요약
지난 20년간 리테일러는 검색 엔진 최적화에 막대하게 투자했어요. 순위, 키워드, 백링크. 이런 개념들이 디지털 커머스 전략을 형성했죠. 하지만 지각변동이 진행 중이에요.
매일 5천만 명이 ChatGPT에게 상품 추천을 물을 때, 전통 SEO는 무의미해요. AI 에이전트는 웹사이트를 크롤링하거나 PageRank 알고리즘을 따르지 않아요. 완전히 다른 기준으로 추천을 하는데, 그 기준은 대부분의 리테일러가 이해하지 못하고 현재 측정할 수도 없는 것이에요.
이 백서는 AI Visibility를 소개해요. 여러분의 상품이 AI 쇼핑 에이전트를 통해 발견 가능하고, 추천되며, 구매 가능하도록 보장하는 새로운 분야죠.
핵심 문제:
- 주요 리테일러의 오가닉 트래픽 90~95%가 브랜드 검색에서 나와요
- AI 에이전트는 비브랜드, 의도 기반 질의에서 추천을 가져와요
- 대부분의 리테일러는 AI가 자신의 상품을 어떻게 인식하는지 전혀 가시성이 없어요
- 측정 없이는 최적화가 불가능해요
기회:
- AI에서 유입된 방문자는 전통 트래픽보다 38% 더 잘 전환해요
- AI 사용자는 사이트에서 32% 더 많은 시간을 보내요
- 얼리 옵티마이저는 7배 더 나은 매출 성장을 달성하고 있어요
- 경쟁 우위의 창은 지금이에요
Part 1: 가시성 위기
발견 격차
한 대형 글로벌 패션 리테일러의 데이터 포인트(2025년 12월)를 살펴보세요.
- 오가닉 트래픽의 0.5%가 AI 엔진에서 나와요
- AI 엔진 세션이 전년 대비 +8,000% 성장했어요
- 오가닉 트래픽의 90~95%가 브랜드 질의예요
이는 결정적인 문제를 드러내요. 이미 여러분의 브랜드를 아는 소비자는 전통 검색을 통해 여러분을 찾아요. 하지만 AI를 통해 발견하는 소비자, 즉 가장 빠르게 성장하는 채널의 소비자는 이 리테일러를 전혀 찾지 못하고 있어요.
이것이 AI 발견 격차이고, 거의 모든 리테일러에게 영향을 미쳐요.
전통 SEO가 실패하는 이유
SEO는 특정 시스템을 위해 설계됐어요. 페이지를 색인하고, 키워드를 분석하며, 백링크와 도메인 권위 같은 신호를 기반으로 순위를 매기는 검색 엔진 크롤러 말이에요.
AI 에이전트는 다르게 작동해요.
| 요소 | 전통 검색 | AI 에이전트 |
|---|---|---|
| 질의 유형 | 키워드 | 자연어 |
| 결과 | 페이지로의 링크 | 직접 추천 |
| 선택 | 알고리즘 순위 | 맥락적 추론 |
| 데이터 소스 | 크롤링된 웹 페이지 | 구조화된 데이터 피드 |
| 사용자 행동 | 클릭해 방문 | 채팅 안에서 구매 |
| 최적화 | PageRank 신호 | 시맨틱 이해 |
여러분의 SEO 투자, 즉 메타데이터, 백링크, 기술적 최적화는 AI 가시성으로 이어지지 않아요. 이 시스템들은 근본적으로 다른 원리로 작동해요.
보이지 않는 다수
실제 상품 페이지들을 뜯어보면, 대부분의 상품 카탈로그는 사실상 AI 에이전트에게 보이지 않아요.
흔한 가시성 실패:
- 불완전한 속성: 상품에 AI가 사용자 의도에 맞추는 데 필요한 상세 속성이 없어요
- 비시맨틱 설명: 인간은 이해하지만 AI는 파싱할 수 없는 마케팅 문구
- 프로토콜 통합 없음: 상품이 ACP, MCP, AP2를 통해 접근 불가
- 오래된 데이터: 재고와 가격이 실시간으로 업데이트되지 않음
- 체크아웃 경로 없음: AI가 추천은 할 수 있어도 판매를 완료할 수 없음
결과는요. 소비자가 ChatGPT에게 "150달러 이하 마라톤 훈련용 최고의 러닝화가 뭐야?"라고 물을 때, 여러분의 상품은 고려 대상에 들지 못해요.
