우리는 홈 & 리빙 분야에서 4,000개의 AI 추천을 포착했습니다. 결과는 예상 밖이었습니다.

AI는 더 나은 웹사이트에 보상을 주어야 합니다.

적어도 많은 브랜드가 그렇게 가정하고 있습니다.

만약 어떤 상점이 AI 시스템이 이해하고, 신뢰하고, 해석하기 더 쉽다면, 더 많은 추천을 받아야 합니다.

우리의 데이터는 그와 다르게 나타납니다.

우리는 홈 & 리빙(Home & Living) 분야에서 **4,000개의 AI 생성 추천(AI-generated recommendations)**을 분석하고, 추천 행태를 **AI Commerce Score™**와 비교했습니다.

상관관계 결과는 다음과 같습니다:

r = 0.108

사실상 제로(zero)입니다.

이것은 우리의 Recommendation Intelligence Research™ 시리즈 중 다섯 번째 연구입니다.

그리고 5개 산업 전반에 걸쳐 **20,000개 이상의 포착된 추천(captured recommendations)**을 분석한 결과, 이 패턴은 변하지 않고 유지되고 있습니다.

AI는 AI 준비가 가장 잘 된(AI-ready) 브랜드를 추천하는 것으로 보이지 않습니다.

AI는 이미 알고 있는 브랜드를 추천합니다.

연구 내용

이 연구는 Beauty, Supplements, Coffee, Pets 분야에서 진행했던 이전 연구와 정확히 동일한 방법론을 따릅니다.

아래의 모든 내용은 포착된 응답을 기반으로 합니다.

어떠한 것도 추정된 것이 아닙니다.

어떠한 것도 투영된 것이 아닙니다.

카테고리(Category): Home & Living

모델(Model): GPT-4o-mini

쇼핑 의도(Shopping Intents): 20

의도당 실행 횟수(Runs Per Intent): 20

프롬프트 실행 횟수(Prompt Runs): 400

포착된 추천(Recommendations Captured): 4,000

고유 브랜드(Distinct Brands): 271

우리는 세 가지 핵심 지표를 측정했습니다.

추천 점유율(Recommendation Share™)

포착된 모든 추천 중 특정 브랜드가 차지하는 백분율입니다.

추천 빈도(Recommendation Frequency™)

브랜드가 최소 한 번 이상 등장한 프롬프트 실행(prompt runs)의 백분율입니다.

추천 순위(Recommendation Position™)

브랜드가 추천되었을 때 차지한 평균 순위입니다.

숫자가 낮을수록 더 강력한 위치를 의미합니다.

이 시리즈의 모든 연구와 마찬가지로, 이는 하나의 모델, 하나의 카테고리, 그리고 특정 시점의 결과만을 나타냅니다.

AI가 가장 많이 추천한 브랜드

리더보드는 우리가 이전 카테고리에서 관찰했던 것과 동일한 패턴을 즉각적으로 보여주었습니다.

IKEA는 모든 프롬프트 실행의 **48.3%**에 등장했습니다.

West Elm은 **47.0%**에 등장했습니다.

Pottery Barn은 **41.5%**에 등장했습니다.

이 브랜드들은 매장 준비도 (store readiness)가 완만함에도 불구하고 추천을 독점했습니다.

IKEA는 AI Commerce Score™에서 64점을 기록했습니다.

West Elm은 60점을 기록했습니다.

반면, 해당 카테고리에서 가장 강력한 매장 중 일부는 거의 주목받지 못했습니다.

Article은 80점을 기록했습니다.

Burrow는 78점을 기록했습니다.

Uplift Desk는 77점을 기록했습니다.

GhostBed는 76점을 기록했습니다.

하지만 이들은 각각 프롬프트 실행 (prompt runs)의 7% 미만에서만 등장했습니다.

가장 강력한 매장들이 추천을 받고 있지 않았습니다.

가장 친숙한 브랜드들이 추천을 받고 있었습니다.

핵심 발견 사항 (The Central Finding)

추천 빈도 (Recommendation Frequency™)와 AI Commerce Score™ 사이의 상관관계는 다음과 같습니다:

r = 0.108

측정된 71개 브랜드 전반에 걸쳐, 추천 빈도와 매장 준비도는 사실상 관련이 없었습니다.

