agentic commerce 시대 상품 데이터, GEO 대비 어떻게 준비하나

무슨 일이 일어나고 있나

2026년을 앞두고 데이터·인프라 벤더들이 같은 이야기를 서로 다른 각도로 반복하고 있어요. Snowflake는 2026년 agentic AI가 성숙하면서 지능형 시스템이 소극적 어시스턴트에서 독립적으로 행동하는 주체(independent actors)로 넘어간다고 봅니다. 소매에선 쇼핑 에이전트가 소비자 대신 상품을 조사·협상·구매하면서 '쇼퍼가 사람이 아니라 알고리즘'이 되는 shopper-to-merchant 관계의 근본 변화가 일어나고, universal commerce protocol(UCP) 같은 표준이 개인 에이전트와 판매자의 상호작용을 규격화한다는 거예요. 여기서 판매자 측 intelligent merchant agent는 마치 복잡한 법적 환경에서 의뢰인을 대리하는 변호사처럼 판매자를 대리해 거래를 확보하는 역할로 그려집니다. 내부적으로는 제조·공급망에서 prescriptive engine이 수동 분석 대시보드를 대체해 생산 일정을 자율 조정하고, 날씨 데이터 기반으로 배송을 재경로화하며, 보충 계약까지 사람 개입 없이 협상한다고 해요. 브랜드 입장에서는 전통 SEO에서 generative engine optimization(GEO)으로 축을 옮겨야 하는데, 상품 데이터가 구조화되고 정확하며 기계가 읽을 수 있어야 발견 대상에 남는다는 게 골자입니다.

Google Cloud는 Google Cloud Next 2026에서 Agentic Data Cloud를 내놓으며 데이터·AI 모델·운영 데이터베이스를 하나의 System of Action으로 통합한다고 발표했어요. 핵심 논리는 '병목이 모델 성능이 아니라 비즈니스 맥락과 의미(semantic meaning)에 대한 접근'이라는 겁니다. 한 프롬프트가 에이전트로 하여금 여러 시스템을 독립적으로 browse·query·execute하게 만들면서 하부 인프라에 부하가 걸리는데, compute·networking·storage 계층이 agentic 부하에 최적화돼 있지 않으면 그 위의 데이터 플랫폼이 무너진다는 거예요. 자체 State of infrastructure 조사에 따르면 조직의 83%가 프로덕션급 agentic AI를 지원하려면 인프라 업그레이드가 필요하다고 봤고, IT 리더의 43%는 '레거시 API·데이터 소스와의 통합 어려움'을 최대 격차로, 81%는 운영 복잡성과 엔지니어링 부담을 병목으로 꼽았습니다. 해법으로는 Apache Spark·Apache Iceberg 같은 오픈 표준 위에서 BigQuery·Spanner 같은 네이티브 엔진에 접근하는 borderless Lakehouse를 제시하는데, 데이터를 대량으로 옮기지 않고도 로컬처럼 읽고 추론·활성화한다는 구조예요.

크리에이티브 쪽에서는 Vidmob이 Vidmob360을 출시했어요. Model Context Protocol(MCP) 서비스와 강화된 RESTful API, AI 에이전트를 제공하며 Google·Meta·TikTok·Amazon·The Trade Desk 등과 연동해 북미 미디어 바이의 95%를 커버하는 12개 이상 커넥터를 갖췄다고 밝혔습니다. 창업자 Alex Collmer의 표현을 빌리면 '모든 주요 광고 의사결정이 AI로 형성되는 변곡점'인데, 요점은 콘텐츠를 더 많이 만들거나 더 많이 사는 게 아니라 더 똑똑하고 빠르고 효과적으로 하는 것이라고 해요. Claude·Gemini·ChatGPT 같은 어시스턴트에 연결하면 광고물을 브랜드 가이드라인과 대조하고 캠페인 성과를 진단하며 실시간 추천을 받게 하는 구조로, 크리에이티브 성과 데이터가 destination SaaS 앱 한 곳에 고립되던 방식에서 벗어나 광고 판단이 실제로 일어나는 도구·워크플로우 속으로 흘러들어가게 만드는 게 목표입니다.

