2026년, 지앤지커머스가 선보인 ‘꾹AI:렌즈’는 “상품 등록은 원래 번거로운 일”이라는 전제를 흔들고 있습니다. 판매자들이 매번 고민하던 카테고리 선택을, 이제는 이미지 한 장으로 AI가 먼저 제안하는 방식으로 바꿔버렸기 때문입니다. 그렇다면 이 변화는 실제 등록 현장에서 무엇을 근본적으로 바꾸고 있을까요?
AI 이미지 분석으로 바뀌는 상품 등록의 핵심 흐름
‘꾹AI:렌즈’의 작동 방식은 간단하지만, 설계 철학은 매우 실용적입니다.
- 판매자가 상품 이미지를 업로드하면
- AI가 이미지를 자동 분석(객체/특징 인식 기반)하여
- 해당 상품에 가장 적합한 카테고리를 추천합니다.
- 기존에 판매자가 선택한 카테고리와 AI 추천이 다를 때만 안내가 뜨고, 판매자는 ‘유지하기’ 또는 ‘변경하기’로 즉시 결정합니다.
이 구조의 포인트는 “AI가 모든 걸 강제로 바꾸는 자동화”가 아니라, 판매자의 흐름을 끊지 않으면서 오류 가능성이 큰 지점만 정밀하게 보정한다는 점입니다. 즉, 등록 과정의 마찰을 최소화하면서도 결과 품질을 끌어올리는 형태의 AI 도입입니다.
AI 카테고리 추천이 ‘효율’과 ‘정확도’를 동시에 만드는 이유
상품 등록에서 카테고리는 단순한 분류가 아니라, 검색 노출·필터링·추천 시스템의 출발점입니다. 수작업으로 카테고리를 지정할 때 흔히 발생하는 문제는 다음과 같습니다.
- 유사 카테고리 혼동(예: 상의/아우터, 주방용품/생활용품)
- 판매자별 기준 차이로 인한 분류 편차
- 대량 등록 시 반복 업무 피로로 인한 실수 증가
‘꾹AI:렌즈’는 이미지 기반으로 상품의 시각적 특징을 읽어 후보 카테고리를 빠르게 좁히고, 판매자가 최종 확인만 하도록 설계돼 있습니다. 결과적으로 등록 시간은 줄고, 잘못된 카테고리로 인해 생기는 운영 비용(수정, CS, 노출 저하 리스크)도 함께 낮아집니다.
AI가 바꾸는 온라인 커머스의 다음 표준
이 변화는 “편리한 기능 하나”로 끝나지 않습니다. 온라인 커머스에서 AI가 본격적인 필수 인프라로 자리 잡는 신호에 가깝습니다. 카테고리 자동 추천처럼 이미지 인식 기반의 머신러닝이 실무에 스며들면, 향후에는 더 정교한 방향으로 확장될 가능성이 큽니다.
- 더 세밀한 하위 카테고리 분류(롱테일 상품 대응)
- 판매자/고객 행동 데이터와 결합한 개인화된 추천
- 시즌·트렌드 변화에 맞춘 동적 카테고리 조정
결국 2026년의 질문은 “AI를 쓸까?”가 아니라, “AI를 어디에 붙이면 가장 빨리 성과가 나는가?”로 바뀌고 있습니다. ‘꾹AI:렌즈’는 그 답을 상품 등록이라는 가장 반복적이고 중요한 시작점에서 보여주고 있습니다.
AI로 분석된 이미지, 완벽한 카테고리 추천의 비밀
판매자가 이미지 하나 업로드하는 순간 AI는 어떻게 최적의 상품 카테고리를 찾아내는 걸까요? 겉으로는 “추천 카테고리 하나 띄워주는 기능”처럼 보이지만, 실제로는 이미지 인식(컴퓨터 비전) + 분류 모델 + 커머스 카테고리 지식이 촘촘히 맞물린 자동화 파이프라인이 작동합니다.
AI 이미지 분석이 카테고리를 찾는 흐름
상품 등록 화면에서 이미지가 올라오면, 시스템은 대개 아래 순서로 판단을 진행합니다.
