2026년의 에이전틱 커머스 (Agentic Commerce): AI 에이전트가 구매 결정을 내리는 시대

원문은 The Searchless Journal에 게시되었습니다.

소비자가 AI 어시스턴트에게 제품을 찾아 구매해 달라고 요청하고, 기업이 자동화된 조달을 위해 AI 에이전트 (AI agents)를 배치하며, 플랫폼이 사용자를 대신하여 작동하는 자율 쇼핑 에이전트 (autonomous shopping agents)를 구축하게 되면 커머스 (commerce)는 근본적으로 변화합니다. 구매자는 더 이상 인간이 아닙니다. 평가 기준이 달라집니다. 구매 워크플로 (purchasing workflow)는 기계의 속도와 기계의 규모로 작동합니다.

이것이 바로 에이전틱 커머스 (agentic commerce) — 즉, 자율적인 AI 에이전트와 커머스 시스템 간의 상호작용입니다. 2026년, 이는 실험적인 단계에서 주류로 넘어가고 있습니다. 승리하는 기업은 단순히 인간 쇼퍼 (human shoppers)만을 위해 최적화하는 기업이 아닙니다. 지치지 않고, 브랜드 선호도가 없으며, 브라우징 (browsing)을 하지 않고 — 프로그래밍 가능한 기준에 따라 검색, 평가 및 거래를 수행하는 새로운 계층의 고객을 위해 최적화하는 기업이 승리할 것입니다.

자율 쇼핑 에이전트의 부상

오늘날 자율 쇼핑 에이전트 (autonomous shopping agents)는 세 가지 주요 맥락에서 작동합니다.

개인 쇼핑 어시스턴트 (Personal shopping assistants): 소비자는 선호도, 예산, 구매 기준을 AI 어시스턴트에 설정한 다음 쇼핑 작업을 위임합니다. "액티브 노이즈 캔슬링 기능이 있고 배터리 수명이 최소 30시간 이상인 200달러 미만의 무선 헤드폰을 찾아줘. 가장 평점이 높은 옵션으로 구매해." 에이전트는 검색하고, 여러 소매업체의 옵션을 비교하며, 리뷰를 읽고, 평점을 평가하고, 구매를 실행합니다. 이 모든 과정은 소비자가 단 하나의 제품 페이지도 방문하지 않고 이루어집니다.

기업 조달 자동화 (Enterprise procurement automation): 기업은 일상적인 소모품에 대한 구매 워크플로 (purchasing workflows)를 자동화하기 위해 AI 에이전트를 배치합니다. 에이전트는 재고 수준을 유지하고, 가격을 모니터링하며, 보충이 필요한 시점을 식별하고, 공급업체를 검색하며, 가능한 경우 협상하고, 주문을 넣습니다. 인간 조달 팀은 매개변수 (parameters)를 설정하고, 에이전트는 워크플로를 자율적으로 실행합니다.

플랫폼 네이티브 쇼핑 봇 (Platform-native shopping bots): 주요 이커머스 (e-commerce) 플랫폼들은 구매 기회를 선제적으로 식별하는 네이티브 쇼핑 어시스턴트 (shopping assistants)를 구축하고 있습니다. 소매업체의 AI 에이전트는 고객이 이전에 6개월마다 러닝화를 구매했다는 사실을 인지하고, 교체 시기가 되었음을 예측하며, 사용 가능한 옵션을 검색한 뒤, 원클릭 구매 옵션이 포함된 큐레이션된 목록을 제시할 수 있습니다.

각 컨텍스트 (context)는 서로 다른 유형의 에이전트 자율성을 나타냅니다. 개인용 어시스턴트 (Personal assistants)는 사용자가 정의한 선호도를 바탕으로 특정 사용자를 대신하여 작동합니다. 기업 조달 에이전트 (Enterprise procurement agents)는 정책과 예산을 바탕으로 조직을 대신하여 작동합니다. 플랫폼 네이티브 에이전트 (Platform-native agents)는 거래량을 늘리는 것을 목표로 플랫폼을 대신하여 작동합니다.

에이전트가 인간과 다르게 평가하는 방식

인간이 쇼핑할 때는 브라우징 (browsing)을 합니다. 카테고리 페이지를 클릭하며 둘러보고, 제품 설명을 읽고, 이미지를 비교하며, 리뷰를 확인합니다. 그리고 종종 브랜드 친숙도, 시각적 매력, 사회적 증거 (social proof), 정서적 연결과 같이 수치화하기 어려운 요소들을 바탕으로 결정을 내립니다.

AI 에이전트는 브라우징을 하지 않습니다. 이들은 쿼리 (query)를 수행합니다. 정의된 매개변수 (parameters)를 기반으로 구조화된 검색을 실행합니다. 제품 페이지에서 데이터를 추출하여 구조화된 표현 (structured representations)으로 변환합니다. 이들은 명시적으로 프로그래밍된 기준에 따라 옵션을 평가합니다.

