소매업의 많은 도전 과제는 신뢰할 수 없는 제품 데이터에 달려 있다. 에이전트형 AI가 그 데이터를 충분히 정리해 변화를 만들어낼 수 있을까? 다른 산업군에서도 마찬가지일까?

모든 산업군은 저마다 고유한 기술적 과제를 안고 있다. 예를 들어 소매업에서는 잘못되었거나 불완전한 제품 데이터가 수십 년 동안 세계 최대 소매업체를 괴롭혀 왔다.

다음은 부정확한 제품 데이터가 초래한 소매업의 대표적 문제 사례다.

• 소매업체가 최근 구매한 제품의 리콜을 쇼핑객에게 알리려 했지만 실패했다.
• 소매 웹사이트와 모바일 앱이 쇼핑객에게 해당 상품이 구매 가능하다고 계속 알리지만 실제로는 그렇지 않다.
• 소매업체가 두 달 전에 쇼핑객이 검색한 제품이 다시 입고되었을 때 고객에게 알리지 못한다.
• 앱이 오프라인 매장에서 제품의 위치를 알려주지만, 실제로 그 물품은 그 위치 근처에 없다.

이들 문제의 대부분은 공급업체에서 발생하는 신뢰할 수 없는 데이터에 뿌리를 두고 있다. 프록터앤갬블, 유니레버, 콜게이트-팜올리브, 존슨앤존슨, 크래프트, 마즈, 제너럴밀스를 비롯한 수천 개 글로벌 제조업체가 그 공급망에 포함되어 있다.

신뢰할 수 없는 데이터는 잘못된 정보뿐 아니라 잘못된 필드에 입력된 데이터, 본질적으로 불완전하거나 아예 포함되지 않은 데이터도 포함한다. 식료품 사이트에 방문해서 ‘성분’ 버튼을 눌렀더니 영양표만 있고 성분이 전혀 나열되어 있지 않은 경우를 경험한 적 있는가? 잘못된 필드나 셀에 데이터가 들어간 사례다.

여러 생성형 AI 기업은, 구글이 주도적 역할을 하는 것으로 평가되는 가운데, 생성형 AI와 에이전트형 AI가 제품 데이터 품질을 개선할 수 있다고 분석한다. 에이전트형 AI가 전자상거래의 상호작용 방식을 혁신적으로 바꾸는 것과 같은 맥락이다.

끊임없이 오류 데이터를 탐색해 수정하는 소프트웨어 에이전트의 집단이 해법이 될 수 있을까?

그 함의는 소매업에 국한되지 않는다. 소매 분야에서 에이전트형 AI가 기술적 난제를 해결하는 과정을 보면, 다른 산업의 IT 리더도 자사 시스템의 문제 해결에 AI를 적용할 실마리를 얻을 수 있다.

제품 데이터의 (불)신뢰성

현재 소매 공급업체가 공유하는 데이터 품질은 얼마나 나쁜가? 상품이 판매되는 종류, 하위 산업군(약국 대 식료품 대 의류체인), 지역, 그리고 각 소매업체가 요구하는 정보의 종류가 방대하기 때문에 이 질문에 의미 있게 답하기는 거의 불가능하다.

이러한 변수를 고려할 때, 소매 전문가는 당연히 매우 다른 추정치를 제시한다. 무어인사이트앤스트래티지의 부사장이자 수석 애널리스트 멜로디 브루는 공급업체 데이터 신뢰성을 65 %에서 80 % 사이로 본다.

에베레스트그룹의 실무이사 아비라샤 샤르마는 “공급업체 데이터 신뢰성 범위는 60 %에서 65 %이며, 식별자(GTIN/UPC, 브랜드) 및 팩/크기/치수/중량과 같은 영역에서는 85 % 이상으로 더 높지만”, 시각정보를 제공해야 하는 공급업체는 50 % 미만이라고 제시했다.

“이들 매개변수에 대한 정확성은 생성형 AI/AI가 그 방정식에 더해지면서 증가하고 있다”라고 샤르마는 언급했으며, “그러나 동영상과 같은 추가 매개변수가 복잡성을 더하면서 일반적인 정확성을 낮춘다”라고 설명했다.

옵티멈리테일링의 최고경영자 샘 바이스는 가장 비관적인 입장을 보이며 공급업체 데이터 정확도를 “최고로 봐야 50 % 또는 약간 그 이하”라고 말했다.

