쇼핑객이 "300달러 미만, 원목 바닥과 반려동물 털에 쓸 조용한 무선 청소기"를 물어요. 어시스턴트는 한 번 검색하지 않아요. 열 번쯤 검색을 쏘고, 돌아온 문단들을 읽고, 자기 초안을 스스로 채점한 다음, 근거가 부실하면 더 찾으러 돌아가요. 여러분의 상품은 검색되고도 질 수 있어요. 두 번째 패스가 경쟁사의 데이터가 그 질문에 더 잘 답했다고 판단했으니까요.
TL;DR: AI 쇼핑 검색은 단발성 검색을 넘어섰어요. Google AI Mode, ChatGPT Search, Perplexity는 이제 계획하고, 검색하고, 읽고, 자기 답을 채점하고, 다시 검색한 뒤에 응답해요. 하나의 쇼핑 질의가 5~20개의 내부 하위 검색을 촉발하고, 여러분의 상품 문단은 각 단계마다 경쟁사와 정면으로 비교돼요. 한 번 언급되는 것은 더 이상 기준이 아니에요. 채점 루프에서 살아남는 것이 기준이에요.
이것은 거의 어떤 커머스 팀도 측정하지 않는 AI 검색의 대목이에요. 대부분의 브랜드는 여전히 하나의 질문만 해요. "우리가 ChatGPT에 나타나나요?" 그건 최종 답을 확인하는 거예요. 여러분의 상품이 끌려 들어갔거나 조용히 탈락한 상류의 네다섯 단계에 대해서는 아무것도 말해주지 않아요. 2026년 6월 기준으로, 업계 언론이 드디어 모든 주요 답변 엔진 밑에서 돌아가는 아키텍처에 이름을 붙였고, 이는 "AI 준비된 상품 데이터"가 의미해야 하는 바를 바꿔요.
무엇이 바뀌었나: 한 번 검색에서 검색-읽기-검색으로
옛 파이프라인은 일직선이었어요. 질의가 들어오면, 벡터 인덱스가 가장 잘 맞는 상위 문단을 반환하고, 모델이 그것을 읽은 뒤, 인용과 함께 답을 썼어요. 여러분의 페이지가 그 첫 추출에 있었다면 기회가 있었어요. 없었다면 보이지 않았어요. 그 선형 모델은 이제 주요 플랫폼 전반에서 한물갔어요.
Search Engine Land는 2020년 검색 증강 생성(retrieval-augmented generation) 연구 이후 아키텍처가 어떻게 진화했는지 되짚으며 그 전환을 직설적으로 표현해요. "첫 물결을 규정했던 한 번 검색 후 생성 패턴은 한물갔다"고요. 새 파이프라인은 직선이 결여했던 네 가지 속성을 더해요. 계획, 도구 라우팅, 멀티홉 반복, 그리고 성찰(reflection)이에요. 이제 하나의 사용자 질의가 "5개에서 20개 사이의 내부 하위 검색"을 촉발하고, 에이전트는 "근거 기반이 충분하다고 판단한 뒤에야" 최종 답을 써요.
커머스 팀에게 실질적 의미는 단순해요. 어시스턴트는 여러분의 상품을 그저 찾기만 하지 않아요. 찾고, 찾은 것을 판단하고, 다시 찾을지 결정해요. 그 판단 단계가 대부분의 카탈로그가 지는 곳이에요.
아무도 감사하지 않는 채점 단계
가장 중요한 새 행동은 성찰이에요. 에이전트가 자기 초안 답을 스스로 채점하고 근거가 충분한지 결정해요. 이것이 상품 데이터를 조용히 거절하는 관문이에요. 여러분은 그 거절을 절대 보지 못해요. 최종 응답에 결국 들어갔는지 여부만 볼 뿐이에요.
Google은 2025년 I/O에서 AI Mode를 출시할 때 이 루프의 앞부분을 설명했어요. 시스템이 "여러분의 질문을 하위 주제로 분해하고" "동시에 다수의 질의를 발행한다"고요. 그것이 잘 기록된 query fan-out 단계예요. 더 새로운 아키텍처가 그 위에 더하는 것은 성찰 패스예요. fan-out이 돌고 난 뒤, 에이전트가 문단들을 읽고, 비교하고, 종합을 채점하고, 어떤 하위 질의가 부실하게 돌아오면 다시 검색해요.
에이전틱 검색에서는 여러분을 거절하는 문지기들을 볼 수 없어요. 최종 답에 결국 들어갔는지 여부만 볼 수 있어요.
그것이 문제 전부를 한 문장에 담은 거예요. 순위 확인, 인용 집계, 프롬프트별 샘플링은 모두 다단계 프로세스의 마지막 단계를 관찰해요. 그 상류의 모든 것, 즉 계획, 하위 검색, 채점은 여러분의 데이터를 소비하는 표면들을 테스트해야만 탐지할 수 있는 블랙박스예요. 이것이 페이지 단위 순위보다 문단 단위 검색이 더 중요한 이유예요. 채점되는 단위는 URL이 아니라 문단이니까요.
