Walmart가 방금 Sparky를 앱에서 꺼내 열린 웹에 올려놨어요. 이제 이 쇼핑 에이전트가 모든 방문자를 맞이하고, 무엇을 먼저 노출할지 고르며, 이를 건너뛴 쇼핑객보다 35% 높은 평균 주문 금액(AOV)을 만들어내요. Walmart에 입점한 브랜드에게 판매가 시작되는 곳은 더 이상 카테고리 그리드가 아니에요. 에이전트의 첫 답변이에요.
TL;DR: Walmart의 Sparky 쇼핑 에이전트는 이제 웹사이트, 앱, 매장 전반에서 가동 중이고, 주간 활성 사용자는 한 분기 만에 100% 넘게 늘었으며 이를 통해 구매된 수량은 4배 넘게 증가했어요. 리테일러 자신의 에이전트가 발견 계층이 되면, 브랜드는 검색 결과 페이지가 아니라 에이전트의 추천 안에서 경쟁해요. 해법은 열린 웹 AI 발견이 요구하는 것과 동일해요. 기계가 읽을 수 있는 상품 데이터, 그리고 에이전트가 여러분을 노출하기는 하는지를 측정할 방법이요.
2026년 6월 Sparky에서 무엇이 바뀌었나요?
Walmart는 Sparky를 로그인 기반 모바일 기능에서 웹사이트, 모바일 앱, 매장 내 시스템에서 가동되는 표면 간(cross-surface) 에이전트로 확장했어요. Walmart는 2025년 6월 Sparky를 생성형 AI 쇼핑 어시스턴트로 처음 선보이며 신뢰할 수 있는 쇼핑 파트너로 규정했어요. FY2027 1분기 실적 발표에서 CEO John Furner는 주간 활성 사용자가 한 분기 만에 100% 넘게 성장했고 올해 응답 품질이 40% 개선됐다고 말했어요(Digital Commerce 360).
Walmart U.S. CEO David Guggina는 Sparky가 이제 개인화된 재구매(replenishment), 식단 계획, 그리고 재고·가격·배송 속도에 맞춘 추천을 처리한다고 말했어요. 이 에이전트는 일반 상품(general-merchandise) 발견 도구로 시작했어요. 이후 식품과 소모품 같은 일상 필수품까지 끌어들였고, 이를 통해 구매된 수량은 분기 대비 4배 넘게 늘었어요.
Sparky 사용자는 비사용자보다 평균 주문 금액이 약 35% 높아요. 이는 Digital Commerce 360이 보도한 Furner의 FY2027 1분기 발언에 따른 것이에요.
Furner는 해당 분기 Walmart의 26% 글로벌 이커머스 성장을 Sparky와 관련 AI 투자에 직접 연결했어요. 대부분의 브랜드 팀이 과소평가하는 부분이 바로 이거예요. 이것은 챗봇 파일럿이 아니에요. 북미 2위 온라인 리테일러에서 측정 가능한 장바구니 경제성을 이끄는 프로덕션(production) 발견 계층이에요.
리테일러 자신의 에이전트가 ChatGPT와 다른 이유
이제 두 가지 에이전틱 쇼핑 모델이 나란히 가동되고, 이들은 여러분의 catalog에 서로 다른 요구를 해요. ChatGPT, Google AI Mode, Perplexity 같은 열린 웹 에이전트는 시장 전체에 걸쳐 추천해요. Sparky 같은 리테일러 소유 에이전트는 자신이 이미 취급하는 catalog에서만, 리테일러 자신의 표면 위에서 추천해요.
이 구분은 경쟁이 어디서 일어나는지에 있어 중요해요. ChatGPT에서는 에이전트의 선택을 두고 열린 웹의 모든 브랜드와 경쟁해요. Sparky에서는 리테일러 자신의 ai-shopping-assistant 안에서, 여러분의 카테고리에 Walmart가 취급하는 다른 브랜드들과 경쟁해요. 선반은 카테고리 그리드에서 에이전트가 먼저 답하는 무언가로 옮겨갔어요.
| 열린 웹 에이전트 (ChatGPT, Gemini) | 리테일러 에이전트 (Sparky) | |
|---|---|---|
| 어디서 가동되는가 | AI 플랫폼의 표면 | Walmart의 사이트, 앱, 매장 |
| catalog 범위 | 열린 시장 | Walmart의 상품 구색만 |
| 경쟁 상대 | 웹상의 모든 브랜드 | Walmart가 취급하는 다른 브랜드 |
| 노출을 결정하는 것 | 여러분의 상품 데이터 품질 | 여러분의 상품 데이터 품질 |
맨 아래 행을 보세요. 두 모델 모두 같은 것에 보상을 줘요. 에이전트가 여러분의 상품을 추천할 만큼, 그리고 그것을 스쳐가는 언급이 아니라 이미지·가격·사양이 담긴 카드로 보여줄 만큼 명확하게 읽는가는, 여러분의 데이터가 얼마나 기계 가독형인가로 귀결돼요. 표면은 바뀌었어요. 관문이 되는 요소는 바뀌지 않았어요.