왜 중요한가

세 발표를 하나로 꿰면 흐름이 보여요. 구매의 주체가 사람에서 알고리즘으로 옮겨가고(agentic commerce), 그 알고리즘이 접근할 데이터는 통합돼야 하며(Agentic Data Cloud), 광고 판단에 쓸 크리에이티브 데이터도 대시보드 밖으로 나와 에이전트가 질의할 수 있어야 한다(Vidmob360)는 겁니다.

공통 병목은 데이터인데, 메커니즘을 한 단계 더 파고들면 '스킵'의 원리가 보여요. 지금 대부분 상품 카탈로그는 사람 눈에 보이도록 만든 마케팅 카피 덩어리예요. 에이전트는 UCP 같은 프로토콜 위에서 가격·재고·스펙을 구조화된 필드로 파싱해 후보 목록을 만드는데, 필드가 카피 안에 묻혀 있으면 파싱 자체가 실패하고 그 상품은 애초에 비교 대상 집합에 들어가지 못합니다. 노출이 밀리는 게 아니라 후보에서 아예 누락되는 거죠. Google Cloud 조사의 '43%가 레거시 API 통합을 최대 격차로 꼽았다'는 수치가 이걸 뒷받침해요. 한 프롬프트가 여러 시스템을 가로질러 실행되는 nonlinear 속도를 감당하려면 데이터가 로컬처럼 즉시 읽혀야 하는데, 레거시 API 뒤에 갇힌 데이터는 그 속도에서 지연·불완전 응답을 냅니다. 에이전트가 똑똑해지는 순서가 아니라, 데이터가 한곳에 모이고 구조화돼야 에이전트가 쓸모 있어지는 순서라는 뜻입니다.

이해관계·역학

이 흐름에서 누가 무슨 유인으로 움직이는지 뜯어봐야 해요. Snowflake와 Google Cloud는 모두 통합 데이터 플랫폼을 파는 회사입니다. 주목할 건 두 벤더가 근거로 드는 숫자가 전부 자사 조사라는 점이에요. Google Cloud의 '83% 인프라 업그레이드 필요', '43% 레거시 통합 격차', '81% 운영 복잡성'은 모두 자체 State of infrastructure 리포트에서 나왔고, 결론은 borderless Lakehouse, 즉 BigQuery·Spanner 구매로 수렴합니다. 발표가 '왜 지금·왜 이렇게' 나왔는지 보면, agentic AI라는 불가피한 서사에 인프라 교체 수요를 얹어 '지금 안 사면 뒤처진다'는 긴박감을 만드는 포지셔닝이에요. 문제 정의(맥락 부족)와 해법(자사 플랫폼)을 같은 회사가 동시에 제공한다는 구조를 감안하고 읽어야 합니다.

Vidmob의 '북미 미디어 바이 95% 커버'도 마찬가지입니다. 이 숫자는 커넥터가 12개 이상 존재한다는 사실을 말할 뿐 데이터 정합성이나 크리에이티브 성과 귀속의 정확도를 보장하지 않아요. 게다가 Vidmob은 원래 destination SaaS 앱을 팔던 회사이고, Vidmob360은 그 데이터를 고객의 기존 스택 속으로 밀어넣는 composable layer로 재포지셔닝한 전략적 전환입니다. 즉 SaaS 이탈을 막으면서 MCP 표준을 선점하려는 유인이 겹쳐 있어요. MCP를 광고 데이터 표준 인터페이스로 쓰는 방향은 맞지만, 판단 품질은 결국 연결된 데이터의 태깅 체계와 CDP 정비 수준에 달려 있습니다.