Part 2: AI 의사결정 이해하기
AI 에이전트는 어떻게 추천하나요
AI 쇼핑 에이전트는 검색하지 않아요. 추론해요. 사용자가 상품 추천을 요청하면, 에이전트는:
- 의도 파싱: 사용자가 실제로 무엇을 필요로 하는지 이해해요
- 소스 질의: 프로토콜을 통해 상품 데이터베이스에 접근해요
- 옵션 평가: 사용자 기준에 대비해 상품을 비교해요
- 추론 적용: 설명과 함께 최적의 매치를 선택해요
- 추천 제시: 근거와 함께 특정 상품을 제안해요
선택 기준
AI 에이전트는 전통 SEO가 포착하지 못하는 요소들을 고려해요.
명시적 기준(사용자 진술):
- 가격대
- 브랜드 선호
- 특정 기능
- 사용 사례 요건
암묵적 기준(AI 추론):
- 상품 품질 신호
- 사용자 프로필 매칭
- 맥락적 적절성
- 가용성과 풀필먼트
시스템 기준(플랫폼 주도):
- 데이터 완전성
- 실시간 정확도
- 체크아웃 역량
- 과거 성과
신뢰 루프
AI 에이전트는 결과를 바탕으로 선호를 발전시켜요.
추천 → 사용자 피드백 → 조정된 가중치 → 향후 추천
다음으로 이어지는 상품:
- 완료된 구매(장바구니 이탈이 아니라)
- 긍정적 사용자 피드백
- 반품이나 불만 없음
- 반복 구매
...이런 상품이 더 자주 추천돼요. 이는 초기 가시성이 시간이 지날수록 복리로 쌓이는 플라이휠 효과를 만들어요.
Part 3: AI Visibility 측정하기
측정 문제
측정할 수 없는 것은 최적화할 수 없어요. 대부분의 리테일러는 근본적인 도전에 직면해요. AI 에이전트가 자신의 상품을 어떻게 인식하는지 전혀 모르는 거죠.
현재 측정할 수 있는 것:
- AI 추천 트래픽(제한적)
- AI로 귀속된 전환(추적 시)
- 일부 플랫폼별 지표
현재 측정할 수 없는 것:
- 여러분의 상품이 얼마나 자주 추천되는지
- 왜 경쟁자가 대신 선택되는지
- 어떤 질의가 여러분의 상품을 촉발하는지
- AI가 어떤 속성을 가장 중요하게 여기는지
- 여러분의 상대적 가시성 점수
이 측정 격차가 바로 경쟁 우위가 확보되거나 상실되는 지점이에요.
AI Visibility Score 소개
효과적인 AI Visibility Score는 다음을 포착해야 해요.
1. 발견 가능성 (40%)
- 여러분의 상품이 AI가 접근 가능한 데이터 안에 있나요?
- AI 에이전트가 관련 질의에 대해 여러분의 상품을 찾을 수 있나요?
- 여러분의 상품 속성은 얼마나 완전한가요?
2. 추천 가능성 (30%)
- 여러분의 상품이 얼마나 자주 선택되나요?
- 경쟁자 대비 추천 점유율은 얼마인가요?
- 목표 질의에서 이기고 있나요?
3. 전환 가능성 (30%)
- 사용자가 AI 인터페이스를 떠나지 않고 구매할 수 있나요?
- 체크아웃 경험은 얼마나 매끄러운가요?
- 여러분의 AI 귀속 전환율은 얼마인가요?
경쟁 벤치마킹
가시성은 상대적이에요. 여러분의 점수는 맥락 속에서 의미가 있어요.
| 점수 범위 | 해석 |
|---|---|
| 90~100 | 시장 리더. 여러분이 기본 추천이에요 |
| 70~89 | 강력한 존재감. 대부분 질의에서 경쟁력 |
| 50~69 | 보통 가시성. 일부 질의에 등장 |
| 30~49 | 제한적 가시성. 상당한 사각지대 |
| 0~29 | 사실상 보이지 않음. 긴급 조치 필요 |
오늘날 대부분의 리테일러는 30점 아래예요. 최적화하는 곳은 70점 이상에 근접하고 있어요.
Part 4: AI Visibility 프레임워크
기둥 1: 데이터 완전성
AI 에이전트는 이해할 수 있는 것만 추천할 수 있어요. 데이터 완전성은 기본 요건이에요.
