AI로 구현하는 에이전틱 사이트와 초개인화 웹페이지

URL: https://www.youtube.com/watch?v=PXHUHNX7nbI 날짜: 2026-09-01 채널: Tech Bridge

---

📌 핵심 질문 / 이 영상이 다루는 핵심 논점

==사용자의 탐색 행동과 의도를 실시간으로 읽고, 기존 브랜드 콘텐츠에 근거한 블록을 조합해 ‘단 한 명의 고객(Audience of One)’을 위한 웹페이지를 만들 수 있는가?==

• 에이전틱 사이트(Agentic Site)는 사용자가 무엇을 하고 무엇을 이루려는지 추론해 현재 사용자에게 맞는 페이지를 실시간으로 조립한다.
• 사이트 전체를 생성하지 않고 히어로(Hero), 상품, 블로그, 내비게이션, CTA 같은 일부 블록만 바꿔 브랜드 가이드라인과 콘텐츠 통제를 지킨다.
• 기존 사이트 전체를 코퍼스(Corpus)로 삼은 검색 증강 생성(RAG)으로 생성 결과를 원래 사이트의 사실과 문체에 근거시킨다.
• Cerebras에서 Gemma 4를 실행하면 예시 사이트의 페이지 생성 평균 지연 시간이 1.1초이며, 다른 조합의 4.6초와 큰 차이를 보인다.
• 개인화는 검색 결과를 바꾸는 데 그치지 않고, 방문 신호에 따른 페르소나·블록 순서·추천·미디어·음성 기반 화면으로 확장될 수 있다.

Carlos Sanchez는 Adobe Experience Manager(AEM)의 수석 연구원(Principal Scientist)으로서 대형 브랜드의 웹사이트와 디지털 자산을 운영하는 Adobe Experience Manager 콘텐츠 관리 제품을 연구한다. 오픈소스 배경으로 여러 재단과 프로젝트에 기여해 온 그는 에이전틱 사이트가 단순한 아이디어가 아니라 지금 구현 가능한 웹 경험이라고 주장한다.

1. 에이전틱 사이트의 정의와 해결하려는 문제

에이전틱 사이트의 핵심은 모든 방문자에게 같은 페이지를 보여주는 방식에서 벗어나, 방문자의 의도에 맞게 페이지 일부를 즉석에서 조합하는 것이다.

1.1. 사용자의 의도를 읽는 웹사이트

1. 개인화의 입력값

   1. 현재 행동: 사용자가 어떤 페이지를 보고 있는지, 무엇을 클릭하고 있는지, 어떤 흐름으로 사이트를 탐색하는지를 신호로 수집한다.
   2. 목표 추론: 사용자가 정보를 찾는지, 구매하려는지, 특정 문제를 해결하려는지, 무엇을 달성하려는지를 추론한다.
   3. 검색 의도: 사이트 검색에 입력한 자연어 질의도 사용자의 의도를 파악하는 중요한 입력값이 된다.

2. 실시간 개인화의 목적

   1. 현재 방문자에게 맞도록 페이지의 내용을 실시간으로 조정한다.
   2. 마케팅 팀이 원하는 참여도(Engagement)나 전환(Conversion)을 높인다.
   3. 마케팅 팀이 제품 판매, 정보 제공, 리드 확보 등 어떤 목표를 정했는지에 따라 개인화 전략을 달리한다.

1.2. ‘한 가지 크기’에서 ‘한 사람을 위한 경험’으로

1. 기존 방식의 한계

   1. 동일한 사이트를 모든 사용자에게 제공하는 ‘One Size Fits All’ 방식은 방문자의 서로 다른 의도와 맥락을 충분히 반영하지 못한다.
   2. 전통적인 개인화는 미리 만든 몇 가지 변형 중 하나를 선택하는 수준에 머물기 쉬워, 가능한 사용자 유형과 콘텐츠 조합이 늘어날수록 운영 부담이 커진다.