표준 이야기도 조심할 지점이 있어요. UCP 같은 프로토콜이 자리 잡으면 그 표준을 먼저 채택한 대형 플랫폼과 벤더가 게이트키퍼가 됩니다. 브랜드가 GEO에 늦게 대응할수록 발견 가능성과 거래 주도권을 잃을 위험이 크다고 원문이 짚는데, 이건 곧 표준 대응 비용을 브랜드가 떠안는 구조라는 뜻이기도 해요. 인프라 수요가 실재한다는 방증은 하드웨어 쪽에서도 나옵니다. AMD의 Lisa Su는 agentic AI가 만드는 compute 수요의 step change를 근거로 2030년 AI 가속기 시장을 1.4조 달러로 전망했고, Anthropic과는 최대 2기가와트 규모 GPU 배포 파트너십까지 맺었어요. 에이전트가 수십 단계를 추론·도구 호출·데이터 접근하며 반복하니 GPU가 대량으로 필요하다는 논리인데, 이 수요 서사가 데이터 플랫폼부터 칩까지 같은 방향으로 정렬돼 있다는 점 자체가 벤더 생태계의 이해가 얼마나 촘촘히 얽혀 있는지 보여줍니다.

실무에 주는 함의

내일부터 점검할 항목을 구체적으로 좁혀볼게요.

• 상품 카탈로그 스키마 감사: 가격·재고·스펙·배송 조건이 사람용 카피가 아니라 구조화된 필드로 분리돼 있는지 상위 매출 상품군부터 확인하세요. 에이전트는 파싱 실패한 상품을 비교 후보에서 통째로 누락시키므로, 카피와 구조화 필드를 분리해 기계 판독 가능한 형태로 재작성하는 게 GEO 대비의 1순위입니다.

• 데이터 사일로 통합은 유스케이스 한두 개로 검증: 전면 재구축부터 하지 마세요. 실시간 세그멘테이션이 실제 매출에 붙는 유스케이스 한두 개를 골라 90일 안에 결과를 측정하고, 통과하면 확장하는 순서가 안전합니다. BigQuery로 옮겨도 스키마·거버넌스·정합성이 정리되지 않으면 에이전트는 여전히 잘못된 맥락으로 답해요. 파일럿이 프로덕션에서 죽는 진짜 이유는 모델이 아니라 데이터 파이프라인이 실시간 자율 판단을 못 버티기 때문입니다.

• 크리에이티브 성과 데이터의 태깅 체계 정비: Vidmob360 같은 MCP 레이어를 붙이기 전에, 각 플랫폼 대시보드에 고립된 크리에이티브 데이터의 태깅과 귀속 규칙을 먼저 맞추세요. 커넥터가 95%를 커버해도 태깅이 엉망이면 Claude·ChatGPT가 질의해 내놓는 진단도 엉망입니다.

• human-on-the-loop 거버넌스 설계와 손실 비용 반영: 에이전트가 스스로 배송을 재경로화하고 보충 계약을 협상하는 순간, 잘못된 자동 실행이 만드는 손실 비용까지 ROI 계산에 넣어야 진짜 숫자가 나와요. 비용 절감·매출 가속·리스크 경감 세 축을 함께 보되, 자율 실행의 승인 게이트를 어느 단계에 둘지 온보딩 문서에 명문화합니다.

리스크·반대 관점

'변형량'과 '효과'를 혼동하는 함정이 가장 큽니다. 한 옥외광고 캠페인은 생성형 AI 플랫폼으로 아티스트의 화풍이 아니라 창작 과정·주제·맥락을 학습시켜 400여 개의 서로 다른 디자인을 일주일간 반복 없이 노출하고, 한정판 캔·병 100만 개와 수백만 파운드 규모 소비자 프로모션까지 묶었어요. 여기서 진짜 벤치마크는 400개라는 숫자가 아니라 아티스트가 학습 자료를 직접 선별하고 결과물을 검토하며 스타일 소유권을 계약으로 정리해 저작권·초상권 시비를 원천 차단한 구조예요. 반대로 400개 중 실제 성과를 낸 소재가 몇 개였는지, 매일 다른 크리에이티브가 브랜드 일관성을 얼마나 지켰는지는 공개되지 않았습니다. 무한 변형이 곧 성과라고 착각하면 안 돼요.

거버넌스를 경쟁 우위로 파는 프레임도 걸러 들어야 합니다. 개인화 정밀도와 개인정보 보호는 실무에선 대체로 상충하는 트레이드오프예요. '둘 다 된다'는 벤더 메시지를 그대로 받으면 위험합니다.

