WordPress AI 검색 플러그인이 실제로 AI를 사용하는지 확인하는 방법

WordPress 플러그인 디렉토리는 "AI 검색" 플러그인들로 가득 차 있습니다. 대부분은 기술적인 의미에서의 AI를 사용하지 않습니다. 이들은 키워드 매칭 (keyword matching)을 사용하며, 때로는 유의어 조회 (synonym lookup)나 그 위에 얹혀진 선택적인 ChatGPT API 호출을 사용합니다.

클라이언트 프로젝트나 개인 스토어를 위해 이러한 플러그인을 평가하는 개발자들에게는 마케팅과 현실 사이의 격차가 중요합니다. 내부 구조가 어떻게 되어 있는지 아는 것이 사용자가 실제로 입력할 쿼리 (queries)를 플러그인이 처리할 수 있을지를 결정합니다.

어떠한 "AI 검색" 플러그인의 기술적 주장도 직접 검증할 수 있는 방법을 소개합니다.

"AI 검색" 뒤에 숨겨진 아키텍처 (architectures)

세 가지 주요 접근 방식이 있습니다:

1. TF-IDF (통계 기반 키워드 매칭)

단어 빈도 (Term Frequency) × 역문서 빈도 (Inverse Document Frequency). 1970년대부터 사용된 고전적인 정보 검색 (information retrieval) 방식입니다. 쿼리의 단어들이 인덱싱된 제품 필드(제목, 설명, 태그)와 매칭됩니다. 각 매칭은 해당 단어가 전체 카탈로그 대비 해당 제품에서 얼마나 자주 나타나는지에 따라 가중치가 부여됩니다. 그 위에 유의어 및 퍼지 매칭 (fuzzy matching)을 얹을 수 있습니다.

장점: 빠르고, 결정론적 (deterministic)이며, LLM 호출이 없고, 비용이 저렴합니다.

한계: 쿼리와 제품 간의 키워드 중복이 필요합니다. 의도 (intent)를 이해하지 못합니다. 명시적인 유의어가 설정되어 있지 않으면 "Pull-out wall mount"는 "Pull-Down Full Motion TV Mount"와 매칭될 수 없습니다.

2. 벡터 임베딩 (Vector embeddings, 시맨틱 검색)

각 제품은 임베딩 모델 (embedding model)을 사용하여 수학적 표현(벡터)으로 변환됩니다. 벡터는 단순한 단어가 아닌 의미를 포착합니다. 쿼리 또한 동일한 방식으로 임베딩됩니다. 유사도는 쿼리 벡터와 제품 벡터 사이의 코사인 거리 (cosine distance)로 측정됩니다.

장점: 의역 (paraphrasing), 의도 (intent), 다국어, 자연어 쿼리를 처리할 수 있습니다.

한계: 임베딩 인프라 (ChromaDB, Pinecone, Supabase pgvector)가 필요합니다. 인덱싱 시 제품당 임베딩 비용이 발생하며, 검색 시 쿼리 임베딩 비용이 발생합니다.

3. LLM 증강 키워드 검색 (LLM-augmented keyword search)

LLM(보통 ChatGPT 또는 유사한 모델)을 호출하여 쿼리를 강화하거나 검색 결과의 순위를 재조정(Rerank)하는 전통적인 키워드 검색(Traditional keyword search) 방식입니다. 기본 아키텍처는 키워드 기반이며, LLM은 레이어로서 쿼리 확장(Query expansion) 또는 자연어 이해(Natural language understanding) 기능을 제공합니다.

장점: 순수 키워드 방식보다 뛰어나며, 전체 벡터(Vector) 설정 방식보다 단순합니다.

한계점: 검색(Retrieval) 단계에서 여전히 키워드 매칭에 의한 병목 현상이 발생합니다. 쿼리당 LLM 비용이 발생하며, API 호출로 인한 지연 시간(Latency)이 존재합니다.

플러그인이 어떤 아키텍처를 사용하는지 테스트하는 방법

어떠한 "AI 검색" 플러그인 데모를 대상으로든 다음 네 가지 쿼리를 실행해 보세요.

테스트 1: 미등록 단어 의도 (Out-of-vocabulary intent)

제품 제목에 나타나지 않는 제품 속성을 검색합니다. TV 마운트 상점의 경우, 제품 제목이 "Pull-Down Full Motion"일 때 "pull out from wall"이라고 검색해 봅니다.

