AI 동적 세그먼트는 이메일 CTR을 29% 높인다. 정적 페르소나가 브랜드에 전환 23% 손실을 안기는 이유를 분석한다.
모든 엔터프라이즈 리테일 기업에는 좀처럼 직접 측정되지 않는 매출 누수가 존재합니다. 바로 쇼핑객이 실제로 보유하고 있는 상품을 검색했음에도 쓸모없는 결과만 받고 이탈하는 순간입니다. 이는 단일 항목으로 집계되지 않습니다. 대신 이탈한 세션, 낮아진 전환율, 그리고 애초에 발생할 필요가 없었던 고객 서비스 문의 건수 속에 흩어져 나타납니다. 검색, 내비게이션, 추천으로 구성되는 상품 탐색은 디지털 커머스를 이어주는 핵심 연결고리 이지만, 여전히 가장 현대화가 더딘 영역 중 하나로 남아 있습니다. 한편 생성형 AI, RAG(검색 증강 생성), AI 쇼핑 도우미는 이러한 격차를 해소할 수 있을 만큼 성숙해졌습니다. 이 글에서는 부실한 AI 기반 상품 탐색이 초래하는 실제 비용을 검증된 데이터로 살펴보고, 대다수 엔터프라이즈 AI 투자가 여전히 기대에 못 미치는 이유, 그리고 AI 기반 검색을 실질적인 매출 성과로 전환하는 기업과 여전히 파일럿 단계에 머물러 있는 기업의 차이를 분석합니다.
상품 탐색 실패는 우연이 아니라 구조적인 문제입니다. 수백 개의 주요 전자상거래 사이트를 벤치마킹해 온 독립 UX 리서치 기관 Baymard Institute는 2026년 온사이트 검색 조사에서 테스트 대상 사이트의 56%가 검색 UX에서 "보통 이하" 수준을 기록했다고 밝혔습니다. 이는 전체 쇼핑객의 절반가량이 상품을 찾는 주된 수단으로 검색을 이용하고 있다는 점을 고려하면 더욱 심각한 결과입니다. 10년 이상 대규모 사용성 테스트를 이어온 Baymard의 연구 프로그램은 벤치마크 주기마다 동일한 근본 원인을 반복적으로 짚어냅니다. 바로 검색 엔진이 쇼핑객에게 소매업체의 정확한 내부 용어를 그대로 입력하도록 요구하며, 동의어·자연어 표현·오탈자 처리 능력이 취약하다는 점입니다.
그 여파는 누적됩니다. 장바구니 이탈률은 수년간 전 세계적으로 약 70% 수준을 유지해 왔으며, 이탈에는 다양한 원인이 있지만 상품 검색 실패는 쇼핑객이 구매 없이 이탈하는 주요 원인 중 하나로 꾸준히 지속되고 있습니다. 검색에 실패할 때마다 고객은 말없이 자신의 관심을 다른 곳으로 돌리는 셈이며, 대다수 소매업체는 이를 포착할 대시보드조차 갖추고 있지 않습니다.
2026년 엔터프라이즈 AI를 둘러싼 역설은 도입과 성과가 서로 분리되어 있다는 데 있습니다. 105개국, 약 2,000명의 응답자를 대상으로 진행된 McKinsey의 State of AI 글로벌 설문조사에 따르면, 기업의 88%가 최소 한 개 이상의 업무 영역에서 AI를 활용하고 있다고 답했습니다. 이는 1년 전의 78%보다 늘어난 수치입니다. 그러나 기업 전반으로 AI를 확장한 곳은 약 3분의 1에 불과하며, 엔터프라이즈 차원의 EBIT 영향을 보고한 기업은 39%에 그쳤습니다. McKinsey가 "AI 고성과 기업"으로 분류하는 약 6%의 응답 기업만이 EBIT의 5% 이상을 AI 성과로 돌리며 유의미한 기업 가치를 창출했다고 보고했습니다.
