이커머스 AI 검색 가시성, 3단계 퍼널 분할 측정 대두

단일 점수로 집계하는 AI 가시성의 맹점

대화형 검색창 안에서 상품 탐색과 구매 결정이 이뤄지는 비중이 커지면서, AI 검색 답변 내 브랜드 가시성을 측정하는 방식도 세분화해야 한다는 논의가 나오고 있다. 테크 전문 기고 매체 파인드아티클스(FindArticles)에 실린 기고에 따르면, 여러 AI 검색 추적 대시보드가 제공하는 단일 가시성 점수는 소비자의 탐색 단계별 차이를 가리는 문제가 있다.

예를 들어 '평발용 러닝화 고르는 법'을 묻는 질문에는 노출되지 않으면서 '100달러 이하 가성비 러닝화' 검색 결과에만 등장하는 브랜드가 있다면, 이 브랜드는 정보 탐색 초기 단계의 잠재 고객을 놓치고 있는 셈이다. 파인드아티클스는 검색 과정을 인지(Awareness), 고려(Consideration), 결정(Decision) 3단계 퍼널로 나누어 AI 노출을 각각 추적해야 기회 손실 지점을 파악할 수 있다고 설명했다.

퍼널 단계마다 달라지는 프롬프트와 인용 출처

퍼널 단계에 따라 사용자가 입력하는 질문의 형태가 다르고, AI 엔진이 답변 생성을 위해 참조하는 웹 출처도 상이하다.

• 인지 단계: 특정 브랜드를 언급하지 않고 문제를 정의하는 단계다. '스탠딩 데스크 고르는 법' 같은 일반 학습 프롬프트가 쓰인다. 이때 AI는 특정 제품 상세 페이지보다는 구매 가이드, 에디토리얼 모음 글, 커뮤니티 포럼, 사용 팁 콘텐츠를 주로 인용한다.
• 고려 단계: 구체적인 대안을 저울질하는 단계다. 'A 브랜드 대 B 브랜드', '좁은 원룸용 책상 추천' 같은 비교 프롬프트가 입력된다. 이 단계에서는 답변 내 추천 순위와 함께 나란히 언급되는 경쟁사가 핵심 지표가 된다. 기고는 인지도가 낮은 D2C 브랜드라도 온라인 평가가 우수하면 기존 대형 브랜드를 제치고 AI 답변 앞자리에 배치될 수 있다고 덧붙였다.
• 결정 단계: 구매 직전 단계로 가격, 재고 여부, 규격, 반품 정책, 배송 기간 등을 묻는다. 여기서는 단순 노출 여부보다 AI가 전달하는 정보의 정확성이 중요하다. 오래되거나 잘못된 가격·정책 정보가 전달되면 구매 전환이 실패하기 때문이다.

핵심 측정 지표 6가지와 상용 도구 등장

파인드아티클스는 AI 검색 최적화(AEO)를 다루는 팀이 퍼널 전반에서 유지해야 할 핵심 지표로 6가지를 정리했다.

• 멘션율(Mention rate): 추적 대상 프롬프트 중 브랜드가 언급된 비율
• 답변 내 위치(Position): 생성된 답변 텍스트 안에서 브랜드가 배치된 순서
• 출처 및 URL(Sources and URLs): AI가 답변 근거로 제시한 웹 주소
• 동시 노출 경쟁사(Competitors exposed): 동일 답변 내에서 함께 언급된 경쟁 브랜드
• 답변 품질(Answer quality): 가격·스펙 등 브랜드 관련 정보의 정확도
• 퍼널 커버리지(Funnel coverage): 인지·고려·결정 전 과정에서 고르게 노출되는지 여부

이커머스 마케팅 플랫폼 기업 요트포(Yotpo)는 이러한 퍼널 접근법을 반영해 챗GPT, 클로드, 퍼플렉시티, 제미나이 등 4개 AI 모델에서 가시성을 추적하는 '요트포 디스커버(Yotpo Discover)'를 얼리 액세스로 선보였다. 실제 고객 리뷰와 Q&A 데이터를 바탕으로 프롬프트를 구성해 추적하는 방식이다.

업체 자체 성과 수치의 한계와 실무 적용

요트포는 자사 솔루션을 이용한 고객이 인지 단계 제품 가시성 20% 증가, 1순위 제품 노출 16% 증가를 기록했다고 주장했다. 그러나 이는 솔루션 판매 업체의 자체 조사 결과이며 표본 크기나 구체적인 측정 방법론은 공개되지 않았다. 파인드아티클스 역시 해당 수치를 업체의 홍보성 주장으로 짚으며 개별 카테고리에 맞는 사례 확인이 필요하다고 언급했다. 아울러 이 도구는 현재 연간 총거래액(GMV) 약 1000만 달러 이상인 브랜드를 우선 대상으로 운영되고 있어 소규모 브랜드의 접근에는 제한이 있다.

실무 환경에서는 고가의 자동화 도구를 도입하기 전에 정기적으로 추적할 고정 프롬프트 세트를 구성하고, 주 단위나 월 단위로 AI 답변의 인용 링크와 브랜드 표기 정확도를 기록하는 방식이 선행될 수 있다. 앞서 AI 검색 시대, 전통 순위 측정 지표의 한계와 과제에서 다루었듯, 고정된 검색 순위 지표가 무력화되는 환경에서는 퍼널 단계별 인용 경로를 분리해 확인하는 데이터 정리가 요구된다.

이 사이트가 보는 지점

이커머스 AI 검색 최적화에서 단일 노출률 지표 대신 구매 퍼널별 분할 측정이 거론되는 이유는 단계마다 LLM이 참조하는 데이터 출처의 성격이 완전히 갈리기 때문입니다. 초기 인지 단계는 외부 에디토리얼과 커뮤니티 인용에 의존하는 반면, 구매 결정 단계는 제품 피드와 구조화 데이터의 최신성에 종속됩니다. 앞서 AI 검색 시대, 전통 순위 측정 지표의 한계와 과제에서 짚었듯 단일 점수 중심의 관행에서 벗어나 단계별 인용 경로를 추적하는 분리 접근이 필요하지만, 상용 툴 제조사가 제시하는 가시성 개선 수치는 조사 방법이 공개되지 않은 자체 주장이므로 해석에 유의해야 합니다.