AI 에이전트 디스커버리 아키텍처 — 브랜드가 ChatGPT, Perplexity 및 AI 플랫폼 내에서 커스텀 에이전트를 구축하는 방법

The Searchless Journal에 처음 게시됨)

AI 답변에 인용된 출처로 등장하던 시대가 더 근본적인 변화로 넘어가고 있습니다. 바로 브랜드가 ChatGPT, Perplexity, Google UCP 및 기타 플랫폼 내부에 상주하는 커스텀 AI 에이전트(Custom AI agents)를 구축하는 것입니다. 이러한 지속적이고 제어 가능한 에이전트 인스턴스(Agent instances)는 대화형 질의에서 AI가 제품, 서비스 및 브랜드 정체성을 표현하는 방식을 정의하며, 단순한 일반적 인용을 넘어 모든 브랜드의 권위 있는 AI 스토어프런트(Storefront)가 됩니다.

이것이 AI 디스커버리(Discovery)의 다음 개척지입니다. 에이전트 디스커버리 아키텍처(Agent discovery architecture)에 투자하는 브랜드는 AI 엔진이 자신들에 대해 질문에 답하는 방식을 제어하고, 환각(Hallucination) 위험을 줄이며, 전환율(Conversion rates)을 개선합니다. 반면 일반적인 인용에만 의존하는 브랜드는 제품을 오해하거나, 오래되었거나, 단순히 누락할 수 있는 AI 시스템에 제어권을 양도하게 됩니다.

AI 에이전트 디스커버리 아키텍처의 의미

커스텀 AI 에이전트는 AI 플랫폼 내에 임베디드(Embedded)된 브랜드 특화 인스턴스로, 해당 브랜드의 제품, 서비스, 정책 및 기능에 대한 사용자 질의에 답하는 권위 있는 소스 역할을 합니다. 웹사이트를 가리키고 AI가 정보를 추출 및 해석하도록 내버려 두는 일반적인 인용과 달리, 커스텀 에이전트는 API, 피드(Feeds) 또는 통합 프레임워크(Integration frameworks)를 통해 구조화되고 검증된 데이터를 AI 엔진에 직접 제공합니다.

이 아키텍처는 브랜드 전략을 "인용되기"에서 "AI 스토어프런트를 소유하기"로 전환시킵니다.

에이전트 디스커버리 아키텍처의 구성 요소는 다음과 같습니다:

데이터 레이어 (Data Layer)

기계 판독 가능하도록 정리된 구조화된 제품 카탈로그, 가격 책정 API, 재고 피드, 정책 문서 및 브랜드 가이드라인입니다. 이것이 기초입니다. 깨끗하고 구조화된 데이터 없이는 커스텀 에이전트가 정확하게 작동할 수 없습니다.

통합 레이어 (Integration Layer)

ChatGPT, Perplexity, Google UCP 및 기타 AI 플랫폼으로 브랜드 데이터를 수집하는 플랫폼별 API 및 피드 형식(feed formats)입니다. 각 플랫폼은 JSON 피드, XML 제품 목록, GraphQL 엔드포인트 등 서로 다른 요구 사항을 가지고 있지만, 목표는 동일합니다: 양방향 데이터 동기화 (bidirectional data sync).

거버넌스 레이어 (Governance Layer)

가격 변동, 재고 변동 및 정책 변화에 따라 커스텀 에이전트가 정확성을 유지할 수 있도록 보장하는 업데이트 메커니즘, QA 규칙 및 모니터링 대시보드입니다. 거버넌스에는 자동 재고 동기화, 가격 업데이트 트리거 및 이상 탐지 (anomaly detection)가 포함됩니다.

브랜드 컨트롤 레이어 (Brand Control Layer)

커스텀 에이전트가 다양한 유형의 질의에 응답하는 방식을 정의하는 톤 가이드라인 (tone guidelines), 메시징 규칙 및 답변 우선순위 로직입니다. 이 레이어를 통해 브랜드는 AI가 무엇을 말하는지뿐만 아니라, 어떻게 말하는지도 제어할 수 있습니다.