필수 속성:
- 상품 제목(자연어 최적화)
- 설명(시맨틱, 사용 사례 중심)
- 가격(현재, 프로모션 포함)
- 가용성(실시간 재고)
- 이미지(여러 각도, 고품질)
- 카테고리(표준화된 분류 체계)
- 브랜드(검증되고 일관됨)
- SKU/식별자(고유하고 정확함)
강화 속성:
- 소재와 구성
- 사이즈/핏 정보
- 호환성(X와 함께 작동)
- 사용 사례(Y에 이상적)
- 비교 포인트(대안 Z 대비)
- 소셜 프루프(평점, 리뷰)
- 지속가능성/인증
- 관리 지침
완전성 격차:
| 속성 카테고리 | 일반 리테일러 | AI 최적화 리테일러 |
|---|---|---|
| 기본 속성 | 95% 완전 | 100% 완전 |
| 강화 속성 | 30% 완전 | 90% 완전 |
| 시맨틱 설명 | 10% 최적화 | 80% 최적화 |
| 실시간 정확도 | 일일 업데이트 | 실시간 동기화 |
기둥 2: 시맨틱 최적화
AI는 검색 엔진과 다르게 언어를 이해해요. 최적화에는 시맨틱 사고가 필요해요.
전통 SEO:
"Men's Running Shoe - Lightweight Marathon Training Shoe - Black/Red"
AI 최적화:
"마라톤 훈련과 레이스 당일을 위해 설계된 경량 레이싱화. 무게는 단 7.2oz이며, 26마일 내내 에너지 반환을 유지하는 반응성 폼 쿠셔닝을 갖췄어요. 긴 러닝에서 편안함을 희생하지 않고 속도를 추구하는 중립(neutral) 러너에게 가장 적합해요. 통기성 메시 어퍼가 발을 시원하게 유지하고, 고무 아웃솔이 젖은 조건에서 접지력을 제공해요."
AI 최적화 설명은:
- 특정 사용 사례를 다뤄요(마라톤 훈련)
- 구체적 세부사항을 제공해요(7.2oz, 26마일)
- 이상적 사용자를 명시해요(중립 러너)
- 후속 질문을 예상해요(통기성, 젖은 접지력)
기둥 3: 프로토콜 통합
가시성에는 접근성이 필요해요. 여러분의 상품은 AI 에이전트가 사용하는 프로토콜을 통해 이용 가능해야 해요.
우선순위 프로토콜 스택:
- ACP (Agentic Commerce Protocol)
- ChatGPT 쇼핑에 필수
- 채팅 안 체크아웃 가능
- 주요 리테일러와 함께 라이브
- MCP (Model Context Protocol)
- 엔터프라이즈 AI 표준
- 광범위한 에이전트 지원
- 채택률 90%로 성장 중
- AP2 (Agent-to-Agent Protocol)
- Google 생태계
- 결제 네트워크 통합
- 탄력 확보 중
통합 체크리스트:
- 프로토콜 API를 통해 상품 카탈로그 노출
- 실시간 재고 동기화 구성
- 가격 규칙 동적 적용
- 체크아웃 흐름 통합
- 주문 관리 연결
- 분석 추적 활성화
기둥 4: 체크아웃 활성화
전환 가능성 없는 가시성은 불완전해요. AI에서 유입된 트래픽은 38% 더 잘 전환하지만, 구매가 마찰 없을 때에만 그래요.
체크아웃 요건:
| 역량 | 기본 | 최적 |
|---|---|---|
| 장바구니 담기 | 채팅 안 | 채팅 안 |
| 장바구니 보기 | 채팅 안 | 채팅 안 |
| 결제 | 리디렉션 | 채팅 안 익스프레스 |
| 확인 | 이메일 | 채팅 안 + 이메일 |
| 추적 | 별도 로그인 | 채팅 안 질의 |
| 반품 | 웹사이트 | 채팅 안 시작 |
전환 공식:
AI Visibility × 체크아웃 마찰 = 전환율
높은 마찰에 최대 가시성 = 장바구니 이탈
낮은 가시성에 제로 마찰 = 그래도 전환됨
최적의 위치: 높은 가시성 그리고 마찰 없는 체크아웃.
Part 5: 경쟁 인텔리전스
여러분의 위치를 파악하세요
AI 가시성은 특정 질의에 대해 제로섬 게임이에요. 사용자가 "러닝용 최고의 무선 이어버드"를 물으면, 한두 개 상품만 추천되고 나머지 모두는 보이지 않아요.
