박 세용 
프로모션 중심의 커머스는 이미 한계에 도달했습니다. 지금까지 커머스 시스템은 상품을 다루는 방식을 지나치게 단순화해왔습니다. 상품명, 가격, 할인율, 썸네일 이미지, 그리고 “오늘만 30% 할인” 같은 배너. 노출을 늘리고 클릭을 유도하면 소비자가 비교하고 구매하는 구조였습니다. 그래서 기업들은 상품 정보를 충분히 구조화하지 않아도 운영이 가능했습니다. 극단적으로 말하면 떡 이미지 한 장으로도 버틸 수 있었습니다.
하지만 AI 에이전트가 커머스의 인터페이스로 들어오는 순간, 이 구조는 유지되지 않습니다. 소비자가 “어떤 냉장고가 좋아?” 혹은 “이 냉장고는 왜 좋은 거야?”라고 묻는다면, AI는 단순 프로모션 문구로는 답을 만들 수 없습니다. 돌출 18mm가 왜 중요한지, 좌우 4mm 여유가 어떤 설치 환경을 가능하게 하는지, 10년 컴프레서 보증이 ‘오래 쓰고 싶은’ 심리와 어떻게 연결되는지 설명할 수 있어야 합니다. 즉, 제품 속성과 사용 상황 사이의 구조화된 지식이 필요합니다. 이 연결이 없으면 AI는 스펙을 나열하는 기계에 불과합니다.
따라서 AI 에이전트 시대의 상품 데이터 설계는 ‘프로모션 단위’가 아니라 ‘엔티티 단위’로 전환되어야 합니다. 상품에 대한 정보는 사람만이 아니라 기계도 읽을 수 있어야 하기 때문입니다. 사람이 읽는 상품 설명을 준비하는 동시에, AI가 판단할 수 있는 양면 구조의 상품 마스터를 제공해야 합니다. 오늘은 AI 에이전트 시대에 적합한 상품 마스터 관리 관점에서 이야기를 풀어가겠습니다.
상품 마스터의 양면 구조 중 첫 번째는 Agent-Readable 레이어입니다. 이는 제품 엔티티에 연결된 속성과 값이 구조화된 데이터 형태로 정리된 영역입니다. 예를 들어 냉장고라는 엔티티에 surfaceProtrusion: 18mm, installClearanceLeft: 4mm, energyGrade: 1등급처럼 속성 타입과 값이 단위와 함께 명시되고, 비교 연산이 가능하도록 제공되어야 합니다. 이렇게 되어야 AI 에이전트가 “이 냉장고가 가구 사이에 들어갈 수 있는가?”라는 질문에 대해 surfaceProtrusion ≤ 20 AND installClearanceLeft ≤ 4 같은 조건으로 직접 판단할 수 있습니다. 해석 가능한 데이터가 아니라 연산 가능한 데이터여야 한다는 이야기입니다.
둘째는 Consumer-Readable 레이어입니다. 같은 사실을 사람의 언어로 번역한 서사입니다. “가구와 원래 한 몸이었던 것처럼 설치돼요. 돌출 18mm로 빌트인 완성”과 같은 표현입니다. 여기에는 예상 반론에 대한 응답, 브랜드 자산(DBA), 사회적 증거까지 포함될 수 있습니다. 엔티티와 속성은 같지만 전달 방식이 다른 것입니다.
브랜드가 이 양면 구조를 고려한 데이터를 함께 제공해야 AI 에이전트는 제대로 작동할 수 있습니다. 속성값으로 적합성을 판단하고, 서사로 설명하고 설득합니다. 둘 중 하나만 있으면 반쪽짜리 구조이며 결국 경쟁력에서 뒤처지게 됩니다.
이제 상품이 아니라 ‘상황’에서 출발하는 구조를 준비해야 합니다. 전통적 커머스는 상품 카탈로그에서 시작합니다. 냉장고 카탈로그로 진입해 스펙을 비교하고, 유사 상품의 가격과 기능을 절충해 구매를 결정합니다. 하지만 실제 의사결정은 그 이전 단계, 즉 소비자가 냉장고 구매를 떠올리게 된 상황에서 출발합니다. “청약했던 아파트가 당첨되어 새 아파트에 입주하게 되었고, 인테리어 톤에 맞는 냉장고가 필요하다”는 맥락이 먼저 존재합니다.
제품 구매가 시작되는 이 지점, 즉 카테고리 진입점(Category Entry Point, CEP)을 브랜드가 관리해야 하는 이유가 여기에 있습니다. ‘새 아파트 인테리어 톤에 맞춰야 한다’는 CEP가 냉장고 엔티티를 호출하는 출발점이 되기 때문입니다.
하나의 상황 데이터 그룹은 가전, 가구, 인테리어 서비스까지 횡단하여 연결될 수 있습니다. 이는 상품 체계와는 별개의 또 하나의 AI 커머스 데이터 축입니다.
각 CEP에는 AI 에이전트가 계산할 수 있는 제약 조건이 붙습니다. 이는 단순 설명 문장이 아니라 필터와 랭킹 공식입니다. 예를 들어 surfaceProtrusion ≤ 20 AND colorCode exists 같은 필터, 혹은 color_option_count × 0.4 + install_fit_score × 0.3 + delivery_eta_days × 0.3 같은 랭킹 로직입니다. AI 에이전트는 이런 조건을 상품 선택에 직접 활용합니다.