주요 플랫폼 전반에서 커스텀 에이전트가 작동하는 방식

ChatGPT 쇼핑 (ChatGPT Shopping)

주요 통합 패턴:

• 필수 필드(SKU, 이름, 설명, 가격, 가용성, 이미지)를 포함한 JSON 또는 CSV 형식의 제품 피드 (product feeds)
• 가격 및 가용성 데이터를 위한 오퍼 스키마 (offer schema) 통합
• 사회적 증거 (social proof) 신호를 위한 리뷰 스키마 (review schema)
• 실시간 재고 동기화를 위한 API 엔드포인트

포괄적인 ChatGPT 쇼핑 피드를 구현하는 브랜드는 더 높은 추천율을 기록합니다. 이는 AI 엔진이 일반적인 웹 페이지에서 정보를 추론하는 대신 정확한 제품 데이터에 직접 접근할 수 있기 때문입니다.

Perplexity 커머스 (Perplexity Commerce)

주요 통합 패턴:

• 명확한 속성 정의(소재, 사이즈, 호환성, 특징)가 포함된 구조화된 제품 피드
• 명시적인 시간 범위가 포함된 가격 및 가용성 데이터
• 반품, 배송 및 지원에 관한 브랜드 정책 문서
• 조사 의도 (research-intent) 콘텐츠 형식: 방법론 포스트, 비교 표, 사실 밀도가 높은 가이드

Perplexity가 구조화된 증거를 강조한다는 것은, 데이터를 서술형 설명이 아닌 명시적이고 추출 가능한 사실로 정리하는 브랜드가 인용 (citations)에서 더 나은 성과를 거둔다는 것을 의미합니다.

Google UCP (Unified Commerce Platform)

Google UCP는 Google Search, Google Shopping, 그리고 AI가 생성하는 쇼핑 경험과 직접 통합됩니다. Wayfair 및 Etsy와 같은 참여 리테일러들은 구조화된 피드(structured feeds)가 어떻게 AI 쇼핑 인벤토리(AI-shopping inventory)로 변모하는지를 보여줍니다. Google UCP의 커스텀 에이전트(Custom agents)는 Merchant Center 스키마(schema) 통합과 실시간 제품 데이터 동기화(real-time product data synchronization)에 의존합니다.

주요 통합 패턴:

• 필수 스키마(Product, Offer, Review)를 포함한 Merchant Center 제품 피드
• Google Merchant Center API를 통한 실시간 재고 및 가격 동기화
• AI 추출을 위한 스키마 마크업(schema markup)이 적용된 구조화된 콘텐츠 페이지
• 매장 픽업(in-store pickup)이 가능한 오프라인 리테일러를 위한 로컬 비즈니스 데이터 통합

Google UCP와 Google Search의 긴밀한 통합은 브랜드가 전통적인 SEO와 에이전트 디스커버리 아키텍처(agent discovery architecture)를 모두 최적화함으로써 다양한 접점(surfaces)으로부터 트래픽을 확보할 수 있음을 의미합니다.

왜 지금 커스텀 에이전트가 중요한가

에이전틱 커머스(agentic commerce)—ChatGPT Shopping, Perplexity Commerce, Google UCP 및 기타 AI 쇼핑 에이전트—의 수렴은 '데이터 준비성(data readiness)'이라는 병목 현상을 만들어냅니다. 브랜드는 단순히 AI 답변에 나타나는 것만으로는 부족합니다. AI 시스템이 정확하게 흡수(ingest), 해석(interpret), 그리고 인용(cite)할 수 있는 구조화되고 검증된 데이터를 제공해야 합니다.

