AI 쇼핑 에이전트는 소비자의 의도, 예산, 선호, 일정, 배송 조건, 과거 구매 이력 등을 바탕으로 상품을 탐색하고 비교하며, 장바구니를 구성하고, 조건이 맞으면 구매 실행까지 이어가는 AI 기반 쇼핑 대리자다.
기존 이커머스가 사용자의 클릭, 검색, 필터링, 장바구니 담기, 결제라는 인간 주도 흐름에 맞춰져 있었다면, 에이전틱 커머스는 소비자가 “무엇을 원하는지”를 말하거나 암시하는 순간부터 AI가 구매 여정의 상당 부분을 대신 조율하는 구조다.
McKinsey는 2030년까지 미국 B2C 리테일 시장에서 최대 1조 달러, 글로벌 기준 3조~5조 달러 규모의 소비자 커머스가 AI 에이전트에 의해 매개될 수 있다고 본다.
이 변화의 핵심은 단순한 추천 고도화가 아니라, 쇼핑의 출발점이 검색창에서 소비자의 의도와 맥락으로 이동한다는 점이다. 소비자는 더 이상 수십 개 사이트를 직접 돌아다니며 가격, 리뷰, 재고, 배송 조건을 비교하지 않는다. 대신 “이번 주말까지 받을 수 있는 10만 원 이하 선물”, “우리 집에 맞는 홈오피스 세트”, “아이 알레르기 조건에 맞는 장보기 목록”처럼 결과 중심의 요청을 던지고, 에이전트가 후보를 좁히거나 구매 가능한 상태까지 만들어 준다. 이 글은 AI 쇼핑 에이전트의 등장, 자동화 단계, 프로토콜 경쟁, 커머스 운영 인프라 변화, 소비자 행동 변화와 사업 기회를 순서대로 정리한다.
AI 쇼핑 에이전트의 등장과 에이전틱 커머스
AI shopping agent의 정의와 시장 변화
AI 쇼핑 에이전트는 사용자가 특정 쇼핑몰에 들어가기 전부터 작동한다. 사용자의 예산, 취향, 배송 마감일, 브랜드 선호, 이전 구매 이력, 캘린더 일정, 가족 구성, 위치 정보 등을 종합해 구매 목표를 해석하고, 여러 판매자와 플랫폼을 가로질러 실행 가능한 선택지를 구성한다.
McKinsey가 제시한 에이전틱 커머스의 핵심은 “AI가 소비자의 의도를 이해하고, 선택지를 탐색하며, 조건을 비교하고, 필요한 경우 거래까지 수행하는 새로운 커머스 흐름”이다. 이 변화는 기존 이커머스의 연장선이라기보다, 검색·광고·상품 상세페이지·결제·CRM이 모두 재배치되는 근본적인 구조 변화에 가깝다.
시장 변화는 3가지 방향으로 나타난다.
- 첫째, 구매 여정의 시작점이 검색엔진이나 쇼핑몰 앱에서 대화형 인터페이스로 이동한다.
- 둘째, 상품 선택 기준이 사람이 읽는 마케팅 문구보다 에이전트가 해석할 수 있는 구조화 데이터, 재고, 가격, 배송, 반품 정책으로 옮겨간다.
- 셋째, 브랜드와 리테일러의 경쟁은 사람의 주의를 끄는 경쟁에서 에이전트의 선택 기준에 들어가는 경쟁으로 바뀐다.
McKinsey는 에이전틱 커머스가 세 가지 상호작용 모델로 전개될 수 있다고 설명한다.
- 첫째는 agent-to-site로, 개인 에이전트가 판매자 웹사이트나 플랫폼에 직접 접근해 상품을 탐색하고 구매를 보조하는 방식이다.
- 둘째는 agent-to-agent로, 소비자 에이전트가 리테일러나 브랜드의 에이전트와 직접 상호작용하며 가격, 재고, 번들, 배송 조건을 조율하는 방식이다.
- 셋째는 brokered agent-to-site로, 중개 에이전트나 플랫폼이 소비자 에이전트와 판매자 시스템 사이에서 상품 탐색과 거래를 조율하는 방식이다.
실제 소비자 구매 여정에서의 침투
현재 AI 쇼핑은 구매 실행보다 탐색과 비교 단계에서 먼저 확산되고 있다. McKinsey의 미국 소비자 조사에서는 응답자의 68%가 최근 3개월 내 최소 1개 이상의 AI 도구를 사용했다고 답했다. AI를 쇼핑에 활용한 소비자들은 주로 브랜드, 모델, 가격, 리뷰를 비교하는 데 AI를 사용했으며, 상품 카테고리나 기능을 학습하거나 구매 아이디어를 얻는 데도 활용했다.