2. 에이전틱 사이트가 만드는 변화

   1. 방문자마다 페이지의 카피, 상품, 안내, CTA를 다르게 조합해 ‘Audience of One’, 즉 한 사람만을 위한 잠재고객 집단을 만든다.
   2. 수천 개의 사이트 변형을 사람이 미리 작성하는 대신 AI가 의도에 따라 필요한 조합을 자동으로 만든다.
   3. Carlos Sanchez는 마케팅 담당자들이 각 개인을 위한 개인화를 오래 꿈꿔 왔으며, 이제 그 방향으로 나아갈 수 있다고 말한다.

2. 브랜드를 지키는 블록 단위 생성과 RAG

2.1. 사이트 전체를 생성하지 않는 이유

1. 브랜드 통제

   1. 마케팅 담당자는 매우 엄격한 브랜드 가이드라인을 갖고 있으므로, LLM이 사이트 전체를 자유롭게 다시 쓰도록 둘 수 없다.
   2. 전체 페이지를 무제한 생성하면 브랜드에 맞지 않는 표현이나 사실과 다른 환각(Hallucination)이 섞일 위험이 있다.
   3. 따라서 개인화 대상은 사이트의 특정 섹션과 블록으로 제한한다.

2. 개인화할 수 있는 블록

   1. 히어로 카드(Hero Card)의 제목과 설명을 사용자 의도에 맞게 조정한다.
   2. 상품 목록과 추천 상품을 사용자의 관심사에 맞게 바꾼다.
   3. 블로그 피드와 가이드·경험 콘텐츠를 현재 사용자가 찾는 주제에 맞게 선택한다.
   4. 내비게이션, 버튼, 행동 유도(Call to Action, CTA)도 개인화할 수 있다.
   5. 필요하면 블록의 순서와 미디어까지 바꿀 수 있다.

2.2. 기존 사이트를 생성의 근거로 삼기

1. 사이트 전체를 코퍼스로 사용

   1. 제품 사이트, 가이드(Guides), 경험(Experiences), 블로그 등 기존 사이트에 있는 자료를 하나의 코퍼스로 취급한다.
   2. 이 자료를 검색 증강 생성(Retrieval-Augmented Generation, RAG)의 근거로 삼아 LLM이 원래 사이트의 콘텐츠에서 답을 찾게 한다.
   3. 생성되는 문장과 블록 배치는 빈 화면에서 지어내는 것이 아니라 이미 존재하는 사이트에 근거한다.

2. 안전성과 유연성의 균형

   1. 전체 사이트의 사실·상품 정보·브랜드 문체를 보존하면서도, 사용자의 요청에 맞는 일부 페이지 경험을 새로 조합한다.
   2. 상품 비교나 상품 상세 페이지도 사용자의 목적에 맞춰 조정할 수 있지만, 원래 콘텐츠와 데이터에 기반해야 한다.
   3. 브랜드가 허용한 블록과 콘텐츠만 조합하도록 설계하면 생성형 AI의 유연성과 기업용 콘텐츠 통제를 함께 확보할 수 있다.

3. 에이전틱 사이트가 제공하는 개인화 시나리오

3.1. 페르소나와 질의를 즉시 반영하기

1. 즉시 페르소나 적응

   1. 방문자의 탐색 신호를 바탕으로 현재 사용자를 탐색자, 조사자, 구매 준비자와 같은 의도 유형으로 분류한다.
   2. 분류된 페르소나에 맞춰 히어로·상품·블로그·내비게이션 블록의 내용과 순서를 조정한다.

2. 질의 기반 페이지 생성

   1. 사용자가 사이트 검색창에 자연어로 질문하면 단순한 링크 목록이 아니라 해당 질의에 맞춰 구성된 결과 페이지를 만든다.
   2. 결과 페이지의 카피, 설명, 추천 상품, 관련 팁을 질의의 구체적인 맥락에 맞게 바꾼다.
   3. 사용자가 “캠핑하면서 커피를 만들 커피 머신을 찾고 있다”라고 입력하면 야외 사용에 맞는 상품과 커피 팁을 포함한 페이지를 만들 수 있다.

