OpenAI 쇼핑 리서치 분석: AI 쇼핑 시대 미리보기

AI 기반의 쇼핑 추천 시스템은 기술 발전에 따라 빠르게 변화하고 있습니다.

특히 Google의 A2A(Agent-to-Agent) 프로토콜과 OpenAI의 ACP(Agentic Commerce Protocol) 프로토콜은 AI 쇼핑 에이전트의 작동 방식을 이해하는 중요한 기준을 제시합니다.

Google의 A2A는 사용자의 의도(intent)를 중심으로 제품을 추천합니다. 여러 에이전트가 사용자의 의도를 바탕으로 상호작용하며, 제품 추천이 이루어집니다.

반면, OpenAI의 ACP는 기존 검색 방식과 유사하게 제품을 먼저 검색한 후 그 결과를 바탕으로 추천을 제공합니다. 이는 작년 말 출시된 Perplexity 쇼핑과 큰 차이가 없지만, OpenAI는 향후 개인화 데이터를 수집하여, 이를 통해 더욱 개인화된 추천을 제공할 것으로 예상됩니다. 즉, 기존에는 단순한 검색 결과 기반 추천이었다면, 이제는 사용자 ID를 기반으로 한 맞춤형 추천이 가능해질 것입니다.

AI 쇼핑 리서치 기능 사용 경험

OpenAI의 새롭게 출시된 AI 쇼핑 리서치 기능을 실제로 사용해본 결과, 추천 제품에 대한 Citation이 100개 이상으로, 일반 채팅에 비해 월등히 많았습니다.

그러나 기존 쇼핑 UX와 비교할 때, Deep Research처럼 검색에 시간이 소요되는 점은 호불호가 나뉠 수 있는 부분이었습니다.

그럼에도 불구하고, 고관여 제품에 대한 추천에서는 차별화된 효과를 기대할 수 있을 것으로 보입니다.

OpenAI 쇼핑 리서치 알아보기

OpenAI의 Shopping Assistant는 대화형 모델로, 대화 트리(Conversation Tree) 구조를 활용하여 각 메시지를 트리 형태로 관리합니다. 이 구조는 대화 단계별 컨텍스트를 재구성하는 데 매우 유용합니다.

실제로 OpenAI는 사용자 채팅 정보를 저장하고 이를 분석하는 메모리 엔진을 활용하고 있습니다. 이 정보에는 직업, 관심사, 과거 요청, 선호하는 스타일 등이 포함되어, 개인화된 쇼핑 추천을 할 수 있도록 합니다.

또한, 이렇게 수집된 개인화 데이터를 바탕으로 Shopping Research Assistant는 사용자의 요청을 분류(Classification)하여, 요구하는 속성을 추출하고, 이를 토대로 최적의 제품을 추천합니다. 이는 UI 상에서 퀴즈 형태로 제공되어 사용자에게 더 직관적인 경험을 선사합니다.

예를 들어, 사용자가 "30대 남성 스킨로션 추천해줘"라고 요청하면, 예산, 스타일, 기능 등을 묻는 Multi-Select 질문을 던져, 최적의 제품을 추천할 수 있도록 합니다. 또한, Safety Layer가 부적절한 요청을 자동으로 필터링하여, 시스템의 신뢰성을 높입니다.

이 후, Shopping Search tool을 통해 제품을 탐색합니다. 제품 검색 시에는 Structured Search와 Semantic Search를 결합하여 제품을 검색하고, 리뷰 분석을 통해 추천 점수를 반영합니다.

Google A2A vs OpenAI ACP: 데이터와 추천 시스템의 차이점

지금까지 살펴본 내용을 바탕으로, Google과 OpenAI 쇼핑 에이전트를 다시 비교해보겠습니다.

Google A2A는 intent 기반으로 여러 에이전트가 상호작용하여 제품을 추천하고, 결제까지 연결되는 다단계 프로세스에 초점을 맞춥니다. Google은 방대한 데이터를 보유하고 있어 이를 활용한 다양한 에이전트 간의 정보 교환이 이루어집니다.

반면, OpenAI는 상대적으로 개인화 데이터가 부족한 상황에서, 사용자 ID를 기반으로 가격과 의도를 직접 수집하고, 이를 바탕으로 개인화된 추천을 제공합니다. 이는 작년 말 먼저 AI Shopping Research 기능을 선보였던 Perplexity 사례를 참고했을 수 있습니다. 당시 Perplexity는 최초로 시도한 AI 쇼핑, 수수료 0% 등의 장점으로 큰 관심을 받았음에도, 결과적으로 AI 쇼핑에서 성과를 만들지 못했습니다.

즉, 단순 AI 쇼핑 검색 그 이상의 기능이 필요한 상황에서 OpenAI는 이를 개인화로 풀어갈 것으로 보입니다.

💡 결론: AI 쇼핑의 미래

OpenAI의 Shopping Research는 앞으로 가격과 의도 데이터를 기반으로 사용자 맞춤형 추천을 제공하는 시스템으로 빠르게 발전할 것입니다.

이처럼 개인화 요소가 강화되고 AI 쇼핑 에이전트가 독립적인 판단에 의존하게 되면, 전통적인 SEO 기반 노출 최적화 방식의 중요성은 점차 감소할 가능성이 큽니다.

또한, AI 쇼핑 에이전트가 개인화된 데이터를 직접 관리하게 되면, 기존의 SEO, AEO, GEO 시스템을 넘어서는 새로운 KPI가 등장할 것입니다. 궁극적으로, AI Shopping Connect와 같은 연결 및 최적화 레이어가 핵심 요소가 될 것이며, 콘텐츠 최적화와 데이터 연동이 중요해질 것입니다.

AI Shopping 생태계에 대한 고민: Gateway를 가지고 있는 Google, OpenAI는 어떻게 플랫폼이 될 수 있을 것인가

AI Shopping Research Tool 또는 AI Shopping Agent가 상품 추천의 중심이 되지만, 브랜드, 기업(Merchant)은 데이터를 제공하는 중요한 역할을 할 것입니다.

또한, 플랫폼의 AI 에이전트가 특정 브랜드를 우선 추천할 경우, 광고를 하지 않는 기업은 상대적으로 불이익을 겪을 수 있습니다. 따라서 LLM 기업들이 특정 기업을 위한 광고 상품을 만들 경우, AI 쇼핑 에이전트의 신뢰성과 공정성 문제가 발생할 수 있습니다.

AI 기반 쇼핑은 개인화 추천 시스템에서 구매 전환으로 이어지는 과정을 최적화하는 방향에서 브랜드와 기업의 데이터를 어떻게 수집하고, 이를 어떤 기준으로 Rank하며, Final Formatter가 무엇인지에 대한 고민이 필요합니다. 체인시프트는 앞으로 이러한 과정을 면밀히 살피며 Merchant Agent의 동반자 역할을 하고자 합니다.

AI Shopping Research, 더 나아가 AI Shopping Agent와 Merchant Agent의 협력을 통해 공정하고 신뢰할 수 있는 추천 시스템을 구축하는 것이 지속 가능한 AI 쇼핑 생태계를 만드는 열쇠입니다. 체인시프트가 그 길을 선도해 나가겠습니다.

Chainshift Daniel © 2025 ChainShift. All rights reserved. Unauthorized reproduction and redistribution prohibited.