analytical · 2026-05-15

에이전트가 당신을 선택한다: 인지적 마케팅에서 AEO로

마케터로 일하면서 인지 심리학을 공부한 적이 있다면 이런 것들을 배웠을 것이다. 사람은 하루 35,000번의 결정을 내리는데 그중 99%는 무의식으로 처리된다. 리뷰가 5개 이상인 제품은 리뷰가 없는 제품보다 270% 더 잘 팔린다. 92%의 소비자는 아는 사람의 추천을 모든 광고보다 더 신뢰한다. 이것들이 더 이상 유효

에이전트가 당신을 선택한다: 인지적 마케팅에서 AEO로

마케터로 일하면서 인지 심리학을 공부한 적이 있다면 이런 것들을 배웠을 것이다. 사람은 하루 35,000번의 결정을 내리는데 그중 99%는 무의식으로 처리된다. 리뷰가 5개 이상인 제품은 리뷰가 없는 제품보다 270% 더 잘 팔린다. 92%의 소비자는 아는 사람의 추천을 모든 광고보다 더 신뢰한다.

이것들이 더 이상 유효하지 않다는 말을 하려는 게 아니다. 오히려 반대다. 이 원리들은 여전히 작동한다. 다만 그 원리가 작동하는 Oracle이 바뀌었다.

앞선 두 편에서 Oracle 개념과 콘텐츠 마케팅에서의 적용을 다뤘다. 이번 글은 마지막 편이다. Oracle이 인간에서 AI 에이전트로 넘어갈 때 마케터에게 무슨 일이 벌어지는가.

Oracle은 항상 있었다

SEO 전문가들은 오래전부터 검색 알고리즘을 Oracle로 다뤄왔다. 구글이 어떤 신호를 평가하는지 역설계하고, 그 신호를 최적화하는 것이 업이었다. 백링크, 키워드 밀도, 사이트 속도. Oracle의 기준에 맞추는 게임이었다.

콘텐츠 마케터는 다른 Oracle을 다뤘다. 인간의 인지다. 사람이 어떻게 주목하고, 어떻게 신뢰하고, 어떻게 결정하는가. 사회적 증거, 앵커링, 희소성, 손실 회피. 인지적 마케팅이란 결국 인간 인지라는 Oracle을 이해하고 최적화하는 일이었다.

GEO(Generative Engine Optimization) 시대가 열리면서 Oracle이 하나 더 생겼다. AI 생성 엔진이다. ChatGPT, Perplexity, Google AI Overview가 어떤 콘텐츠를 답변에 인용하느냐. E-E-A-T 신호, FAQ 구조, 브랜드 멘션이 새 최적화 대상이 됐다.

그리고 지금, Oracle이 또 바뀌고 있다. 이번에는 AI 에이전트다.

에이전트가 사는 시대

Anthropic이 내부적으로 "Project Deal"이라는 실험을 진행했다. AI 에이전트가 1주일 동안 인간 개입 없이 186건의 거래를 완료했고 4,000달러 이상의 거래액을 처리했다. 에이전트가 검색하고, 비교하고, 선택하고, 구매했다.

이것이 에이전트 커머스다. 2026년 기준 에이전트 플랫폼을 통한 소매 지출은 이미 209억 달러를 넘어섰다. 온라인 소매의 10~25%가 에이전트 채널로 이동할 것으로 전망된다. 소매업체의 42%는 이미 구매 에이전트를 배포했고, 53%는 도입을 검토 중이다.

문제는 이 에이전트가 무엇을 기준으로 선택하느냐다. 아무도 당신 브랜드의 광고 영상을 보여주지 않는다. 감성적인 브랜드 스토리를 읽게 만들 수 없다. 에이전트는 당신이 제공하는 데이터와 구조를 읽고 판단한다. 그 판단 기준이 새 Oracle이다.

인지적 마케팅 원리가 AI 에이전트에서 작동하는 방식

ScienceDirect(2025) 연구는 흥미로운 결론을 냈다. AI 에이전트는 인간의 인지 편향을 과장된 방식으로 복제한다. 인과성 없는 지름길 전략을 사용하는데, 인간의 휴리스틱과 구조적으로 유사하다는 것이다.

