Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LLM이 제품 추천 시 특정 브랜드를 얼마나 점유하는지 분석한 연구입니다. GPT-5.2, Gemini 3 Flash, Perplexity를 대상으로 카테고리 점유 지수(COI) 등 세 가지 지표를 제안하여 AI 추천의 경쟁 구조를 실증적으로 분석했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL (NLP)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기대규모 언어 모델 (Large language models)은 이제 구매자가 제품과 서비스를 발견하는 방식을 중재하고 있으며, 이로 인해 AI가 생성하는 추천의 경쟁 구조는 브랜드들에게 전략적인 관심사가 되었습니다. 한 가지 기본적인 질문에 대해 대규모 실증적 답변이 부족한 상태입니다: 특정 카테고리에서 모델은 어떤 브랜드를 추천하며, 그 점유율은 얼마나 집중되어 있는가? 세 가지 모델 (GPT-5.2, Google Gemini 3 Flash, Perplexity sonar-pro)을 대상으로 50개 브랜드, 5개 산업, 250개의 브랜드 미지정 카테고리 질의에 걸친 3,750개의 응답을 분석하였으며, 주사위 굴리기 안정성 프로토콜 (dice-roll stability protocol)에 따라 각 질의를 5회씩 반복했습니다. 우리는 세 가지 탐색적 지표를 제안합니다: 카테고리 점유 지수 (Category Ownership Index, COI) - 카테고리 내 브랜드 언급 비중; 경쟁 공백 지수 (Competitive Vacuum Index, CVI) - 단일 리더가 없는 카테고리를 식별; 그리고 대체 점수 (Displacement Score, DS) - 브랜드 쌍 간의 비대칭적 대체 (asymmetric substitution)를 정량화합니다. 본 샘플에서 추천 집중도는 중간 수준이었습니다: 평균 지니 계수 (Gini coefficient)는 0.28 (95% CI [0.16, 0.41])로, 우리가 설정한 0.60의 멱법칙 (power-law) 임계값보다 낮았습니다. 경쟁 공백은 질의의 8.0%에서만 나타나 드물었으며, 따라서 모델들은 대부분의 경우 최소 하나 이상의 샘플링된 브랜드를 언급했습니다. 최상위 추천 브랜드에 대한 모델 간 일치도는 41.6%였습니다: 즉, 한 모델에서의 최상위 위치가 다른 모델에서도 안정적으로 유지되지는 않았습니다. 대체 (Displacement) 현상은 산업에 따라 달랐는데, 컨설팅 분야의 공동 추천 (0.4:1)부터 최대 4.3:1에 이르는 단방향 대체까지 나타났으며, 5개 산업 전체의 가중치 없는 평균은 2.4:1이었습니다. BERTopic 검토 결과, 발견된 토픽 클러스터 (topic clusters) 중 원래 카테고리를 벗어난 것은 4.2%에 불과했습니다. 연구 범위 내에서 이러한 결과는 AI 추천을 둘러싼 강력한 '승자 독식 (winner-takes-all)' 내러티브와 대조를 이루며, 제안된 세 가지 지표는 향후 연구에서 검증할 수 있는 경쟁 정보 분석 (competitive-intelligence analysis)을 위한 후보이자 재현 가능한 절차를 제공합니다.