이는 판매자들에게 근본적으로 다른 최적화 우선순위를 만들어냅니다.

구조화된 데이터 추출 (Structured data extraction): 에이전트는 자신이 안정적으로 파싱 (parse)할 수 있는 형식의 제품 정보가 필요합니다. 문단 형태의 풍부한 제품 설명은 표 형태의 구조화된 사양 (structured specifications)보다 가치가 낮습니다. 배터리 수명을 "1회 충전 시 최대 35시간 재생 가능"이라고 제시하는 헤드폰 리스팅은, 에이전트에게 "배터리 수명: 35시간"이라고 표시된 표의 행보다 덜 유용합니다.

가격 명확성 (Price clarity): 에이전트는 모호하지 않은 가격 정보가 필요합니다. "$199.99부터 시작"이라는 문구는 어떤 구성이 얼마인지에 대한 모호함을 유발합니다. 반면 "추가 비용 없는 $199.99"는 명확하며 비교가 가능합니다. 에이전트가 배송비, 세금, 수수료를 포함한 총비용을 결정할 수 없을 때, 에이전트는 해당 제품을 인간의 검토를 위해 플래그(flag)를 지정하거나 아예 건너뛰어 버립니다.

재고 투명성 (Availability transparency): 에이전트는 실시간 재고 정보가 필요합니다. 재고가 있는 것으로 표시되지만 배송에 3~4주가 소요되는 제품은, 설령 지연되는 제품의 사양이 더 좋더라도 재고가 있는 대안 제품에 밀려 선택되지 않을 수 있습니다. 재고 예측 가능성은 선호하는 옵션을 기다릴 의사가 있는 인간에게는 항상 중요하지 않을 수 있지만, 에이전트에게는 매우 중요한 요소입니다.

리뷰 합성 (Review synthesis): 에이전트는 개별 리뷰를 읽는 대신 리뷰 데이터에서 신호(signal)를 추출합니다. 이들은 평점 분포를 집계하고, 공통적인 불만 사항을 식별하며, 리뷰 텍스트에서 감성(sentiment)을 추출하고, 오래된 리뷰보다 최근 리뷰에 더 높은 가중치를 둡니다. 최근 2,000개의 리뷰에서 별점 4.7점을 받은 제품이 2년 전 200개의 리뷰에서 별점 4.8점을 받은 제품보다 더 높은 순위를 차지할 수 있습니다.

비교 정규화 (Comparison normalization): 에이전트가 여러 소매업체의 옵션을 비교할 때, 비교 가능성을 위해 데이터를 정규화(normalize)합니다. 사이트마다 다르게 설명된 제품 기능은 표준화된 카테고리로 매핑되어야 합니다. 배송비 포함 여부가 다른 가격은 조정이 필요합니다. 반환 기간이 서로 다른 반품 정책은 공통된 용어로 변환되어야 합니다.

에이전트 최적화를 위한 기술적 요구사항

에이전틱 커머스 (Agentic Commerce)를 위해 최적화하려면 전통적인 이커머스 SEO와는 다른 기술적 투자가 필요합니다.

포괄적인 스키마 마크업 (Comprehensive schema markup): 이름(name), 설명(description), 브랜드(brand), SKU, 제공 정보(offers), 리뷰(reviews), 종합 평점(aggregateRating), 사양(specifications), 크기(dimensions), 무게(weight), 재고 상태(availability), 배송 정보(shipping information) 등 사용 가능한 모든 속성을 포함하여 제품 스키마 (Product schema)를 구현하십시오. 더 많은 구조화된 데이터(structured data)를 제공할수록 에이전트가 귀사의 제품을 추출하고 비교하기가 더 쉬워집니다.

제품 데이터 피드 (Product data feeds): 에이전트가 직접 쿼리(query)할 수 있는 기계 판독 가능(machine-readable)한 제품 피드를 유지하십시오. 이러한 피드에는 모든 제품 속성, 현재 가격, 재고 상태 및 가용성 타임라인이 포함되어야 합니다. 에이전트가 웹 페이지를 스크래핑(scraping)하는 대신 피드를 쿼리할 수 있게 되면, 더 정확한 데이터를 얻을 수 있고 서버 부하도 줄어듭니다.

API 접근성 (API accessibility): 적절한 경우, 에이전트가 재고를 조회하고, 배송비를 확인하며, 프로그래밍 방식으로 트랜잭션(transaction)을 실행할 수 있도록 하는 API를 제공하십시오. 특히 기업용 조달 에이전트(Enterprise procurement agents)는 신뢰성과 속도 측면에서 웹 스크래핑보다 API 기반 워크플로우를 선호합니다.