에이전트 도입은 새로운 공격 표면도 엽니다. 최근 한 오픈소스 패키지 관리자가 회사 CTO를 사칭한 사기범과 위조된 Calendly 링크로 잡힌 45분짜리 Google Meet 면접을 실제로 진행한 뒤, 개발 환경 확인이라는 명목으로 악성코드 페이로드가 든 저장소를 다운로드·실행하게 된 사건이 있었어요. 이 관리자는 과거 주간 다운로드 4,300만 회 이상 NPM 패키지를 관리했고, 2단계 인증에 토큰 없는 수동 배포까지 지키던 사람이라 결국 노트북을 초기화해야 했습니다. 공격 표면이 코드가 아니라 신뢰 자체로 옮겨간 사례인데, 45분 통화와 위조 링크까지 동원할 만큼 소셜 엔지니어링 비용이 싸졌고 패키지 관리자 한 명만 뚫으면 하위 수천 개 프로젝트가 감염되니 투자 대비 회수율이 확실하죠. 대행사·프리랜서·외부 스크립트를 상시 붙이는 마케팅·데이터 조직도 '검증 안 된 저장소는 로컬에서 절대 실행하지 않는다'는 원칙을 채용 프로세스와 온보딩 문서에 못 박아야 해요. agentic 인프라를 늘려 외부 데이터·코드·MCP 커넥터 연결이 많아질수록 이 리스크는 그대로 커집니다.

마지막으로 '통합 플랫폼만 사면 준비 끝'이라는 낙관을 경계하세요. 도구 구매는 하루면 되지만, 상품 정보 스키마 정리와 데이터 규율은 도구가 아니라 조직 문제라 훨씬 오래 걸립니다.

자주 묻는 질문

agentic ai 뜻이 뭔가요

AI가 소극적으로 답만 주는 어시스턴트를 넘어, 스스로 판단하고 여러 단계를 실행하는 독립적 행동 주체로 동작하는 방식이에요. 쇼핑 에이전트가 소비자 대신 상품을 조사·협상·구매하거나, 기업 내 에이전트가 재고·배송·가격을 자동 조정하는 게 대표 사례입니다.

agentic ai와 ai agent 차이는요

ai agent는 특정 작업을 대신 수행하는 프로그램 전반을 가리키고, agentic ai는 그 에이전트가 스스로 목표를 잡고 여러 도구를 호출하며 반복적으로 문제를 풀어가는 자율성 수준을 강조하는 표현이에요. 한 프롬프트가 여러 시스템에 걸쳐 browse·query·execute를 촉발하는 nonlinear 실행이 핵심 차이입니다.

GEO가 뭐고 SEO와 어떻게 다른가요

GEO는 generative engine optimization으로, AI 에이전트와 생성형 엔진이 발견 대상으로 삼도록 상품·콘텐츠 데이터를 구조화·정확·기계 판독 가능하게 만드는 작업이에요. 사람이 검색창에 키워드를 넣는다는 가정 위에 선 SEO와 달리, 알고리즘이 데이터를 직접 파싱해 후보 집합을 만든다는 전제로 최적화합니다. 파싱에 실패한 상품은 노출이 밀리는 게 아니라 후보에서 아예 누락돼요.

agentic ai 도입, 뭐부터 해야 하나요

통합 플랫폼 구매보다 상품 카탈로그 스키마 정리와 데이터 사일로 통합, 크리에이티브 성과 데이터 태깅부터 점검하세요. 실시간 세그멘테이션이 매출에 붙는 유스케이스 한두 개를 골라 90일 안에 검증하고, human-on-the-loop 승인 게이트를 문서로 못 박은 뒤 확장하는 순서가 안전합니다.

벤더 발표의 '83%가 인프라 업그레이드 필요' 같은 수치를 믿어도 되나요

그 83%와 함께 나온 43%(레거시 통합 격차)·81%(운영 복잡성)는 모두 통합 플랫폼을 파는 벤더의 자체 State of infrastructure 조사예요. 문제 정의와 해법을 같은 회사가 제공하는 구조라 판매 논리가 섞여 있으니, 방향은 참고하되 전면 재구축의 근거로 삼지 말고 자사 데이터로 소규모 유스케이스를 직접 검증한 뒤 확대 여부를 판단하세요.