AI 쇼핑 가시성은 제품 데이터에 의존하지만, 그 근거는 여전히 면밀한 검토가 필요합니다

AI 쇼핑 경험은 제품 정보를 검색 가시성의 더욱 직접적인 부분으로 만들고 있습니다. Search Engine Journal에서 seoClarity의 Chris Sachs와 Aris Vrakas가 발표한 홍보 웨비나에서는 AI 쇼핑 에이전트가 Google과 ChatGPT 전반에 걸쳐 어떤 제품을 추천할지 결정할 때 제품 세부 정보를 어떻게 사용할 수 있는지에 초점을 맞추었습니다.

여기서 얻을 수 있는 유용한 교훈은 AI 생성 추천 목록에 나타날 것이라는 보장된 공식이 아닙니다. 오히려 전자상거래(e-commerce) 사이트가 사람에게 명확하고 기계에게 접근 가능한 제품 정보가 필요하다는 점을 상기시켜 줍니다. 이는 정확한 온페이지 언어, 기술적으로 읽을 수 있는 페이지, 그리고 쇼핑객이 실제로 구매할 수 있는 것을 반영하는 구조화된 제품 데이터를 의미합니다.

웨비나가 말하는 AI 쇼핑 발견(discovery)에 대한 내용

Search Engine Journal webinar landing page에 따르면, 이 세션에서는 AI 쇼핑 에이전트가 어떤 제품을 추천할지 결정하는 방법을 논의할 것이라고 합니다. 명시된 주제에는 제품 페이지에서 정확한 언어를 사용하는 방법, 렌더링된 콘텐츠와 구조화된 데이터를 AI 시스템이 읽기 쉽게 만드는 방법, 그리고 Google과 ChatGPT에서 AI가 얼마나 자주 제품을 추천하는지를 측정하는 방법 등이 포함됩니다.

이는 전자상거래 SEO(Search Engine Optimization) 및 생성형 엔진 최적화(Generative Engine Optimization)에 관련된 영역입니다. AI가 생성한 쇼핑 답변은 제품에 대한 사용 가능한 증거를 필요로 합니다. 핵심 속성을 불분명하게 남기거나, 필수 정보를 접근하기 어려운 인터페이스 뒤에 숨기거나, 마크업 및 피드(feeds)를 통해 일관성 없는 신호를 보내는 페이지는 제품을 요약하거나, 비교하거나, 추천하려는 모든 시스템에 더 많은 모호성을 만듭니다.

랜딩 페이지는 또한 Google, ChatGPT 및 AI Mode가 동일한 제품 데이터에서 정보를 가져온다고 주장합니다. 이는 문서화된 동일한 데이터 파이프라인이나 랭킹 시스템을 의미하는 것으로 해석되어서는 안 됩니다. 해당 페이지는 그 주장의 기술적 근거를 설명하지 않으며, 각 플랫폼은 서로 다른 제품, 인터페이스 및 기반 시스템을 가지고 있습니다. 실질적인 핵심은 더 좁습니다. 일관되고 기계가 읽을 수 있는 제품 정보는 제품 세부 정보가 노출되는 모든 곳에서 피할 수 있는 불일치를 줄일 수 있다는 것입니다.

80% 카탈로그 가시성 주장은 독립적으로 입증되지 않음

웹 세미나 홍보 자료는 전자상거래(e-commerce) 카탈로그의 최대 80%가 대화형 검색에 의해 보이지 않을 수 있다고 언급하며, 이 문제를 기술적 문제가 아닌 언어적 문제로 규정합니다.

이 수치는 주의를 요합니다. 해당 랜딩 페이지는 근거가 되는 데이터셋, 방법론, 샘플 정의, 수집 기간 또는 독립적인 검증을 제공하지 않습니다. 이는 출판된 연구 결과가 아니라 홍보성 주장입니다. 시장의 다른 추정치들 역시 AI 쇼핑 카탈로그 가시성의 상당한 격차를 시사했지만, 사용 가능한 연구는 합의를 이루거나 이 정확한 80% 수치를 독립적으로 확인하지 못합니다.

전자상거래 팀에게는 그 구분이 중요합니다. 정의되지 않은 카탈로그, 검색어 세트(query set) 또는 플랫폼에 부착된 백분율은 특정 사이트 중 얼마나 많은 부분이 발견되거나 인용되거나 추천될 수 있는지 보여줄 수 없습니다. 또한 손실된 클릭 수, 판매 또는 수익을 입증할 수도 없습니다.

더 방어 가능한 결론은 대화형 인터페이스에서의 제품 가시성이 불완전할 수 있으며, 팀들은 광범위한 산업 추정치를 비즈니스에 적용하기보다는 [자체 커버리지를 측정해야 한다]는 것입니다.

어떤 제품 정보가 해석하기 쉬워야 하는가

이 웨비나에서 언어와 가독성에 중점을 둔 것은 실질적인 콘텐츠 및 기술 검토가 필요함을 시사합니다. 제품 페이지는 쇼핑객, 크롤러 또는 AI 시스템이 이미지, 탐색 레이블 또는 변형(variants)만으로 핵심 사실을 추론할 수 있다고 가정하기보다는, 자체적으로 핵심 정보를 명시해야 합니다.