답해야 할 경쟁 질문:
- 어떤 경쟁자가 여러분의 목표 질의에 등장하나요?
- 어떤 속성이 그들을 더 추천 가능하게 만드나요?
- 어디서 이기나요? 어디서 지나요?
- 좁혀야 할 격차는 무엇인가요?
질의 매핑
이겨야 할 질의에 여러분의 상품을 매핑하세요.
사례: 무선 이어버드
| 질의 | 여러분의 가시성 | 최상위 경쟁자 | 격차 |
|---|---|---|---|
| "러닝용 최고의 무선 이어버드" | 2위 | Sony WF | 땀 저항 사양 |
| "50달러 이하 예산 이어버드" | 보이지 않음 | JBL | 가격 포지셔닝 |
| "배터리 수명 가장 긴 이어버드" | 1위 | - | 선두 |
| "비행용 노이즈 캔슬링" | 3위 | Bose | ANC 세부사항 누락 |
이 분석은 구체적 행동을 드러내요. 땀 저항 사양 추가, 가격 포지셔닝 조정, 배터리 선두 유지, ANC 설명 강화.
트렌드 모니터링
AI 추천 패턴은 변해요. 다음을 모니터링하세요.
- 여러분의 질의에 진입하는 새 경쟁자
- AI 선택 기준의 변화
- 계절별 질의 변동
- 부상하는 질의 패턴
- 가시성에 영향을 주는 프로토콜 업데이트
Part 6: 구현 플레이북
1주 차: 감사
데이터 완전성 감사
- 상품 카탈로그 내보내기
- 속성 완전성 점수화
- 결정적 격차 식별
- 매출 임팩트 기준 우선순위화
프로토콜 통합 감사
- 현재 통합 매핑
- 누락된 프로토콜 식별
- 체크아웃 역량 평가
- 기술 요건 문서화
경쟁 위치 감사
- 목표 질의 정의
- AI 플랫폼에 대비해 테스트
- 현재 가시성 문서화
- 경쟁자 대비 벤치마킹
2주 차: 최적화
데이터 강화
- 결정적 속성 격차 채우기
- AI를 위해 설명 재작성
- 시맨틱 속성 추가
- 가격 정확도 검증
통합 설정
- 프로토콜 연결 시작
- 데이터 피드 구성
- 동기화 정확도 테스트
- 체크아웃 흐름 활성화
3주 차: 출시
라이브 체크리스트
- 모든 결정적 속성 완료
- 설명 AI 최적화 완료
- 프로토콜 통합 라이브
- 실시간 동기화 검증
- 체크아웃 엔드투엔드 테스트
- 분석 추적 확인
모니터링 설정
- AI 트래픽 추적 구성
- 전환 귀속 설정
- 기준 지표 확립
- 경쟁 알림 생성
4주 차 이후: 반복
지속적 최적화 루프:
- 측정: 가시성 점수, 트래픽, 전환 추적
- 분석: 이기는 질의와 지는 질의 식별
- 가설: 최적화 기회 판단
- 테스트: 상품 데이터에 변경 구현
- 측정: 가시성에 대한 임팩트 평가
- 반복: 지속적 개선
Part 7: AI Visibility의 미래
근시일 진화 (2026)
가시성이 기본 요건이 될 거예요. 모든 리테일러가 결국 SEO를 해야 했듯이, 모든 리테일러가 AI 가시성을 필요로 하게 될 거예요. 선점자는 12~18개월의 경쟁 우위를 가져요.
측정이 성숙할 거예요. 플랫폼이 더 나은 분석을 제공할 거예요. 서드파티 도구가 등장할 거예요. 가시성 점수화가 표준화될 거예요.
개인화가 심화될 거예요. AI 에이전트가 사용자 선호를 학습하면서 가시성이 더 미묘해질 거예요. 같은 질의라도 사용자마다 다른 추천을 보게 되죠.
중기 변화 (2027~2030)
AI 에이전트가 협상할 거예요. 추천을 넘어, 에이전트가 소비자를 대신해 가격, 조건, 번들을 협상할 거예요. 가시성에는 참여 의향이 포함될 거예요.
멀티 에이전트 환경. 사용자는 여러 AI 에이전트(쇼핑, 금융, 헬스)를 두고 이들이 조율할 거예요. 가시성이 에이전트 생태계 전반을 아울러야 해요.