실질적인 관점에서 볼 때, AI가 특정 홈 브랜드(home brand)를 얼마나 자주 추천하는지를 아는 것은 해당 매장이 실제로 얼마나 AI 준비가 되어 있는지에 대해 거의 아무것도 알려주지 않습니다.

이 결과는 우리가 뷰티 (Beauty), 영양제 (Supplements), 커피 (Coffee), 반려동물 (Pets) 분야에서 관찰했던 것과 일치합니다.

다시 한번, 추천 행태는 매장 품질 (store quality)과 단절되어 있는 것으로 보입니다.

아마도 가장 놀라운 발견은 AI가 가장 자주 추천하는 브랜드들의 평균 준비도일 것입니다.

인덱스에 포함된 모든 추천 브랜드의 평균 AI Commerce Score™는 단 50.7에 불과했습니다.

이는 낮은 준비도 (Low Readiness)와 AI 투명성 부재 (AI Invisible)의 경계선에 바로 걸쳐 있는 수치입니다.

다시 말해:

AI는 추천을 수행하는 바로 그 시스템들이 읽어내기조차 힘겨운 매장들을 빈번하게 추천하고 있습니다.

다섯 가지 카테고리. 하나의 결과.

홈 & 리빙 (Home & Living)은 마지막 테스트였습니다.

이 시점에서 이 패턴을 단순한 노이즈로 치부하기는 어렵습니다.

20,000개 이상의 캡처된 추천 데이터 전반에 걸쳐, 추천 빈도는 매장 준비도와 유의미한 양의 상관관계를 보여준 적이 없습니다.

5개의 카테고리.

20,000개 이상의 추천 데이터.

의미 있는 양의 상관관계는 단 하나도 없었습니다.

3개의 카테고리는 본질적으로 상관관계가 0이었습니다.

1개는 음의 상관관계 (negative relationship)를 보였습니다.

홈 & 리빙 (Home & Living) 역시 본질적으로 0에 가까운 상관관계를 보였습니다.

이 결론은 더 이상 단일한 발견이 아닙니다.

이는 재현된 결과 (replicated result)입니다.

AI 추천 빈도는 매장 준비도 (store readiness)와 양의 상관관계가 없습니다.

가장 시장 주도적인 카테고리

홈 & 리빙 (Home & Living)은 또 다른 주목할 만한 발견을 보여주었습니다.

전체 추천의 약 **21%**가 소매업체 및 마켓플레이스 (marketplaces)로 향했습니다.

이는 전체 연구 프로그램 전반에 걸쳐 우리가 측정한 소매업체 점유율 중 가장 높습니다.

Amazon. Wayfair. Home Depot. Macy's. Lowe's.

소매 (Retail)는 AI가 이 카테고리를 이해하는 방식에 깊숙이 박혀 있습니다.

동시에, 홈 & 리빙 (Home & Living)은 우리 연구의 어떤 카테고리보다도 가장 높은 인덱스 커버리지 (on-index coverage)를 기록했습니다.

추천의 약 **60%**가 이미 우리 데이터베이스에 포함된 단일 브랜드 스토어와 직접적으로 매핑되었습니다.

이를 통해 우리는 이전의 어떤 연구보다 추천 행태와 매장 품질 (store quality) 사이의 관계를 더 명확하게 파악할 수 있었습니다.

결과는 변하지 않았습니다.

추천 빈도는 여전히 준비도 (readiness)를 따라가지 못했습니다.

이것이 의미하는 바

가시성 (Visibility)이 추천은 아닙니다.

추천이 준비도는 아닙니다.

그리고 준비도가 현재 보상받고 있는 것도 아닙니다.

오늘날의 AI 시스템은 여전히 기억 (memory)에 의존하여 강력하게 추천합니다.

그들은 학습 (training) 과정에서 반복적으로 접했던 브랜드들을 찾습니다.

수십 년간 인지도를 쌓아온 브랜드들.

대규모 소매 거점을 가진 브랜드들.

리뷰, 기사, 포럼, 그리고 공개적인 토론에서 끊임없이 등장하는 브랜드들 말입니다.

이것은 IKEA, West Elm, Pottery Barn이 AI 준비도 (AI readiness) 수준이 완만함에도 불구하고 왜 추천을 독점하는지를 설명하는 데 도움이 됩니다.

하지만 기억(memory)이 영원히 지배적인 신호로 남을 가능성은 낮습니다.

AI 커머스(AI commerce)의 미래는 모델이 무엇을 기억하느냐에만 전적으로 의존하지 않을 것입니다.