가장 먼저 침투하는 영역은 전자제품, 의류·신발·주얼리, 외식·여행 같은 비교 요소가 많은 카테고리다. 전자제품은 사양, 가격, 리뷰, 호환성처럼 비교 가능한 속성이 많기 때문에 AI가 탐색 효율을 크게 높일 수 있다.
반면 식료품과 생활필수품은 고관여 탐색보다 반복 구매와 자동 보충에 적합하다. 즉, AI는 고관여 카테고리에서는 “분석가”로, 반복 구매 카테고리에서는 “실행자”로 자리 잡을 가능성이 크다.
쇼핑 자동화의 단계와 한계
쇼핑 자동화 6단계: Assist에서 Networked autonomy까지
McKinsey는 에이전틱 커머스의 자동화를 6단계 곡선으로 설명한다. 이 곡선은 기술이 어디까지 할 수 있는지를 보여주는 동시에, 소비자가 어느 수준까지 위임할지를 설명한다. 중요한 점은 자동화가 반드시 0단계에서 5단계로 직선적으로 올라가는 것이 아니라는 점이다. 카테고리, 구매 목적, 가격, 감정적 중요도, 실패 시 후회 가능성에 따라 위임 수준은 달라진다.
0단계는 programmed convenience다. 정기배송, 구독, 반복 주문처럼 미리 정한 규칙에 따라 구매가 이루어진다. 커피, 세제, 기저귀, 샴푸처럼 소진 주기가 예측 가능한 상품이 여기에 속한다. 이 단계는 아직 에이전틱이라기보다 규칙 기반 자동화에 가깝다.
1단계는 assist다. AI가 정보를 수집하고 요약하지만 실행하지는 않는다. 예를 들어 “노이즈 캔슬링 헤드폰 3개를 비교하고 배터리, 착용감, 음질 차이를 알려줘”라고 요청하면, 에이전트는 리뷰와 상품 정보를 요약해 후보를 제시한다. 이 단계에서는 검색과 비교가 대체되지만 장바구니나 결제는 사람의 몫이다.
2단계는 assemble이다. 에이전트가 단순 후보 목록을 넘어서 구매 가능한 장바구니를 구성한다. “15만 원 이하 겨울 코디를 만들어줘”, “내일 도착 가능한 비건 손님용 장보기 목록을 구성해줘” 같은 요청에 대해 에이전트가 상품 조합, 재고, 배송, 프로모션, 대체품을 고려해 바로 승인 가능한 상태로 제안한다.
3단계는 authorize다. 소비자가 명확한 조건을 설정하고, 에이전트가 그 조건 안에서 구매를 실행한다. 예를 들어 “금요일 저녁 6~8시에 도착하고 12만 원 이하이면 장을 봐줘”, “신뢰하는 판매자에서 특정 운동화가 8만 원 이하로 떨어지면 구매해줘”처럼 예산, 시간, 판매자, 카테고리 기준을 정한다. 이 단계에서는 제한된 결제 권한, 감사 가능한 구매 기록, 취소·환불 가능성이 핵심이다.
4단계는 autonomize다. 에이전트가 단건 구매가 아니라 지속 목표를 관리한다. “생활필수품 월 지출을 30만원 이하로 유지해줘”, “아이 용품이 떨어지지 않게 관리해줘”, “올해 항공사 등급을 가장 낮은 비용으로 유지해줘” 같은 목표가 여기에 해당한다. 소비자는 예외 상황이나 의미 있는 결정에만 개입한다.
5단계는 networked autonomy다. 소비자 에이전트, 판매자 에이전트, 물류 에이전트, 결제 에이전트, 로열티 에이전트가 서로 협상하고 조율하는 멀티에이전트 커머스다. 이 단계에서는 개인 에이전트가 여러 공급자와 가격, 재고, 배송, 결제 승인, 로열티 혜택을 조율하고, 신뢰와 정산은 표준 프로토콜을 통해 처리된다.
카테고리별 자동화 속도 차이
자동화는 모든 카테고리에서 같은 속도로 확산되지 않는다. 반복적이고 저위험이며 실패 비용이 낮은 카테고리는 자동화가 빠르게 진행된다. 식료품, 생활필수품, 반려동물 용품, 기본 소모품처럼 소비자가 “쇼핑 경험”보다 “제때 도착하고 예산 안에 들어오는 결과”를 더 중요하게 보는 영역에서는 에이전트 위임이 빠르게 늘어난다.
