키워드 검색은 끝나고 있다: AI 에이전트를 위한 상품 카탈로그 준비

메타데이터

• title: 키워드 검색은 끝나고 있다: AI 에이전트를 위한 상품 카탈로그 준비
• title_original: Keyword Search Is Dying. Is Your Catalog Ready for AI Agents? — PayPal
• URL: https://www.youtube.com/watch?v=YXb2Wx1r_Pk
• video_id: YXb2Wx1r_Pk
• 채널: aiDotEngineer
• 발표자: Nixon Dinh, PayPal Agent Commerce Products Director
• 원본 발행일: 2026-10-04
• 처리일: 2026-10-05
• 카테고리: ai-llm
• 행사: AI Engineer World’s Fair 2026, San Francisco
• 길이: 약 16분 5초

📌 핵심 질문 / 이 발표가 다루는 핵심 논점

==상품 카탈로그가 키워드 SEO용 데이터에서 AI 에이전트가 읽고 추론할 수 있는 구조화된 상품 지식으로 바뀌어야 한다.== 소비자는 검색어를 입력하는 데서 자신의 의도를 설명하는 단계로, 다시 구매 판단과 실행을 에이전트에게 위임하는 단계로 이동하고 있다.

• 키워드 검색은 입력한 단어를 정확하고 빠르게 찾지만, 표현이 달라진 의도와 맥락을 놓친다.
• 의미 검색은 질문의 의도와 맥락을 찾아내지만, 상품 데이터에 불필요한 텍스트를 과도하게 넣으면 초점이 흐려지고 환각이 늘어난다.
• PayPal의 실험에서는 상품 데이터 보강이 추천 품질을 일관되게 높였고, 특히 데이터가 빈약한 소규모 카탈로그가 가장 큰 개선을 얻었다.
• 최적의 전략은 키워드 검색과 의미 검색을 결합하는 하이브리드 방식이며, 더 많은 텍스트가 아니라 더 좋은 구조와 신뢰 신호가 필요하다.

검색 시대에는 구매자가 카탈로그의 디렉터리와 SEO를 직접 헤매야 했지만, 의도 시대에는 에이전트가 구매자의 자연어 요구를 상품 데이터와 연결한다. 위임 시대에는 추천뿐 아니라 구매 작업 자체가 에이전트에게 넘어가므로, 판매자는 에이전트가 읽기 쉬운 카탈로그와 안전하고 신뢰할 수 있는 거래 기반을 함께 준비해야 한다.

1. 커머스의 진화와 소비자 행동의 세 시대

새로운 기술이 소비자 행동을 바꾸면 커머스의 접점과 상품 발견 방식도 함께 바뀐다.

1.1. 오프라인에서 AI 에이전트로

1. 오프라인 매장에서 선형적 이커머스로

   1. 전통적인 오프라인 매장에서는 소비자가 물리적 공간을 방문해 상품을 발견하고 구매했다.
   2. 초기 이커머스는 사용자가 사이트에서 상품을 검색하고 곧바로 구매하는 비교적 선형적인 흐름을 만들었다.

2. Web 2.0이 만든 다중 채널

   1. 이메일과 SMS가 추가되면서 판매자와 고객의 접점이 사이트 밖으로 넓어졌다.
   2. 소셜 커머스가 더해지며 상품 발견과 구매가 여러 채널에 분산됐다.

3. AI의 위치

   1. AI 에이전트는 단순히 새로운 판매 채널 하나를 추가하는 데 그치지 않고, 고객이 상품을 찾는 방식 자체를 바꾼다.
   2. 변화는 위협이 될 수 있지만 새로운 사업 기회이기도 하며, 판매자는 고객 행동의 변화를 따라가며 에이전트 시대에 투자해야 한다.

1.2. 검색 시대에서 의도 시대로

1. 검색 시대(Age of Search)

   1. 지난 10년간 대부분의 기업은 키워드, 디렉터리 탐색, SEO 전략을 중심으로 최적화했다.
   2. “school supplies”처럼 짧은 키워드를 입력하면 구매자가 직접 적절한 상품을 찾아야 했고, 발견의 부담이 전적으로 구매자에게 있었다.

