B2A 인프라: AI Agent가 상품을 정확히 읽게 만드는 방법

이전 글에서 Agentic Commerce의 첫 전장은 결제가 아니라 발견과 추천이라고 정리했습니다. 그 전제는 상품 데이터가 기계가 소비할 수 있는 형태로 준비되어 있는가입니다. 사람에게 보기 좋은 상세 페이지와 AI Agent가 검증할 수 있는 데이터는 다릅니다.

첫 번째 기둥은 Schema.org입니다. 많은 브랜드의 Schema는 Product, name, price 수준에서 멈춥니다. 하지만 AI가 추천 판단을 하려면 Brand, Offer, AggregateRating, ShippingDetails, MerchantReturnPolicy까지 연결된 의미 그래프가 필요합니다. 가격, 재고, 배송, 반품, 평점이 구조화되어야 신뢰도가 생깁니다.

두 번째 기둥은 llms.txt입니다. 이는 sitemap 복사본이 아닙니다. AI가 제한된 컨텍스트에서 빠르게 읽어야 할 핵심 페이지 20에서 50개를 선별한 안내서입니다. 각 링크에는 한 문장 설명이 필요합니다. 그래야 AI가 어떤 페이지를 더 읽어야 하는지 판단할 수 있습니다.

세 번째 기둥은 Product Feed입니다. Google Merchant Center, Shopify Agentic Storefronts, OpenAI의 상품 데이터 흐름은 모두 Feed 품질에 의존합니다. 가격이 오래됐거나, 품절 상태가 반영되지 않거나, 옵션과 이미지가 부족하면 AI는 추천을 낮춥니다.

네 번째 기둥은 UCP Manifest입니다. 이는 AI Agent에게 판매자가 어떤 기능을 지원하는지 알려주는 선언 파일입니다. 카탈로그 조회, 장바구니, 할인, checkout 같은 기능이 여기에 포함됩니다. 아직 초기 단계지만 규모가 있는 브랜드는 준비해야 합니다.

AI가 읽을 수 있다고 해서 반드시 추천된다는 뜻은 아닙니다. B2A는 필요조건이지 충분조건은 아닙니다. 경쟁사 데이터, 기존 AI 지식, 사용자 맥락, 플랫폼 정책도 영향을 줍니다. 하지만 B2A가 없다면 추천 논의 자체가 시작되지 않습니다.

Gravity의 AI 검색 진단은 Schema 깊이, llms.txt 품질, Product Feed 신선도, AI Agent 크롤링 패턴, AI 답변에서의 브랜드 표현을 함께 봅니다. 목적은 점수가 아니라 AI가 실제로 무엇을 보고 무엇을 보지 못하는지 확인하는 것입니다.

실무 관점에서 B2A 데이터 인프라는 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: B2A 결함은 추천 리스크로 나타난다

B2A는 기술 체크리스트가 아니라 AI가 추천해도 되는지 판단하는 증거 정리입니다. 사람에게는 이미지와 문맥으로 전달되는 정보도 Agent에게는 구조화된 사실이어야 합니다.

네 기둥은 따로 관리하면 약합니다. Schema는 페이지 안의 사실, llms.txt는 읽을 순서, Product Feed는 최신 상품 사실, UCP Manifest는 거래 능력을 보여줍니다. 주간 운영에서는 가격 차이, 재고 지연, 반품 조건, 리뷰 결함을 같은 보드에서 봐야 합니다.

이 작업은 한 번의 구축으로 끝나지 않습니다. 프로모션, 가격 변경, 배송 조건, 신상품 출시 때마다 B2A는 낡습니다. AI가 읽는 데이터의 신선도를 운영 KPI로 넣어야 합니다.

보강: B2A 데이터 인프라를 실무에서 판단하는 법

이 주제를 현장에서 다룰 때는 B2A 데이터 인프라를 유행어가 아니라 운영 의사결정으로 보아야 합니다. 특히 Schema, llms.txt, Product Feed, UCP Manifest 운영가 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 데이터 신선도, 정책, 리뷰, 배송 조건가 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.

FAQ

Q1: B2A와 B2C는 무엇이 다른가요?

A: B2C는 사람을 위한 경험 최적화이고, B2A는 AI Agent를 위한 데이터 최적화입니다. 구조화 형식, 검증 가능한 사실, 실시간 정확성이 핵심입니다.

Q2: 가장 중요한 Schema 속성은 무엇인가요?

A: price, availability, aggregateRating, shippingDetails, hasMerchantReturnPolicy입니다. 대부분의 브랜드는 뒤의 세 항목이 부족합니다.

Q3: llms.txt가 Google AI Overview에 필수인가요?

A: 아닙니다. Google은 주로 Schema와 Merchant Center 데이터를 사용합니다. llms.txt는 ChatGPT, Perplexity, Claude에 더 의미가 있습니다.

Q4: Shopify를 쓰면 자동으로 해결되나요?

A: 기본 Schema와 Feed는 어느 정도 처리되지만 배송, 반품, llms.txt는 별도 점검이 필요합니다.

Q5: B2A 최적화의 ROI는 무엇인가요?

A: AI 추천 가능성, Rich Results 품질, Product Feed 성과, 향후 UCP/ACP 통합 준비가 직접적인 가치입니다.