앞으로의 온라인 쇼핑, 검색을 넘어 대화로.
Amazon Interests AI
네이버 쇼핑에서 홈카페 분위기를 내고 싶어서 검색창에 커피머신을 입력했다고 해보자. 5,000개의 결과가 뜬다. 스크롤을 내리다가 지쳐서 필터를 건다. 가격대, 브랜드, 평점. 다시 스크롤한다. 30분이 지나도 결정을 못 내린다. 결국 구매를 포기하거나, 아무거나 선택한다.
이것이 2025년 온라인 쇼핑의 현실이다. 우리는 선택지의 풍요 속에서 결정의 빈곤을 겪고 있다. 아마존은 이 문제를 해결하기 위해 Interests라는 기능을 출시했다. 단순한 신기능 추가가 아니다. 이것은 검색 중심 쇼핑의 종말을 선언하는 신호탄이다.
Part 1. 사용자가 겪는 진짜 문제
상품은 무한히 많아졌는데, 원하는 것을 찾기는 더 어려워졌다. 사용자는 보통 이런 두루뭉실한 욕구가 있다.
홈카페 분위기를 내고 싶은데, 뭐가 필요한지 모르겠어.
이번 주말 캠핑 가는데 뭘 챙겨야 하지?
자취방을 따뜻한 느낌으로 바꾸고 싶어.
명확한 제품을 생각하기 전에, 모호하고 맥락적이며 여러 상품과 시나리오가 얽혀 있는 욕구를 갖고 있다.
그런데 현재 쇼핑UX는 이런 니즈를 수용하지 못한다. 검색창은 키워드만 이해한다. 사용자는 자신의 모호한 니즈를 커피머신, 노란 조명, 텐트 같은 구체적인 제품으로 번역해야 한다. 이 번역 작업 자체가 우리에겐 인지 노동이다.
왜 이런 니즈가 강해졌을까?
1) 상품 카탈로그 폭발: 10년 전만 해도 온라인 쇼핑몰의 커피머신은 수십 개였다. 지금은 수천 개다. 필터링과 비교에 드는 인지 비용이 감당 불가능한 수준에 도달했다.
2) 검색광고 경쟁 심화: 검색 결과 상단 10개 중 7개가 광고다. 유기적 탐색은 점점 사라지고, 광고비를 많이 쓴 상품만 노출된다. 사용자는 광고를 피해 스크롤을 내리느라 지친다.
3) LLM으로 인한 기대치 상승: ChatGPT 같은 LLM에 익숙해지면서, 사용자는 기술이 나를 이해할 것이라는 기대를 갖게 되었다. 키워드 매칭은 이제 구식 경험으로 느껴진다.
결국 핵심은 이것이다.
사용자는 개별 상품을 고르는 데 지친다. 대신 내 상황을 이해하고 해결해주는 경험을 원한다.
Part 2. 아마존의 기획 Point
아마존이 최근 공개한 Interests AI는 검색 방식 자체를 바꿔놓는다.
검색창에 [커피 관련 도구 알려줘], [홈카페 분위기 내고 싶어]처럼 자연스럽게 입력하면, 그 관심사에 맞춰 상품을 묶어 추천해준다. 사용자가 만들고 싶은 테마·상황·분위기에 맞춰진 제품 목록을 보여준다.
아마존이 발견한 인사이트는 명확하다.
사용자는 여전히 상품을 산다. 다만 어떤 상품을 선택할지 결정할 때, 그 기준이 점점 어떤 분위기·상황을 만들고 싶은지로 이동하고 있다.
예를 들어 커피머신을 고를 때 기능 비교보다, 집에서 홈카페 느낌을 내고 싶다는 의도가 먼저 자리한다. 텐트도 마찬가지다. 캠핑 제품 스펙보다, 주말 캠핑을 어떻게 보내고 싶은지가 선택을 이끈다. 조명을 고를 때도 밝기보다, 내가 원하는 방 분위기가 더 중요한 기준이 된다.