2. 의도 시대(Age of Intention)

   1. 구매자는 “9월에 딸이 5학년을 시작해서 학교에 필요한 물건을 전부 사고 싶다”처럼 자신의 상황과 요구를 자연어로 표현한다.
   2. AI가 구매자의 표현을 해석하므로 브랜드가 구매자에게 찾아가는 상호작용이 시작된다.
   3. 기업은 상품명에 특정 키워드를 넣는 것만으로 충분하지 않고, 에이전트가 대변하는 요구 속에서 자신을 발견하게 만들어야 한다.

1.3. 의도에서 위임으로

1. 추천에 대한 신뢰 형성

   1. 사용자는 에이전트가 제시한 추천을 반복적으로 경험하며 점차 신뢰를 쌓는다.
   2. 신뢰가 생기면 에이전트가 제안하는 상품을 확인하는 단계를 넘어 더 많은 구매 행동을 맡기게 된다.

2. 위임 시대(Age of Delegation)

   1. PayPal이 지향하는 방향은 소비자가 쇼핑과 거래 업무를 에이전트에게 점점 더 위임하는 환경이다.
   2. 상품 발견뿐 아니라 안전하고 신뢰할 수 있는 결제와 실행까지 연결해야 위임형 커머스가 완성된다.

2. 에이전트 커머스가 지금 중요한 이유

에이전트에 의한 구매는 먼 미래의 가설이 아니라 이미 소비자 행동과 사업자 트래픽에 나타나는 구조적 변화다.

2.1. 시장 규모와 확산 속도

1. 거래 비중의 변화

   1. Bain & Company 연구는 2030년 전체 커머스의 15%가 에이전트를 통해 이뤄질 것으로 전망한다.
   2. 향후 10년 안에 인터넷상의 에이전트 수가 사람 수를 넘어설 수 있다는 예측도 제시된다.

2. 예상 거래 규모

   1. 미국 소매 판매 가운데 약 1.1조 달러가 에이전트를 통해 이뤄질 것으로 전망된다.
   2. 전 세계 에이전트 커머스 규모는 3조~5조 달러에 이를 수 있다.
   3. 향후 몇 년 안에 20억 명이 구매를 위해 AI를 사용할 것으로 예상된다.

2.2. 판매자에게 이미 나타난 신호

1. AI 유입과 소비자 사용

   1. PayPal이 고객과 파트너에게 확인한 사례에서는 AI 엔진에서 유입되는 추천 트래픽이 693% 이상 증가했다.
   2. 미국 쇼핑객의 39%가 이미 쇼핑에 AI를 사용하고 있다는 소비자 조사 결과가 나왔다.

2. 전환과 구매 맥락

   1. 사용자가 에이전트와 처음 상호작용한 뒤 결제 단계로 이어지는 전환율은 일반 흐름보다 4배 높게 나타났다.
   2. 에이전트가 더 상세한 상품 정보를 활용해 구매자의 요구와 제품 속성을 연결하기 때문에 높은 전환이 가능하다.

2.3. 세 시대에 따른 판매자 과제

1. 검색 시대의 과제: “summer dress” 같은 키워드에 맞춰 SEO 콘텐츠를 최적화한다.
2. 의도 시대의 과제: 에이전트가 구매자의 요구를 대변하는 장소에서 상품을 발견할 수 있도록 만든다.
3. 위임 시대의 과제: 에이전트가 가져온 수요를 안전하고 신뢰성 있게 거래로 전환한다.

3. 기존 카탈로그가 에이전트에 준비되지 않은 이유

광고 플랫폼에 상품을 배포하는 데 쓰던 카탈로그 사양은 사람이 검색하는 환경을 전제로 만들어졌으며, 에이전트가 상품을 이해하고 비교하는 데 필요한 정보 구조를 보장하지 않는다.

3.1. 광고용 상품 데이터의 한계

1. 사람 중심의 디렉터리

   1. 많은 판매자는 Google, Meta/Facebook 등 광고 플랫폼에 카탈로그를 연동해 상품을 노출한다.
   2. 이런 사양은 사람이 검색하도록 설계됐기 때문에 에이전트가 상품을 발견하고 읽기에는 최적화되지 않았다.

2. 에이전트가 필요한 맥락의 부재

   1. 단순한 상품명과 제한된 속성만으로는 “마라톤 훈련에 편안한 신발” 같은 복합적인 요구를 판별하기 어렵다.
   2. 상품 간 차이, 사용 상황, 신뢰 신호를 구조적으로 표현하지 않으면 에이전트가 충분한 근거 없이 추천을 구성할 수 있다.

