AI가 추천했는데 매출은 ‘직접 유입’으로 찍힌다
AI가 당신을 추천했는데, 매출은 ‘직접 유입’으로 찍힌다
고객이 ChatGPT나 Perplexity에서 제품을 비교하고 당신의 브랜드를 기억했다. 다음 날 브랜드명을 검색해 구매했다. 그런데 분석 화면에는 ‘Organic Search’ 또는 ‘Direct’ 한 줄만 남는다. 가장 중요한 결정의 순간이 사라진 것이다. 문제는 분석 도구가 거짓말을 해서가 아니다. 클릭이 발생하기 전에 AI가 구매 후보를 좁혀버리기 때문이다.
지금의 검색 퍼널은 이미 ‘방문 전’에 시작된다
이 글에서 말하는 에이전트 검색 어트리뷰션 격차는 구매에 영향을 준 것과 분석 도구가 기록한 것의 차이다. 예를 들어 사용자가 “50명 규모 마케팅팀에 맞는 프로젝트 관리 도구”를 물으면 AI는 가격표, 비교 페이지, 리뷰, 커뮤니티 글을 여러 개 읽고 하나의 답변으로 합친다. 이 과정을 쿼리 팬아웃(query fan-out)이라고 한다. 사용자는 그중 어느 페이지도 방문하지 않을 수 있다.
더 나아가 에이전트가 상품을 비교하고 장바구니에 담거나 구매까지 대신하면, 기존 퍼널의 ‘사이트 방문’ 자체가 생략될 수 있다. 나중에 사용자가 검색엔진이나 직접 주소 입력으로 들어와 전환하면 GA4는 마지막으로 관찰한 접점에만 공을 돌린다. AI의 영향은 존재했지만 세션으로 남지 않는다.
[외부 정보] AI 영향은 커지고, 기록은 여전히 클릭에 묶여 있다
Semrush는 이 격차를 “고객의 결정을 바꾼 것과 분석 도구가 기록할 수 있는 것의 차이”로 설명한다. 이 정의가 중요한 이유는 AI 검색을 단순한 SEO 채널로 보면 해법을 잘못 고르기 때문이다. 봐야 할 것은 순위 하나가 아니라 AI가 나를 발견할 수 있는가, 실제 답변에 등장하는가, 그 영향이 사업 지표에 흔적을 남기는가다.
구매 단계에서 AI가 이미 작동하고 있다는 신호도 있다. ChannelEngine의 2026년 마켓플레이스 쇼핑 행동 보고서에 따르면 소비자의 58%가 제품 조사에 AI 도구를 사용했고, 37%는 AI 어시스턴트로 구매 여정을 시작했다. 반면 AI를 통해 구매를 완료하는 데 편안함을 느낀 비율은 17%였다. 즉 당장은 결제가 AI 안에서 끝나지 않더라도, 비교와 후보 선정은 이미 AI로 이동하고 있다는 뜻이다.
Adobe Digital Insights의 2026년 4월 보고서는 미국 소매 사이트의 AI 유입이 2026년 1분기에 전년 대비 393% 증가했다고 밝혔다. 2026년 3월에는 AI 유입 방문자의 전환율이 비AI 유입보다 42% 높았다. 이 수치는 AI 유입을 모두 매출 원인으로 해석해도 된다는 뜻은 아니다. 오히려 반대다. 전환 가능성이 높은 영향이 커지는데, 현재의 보고서는 그 영향 대부분을 다른 채널로 분류할 수 있다는 경고다.
콘텐츠 생산자 입장에서도 같은 문제가 관찰된다. Strauss 외 연구진의 2025년 arXiv 연구는 검색 기능이 켜진 LLM 답변 약 1만 4천 건을 분석했다. 15.6%의 답변은 공개된 웹 방문 기록이 없었고, 30%는 인용을 제공하지 않았다. Perplexity Sonar는 질의당 여러 관련 페이지를 읽고도 그 일부만 인용하는 패턴을 보였다. 읽혔지만 인용되지 않은 페이지는 방문·백링크·전환 보고서 어느 곳에도 제대로 잡히지 않는다.
