 점이에요. AI 에이전트는 일관성이 부족한 데이터에 대해 신뢰도를 낮게 평가하는 경향이 있고, 이는 결국 해당 브랜드가 에이전트의 추천 대상에서 멀어지는 결과로 이어질 수 있어요.

이 문제들은 사실 AI가 등장하기 전부터 데이터 설계에서 중요하게 다뤄온 이슈예요. 다만 AI 에이전트 시대에는 이 구조적 문제가 마케팅 성과와 더 직접적으로 연결되는 상황이 됐죠.

AI 에이전트가 최우선으로 고려하는 브랜드의 2가지 조건

AI에게 선택받는 브랜드가 데이터를 다루는 방식

그렇다면 이런 구조를 어떻게 개선할 수 있을까요? 지금까지 AI 에이전트가 어떤 데이터를 기준으로 브랜드를 판단하는지, 그리고 실무 현장에서 자주 보이는 데이터 문제 패턴이 무엇인지를 살펴봤는데요. 이번엔 실무적으로 어디서부터 달리 접근하면 좋을지, 두 가지 방향을 짚어볼게요.

① 상품 정보를 하나의 기준으로 통일하기

마케팅팀·물류팀·개발팀이 각자의 시스템에서 '같은 상품'을 다르게 정의해두는 경우가 생각보다 많아요. 상품명이 다르거나, 가격 기준이 세금 포함/제외로 나뉘거나, 재고 상태가 채널마다 다른 시점 기준으로 업데이트되는 식이에요. 각 팀이 자기 시스템에서 편한 대로 관리하다 보면 자연스럽게 생기는 일이죠.

이 문제를 개선하는 방향으로 자주 언급되는 개념이 'Single Source of Truth(단일 데이터 기준점)'입니다. 쉽게 말하면, "상품 정보는 이 시스템 하나에서만 관리하고, 다른 모든 채널은 여기서 가져간다"는 원칙이에요. 예를 들어 상품 가격이 변경될 때 마케팅팀 피드, 자사몰 상세 페이지, 물류 시스템이 각자 따로 업데이트되는 방식이 아니라, 한 곳에서 수정하면 연결된 모든 채널이 함께 반영되는 구조를 말해요.

AI 에이전트가 여러 채널에서 일관된 정보를 확인할 수 있는 구조가 되면, 해당 브랜드 데이터에 대한 신뢰도를 더 높게 평가할 가능성이 커집니다. 이 파이프라인 구조 자체를 어떻게 설계하느냐가 에이전틱 AI 시대에 브랜드 데이터 품질의 출발점이 되는 이유예요.

② 행동 데이터에 ‘왜’라는 맥락 정보 붙이기

두 번째는 이벤트 데이터, 즉 사용자 행동 기록에 맥락 정보를 함께 담는 방향이에요.

예를 들어, 1️⃣ 맥락 정보 없이 사용자가 상품을 클릭했다는 기록만 있을 때와, 2️⃣ 그 클릭에 아래와 같은 정보가 함께 붙어 있을 때를 비교해 볼게요.

click_product + {price: 49000, source: "email_campaign", discount_applied: true}

1️⃣ 전자는 "누군가 클릭했다"는 사실만 알 수 있어요. 2️⃣ 후자는 "이메일 캠페인을 통해 유입된 사용자가, 할인이 적용된 49,000원짜리 상품을 클릭했다"는 맥락까지 읽을 수 있는 구조예요. AI가 이 데이터를 처리할 때, 맥락이 있는 구조에서는 "어떤 조건에서 어떤 행동이 발생하는지"의 패턴을 훨씬 선명하게 파악할 수 있습니다.

Dataslayer.ai는 "트래킹 구현에 누락이 있으면, AI는 그 누락을 수정하는 게 아니라 증폭시킨다"고 짚었는데요. 맥락이 빠진 데이터는 그냥 불완전한 게 아니라, AI를 거치면서 오히려 더 잘못된 방향으로 해석될 수 있다는 뜻이기도 해요. 반대로 이야기하면, 맥락이 잘 담긴 이벤트 데이터는 AI가 패턴을 더 정확하게 읽는 데 직접적으로 도움이 된다는 뜻이겠죠.

BCG는 에이전틱 커머스에 대응하기 위한 첫 번째 전략으로 "제품 데이터를 신뢰할 수 있고, 구조화되어 있으며, 기계가 읽을 수 있는 형태로 만드는 것"을 꼽았어요. AI 시스템이 해당 정보를 찾고 활용할 수 있도록 데이터를 설계하는 게 출발점이라는 거예요. 이 두 가지, 즉 상품 정보의 단일 기준화와 행동 데이터의 맥락 강화는 바로 그 출발점을 만드는 작업이에요. 외부 채널을 늘리거나 광고 예산을 추가하는 방식이 아니라, 지금 갖고 있는 데이터 파이프라인과 이벤트 구조를 점검하는 데서 시작할 수 있는 변화예요.

AI를 설득하는 마케팅, 탄탄한 데이터 파이프라인에서 시작됩니다

글 초반에 소개한 장면으로 잠깐 돌아가볼게요. "부모님 선물로 홍삼 제품 하나 주문해줘, 예산 5만 원"이라는 요청을 받은 AI 에이전트는 어떤 브랜드를 선택했을까요?

정답은 알 수 없어요. 하지만 이것 하나는 분명해요. AI 에이전트가 가장 먼저 읽은 건 어느 브랜드의 카피가 더 설득력 있었는지가 아니라, ‘어느 브랜드의 데이터가 더 명확하고 일관되게 정리되어 있었는지’였을 거예요.

에이전틱 AI의 확산은 마케팅 경쟁의 출발선을 조금씩 바꾸고 있어요. 지금까지는 더 좋은 콘텐츠, 더 많은 광고 노출, 더 높은 클릭률이 경쟁력의 기준이었다면, AI 에이전트가 구매 여정에 들어오는 환경에서는 그보다 앞 단계인 데이터 구조가 브랜드 경쟁력을 먼저 결정하는 요소가 되고 있습니다.

상품 정보가 팀 혹은 채널마다 다른 기준으로 관리되고 있진 않은지, 이벤트 데이터에 맥락 정보가 충분히 담겨 있는지. 이 두 가지는 당장 광고 예산을 조정하지 않아도 점검하고 개선할 수 있는 영역이에요.

텀타는 이벤트 택소노미 설계와 데이터 파이프라인 구조화를 고민하는 팀들과 함께해 왔어요. 우리 브랜드 데이터 구조를 어디서부터 다듬으면 좋을지 감이 잘 안 잡히신다면 텀타와 함께 시작해 보세요.