"당신이 좋아할 만한 상품" 그 뒤에서 벌어지는 일 — AI 추천의 빛과 그림자
쇼핑몰에 들어간 지 5분 만에 장바구니에 3개가 담겨 있었어요. 다 "AI가 추천해준" 것들이에요. 원래 셔츠 하나만 보려고 들어왔는데, "이것도 좋아하실 것 같아요"에 이끌려 가디건, 스카프까지 담았어요. 아마존 매출의 35%가 추천 알고리즘에서 나온다는 사실(McKinsey), 이렇게 보니 실감이 나죠?
알고리즘이 나를 읽는 법
AI 추천이 왜 이렇게 정확하게 느껴질까요? 내 마음을 읽는 걸까요?
마음을 읽는 게 아니라, 행동을 읽는 거예요.
AI는 세 가지 신호를 수집해요. 첫째, 내가 뭘 클릭하고, 얼마나 오래 봤고, 뭘 검색하고, 뭘 샀는지 같은 행동 신호. 세션 하나에서만 수십 가지 데이터 포인트가 쌓여요. 둘째, 색상, 소재, 핏, 브랜드, 가격대 같은 상품 속성. 셋째, 시간대, 날씨, 위치, 디바이스 같은 맥락 정보.
이 세 가지를 조합해서 "이 사람은 이 상품을 좋아할 확률이 높다"를 계산해요. 수천만 명의 행동 패턴에서 나와 비슷한 사람들이 좋아한 걸 찾아내는 거죠. 협업 필터링이라고 해요.
최근에는 여기서 더 진화해서, 대화형 AI가 등장했어요. "주말에 캐주얼 브런치 가는데 어떤 느낌이 좋을까?" 같은 자연어 질문을 AI가 이해하고, 맥락에 맞는 추천을 해주는 방식. 기존 추천보다 고객 만족도가 높다는 연구 결과들이 나오고 있어요.
이 기술 자체는 대단해요. 문제는 다른 데 있습니다.
편리함 뒤에 숨은 설계
쇼핑몰 AI 추천이 정확해질수록, 우리는 더 많이 사게 돼요. 이건 우연이 아니에요. 설계된 거예요.
추천 알고리즘의 성공 지표가 뭔지 생각해보세요. 전환율(conversion rate) — 추천을 보고 구매로 이어진 비율. 이 숫자를 올리는 게 알고리즘의 목표예요. 다시 말해, 나를 "사게 만드는 것"에 최적화되어 있다는 거예요. "나에게 진짜 필요한 것을 알려주는 것"이 아니라.
여기에 몇 가지 기법이 더해져요.
필터 버블. 내가 이미 좋아하는 스타일만 계속 보여줘요. 편안하지만, 스타일이 고착돼요. 새로운 시도를 할 기회가 줄어드는 거죠.
긴급성 프레이밍. "24시간 한정", "3명이 보고 있어요", "품절 임박" — 이런 메시지는 판단을 급하게 만들어요. 차분히 생각하면 안 살 물건도, 긴급성에 밀려 장바구니에 담기게 돼요.
인식하지 못하는 데이터 수집. 내가 어떤 상품을 몇 초간 봤는지, 스크롤을 얼마나 빠르게 내렸는지까지 수집되고 있어요. 이 데이터가 다시 추천에 반영되면서, 점점 더 "사고 싶게 만드는" 피드가 완성됩니다.
이걸 나쁘다고만 볼 건 아니에요. 좋은 추천 덕분에 몰랐던 브랜드를 발견하기도 하고, 진짜 필요한 아이템을 찾기도 하니까요. 다만, 이 시스템의 작동 원리를 아는 것과 모르는 것의 차이는 크다는 거예요.
원리를 알면, 필터를 세울 수 있습니다.
