몇 주 전, 저는 신발(footwear) 카테고리에서 ChatGPT, Google AI, Perplexity에 실제 쇼핑 질의를 던져 브랜드들이 어떻게 나타나는지 살펴보고 있었어요. 점점 더 많은 소비자가 검색창에 키워드를 입력하는 대신 이 플랫폼들에게 상품 추천을 물어보고 있으니까요.
저는 흔히 예상되는 브랜드들을 보고 있었어요. Nike, Adidas, New Balance, Reebok. 그런데 한 브랜드의 수치가 스크롤을 멈추게 만들었어요.
Nike는 던져본 모든 쇼핑 질의에 하나도 빠짐없이 등장하고 있었어요. 전부 다요. 평균 순위는 2.8이었는데, 이는 AI가 스니커즈를 추천할 때 Nike가 대체로 두 번째나 세 번째로 언급되는 상품이라는 뜻이에요. 신발 카테고리의 50개 경쟁사 가운데 Nike는 넉넉한 격차로 1위를 차지하고 있었어요.
여기까지는 전혀 놀랍지 않았어요. Nike는 Nike니까요. 하지만 제가 예상하지 못했던 건 그 우위가 어디에서 왔는가였어요. 그들의 상품 데이터(AI 엔진이 추천을 구성하기 위해 파싱하는 구조화된 마크업, 속성, 설명)를 뜯어보니, "큰 브랜드가 이긴다"보다 훨씬 흥미로운 그림이 나왔어요.
AI 쇼핑에서 Nike가 보이는 지배력은 그들의 상품 카탈로그가 어떻게 구축되어 있는지로 거슬러 올라가요. 그리고 그들의 데이터에 있는 공백은 강점만큼이나 많은 것을 드러내요.
다른 종류의 발견
데이터를 파고들기 전에, "AI 쇼핑"이 실제로 무엇을 의미하는지부터 짚어볼게요.
누군가 Perplexity에게 "150달러 이하로 에어 쿠셔닝이 들어간 최고의 러닝 스니커즈가 뭐야?"라고 물으면, 엔진은 광고를 훑거나 검색 결과 페이지를 크롤링하지 않아요. 상품 데이터를 직접 평가해요. 구조화된 속성, 스키마 마크업, 리뷰 신호, 맥락적 설명을요. 어떤 상품이 조건에 부합하는지 판단한 다음, 추천을 조립해요.
여기서 오는 함의는 단순해요. 상품 데이터가 엔진이 필요로 하는 것을 주지 못하면, 여러분의 상품은 포함되지 않아요. 순위가 낮아지는 게 아니라 아예 제외돼요. 그리고 그 제외는 조용히 일어나요. ChatGPT 응답에는 "2페이지"가 없으니까요.
상품 데이터 준비도가 브랜드가 대화에 들어가느냐 마느냐 자체를 결정해요. 가격, 프로모션, 브랜드 인지도, 이 어느 것도 상품이 그 초기 평가를 통과하기 전까지는 중요하지 않아요.
Nike의 모니터링 대시보드: 전체 그림
Nike의 개요는 이렇게 생겼어요.
Nike의 AI 모니터링 개요 — AI 플랫폼 전반의 가시성 지표.
이 화면을 지탱하는 세 가지 수치가 있어요.
- Found Rate: 100. Nike 상품은 우리가 신발 카테고리 전반에서 추적한 쇼핑 질의의 100%에 등장했어요. 반올림한 숫자가 아니에요. 말 그대로 모든 질의예요.
- Visibility Score: 7/10, 상승 추세. 이 지표는 존재감과 두드러짐을 측정해요. Nike가 발견됐을 때 얼마나 높이 나타나는지, 그리고 추천으로 언급되는지 지나가는 언급에 그치는지를요.
- Average Position: 2.8. AI 플랫폼이 상품을 나열할 때, Nike는 대체로 두 번째나 세 번째 옵션으로 열거돼요.
Visibility Breakdown은 차원별 이야기를 들려줘요. 모든 LLM, 상품 언급, 직접 추천, 출처 인용에 걸쳐 점수는 72에서 96 사이에 분포해요. 가장 약한 차원은 source/citations로 72예요.
경쟁 지형: 50개 브랜드, 뚜렷한 선두 하나
경쟁 인텔리전스 뷰가 이 맥락을 제공해요.
신발 카테고리 경쟁 지형 — 추적 대상 50개 경쟁사를 이끄는 Nike.
Nike는 신발 카테고리에서 1위에 자리하고, Adidas와 Reebok이 카테고리 상위권을 채워요. 경쟁사 표에는 추적 대상 50개 브랜드(Adidas, Under Armour, Reebok, PUMA, New Balance, Zappos.com, lululemon, Jordan, Gymshark, DICK'S Sporting Goods, Converse 등)가 각각의 등장률, 평균 순위, 승률 추세와 함께 나열돼요.