왜 상품 데이터가 두 번째 패스에서 지나요
상품 데이터가 첫 검색은 살아남고 채점에서 죽을 때, 세 가지 실패 양상이 거듭 나타나요.
복합 질문이 여러분의 데이터를 쪼개요. "300달러 미만, 원목 바닥과 반려동물 털에 쓸 조용한 무선 청소기" 같은 질의는 소음 수준, 바닥 유형, 반려동물 털 성능, 무선 작동 시간, 가격대에 대한 별개의 검색이 필요해요. 여러분의 상품 페이지가 제목, 가격, 마케팅 문단만 담고 있다면, 하나의 하위 질의에 답하고 넷을 놓쳐요. 에이전트는 나머지를 다룬 경쟁사들로부터 답을 짜맞춰요.
부실한 첫 추출이 여러분의 경쟁사를 찾아내는 재검색을 촉발해요. 초기 패스가 표준 사양을 놓치면, 에이전트는 포기하지 않아요. 다시 검색하는데, 종종 더 날카로운 하위 질의로 하고, 그 두 번째 검색이 바로 그 차원에 대해 구조화되고 기계가 읽을 수 있는 속성을 게시한 브랜드를 노출시켜요.
모달리티 불일치가 비교에서 져요. 비교 질문은 표와 사양 목록으로 구조화된 문단을 선호해요. 절차 질문은 번호 매긴 단계를 선호해요. 산문으로 서술된 상품은, 속성이 에이전트가 곧바로 답으로 들어 올릴 수 있는 형식으로 배치된 경쟁사에 비해 형편없이 경쟁해요.
| 단계 | 옛 단발성 RAG | 에이전틱 검색 (2026) | 무엇을 보상하는가 |
|---|---|---|---|
| 질의 처리 | 하나의 질의, 하나의 검색 | 하나의 질의가 5~20개 하위 검색으로 쪼개짐 | 하위 질의 전반의 커버리지 |
| 근거 추출 | 상위 k개 문단, 한 번 | 검색, 읽기, 부실한 추출 시 재검색 | 속성별 깊이 |
| 선택 | 상위 k개에 있던 것 | 정면 문단 채점 | 구조화되고 추출 가능한 데이터 |
| 출력 | 첫 추출로부터의 답 | 자기 채점 후에야 나오는 답 | 성찰 패스에서 살아남기 |
그 보이지 않음을 설명하는 통계
대부분의 브랜드는 Google 첫 페이지에 순위 오르면 AI가 인용해줄 거라 가정해요. 데이터는 다른 말을 하고, 이는 채점 루프가 고전적 순위와 독립적으로 돌아간다는 가장 분명한 증거예요.
AI Overviews에 인용된 페이지의 68%는 주요 질의에서 유기적 상위 10위에 들지 못해요. 주요 질의와 그 fan-out 하위 질의 모두에서 순위 오른 페이지는 인용될 가능성이 161% 더 높아요.
그 발견은 Surfer SEO가 173,902개 URL을 분석한 연구에서 나온 거예요. AI 답변에 끌려 들어가는 페이지는 에이전트가 생성하는 특정 하위 질의에 답하는 페이지이지, 대표 검색어에서 이긴 페이지가 아니에요. Surfer는 페이지가 순위 오른 fan-out 하위 질의 수와 인용될 확률 사이에서 0.77의 스피어만 상관계수를 측정했어요. 커머스에게 해석은 직접적이에요. 하나의 대표 검색어("러닝화")에 맞춰 조율된 카탈로그는, 실제로 답을 결정하는 하위 질의("과내전용 안정성 러닝화, 140달러 미만, 넓은 토박스")에는 보이지 않아요.
이것이 검색 증강 생성의 커머스적 이점이에요. 이기는 브랜드는 가장 좋은 홈페이지를 가진 브랜드가 아니에요. fan-out 전체에 걸쳐 상품 속성이 채점을 살아남는 브랜드예요.
이것이 미드마켓 브랜드에게 의미하는 것
엔터프라이즈 리테일러는 이것을 쫓을 데이터 팀이 있어요. 미드마켓 브랜드는 대개 없고, 그것이 바로 격차가 매달 벌어지는 이유예요. 좋은 소식은 해법이 예산 군비 경쟁이 아니라 구조적이라는 점이에요. 얼마를 쓰느냐가 아니라 여러분의 상품 데이터가 어떻게 빚어지느냐에 관한 거예요.
두 번째 패스에서 이기는 브랜드는 각 상품 속성을, 에이전트가 추측 없이 검색하고, 읽고, 비교로 들어 올릴 수 있어야 하는 무언가로 다뤄요. 그것은 여러분의 상품이 무엇인지, 누구를 위한 것인지, 어떻게 비교되는지에 대한 개체(entity) 수준의 명확성을 뜻하고, 에이전트가 추출할 수 있는 형식으로 표현되어야 해요. 또한 최상위 "우리가 나타나나요" 점검만이 아니라 하위 질의 전반에서 여러분의 상품 발견율(found rate)을 측정하는 것을 뜻해요.