Stanford HAI의 2026 AI Index도 이러한 큰 흐름을 뒷받침합니다. 이 보고서의 대표 지표는 조직 차원의 AI 도입률 88%를 제시하며, 이는 McKinsey의 수치와 일치합니다. 한편 보고서 내 경제 분석 부문에서는 생성형 AI만 놓고 보면 최소 한 개 업무 영역에서 이를 활용하는 조직이 70%이며, 거의 모든 업무 영역에서 AI 에이전트 도입률은 여전히 한 자릿수에 머물러 있다고 밝혔습니다. 서로 다른 방법론으로 독립적으로 진행된 두 보고서를 종합하면 결론은 일관됩니다. 엔터프라이즈 AI는 이제 당연한 전제가 되었지만, 확장된 규모에서 에이전트 기반으로 재무 성과를 입증하는 사례는 여전히 드뭅니다.
MIT의 NANDA 이니셔티브는 이 그림을 한층 더 뚜렷하게 보여줍니다. 2025년 발표된 보고서 The GenAI Divide: State of AI in Business 2025는 경영진 인터뷰와 공개된 약 300건의 엔터프라이즈 AI 도입 사례 분석을 결합해, 기업 생성형 AI 파일럿의 95%가 손익(P&L)에 측정 가능한 영향을 미치지 못했다는 사실을 밝혔습니다. 유의미하고 반복 가능한 가치를 창출한 비율은 약 5%에 불과했습니다. 이는 정부 기관이나 다수의 소스를 종합한 통계가 아니라 단일 연구 결과이며 아직 동료 심사를 거치지 않았다는 점은 짚어둘 필요가 있습니다. 다만 그 핵심 결론은 앞서 살펴본 McKinsey 및 PwC의 데이터와도 일치합니다. 연구진은 이러한 "GenAI Divide(생성형 AI 격차)"의 원인을, 근본적인 모델 성능이 아니라 기업 고유의 워크플로를 학습하지 못하는 경직되고 범용적인 도구를 도입한 조직·통합상의 실패로 지목합니다.
AI 선도 기업과 뒤처진 기업의 격차는 기술력의 문제라기보다 조직의 야망과 설계 방식의 문제입니다. 25개 산업 분야, 1,217명의 고위 임원을 대상으로 진행된 PwC의 2026년 4월 AI Performance Study에 따르면, 상위 성과를 내는 20%의 기업이 AI의 전체 경제적 가치 중 74%를 차지하며, 평균 경쟁사보다 7.2배 더 많은 AI 기반 재무 성과를 창출하고, 영업이익률도 약 4%p 더 높은 것으로 나타났습니다. 가장 강력한 성과 예측 변수는 AI 도입 규모가 아니라, 경영진이 AI를 단순한 비용 절감이 아닌 성장과 사업 혁신에 활용했는지 여부였습니다.
McKinsey의 자체 설문조사 결과 역시 이를 뒷받침합니다. 응답 기업의 80%가 효율성을 AI 도입 목표로 꼽았지만, 실제로 가장 큰 가치를 창출한 기업들은 성장이나 혁신을 함께 목표로 설정한 경우가 압도적으로 많았습니다. McKinsey가 자체 분류한 AI 고성과 기업 중 절반은 AI를 활용해 사업 자체를 전환하겠다는 의지를 밝혔으며, 대다수는 기존 프로세스에 AI를 얹는 대신 워크플로 자체를 재설계하고 있다고 답했습니다. 이는 PwC의 연구가 재무 성과의 가장 강력한 예측 변수로 지목한 것과 정확히 일치합니다.
현재 일어나고 있는 기술적 전환은 정적인 키워드 매칭 검색에서, 정확히 일치하는 질의가 아니어도 의도를 해석하는 RAG 기반의 대화형 시스템으로 옮겨가는 흐름입니다. 검색 증강 생성은 LLM이 소매업체의 실시간 카탈로그, 재고, 상품 콘텐츠를 참조해 자연어 질문에 정확하게 답변하도록 해줍니다 - 이는 Baymard의 연구가 업계에서 가장 고질적인 약점으로 지목한 바로 그 격차를 해소하는 방식입니다. AI 챗봇이나 AI 쇼핑 도우미는 쇼핑객이 내부 분류 체계를 굳이 추측하지 않아도, 막연하고 니즈 중심적인 질의를 해석해 관련 상품을 제시할 수 있습니다. 심지어 쇼핑객이 직접 검색해 볼 생각조차 하지 못했던 상품까지 발견하도록 돕습니다.