실시간 최적화. 정적 상품 데이터가 특정 질의와 사용자를 위해 실시간으로 최적화되는 동적, AI 생성 설명으로 대체될 거예요.
가시성 군비 경쟁
더 많은 리테일러가 최적화하면서 가시성은 경쟁적이 돼요.
- 오늘: 최적화 = 가시성 (낮은 경쟁)
- 2026: 최적화 = 동등 (중간 경쟁)
- 2030: 우월한 최적화 = 가시성 (높은 경쟁)
함의: 지금 시작하고, 역량을 구축하며, 경쟁이 낮을 때 우위를 축적하세요.
결론: 가시성 필연성
20년 전, SEO를 무시한 리테일러는 Google에서 보이지 않게 됐어요. 오늘날, AI 가시성을 무시하는 리테일러는 하루 5천만 건의 쇼핑 질의에 보이지 않게 되고 있어요. 그리고 그 수는 매달 늘어나요.
계산은 단순해요.
- AI 쇼핑 트래픽 전년 대비 805% 성장
- 보이는 리테일러의 7배 매출 우위
- AI 유입 트래픽의 38% 전환 프리미엄
- 2030년까지 예상 AI 커머스 3,000억~5,000억 달러
여러분은 보이지 않을 여유가 없어요.
여러분의 다음 단계:
- 현재 AI 가시성(또는 그 부재)을 감사하세요
- 핵심 질의에서 여러분의 경쟁 위치를 측정하세요
- AI 이해를 위해 상품 데이터를 최적화하세요
- AI 에이전트가 사용하는 프로토콜과 통합하세요
- 시간에 따른 여러분의 가시성 점수를 추적하세요
AI 가시성을 마스터하는 리테일러가 다음 10년을 정의할 커머스 채널을 확보할 거예요. 그렇지 못한 쪽은 고객이 어디로 갔는지 의아해할 거예요.
surfd 소개
surfd는 AI 가시성의 출발점인 준비도를 진단해요. 상품 상세 페이지(PDP) URL을 넣으면:
- AI 쇼핑 엔진 준비도를 0~100점으로 채점해요
- 사각지대와 최적화 기회를 식별해요
- 무엇부터 고쳐야 하는지 리포트로 알려줘요
추측을 멈추세요. 아는 것을 시작하세요.
출처
시장 조사 & 통계
- Bain & Company - How Customers Are Using AI Search
- McKinsey - Agentic Commerce $5 Trillion Forecast
- Morgan Stanley - Agentic Commerce Market Impact Outlook
- Adobe Analytics - Cyber Week 2025 Report
- Salesforce - Holiday Shopping Insights 2025
소비자 행동
- Capital One Shopping - AI Shopping Statistics 2025
- Digiday - How Consumers Are Using AI to Shop in 2025
- Yotpo - How AI Is Changing Product Discovery in 2025
- a16z - State of Consumer AI 2025
업계 분석
- CB Insights - The Agentic Commerce Market Map
- Digital Commerce 360 - How AI Shopping Agents Are Rewiring Retail
- eMarketer - AI Shopping Referrals Retail Trends 2025
- Business of Fashion - AI's Transformation of Online Shopping
- GeekWire - How Agentic Commerce Could Disrupt Online Retail
프로토콜 문서
- MCP - Anthropic Model Context Protocol
- OpenAI Developer Platform
용어집
- AI Visibility: 여러분의 상품이 AI 쇼핑 에이전트에 의해 발견 가능하고 추천 가능한 정도.
- Agentic Commerce Protocol (ACP): AI 인터페이스 내 커머스 거래를 위해 Stripe와 OpenAI가 개발한 프로토콜.
- AI Discovery Gap: 여러분의 브랜드 검색 가시성(전통 SEO)과 비브랜드 질의 가시성(AI) 사이의 차이.
- Model Context Protocol (MCP): AI 시스템을 외부 데이터 소스 및 서비스에 연결하기 위한 Anthropic의 프로토콜.
- Semantic Optimization: 키워드 매칭이 아니라 AI 이해를 위해 상품 데이터를 구조화하는 것.
- Visibility Score: AI 플랫폼 전반의 발견 가능성, 추천 가능성, 전환 가능성을 측정하는 복합 지표.
관련: 브랜드 대 비브랜드 AI 가시성
이 리포트는 리테일러의 AI 커머스 이해를 증진하려는 우리의 노력의 일환으로 surfd 팀이 작성했어요. 데이터는 공개 기업 보고서와 업계 연구에서 가져왔어요.