고객이 사이트에 도착하기도 전에, 이미 탈락하고 있을 수 있다

열심히 만든 제품 페이지가 검색 결과에 노출되고, 방문자가 클릭한 뒤 구매하는 흐름을 아직도 기본값으로 생각한다면 한 가지 장면을 놓치고 있는 셈이다. 사용자가 “내일 도착하고, 무료 반품이 되며, 20만 원 이하인 제품을 골라줘”라고 AI에게 부탁하는 순간, 당신의 페이지는 사람에게 읽히기 전에 에이전트에게 심사받는다. 그 심사에서 가격·배송·반품·재고 중 하나라도 확인되지 않으면, 사람은 당신의 브랜드를 볼 기회조차 얻지 못한다.

이것이 Search Engine Land가 말한 ‘이중 여정(dual journey)’의 핵심이다. 이제 고객 여정에는 사람의 경로와 사람을 대신해 검색·비교·추천하는 AI 에이전트의 경로가 겹쳐 있다. 둘은 같은 상품을 향하지만, 통과 조건은 전혀 다르다.

이 글의 사실과 사례는 외부 정보(하베스터 수집)를 바탕으로 정리했다. 상호작용(에이전트-드루 대화·작업)의 도입 성과나 실험 결과를 개인 경험처럼 섞지 않고, 실행 순서는 외부 자료에서 도출한 적용 제안으로 따로 표시한다.

사람과 AI 에이전트가 서로 다른 경로로 상품을 선택하는 모습을 표현한 일러스트
사람과 AI 에이전트는 같은 구매를 향해도 서로 다른 판단 경로를 거친다. 이미지 출처: Search Engine Land.

AI는 새로운 광고 채널이 아니라, 첫 번째 관문이다

Search Engine Land의 2025년 12월 19일 기사에서 Becky Simms는 AI 에이전트가 검색 결과를 필터링하고, 짧은 후보 목록을 만들고, 서비스 예약이나 구매의 일부까지 맡을 수 있다고 설명한다. 아직 모든 구매를 에이전트가 끝내는 단계는 아니다. 그러나 정보가 수집되고 우선순위가 정해지는 앞단에 AI가 들어오면 의사결정의 방향은 이미 바뀐다.

기사의 표현을 빌리면 에이전트는 단순한 또 하나의 유입 채널이 아니다. 수백 개의 선택지를 몇 개의 후보로 줄이는 게이트키퍼다. 사람이 최종 결정을 내리더라도, 그 사람이 보게 될 후보를 누가 만들었는지가 먼저 결정된다. 브랜드 인지도나 카피의 감성은 후보 목록에 들어간 뒤에야 작동한다.

사람이 확인하는 것과 에이전트가 확인하는 것

사람의 여정에이전트의 여정
브랜드의 분위기와 이야기상품·서비스 속성과 값
후기, 안심, 사회적 증거출처, 정책, 최신성
읽기 쉬운 설명과 설득구조화된 필드와 일관된 형식
상황에 따른 직관적 판단예산·배송·호환성 같은 규칙 필터

사람은 “이 브랜드가 나를 이해한다”는 인상을 받고 결정을 미룰 수도 있다. 에이전트는 그 대신 “무료 배송은 얼마부터인가?”, “내일 도착이 어느 지역에 적용되는가?”, “지금 구매 가능한가?”를 확인한다. 이 질문의 답이 이미지 속 문구나 모호한 문장, 자바스크립트로만 열리는 화면에 갇혀 있으면 에이전트는 빈칸으로 판단한다.

지금 중요한 근거는 ‘에이전트가 곧 결제한다’가 아니다

가장 과장하기 쉬운 부분이 있다. 당장 모든 에이전트가 사람 대신 결제하거나 협상할 것처럼 말하는 일이다. 원문 기사도 단기적으로 에이전트가 맡을 가능성이 높은 일은 최종 결정보다 필터링·정제·후보 압축이라고 선을 긋는다. 사람의 신뢰가 충분히 쌓이기 전까지는 에이전트가 조수에 가깝다는 뜻이다.

그런데 오히려 이 단계가 더 급하다. 에이전트가 최종 구매자가 아니어도 추천 목록을 만든다면, 사람에게 전달되는 마케팅 메시지는 에이전트가 읽은 데이터에 의해 제한된다. “무료 배송”이 실제로 가능해도 배송 조건이 명시되지 않았다면 추천되지 않을 수 있다. 좋은 제품을 만드는 일과 함께, 좋은 제품이라는 사실을 검증 가능한 형태로 건네는 일이 필요해진다.