구글 글로벌 리테일 부문 디렉터 폴 테프펜하르트는 가장 낙관적인 입장을 보이며 50% 정확도라는 평가에 회의적인 시각을 밝혔다. 테프펜하르트는 “일반적으로 80%에서 90% 수준을 보인다. 물론 이는 최상급 소매업체 기준이지만, 50%라는 수치는 지나친 과소평가다”라고 언급했다. 이어 “일부 공급업체가 그 정도 수준에 머물러 있는 사례도 있지만, 결코 일반적인 현상은 아니다”라고 덧붙였다.

제품 데이터의 신뢰도가 10%에서 20%만 낮아져도 운영상 문제를 유발할 수 있다. 폴 테프펜하르트는 80% 수준의 신뢰도가 어떤 의미인지 설명하며, 이 수치가 쇼핑객과 소매업체 모두에게 상당한 불편을 초래한다고 분석했다.

테프펜하르트에 따르면 온라인 장바구니에는 평균적으로 몇 개의 오류 항목이나 재고 없음 품목이 포함돼 있으며, 이는 소비자 경험을 지속적으로 악화시키는 요인이다.

또한 대형 글로벌 소매업체는 제품 한 개당 120개에서 250개의 속성을 관리하며, 이러한 속성 행렬이 이백만 개 항목으로 확장될 경우 데이터 처리량은 기하급수적으로 늘어난다. 테프펜하르트는 월마트의 경우 약 5억 개 제품을 보유하고 있다며, 이러한 데이터 규모는 “사실상 방대한 수학적 문제”라고 평가했다.

AI가 구원이 될 수 있을까

인공지능이 소매 데이터의 신뢰도를 개선할 수 있다고 해도, 그 수준이 소매업체가 실제 운영 방식을 바꿀 만큼 충분할지는 의문이다.

과거 일부 소매업체는 중단했던 제품 리콜 알림 서비스를 다시 시도했지만, 데이터의 부정확성 때문에 문제가 발생했다. 구매하지도 않은 고객에게 알림이 전송되는가 하면, 실제 구매자에게는 통보가 전달되지 않았다. 소송으로 번질 가능성까지 제기됐다.

이와 유사하게, 대부분의 소매업체는 매장 내 재고 수량을 공개하지 않는다. 재고 데이터 역시 신뢰도가 낮기 때문이다.

다만 공급업체 데이터의 정확성과 일관성에 대한 확신이 높아진다면, 이런 운영 방침도 다시 검토될 가능성이 크다. 소매 IT 임원이 공급업체 데이터에 대해 그 수준의 확신을 갖기 위해서는, 소매업체에 따라 다르지만 일반적으로 신뢰도가 90 %에서 99 %에 도달해야 하며, 이는 거의 모든 공급업체가 현재 도달한 수준보다 높다.

일부 소매업 전문가는 공급업체가 높은 정확도를 달성하기 위해 충분히 투자할지에 의문을 제기하지만, 폴 테프펜하르트는 작은 개선이라도 의미가 있다고 강조했다.

테프펜하르트는 “‘완벽’이 ‘좋음’의 적이 될 수 있다”며, 정확도의 점진적 향상만으로도 얻을 수 있는 이익이 크다고 분석했다. 지나치게 높고 현실성이 없는 목표를 설정하면 기업이 발전 대신 정체에 빠질 수 있다고 지적했다.

구글은 공급업체 데이터 신뢰성 문제를 해결하기 위해 에이전트형 시스템을 활용하는 접근법을 채택하고 있다. 이 시스템은 공급업체 데이터를 평가해 오류나 누락된 항목을 식별한 뒤, 해당 내용을 공급업체에 직접 공유하는 방식이다.

테프펜하르트는 초기 단계를 설명하며, 인공지능이 누락되었거나 비정상적인 데이터를 평가해 오류를 감지하고, 잘못되거나 빠진 정보를 표시한 뒤 해당 결과를 공급망에 전달하는 방식이라고 설명했다. AI가 “이 다섯 개 항목을 다시 검토해야 한다. 다음은 수정 제안이다”라는 형식으로 요청을 자동 생성해 공급업체에 전달하는 구조가 1단계다.

2단계는 에이전트가 공급업체에 직접 연락할 필요조차 없는 상태, 즉 스스로 최선의 추측을 하고 데이터를 수정하려는 단계다.

