Adobe와 BrightEdge의 수치는 서로 충돌해 보입니다. Adobe는 AI referral을 전체의 1% 미만으로 보고, BrightEdge는 AI Agent 활동을 약 15%로 봅니다. 둘 다 맞습니다. 하나는 브라우저 referrer를 보고, 다른 하나는 서버 요청을 봅니다.
GA4 last-click은 마지막 방문 채널에 매출을 줍니다. 그러나 AI는 그 이전의 조사, 비교, 신뢰 형성에 관여합니다. Perplexity에서 브랜드를 알고, ChatGPT에서 비교하고, 며칠 뒤 브랜드 검색으로 구매하면 GA4는 Organic으로 기록합니다. 실제 수요는 AI가 만들었을 수 있습니다.
실패 패턴은 네 가지입니다. AI 영향이 Direct로 들어갑니다. Agent 서버 요청은 JS를 실행하지 않아 GA4에 잡히지 않습니다. AI referrer 식별은 불완전합니다. 사용자가 여러 AI 플랫폼을 거치면 모두 제로 attribution이 됩니다. 앱 브랜드의 MMP도 Web 상류 AI 영향은 보지 못합니다.
필요한 것은 계층형 attribution입니다. AI Exposed, AI Referred, AI Assisted, AI Last-Touch, Agent Checkout, MMP Confirmed를 분리해 봐야 합니다. 가장 강한 증거만 기다리면 AI의 초기 효과를 놓칩니다.
또 관측 성장, 비교 가능 성장, 커버리지 확장을 구분해야 합니다. Edge Lite 도입 후 AI 요청이 15배가 되었다면 실제 수요가 15배가 된 것이 아니라 이전에 보이지 않던 요청을 보기 시작한 것일 수 있습니다.
실무 관점에서 last-click attribution의 한계는 단발성 콘텐츠 과제가 아닙니다. 상품 데이터, AI 답변에서의 표현, Agent 요청, 유입 이후 행동, 주문 연결을 하나의 증거선으로 봐야 합니다. 그렇지 않으면 팀은 “AI 쪽에서 뭔가 늘고 있다”는 말 이상으로 예산과 우선순위를 결정할 수 없습니다.
또 하나 중요한 점은 과도한 단정을 피하는 것입니다. AI 검색과 Agentic Commerce 측정은 아직 성숙 중입니다. prompt sampling, referrer, server log, Shopify order는 각각 장단점이 있습니다. 여러 약한 신호를 단순히 합산하기보다 계층별 신뢰도를 명확히 두고 개선 순서를 정해야 합니다.
보강: Last-click 대신 증거 강도로 본다
AI attribution에서 모든 것을 하나의 ROAS로 밀어 넣으면 오차가 커집니다. 먼저 어떤 계층의 증거인지 명확히 해야 합니다.
계층 | 의미 | 주요 증거 | 신뢰도 |
|---|---|---|---|
AI Exposed | AI 답변에 브랜드가 노출 | Answer snapshot, SOV | 낮음-중간. 인과 아님 |
AI Referred | AI 유입 방문이 있음 | Referrer, UTM, first-party JS | 중간. 방문 증거 |
AI Assisted | 구매 경로에 AI 방문 포함 | Session path, multi-touch path | 중상. 보조 증거 |
AI Last-Touch | AI가 구매 직전 유입원 | AI referrer to purchase session | 높음. 직접 연결 |
Agent Checkout | Agent가 API로 실행 | UCP, ACP, API log | 최고. 아직 사례 적음 |
MMP Confirmed | MMP가 AI signal 수신 | AppsFlyer, Adjust postback | 높음. 앱 연동 의존 |
증가의 종류도 구분해야 합니다. 측정 범위를 넓힌 직후 숫자가 늘었다면 수요 증가가 아니라 coverage expansion일 수 있습니다. 반대로 같은 정의와 같은 조건에서 AI assisted order가 늘면 더 강한 성장 신호입니다.
증가 유형 | 겉으로 보이는 모습 | 판단 |
|---|---|---|
Observed Growth | 도입 후 숫자가 크게 증가 | 먼저 측정 범위 변화를 확인 |
Comparable Growth | 같은 정의와 기간 비교에서 증가 | 수요 또는 행동 변화로 평가 가능 |
Coverage Expansion | Edge Lite나 bot detection 추가 후 증가 | 이전에 보이지 않던 계층이 보인 것일 수 있음 |
이 구조는 AI 기여를 과대평가하지도 과소평가하지도 않게 합니다. 경영 보고에서는 확정 매출, 강한 방문 증거, 보조 증거, 노출 증거를 나눠 말할 수 있습니다. 예산 논의도 어떤 계층을 개선할지로 바뀝니다.
한국의 구매 여정에서도 AI 영향은 마지막 클릭으로 남지 않는 경우가 많습니다. 사용자는 AI에서 후보를 좁히고, Naver나 Google에서 브랜드명을 다시 검색하고, 리뷰와 가격을 확인한 뒤 자사몰이나 마켓플레이스로 이동합니다. 이때 GA4만 보면 Organic, Direct, Referral로 보일 수 있습니다. 하지만 실제로는 AI가 첫 후보군과 비교 기준을 만들었을 수 있습니다.
