ChatGPT 캐러셀 분석 배경
이제 소비자는 생성형 AI에게 “내 상황에 맞는 상품을 추천해줘”라고 합니다.
이때 ChatGPT는 단순 텍스트가 아닌 이미지와 링크가 담긴 제품 캐러셀(Carousel)을 답변으로 제시합니다.
GPT는 어디서 어떻게 상품 소스를 가져오는지 궁금증을 풀기 위해 ChatGPT의 내부 네트워크 트래픽과 소스 코드를 심층 분석해보았습니다.
3가지 카테고리(건기식, 의류, 전자기기)의 질문을 통해 997개의 캐러셀 제품 데이터를 분석하여 ChatGPT의 상품 추천 방식을 확인했습니다.
핵심 인사이트 요약
- 질문 의도를 분석하여 영어 기반으로 Fan-Out을 진행합니다.
- 인용률의 약 87%를 구글 쇼핑(Google Shopping)에서 가져옵니다.
- 업종 카테고리별 데이터 소스 인용률에 유의미한 차이가 존재합니다.
실험으로 확인한 ChatGPT 캐러셀 노출 방식
캐러셀 노출 결과에서 확인된 상품 구성 패턴
"비타민 추천해줘" 질문을 입력했을 때
ChatGPT는 일반 텍스트가 아닌 제품 캐러셀 형태의 결과를 생성했습니다.
이는 쇼핑 인텐트(Shopping Intent)가 감지되면 답변 구조 자체가 바뀐 것입니다.
- 구성 : 약 9개의 제품 추천, 제품당 2~3개의 판매처 링크, 이미지, 가격 정보 제공.
- 패턴 : 단순히 제품을 나열하는 것이 아니라 [에너지/집중력], [수면/스트레스] 등 사용자 니즈에 맞춘 카테고리별로 제품을 그룹화하여 제안합니다.
패턴 안에는 성분(비타민 B, D3, 마그네슘 등) 기준으로 제품이 묶여 등장했습니다.
내부 검색 쿼리 분석 결과
질문 시 Network 요청 데이터를 분석하여 내부 검색 쿼리를 확인한 결과 입력한 질문이 그대로 사용되지 않은 것을 확인할 수 있었습니다.
입력한 "비타민 추천해줘" 같은 하나의 쿼리에도 ChatGPT가 내부적으로 다음과 같은 여러 개의 검색 쿼리를 생성하고 있었습니다.
- vitamin b complex supplement
- vitamin d3 supplement 2000 IU
- magnesium glycinate supplement
즉, 하나의 질문이 아닌 여러 개의 검색 쿼리 형태로 처리되며 모든 검색 쿼리는 한국어가 영어 형태로 변환되어 구성되어 있었습니다.
상품 정보는 어디서 가져왔을까?
그렇다면 추천해준 상품의 정보는 어디서 가져온걸까요?
저희는 구글 쇼핑에서 대부분의 상품을 가져오는 것을 확인했습니다.
각 검색 쿼리를 구글 쇼핑에 검색해보았습니다.
1. vitamin b complex supplement
캐러셀로 등장한 9개의 상품 중 3개의 상품이 1, 2, 4위에 노출되고 있습니다.
2. vitamin+d3+supplement+2000+iu
캐러셀로 등장한 9개의 상품 중 4개가 1, 2, 4, 5위에 노출되고 있습니다.
3. magnesium+glycinate+supplement
캐러셀로 등장한 9개의 상품 중 2개가 1, 2위에 노출되고 있습니다.
흥미로운 사실은 검색 시 구글 쇼핑 상단에 위치한 상품을 가져온다는 점이었습니다.
특히 구글 쇼핑에서 특정 제품의 판매처 구성과 ChatGPT 캐러셀에 연결된 판매처가 대부분 일치하는 것을 확인했습니다.