폴 테프펜하르트는 시간이 지남에 따라 인공지능이 스스로 학습하며, 궁극적으로는 오류 데이터를 직접 수정하는 단계로 발전할 것이라고 설명했다. 현재 소매업체는 데이터 오류를 수동으로 수정하기 위해 막대한 비용을 지출하고 있으며, 이러한 자동화 전환이 비용 절감 효과를 가져올 것으로 전망된다.

테프펜하르트는 또 제품 성분 데이터에는 중요한 건강 안전 요소가 포함돼 있다고 지적했다. 일부 성분은 치명적인 알러지원일 수도 있기 때문이다.

무어의 브루는 구글의 접근이 작동할 수 있다고 보며, 전제는 소매업체와 공급업체 모두 소프트웨어와 협력해야 한다는 점이다.

브루는 이러한 데이터 피드백이 즉각적인 개선 효과를 낼 수 있다고 평가했다. 또한 공급업체가 AI의 수정 제안에 대응하기 위해 별도의 인력을 투입해야 할 가능성도 있다고 분석했다.

브루는 현재 단계의 인공지능 도입은 인간의 검토와 응답 과정이 여전히 필요하다는 점을 강조했다. 데이터 품질 개선이 QR 코드 전환을 촉진하고, 다시 데이터 신뢰도를 강화한다

공급업체 데이터 신뢰도가 급격히 향상될 수 있다면, 전 세계 소매업이 바코드에서 QR 코드로 전환하는 매우 지연된 변화 중 하나를 촉진할 수 있다. QR 코드는 현재 보편적인 바코드보다 훨씬 더 많은 정보를 담을 수 있지만, 소매업체가 공급업체가 신뢰할 수 있는 데이터를 제공하고 있다는 자신감이 있을 때에만 전환을 고려할 수 있다.

옵티멈리테일링의 샘 바이스는 “바코드는 25자 이하로 제한되지만, QR 코드는 수천 자를 담을 수 있다”라고 설명했다. 담을 수 있는 정보의 양이 사실상 무제한에 가깝다는 뜻이다.

옵티멈리테일링의 샘 바이스는 QR 코드를 통해 소매업체가 배송 방식, 제조일자, 유통기한 등 주요 정보에 모두 접근할 수 있다고 설명했다. 이러한 정보는 특히 부패성 상품의 팔레트를 수용할지 판단할 때 매우 중요하다고 강조했다.

바이스는 “바코드는 25자로 표현할 수 있는 내용이 제한적이다”라며, 기존 바코드 체계의 한계를 지적했다.

AI와 자동화 기술이 공급업체의 제품 데이터를 개선한다면, 소매업체는 바코드에서 QR 코드로 전환하는 데 필요한 장비, 소프트웨어, 인프라에 투자할 가능성이 높다.

이 변화는 각 제품에 더 풍부하고 유용한 데이터가 연결되는 결과로 이어져, 소매업체와 소비자 모두에게 실질적인 이익을 제공할 것으로 보인다.

다만 이 전환이 소매업체만의 과제는 아니다. 모든 공급업체, 공급망 참여자, 그리고 소매업체가 전 세계적으로 협력해야 하는 대규모 변화이며, QR 코드의 구체적 사양을 규정할 국제 표준화 기구의 조율도 필요하다. 바코드보다 훨씬 복잡한 체계를 통합해야 하기 때문이다.

그러나 데이터 신뢰도에 대한 확신이 확보되지 않는 한, 소매업체가 이 전환에 적극적으로 나설 이유는 크지 않다.

플래노그램 문제

구글이 개선하려고 시도하는 또 다른 소매 영역은 플래노그램이다. 플래노그램은 매장에서 어떤 제품이 어느 통로 및 진열대에 있어야 하는지를 나타내는 매장 지도다. 이론적으로 제대로 된 플래노그램은 제품이 정확히 어디에 있는지를 나타내며, 모바일 앱이 특정 시리얼 제품의 위치를 고객에게 안내할 수 있게 한다.

문제는 플래노그램이 거의 정확하지 않다는 것이다. 한 가지 주요 요인은 많은 매장이 고객에 더 잘 대응하기 위해 제품 배치를 변경하도록 여지가 있지만, 이러한 현지 매장 변경사항이 거의 플래노그램 시스템에 반영되지 않는다는 점이다.

샘 바이스는 플래노그램 소프트웨어가 재고 시스템과 연동되지 않는 구조적 한계를 지적했다.

대다수 소매업체의 플래노그램 도구와 재고 관리 시스템이 서로 고립된 채 운영되고 있어, 계획된 진열 정보와 실제 재고 현황 사이에 실시간 동기화가 이뤄지지 않는다는 설명이다.