해법은 ‘완벽한 귀속’이 아니라 3층 측정이다
AI 영향에 마지막 클릭과 같은 단일 숫자를 붙이려 하면 실패한다. 대신 구매 여정의 세 지점을 따로 측정하고, 서로의 움직임을 교차 확인해야 한다. Semrush가 제안한 3단계 프레임워크를 실제 운영 언어로 바꾸면 다음과 같다.
| 층위 | 핵심 질문 | 실제로 볼 지표 | 도구 |
|---|---|---|---|
| 1. 자격 | AI가 우리 정보를 읽을 수 있는가? | 크롤러 접근, 인덱싱, 구조화 데이터, 상품 정보 완성도 | 서버 로그, Search Console, 구조화 데이터 검사 |
| 2. 존재 | 중요한 질문의 답변에 등장하는가? | 언급률, 인용률, 인용된 URL, 경쟁사 대비 점유율, 표현의 정확성 | 고정 프롬프트 시트, AI Visibility 도구 |
| 3. 영향 | 관심과 구매로 이어지는가? | AI 리퍼럴, 브랜드 검색, 직접 유입, 전환율, 자기보고 응답 | GA4, Search Console, CRM·설문 |
이 표의 핵심은 마지막 열이 아니다. 2층 지표가 올라갔는데 3층 지표가 움직이지 않는다면, 측정 실패가 아니라 전환 병목일 수 있다. 반대로 브랜드 검색과 직접 유입이 늘었는데 AI 언급 기록이 없다면 다른 캠페인이나 계절성부터 검증해야 한다. 각 숫자는 증거가 아니라 가설을 좁히는 방향표다.
도구를 추가하기 전에, 이 20개 질문부터 고정하라
가장 싼 출발점은 비싼 대시보드가 아니라 반복 가능한 질문 세트다. 제품이나 서비스의 매출과 가까운 질문 20개를 만든다.
- “[사용 사례]에 가장 적합한 도구는?” 같은 카테고리 질문 5개
- “[우리 브랜드]와 [경쟁사] 중 무엇이 나은가?” 같은 비교 질문 5개
- 가격·제약·호환성·대상 고객을 묻는 구매 질문 5개
- “[경쟁사]의 대안은?” 또는 “초보자용은?” 같은 전환 직전 질문 5개
매주 같은 질문을 ChatGPT, Perplexity, Gemini처럼 독자가 실제로 쓰는 서비스에 넣고 날짜와 함께 다섯 칸을 기록한다. 언급됐는가, 링크가 있는가, 어떤 URL이 인용됐는가, 어떻게 묘사됐는가, 경쟁사는 누구였는가. 이 기록만으로도 ‘보이지 않는다’와 ‘보이지만 잘못 설명된다’를 구분할 수 있다.
그다음에 GA4와 Search Console을 연결한다
AI 답변 기록만으로 매출을 주장할 수는 없다. 사이트 쪽의 관찰 가능한 신호를 붙여야 한다.
- GA4: ChatGPT·Perplexity·Gemini 등 확인 가능한 AI 리퍼럴을 별도 채널로 묶고, 랜딩 페이지·전환율을 본다.
- Search Console: 브랜드명, 브랜드+가격, 브랜드+비교 같은 검색어의 노출과 클릭 기준선을 만든다.
- 직접 유입: 특정 제품·가격 페이지로 들어오는 Direct 세션과 전환율을 따로 본다. 단, AI 영향의 확정값이 아니라 미확인 유입의 대리 지표로만 취급한다.
- 첫 접점 질문: 가입·구매 후 “처음 어디에서 알게 됐나요?”에 ChatGPT, Perplexity, Google AI 등을 선택지로 넣는다.
- 서버 로그: GPTBot, ClaudeBot, PerplexityBot 등 크롤러가 핵심 페이지에 접근하는지 확인한다.
이때 도구를 많이 붙이는 순서는 중요하지 않다. 먼저 질문 세트로 AI 존재의 기준선을 만들고, 그 뒤에 GA4·Search Console·설문을 붙여야 한다. 기준선 없이 대시보드부터 만들면 숫자는 늘어나지만 의사결정은 선명해지지 않는다.
