광고
AI/기술 트렌드

AI가 고르는 상품의 조건

프로필
2026.11.19 17:40
93
0
1
  • 한눈에 보는 핵심요약
  • 생성형 AI가 패션 상품 탐색과 구매의 새로운 접점으로 떠오르고 있습니다. 패션 이커머스가 GEO를 통해 AI 답변에 브랜드를 노출하고 인용 성과를 측정·개선하는 방법을 살펴봅니다.

 

📌 마케터를 위한 핵심 요약

  • 상품정보 보강은 상세 이미지·상품 사진·구매 후기에 갇힌 정보를 꺼내, 검색과 AI가 고객의 조건형 질문에 답할 수 있는 구조화 데이터로 만드는 작업입니다.

  • AI 검색과 쇼핑 에이전트는 상품을 텍스트 데이터로 이해하기 때문에, 상품명·가격 중심의 목록용 데이터만 가진 상품은 추천과 인용에서 밀려납니다.

  • 플래티어의 genser DataFoundry는 상품군 설계부터 추출·구조화·검수·갱신까지 맡아, 이미 가진 상품정보를 근거 있는 AI-ready 상품 데이터로 바꿉니다.


“출근할 때 입을 수 있는 롱 코트 추천해줘.”

“쿨톤에 어울리고 건조하지 않은 립 틴트 추천해 주세요.”

“견과류가 들어가지 않은 그래놀라가 있을까?”

요즘 고객들은 상품명이 아닌 조건과 용도로 상품을 찾고 있습니다. 검색창 그리고 AI 챗봇에도 이렇게 묻고 있습니다.

그런데 대부분 쇼핑몰의 상품 데이터는 상품명·카테고리·가격·옵션·고시 정보 정도입니다. 상품을 진열하고 주문받기에는 충분하지만, 고객의 질문에 답하기에는 부족한 목록용 데이터입니다.

하지만 정작 답이 될 정보는 이미 쇼핑몰 안에 있습니다. 상세 이미지 속 판매자 문구, 상품 사진에 보이는 디자인, 구매 후기에 쌓인 사이즈 체감과 사용감입니다. 문제는 이 정보가 이미지와 흩어진 글 속에 갇혀 있어서, 검색과 AI가 읽지 못한다는 점입니다.

 

답에 필요한 정보, 즉 상품정보 보강이 지금 이커머스에 필요한 이유입니다.


왜 지금 보강이 필요한가: AI는 글로 적힌 상품을 찾고 있습니다

상품을 찾는 길이 바뀌고 있습니다. 고객은 키워드를 넣고 목록을 뒤지는 대신, ChatGPT·Gemini 같은 생성형 AI나 쇼핑몰 안 AI 에이전트에게 원하는 조건을 말하고 추천을 받습니다.

여기서 중요한 사실이 하나 있습니다. 검색과 AI 에이전트는 상품을 텍스트 데이터로 이해합니다. 상세 이미지에 아무리 잘 적혀 있어도, 구조화된 데이터로 꺼내지 않은 정보는 없는 것과 같습니다.

그 결과는 세 곳에서 나타납니다.

검색 결과 비교 이미지 ‘니트 위에 입어도 여유 있는 코트’ 검색 시 상품정보 보강 전에는 결과가 없지만, 보강 후에는 후기·상세 이미지·상품 사진을 근거로 조건에 맞는 코트 3개가 표시되는 예시


  • 외부 AI 검색: 생성형 AI가 답변을 만들 때, 근거로 삼을 정보가 부족한 상품은 추천과 인용 대상에서 빠집니다. 그 자리는 정보가 더 충실한 경쟁 상품이 차지합니다.

  • 사이트 검색·추천: "니트 위에 입어도 여유 있는 코트"를 검색하면 결과가 없거나 엉뚱한 상품이 나옵니다. 딱 맞는 상품이 있는데도 고객과 연결되지 못합니다.

다시 말해, 이제 상품정보는 사람만 보는 상세페이지가 아니라 AI가 읽고 판단하는 데이터여야 합니다. 상품 피드 최적화(PFO, Product Feed Optimization)나 ‘AI-ready 데이터’라는 말이 자주 들리는 것도 같은 흐름입니다. 어떤 채널에서든 고객의 질문에 답할 수 있는 상품이 선택받습니다.


 

하지만 막상 하려고 하면 쉽지 않습니다


필요한 건 알지만, 상품정보 보강을 실제로 해보면 생각보다 훨씬 복잡한 작업입니다. 현장에서 자주 부딪히는 벽은 이렇습니다.

  1. 무엇을 채워야 할지부터 막막합니다. 코트에는 기장·핏·두께감이, 립 틴트에는 발색·톤이, 식품에는 원재료·알레르기 성분이 중요합니다. 상품군마다 고객이 묻는 것이 다르니, 보강할 항목도 따로 설계해야 합니다.

  2. 정보가 이미지 속에 있습니다. 길게 이어진 상세 이미지를 한 장씩 읽고, 사진을 보며 디자인을 하나씩 입력하는 건 상품이 수만 개면 사람의 힘으로 끝낼 수 없는 일입니다.

  3. AI에 그냥 맡기면 없는 정보를 만듭니다. 원천에 없는 보온 수치를 지어내거나, 튜브 캡에만 해당하는 재생 플라스틱 문구를 제품 전체로 넓혀 쓰기도 합니다. 대량으로 처리할수록 작은 오류가 여러 채널로 퍼집니다.

  4. 사실과 해석이 섞입니다. 판매자가 쓴 문구, 사진에서 보이는 외형, '차분한 무드' 같은 해석은 근거의 성격이 다릅니다. 한데 섞이면 AI가 해석을 사실처럼 답하게 됩니다.