1) 이미지 전처리(Pre-processing)
업로드된 이미지는 해상도/비율이 제각각이라 그대로 쓰면 오탐이 늘어납니다. 그래서 AI는 먼저
- 크기 정규화(리사이즈), 노이즈 제거
- 배경 영향 최소화(필요 시 객체 중심으로 크롭)
- 조명/색상 편차 보정
같은 처리를 거쳐 모델이 학습한 입력 형태로 맞춥니다.
2) 핵심 객체 인식과 특징 추출(Feature Extraction)
다음 단계에서 AI는 이미지 속 “무엇이 상품인지”를 파악합니다. 예를 들어 의류면 소매/카라/패턴 같은 시각적 단서를, 가전이면 버튼 배열/포트/형태 같은 단서를 잡아냅니다.
이때 모델 내부에서는 이미지가 단순한 픽셀이 아니라, 카테고리를 구분하는 의미 있는 특징 벡터로 변환됩니다.
3) 카테고리 분류(멀티클래스 분류 + 계층 구조 적용)
커머스 카테고리는 보통 대분류 > 중분류 > 소분류처럼 계층형입니다. 그래서 AI 추천은 한 번에 끝나기보다,
- 대분류 후보를 좁히고
- 그 안에서 중·소분류를 세분화하는 방식
으로 정확도를 끌어올립니다. 이렇게 하면 “패션”까지는 맞추는데 “남성 셔츠/오버셔츠/아우터”에서 흔들리는 문제를 줄일 수 있습니다.
4) 신뢰도(Confidence) 기반 추천과 안내 로직
지앤지커머스의 ‘꾹AI:렌즈’처럼, AI가 추천한 결과가 기존 판매자 선택과 다를 때만 안내하는 방식은 중요한 UX 전략입니다.
- AI가 확신할 때만 개입하고
- 확신이 낮거나 애매하면 판매자 흐름을 방해하지 않는 것
이 “등록 편의성”과 “정확도”를 동시에 잡는 핵심입니다.
왜 이미지 기반 AI 추천이 특히 효과적인가
텍스트(상품명/설명)는 판매자마다 표현이 달라 누락·오기가 잦지만, 이미지는 상품의 형태와 속성을 직접 담는 1차 데이터입니다. 그래서 이미지 인식 기반 AI는
- 초보 판매자의 카테고리 실수 감소
- 대량 등록 시 분류 속도 향상
- 카테고리 정합성 개선(검색/필터 품질 향상)
같은 효과를 빠르게 만들어냅니다.
“유지하기/변경하기” 선택이 중요한 이유
AI 추천이 완벽하더라도, 커머스에는 예외가 많습니다. 같은 이미지라도 판매 맥락(세트 구성, 리퍼/중고 여부, 시즌 기획전)에 따라 적절한 카테고리가 달라질 수 있죠.
그래서 최종 결정권을 판매자에게 두고, 클릭 한 번으로 반영하게 만드는 구조는 자동화의 속도와 현장의 예외 처리 능력을 함께 확보하는 설계라고 볼 수 있습니다.
AI 비즈니스 성과로 증명된 효과: GS샵의 사례와 놀라운 성장
생성형 AI를 “홍보용 장식”이 아니라 방송 운영의 핵심 엔진으로 올려놓으면 어떤 일이 벌어질까요? GS샵은 그 답을 실시간 방송에서 보여줬습니다. 기획부터 화면 구성, 모델 활용까지 AI를 전면 적용한 특집 방송을 통해 주문과 시청 지표를 동시에 끌어올리며, “AI가 실제 매출을 바꿀 수 있는가”라는 질문에 숫자로 응답했습니다.
AI가 바꾼 GS샵 실시간 방송의 운영 방식(기획→제작→송출)
GS샵의 접근이 인상적인 이유는 AI를 특정 작업 자동화에만 쓰지 않고 방송 밸류체인 전체에 연결했다는 점입니다.
- 기획 단계: 콘셉트와 상품 포인트를 빠르게 정리하고, 방송 흐름(오프닝–핵심 USP–구매 유도–FAQ)을 구조화해 제작 리드타임을 단축합니다.
- 제작 단계: 생성형 AI 모델을 방송에 등장시키고, 가상 배경을 구현해 촬영 제약(장소·시간·인력)을 줄입니다. 이는 콘텐츠 실험을 더 자주, 더 가볍게 할 수 있게 만듭니다.