눈에 띄는 건 격차의 크기예요. 세계 2위 스포츠웨어 브랜드인 Adidas는 추적된 질의 중 32개에 등장해요. Under Armour는 23개, Reebok은 22개예요. Nike는 그 전부에 등장해요. 1위에서 2위로 떨어지는 낙폭이 가파르고, 목록을 내려갈수록 더 가팔라지기만 해요.
중요한 질의들
가시성 지표는 유용해요. 하지만 본질은 소비자가 던지는 질문과, 그에 응답해 AI가 어떤 브랜드를 선택하는지에 있어요.
쇼핑 질의 — Google AI, Perplexity, ChatGPT 전반에서 추적된 소비자 질문.
Shopping Queries 뷰는 추적된 모든 질의를 플랫폼별 결과와 함께 보여줘요. 사람들이 무엇을 묻는지 몇 가지 예를 볼게요.
- "눈에 보이는 에어 쿠셔닝이 있는 편안한 러닝 스니커즈를 찾고 있어요. 뭘 추천하시나요?"
- "이백 달러가 넘는 가격대에서 살 수 있는 최고의 농구화는 뭔가요?"
- "백오십 달러 이하로 눈에 보이는 에어 쿠셔닝이 있는 최고의 러닝 스니커즈는 뭔가요?"
- "편안한 가죽 소재의 농구화 스타일 스니커즈를 사고 싶은데, 몇 가지 옵션을 보여줄 수 있나요?"
- "일상용으로 신기 좋은 최고의 농구화를 찾아줄 수 있나요?"
- "편안한 농구화를 사고 싶은데, 옵션을 보여줄 수 있나요?"
- "스트리트 스타일 룩에 어울리는 클래식한 가죽 스니커즈를 찾아줄 수 있나요?"
이것들은 브랜드 질의가 아니에요. 아무도 Nike를 이름으로 지목해 묻지 않아요. 이것들은 구매 의도가 담긴 카테고리 질문으로, AI 엔진이 브랜드 인지도가 아니라 데이터 품질로 상품을 평가하도록 강제하는 종류예요.
Nike는 거의 모든 질의에서 승리해요. Google AI, Perplexity, ChatGPT에 걸친 초록색 표시는 일관된 존재감을 보여주고, 플랫폼을 넘나들며 유지돼요. Nike가 상품 데이터로 무엇을 하고 있든, 그것은 폭넓게 통해요.
이 뷰는 또 질의를 쇼핑객 페르소나(Performance Athletes, Sneakers & Footwear 애호가, Deal Hunters, Lifestyle 쇼핑객, General Shoppers)별로 세분화하는데, Nike의 커버리지는 그 모두를 아울러요.
정면 대결: Nike vs. Adidas
경쟁 상세 — 특정 쇼핑 질의와 플랫폼 전반의 Nike vs. Adidas.
Adidas와의 대결을 파고들면 격차가 구체적으로 드러나요. Adidas는 추적된 75개 질의 중 대략 8개에 등장하는데, 이는 Nike 커버리지의 극히 일부예요. Adidas가 등장할 때 그들의 평균 순위는 2위예요. 승/패 점유율 막대는 경쟁 구도를 한눈에 보여줘요. Nike가 직접 대결의 대다수를 이겨요.
가장 유용한 부분은 질의별 세부 내역이에요. 어떤 쇼핑 질문에서 Adidas가 이기고, 어떤 질문에서 Nike가 이기며, 어느 플랫폼에서 그런지를 정확히 보여줘요.
상품 데이터 들여다보기: Air Jordan 1 Mid
Nike가 이기는 이유를 이해하려면, AI 엔진이 Nike 상품을 평가할 때 무엇을 보는지 살펴보세요.
저는 그들의 베스트셀러 중 하나인 Air Jordan 1 Mid Shoes에 AI 준비도 리포트를 돌려 전체 내역을 뽑아봤어요.
Air Jordan 1 Mid Shoes의 AI 준비도 리포트 — 전체 준비도 점수: 78/100.
이 리포트는 AI 엔진이 상품 페이지에서 추출할 수 있는 모든 것을 끌어와요. 브랜드(Jordan), 카테고리(Footwear), 핵심 속성(Air Sole and Cushioning, Unisex Styling, 컬러웨이, GTIN), 소재(천연 및 합성 가죽, 캔버스, 텍스타일), 2,186개 리뷰에 걸친 4.5점 별점, 현재 가격, 재고 상태까지요.
전체 점수는 100점 만점에 78점. 우리 준비도 척도에서 "Strong(강함)"으로 분류돼요.
이야기는 네 개의 평가 계층에 걸친 세부 내역에 있어요.