3.2. 탐색 중에 준비하는 추천과 개인화 루프

1. For You 페이지의 사전 생성

   1. 사용자가 사이트를 탐색하는 동안 방문 페이지, 체류 시간, 클릭 같은 신호를 계속 모은다.
   2. 충분한 신호가 쌓이면 ‘For You’ 추천 페이지를 미리 생성하거나 다음 방문을 위해 프리페치(Pre-fetch)할 수 있다.
   3. 사용자가 구매할 가능성이 있다고 판단되면 “당신에게는 이 세 가지 상품을 추천한다”와 같은 맞춤 추천을 보여줄 수 있다.
   4. 사용자가 추천 페이지로 이동하기 전에 미리 생성해 두면 매 순간 가장 짧은 LLM 지연 시간을 요구하지 않아도 된다.

2. 비용과 최신성의 트레이드오프

   1. 사용자가 사이트를 이동할 때마다 새로운 신호를 반영해야 하므로 추천 결과를 계속 업데이트해야 한다.
   2. 여러 페이지를 미리 생성하면 응답 속도는 좋아지지만, 생성 횟수와 LLM 호출 횟수가 늘어나 비용이 커진다.
   3. 즉시 생성과 사전 생성을 적절히 섞어 속도·정확도·비용을 사용 사례에 맞게 조정해야 한다.

3. 마케팅 전략과 분석의 순환

   1. 마케터는 어떤 사용자 그룹을 만들고 어떤 경험을 제공할지 자연어로 전략을 정의할 수 있다.
   2. 분석(Analytics)은 개인화 결과가 참여나 전환이라는 목표를 달성했는지 측정한다.
   3. 측정값은 다시 개인화 엔진으로 돌아가 다음 블록 선택과 메시지 조정에 반영된다.
   4. 이 구조는 목표 설정 → 개인화 → 사용자 반응 측정 → 전략 조정으로 이어지는 반복 루프다.
   5. Carlos Sanchez는 행사에서 모두가 루프(Loop)를 이야기하고 있다며 이 개인화 순환도 그중 하나라고 농담했고, 관객 쪽에서 웃음 섞인 반응이 나왔다.

4. 동적 프론트엔드와 모델 선택 아키텍처

4.1. 엣지에서 조립되는 동적 프론트엔드

1. AEM Delivery 기반 구성

   1. 스택은 Adobe Experience Manager(AEM) Delivery를 중심으로 구성된다.
   2. 사이트의 콘텐츠는 엣지(Edge)에 배치되고, 동적 프론트엔드는 미리 정의된 블록으로 페이지를 구성한다.
   3. AI가 사용자의 신호와 의도를 바탕으로 블록의 내용·순서·추천을 선택하고, 엣지에서 제공되는 경험을 실시간으로 갱신한다.

2. 브라우저와 백엔드의 역할 분리

   1. 브라우저는 방문 페이지, 체류 시간, 검색 질의와 같은 사용자 신호를 수집한다.
   2. 백엔드는 LLM을 호출하고, 사이트에서 구축한 RAG를 이용해 어떤 내용을 생성하고 어떤 블록을 배치할지 추론한다.
   3. AEM은 엣지에서 페이지와 정적 콘텐츠를 제공해 기존 웹 전달 경로를 유지한다.

4.2. 여러 LLM 제공자와 지속적인 평가

1. 제공자 선택

   1. 백엔드는 여러 LLM 제공자와 연결할 수 있다.
   2. 시연에는 빠른 추론(Inference)을 제공하는 Cerebras를 사용한다.
   3. Amazon Bedrock도 시도했으며, 그 밖의 여러 제공자와 모델도 비교할 수 있다.

2. 사이트별 평가가 필요한 이유

   1. 좋은 모델의 기준은 사이트의 콘텐츠 규모, 대상 영역, 상거래 유형과 요구사항에 따라 달라진다.
   2. 동일한 프롬프트라도 사이트가 달라지면 정확도와 페이지 구성 품질이 달라질 수 있다.
   3. 따라서 한 번의 벤치마크로 모델을 고정하지 않고 다양한 사이트와 프롬프트를 대상으로 평가를 반복한다.

3. Promptfoo를 이용한 자동 테스트

   1. Carlos Sanchez는 Promptfoo를 아는 사람이 있는지 물었고, 일부 관객만 손을 들자 “Okay, some people”이라고 반응했다.
   2. Promptfoo는 여러 모델과 제공자에 대해 프롬프트를 평가할 수 있다.
   3. 로컬 모델과 OpenAI 호환(OpenAI-compatible) 제공자를 포함해 폭넓은 조합을 시험할 수 있다.
   4. 예시 사이트에서는 15개의 프롬프트를 준비해 모델별 결과를 비교한다.