반대로 럭셔리, 고가 가전, 자동차, 가구, 패션 취향 상품처럼 정체성, 감정, 후회 위험이 큰 카테고리는 자동화가 낮은 단계에서 멈출 수 있다. 소비자는 AI에게 조사와 비교를 맡기더라도 최종 선택과 결제는 직접 하려 한다. 이 영역에서 에이전트는 실행자보다 큐레이터와 분석가 역할을 한다.
중간 영역도 있다. 여행, 전자제품, 홈오피스처럼 비교 요소가 많고 복잡한 카테고리에서는 AI가 일정, 가격, 리뷰, 호환성, 배송 조건을 정리하고 장바구니를 구성할 수 있지만, 사람의 판단이 필요한 지점에서는 선택지를 다시 제시해야 한다. 이때 중요한 것은 완벽한 자동 실행보다 설명 가능성과 되돌릴 수 있는 구조다.
쇼핑 에이전트 프로토콜: 누가 어떤 표준을 만들고 있는가
AI 쇼핑 에이전트 프로토콜의 경쟁은 단순히 “결제를 어디서 처리할 것인가”의 문제가 아니다. 소비자 의도를 누가 처음 받는지, 상품 데이터를 어떤 형식으로 읽게 할지, 장바구니와 체크아웃을 어떻게 연결할지, 결제 승인과 판매자 책임을 어떻게 분리할지가 핵심이다. 현재 축은 크게 OpenAI·Stripe의 ACP, Google·Shopify 중심의 UCP/AP2, Shopify의 Catalog MCP·Checkout MCP 실행 계층으로 나뉜다.
| 구분 | 주도 진영 | 핵심 역할 | 커머스 여정에서의 위치 | 전략적 의미 |
| ACP | OpenAI + Stripe | AI 대화면에서 발견과 결제를 연결하는 agent checkout 표준 | ChatGPT 안의 상품 발견 → Instant Checkout → 판매자 주문 처리 | OpenAI가 소비자 의도 접점을 잡고, Stripe가 결제·토큰화·위험관리 레이어를 제공하는 구조다 |
| UCP | Google + Shopify 등 파트너 | 에이전트, 소비자 표면, 판매자 백엔드, 결제 제공자 사이의 공통 커머스 언어 | AI Mode, Gemini 등 소비자 표면 → 상품 발견 → 장바구니 → 체크아웃 → 주문 관리 | Google 검색·Gemini 접점과 리테일러 백엔드를 표준 방식으로 연결하려는 시도다 |
| AP2 | 에이전트 결제의 의도·승인·결제 증명을 연결하는 결제 신뢰 계층 | 사용자의 구매 의도와 결제 승인 범위를 검증 | AI가 사용자를 대신해 결제할 때 “승인된 거래”임을 증명하는 장치다 | |
| Catalog MCP | Shopify | AI 에이전트가 Shopify 상품을 검색하고 상세 정보를 조회하게 하는 상품 발견 계층 | 상품 검색·가격·옵션·재고 확인 | 에이전트가 Shopify 생태계의 상품을 읽고 비교할 수 있게 만든다 |
| Checkout MCP | Shopify | 장바구니를 체크아웃 세션으로 전환하고 구매 흐름을 관리하는 실행 계층 | cart → checkout session → buyer review → purchase | 판매자가 checkout ownership을 유지하면서 에이전트 구매를 처리할 수 있게 한다 |
OpenAI + Stripe의 ACP
OpenAI와 Stripe가 함께 추진하는 Agentic Commerce Protocol, 즉 ACP는 AI 에이전트, 구매자, 판매자 사이의 구매 흐름을 표준화하려는 시도다. OpenAI는 ACP를 “AI agents, people, businesses가 함께 구매를 완료할 수 있게 하는 open standard”로 설명한다. ChatGPT에서는 Instant Checkout을 통해 사용자가 대화 안에서 상품을 발견하고, 몇 번의 확인만으로 구매를 완료하는 흐름을 만든다.
ACP의 중요한 설계 원칙은 판매자가 merchant of record로 남는다는 점이다. 판매자는 결제, 주문 승인, 주문 이행, 반품, 고객 지원, 고객 관계를 유지한다. AI 에이전트는 상품 발견과 체크아웃 인터페이스를 제공하지만, 판매자의 백엔드와 결제 시스템을 완전히 대체하지 않는다. Stripe는 이 구조를 통해 판매자가 기존 커머스 시스템을 크게 바꾸지 않고도 에이전트 채널에 참여할 수 있다고 설명한다.
ACP에서 결제는 토큰화된 방식으로 처리된다. 사용자가 ChatGPT 안에서 결제를 승인하면, 에이전트는 필요한 주문 정보와 결제 토큰을 판매자 백엔드로 전달한다. 판매자는 해당 주문을 승인하거나 거절하고, 주문 이행과 사후 처리를 담당한다. 이 구조는 AI 에이전트가 소비자의 결제 정보를 직접 보유하지 않으면서도 구매 실행을 중개할 수 있게 한다.