따라서 보고 체계는 “AI 매출 얼마”라는 단일 숫자보다 “AI 노출, AI 방문, AI 보조, AI 직접 전환”의 네 줄로 시작하는 편이 안전합니다. 각 줄은 증거 강도가 다르고, 필요한 개선 작업도 다릅니다. 노출이 약하면 콘텐츠와 권위 신호를 고쳐야 하고, 방문이 약하면 AI가 읽는 링크와 landing path를 고쳐야 하며, 보조는 있는데 주문 연결이 약하면 session-to-order join을 점검해야 합니다.
구현 순서도 중요합니다. 처음부터 완전한 AI ROAS를 만들려고 하면 정의가 흔들린 상태에서 숫자만 커집니다. 먼저 AI referrer와 landing path를 정리하고, 다음으로 server log와 Agent request를 수집하며, 마지막에 주문과 세션을 연결해야 합니다. 이 순서라면 coverage expansion과 실제 성장의 차이를 설명할 수 있습니다.
결국 필요한 것은 완벽한 모델보다 오해를 줄이는 보고 체계입니다. AI를 하나의 채널명으로만 묶지 말고 노출, 방문, 보조, 전환을 나누면 개선 책임도 분명해집니다. 콘텐츠는 노출을, 데이터 인프라는 request와 visit을, 분석은 주문 연결을 담당할 수 있습니다.
이렇게 나누면 팀 간 논쟁도 줄어듭니다. 퍼포먼스 팀은 마지막 클릭만 보지 않고, 콘텐츠 팀은 언급량만 성과로 주장하지 않으며, 데이터 팀은 신호의 한계를 설명할 수 있습니다. AI attribution은 숫자를 키우는 작업이 아니라 숫자가 어떤 증거인지 분명히 하는 작업입니다.
공통 정의가 없으면 같은 증가를 여러 팀이 중복 성과로 계산할 위험도 있습니다.
공통 정의가 곧 attribution governance입니다.
보강: AI attribution 재설계를 실무에서 판단하는 법
이 주제를 현장에서 다룰 때는 AI attribution 재설계를 유행어가 아니라 운영 의사결정으로 보아야 합니다. 특히 last-click으로 보이지 않는 노출, 방문, 보조, 전환가 어느 팀의 책임인지, 어떤 데이터로 뒷받침되는지, 얼마나 자주 갱신되는지를 먼저 정해야 합니다. 이 부분이 모호하면 글과 FAQ를 늘려도 AI가 참고할 증거는 안정되지 않습니다.
첫 단계는 “AI가 읽을 수 있는 것”과 “사람이 화면에서 이해하는 것”을 분리하는 일입니다. 상세 페이지가 좋아 보여도 구조화 데이터, feed, 정책, 리뷰, 내부 링크가 약하면 Agent는 강하게 추천하기 어렵습니다. 반대로 대형 캠페인이 없어도 측정 범위, 비교 가능 성장, 주문 연결가 잘 정리되어 있으면 비교형 질문에서 후보로 남을 가능성이 생깁니다.
측정도 같은 방식으로 쪼개야 합니다. 주간 리포트에서는 노출, Agent request, AI 유입 visit, 사이트 행동, 주문 연결을 따로 봅니다. 월간 리포트에서는 같은 정의로 비교 가능한 숫자만 성장으로 봅니다. 새 태그나 Edge 측정을 넣은 직후의 증가는 실제 수요 증가가 아니라 관측 범위 확장일 수 있습니다.
개선 순서도 고정해야 합니다. 먼저 AI의 오해를 줄이고, 다음으로 읽을 수 있는 데이터를 늘리고, 그다음 도착 이후 경험을 정리하며, 마지막에 매출 연결을 강화합니다. 이 순서를 지키면 단기 숫자가 흔들려도 팀은 어떤 계층을 개선하고 있는지 잃지 않습니다.
한국어 버전에서도 단순 번역은 충분하지 않습니다. Naver, Google, 커뮤니티, 리뷰, 마켓플레이스, 자사몰이 함께 작동하기 때문에 각 접점의 증거가 맞아야 합니다. AI가 한국어 질문에서 브랜드를 설명할 때 실제 포지셔닝과 가격, 배송, 반품 조건을 틀리지 않는 것이 기본입니다.
AI attribution에서 특히 위험한 것은 약한 신호를 강한 신호처럼 보고하는 일입니다. AI 답변에 브랜드가 등장한 것은 중요하지만 매출 증명은 아닙니다. AI referrer는 방문 증거이지만 구매 이유를 모두 설명하지는 않습니다. 주문 연결은 강한 증거이지만 상류에서 어떤 추천이 있었는지 함께 보아야 해석이 완성됩니다.
따라서 보고서는 “추정, 보조, 확인”을 분리해야 합니다. 추정은 Answer와 SOV, 보조는 Visit과 Commerce, 확인은 session-to-order join이나 MMP confirmed입니다. 이 구분이 있어야 경영진은 불확실성을 이해한 상태에서 예산을 판단할 수 있습니다.
FAQ
Q1: GA4가 AI 트래픽을 낮게 보는 이유는 무엇인가요?
A: JS 미실행 Agent 요청, 불완전한 referrer, 브랜드 검색으로 전환된 AI 영향 때문입니다.
Q2: 계층형 attribution은 무엇인가요?
A: AI 노출, 유입, 보조 전환, 직접 전환, Agent checkout을 증거 강도별로 나누는 방식입니다.
Q3: 지금 AI ROAS를 정확히 계산할 수 있나요?
A: 단일 정확값보다 계층별 baseline을 만드는 것이 현실적입니다.
Q4: AppsFlyer와는 어떤 관계인가요?
A: 대체가 아니라 보완입니다. Web AI 상류 신호를 MMP에 연결합니다.