쇼핑객이 ChatGPT에게 "중간 가격대의 평발용 최고의 러닝화"를 물으면, 어시스턴트는 사람이 읽는 방식으로 여러분 상품 페이지를 읽지 않아요. 그 하나의 요청을 더 작은 질문들의 펼침으로 분해하고, 후보를 모은 뒤, 특정한 비교 차원 집합으로 순위를 매겨요. 여러분 데이터가 그 차원들에 답하지 못하면, 쇼핑객이 가격을 보기도 전에 여러분은 추천을 잃어요.
TL;DR: AI 쇼핑 어시스턴트는 여러분이 강조하기로 선택한 속성이 아니라 질의에서 추출한 차원으로 상품을 비교해요. 대부분의 카탈로그는 헤드라인 질문에 답하고 엔진이 실제로 저울질하는 여덟에서 열두 개의 하위 질문을 놓쳐요. 그 격차를 메우는 것이 2026년 AI 발견을 위한 단 하나의 가장 값진 조치예요.
시장은 지난 한 해를 피드, 프로토콜, 체크아웃을 두고 논쟁하며 보냈어요. 더 조용하지만 더 중요한 이야기는 쇼핑 질문과 답변 사이의 0.5초 동안 일어나는 일이에요. 그것은 비교 단계이고, 대부분의 상품 페이지가 결코 드러내도록 만들어지지 않은 속성으로 돌아가요.
AI 쇼핑에서 비교 속성이란 무엇인가요?
비교 속성은 AI 어시스턴트가 주어진 질의에 대해 한 상품을 다른 상품과 견주어 순위를 매길 때 저울질하는 특정 차원이에요. "중간 가격대의 평발용 최고의 러닝화"의 경우, 그 차원에는 아치 지지 유형, 안정성 등급, 드롭 높이, 무게, 가격대가 포함돼요. 어시스턴트는 각 차원에서 각 후보에 점수를 매긴 뒤, 데이터가 가장 많은 차원에 답하는 상품을 노출해요.
이것은 키워드 매칭과는 다른 작업이에요. 고전적 검색은 페이지에 "러닝화"가 들어 있는지 물어요. AI 쇼핑 검색은 상품이 풍부하게 명시된 니즈에 실제로 좋은 답인지 물으며, 그것은 자신이 읽을 수 있는 데이터에 비추어서만 판단할 수 있어요. 그 차원은 여러분의 머천다이징 우선순위가 아니라 질의에서 나와요.
Google은 그 밑바탕의 메커니즘을 2025년 I/O에서 설명했어요. "AI Mode는 우리의 query fan-out 기법을 사용해, 여러분의 질문을 하위 주제로 쪼개고 여러분을 대신해 동시에 다수의 질의를 발행해요"(Google). Deep Search는 그것을 더 밀어붙여, 답을 작성하기 전에 "수백 건의 검색"을 발행해요. 각 서브쿼리는 답을 기다리는 하나의 비교 차원이에요.
여러분의 최고 속성이 종종 잘못된 속성인 이유
대부분의 카탈로그는 카테고리 매니저가 신경 쓰는 속성, 즉 브랜드 라인, 색상, 소재, 마케팅 태그라인에 맞춰 최적화되어 있어요. 그 필드들은 사람이 맥락을 갖고 둘러보는 브랜드 자체 사이트에서 이겨요. 기계가 구조화된 니즈를 구조화된 데이터에 맞추는 query fan-out에서는 저조해요.
커피 메이커 리스팅을 생각해보세요. 페이지는 "매끈한 무광 마감"과 "바리스타급"을 앞세워요. 쇼핑객이 어시스턴트에게 "커피를 4시간 동안 뜨겁게 유지하고 캐비닛 아래에 들어가는 프로그래머블 드립 커피 메이커"를 물어요. 이제 엔진은 캐러페이 유형, 프로그래머빌리티, 보온 지속 시간, 물리적 높이가 필요해요. 그중 어느 것도 페이지에 없어요. 그 넷을 모두 나열한 경쟁사가 더 밋밋한 상품 설명을 가지고도 그 자리를 차지해요.