3.2. 모델과 검색 결과의 불확실성

1. 블랙박스 모델

   1. 에이전트는 하나의 모델만 사용하지 않고 서로 다른 모델 조합과 변형을 사용한다.
   2. 모델마다 순위와 추천 알고리즘이 달라 판매자가 어느 하나의 모델에만 맞춰 최적화하기 어렵다.

2. 비결정적 벡터 검색

   1. 벡터 데이터베이스 검색은 같은 의도라도 항상 같은 결과를 보장하지 않는다.
   2. 과거 SEO처럼 명확한 규칙과 고정된 최적화 공식이 없으므로, 판매자는 가설을 세우고 반복적으로 실험해야 한다.

3.3. 카탈로그 진단에서 시작하기

1. 현재 카탈로그가 제한적인지, 이미 기술적이고 상세한지 먼저 평가한다.
2. 상품의 속성, 설명, 구매 맥락, 신뢰 신호 중 어느 부분이 비어 있는지 파악한다.
3. 출발점이 다른데도 모든 사업자에게 같은 데이터 보강 공식을 적용하면 안 된다.

4. 키워드 검색과 의미 검색의 결합

두 검색 방식은 경쟁 관계가 아니라 서로 다른 강점을 보완하며, 실제 에이전트 커머스에는 하이브리드 검색이 적합하다.

4.1. 키워드 검색의 강점과 한계

1. 정확성·속도·예측 가능성

   1. 키워드 검색은 사용자가 입력한 용어와 상품 데이터의 문자 그대로의 일치를 찾는다.
   2. “blue running shoes”를 입력하면 해당 단어가 들어간 결과를 보여주며, 결과가 빠르고 정확하고 예측 가능하다.

2. 표현 차이에 따른 누락

   1. “jogging shoes”라고 검색했을 때 상품에 “running shoes”만 적혀 있으면 단어가 일치하지 않아 결과가 없을 수 있다.
   2. 문자 일치만으로는 구매자의 실제 의도와 동의어, 상황 맥락을 보존하지 못한다.

4.2. 의미 검색의 강점과 위험

1. 의미와 의도의 벡터화

   1. 의미 검색은 질문을 의미적 무게와 의도를 나타내는 벡터로 변환한다.
   2. “마라톤 훈련에 편안한 제품을 찾는다”는 표현에서 “running shoes”라는 단어가 없어도 러닝화를 찾아낼 수 있다.

2. 과도한 보강의 부작용

   1. 상품 설명에 너무 많은 텍스트를 넣으면 의미 검색의 초점이 흐려지고 엉뚱한 결과가 늘어난다.
   2. 검색에 유용하지 않은 문구가 신호를 희석하면 에이전트가 근거가 약한 연결을 만들고 환각하는 비율이 높아진다.

4.3. 하이브리드 검색의 원칙

1. 키워드 검색은 문자 그대로의 정확한 속성, 브랜드, 모델, 색상과 같은 식별에 강하다.
2. 의미 검색은 사용 상황, 목적, 선호, 문제 해결 의도 같은 맥락을 확장하는 데 강하다.
3. PayPal은 두 방식을 결합해 정확성을 유지하면서도 자연어 의도를 포착하는 하이브리드 방향으로 나아간다.

5. 상품 데이터 보강 실험

데이터 보강의 효과는 분명하지만, 보강량보다 출발 카탈로그와 콘텐츠 품질에 맞는 구조가 중요하다.

5.1. 실험에서 검토한 보강 축

1. 속성 채우기(attribute filling): 색상, 소재, 사이즈 적합성처럼 검색과 비교에 직접 쓰이는 필드를 보완한다.
2. 설명 깊이(description depth): 짧은 상품명을 사용 맥락과 성능을 이해할 수 있는 설명으로 확장한다.
3. 구매 맥락(purchase context): 상품이 어떤 활동과 상황에 적합한지 표현한다.
4. 신뢰 신호(trust signals): 리뷰 등 실제 구매자 경험에서 유용한 근거를 끌어온다.
5. 상품 식별(product identification): 상품을 다른 제품과 구분하는 핵심 특징을 명확하게 만든다.