왜 그럴까. AI 에이전트는 인간이 생성한 데이터로 훈련됐다. 그 데이터 안에는 인간의 인지 패턴이 통계적으로 각인돼 있다. "별점 4.8 + 리뷰 2,300개 = 좋은 제품"이라는 패턴을 수백만 개의 사례에서 학습했다. 에이전트는 이 편향을 '느끼는' 게 아니라 통계적으로 복제한다.

다음 표를 보자. 왼쪽은 인지 마케팅이 오랫동안 다뤄온 원리다. 오른쪽은 그것이 에이전트 Oracle에서 어떤 형태로 작동하는지다.

인간 인지 OracleAI 에이전트 Oracle왜 작동하는가
리뷰 수·별점 (사회적 증거)AggregateRating SchemaLLM이 학습한 "높은 평점 = 신뢰" 통계 패턴
권위자 추천 (권위 편향)E-E-A-T 신호, 저자 자격 명시훈련 데이터에서 전문가 출처 = 인용 빈도 상관
빠른 배송 약속 (즉각성)API 응답속도 200ms 이하에이전트 비용 함수에서 지연 = 페널티
반품 보장 (손실 회피)구조화된 MerchantReturnPolicy리스크 최소화 최적화 목표와 직결
친구 추천 (신뢰 네트워크)제3자 언론 언급, 파트너 검증Earned Media가 에이전트 인용 84% 담당
희소성 ("재고 3개 남음")실시간 재고 API낮은 재고 + 높은 수요 = 추천 우선순위 상승

원리는 같다. 형식이 다르다. 그리고 이 번역을 이해하는 마케터와 그렇지 않은 마케터의 격차가 지금부터 벌어질 것이다.

사회적 증거: 270%가 Schema에 담기는 방식

리뷰가 5개 이상인 제품이 270% 더 팔린다는 수치. 이 효과가 에이전트 커머스에서 사라진 게 아니다. 구조가 달라졌다.

인간이 제품 페이지를 볼 때 별점 4.8과 "리뷰 2,300개"라는 숫자는 시각적으로 즉각 처리된다. 이미지와 텍스트가 동시에 읽힌다. 에이전트는 다르다. 에이전트가 파싱하는 건 HTML 구조이고, 가장 확실하게 읽히는 건 Schema.org의 AggregateRating 마크업이다.

{
  "@type": "Product",
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.8",
    "reviewCount": "2300",
    "bestRating": "5"
  }
}

이 JSON-LD가 없으면 에이전트는 페이지 어딘가에 있을 "별점 4.8"이라는 텍스트를 찾아 헤맨다. 찾더라도 신뢰도가 낮다. 구조화된 마크업 없이는 사회적 증거가 에이전트에게 투명인간이 된다.

더 나아가면, Review 스키마 안에 datePublished가 있어야 한다. 에이전트는 리뷰의 신선도를 평가한다. 3년 전 리뷰 1,000개보다 최근 6개월 리뷰 200개가 더 높은 신호로 처리되는 경우가 많다.

권위 편향: E-E-A-T를 누가 만들었는가

E-E-A-T(Experience, Expertise, Authoritativeness, Trustworthiness)는 구글이 검색 품질 평가를 위해 만든 기준이다. 처음엔 SEO 개념이었다. 지금은 AI 에이전트가 콘텐츠의 권위를 평가하는 핵심 신호로 작동한다.

인간이 "서울대 의대 교수의 의견"을 더 신뢰하는 건 사회적 학습의 결과다. AI는 이것을 데이터에서 학습했다. 의학 저널에 인용된 저자, 학술 기관 소속 전문가, 특정 도메인에서 반복적으로 언급된 이름. 이 패턴이 훈련 데이터에 각인됐다.

그래서 에이전트 시대의 E-E-A-T 최적화는 이렇게 된다. 저자 페이지에 Person 스키마를 구성하고 자격, 소속, 출판물을 명시한다. 콘텐츠에서 신뢰할 수 있는 외부 소스를 인용한다. 해당 도메인의 미디어에서 언급과 기고를 늘린다. 인간 독자에게도 신뢰를 주는 행동들이다. 에이전트에게도 같은 신호로 읽힌다.