4. 정확도와 속도의 동시 최적화

   1. 모델 평가에서 정확도만큼 속도도 중요하게 본다.
   2. 사이트 생성이 1~2초보다 오래 걸리지 않도록 하는 것이 목표다.
   3. 웹페이지가 빠를수록 전환이 늘어나고 사용자 경험이 좋아진다는 기존 관찰을 반영한다.
   4. 어떤 모델은 완벽하지 않아도 충분히 좋은 결과를 내면서 빠르다면 실사용 후보가 될 수 있다.

4.3. Cerebras와 Gemma 4의 속도 비교

1. 평균 지연 시간 비교

   1. 예시 사이트의 15개 프롬프트를 평가했을 때 Cerebras에서 실행한 Google Gemma 4의 평균 페이지 생성 지연 시간은 1.1초였다.
   2. 비교 대상으로 표시된 다른 조합은 4.6초가 걸렸으며, Carlos Sanchez는 두 수치의 차이가 크다고 강조했다.
   3. 다음 모델들은 대체로 4초 이상이었고, 제공자와 모델마다 속도가 달랐다.

2. 거대한 프론티어 모델이 필요하지 않은 이유

   1. 이 작업은 긴 추론 보고서를 작성하는 것이 아니라 페이지용 텍스트를 만들고 블록의 위치와 순서를 결정하는 일이다.
   2. 사이트 코퍼스와 RAG가 필요한 정보를 제공하므로, 이 목적에 반드시 거대한 LLM이 필요한 것은 아니다.
   3. 페이지 조립에서는 최고 정확도의 모델보다 요구 수준의 품질을 충족하면서 목표 지연 시간을 지키는 모델이 더 실용적일 수 있다.

5. 실제 ‘Audience of One’ 데모

5.1. 커피 머신 사이트와 사용자 신호

1. 예시 사이트 탐색

   1. 데모 사이트는 커피 머신을 판매하는 예시 사이트이며, 전체 사이트가 생성형 AI로 만들어진 형태다.
   2. Carlos Sanchez는 먼저 스토리를 읽고 상품을 살펴본 뒤 특정 상품을 클릭하며 일반적인 방문 흐름을 재현한다.

2. 디버깅 도구의 신호 표시

   1. 디버깅 도구에는 브라우징이 사이트에 남긴 신호가 표시된다.
   2. 해당 사용자는 ‘Exploring’ 카테고리로 버킷(Bucket)화된다.
   3. 방문한 페이지 목록과 각 페이지에 머문 시간이 기록된다.
   4. 수집된 데이터는 LLM이 현재 사용자의 의도와 관심사를 추론하는 입력으로 사용할 수 있다.

3. For You 페이지의 차이

   1. 탐색 신호에 기반해 사용자를 위한 페이지가 이미 생성된다.
   2. 일반 페이지와 비교해 차이가 아주 크지 않아 평범한 방문자는 쉽게 알아차리지 못하지만, 블록과 추천 내용은 해당 사용자의 탐색에 맞춰 달라진다.
   3. 이처럼 개인화가 눈에 띄는 전면 개편이 아니라 자연스러운 블록 조정으로도 작동할 수 있다.

5.2. 캠핑 의도에 맞춘 검색 페이지

1. 자연어 요청

   1. 검색창에 “캠핑하면서 커피를 준비할 커피 머신을 찾고 있다(I’m looking for a coffee machine to prepare coffee while camping)”라고 입력한다.
   2. 사이트는 기존 검색 결과를 반환하는 대신 해당 요청을 위해 새 페이지를 즉시 구성한다.

2. 카피·팁·상품의 동시 개인화

   1. 생성된 카피에는 “캠핑이 일상적인 루틴을 포기하는 것을 의미해서는 안 된다(Camping shouldn’t mean compromising on your routine)”라는 취지의 문장이 들어간다.
   2. 일반적인 커피 머신 설명이 아니라 캠핑에 맞는 커피 팁을 함께 제공한다.
   3. 추천 상품은 Cubiaggio와 NANO로 바뀌며, 두 제품은 캠핑 여행에 적합한 선택으로 제시된다.
   4. 질의 한 문장이 히어로 카피, 콘텐츠 조합, 상품 추천의 근거가 되어 ‘검색어에 맞춘 한 페이지’를 만든다.

