Agentic Commerce: Carvana 3분기 콜, AI 에이전트가 차를 사러 올 때를 대비한 API·규칙·데이터

Carvana는 AI 에이전트가 고객 대신 차를 사러 오는 상황을 이미 준비된 문제로 봅니다. 고객 쪽 시스템은 같은 입력에 같은 답을 내고 API로 열려 있습니다. 고객 응대·검증·명의 등록 같은 백오피스는 규칙과 데이터 흐름으로 적혀 있습니다. 이 두 가지가 근거입니다. 따라 하려면 사람이 그때그때 판단하는 지점을 먼저 찾아 규칙으로 바꾸고 그 규칙을 에이전트가 부를 수 있는 API로 내놓아야 합니다.

요약

Carvana는 2026년 10월 28일 3분기 실적 콜을 열었습니다. 애널리스트 세 명이 에이전트를 물었습니다. Morgan Stanley는 에이전틱 AI(고객 대신 검색·비교·구매를 처리하는 AI)에서 Carvana가 어떤 기회를 보는지 물었습니다. D.A. Davidson은 여러 AI 챗봇에 직접 물어보니 Carvana도 나오지만 경쟁사도 꽤 자주 나온다며 무엇에 투자해야 하는지 물었습니다. BofA는 에이전트가 더 낮은 금리를 찾아다니면 금융 경쟁이 세지지 않느냐고 물었습니다. Ernie Garcia CEO는 AI가 가장 힘을 쓰는 조건 네 가지를 먼저 꼽았습니다. 그리고 Carvana가 그 조건을 이미 갖췄다고 답했습니다. 오늘 처음부터 회사를 만든다 해도 지금의 Carvana를 만들겠다고까지 말했습니다.

에이전트 관련 질문과 답변 요지 (콜 발언 기준)

Garcia는 에이전틱 커머스가 아직 초기라고 했습니다. 그래도 디지털 구매로 넘어오는 속도를 높일 가능성이 크고 공급망을 더 싸고 빠르게 만들라는 압력이 될 것이라고 봤습니다. Mark Jenkins CFO는 AI, 규모, 물류망 밀도가 시간이 지나며 대당 운영비를 낮출 수 있다고 했습니다. 올해 AI로 재정비 센터 관리자가 운영 현황을 실시간으로 보는 시스템을 만든 일도 소개했습니다. 실적은 소매 판매 21만 7,385대(39% 증가), 매출 80억 4,000만 달러(42% 증가)로 둘 다 분기 최대였습니다. 조정 EBITDA는 8억 달러, 마진은 10%로 1년 전 11.3%보다 낮았습니다. 아래에서는 Garcia가 말한 준비 상태를 세 가지 작동 원리로 풀고 같은 준비를 국내 기업이 할 때 필요한 API, 규칙 표, 노출 측정, 일정을 덧붙였습니다.

2026년 3분기 실적 (증가율은 전년 대비, 마진은 수준값, 0 기준 막대 길이 비례)

핵심 메커니즘

Deterministic Decisions: 같은 입력에 같은 답을 내는 시스템

Garcia는 AI가 가장 힘을 쓰는 조건을 네 가지로 정리했습니다. 결정이 자동화되고 결정적(deterministic, 같은 입력이면 늘 같은 결과)일 때, 기술이 답을 빨리 꺼내 줄 때, 남과 다른 데이터가 꾸준히 들어올 때, 수직 통합으로 단계 사이 마찰이 없을 때입니다. 그는 Carvana의 고객 쪽 시스템이 결정적으로 돌아가고 정보를 API로 내준다고 했습니다. 에이전트 입장에서 이 말은 차량 가격, 트레이드인(고객이 타던 차를 넘기는 것) 가치, 금융 조건을 물으면 사람과 흥정하지 않고 바로 확정된 답을 받는다는 뜻입니다. 이 조건은 가격과 조건을 규칙과 데이터로 계산하는 업무에서 통합니다. 반대로 영업 담당자가 손님마다 값을 깎아 주는 구조라면 에이전트가 받아 갈 확정된 답이 없습니다. 가상 예시로 트레이드인 가격을 지점장이 차를 보고 정하는 매장은 에이전트에게 방문해서 상담하라는 답밖에 줄 수 없습니다.