명확한 정책 문서화 (Clear policy documentation): 반품, 교환, 보증 및 지원에 관한 명확하고 기계 판독 가능한 정책을 게시하십시오. 에이전트가 옵션을 평가할 때 이러한 정책을 고려합니다. 사람이 읽을 수 있는 텍스트로 표현된 30일 반품 정책은 명시적인 기간과 조건이 포함된 구조화된 형식(structured format)으로 제시된 동일한 정책보다 유용성이 떨어집니다.

재고 웹훅 알림 (Inventory webhook notifications): 재고가 변경될 때 등록된 에이전트에게 알림을 보내는 웹훅(webhook)을 구현하십시오. 에이전트가 이전에 귀사의 제품을 쿼리한 적이 있고 재고가 변경되면, 웹훅을 통해 에이전트는 재쿼리(re-querying) 없이 지식을 업데이트할 수 있어 귀사의 서버 부하를 줄이고 에이전트의 정확도를 높일 수 있습니다.

에이전틱 커머스에서의 가격 및 재고 전략 (Pricing and Inventory Strategy in Agentic Commerce)

기계가 구매 결정을 내릴 때, 가격 및 재고 역학(dynamics)이 변화합니다.

동적 가격 투명성 (Dynamic price transparency): 에이전트는 가격을 지속적으로 모니터링하며 가격 변동을 즉각적으로 식별할 수 있습니다. 만약 귀사가 비수기(off-peak hours)에 가격을 내리고 성수기(peak hours)에 가격을 올린다면, 에이전트는 그 패턴을 감지하여 그에 맞춰 구매 시점을 결정할 것입니다. 이것은 시스템을 악용하는 것이 아니라, 에이전트 측면에서의 합리적인 최적화(optimization)입니다. 관건은 귀사의 가격 전략이 이러한 투명성으로부터 이익을 얻을 것인지, 아니면 피해를 입을 것인지입니다.

물량 기반 에이전트 최적화 (Volume-based agent optimization): 기업용 조달 에이전트(procurement agents)는 대량 구매를 수행합니다. 귀사의 가격 구조가 물량에 따른 혜택을 제공한다면, 에이전트는 귀사로 구매를 통합할 것입니다. 반면, 물량 임계값(volume thresholds)이 불투명하거나 계층형 가격 책정(tiered pricing) 방식이 계산하기 어렵다면, 에이전트는 최적화를 위해 과도한 계산 자원을 소모하거나 구조가 더 명확한 공급업체를 선택할 것입니다.

경쟁 우위로서의 가용성 (Availability as a competitive advantage): 에이전트에게 가용성(availability)은 일차적인 필터입니다. 만약 경쟁사가 제품을 '재고 있음'으로 표시하고 귀사가 '구매 가능하지만 배송에 3~4일 소요'로 표시한다면, 에이전트는 귀사의 제품 사양이나 가격이 더 좋더라도 경쟁사를 선택할 것입니다. 단순히 이론적인 가용성이 아닌, 실제 가용성을 반영하는 실시간 재고 정확도가 핵심적인 경쟁 우위가 됩니다.

예측적 재입고 (Predictive restocking): 일부 에이전트는 예측적 재입고(predictive restocking) 로직을 기반으로 작동합니다. 이들은 재고가 부족해지는 시점을 식별하여 품절이 발생하기 전에 보충 주문을 넣습니다. 귀사의 시스템이 재고 예측 데이터나 저재고 알림을 제공한다면, 에이전트는 이 과정을 자동화할 수 있습니다. 그렇지 않을 경우, 에이전트는 품절을 피하기 위해 과다 주문을 하거나 더 나은 예측 데이터를 제공하는 공급업체로 전환할 것입니다.

신뢰와 검증 (Trust and Verification)

기계가 기계와 거래할 때, 신뢰는 감정적인 문제라기보다 기술적인 문제가 됩니다.

신원 검증 (Identity verification): 에이전트는 판매자의 신원과 정당성을 검증해야 합니다. 암호화 서명(cryptographic signatures), 도메인 검증(domain verification), 플랫폼 증명(platform attestation)은 에이전트가 프로그래밍 방식으로 검증할 수 있는 신뢰 체인(trust chains)을 형성합니다. 에이전트가 판매자의 신원을 검증할 수 없을 때, 이들은 해당 거래를 인간의 검토 대상으로 표시하거나 알려지지 않은 판매자를 완전히 회피합니다.

거래 진위성 (Transaction authenticity): 에이전트는 거래가 의도한 대로 실행된다는 확신이 필요합니다. 명확한 확인 메커니즘, 변경 불가능한 거래 기록(immutable transaction records), 그리고 에이전트가 프로그래밍 방식으로 조회할 수 있는 상태 추적 기능은 구매 후 모니터링 단계에서 인간의 개입 필요성을 줄여줍니다.