AI 준비도의 네 가지 계층
우리 준비도 분석은 상품 데이터를 네 가지 차원에서 평가해요. 각각은 AI 엔진이 상품을 추천에 포함하기 전에 답해야 하는 서로 다른 질문을 나타내요. 점수는 상품 데이터가 어디에서 충분하고 어디에서 부족한지를 알려줘요.
계층 1 — Product Mapping: 91 (Strong)
엔진이 이 상품이 무엇인지 알고 있나요?
이것이 토대예요. AI가 여러분의 상품을 올바르게 식별하고 분류하지 못하면, 나머지는 아무것도 의미가 없어요.
Jordan 1 Mid는 여기서 91점을 받아요. 거의 완벽해요. Nike의 상품 페이지는 ProductGroup과 Product 스키마를 올바르게 사용해, 엔진이 기본 모델과 그 사이즈/색상 변형 간의 관계를 매핑할 수 있게 해줘요. 브랜드는 JSON-LD에서 "Jordan"으로 식별되며, 상위 리테일러인 Nike와 구분돼요. 모든 변형에는 리테일러 간 매칭을 위한 고유 식별자(MPN과 GTIN)가 있어요.
완벽한 점수를 막는 유일한 발견은 카테고리 분류 체계가 일반적이라는 점이에요. 구조화 데이터가 이 상품을 "Basketball Shoes"나 "Lifestyle Sneakers"로 명시적으로 분류하지 않아요. 쇼핑객이 "최고의 농구화"를 물을 때, 이 공백은 엔진이 카테고리를 직접 읽는 대신 다른 신호로부터 추론해야 함을 의미할 수 있어요.
계층 2 — Structured Attributes: 75 (Strong)
엔진이 이 상품을 대안들과 비교할 수 있나요?
이 계층은 상품 데이터가 엔진이 나란히 비교하는 데 필요한 구조화된 속성을 담고 있는지를 측정해요.
75점인 Jordan 1 Mid는 탄탄하지만 공백이 있어요. 색상과 사이즈 변형이 구조화되어 있어 비교 쇼핑을 뒷받침해요. 소재 구성(가죽, 합성 가죽)이 명시되어 있어, 누군가 "가죽 스니커즈"를 물으면 엔진이 정확하게 필터링할 수 있어요.
하지만 무게는 어디에도 나와 있지 않아요. 엔진이 가벼운 신발을 비교할 때, 데이터가 아예 없기 때문에 Jordan 1 Mid를 그 평가에 포함할 수 없어요. 힐투토 드롭(heel-to-toe drop)과 퍼포먼스 중심 쇼핑객이 신경 쓰는 다른 기술 사양도 마찬가지예요. 이런 것들이 여러분의 상품이 비교 질의에 나타날지를 결정하는 속성이에요.
계층 3 — Attribute Context: 59 (Needs Improvement)
엔진이 특정 쇼핑객을 위해 이 상품을 추론할 수 있나요?
바로 여기서 Nike조차 기준선 아래로 떨어져요. 59점은 이 계층을 "Needs Improvement(개선 필요)"로 표시하는데, 리포트에서 Strong 범위를 벗어나는 유일한 계층이에요.
상품 페이지는 "flat-foot benefit(평발에 좋은 이점)"을 언급하지만, 그것이 퍼포먼스에 어떤 의미인지에 대한 기술적 맥락을 제공하지 않아요. 캐주얼한 일상 착용에 적합한가요? 러닝? 농구? 설명은 "다양한 표면에서의 접지력(traction on a variety of surfaces)"을 언급하면서도 그것이 실내 하드우드를 뜻하는지 실외 콘크리트를 뜻하는지 명시하지 않아요. 이런 것들이 "일상용 최고의 스니커즈" 대 "실내 코트용 최고의 농구화" 같은 특정 질문에 상품을 매칭할 때 AI 엔진이 필요로 하는 맥락적 세부 사항이에요.
여기서의 발견은 Nike 모니터링 데이터에 관한 구체적인 무언가를 설명해줘요. 7/10이라는 가시성 점수는 강하긴 하지만 더 성장할 여지가 있어요. 속성 맥락이 빈약하면 엔진은 여전히 상품을 포함할 수는 있지만(매핑과 속성이 훌륭하니까요), 순위를 낮추거나 추천을 애매하게 할 수 있어요. 이 계층을 고치는 것이 "Nike는 괜찮은 선택지예요"와 "당신의 특정 필요에는 Jordan 1 Mid가 최선의 선택이에요"의 차이예요.
Product Context 평가 — 리뷰 신호, 가용성, 신뢰 데이터.
계층 4 — Product Context: 80 (Strong)
엔진이 이 상품을 추천할 만큼 충분한 확신을 갖고 있나요?