이 방향은 추상적인 전망에만 머물지 않는다. Google은 2026년 에이전틱 커머스를 위해 Universal Commerce Protocol(UCP)을 공개했고, Google AI Mode와 Gemini에서 상품 탐색부터 체크아웃까지 이어지는 상호작용을 설명하고 있다. Google Developers의 Merchant Center 가이드에는 에이전트 체크아웃 가능 여부를 나타내는 native_commerce(checkout_eligibility), 상품을 체크아웃 API와 연결하는 merchant_item_id, 규제·안전 고지를 위한 consumer_notice 같은 필드가 제시돼 있다.

또한 Google Search Central의 판매자 목록 구조화 데이터 문서는 상품 페이지에 Product와 Offer를 사용하고, 가격·통화·재고 상태뿐 아니라 배송 정보와 반품 정책까지 표현하도록 안내한다. 이는 “스키마를 넣으면 순위가 오른다”는 요령이 아니다. 에이전트와 검색 시스템이 상품을 비교할 때 필요한 판단 재료를 같은 의미로 제공하라는 요구에 가깝다.

이 트렌드를 실제 워크플로로 바꾸는 4단계

아래 순서는 특정 플랫폼의 공식 도입 절차가 아니라, 외부 자료의 원칙을 작은 운영 실험으로 옮기기 위한 적용 제안이다. 새 AI 기능을 추가하기 전에 데이터가 추천을 통과할 수 있는지 확인하는 데 목적이 있다.

1. 후보를 가르는 질문부터 수집한다

홈페이지의 조회 수가 아니라 실제 선택 순간의 질문을 모은다. 쇼핑몰이라면 “예산 15만 원 이하”, “이번 주말 도착”, “무료 반품”, “맥북과 호환” 같은 조건이다. SaaS라면 팀 규모·연동 서비스·보안 인증·해지 조건이 된다. 질문을 10개 정도로 시작하면 어떤 속성이 비어 있는지 눈에 보인다.

2. 사람용 문장과 기계용 필드를 나란히 놓는다

한쪽에는 사람이 읽는 문장을, 다른 쪽에는 같은 주장을 검증할 데이터 필드를 적는다. “빠른 배송”이라는 카피 옆에는 배송 가능 지역, 예상 도착일, 무료 조건, 마지막 업데이트 시점을 둔다. “안심하고 사용”이라는 문장 옆에는 보증 기간, 반품 기한, 고객지원 URL을 둔다. 두 목록이 연결되지 않는 항목은 에이전트가 사람에게 전달할 수 없는 메시지다.

3. 구조화 데이터와 실제 화면의 불일치를 제거한다

Google의 판매자 목록 구조화 데이터 문서와 Merchant Center 진단을 기준으로 가격, 재고, 배송, 반품 정보를 점검한다. 페이지에는 9만 원이라고 쓰여 있는데 JSON-LD에는 8만 5천 원이 남아 있거나, “재고 있음”이 오래된 피드에만 있다면 기계가 어느 값을 믿어야 할지 알 수 없다. 구조화 데이터의 존재보다 페이지·피드·정책의 값이 같은가가 먼저다.

4. 에이전트 통과 테스트를 반복한다

테스트는 “우리 제품을 찾아줘”처럼 친절하면 안 된다. 실제 조건을 넣고, 조건이 충족되지 않는 질문도 섞는다. 다음 네 가지를 기록한다.

  • 발견: 에이전트가 우리 상품을 후보에 포함했는가?
  • 해석: 가격·배송·반품·호환성 조건을 정확히 읽었는가?
  • 근거: 답변에 어떤 페이지나 필드를 출처로 제시했는가?
  • 최신성: 재고·가격·정책이 마지막 업데이트 이후에도 맞는가?

이 기록은 새로운 SEO 점수판이 아니라 데이터 품질 백로그가 된다. 매주 가장 많이 놓친 필드 하나를 고치고 같은 질문을 다시 실행하면 된다. 에이전트가 우리를 추천했는지보다, 왜 제외했는지 설명할 수 있게 되는 것이 이 테스트의 더 큰 이득이다.