Garcia가 꼽은 AI가 힘을 쓰는 네 조건 (콜 발언을 풀어 씀)

Articulated Rules: 백오피스를 규칙과 데이터 흐름으로 적어 두기

고객 화면 뒤에도 같은 원칙이 적용됩니다. Garcia는 고객 응대, 검증, 명의 이전과 등록(title and registration) 같은 백오피스 업무가 문서화된 규칙과 데이터 흐름으로 돌아간다고 했습니다. 그 상태를 그는 “we have articulated all the rules”라고 표현했습니다. 규칙이 사람 머릿속이 아니라 문서와 시스템에 있으면 에이전트가 들어와도 같은 절차를 밟을 수 있고 AI 도구로 자동화할 대상도 분명해집니다. CFO가 든 AI 활용 예는 재정비(reconditioning, 매입한 중고차를 수리·점검해 다시 팔 수 있게 만드는 일) 센터입니다. 올해 AI로 센터 관리자가 운영 상황을 실시간으로 보는 시스템을 만들었습니다. 효과 수치는 밝히지 않았습니다. Garcia는 앞으로의 효율 개선 상당수가 여러 AI 도구 덕에 더 빨라지기를 기대한다고 했습니다. 기술은 규모를 가진 쪽에 보상한다는 말도 덧붙였습니다.

백오피스 준비 상태 (CEO·CFO 발언 기준, 앰버 칸이 AI로 만든 시스템)

이번 분기 비용을 보면 물리 운영의 무게가 드러납니다. 대당 운영비는 109달러 올랐고 가장 큰 원인은 연료와 물류비 상승이었습니다. 연료와 운임에서 온 역풍은 대당 약 200달러였습니다. 대당 간접비는 159달러 줄었고 광고비는 45달러 늘었습니다. CFO는 39% 성장 속도에서 정비 기술자, 차량 운송 인력 같은 직원을 얼마나 빨리 뽑고 가르치느냐가 확장 속도를 정한다고 했습니다.

3분기 대당 비용 변화 폭 (전년 대비, 앰버는 증가·틸은 감소, 0 기준 막대 길이 비례)

Bot Visibility: AI 답변에 회사 데이터가 보이게 하기

D.A. Davidson의 질문은 고객이 AI 챗봇에 차를 물을 때 누가 답에 나오느냐였습니다. Garcia의 답은 회사가 자기 데이터를 봇이 볼 수 있는 곳으로 밀어 내보내야 한다는 것이었습니다. 그리고 회사가 커질수록 그 여러 곳에 더 자주 나타날 것이라고 봤습니다. 내놓은 데이터가 정확하고 최신이어야 답에 남는다는 점에서 앞의 두 원리와 이어집니다. 결정적인 시스템이 있어야 바깥에 내놓을 확정된 가격과 조건이 생깁니다. 어떤 데이터를 어느 채널에 내보내는지는 콜에서 밝히지 않았습니다.

AI 답변에 보이게 하는 흐름 (CEO 발언 기준, 데이터 칸은 노트가 든 예)

통념과 다른 주장

흔히 이렇게 봅니다AI 에이전트 쇼핑은 화면과 앱 경험의 경쟁이다. 물류는 그 뒤에서 받치는 일로 본다.

Garcia는 이렇게 봅니다에이전트는 디지털 마찰을 0으로 줄이지만 물리 마찰은 거의 그대로 둔다. 그래서 공급망을 더 싸고 빠르게 만드는 쪽에 차이가 남는다.

근거Garcia는 에이전트가 고객 확인부터 트레이드인 가치, 금융 조건까지 한 번에 처리하는 그림을 들었습니다. CFO는 이번 분기 대당 운영비 상승의 가장 큰 원인으로 연료와 물류비를 꼽았고 물류망 밀도가 대당 비용을 낮출 수 있다고 했습니다.