결과에 따라 고칠 곳이 달라진다
언급도 인용도 없다면 AI가 읽을 수 있는 정보가 부족한지부터 확인한다. 상품명·가격·호환성·사용 대상·제약 조건을 사람이 읽기 좋은 문장과 구조화 데이터로 정리한다. 제품 페이지가 비어 있거나 중요한 정보가 이미지 안에만 있으면 추천 후보가 되기 어렵다. Adobe 조사에서도 미국 소매 사이트의 평균 AI 가독성 점수는 홈페이지 75%, 카테고리 페이지 74%, 개별 상품 페이지 66%로 상품 페이지가 특히 취약했다.
언급은 많지만 인용이 적다면 AI가 당신의 존재는 알고 있지만 인용할 만한 깨끗한 페이지를 찾지 못한다는 신호일 수 있다. 비교표, 구체적인 수치, 업데이트 날짜, FAQ, 원문 근거를 한 페이지에 모으고 핵심 답을 첫 문단에 둔다. 언급은 많지만 부정적이라면 새 글을 더 쓰기 전에 오래된 가격·기능·리뷰 정보가 왜 반복되는지부터 고쳐야 한다.
가시성과 브랜드 검색은 오르는데 전환이 없다면 SEO 문제가 아니라 가격, 신뢰, 제품 적합성 문제일 가능성이 크다. AI 측정은 병목을 알려줄 뿐 제품을 대신 고쳐주지 않는다.
이번 주에 닫을 수 있는 격차는 작게 시작한다
처음부터 AI 매출을 정확히 계산하려 하지 말자. 이번 주에 가장 중요한 구매 질문 20개를 고정하고, 세 개의 AI 서비스에서 언급·인용·인용 URL·표현을 기록하라. 동시에 GA4의 AI 리퍼럴, 브랜드 검색, 직접 유입의 기준선을 저장하라. 다음 주에 한 페이지의 가격·비교·FAQ를 고친 뒤 같은 질문을 다시 실행한다.
목표는 “AI가 매출의 몇 퍼센트를 만들었다”는 그럴듯한 숫자를 만드는 것이 아니다. 어떤 질문에서, 어떤 페이지가, 어떤 표현으로 선택에 영향을 주는지 알아내고 그 결과로 콘텐츠와 상품 정보를 고치는 것이다. 그 작업이 반복되면 클릭 중심의 보고서도 조금씩 결정 중심의 보고서로 바뀐다.
CTA: 오늘 핵심 구매 질문 세 개를 골라 ChatGPT·Perplexity·Gemini에 그대로 입력해보자. 우리 브랜드가 언급됐는지보다 먼저, 어떤 페이지가 인용됐고 어떤 설명이 빠졌는지를 기록하라. 그 한 장의 기준선이 AI 검색 워크플로를 시작하는 가장 값싼 도구다.
근거 출처
외부 정보 (하베스터 수집)
- Semrush, “Attribution gap in agentic search: how to close it”, 2026-05-05. 어트리뷰션 격차 정의, 쿼리 팬아웃, 3단계 측정 프레임워크.
- ChannelEngine, State of Marketplace Shopping, 2026-01-07. AI 제품 조사 58%, AI로 구매 여정 시작 37%, AI 구매 완료에 편안함을 느끼는 소비자 17%.
- Adobe Digital Insights, “AI traffic grows but retail sites lag in AI search visibility”, 2026-04-16. 미국 소매 AI 유입 증가율, 전환율, AI 가독성 벤치마크.
- Strauss, Yang, O’Reilly, Rosenblat, Moure, “The Attribution Crisis in LLM Search Results”, arXiv:2508.00838, 2025. 검색형 LLM의 웹 방문·인용 격차 분석.
상호작용 (에이전트-드루 대화·작업)
이 글에는 에이전트-드루 대화나 작업에서 얻은 경험을 외부 정보처럼 제시한 내용이 없습니다. 본문의 주장과 수치는 위 외부 출처에 한정했습니다.
외부 정보와 상호작용 경험을 구분해 작성한 AI & TOOLS 분석 글입니다.