ChatGPT 안에서 소비자가 상품을 발견하고, AI 에이전트가 주문 정보를 판매자에게 전달하며, 판매자가 merchant of record로 결제·이행·반품을 처리하는 흐름이다.
Google + Shopify의 UCP/AP2
Google이 제시한 Universal Commerce Protocol, 즉 UCP는 에이전틱 커머스를 위한 공통 언어다. Google Developers Blog는 UCP를 consumer surfaces, businesses, payment providers 사이의 매끄러운 커머스 여정을 가능하게 하는 open-source standard로 설명한다. UCP는 상품 발견, 장바구니, 체크아웃, 주문 관리까지 전체 커머스 라이프사이클을 표준화하려는 접근이다.
UCP의 핵심은 “capability” 구조다. 판매자는 자신이 지원하는 기능을 노출하고, 에이전트는 이를 동적으로 발견한다. 예를 들어 상품 검색, 카탈로그 조회, 장바구니 생성, 체크아웃, 주문 상태 조회 같은 기능이 capability로 정의될 수 있다. UCP는 REST, JSON-RPC, A2A, MCP 같은 다양한 전송 방식을 지원하며, /.well-known/ucp 같은 발견 메커니즘을 통해 에이전트가 판매자의 기능과 결제 옵션을 확인할 수 있게 한다.
AP2는 UCP와 결합되는 결제 신뢰 계층이다. 에이전트가 사용자를 대신해 결제하려면 “사용자가 무엇을 승인했는지”, “어떤 조건 안에서 결제가 허용되는지”, “장바구니와 결제가 같은 의도에서 나온 것인지”를 검증해야 한다. AP2는 이 의도와 결제 승인을 암호학적으로 연결해 에이전트 결제의 감사 가능성과 신뢰성을 높이는 역할을 한다.
Shopify의 실행 계층: Agentic Storefronts, Catalog MCP, Checkout MCP
Shopify는 프로토콜 경쟁에서 판매자 실행 계층을 맡고 있다. Shopify의 Agentic Storefronts는 판매자가 여러 AI 표면에서 상품을 발견시키고 판매할 수 있도록 하는 구조다. Shopify는 상품 속성, 가격, 재고, 정책, 브랜드 보이스, FAQ를 에이전트가 이해할 수 있는 형태로 제공하려 한다.
Catalog MCP는 AI 에이전트가 Shopify 생태계의 상품을 검색하고 상세 정보를 가져오는 상품 발견 계층이다. Shopify 문서에 따르면 Catalog MCP는 여러 판매자의 상품을 검색하고, 가격·옵션·재고·상세 정보를 조회할 수 있게 한다.
Global Catalog MCP는 여러 Shopify 판매자를 가로지르는 상품 탐색에 적합하고, Storefront Catalog MCP는 특정 판매자의 카탈로그와 정책을 더 깊게 연결하는 데 적합하다.
Checkout MCP는 에이전트가 장바구니를 체크아웃 세션으로 전환하고 구매 흐름을 관리하게 하는 실행 계층이다. Shopify 문서는 Checkout MCP가 UCP의 checkout capability를 구현한다고 설명한다.
구매 준비가 완료되면 cart_id를 create_checkout에 넘겨 체크아웃 세션을 만들고, 필요한 경우 구매자 검토나 판매자 체크아웃 화면으로 넘긴다. 모든 요청에는 인증 또는 서명 요청이 필요하며, Checkout MCP는 Cart MCP보다 엄격한 rate limit을 적용한다.
표준 경쟁의 핵심: 의도, 상품 데이터, 결제, 체크아웃
쇼핑 에이전트 프로토콜 경쟁은 단순한 기술 표준 경쟁이 아니다. 핵심은 4가지다. 첫째, 누가 소비자 의도의 첫 접점을 차지하느냐다. ChatGPT, Google Search, Gemini, Copilot, Perplexity 같은 AI 인터페이스는 사용자가 “무엇을 사고 싶은지”를 처음 표현하는 공간이 된다.
둘째, 누가 상품 데이터를 에이전트가 이해하기 쉬운 구조로 제공하느냐다. 에이전트는 사람처럼 감으로 상품을 이해하지 않는다. 상품명, 속성, 사이즈, 재고, 가격, 배송, 반품, 보증, 정책, 리뷰, 브랜드 신뢰 정보를 구조화된 신호로 읽는다.