통념과 Garcia의 판단 비교 (콜 발언 기준)

콜에서 나온 사례

사례	상황	한 일	결과	연결
에이전트 구매 시나리오	고객이 에이전트에게 차 구매를 맡기는 가정	에이전트가 고객 확인, 트레이드인 가치 수집, 금융 조회 후 차량 사진과 조건을 제시	CEO가 든 그림. 실제 운영 여부와 수치는 밝히지 않음	Deterministic Decisions
재정비 센터 시스템	센터 관리자가 운영 현황을 바로 봐야 함	올해 AI로 실시간 가시성 시스템 구축	효과 수치 미공개	Articulated Rules
AI 답변 노출	애널리스트 표본 확인에서 경쟁사도 자주 등장	데이터를 봇이 보는 곳에 내보냄	규모가 커질수록 더 자주 노출될 것으로 기대	Bot Visibility
금융 선상환	에이전트로 가격 비교가 쉬워지면 금리 경쟁 우려	통합 모델로 위험 관리	선상환 증가를 예상, 시장 변화는 완만할 것으로 봄	Deterministic Decisions
CEO 개인 에이전트	자사 실적 콜 녹취를 찾아봐야 함	개인 에이전트에게 fundamental gains 언급 횟수를 세게 함	콜 발언에서 예로 듦	Bot Visibility

에이전트 구매 시나리오 (CEO가 든 가정, 실제 운영 여부는 밝히지 않음)

기술 디테일: 에이전트를 받는 시스템을 만든다면

아래 API, 필드, 설정값, 측정 방법은 실행 제안이며 Carvana가 밝힌 구현이 아닙니다.

에이전트용 견적 API를 열려면(Deterministic Decisions, 에이전트 구매 시나리오) 고객 여정을 에이전트가 부를 수 있는 호출 단위로 쪼갭니다. 가상 예시로 verify_customer(본인 확인), get_trade_in_offer(트레이드인 가치), prequalify_financing(금융 사전 심사), search_inventory(재고 검색) 네 개면 CEO가 든 시나리오를 덮습니다. 가격과 조건은 LLM이 아니라 기존 가격 엔진과 심사 규칙이 계산합니다. LLM은 고객 쪽 에이전트가 대화를 정리해 호출 인자를 채우는 데만 씁니다. 결정적인지 확인하는 방법은 단순합니다. 같은 요청을 유효 시간 안에 3회 보내 응답이 한 글자도 다르지 않아야 합니다. 모든 응답에 quote_id, 만료 시각, 계산에 쓴 규칙 버전을 붙이면 에이전트가 고객에게 내민 조건을 나중에 그대로 다시 찾을 수 있습니다. 고객 동의 없이 금융 심사를 돌리지 않도록 동의 토큰을 필수 인자로 둡니다.

{
  "quote_id": "Q-20261103-00417",
  "customer_verified": true,
  "consent_token": "ct_8f2a...",
  "vehicle": {
    "stock_id": "STK-552910",
    "photo_urls": ["https://example.com/stk-552910/1.jpg"],
    "price_usd": 23900
  },
  "trade_in": { "offer_usd": 9400, "valid_until": "2026-11-10T23:59:00Z" },
  "financing": { "apr_pct": 7.4, "term_months": 60, "monthly_usd": 312 },
  "delivery_estimate_days": 4,
  "pricing_rule_version": "pr-2026.10.3",
  "expires_at": "2026-11-10T23:59:00Z"
}

백오피스 규칙을 실행 가능한 표로 바꾸려면(Articulated Rules) 업무 매뉴얼을 규칙 한 줄씩으로 옮깁니다. 필드는 rule_id, process(예: title_registration), condition, required_documents, action, owner, version, effective_from입니다. LLM으로 매뉴얼에서 규칙 초안을 뽑을 수 있지만 temperature 0으로 같은 문서를 2회 돌려 결과가 다른 규칙은 사람이 직접 확인합니다. 완성한 규칙 표는 지난 분기 실제 처리 건 200~300건에 다시 돌려 사람의 처리 결과와 비교합니다. 일치율 98% 미만인 절차는 아직 사람 판단이 숨어 있다는 신호이므로 담당자 인터뷰로 빠진 규칙을 찾습니다.

재정비 센터 가시성을 만들려면(CFO 사례) 차 한 대가 거치는 단계를 이벤트로 남깁니다. 가상 예시로 입고, 점검, 부품 대기, 수리, 촬영, 판매 준비 완료 여섯 단계에 vehicle_id, stage, entered_at, technician_id를 기록합니다. 단계별 체류 시간이 평소의 2배를 넘으면 관리자에게 알립니다. LLM은 알림에 막힌 이유를 정비 메모에서 요약해 붙이는 데 씁니다.

