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.
A: B2C는 사람을 위한 경험 최적화이고, B2A는 AI Agent를 위한 데이터 최적화입니다. 구조화 형식, 검증 가능한 사실, 실시간 정확성이 핵심입니다.
A: price, availability, aggregateRating, shippingDetails, hasMerchantReturnPolicy입니다. 대부분의 브랜드는 뒤의 세 항목이 부족합니다.
A: 아닙니다. Google은 주로 Schema와 Merchant Center 데이터를 사용합니다. llms.txt는 ChatGPT, Perplexity, Claude에 더 의미가 있습니다.
A: 기본 Schema와 Feed는 어느 정도 처리되지만 배송, 반품, llms.txt는 별도 점검이 필요합니다.
A: AI 추천 가능성, Rich Results 품질, Product Feed 성과, 향후 UCP/ACP 통합 준비가 직접적인 가치입니다.