상품 구성, 검색 쿼리, 노출 순위, 판매처까지 모두 일치한다는 점에서 ChatGPT는 Google Shopping 데이터를 단순 참고하는 것이 아니라 구조적으로 활용하고 있을 가능성이 높습니다.
ChatGPT 쇼핑 추천 엔진 분석 결과
쇼핑 의도(Shopping Intent) 분석과 추천 구조
ChatGPT는 모든 쿼리를 범용 LLM 프로세스로 처리하지 않습니다.
입력된 질문은 응답 생성 이전에 의도 분류(Intent Classification) 단계를 거칩니다.
이는 AI가 정확한 답을 생성하기 위해 질문의 의도를 판별하는 기술입니다.
실험에서 확인된 것처럼 “비타민 추천해줘”와 같은 질문에서는 텍스트 중심의 답변이 아닌 제품 캐러셀이 생성되었습니다.
이는 해당 질문이 단순 정보 탐색이 아닌 구매 의도를 포함한 쇼핑 인텐트(Shopping Intent)로 해석되었기 때문입니다.
질문 의도를 판단하고 쇼핑 의도가 있는 질문에 상품을 추천하는 것이 ChatGPT의 쇼핑 의도 추천 구조라 할 수 있습니다.
쿼리 팬아웃 기반 검색 구조
ChatGPT는 사용자의 질문 하나를 그대로 검색하지 않습니다.
질문의 맥락을 분석해 여러 개의 검색 쿼리로 나누는 쿼리 팬아웃 (Query Fan-Out) 과정을 거칩니다.
“비타민 추천해줘” 질문에 사람마다 필요한 비타민이 다르다는 것을 판단하고 다음과 같이 세분화합니다.
- vitamin b complex supplement
- vitamin d3 supplement 2000 IU
- magnesium glycinate supplement
이러한 방식은 사용자의 모호한 요청을 구체화하여 다양한 제품군을 동시에 탐색하기 위함입니다.
쿼리 팬아웃만큼 중요한 특징은 GPT는 한국어를 영어로 변환되어 처리된다는 점입니다.
이는 GEO를 위해서는 국문 검색 환경만큼 영어 기반의 정보도 중요함을 보여주고 있습니다.
Google Shopping 기반 데이터 활용 구조
실험 결과, ChatGPT는 제품 추천 시 일반 웹페이지보다 쇼핑 데이터 소스를 우선적으로 활용하는 경향을 보였습니다.
실제 997개 상품 중 약 87%가 Google Shopping 검색 결과와 높은 일치도를 보였습니다.
또한 제품 카테고리에 따라 인용률의 차이가 나타났는데 건기식 카테고리는 97%가 구글 쇼핑 데이터를 기반으로 구성된 것을 확인했습니다.
앞선 실험에서 확인된
검색 쿼리 구조, 상품 구성 패턴, 노출 순위, 판매처 데이터까지 종합하면, ChatGPT의 쇼핑 추천은 기존 쇼핑 검색 결과를 기반으로 재구성되는 구조에 가깝습니다.
즉, 새로운 상품을 선별하는 방식이 아니라 이미 존재하는 쇼핑 데이터를 활용하여 추천 결과를 구성하는 방식으로 보여집니다.
결론
이번 실험을 통해 확인된 ChatGPT의 추천 메커니즘은 창조의 영역이 아닌 철저히 구조화된 데이터에 기반한다는 것을 확인할 수 있었습니다.
AI는 스스로 새로운 브랜드, 정보를 발굴하기보다, 구글 쇼핑과 같은 글로벌 표준 데이터 플랫폼의 인덱스를 얼마나 충실히 반영하고 있는가에 따라 추천의 우선순위를 결정합니다.
GEO 가시성을 위해 이제는 단순한 키워드 선점을 넘어, AI가 정보를 탐색하고 분해(Fan-Out)하는 경로 상에 얼마나 정교한 데이터로 존재하는지 고민해야 할 때입니다.
