Back-Office Agents: ASOS는 발주 에이전트로 주 500시간, 카탈로그 에이전트로 주 300시간을 덜었다

에이전틱 커머스를 고객이 받아들이기까지는 시간이 걸리지만 ASOS는 그사이 발주·카탈로그·송장처럼 형식이 제각각이고 반복이 많은 뒷단 업무에서 먼저 성과를 냈습니다(CEO 설명). 따라 하려면 고객용 챗봇보다 먼저 사람이 손으로 맞추던 공급망 업무의 시간을 재고 에이전트가 무엇을 스스로 바꿔도 되는지 금액 기준을 정해야 합니다.

요약

diginomica의 Stuart Lauchlan이 2026년 11월 6일 ASOS CEO José Antonio Ramos Calamonte의 설명을 정리했습니다. 기사의 출발점은 에이전틱 커머스(AI 에이전트가 고객 대신 상품을 찾고 고르고 사는 방식)입니다. 금융사와 대형 유통사는 뛰어들었지만 실제로 쓰는 소비자는 아직 소수입니다. Calamonte는 고객 쪽에서 쇼핑을 상품 나열에서 코디 제안으로 바꾸겠다고 말합니다. 그보다 숫자가 분명한 쪽은 뒷단입니다. ASOS는 발주 시점을 관리하는 Purchase Order Management agent(이하 PO Agent), 서드파티 브랜드의 상품 정보를 받아 넣는 Catalog Agent, 송장 대사(송장이 맞는지, 지급할 준비가 됐는지 확인하는 일) 자동화를 운영합니다. 상품 개발 과정은 Microsoft와 맺은 전략 제휴 아래 Fashion Frontier라는 프로그램으로 다시 짜고 있습니다.

기사에 나온 프로그램을 가치사슬 순서로 새로 배치

CEO가 밝힌 효과는 PO Agent 주 500시간, Catalog Agent 주 300시간, 송장 대사 연 약 100만 파운드입니다. Calamonte는 두 에이전트만으로 주 1,000시간 가까이 줄였다고 표현했습니다. 기사에 나온 두 수치를 더하면 800시간입니다. 세 업무에는 공통점이 있습니다. 상대하는 바깥 회사(공급사, 포워더, 통관, 브랜드)가 많고 회사마다 형식이 달라서 사람이 그 차이를 손으로 메워 왔습니다. 고객 쪽에서는 AI Studio로 주 3,000개 넘는 상품을 만들고 AI Stylist를 UK iOS 사용자 약 50%에게 열어 몇 주 만에 대화 10만 건을 넘겼습니다. 기자는 메시지가 긍정적이지만 고객의 열의는 아직 CEO만 못하다고 덧붙였습니다. 아래에서 다섯 가지 작동 원리와 세 사례를 보고 따라 할 때 필요한 기술·현업 디테일을 붙입니다.

ASOS CEO 설명. 주당 절감 시간, 막대 길이는 0 기준 비례

핵심 메커니즘

Purchase Order Management Agent: 발주를 넣고 바꾸는 시점을 계속 다시 맞춘다

PO Agent는 발주를 언제 넣고 언제 바꿀지를 관리하는 에이전트입니다. 한 번 정한 일정으로 끝나지 않고 상황에 따라 계속 다시 맞춥니다. 그러려면 포워더(선적·운송을 대행하는 물류 회사), 공급사, 통관 시스템과 정보를 주고받아야 하므로 일이 복잡합니다. 기사는 이 에이전트가 주 500시간을 줄였다고 전합니다. 바깥 상대가 여럿이고 일정이 자주 흔들리는 수입 위주 공급망에서 효과가 크고 발주처가 몇 곳 안 되는 고정 계약 구조에는 과한 설계입니다. 가상 예시로, 한 공급사가 납기를 열흘 늦추면 에이전트가 판매 시즌 시작일과 비교해 다른 공급사로 일부 물량을 돌릴지, 입고일만 옮길지를 제안하는 식입니다.