이번 주에 할 일
- 여러분의 상위 카테고리에 fan-out 감사를 돌리세요. 매출이 가장 높은 카테고리 질의 세 개를 골라, 각각을 쇼핑객이 실제로 답을 필요로 할 8~12개 하위 질의(가격대, 사용 사례, 핏, 소재, 호환성)로 확장하고, 여러분의 상품 데이터가 각각에 답하는지 점검하세요. surfd의 AI 준비도 진단은 이런 데이터 격차를 약 30초 만에 채점해줘요.
- 산문을 구조화된 속성으로 바꾸세요. 상위 20개 상품을 골라 마케팅 문단에 묻힌 사양을 개별적이고 라벨이 붙은 속성으로 옮기세요. 에이전트는 형용사가 아니라 속성을 읽어요.
- 비교 차원을 커버하세요. 각 상품마다 쇼핑객이 경쟁사와 비교하는 세 가지 속성(소음, 작동 시간, 무게, 핏)을 나열하세요. 각각이 암시되는 게 아니라 존재하고 기계가 읽을 수 있게 하세요.
- 표면을 직접 테스트하세요. 상류 단계가 블랙박스이므로, 채점을 볼 유일한 방법은 실제 쇼핑객 질문으로 ChatGPT, Google AI Mode, Perplexity에 질의하고 여러분이 최종 답까지 살아남는지 지켜보는 거예요.
- 한 번이 아니라 시간에 걸쳐 추적하세요. 채점 루프는 모델이 업데이트되면 바뀌어요. 단일 스냅샷은 추측이에요. 같은 하위 질의에 대한 주간 추적이 여러분의 수정이 먹히는지 보여줘요.
자주 묻는 질문
AI 검색에서 에이전틱 검색(agentic retrieval)이 무엇인가요?
에이전틱 검색은 AI 검색 엔진이 이제 단발성 검색 대신 사용하는 다단계 프로세스예요. 시스템이 답을 계획하고, 질의를 하위 질의로 쪼개고, 문단을 검색하고, 자기 초안을 채점하고, 근거가 부실하면 다시 검색해요. 하나의 질의가 어떤 답이 쓰이기 전에 5~20개의 내부 하위 검색을 촉발할 수 있어요.
이것이 query fan-out과 어떻게 다른가요?
query fan-out은 하나의 단계예요. 질의를 병렬 하위 질의로 분해하는 것이죠. 에이전틱 검색은 fan-out을, 성찰까지 포함하는 더 큰 루프 안에 감싸는데, 성찰에서 에이전트가 자기 초안을 채점하고 부실한 결과에 대해 재검색해요. fan-out은 무엇이 검색되는지 결정하고, 채점 루프는 무엇이 살아남는지 결정해요.
왜 내 상품이 어떤 때는 나타나고 어떤 때는 안 나타나나요?
에이전트가 매번 근거를 채점하고 하위 질의가 표현에 따라 달라지기 때문이에요. 여러분의 데이터가 어떤 하위 질의에는 강하게 답하고 다른 것에는 약하게 답한다면, 어떤 쇼핑객 질문에서는 채점을 살아남고 다른 것에서는 탈락해요. 일관된 가시성은 전체 fan-out에 걸친 커버리지를 요구해요.
Google 첫 페이지에 순위 오르면 AI 인용이 보장되나요?
아니요. Surfer SEO가 173,902개 URL을 분석한 연구에 따르면 AI Overviews에 인용된 페이지의 68%가 주요 질의에서 상위 10위에 들지 못해요. AI 엔진은 특정 하위 질의에 답하는 문단을 끌어오는데, 이는 고전적 대표 검색어 순위와는 다른 신호예요.
어떤 종류의 상품 데이터가 채점 패스를 살아남나요?
쇼핑객이 비교하는 차원에 매핑되는 구조화되고, 개별적이며, 기계가 읽을 수 있는 속성이에요. 가격대, 사용 사례, 소재, 핏, 호환성, 성능 사양 같은 것이죠. 산문형 마케팅 문구는 대표 질의에는 답하지만, 같은 사실을 추출 가능한 데이터로 노출한 경쟁사와의 문단 단위 비교에서는 져요.
한 번 검색에서 검색-읽기-검색으로의 전환은 모바일 우선 인덱싱 이후 쇼핑 검색에서 가장 결정적인 변화이고, 이미 모든 주요 답변 엔진 전반에 라이브예요. AI 가시성을 하나의 "우리가 나타나나요" 점검으로 다루는 브랜드는 한 번도 보지 못한 영화의 마지막 장면을 지켜보고 있는 거예요. 자신의 상품 데이터가 루프의 모든 채점을 살아남는지 측정하는 브랜드가 AI가 계속 추천하는 브랜드예요.