facts

기존 카탈로그 인프라 위에 AI 검색을 얹고, 결제 흐름 위에 대화형 인터페이스를 추가하는 방식이 지난 3년간 커머스 AI 도입의 주류였다. 브랜드들은 추천 엔진이나 개인화 도구를 기존 시스템 옆에 나란히 배치하며 개별 지표의 개선을 꾀했다. 하지만 이러한 '가산적(additive)' 접근법은 각 기능이 하나의 응집된 시스템으로 작동하지 않는 결과를 초래했다.

개별 도구의 지표는 상승하지만 전체 전환율은 정체되는 현상이 여기서 나타난다. 대화형 AI의 참여도는 높고 검색 레이어의 관련성 점수는 개선되었으나, 각 단계 사이의 맥락이 끊기면서 최종 구매로 이어지는 전환 단계에서 고객이 이탈하는 구조다. 현재의 분석 스택은 개별 접점의 성과를 측정하도록 설계되어 있어, 여정 전체의 일관성 결여로 인한 손실을 잡아내지 못한다.

베인(Bain) 리서치가 분석한 리테일 사이트의 유기적 웹 트래픽 감소폭은 15~25%에 달한다. AI 기반의 제로 클릭 검색이 성장하면서 유입 단계부터 압박을 받는 상황에서, 내부 AI 도구들의 파편화로 인한 누수까지 겹치며 구조적인 문제가 심화되고 있다.

market-flow

커머스 AI에서 나타나는 환각(Hallucination)은 단순한 모델의 오류라기보다 데이터 정합성 문제의 다른 이름이다. 재고, 가격, 정책, 제품 정보에 대해 공통된 이해를 공유하지 않는 도구들이 서로 충돌하는 정보를 제공할 때 소비자는 혼란을 느끼며, 이는 곧 신뢰도 하락으로 이어진다.

이런 흐름 속에서 성과를 내는 브랜드들은 AI 기능 아래에 '통합 실행 계층(Unifying Execution Layer)'을 두는 설계 철학을 채택하고 있다. 단순히 어떤 AI 기능을 추가할지 고민하는 대신, 각 기능이 일관된 소비자 경험과 신뢰할 수 있는 거래 결과로 이어지게 만드는 '연결 조직'을 구축하는 데 집중한다.

이 계층을 구성하는 핵심 요소는 세 가지다. 모든 AI 도구가 실시간 제품 정보와 가격, 재고 상태를 동일하게 참조하는 '공유 데이터 레이어', 브랜드의 설정 규칙 내에서 추천이 이루어지게 하는 '정책 및 거버넌스 프레임워크', 그리고 어떤 AI 접점에서 발생한 구매 의도라도 맥락을 유지한 채 주문으로 완결 짓는 '트랜잭션 레이어'다. 이 구조를 갖춘 기업은 개별 도구의 개선 사항이 시스템 전체의 성과로 복리처럼 쌓이는 효과를 얻는다.

reader-impact

사용자를 대신해 거래를 완결하는 '에이전틱 커머스(Agentic Commerce)'가 성숙해지면 시스템 간의 단절은 치명적인 이탈 요인이 된다. 사람 사용자는 불편함을 참고 결제 단계로 이동할 수 있지만, AI 에이전트는 추천 레이어와 결제 시스템 사이의 끊긴 연결 고리를 만나는 순간 즉시 작업을 중단하고 다시 돌아오지 않는다.

한국의 AI 실무자와 기업은 이제 개별 AI 도구의 벤치마크 성능보다 '연결 인프라'의 유무를 판단 기준으로 삼아야 한다. 특히 다음 세 가지 체크리스트를 통해 현재의 도입 수준을 점검할 필요가 있다. 첫째, 서로 다른 AI 도구가 동일한 실시간 재고 데이터를 참조하고 있는가. 둘째, 챗봇에서 발생한 구매 의도가 결제 페이지로 넘어갈 때 사용자가 정보를 다시 입력해야 하는 구간이 있는가. 셋째, AI의 추천 결과가 브랜드의 최신 운영 정책과 실시간으로 동기화되는가.

결국 커머스 AI의 경쟁력은 도구의 성능이 아니라, 그 도구들을 묶어주는 연결 인프라의 완성도에서 결정된다. 에이전틱 거래가 표준이 되기 전에 아키텍처의 일관성을 확보한 기업만이 다음 세대의 커머스 시장에서 우위를 점할 수 있다.