셋째, 누가 결제 위임과 신뢰를 표준화하느냐다. AI가 구매를 실행하려면 사용자의 의도, 승인 범위, 결제 수단, 판매자 신뢰, 사기 방지, 거래 로그가 연결되어야 한다. ACP는 ChatGPT와 판매자 백엔드 사이의 agent checkout 흐름을 만들고, UCP/AP2는 에이전트·판매자·결제 제공자 사이의 전체 커머스 여정과 결제 신뢰 계층을 표준화한다.
넷째, 누가 체크아웃과 주문 이후 경험을 통제하느냐다. 발견은 AI 플랫폼에서 일어나더라도, merchant of record, 고객 관계, 주문 데이터, 반품·환불, 로열티 경험을 누가 가져가는지가 향후 커머스 가치 배분을 결정한다.
| 경쟁 축 | ACP | UCP/AP2 | Shopify MCP |
| 소비자 접점 | ChatGPT 중심 | Google Search AI Mode, Gemini 중심 | 여러 AI 표면에 Shopify 상품 연결 |
| 상품 발견 | ChatGPT 내 추천·상품 노출 | UCP capability로 discovery 표준화 | Catalog MCP로 Shopify 상품 검색 |
| 장바구니 | 초기에는 단일 상품 중심에서 확장 | cart capability 포함 | Cart MCP로 장바구니 구성 |
| 체크아웃 | Instant Checkout, merchant of record 유지 | checkout capability와 payment handler 구조 | Checkout MCP로 checkout session 생성·관리 |
| 결제 신뢰 | Stripe 기반 토큰화·주문 요청 | AP2 기반 의도·승인·결제 증명 | UCP checkout capability 구현, 인증·서명 요청 |
| 판매자 통제권 | 판매자가 주문 승인·이행·반품 처리 | 판매자가 비즈니스 로직과 merchant of record 유지 | Shopify 판매자가 카탈로그·체크아웃·주문 운영 유지 |
커머스 운영 인프라의 변화
Agent-readable catalog와 구조화된 상품 데이터
AI 에이전트가 상품을 선택하려면 상품 데이터가 사람에게 보기 좋은 수준을 넘어, 기계가 비교하고 판단할 수 있는 형태여야 한다. 기존 상세페이지는 이미지, 감성 문구, 리뷰, 프로모션 배너 중심으로 설계되었다. 에이전트 시대에는 여기에 구조화된 속성, 사용 맥락, 호환성, 제한 조건, 정책 정보가 추가되어야 한다.
예를 들어 패션 상품이라면 단순히 “니트”가 아니라 소재, 두께, 핏, 계절, 세탁 방법, 사이즈 편차, 체형 적합성, 스타일링 맥락이 명확해야 한다. 전자제품이라면 사양, 배터리, 호환 기기, 보증, 사용 환경, 리뷰 기반 장단점이 구조화되어야 한다. 식료품이라면 알레르기, 원산지, 유통기한, 대체 가능 상품, 배송 가능 시간대가 중요하다.
상품이 사람에게 감성적으로는 잘 이해되지만 기계에게는 의미가 불투명할 경우, 에이전트 매개 흐름에서 보이지 않게 될 위험이 있다고 설명한다. 즉 상품 데이터는 더 이상 백오피스 운영 자료가 아니라, 에이전트 시대의 마케팅 자산이다.
재고·가격·배송·프로모션 API의 중요성
에이전트가 장바구니를 구성하려면 실시간 재고, 가격, 배송 가능 시간, 프로모션 적용 조건, 로열티 혜택, 대체품 규칙을 읽을 수 있어야 한다. 사람이 쇼핑할 때는 품절이면 다시 고르고, 배송이 늦으면 다른 판매자를 찾는다. 그러나 에이전트가 소비자를 대신해 구매를 조율하려면 이러한 예외를 사전에 계산해야 한다.
2단계 assemble부터는 API-first merchandising이 중요해진다. 에이전트는 단순히 상품 목록을 가져오는 것이 아니라, 여러 상품을 조합해 예산과 배송 조건에 맞는 구매 가능한 구성을 만들어야 한다. 이때 세금, 배송비, 쿠폰, 멤버십 혜택, 최소 주문 금액, 묶음 할인, 반품 가능 여부까지 함께 계산되어야 한다.
따라서 리테일러는 상품 피드 최적화만으로는 부족하다. 상품 데이터, 가격, 프로모션, 재고, 배송, 반품 정책이 에이전트가 호출할 수 있는 형태로 연결되어야 한다. 이 구조를 갖춘 판매자는 에이전트가 신뢰하는 기본 선택지가 될 수 있고, 그렇지 못한 판매자는 브랜드 인지도가 높아도 후보군에서 제외될 수 있다.