Sparky의 수치가 브랜드에게 AI 발견에 대해 말해주는 것
35% AOV 상승은 곱씹어볼 만한 신호예요. 이는 에이전트가 노출한 쇼핑객이 검색창을 챗박스로 대체하는 데 그치지 않는다는 뜻이에요. 그들은 더 큰 장바구니를 만들고 있는데, 이는 에이전트가 보완 상품과 고관여(higher-consideration) 상품을 자신 있게 추천할 때 일어나요. 자신감은 에이전트가 파싱할 수 있는 데이터에서 나와요.
Sparky를 통한 구매 수량의 4배 증가는, 재구매와 일상 필수품 쪽으로의 이동과 맞물려 리테일러 에이전트가 어떻게 복리로 불어나는지를 보여줘요. 쇼핑객이 주간 식단 계획을 위해 에이전트를 신뢰하게 되면, 같은 에이전트가 이따금 발생하는 고마진 구매에서도 신뢰의 이점을 얻어요. 그 주간 습관 속에서 에이전트가 결코 노출하지 않는 브랜드는 쉬운 재주문과 그 하류의 고려 기회를 잃어요.
이는 열린 웹 AI 표면 전반에서 관찰돼 온 것과 동일한 역학이에요. 그곳에서도 언급되는 것은 흔하지만 상품 카드로 보여지는 것은 드물어요. "에이전트가 내 브랜드를 언급했다"와 "에이전트가 내 특정 상품을 카드와 함께 추천했다" 사이의 격차가 매출이 새는 지점이에요. 이 정도의 AOV 상승을 갖춘 리테일러 에이전트에서는 그 격차가 덜 비싼 게 아니라 더 비싸요.
여러분의 카테고리에서 에이전트가 무엇을 추천하는지 볼 수 있나요?
대부분의 브랜드는 볼 수 없어요. 쇼핑객이 자신의 카테고리 상품을 물었을 때 Walmart의 에이전트가 무엇을 노출하는지, 어떤 경쟁자를 선호하는지, 자사 상품을 추천으로 보여주는지 아니면 건너뛰는지 전혀 파악하지 못해요. 그 사각지대가 핵심 문제예요. 볼 수 없는 배치는 고칠 수 없으니까요.
열린 웹 AI 발견에는 이를 위한 어휘가 있어요. AI share of voice는 많은 질의에 걸쳐 에이전트가 경쟁사 대비 여러분의 상품을 얼마나 자주, 얼마나 두드러지게 노출하는지를 측정해요. 같은 측정 논리가 리테일러 에이전트에도 적용돼요. 실제 쇼핑객이 물을 법한 질의를 던지고, 에이전트가 여러분을 반환하는지 보고, 그것을 시간에 걸쳐 추적하세요.
그 밑에 깔린 메커니즘은 질의 분해(query decomposition)예요. 쇼핑객이 Sparky에게 "20달러 이하로 쉬운 평일 저녁 메뉴"를 물으면, 에이전트는 하나의 키워드 검색을 돌리지 않아요. 요청을 식사 유형, 예산, 식이 요구, 재고 상황에 관한 하위 질문으로 쪼갠 뒤 답을 조립해요. 여러분의 상품 데이터가 그 하위 질문들에 기계 가독형으로 답하지 않으면, 조립된 결과에서 여러분은 빠져요. 이것은 우리가 query fan-out for commerce에서 다룬 검색 전환의 커머스 버전이에요.
리테일러 에이전트가 더 넓은 발견 전환에 어떻게 들어맞는가
Sparky는 빠르게 확대되고 있는 한 패턴의 사례일 뿐이에요. 머천트 소유 에이전트가 리테일 전반에 등장하고 있고, 이들은 브랜드 간(cross-brand) 발견 표면과 나란히 자리해요. JPMorgan은 올해 초, 에이전틱 커머스가 ChatGPT에 도달하기 전에 리테일러 자신의 자산에서 시작된다는 주장을 폈는데, 우리는 이를 "에이전틱 커머스가 왜 여러분의 사이트에서 시작되는가"에서 풀어냈어요.
브랜드에게 이것은 작업이 "ChatGPT에 최적화" 또는 "Sparky에 최적화"가 아니라는 뜻이에요. 어떤 표면의 어떤 에이전트든 읽고, 순위 매기고, 추천으로 보여줄 수 있을 만큼 여러분의 상품 데이터를 깨끗하게 만드는 것이 작업이에요. 그것이 에이전틱 커머스 최적화의 핵심이에요. 잘 구조화된 하나의 데이터 본체가 에이전트가 쇼핑하는 모든 곳에서 성능을 내는 거죠. 리테일러 에이전트는 단지 그것을 요구하는 가장 새로운 표면일 뿐이고, 지금까지 매출 증거가 가장 뚜렷한 표면이에요.