- 송출(실시간) 단계: 화면 요소와 메시지를 빠르게 조합해 시청자의 이탈을 줄이고, 구매 전환에 필요한 정보(코디, 핏, 연출)를 더 밀도 있게 전달합니다.
즉, AI가 “편집 보조”를 넘어서 시청 경험 설계 자체를 재구성한 것입니다.
AI 도입의 결과: 주문 15%↑, 시청 고객 10%↑가 의미하는 것
GS샵은 AI를 적용한 ‘블루밍 스프링’ 패션 특집에서 주문 수가 전년 대비 약 15% 증가, 시청 고객도 약 10% 증가했습니다. 이 수치는 단순한 화제성 이상의 의미를 가집니다.
- 시청 고객 증가(상단 퍼널 확대): AI 기반 연출이 “볼 이유”를 만들며 유입을 키웁니다.
- 주문 수 증가(전환 개선): 유입만 늘어난 것이 아니라 구매를 설득하는 콘텐츠 밀도가 높아졌다는 신호입니다.
- 동시 개선의 가치: 커머스에서 유입과 전환이 함께 오르는 경우는 드뭅니다. GS샵 사례는 AI가 양쪽을 동시에 건드릴 수 있음을 보여줍니다.
AI 모델 화보가 만든 매출 신기록의 이면: ‘분트로이’ 39분 5.3억
자체 브랜드 ‘분트로이’는 AI 모델로 제작한 화보를 활용해 남성 라인 첫 방송에서 39분 만에 5억3000만원 주문액을 기록했고, 목표 매출의 126%를 달성했습니다. 여기서 핵심은 “AI가 이미지를 만들었다”가 아니라, 그 이미지가 다음을 가능하게 했다는 점입니다.
- 제품 이해의 즉시성: 착장·핏·무드가 한 번에 전달되면 구매 판단 시간이 줄어듭니다.
- 콘텐츠 생산성: 화보·연출을 빠르게 생성/변형할 수 있어, 방송 전후로 다양한 크리에이티브를 시험할 여지가 커집니다.
- 브랜드 일관성: 동일한 톤&매너로 시리즈 콘텐츠를 확장하기 쉬워져 재방문과 재구매를 자극합니다.
결국 GS샵의 “비밀”은 AI 그 자체가 아니라, AI로 ‘기획 속도’와 ‘표현력’을 끌어올리고 이를 실시간 판매 구조에 정교하게 연결한 운영 방식에 있습니다. AI가 커머스에서 성과를 내는 순간은, 기술이 눈에 보일 때가 아니라 성과 지표가 먼저 반응할 때입니다.
AI 고도화되는 AI 시스템과 그 기술적 의미
컨텐츠 생성부터 이미지 인식, 데이터 분석이 결합된 AI 머신러닝 시스템의 진화가 향후 온라인 유통에 미칠 영향은 무엇일까요? 결론부터 말하면, AI는 “도구”를 넘어 유통 운영의 의사결정 레이어로 올라서며 상품 등록, 마케팅, 재고·가격 전략까지 한 흐름으로 연결하는 방향으로 고도화되고 있습니다.
AI 멀티모달 파이프라인: 이미지 한 장이 업무 프로세스를 움직인다
지앤지커머스의 ‘꾹AI:렌즈’처럼 상품 이미지를 입력으로 받아 카테고리를 추천하는 기능은 단순 분류를 넘어, 온라인 유통의 전형적인 AI 파이프라인을 보여줍니다.
- 입력(이미지/텍스트/메타데이터): 판매자가 올린 상품 이미지(필요 시 제목, 브랜드, 속성값 등)를 함께 활용
- 특징 추출(Computer Vision): CNN/ViT 계열 비전 모델이 형태·패턴·로고·재질 등 시각 특징을 임베딩으로 변환
- 의미 결합(멀티모달 융합): 이미지 임베딩과 텍스트 임베딩을 결합해 “무엇을 파는지”를 더 정확히 해석
- 분류/추천(랭킹 모델): 카테고리 후보를 점수화해 Top-N 추천(오분류 비용을 고려해 보수적으로 설계 가능)
- 피드백 루프(온라인 학습/데이터 축적): 판매자의 ‘유지/변경’ 선택이 정답 데이터로 누적되어 모델 성능을 계속 끌어올림
이 구조의 기술적 의미는 명확합니다. 이미지 인식이 단독 기능으로 끝나지 않고, 데이터 분석과 결합해 업무의 다음 단계(등록 검수, 노출 최적화, 검색 인덱싱)까지 연쇄적으로 자동화할 수 있는 기반이 됩니다.
