2026년 커머스 전반의 AI 추천 현황

대부분의 기업은 AI 시스템이 자사의 제품을 이해할 수 있다면, 결국 이를 추천하게 될 것이라고 가정합니다.

우리의 최신 연구는 그 관계가 그렇게 단순하지 않을 수 있음을 시사합니다.

지난 몇 달 동안 우리는 다섯 가지 이커머스 (e-commerce) 카테고리에 걸쳐 20,000건의 AI 추천을 분석했습니다:

뷰티 (Beauty)
영양제 (Supplements)
커피 (Coffee)
반려동물 (Pets)
홈 & 리빙 (Home & Living)

목표는 명확했습니다: 스토어 준비도 (store readiness)가 실제로 추천 행동을 예측할 수 있는지 이해하는 것이었습니다.

다르게 표현하자면: AI 시스템은 AI를 위해 가장 잘 준비된 기업을 추천하는가?

그 답은 우리를 놀라게 했습니다.

가정 (The Assumption)

AI 가시성 (AI visibility)에 관한 대부분의 논의는 합리적인 믿음에서 시작됩니다.

만약 기업이 구조, 콘텐츠, 제품 정보, 신뢰 신호 (trust signals), 그리고 기계 판독성 (machine readability)을 개선한다면, AI 시스템이 해당 기업을 추천할 가능성이 더 높아질 것이라는 믿음입니다.

이러한 가정은 AI 최적화 (AI optimization), AI 가시성 (AI visibility), AI 준비도 (AI readiness), 그리고 AI 커머스 인프라 (AI commerce infrastructure)를 중심으로 성장하는 산업을 촉진해 왔습니다.

하지만 가정은 증거가 아닙니다.

우리는 추천 행동을 직접 측정하고자 했습니다.

측정 항목 (What We Measured)

각 카테고리에 대해, 우리는 구매 의도가 높은 쇼핑 질문에 대응하여 AI 시스템이 생성한 수천 건의 추천을 수집했습니다.

그런 다음 각 브랜드의 AI Commerce Score™에 따른 추천 빈도 (recommendation frequency)를 비교했습니다.

기대치는 간단했습니다: 점수가 높을수록 더 많은 추천으로 이어져야 한다.

하지만 우리는 매우 다른 결과를 발견했습니다.

그림 1. AI Commerce Score™ 및 추천 빈도 (Recommendation Frequency™)

5개 이커머스 카테고리에 걸친 20,000건의 AI 추천을 바탕으로 할 때, 추천 빈도는 AI Commerce Score™와 유의미한 관계가 거의 없었으며, 이는 스토어 준비도만으로는 추천 행동을 설명할 수 없음을 시사합니다.

놀라운 결과 (The Surprising Result)

5개 카테고리 전반에 걸쳐, 추천 빈도(recommendation frequency)는 AI Commerce Score™와 의미 있는 상관관계를 거의 또는 전혀 보이지 않았습니다.

추천을 많이 받는 일부 브랜드는 점수가 상대적으로 낮았습니다. 반면, 최적화가 매우 잘 된 일부 브랜드는 거의 추천되지 않았습니다.

이 관계는 예상보다 훨씬 약했습니다.

이러한 발견은 Beauty, Supplements, Coffee, Pets, 그리고 Home & Living 카테고리 전반에서 반복적으로 나타났습니다.

이것이 시사하는 바는 중요합니다.

스토어 준비도(Store readiness)만으로는 AI가 왜 특정 브랜드를 다른 브랜드보다 더 빈번하게 추천하는지를 설명하기에 충분하지 않은 것으로 보입니다.

다른 무언가가 일어나고 있습니다.

친숙함 가설 (The Familiarity Hypothesis)

추천 패턴을 분석하면서 또 다른 설명이 나타나기 시작했습니다.

가장 빈번하게 추천되는 많은 브랜드가 한 가지 공통된 특징을 공유하고 있었습니다.

그들은 이미 친숙했습니다. 기존의 브랜드 인지도(brand recognition)가 있었습니다. 기존의 인지도(awareness), 기존의 시장 점유율(market presence), 그리고 웹 전반에 걸친 기존의 참조(references)가 있었습니다.

다시 말해, 추천 행동은 평가(evaluation)보다는 기억(memory)을 더 닮아 있는 경우가 많았습니다.

이는 우리가 다음과 같이 부르는 프레임워크로 이어졌습니다: ## 기억에 의한 추천 (Recommendation by Memory™)

이 모델 하에서, AI 시스템은 학습(training) 및 노출(exposure) 과정에서 반복적으로 접했던 브랜드를 빈번하게 추천합니다.