가장 많이 언급되는 상품이 가장 많은 하위 질문에 답하는 상품은 아니에요. AI는 비교 차원의 커버리지로 순위를 매기고, 커버리지는 카피라이팅 문제가 아니라 데이터 문제예요.
이것이 언급되는 것이 약한 신호인 이유예요. AI 검색은 이제 계획하고, 검색하고, 자신의 답을 채점하고, 다시 검색해요. 우리가 AI 검색이 여러분 상품을 두 번 채점하는 이유에서 짚어본 루프죠. 그 루프를 살아남는다는 것은 첫 패스에서 한 번 나타나는 것이 아니라 채점자가 확인하는 각 차원에 대한 답을 갖는 것을 뜻해요.
커버리지가 실제로 얼마나 중요한가
가장 명확한 증거는 Surfer SEO가 173,902개 URL을 분석한 연구에서 나오는데, 주요 질의와 그 fan-out 서브쿼리 모두에서 순위에 드는 페이지가 주요 질의에서만 순위에 드는 페이지보다 AI 답변에 인용될 가능성이 161% 높다는 것을 발견했어요(Surfer SEO). 같은 연구는 인용된 페이지의 67.82%가 헤드라인 질의에 대해 오가닉 상위 10위에 아예 들지 못한다는 것도 발견했어요.
두 번 읽어보세요. AI가 인용하는 것의 3분의 2가 전통적 순위 추적에 보이지 않아요. 이기는 페이지는 고전적 결과 페이지 어디에 위치하든 하위 질문에 답하는 페이지예요. 커머스에서 하위 질문은 비교 속성이고, 그것을 공급하는 페이지가 노출돼요.
| 계층 | 고전적 검색이 최적화하는 것 | AI 쇼핑 검색이 보상하는 것 |
|---|---|---|
| 질의 | 하나의 키워드 문구 | 8~12개의 fan-out 서브쿼리 |
| 매칭 | 페이지가 키워드를 담고 있음 | 데이터가 각 차원에 답함 |
| 검색 단위 | 페이지 전체 | 문단 또는 속성 |
| 승자 | 순위가 가장 높은 페이지 | 속성 커버리지가 가장 넓은 상품 |
그 마지막 행이 바로 그 변화예요. 문단 단위 검색은 어시스턴트가 여러분 카탈로그 깊숙한 곳에서 단일 사양을 뽑아 비교에 사용하거나, 그 사양이 없으면 여러분을 완전히 건너뛸 수 있다는 뜻이에요.
놓칠 수 없는 393% 채널
이것은 틈새 최적화가 아니에요. 미국 리테일 사이트로 유입되는 AI 소스 트래픽은 2026년 1분기에 전년 대비 393% 성장했고 비AI 트래픽보다 약 42% 더 잘 전환되는데, 이는 우리가 AI 쇼핑객이 이제 인간보다 42% 더 잘 전환한다에서 풀어본 데이터 포인트예요. ChatGPT 하나만으로도 하루에 추정 5천만 건의 구매 의도 질의를 처리해요(Forbes).
더 잘 전환되면서 그렇게 빠르게 성장하는 채널은 데이터를 제대로 갖출 가치가 있어요. 카탈로그를 정적인 상품 카피로 취급하는 브랜드는 데이터가 그저 질문의 더 많은 부분에 답하는 경쟁사에게 의도가 높은 쇼핑객을 조용히 넘겨주고 있어요. 이것이 현대 AI 머천다이징의 핵심이에요. 머천다이징 결정은 이제 인간이 무언가를 보기 전에, 검색 시스템 안에서, 속성에 맞서 일어나요.
좋은 소식은 비교 속성 커버리지는 고칠 수 있다는 거예요. 그것은 리브랜딩이 아니라 구조화된 데이터 작업이에요. 격차를 먼저 메우는 브랜드는 복리로 쌓이는 우위를 확보하는데, 검색 시스템은 질문에 답하는 상품을 계속 고르기 때문이에요.
이번 주에 할 일
- 상위 20개 카테고리 질의를 뽑아 각각에 대한 비교 차원을 나열하세요. "Y달러 이하 최고의 X"에 대해, 합리적인 구매자가 저울질할 모든 속성을 적어내세요. 이것이 여러분의 목표 스키마예요.