그것은 에이전트(agents)가 무엇을 검증(verify)할 수 있는지에 점점 더 의존하게 될 것입니다.

쇼핑 에이전트가 웹사이트를 탐색하고, 제품을 비교하며, 신뢰 신호(trust signals)를 평가하고, 구조화된 정보(structured information)를 해석하며, 자율적으로 구매를 완료하는 능력을 갖추게 됨에 따라, 추천 행태는 기억 기반 추천(memory-based recommendation)에서 증거 기반 추천(evidence-based recommendation)으로 점진적으로 이동할 수 있습니다.

그런 일이 발생하면, 유명한 이름보다 읽기 쉬운(readable) 상점들이 더 중요해집니다.

오늘날 친숙함(familiarity)으로부터 가장 많은 이득을 얻고 있는 브랜드가 내일은 가장 많은 것을 잃게 될 브랜드가 될 수도 있습니다.

오늘 AI Readability™ (AI 가독성), AI Understanding™ (AI 이해도), 그리고 **AI Trust™ (AI 신뢰도)**에 투자하는 브랜드가 차세대 AI 커머스에서 가장 유리한 위치를 점하는 브랜드가 될 수 있습니다.

그 전환이야말로 Recommendation Intelligence Framework™가 측정하도록 설계된 바로 그 지점입니다.

Recommendation Intelligence™

5번의 연구와 20,000개 이상의 캡처된 추천 데이터를 통해, 우리는 업계가 잘못된 계층(layer)을 바라보고 있을지도 모른다고 믿습니다.

대부분의 AI 검색 대화는 가시성(visibility)에 집중합니다.

AI가 당신을 찾을 수 있는가? AI가 당신을 크롤링(crawl)할 수 있는가? AI가 당신을 인용(cite)할 수 있는가?

이러한 질문들은 중요합니다.

하지만 그것들은 추천 행태(recommendation behavior)를 설명하지 못합니다.

추천 행태는 별개의 시스템처럼 보입니다.

별개의 문제이자, 별개의 경쟁 우위(competitive advantage)입니다.

그 계층이 바로 우리가 부르는 것입니다: # Recommendation Intelligence™

AI가 브랜드를 아느냐가 아니라,

AI가 그 브랜드를 선택하느냐의 문제입니다.

What's Next (다음 단계)

홈 & 리빙(Home & Living) 분야가 Recommendation Intelligence Research™ 프로그램의 첫 번째 단계를 마무리합니다.

5개 산업군에 걸쳐 20,000개 이상의 캡처된 추천 데이터를 분석한 결과, 상점의 준비도(readiness)와 추천 빈도 사이에는 의미 있는 상관관계가 없음을 발견했습니다.

다음 단계에서는 다른 질문을 던집니다.

상점의 품질이 추천을 설명하지 못한다면, 무엇이 설명할 수 있을까요?

곧 발표될 State of AI Recommendations Across Commerce 2026 보고서는 5개 산업 분야의 모든 조사 결과를 하나의 교차 카테고리 분석 (cross-category analysis)으로 통합할 예정입니다.

그다음에는 새로운 가설이 등장합니다.

AI 추천에서의 인지도(Fame) 현황

어쩌면 추천 행태는 상점의 품질에 의해 주로 결정되는 것이 아닐지도 모릅니다.

어쩌면 그것은 인지도 (fame)에 의해 결정되는 것일지도 모릅니다.

만약 추천 빈도가 상점의 준비 상태 (store readiness)를 지속적으로 무시한다면, 다음으로 논리적인 질문은 AI 시스템이 단순히 자신들이 가장 잘 기억하는 브랜드를 추천하고 있는 것이 아닌가 하는 점이 됩니다.

20,000건의 추천을 분석한 결과, 그 가능성을 무시하기가 점점 더 어려워지고 있습니다.

연구 탐색하기

무료 AI Commerce Score™ 받기

https://atomfoundry.dev

Home & Living 데이터셋 전체 탐색하기

https://atomfoundry.dev/research/state-of-ai-recommendations-home-living

Recommendation Intelligence Research™ 시리즈 전체 탐색하기

https://atomfoundry.dev/research

AI 커머스의 미래는 단순히 가시성 (visibility)만으로 결정되지 않을 것이기 때문입니다.

그것은 추천 (recommendation)에 의해 결정될 것입니다.