  5. 한 번으로 끝나지 않습니다. 신규 상품은 매일 들어오고, 이미지는 교체되고, 후기는 계속 쌓입니다. 보강한 데이터를 최신 상태로 유지하는 것이 진짜 일입니다.

결국 상품정보 보강은 한 번의 프로젝트가 아니라, 설계·추출·검수·갱신이 계속 돌아가야 하는 운영 체계입니다.


genser DataFoundry: 이미 가진 상품정보를 AI가 활용하는 상품 데이터로

 

genser DataFoundry(데이터 파운드리)는 고객사가 이미 가진 상품 데이터·이미지·후기를 원천으로 상품정보를 보강하는 서비스입니다. 새로 촬영하거나 다시 작성할 필요 없이, 숨어 있던 정보를 검색과 AI가 쓸 수 있는 구조화 데이터로 만듭니다.


보강 전과 후, 무엇이 달라질까요?

울 블렌드 코트 한 벌을 예로 들어 보겠습니다. (설명을 위한 가상 상품입니다)


구분

보강 전 (목록용 데이터)

보강 후 (판단에 쓰는 상품정보)

기본 정보

상품명·카테고리·가격·색상·사이즈·소재 혼용률

그대로 유지 (이미 있는 값은 다시 만들지 않음)

상세 이미지 문구에서 없음 부드러운 울 블렌드·적당한 두께감, 히든 버튼, 착용 시기 가을~초겨울
상품 사진에서 없음

롱 기장·스탠드 칼라·사선 웰트 포켓

후기 종합에서 없음 사이즈 체감(정사이즈 7·조금 큼 4·조금 작음 1), 니트 위에도 여유 있다는 후기 4건
원천에 없는 정보 — 보온 수치·발수 여부는 '확인 불가'로 기록


이제 이 코트는 "니트 위에 입어도 여유 있는 롱 코트", "단추가 보이지 않는 깔끔한 코트" 같은 질문에 근거를 갖고 답할 수 있습니다.


어렵던 작업을 다섯 단계로 풀어냅니다

상품정보 보강 5단계 이미지 genser DataFoundry의 상품정보 보강 과정: 상품군별 항목 설계 → 누락 정보 추출 → 사실과 해석을 구분한 구조화 → 여러 AI 모델의 원문 대조 검수 → 신규·변경 상품 갱신

  1. 설계: 상품마다 따로 뽑지 않고, 같은 질문을 받는 상품군별로 고객의 사용 상황·선택 기준·구매 기준을 정리합니다. 여기서 보강할 속성과 원천 데이터를 정리한 설계표를 만들고, 상품군 전체에 같은 기준을 적용합니다.

  2. 추출: 대표·추가 이미지에서 외형을 그리고 상세 이미지에서 판매자 문구·사양표를 정리하고, 구매 후기에서 조건별 구매 경험을 찾습니다. 기존 상품 데이터를 먼저 대조하여 새로 찾은 정보만 더합니다.

  3. 구조화: 판매자 문구·보이는 외형·해석·확인 불가를 나눠 저장해 사실과 해석이 섞이지 않게 합니다. 상품 공통 정보와 색상·사이즈 같은 옵션별 정보도 나눕니다.

  4. 검수: 여러 AI 모델이 교차 검토하고 재검토해, 원문과 다르거나 넓혀 쓴 정보를 공급 전에 걸러냅니다. 원천에 없는 정보는 만들지 않고 근거가 부족한 항목은 보류합니다.

  5. 갱신: 신규 상품, 이미지 교체, 후기 추가가 있는 상품만 주기적으로 다시 처리해 최신 상태를 유지합니다.


한 번 정비한 데이터를 쓰는 곳에 맞게

보강한 데이터는 상품·옵션별 구조화 데이터로 제공되어 자사 상품 DB와 사이트 검색에 바로 쓸 수 있습니다. 필요에 따라 외부 쇼핑 피드, 상품페이지 요약·Q&A, 외부 AI 에이전트 채널로 넓힐 수 있습니다. 데이터는 한 번 만들어 두면 여러 채널에서 계속 쓰는 상품 데이터 자산이 됩니다.


 

작은 표본으로 먼저 확인하세요

처음부터 전체 상품을 맡길 필요는 없습니다. 대상 상품군의 일부 상품을 먼저 처리해, 설계한 항목이 얼마나 채워지는지, 확인 불가 항목은 무엇인지 함께 봅니다. 결과를 확인한 뒤 시범 상품군, 전체 상품군 순서로 넓혀 갑니다.


우리 상품정보의 빈칸, 지금 확인해 보세요

고객의 질문은 이미 바뀌었습니다. 이제 상품정보가 그 질문에 답할 차례입니다.

genser DataFoundry 소개서에는 상품군 설계 방법, 패션·뷰티·후기 보강 예시, 검수 기준, 제공 형식과 도입 절차가 담겨 있습니다. 대상 상품군과 데이터 현황을 알려주시면, 보강할 항목과 시작 범위를 함께 정합니다.


genser DataFoundry 소개서


 

이커머스 담당자를 위한 에이전틱 커머스 인사이트

에이전틱 커머스부터 AI 트렌드까지 실무에 바로 활용할 수 있는 인사이트를 확인해보세요.

 

젠서 블로그 보러가기 →

#AI #GEO #에이전틱커머스 #AI검색 #이커머스
이 글에 대한 의견을 남겨주세요!
서로의 생각을 공유할수록 인사이트가 커집니다.
광고

    추천 콘텐츠

    관련 콘텐츠가 없습니다.

    마케팅으로 생각하다

    전체 보기 →