5.2. 러닝화 카탈로그 예시

1. 보강 전 상태

   1. 상품은 “남성 스니커즈 모델 8543, 파란색”으로 등록돼 있다.
   2. 설명은 “여러 사이즈로 제공되는 파란 러닝화” 정도이며, 속성은 blue 하나에 가깝다.
   3. 키워드 검색은 blue, running, sneakers를 찾을 수 있지만 의미 검색에 제공되는 맥락은 거의 없다.

2. 보강 후 상태

   1. 상품명은 “남성용 경량 러닝화”로 구체화된다.
   2. 설명에는 쿠셔닝과 통기성이 추가되고, 소재는 메쉬로 명시된다.
   3. 사이즈는 정사이즈(true to size)라는 정보로 보완된다.
   4. 리뷰에서 추출한 구매자 경험을 추가해 훈련(training), 그립(grip) 같은 사용 맥락의 단서가 생긴다.

3. 검색 효과

   1. 키워드 일치 범위가 running, training, grip으로 넓어진다.
   2. 의미 검색은 단순한 색상과 제품 유형을 넘어 쿠셔닝, 통기성, 훈련 용도, 미끄럼 방지와 연결할 수 있다.

5.3. 품질 중심의 구조화

1. 카탈로그마다 현재 상태와 부족한 정보가 다르므로 보강 방식에 정답 하나가 없다.
2. “우리 매장에 오신 것을 환영합니다, 우리는 가족 기업입니다”처럼 상품 이해와 구매 판단에 직접 기여하지 않는 상투적 문구는 신호를 강화하지 않는다.
3. 구조화되지 않은 내용을 무작정 덧붙이면 유용한 상품 신호와 잡음이 섞여 검색 초점이 흐려진다.

6. 실험 결과와 실행 원칙

상품 데이터 보강은 추천을 개선했지만, 무조건적인 텍스트 증가는 품질을 낮출 수 있으므로 진단-보강-검증의 반복이 필요하다.

6.1. 보강의 효과

1. 보강하지 않은 기준선 모델은 직접 비교에서 유의미하게 낮은 성능을 보였다.
2. 상품 카탈로그가 작고 상품 데이터가 약한 판매자가 가장 큰 개선을 얻었다.
3. 출발 데이터에 빈틈이 클수록 정확한 속성, 맥락, 리뷰 기반 신뢰 신호를 채울 여지가 컸다.

6.2. 과보강과 환각

1. 보강된 데이터는 추천을 일관되게 개선했지만, 모든 보강 수준에서 효과가 계속 커지지는 않았다.
2. 데이터를 지나치게 많이 넣은 경우 에이전트의 환각이 증가하고 전체 효과가 떨어졌다.
3. 성과를 결정한 것은 특정 스키마의 존재 자체가 아니라 콘텐츠의 품질과 구조였다.

6.3. 판매자를 위한 적용 순서

1. 현재 카탈로그의 속성, 설명, 구매 상황, 리뷰, 식별 정보의 빈틈을 평가한다.
2. 카탈로그의 출발 상태에 맞춰 가장 큰 정보 공백부터 보강한다.
3. 키워드 정확성이 필요한 필드와 의미 검색에 필요한 맥락을 분리해 구조화한다.
4. 하이브리드 검색에서 추천 품질, 환각, 전환을 측정하며 보강량을 조정한다.
5. 브랜드 인지도보다 품질 높은 콘텐츠와 신뢰 신호가 에이전트의 선택을 얻도록 관리한다.

주요 발언 모음

“AI는 커머스 진화의 다음 단계이며, 고객이 상품을 검색하고 찾는 방식을 바꾸고 있다.”

“검색 시대에는 상품을 찾는 부담이 전적으로 구매자에게 있었지만, 의도 시대에는 브랜드가 구매자에게 찾아간다.”

“2030년에는 전체 커머스의 15%가 에이전트를 통해 이뤄질 수 있다.”

“키워드 검색은 매우 정확하고 쿼리를 문자 그대로 받아들이며, 의미 검색은 더 똑똑하지만 덜 정밀하다.”

“정답은 둘 중 하나를 고르는 것이 아니라 두 방식을 결합하는 것이다.”

“보강은 효과가 있지만 더 많은 텍스트가 항상 더 좋은 결과를 만드는 것은 아니다.”

“인공지능은 브랜드가 아니라 품질 높은 콘텐츠에 보상한다.”