바이스는 초기 플래노그램이 정확하게 설계됐더라도 재고 변동, 공급망 지연, 판매 처리 등 일상적인 변수로 인해 며칠 만에 무의미해지는 경우가 많다고 분석했다. 또한 자동화나 인공지능이 개입하지 않으면, 방대한 수작업 없이는 플래노그램의 정확성을 유지하기 어렵다는 점을 강조했다.

소매업에서 제품을 추적하고 플래노그램을 마스터하는 황금기준은 아마존 고다. 이 회사의 ‘그랩 앤 고’ 매장은 쇼핑객이 앱으로 체크인하고 원하는 상품을 가져가면 자동으로 결제되는 시스템이다. 이 시스템은 정교한 디지털 카메라, 센서 및 분석체계를 사용해 모든 상품, 모든 쇼핑카트, 모든 고객을 실시간으로 추적한다.

그러나 아마존 고 매장은 프로토타입으로 인식되며, 수익성이 있다는 보고도 없고 수익성이 기대되지도 않는다.

그럼에도 불구하고 AiFi 같은 신생업체가 유사한 노력을 시작했다. 이 업체는 소매 매장에 ‘카메라 기반 공간 인텔리전스 플랫폼’을 제공해, 체크아웃이 필요 없는 쇼핑 환경과 자동 재고 관리, 효율적인 플래노그램 운영을 구현하고 있다.

멜로디 브루는 “컴퓨터 비전 인공지능이 빠른 속도로 발전하며 매장 전체를 인식할 수 있는 수준에 이르렀다” 고 평가했다.

구글의 매장 내 제품 추적 방식은 더 축소된 방식이다. 테프펜하르트는 대형 소매체인이 아마존 고 수준의 실시간 데이터 수집 및 분석을 구현하는 것에 대해 “절대 수익성 있는 방식이 아니다”라고 말했다.

구글은 비용 부담이 적은 보조형 솔루션을 도입하는 방식을 검토하고 있다. 매장의 각 통로를 일정 주기로 스캔하는 방식으로, 하루 한 번 정도 촬영을 진행한다. 이 작업은 고정형 카메라 배열이나 매장 내부를 순회하는 드론을 통해 수행할 수 있다.

수집된 이미지와 영상은 소프트웨어가 자동으로 분석해 시스템과 사이트의 데이터를 갱신하고, 그 결과를 화면 정보에 즉시 반영한다.

폴 테프펜하르트는 실시간 모니터링까지는 필요하지 않다며, 일정 주기로 스캔하는 방식이 효율적이라고 설명했다. 샘 바이스는 구글의 이러한 중간 수준 접근법이 비용 효율성 측면에서 현실적인 선택이라고 평가했다. 바이스는 컴퓨터 비전 기술의 구축 비용이 매우 높다는 점을 지적하며, 하루 한 번 스캔하는 시스템은 인공지능에 전면적으로 투자할 여력이 없는 매장에서도 상대적으로 적은 비용으로 도입할 수 있다고 분석했다.

소매업을 넘어 확장되는 AI 활용

다양한 유형의 인공지능을 결합한 이러한 접근 방식은 제품 데이터의 신뢰성과 포괄성을 높이고, 궁극적으로 온라인과 오프라인 매장에서의 고객 경험을 개선할 가능성이 있다.

데이터 분석 관점에서 보면, 소매업의 문제를 해결하는 방식은 다른 산업군에도 충분히 적용될 수 있는 보편적 모델로 평가된다. 각 산업 분야의 IT 책임자는 자사 데이터 문제의 근본 원인을 인공지능 관점에서 다시 검토하고, 영상 분석·에이전트 시스템·기타 AI 도구가 이를 얼마나 비용 효율적으로 해결할 수 있는지 판단할 필요가 있다.

예를 들어 의료 분야에서는 생성형 인공지능 도구가 과중한 업무에 시달리는 응급실 의사가 환자의 방대한 의료 기록에서 핵심 정보를 신속히 추출하도록 도울 수 있다. 금융 분야에서는 에이전트형 인공지능 시스템이 거래를 실시간으로 검증해 사기 방지 효율을 높일 수 있다.

이처럼 자동화와 인공지능 에이전트는 거의 모든 산업에 적용될 잠재력을 갖고 있다. 이제는 인공지능을 도입할지 고민할 때가 아니라, 어디까지 맡길지를 결정해야 할 때다.
dl-itworldkorea@foundryco.com