에이전트 디스커버리 아키텍처가 시급한 세 가지 요인은 다음과 같습니다:

1. 환각(Hallucination) 리스크의 비용 문제

AI 시스템은 때때로 환각(hallucinate)을 일으킵니다. 즉, 브랜드, 제품 또는 정책에 대해 그럴듯해 보이지만 부정확한 정보를 생성합니다. 이커머스 브랜드에게 이는 잘못된 가격, 부정확한 재고 상태, 또는 오해의 소지가 있는 기능 설명으로 이어집니다. 커스텀 에이전트는 AI 엔진이 참조할 수 있는 단일 진실 공급원(single source of truth)을 제공하여, 환각을 줄이고 신뢰도를 높입니다.

2. 일반적인 인용(Generic Citations) 시 전환율 하락

일반적인 인용(Generic Citations)을 접하는 사용자들은 탐색을 위해 클릭을 시도하지만, 이후 불편함(friction)을 겪게 됩니다. 예를 들어, 열악한 사이트 탐색(navigation), 상충하는 정보, 또는 오래된 가격 정보 등이 이에 해당합니다. 커스텀 에이전트(Custom agents)는 AI 인터페이스 내에서 정확한 정보를 직접 제공함으로써, 클릭을 유도하지 않고도 구매 또는 참여 가능성을 높입니다.

3. 좁아지는 경쟁 우위 (Competitive Advantage is Narrowing)

에이전트 디스커버리 아키텍처(agent discovery architecture)를 조기에 도입한 기업들—즉, 구조화된 데이터 피드(structured data feeds), 스키마 마크업(schema markup), 그리고 플랫폼 통합(platform integrations)에 투자한 브랜드들—은 이미 AI 추천 점유율을 불균형적으로 선점하고 있습니다. 더 많은 브랜드가 커스텀 에이전트를 구현함에 따라, 선점자 우위(first-mover advantage)를 누릴 수 있는 기회의 창은 점점 좁아지고 있습니다.

구현 프레임워크 (Implementation Framework)

커스텀 AI 에이전트를 구축하는 것은 단일 프로젝트가 아니라 지속적인 아키텍처 투자입니다. 구현 프레임워크는 다음의 5단계로 구성됩니다:

1단계: 기반 평가 (Foundation Assessment)

현재 데이터 준비 상태를 감사(audit)하고, 구조화된 데이터의 공백을 식별하며, 타겟 오디언스와 트래픽 구성에 따라 플랫폼의 우선순위를 정합니다.

산출물:

• 데이터 인벤토리(Data inventory): 어떤 구조화된 데이터가 존재하는가? 무엇이 누락되었는가?
• 플랫폼 우선순위 설정(Platform prioritization): 귀사의 브랜드에 가장 중요한 AI 엔진은 무엇인가?
• 스키마 커버리지 평가(Schema coverage assessment): Product, Offer, Review, Organization 스키마가 구현되어 있는가?
• 피드 형식 선택(Feed format selection): 플랫폼 요구 사항에 따른 JSON, XML, CSV 또는 API 기반 형식

2단계: 데이터 준비 (Data Preparation)

기계 판독성(machine readability)을 위해 제품 데이터를 정제, 구조화 및 정규화(normalize)합니다. 레거시 시스템(legacy systems)은 AI에 적합한 형식으로 데이터를 저장하는 경우가 드물기 때문에, 이 단계는 종종 가장 많은 시간이 소요됩니다.

주요 작업:

• 제품 속성 표준화 (소재, 사이즈, 호환성, 특징)
• 명시적인 시간 범위를 포함한 가격 및 재고 데이터 정규화
• 구조화된 형식의 브랜드 정책 문서 작성 (반품, 배송, 고객 지원)
• 정규 식별자(SKUs, GTINs)를 포함한 마스터 제품 카탈로그 구축

3단계: 플랫폼 통합 (Platform Integration)

우선순위가 지정된 각 플랫폼을 위한 피드(feeds), API, 그리고 스키마 마크업(schema markup)을 구현합니다. 하나의 플랫폼으로 시작하여 검증한 후 확장하십시오.