- 대표 상품 하나를 그 스키마에 비추어 감사하세요. 여러분의 살아 있는 상품 데이터에서 각 차원을 있음, 부분, 없음으로 표시하세요. 대부분의 브랜드는 상당 부분의 차원이 그저 빠져 있음을 발견해요.
- 산문이 아니라 빠진 구조화된 속성부터 추가하세요. 엔진은 마케팅 카피보다 구조화된 필드를 더 안정적으로 읽어요. AI 에이전트를 위한 상품 데이터 구조화 방법을 참고하세요.
- AI가 현재 여러분을 어떻게 검색하는지 확인하세요. 검색은 시스템이 가져와 재사용할 수 있는 것에 근거하는데, 이것이 커머스를 위한 retrieval-augmented generation의 원리예요. 실제 카테고리 질의 몇 개를 ChatGPT와 Google AI Mode에 돌려보고 어떤 차원이 추천을 결정하는지 기록하세요.
- 보강 후 재테스트하세요. 커버리지 향상은 몇 주 안에 AI 상품 추천에서 더 많은 상품 카드와 더 나은 위치로 나타나야 해요.
자주 묻는 질문
키워드와 비교 속성의 차이는 무엇인가요?
키워드는 페이지가 담고 있는 용어예요. 비교 속성은 AI 어시스턴트가 특정 니즈에 맞춰 상품 순위를 매기기 위해 저울질하는 차원인데, 드롭 높이나 보온 지속 시간 같은 것이에요. 고전적 검색은 키워드를 매칭하고, AI 쇼핑 검색은 질의에서 추출한 속성 커버리지로 상품에 점수를 매겨요.
query fan-out은 어떻게 비교 속성을 만들어내나요?
query fan-out은 하나의 쇼핑 질문을 8~12개의 서브쿼리로 분해하는데, 각각이 니즈의 다른 측면을 파고들어요. 그 측면들이 엔진이 후보에 점수를 매기는 비교 차원이 돼요. 더 많은 측면에 답하는 상품이 추천될 가능성이 높아요.
왜 내 상품은 언급되는데 카드로는 표시되지 않나요?
언급은 엔진이 여러분 브랜드를 인식하기만 하면 돼요. 상품 카드는 엔진이 표시하고 비교할 수 있는 구조화된 데이터, 즉 가격, 이미지, 핵심 사양을 필요로 해요. 여러분 카탈로그가 경쟁사보다 더 적은 비교 차원에 답하면, 엔진은 경쟁사의 카드를 보여주면서 여러분을 언급만 하는 경우가 많아요.
이것은 Google만의 문제인가요?
아니요. ChatGPT, Perplexity, Google AI Mode 모두 질의에서 파생된 차원에 맞춰 상품에 점수를 매기는 검색·순위 파이프라인을 사용해요. 커버리지 격차는 하나가 아니라 모든 AI 쇼핑 표면에 걸쳐 여러분에게 손해를 입혀요.
비교 속성 커버리지는 얼마나 빨리 결과를 개선할 수 있나요?
검색 시스템이 상품 데이터를 계속 다시 가져오기 때문에, 빠진 속성을 보강하면 며칠에서 몇 주 안에 어떤 상품이 노출되는지가 바뀔 수 있어요. 전통적 SEO 변경이 복리로 쌓이는 데 걸리는 몇 달보다 훨씬 빠르죠.
에이전틱 커머스에 관한 대화는 결제와 프로토콜 주위를 계속 맴돌지만, 여러분이 파는지를 결정하는 판단은 더 이르고 더 조용하게 일어나요. 어시스턴트는 쇼핑객의 요청을 열두 개의 질문으로 쪼개고, 그 데이터가 가장 많은 질문에 답하는 상품을 골라요. 여러분이 게시할 생각조차 못 했던 속성이 추천을 결정하는 속성이에요. 질문을 매핑하고 격차를 메우면, 경쟁하고 있는지도 몰랐던 자리를 잃는 일을 멈추게 돼요.