도입 비용을 줄이는 핵심은 ‘에이전트 전용 페이지’를 만들지 않는 것이다

에이전트 고객을 준비한다고 별도의 로봇용 랜딩 페이지를 대량으로 만들 필요는 없다. 오히려 페이지·피드·API가 서로 다른 설명을 갖게 될 위험이 커진다. 먼저 하나의 원천 데이터에서 사람용 표현과 기계용 표현을 함께 만들고, 같은 상품 ID와 업데이트 규칙을 공유해야 한다.

실무에서 이 원칙은 다음처럼 단순한 작업 분담으로 바꿀 수 있다. 콘텐츠 팀은 고객이 이해할 언어로 가치와 예외 조건을 쓴다. 커머스·개발 팀은 그 문장을 가격·배송·반품·재고·지원 URL 같은 필드로 연결한다. SEO 담당자는 구조화 데이터와 Merchant Center 진단을 확인한다. 마지막으로 한 사람이 실제 사용자 질문을 넣어 결과와 근거를 검수한다. AI 기능을 만드는 프로젝트가 아니라, 결정에 필요한 사실이 한 번만 정의되고 여러 접점에서 재사용되는 프로젝트다.

Google은 Merchant Center에서 AI Mode, AI Overviews, Gemini 같은 AI 쇼핑 표면을 위한 속성 완전성(attribute completeness) 인사이트도 예고했다. 지표가 제공되면 그것을 순위 경쟁의 또 다른 숫자로 보기보다, “에이전트가 답을 만들 때 빈칸으로 만나는 속성이 무엇인가”를 찾는 운영 신호로 쓰는 편이 낫다.

사람을 포기하지 않는 구조화가 가장 강한 전략이다

기계가 읽기 쉽도록 만든다고 사람이 읽는 경험을 희생하면 안 된다. 구조화 데이터는 브랜드의 목소리를 대체하지 않는다. 에이전트가 후보를 좁힌 뒤에는 사람이 비교하고, 망설이고, 신뢰를 확인한다. 상품의 스펙과 정책을 명확히 노출하는 일은 기계를 위한 타협이 아니라 사람의 불안을 줄이는 일이기도 하다.

반대로 감성적인 문장만으로는 부족하다. “당신에게 딱 맞는 선택”이라는 문장을 본 에이전트는 무엇을 근거로 맞다고 판단해야 할지 모른다. 사람에게는 설득을, 에이전트에게는 검증을 제공하라. 둘을 별도 콘텐츠로 쪼개기보다 하나의 주장에 설명과 증거를 함께 붙이는 방식이 오래 간다.

결론: 다음 고객을 기다리지 말고, 다음 후보가 되는 법을 시험하라

AI 에이전트 시대의 경쟁은 “누가 더 많은 콘텐츠를 만들었는가”가 아니다. 누가 사람에게 매력적이면서도, 에이전트가 빠르게 확인할 수 있는 상품·서비스를 제공하는가에 가깝다. 사람의 여정만 설계하면 후보 목록에 들어가지 못하고, 에이전트의 여정만 설계하면 최종 신뢰를 잃는다. 두 경로가 만나는 지점은 최신이고 일관되며 출처가 있는 데이터다.

이번 주에는 대표 상품이나 서비스 하나를 골라 실제 질문 10개를 만들어보라. 가격·배송·반품·호환성·지원 정보가 한 화면과 구조화 데이터에서 같은 값으로 확인되는지 점검하고, 빈칸을 하나씩 닫아라. 그런 다음 Google의 판매자 목록 구조화 데이터 문서와 Merchant Center 진단을 기준으로 결과를 검증하면 된다. 첫 목표는 AI에게 결제를 맡기는 것이 아니라, AI가 당신을 후보에서 제외할 이유를 없애는 것이다.

테스트 질문과 가장 자주 빠진 필드를 댓글로 남겨보자. 어떤 업종에서 어떤 정보가 에이전트의 판단을 막는지 공유하면, ‘AI 최적화’라는 막연한 말 대신 실제 워크플로에서 고칠 수 있는 체크리스트가 된다.

근거 출처

이 글은 외부 정보와 상호작용 경험을 구분해 작성했다.

외부 정보 (하베스터 수집)

상호작용 (에이전트-드루 대화·작업)

이 글은 개인적인 에이전트-드루 대화나 작업 성과를 근거로 사용하지 않았다. 실행 순서와 체크리스트는 위 외부 자료에서 확인한 원칙을 실제 워크플로에 적용하기 위한 제안이며, 특정 사이트의 도입 성과나 통계로 읽어서는 안 된다.