예상 동작:

• 벡터 임베딩(Vector embedding) 의미론적 검색: 관련 제품을 반환함
• 유의어(Synonyms)를 포함한 TF-IDF: 해당 사례에 대해 유의어가 정확히 설정되어 있다면 관련 제품을 반환함
• 순수 키워드: 아무것도 반환하지 않음

테스트 2: 설정 없는 다국어 검색 (Multilingual without configuration)

카탈로그에 사용된 언어와 다른 언어로 동일한 제품 카테고리를 검색합니다. 영어 카탈로그의 경우: "kurtka zimowa bez futra" (폴란드어: 털 없는 겨울 재킷)라고 검색해 봅니다.

예상 동작:

• 다국어 모델을 사용한 벡터 임베딩(Vector embeddings): 관련 제품을 반환함
• 번역 플러그인이 없는 키워드 검색: 아무것도 반환하지 않음
• 번역 플러그인이 있는 키워드 검색: 언어별 유의어 설정에 따라 다름

테스트 3: 오타 (Misspellings)

의도적인 오타를 포함하여 제품 유형을 검색합니다: 카탈로그에서 "moisturizer" (미국식)를 사용하는데 "moisturiser" (영국식)로 검색하거나, "anti aging" 대신 "anty aging"으로 검색합니다.

예상 동작:

• 벡터 임베딩(Vector embeddings): 일반적으로 미세한 철자 변형을 처리함
• 퍼지 매칭(Fuzzy matching)을 포함한 TF-IDF: 편집 거리(Edit distance) 설정에 따라 일부 변형을 처리함
• 순수 키워드 완전 일치(Exact-match): 아무것도 반환하지 않음

테스트 4: 추상적 의도 (Abstract intent)

제품이 아닌 문제 설명을 검색합니다. 스킨케어 상점의 경우: "dry skin on my elbows" (팔꿈치의 건조한 피부) 또는 "something for tired-looking eyes" (피곤해 보이는 눈을 위한 무언가)라고 검색해 봅니다.

기대되는 동작:

• 벡터 임베딩 (Vector embeddings): 의도와 제품을 연결함 (예: 팔꿈치용 바디 모이스처라이저)
• 키워드 검색 (Keyword search): 제품명에 해당 문구가 문자 그대로 포함되어 있지 않으면 아무것도 반환하지 않음

만약 테스트 4에서만 결과가 나오지 않는다면, 해당 플러그인은 마케팅 용어와 상관없이 키워드 기반입니다. 만약 테스트 1부터 3까지도 실패한다면, 유의어 (synonym) 설정이 없는 순수 키워드 매칭 방식입니다.

인기 있는 5가지 WordPress AI 검색 플러그인 테스트 결과

지난 주말 디렉토리에 있는 주요 "AI 검색" 플러그인들을 대상으로 이 테스트들을 실행했습니다. 공개 문서와 무료 티어 설정을 통해 검증을 마쳤습니다.

FiboSearch

아키텍처 (Architecture): 퍼지 로직 (fuzzy logic) 및 유의어 (synonyms)를 활용한 키워드 매칭. 쿼리 향상을 위한 선택적 ChatGPT 통합 기능 제공.

테스트 결과: 퍼지 매칭을 통해 테스트 3(오타)을 처리합니다. 명시적인 유의어 설정 없이는 테스트 1, 테스트 2, 테스트 4를 통과하지 못합니다. 마케팅에서 말하는 "AI"는 선택 사항인 ChatGPT 레이어를 의미합니다.

판결: 선택적 LLM 향상이 포함된 TF-IDF.

SearchWP

아키텍처 (Architecture): 가중치 엔진 설정이 포함된 키워드 인덱싱 (keyword indexing).

AI 기능 (시맨틱, 이미지, 제안)은 쿼리 정교화를 위해 OpenAI를 호출하는 유료 애드온 (add-ons)입니다.

테스트 결과: FiboSearch와 유사합니다. 기본 검색은 키워드 방식입니다. 유료 AI 애드온은 쿼리 이해도를 높여주지만, 근본적인 아키텍처를 변경하지는 않습니다.

판결: 유료 LLM 증강이 포함된 TF-IDF.