핵심 데이터 & 수치

• 2030년 에이전트 거래 비중: Bain & Company는 전체 커머스의 15%를 전망한다.
• 에이전트 수: 향후 10년 안에 인터넷상의 에이전트 수가 사람 수를 넘어설 수 있다.
• 미국 소매 기회: 에이전트를 통한 미국 소매 판매가 약 1.1조 달러에 이를 것으로 전망된다.
• 글로벌 기회: 전 세계 에이전트 거래 규모는 3조~5조 달러로 예상된다.
• AI 구매 사용자: 향후 몇 년 안에 20억 명이 구매에 AI를 사용할 것으로 예상된다.
• AI 추천 유입: 고객·파트너 사례에서 AI 엔진 유입 추천 트래픽이 693% 이상 증가했다.
• 미국 쇼핑객 AI 사용률: 39%가 이미 쇼핑에 AI를 사용한다.
• 전환 효과: 에이전트와 처음 상호작용한 사용자의 결제 전환이 4배 높게 나타났다.
• 실험 결과: 데이터가 빈약한 소규모 카탈로그에서 개선 폭이 가장 컸고, 과도한 보강에서는 환각과 성능 저하가 나타났다.

결론 및 시사점

1. 상품 카탈로그는 광고 피드가 아니라 에이전트가 읽고 추론하는 상품 지식 기반으로 재설계해야 한다.
2. 소비자는 키워드 입력에서 자연어 의도 표현으로, 다시 추천과 구매 실행의 위임으로 이동하고 있다.
3. 키워드 검색만으로는 표현이 다른 의도를 놓치고, 의미 검색만으로는 과보강에 따른 잡음과 환각을 막기 어렵다.
4. 정확한 식별 필드와 풍부한 구매 맥락을 결합한 하이브리드 검색이 현실적인 방향이다.
5. 카탈로그 진단을 먼저 수행하고, 속성·설명·구매 맥락·리뷰·상품 식별을 필요한 만큼만 보강해야 한다.
6. 상투적인 매장 홍보 문구를 늘리는 대신 상품의 실제 사용 상황과 검증 가능한 신뢰 신호를 구조화해야 한다.
7. 에이전트 시대의 경쟁력은 브랜드 이름이나 텍스트 양이 아니라 콘텐츠 품질, 구조, 신뢰성에서 나온다.

핵심 요약 20줄

커머스는 오프라인 매장에서 선형적 이커머스와 다중 채널을 거쳐 에이전트 시대로 이동한다. AI 에이전트는 새로운 판매 채널을 추가하는 동시에 상품을 찾는 방식 자체를 바꾼다. 검색 시대에는 키워드와 SEO가 상품 발견을 지배했다. 검색 시대의 발견 부담은 구매자가 직접 떠안았다. 의도 시대에는 구매자가 자신의 상황과 요구를 자연어로 표현한다. AI는 구매자의 표현을 해석해 브랜드와 상품을 요구에 맞춰 연결한다. 위임 시대에는 소비자가 추천을 넘어 쇼핑과 거래 실행까지 에이전트에게 맡긴다. 2030년 전체 커머스의 15%가 에이전트를 통해 이뤄질 수 있다. 미국 에이전트 소매 거래 기회는 약 1조 1천억 달러로 전망된다. 전 세계 에이전트 거래 규모는 3조~5조 달러로 예상된다. 미국 쇼핑객의 39%는 이미 쇼핑에 AI를 사용한다. 에이전트와 상호작용한 구매자의 결제 전환은 일반 흐름보다 4배 높게 나타났다. 광고 플랫폼용 카탈로그는 사람이 읽도록 설계돼 에이전트에 충분한 맥락을 주지 못한다. 모델별 순위 알고리즘과 비결정적 벡터 검색 때문에 단일 SEO 공식은 작동하지 않는다. 키워드 검색은 빠르고 정확하지만 표현이 다른 의도와 맥락을 놓친다. 의미 검색은 자연어 의도를 확장하지만 과도한 데이터에서 초점과 정확성을 잃는다. 하이브리드 검색은 키워드의 정확성과 의미 검색의 맥락 확장을 함께 활용한다. 상품 속성, 설명 깊이, 구매 맥락, 리뷰 신뢰 신호, 식별 정보를 보강할 수 있다. 데이터가 빈약한 소규모 카탈로그가 보강에서 가장 큰 개선을 얻었다. 더 많은 텍스트보다 품질 높은 구조와 신뢰 신호가 에이전트 추천을 좌우한다.