내 옷장이라는 필터
쇼핑몰 AI는 내가 "무엇을 샀는지"는 알지만, "무엇을 가지고 있는지"는 몰라요. 내가 그 옷을 몇 번 입었는지, 비슷한 아이템이 이미 있는지, 내 옷장에서 이 새 아이템과 어울리는 조합이 있는지 — 이런 건 전혀 모릅니다.
여기서 디지털 옷장 데이터가 필터 역할을 해요.
추천이 들어왔을 때, 내 디지털 옷장을 열어보세요. "이 니트, 내 옷장에 비슷한 거 있나?" "이걸 사면 기존 옷 중 3개 이상이랑 코디가 되나?" "이 카테고리는 이미 충분한 거 아니야?"
이 질문에 답하려면 내 옷장 데이터가 있어야 해요. 기억에 의존하면 "없는 것 같은데?"라는 착각에 빠지기 쉽거든요.
플랫폼의 AI가 "사게 만드는" 방향으로 설계되어 있다면, 디지털 옷장의 데이터는 "진짜 필요한지 판단하게 해주는" 방향으로 작동해요. 이 두 개를 함께 쓸 때, 비로소 주체적인 소비가 가능해집니다.
그런데 이걸 매번 수동으로 하는 건 귀찮죠. 좀 더 체계적인 방법이 필요해요.
추천을 받을 때의 5초 규칙
모든 추천에 대해 긴 분석을 할 필요는 없어요. 5초짜리 체크만 해보세요.
"이거, 48시간 후에도 생각날까?"
충동 구매의 특징은 "지금 당장"이라는 긴급감이에요. 48시간이라는 냉각 기간을 주면, 진짜 필요한 아이템은 여전히 생각나고, 충동이었던 건 자연스럽게 잊혀져요.
여기에 하나만 더 추가하면 훨씬 효과적이에요. "이 아이템을 내 옷장에 있는 기존 아이템 3개 이상과 조합할 수 있는가?" 이 조건을 통과하는 아이템만 구매 후보로 남기세요. 3개 이상의 조합이 안 되면, 그 옷은 옷장에서 고립될 확률이 높거든요.
이 두 가지 — 48시간 냉각과 3개 조합 테스트 — 만으로도 불필요한 구매의 상당 부분을 걸러낼 수 있어요.
AI 추천은 좋은 도구예요. 그리고 도구는 사용법을 아는 사람에게만 유용하죠. 추천 알고리즘이 어떻게 작동하는지 알고, 내 옷장 데이터라는 필터를 갖추면 — AI가 쇼핑을 도와주는 건 맞는데, "더 사게 만드는" 것이 아니라 "더 잘 사게 만드는" 방향이 돼요.
❓ FAQ
Q: AI 추천을 완전히 무시해야 하나요?
A: 아니요. AI 추천 자체는 유용한 발견의 도구예요. 다만 추천이 뜰 때마다 내 옷장 데이터와 대조해서 "진짜 필요한지" 판단하는 습관이 중요해요.
Q: 필터 버블에서 벗어나려면 어떻게 해야 하나요?
A: 가끔 의도적으로 평소와 다른 스타일을 검색해보거나, 친구의 코디를 참고하세요. 에이클로젯의 AI 스타일링 기능으로 새로운 조합을 제안받는 것도 좋은 방법이에요.
Q: 에이클로젯에서 AI 추천을 필터링할 수 있나요?
A: 에이클로젯은 보유 옷장 기반으로 코디를 추천하기 때문에, 이미 가진 옷과의 조합 가능성을 중심으로 제안해요. 쇼핑몰의 구매 유도형 추천과는 근본적으로 달라요.
References & Sources:
- McKinsey & Company, "The State of Fashion," 2024-2025
- ThredUp, "Resale Report," 2025
- WRAP UK, "Valuing Our Clothes," 2023
에이클로젯 매거진 팀에서 발간하였습니다.
내 옷장부터 정리해보세요
더 잘 입고, 덜 사세요 — 에이클로젯과 함께.