결제 위임, KYA, 사기 방지, 승인 정책
에이전틱 커머스에서 결제의 핵심 문제는 “누가, 누구를 대신해, 어떤 범위 안에서, 어떤 의도로 결제했는가”다. 기존 결제 시스템은 사람이 직접 화면을 보고 카드 정보를 입력하거나 저장된 결제 수단을 선택한다는 가정에 기반했다. 에이전트가 구매를 실행하면 고객은 사람이 아니라 사람을 대신하는 소프트웨어가 된다.
이 때문에 결제 인프라는 새로운 신뢰 모델을 요구한다. 사용자의 의도를 증명하는 장치, 예산·시간·카테고리·판매자 단위의 제한된 승인, 결제 수단 토큰화, 거래 로그, 사후 취소와 환불, 사기 탐지 모델이 필요하다. McKinsey는 기존 KYC와 AML 체계가 에이전트 식별을 포함하는 KYA, 즉 know your agent 개념으로 확장될 필요가 있다고 설명한다.
판매자 입장에서는 좋은 에이전트와 악성 봇을 구분해야 한다. 기존 봇 차단 로직은 자동화 트래픽을 위험 신호로 봤지만, 에이전틱 커머스에서는 신뢰할 수 있는 자동화 트래픽이 매출의 중요한 통로가 된다. 따라서 리스크 관리는 “봇을 막는 것”에서 “승인된 에이전트에게 안전하게 거래 권한을 주는 것”으로 이동한다.
체크아웃·반품·환불 로직의 에이전트 대응
체크아웃은 에이전틱 커머스의 병목이다. 에이전트가 상품을 잘 골라도 결제 단계에서 사람의 추가 입력, 주소 검증, 배송 옵션, 결제 인증, 재고 변경, 품절 대체, 약관 동의가 막히면 자동화 경험은 끊긴다.
따라서 체크아웃은 에이전트가 상태를 추적하고 업데이트할 수 있는 세션 기반 구조가 되어야 한다. 장바구니에서 체크아웃으로 전환하고, 누락 정보를 업데이트하고, 구매자가 직접 검토해야 하는 경우에는 안전하게 판매자 화면으로 넘기며, 완료·취소·환불 상태를 추적할 수 있어야 한다. Shopify Checkout MCP가 create_checkout, get_checkout, update_checkout, complete_checkout, cancel_checkout 같은 도구를 제공하는 이유도 여기에 있다.
반품과 환불도 중요하다. 소비자가 에이전트에게 더 많은 권한을 위임하려면, 잘못된 구매를 되돌릴 수 있어야 한다. 특히 3단계 이상의 자동화에서는 구매 승인만큼 취소, 환불, 반품, 대체품 처리 로직이 신뢰 형성에 중요하다. 에이전트가 “왜 이 상품을 샀는지”, “어떤 조건을 만족했는지”, “어떤 대체품을 선택했는지”를 설명할 수 있어야 소비자가 다음 구매에서 더 많은 권한을 맡긴다.
SEO에서 AEO/Agent Optimization으로의 전환
AI 쇼핑 에이전트가 확산되면 검색 최적화의 대상이 사람만이 아니게 된다. 기존 SEO는 검색엔진 결과 페이지에서 사람이 클릭하도록 제목, 설명, 콘텐츠, 링크를 최적화했다. 에이전트 시대에는 AI가 상품과 브랜드를 이해하고, 비교하고, 추천 목록에 포함하도록 최적화해야 한다.
이를 AEO, Answer Engine Optimization 또는 Agent Optimization으로 볼 수 있다. 핵심은 에이전트가 신뢰할 수 있는 데이터 소스에 브랜드와 상품 정보가 일관되게 존재하도록 만드는 것이다. 자사몰 상품 피드, 리뷰 사이트, 제휴 콘텐츠, 마켓플레이스, 지식베이스, FAQ, 정책 문서, PR 콘텐츠, 커뮤니티 언급이 모두 AI의 판단 재료가 된다.
McKinsey의 미국 소비자 조사에서는 AI 검색을 사용하는 소비자 중 44%가 AI 검색을 가장 선호하는 정보원으로 꼽았다. 이는 검색엔진, 브랜드·리테일러 사이트, 리뷰 사이트보다 높은 수치다. AI 생성 검색 요약에서 제휴 블로그가 큰 비중을 차지한다는 점도 중요하다. 브랜드는 자사 채널만 관리하는 것이 아니라, AI가 참조하는 외부 콘텐츠 생태계에서 어떻게 표현되는지까지 관리해야 한다.