AI 답변 노출을 재려면(Bot Visibility) 애널리스트가 한 표본 확인을 정례화합니다. 고객이 실제로 할 법한 질문 50개를 만들고 주요 AI 어시스턴트 3종에 월 1회, 질문마다 3회씩 묻습니다. 답마다 등장한 회사, 순서, 가격·재고 정보가 맞는지를 기록합니다. 같은 질문에도 답이 흔들리므로 3회 중 몇 번 나왔는지를 노출률로 봅니다. 내보낼 데이터는 재고 피드(stock_id, 가격, 사진, updated_at)처럼 기계가 읽는 형식으로 두고 갱신 주기를 하루 1회 이상으로 잡습니다.

금융 선상환을 지켜보려면(금융 선상환 사례) 대출 실행 월별 묶음마다 선상환율을 주간으로 집계하고 에이전트 경유 비중과 함께 봅니다. 가상 예시로 에이전트 경유 건의 선상환율이 기준선보다 2%p 이상 높아지면 금리 정책 검토 안건으로 올립니다.

에이전트를 받는 시스템 구성 (실행 제안, Carvana가 밝힌 구현 아님)

막히는 경우	증상	대응
가격을 사람이 조정함	같은 요청에 다른 견적이 나감	조정 권한을 규칙으로 옮기고 예외는 별도 코드로 기록
매뉴얼과 실제 처리가 다름	규칙 표 일치율이 98% 미만	불일치 건을 담당자와 같이 보며 빠진 규칙 추가
재고 피드가 늦음	AI 답에 팔린 차가 나옴	`updated_at` 기준 24시간 넘은 항목은 피드에서 제외
동의 없는 금융 조회 요청	고객 민원·규제 위험	`consent_token` 없는 호출은 거절하고 로그 저장
물리 단계 병목	견적은 빠른데 인도가 늦음	재정비·배송 단계별 체류 시간을 견적의 인도 예상일에 반영

현업 실행 디테일: 누가, 언제, 무엇을

역할	맡는 일
사업 책임자(CEO 또는 사업부장)	에이전트 채널을 열지 결정, 판정 기준 승인
디지털·플랫폼 책임자	견적 API 설계와 호출 정책, 동의·신원 처리
백오피스 운영 리더	고객 응대·검증·명의 등록 규칙 문서화와 검수
금융 상품 담당	사전 심사 규칙 정리, 선상환 모니터링
마케팅·검색 담당	질문 세트 작성, 월간 AI 답변 노출 측정
물류·재정비 운영 리더	단계별 이벤트 기록, 체류 시간 기준 관리
데이터 엔지니어	재고 피드, 규칙 엔진 회귀 테스트, 로그

준비물. 고객 여정 단계별 현재 처리 방식(시스템이 하는지 사람이 하는지), 업무 매뉴얼과 지난 분기 처리 건 샘플, 가격·트레이드인·금융 심사 로직 문서, 재고 데이터 사양, 고객이 실제로 묻는 질문 목록(상담 로그에서 추출), 재정비·배송 단계별 소요 시간 기록이 필요합니다.

8주 시범 일정 (가상 예시)

주차별 산출물은 1~2주 판단 지점 목록과 봇 노출 기준선, 3~4주 규칙 표 초안과 회귀 테스트 결과, 5~6주 API 네 종과 결정성 테스트 기록, 7~8주 노출 재측정 결과와 확대 판정 메모입니다.

현업에 물을 것.

고객이 견적을 받기까지 사람이 값을 정하거나 바꾸는 지점은 몇 군데인가요?
명의 이전·등록 처리에서 매뉴얼에 없는데 담당자가 알아서 하는 판단은 무엇인가요?
같은 고객이 같은 날 두 번 견적을 요청하면 지금도 같은 값이 나오나요?
지금 AI 챗봇에 우리 상품을 물으면 누가 먼저 나오나요? 확인해 본 적이 있나요?
견적은 빨라져도 인도가 늦어지는 단계는 어디인가요?

진행 판정 기준(예시). 8주 끝에 다음을 채우면 에이전트 채널을 정식으로 엽니다. API 네 종이 같은 요청 3회에 같은 답을 내고 응답 시간이 2초 이내여야 합니다. 규칙 표는 지난 분기 처리 건과 98% 이상 일치해야 합니다. 봇 노출률은 1~2주차 기준선보다 올라야 합니다. 하나라도 못 채우면 그 항목만 4주 더 봅니다.