그 브랜드들이 반드시 객관적으로 더 뛰어나기 때문은 아닙니다.

단지 더 친숙하기 때문입니다.

잠재적인 미래의 변화

하지만 우리는 추천 행동이 정체된 상태로 머물 것이라고 믿지 않습니다.

AI 시스템이 더 풍부한 검색 시스템(retrieval systems), 실시간 정보, 구조화된 커머스 데이터, 그리고 점점 더 정교해지는 평가 능력(evaluation capabilities)에 접근하게 됨에 따라, 추천 행동은 진화할 수 있습니다.

우리는 이러한 미래 상태를 다음과 같이 부릅니다: ## 이해에 의한 추천 (Recommendation by Understanding™)

그림 2. AI 추천 시스템의 진화 (The Evolution of AI Recommendation Systems)

추천 동작(Recommendation behavior)은 AI가 무엇을 기억하느냐에서 AI가 무엇을 이해하느냐로 진화하고 있습니다. 이러한 전환은 AI 커머스(AI commerce)와 제품 발견(product discovery)의 다음 단계를 정의할 수 있습니다.

이 모델 하에서, 추천은 과거의 친숙함에 대한 의존도는 낮아지는 대신 다음 요소들에 더 의존하게 됩니다:

매장 품질 (Store quality)
신뢰 신호 (Trust signals)
제품 적합성 (Product fit)
검증 가능한 정보 (Verifiable information)
실시간 관련성 (Real-time relevance)
의미론적 이해 (Semantic understanding)

다시 말해: 가장 잘 이해되는 비즈니스가 결국 가장 친숙한 비즈니스의 성과를 앞지를 수 있습니다.

이것이 중요한 이유

만약 오늘날 추천 동작이 주로 기억(memory)에 의해 구동된다면, 비즈니스들은 어려운 과제에 직면하게 됩니다.

최적화(Optimization)만으로는 추천 빈도를 즉각적으로 높이지 못할 수도 있습니다.

하지만 추천 시스템이 점진적으로 이해(understanding)를 향해 나아간다면, 오늘 AI 준비성(AI readiness)에 투자하는 비즈니스들은 내일을 위한 우위를 구축하고 있는 것일지도 모릅니다.

AI 커머스의 미래는 AI가 기억하는 브랜드의 것이 아닐 수도 있습니다.

AI가 가장 잘 이해하는 브랜드의 것이 될 수도 있습니다.

떠오르는 질문

대부분의 비즈니스는 여전히 이렇게 묻고 있습니다: AI가 우리를 찾을 수 있을까?

더 중요한 질문이 떠오르고 있을지도 모릅니다: 왜 AI는 다른 비즈니스 대신 특정 비즈니스를 선택하는가?

그 질문은 우리가 **추천 인텔리전스™ (Recommendation Intelligence™)**라고 부르는 것의 중심에 있습니다.

AI가 제품 발견에 점점 더 큰 영향을 미침에 따라, 추천 동작은 커머스 분야에서 가장 중요한 연구 영역 중 하나가 될 수 있습니다.

Atom Foundry 소개

Atom Foundry는 AI 커머스 인텔리전스™ (AI Commerce Intelligence™) 분야를 구축하고 있습니다.

우리의 연구는 AI 검색 엔진, LLM, Apple Intelligence, 그리고 쇼핑 에이전트(shopping agents)가 어떻게 비즈니스를 발견하고, 이해하며, 평가하고, 신뢰하고, 추천하며, 고객을 안내(route)하는지를 탐구합니다.

현재 연구 이니셔티브는 다음과 같습니다:

AI 커머스 인텔리전스™ (AI Commerce Intelligence™)
추천 인텔리전스™ (Recommendation Intelligence™)
AI 커머스 그래프™ (AI Commerce Graph™)
AI 가독성™ (AI Readability™)
AI 이해™ (AI Understanding™)
AI 신뢰™ (AI Trust™)
결정 확신™ (Decision Confidence™)

더 알아보기:

🌐 https://atomfoundry.dev

📊 https://github.com/Atom-Foundry

Atom Foundry의 연구 결과입니다. 뷰티 (Beauty), 건강기능식품 (Supplements), 커피 (Coffee), 반려동물 (Pets), 홈 & 리빙 (Home & Living) 카테고리 전반에서 수집된 20,000개의 AI 추천 데이터를 기반으로 작성되었습니다.