Relevanssi

아키텍처 (Architecture): 사용자 정의 가중치, 랭킹 제어 및 유의어 지원을 포함한 전체 텍스트 검색 (full-text search).

테스트 결과: 퍼지 매칭이 설정되어 있다면 테스트 3을 처리합니다. 기본 설정에서는 테스트 1, 2, 4를 통과하지 못합니다.

판결: TF-IDF. 문서에서 AI 또는 시맨틱 검색 (semantic search)을 명시적으로 주장하지 않습니다. 키워드 방식임을 솔직하게 밝히고 있습니다.

AI Vector Search (Semantic)

아키텍처 (Architecture): 듀얼 모드. 기본 라이트 모드 (Lite Mode)는 유의어 및 불용어 (stopwords)를 포함한 TF-IDF를 사용합니다. 실제 벡터 임베딩 (vector embeddings)은 유료인 셀프 호스팅 Supabase 모드와 사용자의 OpenAI API 키를 사용할 때만 활성화됩니다.

기본 Lite Mode에서의 테스트 결과: FiboSearch와 동일함 (TF-IDF).
유료 벡터 모드에서의 테스트 결과: 완전한 의미론적 (semantic) 기능 제공.

판결: 설정에 따라 다름. 기본 설치 상태에서는 TF-IDF로 동작함. 마케팅 문구는 유료 설정을 설명하고 있음.

Queryra

아키텍처 (공개: 본인의 제품): ChromaDB를 통한 벡터 임베딩 (vector embeddings). 각 제품은 다국어 임베딩 모델 (multilingual embedding model)로 인덱싱됨. 고객의 쿼리는 LLM (gpt-4.1-mini)에 의해 파싱되며, 이를 통해 의미론적 의도 (semantic intent)와 구조화된 필터 (가격 범위, 브랜드, 제외 용어)를 추출함. 쿼리 벡터는 코사인 유사도 (cosine similarity)를 통해 제품 벡터와 비교됨.

테스트 결과: 기본 무료 티어에서 테스트 1, 2, 3, 4를 통과함. 추가 설정이 필요하지 않음.

판결: LLM 의도 파싱을 결합한 벡터 임베딩 의미론적 검색 (vector embedding semantic search). 기본 설치 상태가 마케팅에서 설명하는 기능을 제공함.

플러그인 선택 시 시사점

클라이언트 프로젝트를 위해 "AI 검색" 플러그인을 선택하는 개발자라면:

사용 사례가 예측 가능한 고객 쿼리를 가진 소규모 카탈로그라면, TF-IDF 플러그인 (FiboSearch, SearchWP, Relevanssi)이 잘 작동하며 런타임 비용도 더 낮습니다.

만약 고객이 자연어로 요구 사항을 설명하거나, 여러 언어로 검색하거나, 카탈로그 어휘와 다른 용어를 사용한다면, 진정한 벡터 임베딩 의미론적 검색 (vector embedding semantic search)이 필수 요건이 됩니다. 이 지점에서 마케팅과 실제 성능 사이의 확인 작업이 매우 중요합니다. "AI"를 표방하지만 TF-IDF를 사용하는 플러그인은 고객이 기대하는 방식으로 의도와 제품을 연결해주지 못할 것입니다.

위에서 제시한 4가지 쿼리 방법론을 사용하면 15분 만에 어떤 플러그인의 실제 아키텍처도 검증할 수 있습니다. 유료 티어를 결제하거나 클라이언트에게 추천하기 전에 수행할 가치가 있습니다.

결론

"AI 검색"은 여러 가지 기술적 아키텍처를 포괄하는 마케팅 용어입니다. 선택적 LLM 레이어를 갖춘 TF-IDF가 가장 흔하며, 진정한 벡터 임베딩 의미론적 검색은 가장 드뭅니다.

2026년 기준 WordPress의 경우, 유료 애드온(add-ons)이나 외부 인프라(infrastructure)를 필요로 하지 않고 즉시 진정한 의미론적 검색 (semantic search) 기능을 제공하는 플러그인 분야는 매우 협소합니다.

전체 방법론, FAQ, 그리고 나란히 비교한 테스트 결과:

https://queryra.com/blog/which-wordpress-ai-search-plugins-actually-use-semantic-search

라이브 데모 체험하기 (가입 불필요): woo.queryra.com