유용한 점검 사항에는 다음이 포함됩니다:

• 제품 아이템과 중요한 차별점을 정확하게 식별하는 제품명.
• 재질, 치수(dimensions), 호환성(compatibility), 의도된 용도 및 관련성이 있는 의미 있는 제한 사항에 대한 명확한 설명.
• 가격, 가용성 및 변형별 차이점에 대한 최신 정보.
• 중요 콘텐츠가 접근 불가능하거나 일관되지 않은 로딩 패턴에 의존하는 것이 아니라 렌더링된 페이지 경험에서 이용 가능한 제품 페이지.
• 가시적인 제품 정보와 일치하며 카탈로그 세부 정보가 변경될 때 유지되는 구조화된 데이터(Structured data).
• 서로 모순되지 않는 제품 피드(Product feeds) 및 온사이트 데이터.

구조화된 데이터가 AI 답변이나 추천에 포함될 것을 보장하는 것은 아닙니다. 하지만 핵심 속성(key attributes)을 더 명시적이고 처리하기 쉽게 만들 수는 있습니다. 제품 피드도 마찬가지입니다. 이는 관련 상거래 시스템을 위한 중요한 제품 정보 출처이지만, 완전하고 이해하기 쉬운 제품 페이지를 대체할 수는 없습니다.

일반적인 순위와는 별개로 평가 지표 측정하기

전통적인 이커머스 보고서는 일반적으로 순위(rankings), 노출 수(impressions), 클릭 및 전환 성과에 중점을 둡니다. 이러한 측정 지표들은 여전히 중요하지만, 사용자가 비교 쇼핑 질문을 할 때 AI 인터페이스가 제품을 언급하는지, 옵션으로 제시하는지, 또는 경쟁업체를 선호하는지를 완전히 설명해주지는 못합니다.

AI 쇼핑 가시성을 조사하는 팀은 다음의 몇 가지 질문들을 분리하여 고려해야 합니다:

이커머스 팀을 위한 실질적인 시사점

웨비나의 틀에서 가장 실행 가능한 부분은 정보 품질에 초점을 맞추고 있다는 점입니다. AI 검색을 위한 카탈로그 최적화는 이커머스 SEO를 대체하는 별도의 수단일 가능성이 낮습니다. 오히려 검색 엔진, 쇼핑 시스템, 그리고 AI 인터페이스가 목록을 정확하게 해석해야 하는 제품 사실(product facts) 자체를 강화하는 것에 가깝습니다.

상업적으로 중요한 제품부터 시작하고 핵심 속성(critical attributes)이 부족하거나, 일관성이 없거나, 접근하기 어려운 페이지를 확인하십시오. 그런 다음 동일한 품목에 대해 페이지, 구조화된 데이터(structured data), 피드 필드를 비교해 보십시오. 이를 통해 팀이 특정 대화형 결과에서 제품이 나타나는지 여부를 판단하기 전에 기본적인 격차(gap)를 발견할 수 있습니다.

제품 페이지가 AI 기반 검색에 불분명할 수 있는 부분을 구조적으로 평가하고 싶다면, GEO Search Leads 계정을 생성하십시오. 이는 개별적인 AI 언급을 가시성의 완전한 측정 기준으로 취급하기 전에, 접근 가능하고 일관된 콘텐츠를 중심으로 최적화 기회를 식별하고 웹사이트 GEO 준비 상태(website GEO readiness) 평가를 시작하는 데 도움을 줄 수 있습니다.

자주 묻는 질문

구조화된 데이터가 제품이 AI 쇼핑 추천에 나타날 것을 보장합니까?

아니요. 구조화된 데이터(Structured data)는 제품 속성을 더 명시적으로 만들 수 있지만, AI가 생성한 응답에 포함되거나 인용되거나 추천됨을 보장하지는 않습니다.

이커머스 카탈로그의 80%가 대화형 검색에 보이지 않는다는 주장은 검증되었습니까?

아닙니다. 이 80% 수치는 발표된 방법론(methodology), 데이터셋(dataset) 또는 독립적인 검증 없이 홍보 웨비나 페이지에 나타났습니다. 이를 보편적인 기준점(universal benchmark)으로 취급해서는 안 됩니다.

Google, ChatGPT 및 AI 모드가 정확히 동일한 제품 데이터를 사용합니까?

웨비나 랜딩 페이지는 그렇게 주장하지만, 동일한 데이터 소스(data sources) 또는 시스템을 확립하는 기술 문서(technical documentation)를 제공하지 않습니다. 해당 플랫폼들이 동일하게 작동한다고 가정해서는 안 됩니다.

이커머스 사이트는 AI 쇼핑 가시성을 위해 무엇을 측정해야 합니까?

문서화된 검색어 및 플랫폼에 대해 관련 AI 응답이 우선순위 제품을 언급하는지, 링크하는지 또는 인용하는지를 추적하십시오. 이 측정값을 순위(rankings), 클릭 수(clicks), 전환율(conversions)과 분리하여 유지해야 합니다.

결론

AI 쇼핑 가시성은 제품 정보가 명확하고(clear), 일관되며(consistent) 기계가 읽을 수 있는지(machine-readable) 여부에 부분적으로 달려 있습니다. 해당 웨비나는 유용한 최적화 질문들을 제기하지만, 카탈로그 비가시성 통계는 여전히 검증되지 않았습니다. 이커머스 팀은 광범위한 홍보 기준점(promotional benchmarks)보다 자체 데이터 품질과 반복 가능한 가시성 측정을 우선순위에 두어야 합니다.