5.3. 생성 시간과 추론 성능 확인

1. 첫 번째 실행

   1. 디버그 모드에서 캠핑용 페이지를 생성하는 데 걸린 전체 시간이 화면에 약 1.64초로 보였으며, 자동 자막은 이를 “164 seconds”로 전사했다.
   2. 전체 시간에는 LLM까지 왕복하는 네트워크 요청이 포함된다.
   3. 사용한 조합은 Cerebras의 Gemma 4다.

2. 토큰 처리량

   1. Cerebras의 빠른 칩에서 Gemma 모델은 초당 2,300토큰을 처리했다.
   2. Carlos Sanchez는 이 수치에 대해 “나쁘지 않다(I would say)”라고 말했고, 관객에게 웃음 섞인 반응이 있었다.
   3. 다시 실행했을 때 LLM 처리 시간은 1초였고, 처리량은 초당 2,200토큰이었다.
   4. 그는 이런 속도가 과거에는 꿈꾸기만 하던 수준이었다고 평가한다.

6. 모델 실험 도구와 어떤 사이트든 변환하는 흐름

6.1. 모델·온도·토큰을 직접 조정하기

1. 고객 시연용 옵션

   1. 고객에게 시스템을 보여주기 위해 모델을 바꾸는 기능을 마련했다.
   2. temperature와 토큰 수 같은 설정값도 조정할 수 있다.
   3. 같은 사이트와 요청을 여러 모델로 실행해 모델별 행동과 결과를 직접 비교한다.

2. 자동 평가와 수동 검토의 결합

   1. Promptfoo를 통한 자동 테스트로 여러 프롬프트·모델 조합의 품질과 속도를 반복 측정한다.
   2. 자동 평가만으로 끝내지 않고, 사람이 특정 결과를 골라 실제로 어떻게 동작하는지 수동으로 확인한다.
   3. 고객 시연 상황에서는 정량 지표와 실제 페이지 품질을 함께 살피는 방식이 필요하다.

6.2. URL 하나로 만드는 에이전틱 사이트

1. 자동 생성 도구

   1. 팀은 원하는 사이트의 URL을 입력하면 해당 사이트를 위한 에이전틱 사이트를 생성하는 도구를 만들었다.
   2. 고객 데모가 필요하면 URL을 입력하고 1시간 이내에 에이전틱 사이트를 준비할 수 있다.
   3. Carlos Sanchez는 전주에 AI Engineering 사이트를 입력해 직접 이 과정을 수행했다고 말한다.

2. AI Engineering 사이트 사례

   1. 처음 생성된 결과는 검색창과 몇 가지 기본 요소를 가진 간단한 사이트였다.
   2. 검색창에 “유럽 AI 컨퍼런스(Europe AI conferences)”를 입력하면 추천 질의 자체도 AI가 생성한다.
   3. 그 요청을 처리한 페이지는 유럽 컨퍼런스에 더 초점을 맞춘 내용으로 재구성된다.

3. 즉석 비교 페이지

   1. 사용자는 다른 검색 질의를 같은 방식으로 입력할 수 있다.
   2. 두 컨퍼런스 중 하나를 선택하려는 의도가 감지되면, 사이트는 두 행사를 나란히 놓은 비교 페이지를 즉석에서 생성한다.
   3. 사용자는 별도의 비교표를 미리 찾아다니지 않고, 현재 결정에 필요한 정보를 한 화면에서 비교할 수 있다.

7. 웹의 미래와 음성 기반 초개인화

7.1. 웹이 미래에도 중심인가라는 질문

1. 불확실한 방향

   1. 생성형 사이트가 가능해졌다고 해서 전통적인 웹이 앞으로도 그대로 미래의 중심일지는 아직 확실하지 않다.
   2. Carlos Sanchez는 웹의 미래가 어떻게 될지 “아무도 모른다(Nobody knows)”고 인정한다.
   3. 다만 웹이 어떤 형태로 남더라도 사용자별로 생성되는 경험을 연결할 수 있다는 가능성은 남는다.