플랫폼별 요구사항:

• ChatGPT Shopping: 필수 필드가 포함된 제품 피드(Product feed), Offer 스키마(Offer schema), Review 스키마(Review schema)
• Perplexity Commerce: 구조화된 속성(Structured attributes), 가격/가용성 기간(pricing/availability windows), 정책 문서(policy docs)
• Google UCP: Merchant Center 피드, 실시간 동기화 API, 스키마 마크업(schema markup)
• 기타 플랫폼: 피드 형식, 업데이트 빈도, QA 요구사항에 대한 문서(documentation) 준수

4단계: 거버넌스 설정 (Governance Setup)

데이터가 변경됨에 따라 커스텀 에이전트의 정확성을 유지할 수 있는 업데이트 메커니즘, 모니터링 대시보드, 그리고 QA 규칙을 구축합니다.

거버넌스 구성 요소:

• 자동 재고 동기화 트리거 (웹훅(webhooks) 또는 예약된 풀(scheduled pulls))
• 수동 변경을 위한 승인 단계(approval gates)가 포함된 가격 업데이트 워크플로우
• 이상 탐지 (가격 급등, 가용성 충돌, 누락된 제품)
• 인용 모니터링 (Citation monitoring): 커스텀 에이전트가 얼마나 자주, 어디에 나타나는지 추적

5단계: 반복 및 확장 (Iteration and Expansion)

성과를 모니터링하고, 인용(citation) 및 전환(conversion) 데이터를 기반으로 최적화하며, 추가 플랫폼으로 확장합니다.

최적화 영역:

• 콘텐츠 형식 테스트: 어떤 형식이 가장 성과가 좋은가? (방법론 포스트, 비교, 가이드(how-to guides))
• 제품 설명, 가격 제시 방식, 정책 언어에 대한 A/B 테스트
• 플랫폼별 튜닝: 각 엔진의 신호(signals)에 따라 데이터 강조 사항 조정
• 새로운 플랫폼이 등장함에 따라 확장

피해야 할 일반적인 실수

1. 커스텀 에이전트를 일회성 프로젝트로 취급하는 것

에이전트 디스커버리 아키텍처(Agent discovery architecture)는 지속적인 유지보수를 필요로 합니다. 가격은 변하고, 재고는 변동하며, 정책은 진화합니다. 처음부터 자동화, 모니터링, 업데이트 워크플로우와 같은 거버넌스를 구축하십시오. 그렇지 않으면 커스텀 에이전트는 빠르게 구식이 될 것입니다.

2. 브랜드 제어 계층(Brand Control Layer)을 소홀히 하는 것

데이터 준비(Data readiness)는 필수적이지만 그것만으로는 충분하지 않습니다. 커스텀 에이전트가 다양한 질의(queries)에 어떻게 응답해야 하는지 정의하십시오: 어조(tone), 메시징 우선순위, 답변의 깊이 등입니다. 브랜드 제어 계층(brand control layer)이 없다면, 심지어 정확한 데이터라 할지라도 브랜드 가치를 훼손하는 방식으로 제시될 수 있습니다.

3. 플랫폼 차이 무시하기

ChatGPT, Perplexity, 그리고 Google UCP는 서로 다른 신호(signals)를 우선시합니다. 모든 곳에 동일하게 적용되는 방식(one-size-fits-all approach)은 성능이 떨어집니다. 데이터 형식, 콘텐츠 구조, 업데이트 빈도를 각 플랫폼의 요구사항에 맞게 조정하십시오.

4. 거버넌스(Governance) 생략하기

자동화된 거버넌스—인벤토리 동기화, 가격 업데이트, 이상 탐지(anomaly detection)—는 성공적인 커스텀 에이전트와 실패한 실험을 가르는 기준입니다. 초기에 자동화에 투자하지 않으면 데이터를 수동으로 수정하는 데 수많은 시간을 허비하게 될 것입니다.