그런데 기존 쇼핑 구조는 상품 중심이다. 상품 카탈로그, 상품 카테고리, 상품 필터, 상품 추천. 모든 것이 상품 단위로 쪼개져 있다. Interests는 이 기본 단위를 바꾼다. 상품이 아니라 관심사와 시나리오를 기본 단위로 삼는다.
기존 추천 시스템은 이렇게 작동한다.
과거 구매 기록 분석
유사 사용자 찾기
그들이 산 상품 추천
이러한 시스템의 문제는 현재 맥락을 반영하지 못한다는 것이다. 내가 지난달에 운동화를 샀다고 해서 지금 운동화가 필요한 것은 아니다. 지금은 홈카페 분위기를 내고 싶을 수 있다. 과거 행동은 현재 니즈를 예측하는 데 한계가 있다.
Interests는 다르다. 과거가 아니라 현재의 맥락에서 출발한다. 사용자가 지금 뭘 원하는지를 자연어로 물어보고 맞춤 검색 결과를 보여준다.
Part 3. 예상 서비스 플로우
Interests 서비스 플로우를 고민해봤다.
Part 4. 다른 프로덕트에 적용해보자
오늘의집: 예산 고민을 해결해준다
자취방 인테리어 하려는데 예산이 30만원이다. 조명만 사면 15만원이고, 러그만 사면 10만원이다. 뭘 조합해야 30만원 안에서 최선일까? 계산하다가 인기 top5 제품으로 골라 산다.
이때 검색창에 [자취방 따뜻하게 꾸미고 싶어, 예산 30만원]이라고 입력하면, 시스템이 30만원 내 최적 조합 3가지를 제안한다. 조명 12만원 + 러그 8만원 + 커튼 10만원처럼.
네이버 쇼핑의 강점인 가격 비교 데이터를 활용해서, 지금 사는 게 이득인지 대기하는 게 이득인지도 알려준다. 조명은 지금 최저가인데 러그는 다음 주 세일 예정이라면, 조명 먼저 사고 러그는 다음 주에 사라고 제안한다.
Problem solved
예산 초과 걱정 사라짐 → 안심하고 구매
개별 상품 가격 비교 안 해도 됨 → 시간 절약
최적 구매 타이밍 알려줌 → 더 싸게 삼
여기어때: 막연한 감성을 구체적으로 찾아준다
강릉 숙소 찾는데 조용하고 감성 있는 곳을 원한다. 근데 필터에는 가격대, 숙소 유형, 편의시설만 있다. 조용함이나 감성은 필터에 없다. 후기 100개씩 열어보다가 지친다.
검색창에 [강릉 조용하고 감성 있는 곳, 바다 보이는 데로]라고 입력하면, LLM이 수천 개 후기를 분석해서 실제로 조용하다, 감성적이라는 평이 많은 숙소만 추린다.
숙소 리스트를 보여주고, 왜 이 숙소가 감성적인지를 설명해준다. 노을이 예쁘다, 창문이 크다, 인테리어가 따뜻하다처럼. 사용자는 후기 안 읽어도 어떤 느낌인지 알 수 있다.
Problem solved
막연한 감성을 구체화 → 원하는 걸 정확히 찾음
후기 100개 안 읽어도 됨 → 시간 단축
실패 확률 낮아짐 → 재방문율 40% 증가
Part 5. 검색의 종말
검색은 대부분 막연한 상태에서 시작해, 탐색을 거치며 구체화한다.
아마존 Interests는 이 전제를 흔든다. 이제 소비자는 키워드 대신 상황을 말한다.
[조용한 분위기의 재즈 추천해줘.]
[요즘 나한테 잘 맞을 만한 봄 옷 있을까?]
키워드를 조합할 필요도, 필터를 들락거리며 스스로 조건을 정리할 필요도 없다. 그냥 말한 문장 속에서 LLM이 의도·상황·선호를 먼저 찾아낸다. 그리고 그 구조를 기반으로 상품·콘텐츠·정보가 다시 배열된다.
LLM 시대 소비자는 더 이상 검색하지 않는다. 상황을 말하고, 해결책을 받는다.
서비스 소개 링크
https://www.aboutamazon.com/news/retail/artificial-intelligence-amazon-features-interest