AX 적용 제언. 중고차, 렌털, 보험, 가전 구독처럼 견적·심사·인도가 이어지는 B2C 사업이라면 에이전트용 API부터 만들기보다 사람이 판단하는 지점 목록부터 뽑는 편이 낫습니다. Carvana가 에이전트를 기회로 말할 수 있는 이유는 API 자체보다 그 뒤의 규칙이 이미 적혀 있다는 데 있습니다. 첫 과제는 견적 한 가지(예: 트레이드인 가치)를 골라 같은 입력에 같은 답이 나오게 만드는 일로 잡습니다. 경영 보고에는 디지털 지표와 함께 인도까지 걸리는 시간과 대당 물류비를 같이 올립니다. Garcia의 말대로 디지털 마찰이 사라질수록 남는 차이는 물리 운영에서 나기 때문입니다.

원문 사례

항목	내용
발표	Carvana 2026년 3분기 실적 발표 콜, 2026.10.28 (The Motley Fool 녹취 2026.10.29 게재)
발언자	Ernie Garcia(CEO), Mark Jenkins(CFO), Austin Knutson(IR)
에이전트 관련 질문	Daniela Haigian(Morgan Stanley), Michael Baker(D.A. Davidson), Michael McGovern(BofA)
판매·매출	소매 판매 21만 7,385대(39%↑, 분기 최대, 첫 20만 대 돌파), 매출 80억 4,000만 달러(42%↑, 분기 최대)
연간 환산	약 87만 대, 매출 약 320억 달러
이익	조정 EBITDA 8억 달러(마진 10%, 1년 전 11.3%), GAAP 영업이익 7억 1,400만 달러, 순이익 4억 8,300만 달러
대당 비용	운영비 +109달러, 간접비 -159달러, 광고비 +45달러, 연료·운임 역풍 약 200달러
고객 지표	2년간 NPS 9점 상승, 배송 약 2일 단축, 고객 금리 100bp 이상 인하
시장·목표	중고차 시장 점유율 약 2%, 장기 목표 연 300만 대·조정 EBITDA 마진 13.5%
가이던스	2026년 조정 EBITDA 27억~30억 달러, 상단 예상
AI 관련 발언	결정적 고객 시스템과 API, 백오피스 규칙 문서화, 봇이 보는 곳에 데이터 공개, AI로 만든 재정비 센터 가시성 시스템, 에이전트 확산 시 선상환 증가 예상

핵심 개념

agentic commerce: AI 에이전트가 고객 대신 상품을 찾고 비교하고 구매 절차까지 밟는 상거래 방식입니다.
vertical integration: 매입, 재정비, 판매, 금융, 배송을 한 회사가 직접 맡는 구조. Garcia는 이 구조가 단계 사이 마찰을 없앤다고 봅니다.
digital friction · physical friction: 검색·비교·서류 같은 화면 속 수고와, 차를 고치고 옮기고 건네는 현장의 수고를 나눠 부르는 말입니다.
price discovery: 여러 판매처의 가격과 조건을 비교해 적정 가격을 찾는 과정. 에이전트가 이 과정을 쉽게 만듭니다.
prepayment: 대출을 만기 전에 갚는 것. 더 싼 금리를 찾은 고객이 갈아타면 늘어납니다.
title and registration: 차량 소유권 이전과 등록 업무입니다.
NPS: Net Promoter Score. 고객이 주변에 추천할 의향을 점수로 잰 지표입니다.

내 메모

TODO: 내 생각 추가

원문은 The Motley Fool에 실린 「Carvana (CVNA) Q3 2026 Earnings Call Transcript」(2026.10.29 게재, 콜은 10.28)입니다. 편집 데스크 후보였던 PYMNTS 기사는 열 수 없어 같은 콜의 녹취를 원문으로 읽었습니다. 요약, 핵심 메커니즘의 콜 내용, 통념과 다른 주장, 사례, 원문 사례 표는 Carvana 경영진과 애널리스트의 발언을 AX Review가 다시 정리했으며 효과와 수치는 회사 측 설명입니다. 기술·현업 실행 디테일, JSON 예시, 시스템 구성, 일정과 판정 기준, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 콜 전문은 원문 페이지에서 볼 수 있습니다.