이러한 상업적 효과는 이제 상당한 수준으로 입증되고 있습니다. 1조 건이 넘는 사이트 방문을 분석한 Adobe Analytics의 2025년 미국 홀리데이 쇼핑 시즌 리뷰에 따르면, 생성형 AI 플랫폼을 통해 리테일 사이트로 유입된 트래픽은 전년 대비 693% 증가했으며, 이 채널을 통해 유입된 쇼핑객의 전환율은 기존 트래픽 대비 31% 더 높았고, 방문당 매출은 전년 대비 254% 증가했습니다. 생성형 AI를 통해 유입된 쇼핑객은 즉시 이탈할 확률도 33% 더 낮았으며, 상품 콘텐츠에 머무는 시간도 유의미하게 더 길었습니다. Salesforce는 별도로 AI 에이전트를 비롯한 생성형 AI 도구가 같은 홀리데이 기간 전 세계 온라인 리테일 매출의 20% 이상에 영향을 미친 것으로 추산했습니다.
McKinsey의 기초 경제 모델링은 여전히 규모를 가늠하는 기준점으로 유효합니다. McKinsey는 생성형 AI가 리테일 및 소비재 부문에서 연간 4,000억~6,600억 달러 규모의 가치를 창출할 수 있다고 추산하며, 그 상당 부분이 고객 운영, 마케팅, 개인화된 고객 경험 - 즉 상품 탐색이 자리한 바로 그 영역에 집중될 것으로 전망합니다.
생성형 AI에 예산을 투입한 조직조차도, 엔터프라이즈 AI 도입 전반에서 나타나는 격차와 동일한 이유로 기대 이하의 성과에 그치는 경우가 많습니다.
상품 탐색을 단순한 UX 부가 요소가 아니라 핵심 인프라로 취급하는 기업들은 커머스 퍼널 전반에서 다음과 같은 성과를 보고합니다.
데이터가 수렴하는 결론은 하나입니다. AI 도입과 실제 성과 사이의 격차는 역량의 문제가 아니라 리더십과 아키텍처의 문제라는 것입니다. 상품 탐색은 모든 리테일 및 엔터프라이즈 커머스 기업에서 이 격차의 중심에 있습니다. 부실한 데이터, 경직된 워크플로, 노후한 검색 기술이 실제 매출과 정면으로 충돌하는 단 하나의 접점이기 때문입니다. 앞서 나가는 기업들 - McKinsey가 말하는 6%의 고성과 기업, PwC가 말하는 상위 20% - 은 가장 화려한 챗봇을 갖춘 기업이 아닙니다. 이들은 상품 탐색을 견고한 RAG 기반의 엔터프라이즈 AI 인프라를 바탕으로 재구축하고, 이를 명확한 책임 구조와 성과 측정 체계에 연결하며, 비용이 아닌 성장 동력으로 취급해 온 기업들입니다. 에이전틱 AI와 대화형 커머스가 쇼핑객이 상품을 찾고 구매하는 방식을 계속해서 재편해 나가는 가운데, 탐색 영역에서 제자리에 머무르는 비용은 계속 누적될 것입니다. 그리고 지금 움직이는 기업이야말로 앞으로 10년간 리테일 경쟁력의 기준을 새로 쓰게 될 것입니다.
Hanna is an industry trend analyst dedicated to tracking the latest advancements and shifts in the market. With a strong background in research and forecasting, she identifies key patterns and emerging opportunities that drive business growth. Hanna’s work helps organizations stay ahead of the curve by providing data-driven insights into evolving industry landscapes.