여기서 이기고 있는 리테일러들은 브랜드가 따라잡기를 기다리지 않아요. Walmart는 분기마다 흔들기 더 어려워지는 사용 플라이휠(flywheel)을 구축하고 있어요. 에이전트가 읽는 방식대로 자사의 상품 데이터를 읽고, 에이전트가 그것으로 무엇을 하는지 측정하는 브랜드가, 선반이 움직여도 그 선반 위에 남는 브랜드예요.
이번 주에 할 일
- 여러분의 카테고리에서 실제 쇼핑객 질의 다섯 개를 골라 웹의 Walmart Sparky 에이전트에 던져보세요. 여러분의 상품을 반환하는지, 경쟁자의 것을 반환하는지, 아니면 일반적인 답을 내놓는지 기록하세요. 본 것을 적어두세요. 그것이 여러분의 기준선이에요.
- 에이전트가 파싱하는 방식대로 여러분의 상품 데이터를 감사하세요. 상위 SKU의 속성 개수를 세어보세요. 에이전트가 30개 넘게 필요로 하는데 여러분에게 5~8개(제목, 소재, 치수, 사용 사례, 호환성, 관리법, 식이 표시)밖에 없다면, 그것이 여러분의 카드 격차예요.
- "언급됨"과 "카드로 보여짐"을 구분하세요. 위의 각 질의에 대해, 에이전트가 여러분의 상품을 구체적으로 이름 불렀는지 아니면 여러분 브랜드만 스쳐 언급했는지 표시하세요. 구매를 이끄는 것은 카드예요.
- 여러분의 구조화된 데이터 피드를 확인하세요. 리테일러용 catalog가 마케팅 문구가 아니라 깨끗하고 완전하며 기계 가독형인 속성을 갖췄는지 확인하세요. surfd의 AI 준비도 진단 같은 도구는 이를 약 30초 만에 점수화해줘요.
- 재측정 주기를 정하세요. 에이전트 추천은 재고, 가격, 그리고 에이전트 자체 모델 업데이트에 따라 바뀌어요. 일회성 확인은 스냅숏이고, 주간 측정은 신호예요.
자주 묻는 질문
Walmart Sparky는 무엇인가요?
Sparky는 Walmart의 생성형 AI 쇼핑 어시스턴트로, 2025년 6월 처음 선보였고 2026년 중반 현재 Walmart의 웹사이트, 모바일 앱, 오프라인 매장 전반에서 가동 중이에요. 상품 발견, 재구매, 식단 계획, 추천을 처리하며, Walmart는 그 사용자가 비사용자보다 주문당 약 35% 더 많이 지출한다고 밝혔어요.
Sparky가 브랜드에게 ChatGPT나 Google AI Mode를 대체하나요?
아니요. Sparky는 Walmart의 표면에서 Walmart 자신의 상품 구색에서만 추천해요. ChatGPT와 Google AI Mode 같은 열린 웹 에이전트는 시장 전체에 걸쳐 추천해요. 브랜드는 양쪽 모두에서 읽힐 수 있어야 해요. 한 표면에서 이기는 데이터 품질이 다른 표면에서도 이기는 것이니까요.
왜 35% 높은 평균 주문 금액이 중요한가요?
이는 에이전트가 노출한 쇼핑객이 검색창을 챗박스로 바꾸는 데 그치지 않고 더 큰 장바구니를 만든다는 것을 보여줘요. 이 때문에 에이전트에게 노출되는 것이 일반 검색 배치보다 더 가치 있어지고, 건너뛰어지는 것이 더 비싸져요.
Sparky가 내 상품을 추천하는지 어떻게 아나요?
여러분의 쇼핑객이 물을 법한 질의를 던지고 에이전트가 무엇을 반환하는지 관찰하세요. 많은 질의에 걸쳐 추적해 그 표면에서 여러분의 AI share of voice를 추정하세요. 오늘날 대부분의 브랜드는 여기에 아무런 측정이 없는데, 이것이 가장 먼저 메워야 할 격차예요.
AI 쇼핑 에이전트에는 어떤 종류의 상품 데이터가 필요한가요?
에이전트는 자신이 파싱할 수 있는 구조화되고 완전한 속성이 필요해요. 명확한 제목, 소재, 치수, 호환성, 사용 사례, 그리고 식이 표시나 성분 같은 카테고리별 필드요. 마케팅 문구만으로는 에이전트가 상품을 자신 있게 추천하거나 카드로 보여줄 만큼 충분하지 않아요.
리테일러 자신의 에이전트가 여러분의 상품을 노출하는 것은, 이제 모든 AI 표면이 던지는 질문의 가장 명확하고 가장 잘 지불하는 버전이에요. 기계가 여러분을 추천할 만큼 잘 읽을 수 있는가? Walmart는 방금 그 답에 35% 장바구니 프리미엄을 붙였어요. 자사의 상품 데이터를, 사람이 훑는 것이 아니라 에이전트가 읽는 무언가로 다루는 브랜드가, 선반이 계속 움직여도 그 선반 위에 남는 브랜드예요.