성공 측정하기

에이전트 디스커버리 아키텍처(agent discovery architecture)를 위한 핵심 지표:

인용률 (Citation Rate)

커스텀 에이전트가 AI 생성 답변에 얼마나 자주 등장합니까? 플랫폼, 질의 유형, 제품 카테고리별로 인용 빈도를 추적하십시오.

인용 정확도 (Citation Accuracy)

인용이 얼마나 정확합니까? 환각(hallucinations), 오래된 가격 정보, 또는 잘못된 가용성(availability) 여부를 모니터링하십시오. 인용 정확도는 신뢰를 구축하고 고객 지원 부담을 줄여줍니다.

전환율 (Conversion Rate)

AI 생성 추천이 구매나 참여로 이어지는 비율은 얼마입니까? 커스텀 에이전트의 추천과 일반적인 인용의 전환율을 비교하십시오.

업데이트 소요 시간 (Time to Update)

커스텀 에이전트를 통해 변경 사항(가격 업데이트, 인벤토리 변경, 정책 업데이트)을 얼마나 빠르게 전파할 수 있습니까? 업데이트 주기가 빠를수록 불일치가 줄어들고 사용자 경험이 향상됩니다.

ROI (투자 대비 수익)

에이전트 디스커버리 아키텍처에 대한 투자 대비 수익을 계산하십시오: 인용 상승(citation lift), 전환율 개선, 환각 감소, 고객 지원 비용 절감 등입니다.

전략적 전환

AI 디스커버리는 "인용되는 것"에서 "AI 스토어프런트(AI storefront)를 소유하는 것"으로 이동하고 있습니다. 이러한 변화는 세 가지 전략적 함의를 갖습니다:

1. 데이터가 주요 자산이 됨

AI 디스커버리에서의 브랜드 성공은 단순한 콘텐츠 제작이 아니라, 구조화되고 검증된 데이터(structured, validated data)에 달려 있습니다. 데이터 준비성(data readiness), 스키마 마크업(schema markup), 그리고 통합 역량(integration capabilities)에 투자하십시오.

2. 가시성보다 제어가 더 중요함

AI 답변에서 가시성을 확보하는 것만으로는 충분하지 않습니다. 브랜드는 AI가 자신을 어떻게 표현하는지를 제어해야 합니다. 커스텀 에이전트(Custom agents)가 바로 그 제어권을 제공합니다.

3. 기회의 창이 좁아지고 있음

에이전트 디스커버리 아키텍처(agent discovery architecture)를 조기에 도입한 기업들은 이미 불균형적으로 높은 AI 추천 점유율을 확보하고 있습니다. 더 많은 브랜드가 커스텀 에이전트를 구현함에 따라, 경쟁 우위는 점차 약화될 것입니다.

이러한 변화를 인식하고 에이전트 디스커버리 아키텍처에 투자하는 브랜드는 AI가 자신에 대해 질문에 답변하는 방식을 소유하게 될 것입니다. 반면, 일반적인 인용(generic citations)에만 의존하는 브랜드는 자신을 정확하게 표현하지 않거나, 아예 표현하지 않을 수도 있는 AI 시스템에 제어권을 양도하게 될 것입니다.

에이전트 디스커버리 아키텍처를 위한 귀사의 AI 가시성을 점검해보세요

무료 AI 가시성 감사 받기

저희는 ChatGPT, Perplexity, Google UCP 및 기타 플랫폼 전반에 걸쳐 귀사의 구조화된 데이터(structured data), 스키마 커버리지(schema coverage), 그리고 커스텀 AI 에이전트 통합 준비성을 분석합니다. 현재 상태가 어떠한지, 무엇을 가장 먼저 수정해야 하는지 확인하십시오.

출처

• ChatGPT 쇼핑 제품 문서 및 파트너 프로그램 자료