이 구조의 강점은 확장성에 있습니다. 새로운 소비자 상황이 등장해도 CEP만 추가하면 됩니다. 상품 마스터를 다시 설계할 필요는 없습니다. 새로운 CEP에 연결된 나노 인텐트(intent_signals)와 핵심 구매 요인(compiled_constraints)을 CEP 속성으로 저장하면 됩니다.
AI 에이전트 시대에 브랜드가 가장 취약해지는 지점은 “왜?”라는 질문입니다. 추천에는 슬로건이 아니라 논리와 근거가 필요합니다.
이를 위해 제품의 속성(Attribute) → 이유(Reason) → 근거(Evidence) → 소비자 언어(Consumer Statement)로 이어지는 4단 체인을 설계해야 합니다.
예를 들면,
surfaceProtrusion: 18mm → 키친핏 빌트인 설계 → 삼성 공식 스펙시트 → “가구와 한 몸처럼 설치돼요. 돌출 18mm로 빌트인 완성”
이 체인이 완성되어 있어야 에이전트는 속성을 신뢰 가능한 것으로 판단하고, 이유로 구조화하고, 근거로 뒷받침한 뒤, 사람의 언어로 전달할 수 있습니다. 중간 단계가 빠지면 실행 준비가 되지 않은 상태입니다.
이 논리와 근거를 상품 마스터 안의 Evidence Registry 형태로 관리해야 합니다. 모든 근거가 동일한 신뢰도를 가지는 것은 아닙니다. 공인 인증, 전문가 리뷰, 소비자 후기는 서로 다른 층위의 근거력을 가집니다.
Evidence Registry는 이를 RTB(Reason To Believe) 3-Tier로 구분합니다. 공인 인증(Institutional Evidence), 전문가 검증(Expert Proof), 소비자 경험(Social Proof). 각 층위는 서로 다른 가중치를 가지며, 이를 적용해 근거 커버리지를 계산할 수 있습니다. 단순히 리뷰 수가 많다고 해서 공인 인증과 동일한 무게로 처리하지는 않습니다.
또한 모든 근거에는 유효기간이 있습니다. 인증은 만료되고, 계약은 종료됩니다. 에이전트는 만료된 근거 기반 클레임을 자동으로 감지해야 합니다. 그렇지 않으면 신뢰가 무너집니다.
CEP, 속성 정보, 근거 구조가 완벽하면 이상적이겠지만 현실에서는 단계적으로 충족될 수밖에 없습니다. 기업은 각 채널이 요구하는 수준에 맞춰 상품 마스터를 관리해야 합니다.
같은 상품이라도 채널이 다르면 요구 조건이 다릅니다. 어떤 채널은 속성 채움률 80%를 요구하고, 또 다른 채널은 60%로도 충분할 수 있습니다. 브랜드는 채널별로 속성 채움률, 클레임 충족률, 근거 커버리지를 기준으로 상품 데이터를 관리해야 합니다.
AI 에이전트가 일반화된 이후에는 이러한 데이터 기준이 곧 게이트로 작동할 가능성이 높습니다. 이를 통과하지 못하면 노출이 제한되거나 판매 기회가 줄어들 수 있습니다. 브랜드 입장에서 상품 마스터 관리가 전략 과제가 되는 이유입니다.
우리가 지향하는 궁극적인 목표는 명확합니다. 그동안 만나지 못했던 미고객의 행동 분석을 통해 발견한 새로운 CEP 인사이트가 에이전트 실행 데이터에 즉시 반영되어 매출로 이어지는 구조를 만드는 것입니다.
예를 들어, “결혼 예물로 해당 브랜드 카테고리가 적극적으로 고려되는 상황”을 발견했다면, 마케터는 이 CEP와 나노 인텐트(intent_signals), 구매 결정 요인(compiled_constraints)을 상품 마스터에 반영해야 합니다. 그리고 AI 에이전트가 이를 호출할 수 있도록 근거를 갖추고, 소비자 언어로 설명 가능하게 만들어야 합니다.
AI 에이전트 시대의 커머스에서 상품 마스터는 소비자 인사이트를 세일즈로 변환하는 중간 계층의 핵심입니다. CEP 리서치의 언어와 에이전트의 언어를 연결하는 번역 레이어입니다. 이 레이어가 견고할수록 커머스는 ‘검색해서 보여주는 단계’를 넘어 ‘이해하고 제안하는 단계’로 이동합니다.
정리하면, 프로모션 중심의 상품 마스터 운영은 AI 환경에서는 작동하지 않습니다. 상품 마스터는 Agent-Readable과 Consumer-Readable의 양면 구조로 설계되어야 하며, 동시에 상품 축과 CEP 축이라는 두 개의 관점에서 관리되어야 합니다. AI 에이전트 시대의 구매 의사결정은 상품이 아니라 상황(CEP)에서 출발합니다.
이 구조를 갖추지 못하면 AI 에이전트 환경에서 브랜드는 추천 우선순위에서 밀릴 가능성이 높습니다. 반대로 이 구조를 갖추면 AI 에이전트는 단순 노출 엔진이 아니라 브랜드의 가치를 이해하고 설득하는 주체로 작동하게 될 것입니다.