손실 회피: 반품 정책 JSON이 구매 전환에 미치는 이유

행동경제학에서 손실 회피(Loss Aversion)는 사람들이 동일한 금액의 이득보다 손실을 더 크게 느낀다는 원리다. 마케터들은 이것을 "무료 반품", "30일 환불 보장" 같은 카피로 활용해왔다.

에이전트는 이 카피를 읽는 게 아니다. 에이전트가 읽는 건 MerchantReturnPolicy 스키마다.

{
  "@type": "MerchantReturnPolicy",
  "returnPolicyCategory": "https://schema.org/MerchantReturnFiniteReturnWindow",
  "merchantReturnDays": 30,
  "returnMethod": "https://schema.org/ReturnByMail",
  "returnFees": "https://schema.org/FreeReturn"
}

에이전트가 사용자를 대신해 구매 결정을 내릴 때, 리스크 최소화는 목표 함수의 핵심 요소다. 반품 정책이 기계 가독성 형태로 명확하게 제공되면, 에이전트는 이 브랜드를 "리스크가 낮은 선택지"로 분류한다. 페이지 어딘가에 "30일 환불"이라는 텍스트만 있는 경쟁사보다 우선 고려될 가능성이 높다.

손실 회피 원리는 에이전트에도 작동한다. 다만 "무료 반품" 배너 이미지가 아니라, 구조화된 JSON이 그 역할을 한다.

즉각성: 200ms가 만드는 차이

희소성 마케팅의 변형인 즉각성(Urgency) 효과가 있다. "오늘만 특가", "재고 마감 임박" 같은 메시지가 구매 결정을 앞당기는 원리다.

에이전트 시대의 즉각성은 API 응답 속도에서 결정된다. 에이전트가 실시간으로 재고와 가격을 쿼리할 때, 응답이 200ms를 넘으면 에이전트의 다음 후보로 넘어가는 경우가 발생한다. 병렬로 여러 브랜드를 조회하는 에이전트 입장에서 응답이 느린 API는 존재하지 않는 것과 크게 다르지 않다.

여기에 실시간 재고 데이터가 더해진다. 재고가 10개 이하인 제품은 에이전트 추천 우선순위에서 상승하는 경향이 있다. 재고 데이터를 정확하게 실시간으로 노출하는 브랜드는 이 신호를 자연스럽게 활용한다.

왜 AI 에이전트는 인간의 편향을 복제하는가

이 메커니즘을 이해해야 다음 변화를 예측할 수 있다.

AI 에이전트의 판단 엔진인 LLM은 인간이 생성한 텍스트로 훈련됐다. 수십억 개의 리뷰, 제품 비교, 구매 후기, 뉴스 기사. 그 안에는 인간이 어떤 기준으로 선택했는지에 대한 패턴이 통계적으로 압축돼 있다.

에이전트는 "별점이 높으니 좋다"를 느끼는 게 아니다. "높은 별점을 가진 제품이 추천되고 선택된 패턴이 훈련 데이터에 반복적으로 나타났다"는 것을 학습했다. 결과는 같다. 사회적 증거가 에이전트 판단에 영향을 미친다. 경로가 다를 뿐이다.

이것이 인지 마케팅을 공부한 마케터에게 유리한 이유다. 원리를 이미 알고 있다. 번역 작업만 하면 된다. 인간 독자에게 설득력 있었던 신호를 에이전트가 읽을 수 있는 형식으로 변환하는 것. 이것이 AEO(Agent Engine Optimization)의 본질이다.

중요한 차이가 하나 있다. 인간은 시각적 설득 요소, 감성적 카피, 브랜드 이미지에 영향을 받는다. 에이전트는 그것을 파싱하지 않는다. 에이전트는 감성이 아니라 구조와 데이터 정합성으로 신뢰를 판단한다. 아름다운 랜딩 페이지보다 정확한 JSON-LD 하나가 더 강력한 신호가 된다.

에이전트가 읽는 것들

에이전트가 자율적으로 브랜드를 평가할 때 사용하는 신호는 크게 네 레이어로 나뉜다.

첫 번째는 기계 가독성이다. Schema.org JSON-LD 마크업이 기본이다. Product, Offer, AggregateRating, MerchantReturnPolicy 스키마를 갖추지 않은 사이트는 에이전트가 정보를 파싱하기 어렵다. llms.txt 파일은 AI 크롤러에게 사이트 구조를 명시적으로 안내하는 역할을 한다. 콘텐츠 구조도 중요하다. 각 섹션 시작 40~50단어에 직접 답변을 배치하면 에이전트의 추론 효율이 높아진다.