AI 컨텐츠 생성의 역할: “보여주기”에서 “팔리게 만들기”로
GS샵 사례에서 보듯 생성형 AI는 모델·가상 배경·방송 기획에까지 침투하며, 커머스 컨텐츠를 저비용 대량 생산하는 수준을 넘어 성과를 만드는 방향으로 진화하고 있습니다. 기술적으로는 다음이 핵심입니다.
- 브랜드 가이드 준수형 생성: 톤앤매너, 금칙어, 상품 고지 문구를 규칙/모델로 통제
- 성과 기반 최적화: 클릭률·전환율·반품률 같은 KPI를 학습 신호로 삼아 문구/이미지/구성을 지속 개선
- 채널별 자동 리패키징: 라이브커머스, 상세페이지, 숏폼, 배너 등 포맷마다 다른 최적 규격을 자동 생성
결국 AI 컨텐츠 생성은 “예쁜 결과물”이 아니라 유통 데이터(전환·재고·고객 세그먼트)와 연결된 최적화 엔진으로 자리 잡게 됩니다.
AI 데이터 분석의 고도화: 분류 정확도보다 중요한 ‘운영 안정성’
AI가 실무에 깊이 들어갈수록 중요한 것은 단순 정확도(Accuracy)보다 운영 안정성입니다. 특히 카테고리 추천처럼 운영 규칙과 맞물리는 기능은 다음 요소가 필수입니다.
- 불확실성 추정(Confidence/Calibration): 확신이 낮을 때는 추천을 숨기거나 ‘검토 필요’로 라우팅
- 오류 비용 설계(Cost-sensitive): 잘못된 카테고리는 노출/수수료/정산/규정 위반으로 이어질 수 있어 손실을 가중 반영
- 드리프트 감지(Trend/Seasonality): 유행 상품, 신제품군 등장으로 데이터 분포가 변하면 성능이 급락할 수 있어 모니터링 필수
- 설명 가능성(Why this category?): 운영자·판매자 신뢰를 위해 근거(유사 상품, 특징, 키워드)를 요약 제공
이런 장치들이 갖춰질 때 AI는 “추천 기능”을 넘어 플랫폼 품질(검색/노출/정산)의 표준화 장치가 됩니다.
AI가 바꾸는 온라인 유통의 다음 단계: 동적 카테고리와 개인화 인프라
앞으로의 확장은 단순히 더 잘 맞히는 모델이 아니라, 카테고리 자체를 더 유연하게 운용하는 방향입니다.
- 실시간 동적 카테고리 조정: 트렌드 급변 시 임시 카테고리/태그를 생성·제안해 탐색 비용을 낮춤
- 개인화된 탐색 구조: 동일 상품도 고객의 구매 맥락에 따라 다른 카테고리/컬렉션으로 노출
- 엔드투엔드 자동화: 이미지 인식 → 속성 추출(색상/소재/사이즈) → 상세페이지 초안 → 광고 소재 생성 → 성과 분석까지 연결
즉, AI는 유통의 각 단계를 “부분 자동화”하는 것을 넘어, 데이터가 흐르는 전체 체인에서 마찰을 줄이고 성과를 증폭시키는 인프라로 진화하고 있습니다. 이 변화의 속도를 결정하는 것은 모델 자체보다, 현장 피드백이 축적되는 데이터 구조와 운영 설계입니다.
AI 기술이 온라인 커머스의 필수 인프라로 자리잡는 미래
B2B와 C2C를 아우르는 한국 커머스 생태계에서 AI가 선택이 아닌 필수가 되는 그 날, 우리의 쇼핑 경험은 어떻게 달라질까요? 핵심은 “더 편해진다”를 넘어, 구매·판매의 표준 운영 방식 자체가 바뀐다는 점입니다. 최근 지앤지커머스의 이미지 분석 기반 카테고리 자동 추천(꾹AI:렌즈)과 GS샵의 생성형 AI 방송 사례는 그 변화를 미리 보여줍니다.