에이전틱 커머스 에코시스템
에이전틱 커머스의 기회는 OpenAI, Google, Anthropic 같은 프론티어 모델 기업에만 있지 않다. 쇼핑 에이전트가 실제로 구매를 끝내려면 모델 외에도 많은 장치가 필요하다. 상품 정보를 정확히 읽어야 하고, 재고와 가격을 확인해야 하며, 결제를 안전하게 처리하고, 배송·반품·고객 응대까지 이어져야 한다. 따라서 앞으로 커지는 시장은 “AI 모델” 하나가 아니라, AI가 쇼핑을 대신할 수 있게 만드는 커머스 생태계 전체다.
아래 도표는 이 생태계를 쉽게 보여준다. 위쪽 core layer는 에이전틱 커머스를 움직이는 핵심 엔진이고, 아래쪽 adapters and enablers는 기존 커머스 기업들이 에이전트 시대에 맞게 바뀌면서 성장하는 주변 산업이다.
첫 번째 영역은 AI agent platforms and autonomous agents다. 쉽게 말해 소비자를 대신해 상품을 찾고, 비교하고, 장바구니를 만들고, 조건이 맞으면 구매까지 진행하는 에이전트를 만드는 회사들이다. 예시는 OpenAI의 ChatGPT 쇼핑·Instant Checkout, Google의 Gemini와 AI Mode, Perplexity의 쇼핑 기능, Amazon의 Rufus 같은 서비스다. 이 영역은 소비자의 “사고 싶다”는 의도가 처음 입력되는 접점이기 때문에 중요하다.
두 번째 영역은 payments and transaction infrastructure다. AI가 대신 구매하려면 결제가 안전해야 한다. 누가 승인했는지, 얼마까지 쓸 수 있는지, 어떤 판매자에게만 결제할 수 있는지, 문제가 생기면 어떻게 취소·환불할지 정해야 한다. 이 분야의 대표 예시는 Stripe, Visa, Mastercard, PayPal, Google AP2다. Stripe는 OpenAI와 ACP를 만들고 있고, Visa와 Mastercard도 AI 에이전트 결제를 위한 인프라를 준비하고 있다.
세 번째 영역은 AI orchestration and workflow automation이다. 쇼핑은 한 번의 답변으로 끝나지 않는다. 상품 검색, 가격 비교, 재고 확인, 쿠폰 적용, 배송 옵션 선택, 결제 승인, 반품 요청 같은 여러 단계가 이어진다. 이 과정을 연결하는 회사들이 중요해진다. 예시는 Shopify의 Catalog MCP·Checkout MCP, Elastic Path의 API-first commerce stack, 그리고 여러 커머스 워크플로 자동화 솔루션이다.
네 번째 영역은 e-commerce platforms다. 기존 쇼핑몰 플랫폼은 앞으로 AI 에이전트가 접근할 수 있는 API, 상품 데이터, 장바구니, 체크아웃 구조를 제공해야 한다. Shopify, BigCommerce, Salesforce Commerce Cloud, Adobe Commerce, Elastic Path 같은 회사가 여기에 해당한다. 예를 들어 BigCommerce와 Feedonomics는 Google Cloud와 함께 상품 발견, agentic search, AI 기반 상품 데이터 보강 기능을 발표했다. 이는 쇼핑몰 플랫폼이 단순 웹사이트 제작 도구에서 에이전트가 읽고 거래할 수 있는 커머스 인프라로 바뀌고 있다는 신호다.
다섯 번째 영역은 product information management systems다. 쇼핑 에이전트는 사람처럼 이미지를 보고 감으로 판단하지 않는다. 상품명, 사이즈, 소재, 색상, 호환성, 알레르기 정보, 보증, 리뷰, 가격, 배송 조건 같은 데이터를 읽고 비교한다. 따라서 상품 데이터를 정리하고 보강하는 PIM, PXM, catalog intelligence 회사들이 중요해진다. 예시는 Syndigo, Feedonomics, Akeneo, Salsify, EKOM AI, Envive AI다. 특히 Feedonomics는 상품 피드 관리와 데이터 보강, Syndigo는 agentic PXM, EKOM AI와 Envive AI는 AI가 읽기 좋은 상품 데이터와 agentic commerce readiness를 전면에 내세우고 있다.
여섯 번째 영역은 search and product discovery와 site search and product discovery providers다. AI 에이전트가 상품을 잘 찾으려면 검색 결과가 단순 키워드 매칭이 아니라, 소비자의 의도와 조건을 이해해야 한다. 이 분야에는 Algolia, Constructor, Coveo, Bloomreach, Syntheum AI 같은 회사가 들어간다. Syntheum AI는 Salesforce Commerce Cloud 기반의 agentic merchandising을 내세우며, 머천다이저가 직접 규칙을 하나하나 조정하지 않아도 AI가 검색·랭킹·추천을 운영하도록 돕는다.