두 번째는 API 인프라다. 에이전트는 실시간으로 재고와 가격을 확인한다. API 응답 목표 시간은 200ms 이하다. 이 인프라가 없으면 에이전트는 단순히 넘어간다. Stripe나 Visa 같은 표준 결제 인프라 연동도 에이전트 친화성의 조건이다.

세 번째는 신뢰 신호다. 반품 정책, 지속가능성 인증, 공급망 검증 데이터를 구조화된 형태로 제공해야 한다. 에이전트 action log 투명성과 사용자 override 권한도 신뢰 신호로 작용한다.

네 번째는 콘텐츠 품질이다. 키워드 누적과 클릭베이트는 에이전트 평가에서 역효과를 낸다. 에이전트는 팩트 밀도가 높고 모호성이 없는 콘텐츠를 선호한다. 기계 논리는 수사적 기교가 아니라 명확성을 평가한다.

그래도 Goodhart's Law는 피할 수 없다

앞선 두 편에서 반복한 이야기다. 어떤 Oracle이든 공개되고 목표화되면 판별력을 잃는다.

현재 에이전트 커머스 참여 기업의 79%가 데이터 신뢰도 문제로 할루시네이션을 경험하고 있다. 그 이유는 단순하다. 많은 브랜드가 Schema.org 마크업을 형식적으로만 채우고 있다. 재고 수량을 부정확하게 기재하고, 반품 정책을 실제와 다르게 구조화하고, 별점 데이터를 과장한다. 에이전트 Oracle을 게임하는 것이다.

에이전트는 이것을 감지하기 시작하고 있다. Anthropic의 ACES(Agentic e-CommercE Simulator)와 Bloom 같은 평가 프레임워크는 에이전트의 의사결정 품질을 측정한다. 데이터 신뢰성이 낮은 브랜드는 에이전트 선택에서 배제되는 방향으로 Oracle이 진화할 것이다.

에이전트 Oracle 설계의 원칙은 인간 Oracle과 다르지 않다. 단기 지표를 게임하지 않는 것. 실제 품질을 신뢰 신호로 구조화하는 것. Oracle이 게임되기 전에 다음 레이어를 준비하는 것.

세 편을 관통하는 하나의 질문

Oracle 3부작을 통해 반복한 것이 있다. 재고 있는 것이 실제로 원하는 것을 측정하고 있는가. 이 질문이다.

좋아요를 KPI로 삼을 때도, GEO를 위해 FAQ Schema를 채울 때도, AEO를 위해 JSON-LD를 작성할 때도. 그 Oracle이 실제 브랜드 가치를 재고 있는지를 주기적으로 물어야 한다.

SEO Oracle은 콘텐츠를 링크 농장으로 만들었다. 인지 마케팅 Oracle은 클릭베이트 제목을 만들었다. GEO Oracle은 콘텐츠를 FAQ 박스로 도배하게 만들었다. AEO Oracle은 Schema.org를 형식적으로 채우는 방향으로 흐를 것이다.

매번 같은 일이 벌어진다. 그리고 매번, Oracle은 한 발 앞서 있는 브랜드를 찾아간다.

참고문헌

이전 글:

  • Part 1: AI는 무엇으로 자신을 재는가 — Oracle, 판정 기준의 구조와 한계
  • Part 2: 좋아요는 MMLU다 — Oracle 이론을 콘텐츠 마케팅에 적용하면
  1. BCG (2026). Agentic Scenarios Every Marketer Must Prepare For.
  2. SAP (2026). Agentic AI Is Reshaping Commerce.
  3. ScienceDirect (2025). AI and human decision making: Exploring similarities in cognitive bias.
  4. Nature Reviews Psychology (2025). A cognitive approach to human–AI complementarity.
  5. Trustpilot. The psychology behind trust signals: Why social proof influences consumers.
  6. Addy Osmani (2026). Agentic Engine Optimization.
  7. Stripe. What is agentic commerce?
  8. arXiv (2025). What Is Your AI Agent Buying?