AI가 바꾸는 판매자 경험: ‘등록’이 아니라 ‘검수’로
온라인 커머스에서 판매자의 가장 큰 병목 중 하나는 상품 등록입니다. 특히 카테고리 선택 오류는 검색 노출, 필터링, 정산 정책까지 연쇄적으로 영향을 미칩니다. 이미지 기반 카테고리 자동 추천은 이 흐름을 다음처럼 재설계합니다.
- 이미지 업로드 → AI가 시각 정보를 특징 벡터로 추출(색상·형태·패턴·재질 단서)
- 학습된 분류 모델이 최적 카테고리 후보를 산출
- 기존 선택과 다를 때만 안내하고, 판매자는 ‘유지/변경’으로 확정
이 구조가 중요한 이유는, 판매자의 역할이 “처음부터 입력”에서 “AI 제안의 타당성 검수”로 이동하기 때문입니다. 결과적으로 등록 속도는 빨라지고, 카테고리 정확도는 높아져 검색 품질과 운영 효율이 동시에 개선됩니다.
AI가 바꾸는 구매자 경험: 검색이 ‘질문’이 되고, 추천이 ‘맥락’이 된다
카테고리 정합성이 높아지면 소비자가 얻는 이점은 즉각적입니다. 잘못 분류된 상품이 줄어 필터·정렬이 제 기능을 하고, 원하는 상품까지 도달하는 시간이 짧아집니다. 여기에 생성형 AI 기반 콘텐츠 제작(방송 모델·가상 배경 등)이 결합되면, 구매 여정은 다음처럼 변합니다.
- 탐색 단계: 키워드 입력 중심에서, 의도(상황·예산·취향) 중심의 대화형 탐색으로 확장
- 이해 단계: 이미지/영상이 더 빠르게 제작·검증되어, 상품의 사용 장면과 비교 정보가 풍부해짐
- 결정 단계: 개인화가 “추천”에 그치지 않고, 지금 이 맥락에서 왜 이 상품이 적합한지를 설명하는 방향으로 진화
즉, 소비자는 더 적게 헤매고 더 빨리 확신하며, 플랫폼은 전환율을 끌어올리는 선순환을 만들 수 있습니다.
AI 인프라화의 기술적 핵심: 분류·생성·데이터가 하나로 묶인다
AI가 ‘기능’이 아니라 ‘인프라’가 되려면, 한두 개 모델을 붙이는 수준을 넘어 운영 전반에 내장되어야 합니다. 이를 가능하게 하는 기술 축은 크게 세 가지입니다.
- 이미지 인식 기반 분류(Computer Vision): 카테고리 자동 추천처럼 입력 데이터를 표준화하고 오류를 줄임
- 생성형 AI(Generative AI): 방송·상세페이지·화보 등 콘텐츠 생산을 가속하고, 기획-제작-운영의 리드타임을 단축
- 데이터 피드백 루프: ‘유지/변경’ 같은 클릭 선택이 곧 정답 데이터가 되어, 모델이 지속적으로 고도화됨
특히 “사용자 선택이 곧 학습 데이터가 되는 구조”는 시간이 지날수록 정확도를 올리는 엔진이 됩니다. 결국 커머스의 경쟁력은 더 많은 상품을 보유하는 것만이 아니라, 더 정확한 분류와 더 빠른 실험·개선 사이클을 갖추는 쪽으로 이동합니다.
AI가 필수가 되는 순간의 기준: 더 똑똑한 자동화가 아니라 ‘표준’의 재정의
B2B는 대량 SKU와 운영 효율이, C2C는 콘텐츠·신뢰·속도가 승부처입니다. 그럼에도 두 영역이 동시에 AI로 수렴하는 이유는 분명합니다. 정확한 분류, 빠른 제작, 지속 학습이 커머스 공통의 기반이 되었기 때문입니다.
머지않아 우리는 “AI 기능이 있나요?”를 묻지 않고, “AI가 기본 탑재되지 않은 플랫폼이 왜 불편한가”를 체감하게 될 가능성이 큽니다. 그때의 커머스는 더 화려해져서가 아니라, 실수는 줄고 결정은 빨라지고 경험은 자연스러워져서 완전히 달라질 것입니다.