일곱 번째 영역은 ratings and reviews platforms다. 에이전트는 상품을 고를 때 리뷰를 중요한 판단 재료로 쓴다. 단순 별점보다 “왜 좋은지”, “어떤 상황에서 불만이 생기는지”, “비슷한 소비자들이 어떻게 평가했는지”가 중요해진다. Bazaarvoice, Yotpo, Trustpilot, PowerReviews 같은 리뷰 플랫폼은 에이전트가 신뢰할 수 있는 사용자 생성 콘텐츠를 제공하는 역할을 할 수 있다.
여덟 번째 영역은 fraud prevention providers와 compliance and security providers다. 에이전트가 구매를 대신하면 좋은 에이전트와 악성 봇을 구분해야 한다. 결제 사기, 계정 탈취, 가짜 에이전트, 비정상 트래픽을 막는 기술이 중요해진다. 예시는 Forter, Riskified, Signifyd, Sift, HUMAN Security, Cloudflare Bot Management다. 이들은 기존에는 온라인 사기나 봇을 막는 역할을 했지만, 앞으로는 “허용해야 할 에이전트 트래픽”과 “막아야 할 공격 트래픽”을 구분하는 역할로 확장될 수 있다.
아홉 번째 영역은 supply chain and inventory management systems다. 에이전트가 아무리 좋은 상품을 골라도 실제 재고가 없거나 배송 약속을 지키지 못하면 구매 경험은 실패한다. 그래서 실시간 재고, 매장 재고, 배송 가능 시간, 대체 상품, 반품 가능 여부를 정확히 연결하는 시스템이 중요하다. 예시는 Manhattan Associates, Blue Yonder, RELEX Solutions, Oracle Retail, SAP, o9 Solutions다. 이 영역은 에이전트가 “살 수 있는 상품”과 “추천만 가능한 상품”을 구분하게 만드는 기반이다.
열 번째 영역은 customer engagement and CRM tools다. 소비자와 직접 대화하는 상대가 사람에서 에이전트로 바뀌더라도, 브랜드는 고객 관계를 잃으면 안 된다. 고객 선호, 멤버십, 쿠폰, 구매 이력, 상담 내역을 에이전트가 이해할 수 있게 연결해야 한다. Salesforce, Braze, Klaviyo, HubSpot, Zendesk, Intercom, Sierra 같은 회사가 여기에 들어간다. 이들은 고객 상담, 추천, 메시징, 로열티 경험을 에이전트 시대에 맞게 바꾸는 역할을 할 수 있다.
열한 번째 영역은 data and analytics providers다. 앞으로 브랜드는 “사람이 어떤 광고를 클릭했는가”뿐 아니라, “AI가 어떤 상품을 추천했는가”, “어떤 데이터가 AI 답변에 인용되었는가”, “왜 경쟁사 상품이 선택되었는가”를 봐야 한다. Semrush, Similarweb, Profound, AthenaHQ, Peec AI, RankCite, BackTier, Visibella 같은 회사들이 AI 검색 가시성, AI 인용, answer engine optimization, 브랜드 노출 분석을 제공한다. 이 분야는 SEO가 AEO 또는 Agent Optimization으로 확장되면서 커질 수 있다.
마지막 영역은 personalization and dynamic user experience providers와 오프라인 매장 인프라다. AI가 탐색을 대신할수록 매장은 단순 진열 공간이 아니라 검증, 픽업, 반품, 체험, 상담의 장소가 된다. 온라인에서는 개인화 검색과 추천이 중요해지고, 오프라인에서는 실시간 재고, 매장 동선, 직원용 AI 도구가 중요해진다. 예시는 Dynamic Yield, Salesforce Personalization, Bloomreach, Adobe Target, NVIDIA Omniverse, Lowe’s의 digital twin 사례, RetailTwin AI 같은 솔루션이다.
정리하면, 에이전틱 커머스에서 각광받을 사업은 크게 14개 플레이어군으로 나뉜다. AI 에이전트 플랫폼, 결제 인프라, 워크플로 자동화, 이커머스 플랫폼, 사기 방지, 검색·상품 발견, 리뷰 플랫폼, 상품정보관리, CRM, 재고·공급망, 보안·컴플라이언스, 데이터 분석, 개인화 UX, 매장 인프라다. 프론티어 모델은 출발점이지만, 실제 돈이 오가는 시장을 만드는 것은 이 주변 인프라다. 앞으로의 승자는 “AI가 답을 잘하게 만드는 회사”뿐 아니라, AI가 안전하게 찾고, 비교하고, 사고, 배송하고, 반품하게 만드는 회사들이다.