이 계층은 상품을 둘러싼 신뢰 신호, 즉 AI 엔진이 추천하는 데 필요한 근거를 평가해요.
Jordan 1 Mid는 여기서 80점을 받는데, 4.5점 평균의 리뷰 2,186개가 이를 견인해요. 이는 엔진이 신뢰하는 사회적 증거예요. 구조화 데이터에는 명확한 재고 가용성과 잘 정의된 배송 및 반품 정책도 포함돼요. 둘 다 AI 쇼핑 에이전트가 상품 포함 여부를 결정할 때 저울질하는 신뢰 신호예요.
이 계층에서 나온 흥미로운 발견 하나. 밑창 내구성에 관한 부정적 리뷰("뒤꿈치 부근에서 밑창이 떨어진다")에 반복되는 패턴이 있는데, 제조사가 이를 다루지 않은 채 남겨두고 있어요. 우리 분석은 이를 표시하는데, AI 엔진이 리뷰 속 감성 패턴을 감지할 수 있기 때문이에요. 답변되지 않은 품질 우려는 시간이 지나면서 엔진이 상품에 부여하는 신뢰 점수를 갉아먹을 수 있어요.
100점 만점에 78점이 실제로 알려주는 것
Nike의 Air Jordan 1 Mid는 78점을 받아요. 그것으로 50개가 넘는 경쟁사의 카테고리를 이끌기에 충분해요. 잠시 그 의미를 곱씹어 보세요.
카테고리 선두, Nike가 가진 자원과 이커머스 인프라를 갖춘 브랜드, 대부분이 "좋다"고 여길 상품 페이지가 78점이라면, 나머지 지형은 어떨까요?
우리가 수백 개 상품에 걸쳐 돌린 리포트를 근거로 보면, 대부분의 브랜드는 40~60 범위에서 움직여요. 상당수는 40 아래예요. "AI 추천에 포함됨"과 "완전히 제외됨" 사이의 격차는 흔히 여러분의 구조화 데이터가 올바른 스키마를 갖췄는지, 속성이 기계가 읽을 수 있는지, 상품 설명이 AI 엔진이 실제로 답을 필요로 하는 질문에 답하는지로 귀결돼요.
이 분석이 제게 명확히 해준 몇 가지가 있어요.
기준선은 낮지만 오르고 있어요. 오늘날 78점이면 선두를 이끌기에 충분해요. 1년 뒤에는 그렇지 않을 거예요. 더 많은 브랜드가 상품 데이터에 투자할수록, 포함 임계값은 위로 올라갈 거예요. 아직 넘을 수 있을 만큼 기준선이 낮은 지금 최적화하는 브랜드가 자신의 우위를 복리로 불려 나갈 거예요.
최고조차 사각지대가 있어요. Nike의 Attribute Context 점수 59가 여기서 가장 시사적인 데이터 포인트예요. 사양을 쇼핑 시나리오와 연결하는 종류의 유스케이스별 설명은, 자원이 넉넉한 팀조차 여전히 투자를 덜 하고 있어요. 이 계층은 어떤 브랜드에게든 지렛대 효과가 가장 큰 개선점이에요. 이것을 완벽하게 하는 곳이 거의 없기 때문이에요.
브랜드 인지도가 AI 가시성을 보장하지 않아요. AI 쇼핑에서 여러분을 포함시키는 것은 각 상품에 붙은 데이터예요. 엔진은 상품 카드를 평가해요.
경쟁 데이터는 행동에 옮길 만큼 구체적이에요. 경쟁사가 이기고 여러분은 이기지 못하는 정확한 질의를, 그리고 어느 플랫폼에서 그런지를 볼 수 있으면, 그것은 명확한 해법이 있는 공백이에요. 바로 그 질의 맥락에 맞게 상품 데이터를 개선하는 거예요.
시작하기
여러분 자신의 상품이 어디쯤 서 있는지 궁금하다면, 우리는 어떤 상품 URL에든 이 동일한 4계층 분석을 돌려주는 무료 AI 준비도 리포트를 만들었어요. 약 30초면 되고, 계정도 필요 없어요. URL을 붙여넣고, 점수를 받고, 데이터가 어디에서 부족한지 정확히 확인하세요.
여러분이 카테고리를 이끌고 있든, 이제 막 AI 커머스에 관심을 두기 시작했든, 밑바탕에 깔린 질문은 같아요. ChatGPT, Google AI, Perplexity가 여러분의 상품 데이터를 평가할 때, 여러분을 포함시키는 데 필요한 것을 갖추고 있나요?
대부분의 브랜드에게 정직한 답은 "아직 아니에요"예요. 그리고 불편한 부분은, 직접 들여다보기 전까지는 그 사실을 모른다는 점이에요.