2. 개인 비서와의 결합

   1. 사용자가 개인 비서에게 구매 의도를 말하면, 개인 비서가 Google을 통해 질의를 전달할 수 있다.
   2. 사용자는 컴퓨터나 휴대전화의 검색 결과 대신 자신의 질의에 맞춰 구성된 페이지를 Google TV에서 받을 수 있다.
   3. 거실에서 사용자는 음성만으로 요청하고, 화면에는 자신에게 맞는 상품과 설명이 표시된다.
   4. 이 경험에는 전화기나 컴퓨터가 필요하지 않고, 음성과 결과를 보여줄 장치만 있으면 된다.

7.2. 현재 가능한 것과 앞으로의 확장

1. 기술의 방향

   1. 에이전틱 사이트는 현재 구현 가능한 단계에 도달했다.
   2. 앞으로 비용은 더 낮아지고 속도는 더 빨라져 사이트와 다른 디지털 경험의 개인화 선택지가 크게 늘어날 것이다.
   3. 여러 모델을 함께 사용하면 특정 모델 하나에 의존하지 않고도 생성 품질과 속도를 조정할 수 있다.

2. 실행 질문

   1. “사용자가 무엇을 하려는가?”를 먼저 정의해야 한다.
   2. “사용자가 무엇을 구매하려는가?”처럼 사업 목표와 연결된 의도 질문을 설계해야 한다.
   3. 그 답을 바탕으로 사용자에게 필요한 블록과 순서를 조합한다.
   4. 모델 품질·응답 속도·사전 생성 비용·브랜드 안전성을 함께 평가해야 한다.

주요 발언 모음

“우리는 이것을 ‘Audience of One’이라고 부른다. 각 개인을 위해 개인화할 수 있는 능력은 마케팅 담당자들이 늘 꿈꿔 온 것이기 때문이다.”

“사이트 전체를 생성하고 싶지는 않다. 마케팅 담당자들에게는 매우 엄격한 브랜드 가이드라인이 있고, 환각을 만들어 내고 싶지 않다.”

“무엇이 내 사용자가 하려는 일인가? 내 사용자는 무엇을 사고 싶어 하는가?”

“이 일을 하기 위해 거대한 LLM이 필요한 것은 아니다. 텍스트를 만들고, 블록을 어디에 놓을지와 웹사이트를 어떻게 구성할지를 결정하기 때문이다.”

“이제 이것은 가능하다. 앞으로 더 좋아지고, 더 저렴해지고, 더 빨라질 뿐이다.”

“사용자 의도에 따라 페이지를 조립해 그 사람만을 위한 페이지를 만들 수 있다.”

핵심 데이터 & 수치

• 15개 프롬프트: 예시 사이트의 모델·제공자 평가에 사용한 테스트 프롬프트 수다.
• 1.1초: Cerebras에서 Gemma 4로 페이지를 생성한 평균 지연 시간이다.
• 4.6초: 비교 대상으로 제시된 다른 모델·제공자 조합의 페이지 생성 시간이다.
• 1~2초: 사이트 생성이 넘지 않도록 목표로 삼는 응답 시간이다.
• 약 1.64초: 캠핑용 맞춤 페이지를 디버그 모드에서 생성한 전체 시간으로 화면에 표시된 값이다. 자동 자막은 소수점을 잃고 “164 seconds”로 전사했다.
• 초당 2,300토큰: 첫 번째 실행에서 Cerebras의 Gemma 4가 보인 처리량이다.
• 1초 / 초당 2,200토큰: 재실행에서 표시된 LLM 처리 시간과 처리량이다.
• 1시간 이내: URL을 입력해 어떤 사이트든 에이전틱 사이트로 변환하는 데모 도구의 준비 시간이다.
• 사이트 신호: 방문 페이지, 페이지별 체류 시간, 검색 질의, 사용자 의도 카테고리를 LLM의 개인화 입력으로 사용한다.