분쟁 해결 자동화 (Dispute resolution automation): 오배송, 배송 지연, 품질 문제와 같은 문제가 발생했을 때, 에이전트에게는 프로그래밍 가능한 분쟁 해결 프로세스가 필요합니다. 그렇지 않으면 문제를 인간의 검토 대상으로 표시해야 하는데, 이는 해결 속도를 늦추고 운영 오버헤드 (operational overhead)를 증가시킵니다.

평판 신호 (Reputation signals): 에이전트는 판매자의 평판을 고려하지만, 인간의 인지 방식이 아닌 구조화된 신호 (structured signals)를 기반으로 판단합니다. 주문 이행률, 정시 배송 비율, 반품 처리 시간, 불만 해결률 등이 모두 에이전트의 구매 결정 요소로 작용합니다.

인간-에이전트 하이브리드 모델 (The Human-Agent Hybrid Model)

완전 자율 에이전트의 부상에도 불구하고, 2026년의 대부분의 커머스는 하이브리드 모델을 따릅니다. 에이전트가 검색, 비교, 초기 평가를 담당하지만, 중요한 구매에 대한 최종 결정은 인간이 내립니다. 이는 최적화 과제를 만들어냅니다. 즉, 종종 동일한 제품 페이지 내에서 에이전트와 인간 모두에게 어필해야 합니다.

이 하이브리드 모델에서 성공하는 제품은 이중 최적화 (dual optimization)에 뛰어난 제품들입니다. 이들은 에이전트를 위해 포괄적인 구조화된 데이터 (structured data)를 제공하는 동시에, 인간을 위해 매력적인 시각적 제시와 설득력 있는 카피를 유지합니다. 알고리즘이 쉽게 파싱 (parse)할 수 있도록 사양을 제공하면서도, 인간 구매자의 공감을 불러일으키는 매력적인 이야기를 들려줍니다.

이러한 이중 최적화에는 기술 팀(스키마 마크업 (schema markup), 데이터 피드 (data feeds), API)과 크리에이티브 팀(사진 촬영, 카피라이팅, 브랜드 스토리텔링) 간의 협업이 필요합니다. 이 팀들이 사일로 (silo) 형태로 운영될 경우, 제품 페이지는 에이전트나 인간 중 한쪽에게만 어필하게 되며 둘 모두를 만족시키지는 못합니다.

에이전틱 성능 측정 (Measuring Agentic Performance)

전통적인 이커머스 지표인 전환율 (conversion rate), 평균 주문 가치 (average order value), 이탈률 (bounce rate)은 에이전틱 커머스에서도 여전히 유효하지만 불완전합니다. 다음과 같은 새로운 지표들이 등장합니다:

에이전트 쿼리 볼륨 (Agent query volume): AI 에이전트가 귀사의 제품 데이터 피드나 API를 얼마나 자주 조회하는지 추적합니다. 이 수치가 증가한다는 것은 귀사의 제품에 대한 에이전트의 관심이 높아지고 있음을 시사합니다.

에이전트 전환율 (Agent conversion rate): 에이전트의 쿼리(Query) 중 몇 퍼센트가 실제 거래로 이어지는지 측정합니다. 이를 인간의 전환율과 비교하여 최적화 기회를 식별하십시오.

구조화된 데이터 커버리지 (Structured data coverage): 제품 카탈로그 중 포괄적인 스키마 마크업 (Schema markup)이 적용된 비율을 평가합니다. 공백이 있다면 에이전트의 발견 가능성 (Discoverability)을 개선할 기회가 있음을 의미합니다.

피드 정확도 (Feed accuracy): 제품 피드(Product feed)의 데이터가 웹사이트에 표시되는 내용과 얼마나 자주 일치하는지 모니터링합니다. 불일치는 에이전트를 혼란스럽게 만들고 전환 확률을 낮춥니다.

에이전트 주도 분쟁 (Agent-initiated disputes): 에이전트에 의해 시작된 거래 중 인간의 개입이나 분쟁 해결이 필요한 경우가 얼마나 자주 발생하는지 추적합니다. 높은 비율은 제품 설명, 재고 정확성 또는 정책 명확성에 문제가 있음을 시사합니다.

경쟁 환경 (The Competitive Landscape)

2026년에는 에이전틱 커머스 (Agentic commerce)의 도입 정도가 카테고리별로 크게 다를 것입니다. 가전제품, 비즈니스 용품, 일상적인 소모품이 에이전트 기반 구매를 주도할 것입니다. 패션, 홈 리빙, 체험형 제품은 인간의 선호도가 더 중요하고 이를 에이전트의 기준(Criteria)으로 인코딩하기 더 어렵기 때문에 뒤처질 것입니다.