결론 및 시사점

1. 웹 개인화의 다음 단계는 미리 만든 세그먼트 중 하나를 고르는 것이 아니라, 사용자의 현재 의도에 맞춰 검증된 블록을 조합하는 것이다.
2. 사이트 전체를 생성하지 않고 제한된 블록과 기존 코퍼스를 사용하면 브랜드 안전성·콘텐츠 정확도·생성 유연성을 동시에 관리할 수 있다.
3. AEM Delivery와 엣지 전달, 백엔드 LLM 추론, 벡터 데이터베이스, RAG를 결합하면 기존 웹 인프라 위에 에이전틱 경험을 얹을 수 있다.
4. 1.1초와 4.6초의 차이는 모델 선택이 개인화 UX와 전환에 직접적인 영향을 준다는 점을 보여준다.
5. 페이지 조립과 블록 배치가 중심인 작업에는 거대한 모델보다 빠르고 충분히 정확한 모델이 더 적합할 수 있다.
6. 방문 중 사전 생성과 즉시 생성의 조합은 속도와 비용 사이의 현실적인 운영 해법이 된다.
7. Promptfoo 같은 자동 평가와 사람의 수동 검토를 함께 사용해야 사이트별 품질·속도·브랜드 적합성을 확인할 수 있다.
8. 궁극적인 목표는 검색창에 답을 돌려주는 사이트가 아니라, 방문자의 의도와 맥락을 읽고 한 사람을 위한 화면을 조립하는 사이트다.

핵심 요약 (20줄)

에이전틱 사이트는 사용자의 탐색 행동과 질의를 읽어 현재 의도에 맞는 웹페이지를 실시간으로 조립한다.

페이지 개인화의 목표는 모든 방문자에게 같은 경험을 주는 방식에서 벗어나 참여도와 전환을 높이는 것이다.

사이트 전체를 생성하지 않고 히어로·상품·블로그·내비게이션·CTA 같은 블록만 바꿔 브랜드 통제를 유지한다.

기존 제품 사이트·가이드·경험·블로그 전체를 코퍼스로 삼아 RAG 기반 생성의 근거로 사용한다.

원래 콘텐츠에 근거한 생성은 자유로운 재작성보다 브랜드 가이드라인 준수와 환각 방지에 유리하다.

방문 페이지·체류 시간·클릭·검색어는 사용자의 현재 의도를 추론하는 핵심 신호가 된다.

신호는 사용자를 탐색·조사·구매 준비 같은 페르소나 또는 의도 유형으로 묶는 데 쓰인다.

마케터는 자연어로 그룹과 목표를 정의하고 AI는 해당 그룹에 맞는 블록과 제안을 선택한다.

분석 결과는 다시 개인화 전략으로 돌아가 목표·생성·측정·조정의 순환을 만든다.

For You 페이지는 탐색 중 미리 생성하거나 프리페치해 즉시 응답과 LLM 비용 사이의 균형을 맞출 수 있다.

예시 사이트는 15개 프롬프트로 모델과 제공자의 정확도와 속도를 평가한다.

Cerebras의 Gemma 4는 평균 1.1초로 페이지를 생성해 4.6초인 비교 조합보다 훨씬 빨랐다.

페이지 텍스트와 블록 배치가 중심인 작업에는 거대한 프론티어 LLM보다 빠르고 충분히 정확한 모델이 실용적이다.

캠핑용 커피 머신 질의는 캠핑 카피·커피 팁·Cubiaggio와 NANO 추천을 포함한 맞춤 페이지로 변환된다.

디버깅 도구는 사용자를 Exploring 범주로 분류하고 방문 페이지와 페이지별 체류 시간을 LLM에 전달한다.

Cerebras와 Gemma 4의 데모는 약 1.64초의 전체 생성 시간과 초당 2,300토큰 처리량을 보여준다.

모델·temperature·토큰 수를 직접 바꾸고 Promptfoo 자동 테스트와 수동 결과 검토를 병행할 수 있다.

URL 하나를 입력하면 1시간 이내에 검색과 맞춤 페이지를 갖춘 에이전틱 사이트를 만들 수 있다.

유럽 AI 컨퍼런스 질의처럼 사용자의 비교 의도를 감지하면 두 행사를 즉석에서 나란히 비교하는 페이지도 가능하다.

앞으로 더 빠르고 저렴한 여러 모델과 음성·개인 비서·Google TV가 결합하면 한 사람을 위한 웹 경험이 넓어진다.