PO Agent의 입력, 판단, 행동. 내부 구현은 기사에서 밝히지 않아 개념도로 그림

Catalog Agent: 브랜드마다 다른 상품 정보를 한 형식으로 받아 넣는다

ASOS는 자체 상품 외에 서드파티 브랜드 상품도 팝니다. 브랜드마다 상품 정보를 보내는 형식과 방법이 달라서 이를 받아 넣는 데 사람이 많이 들었습니다. Catalog Agent가 이 수집(ingestion)을 맡아 주 300시간을 줄였습니다. 입점 브랜드가 많고 상품 회전이 빠른 마켓플레이스형 유통에 맞고 공급사가 이미 표준 양식(예: 업계 공통 데이터 교환 규격)으로 보내는 곳이라면 효과가 작습니다. 가상 예시로, 어느 브랜드는 소재를 “Cotton 100%“로, 다른 브랜드는 별도 열에 “면”으로 보내도 에이전트가 같은 속성 값으로 맞춥니다.

브랜드별 파일 형식은 가상 예시. 형식이 제각각이라는 점과 절감 시간만 기사 내용

Invoice Matching: 모든 송장을 맞춰 보는 일을 자동으로 돌린다

송장 대사는 들어온 송장 하나하나가 정확한지, 지급할 준비가 됐는지 확인하는 일입니다. 기사는 이 작업이 손이 많이 가는 수작업이었고 에이전트 기술로 자동화해 연 약 100만 파운드를 아낀다고 전합니다. 대사 기준이나 처리 건수는 기사에서 밝히지 않았습니다. 일반적으로는 송장을 발주와 입고 기록에 대어 금액과 수량이 맞는지 보고 어긋난 건만 담당자에게 넘깁니다. 공급사가 많고 건당 금액이 작아 사람 손이 비싼 곳에서 효과가 크며 소수 공급사와 큰 금액을 주고받는 곳은 사람이 보는 편이 낫습니다.

대사 기준과 분기는 일반적인 구성으로 새로 그림. 절감액만 기사 내용

Fashion Frontier: 상품 개발 과정을 다시 짜고 에이전트를 단계마다 붙인다

Fashion Frontier는 ASOS가 상품을 만드는 핵심 과정을 다시 짓는 프로그램으로, Microsoft와의 전략 제휴 아래 진행합니다. 목표는 상품 개발을 단순하게, 빠르게 만들고 에이전트를 붙이는 것입니다. Calamonte는 에이전트를 더 연결할수록 더 빠르고 믿을 만하게 상품을 제때 들여올 수 있고 맞는 상품을 맞는 때에 팔면 마진이 오른다고 봅니다. 어떤 단계에 어떤 에이전트를 붙이는지와 수치는 기사에 나오지 않습니다. 기사는 이 설명 바로 뒤에 PO Agent와 Catalog Agent를 소개합니다.

CEO가 밝힌 기대 효과의 순서. 수치는 기사에 없음

AI Studio와 AI Stylist: 같은 상품을 고객마다 다르게 보여 준다

고객 쪽 축은 세 가지입니다. AI Studio는 디자인 과정에 AI를 쓰며 지금 주 3,000개 넘는 상품이 이것으로 만들어집니다. 같은 상품을 고객마다 다르게 보여 주려면 이미지가 사실상 무한히 필요한데, AI Studio가 그 공급원 역할을 합니다. The Wardrobe는 고객이 ASOS나 다른 곳에서 산 옷 정보를 바탕으로 쇼핑 여정을 맞추는 기능으로 파일럿 단계입니다. AI Stylist는 고객에게 코디를 제안하는 대화형 도우미로, 기사 기준 지난달 UK iOS 사용자 약 50%에게 열렸습니다. Calamonte는 이 셋이 상품 중심 쇼핑을 코디 중심 쇼핑으로 바꾸는 기둥이라고 봅니다.

기사에 나온 단계와 수치. 대화 10만 건은 출시 후 몇 주 동안

통념과 다른 주장

흔히 이렇게 봅니다쇼핑 에이전트는 취향이 뚜렷한 패션 마니아가 가장 먼저, 가장 많이 쓸 것이다.

저자는 이렇게 봅니다Calamonte는 정말 패션에 밝은 고객은 이미 원하는 것을 알기 때문에 수혜가 작다고 봅니다. 가장 큰 수혜자는 패션을 좋아하지만 마니아는 아닌 고객입니다.

근거이 고객층은 마음에 드는 옷을 고른 뒤 그 옷을 어떻게 입을지를 묻습니다. 그래서 AI Stylist가 단품 추천보다 코디 제안에 무게를 둡니다.

누가 쇼핑 에이전트를 먼저 쓰나

흔히 이렇게 봅니다개인화는 고객 얼굴을 보고 권하는 매장 직원이 온라인보다 낫다.

저자는 이렇게 봅니다Calamonte는 초개인화(고객 한 명 한 명에게 맞춘 화면과 제안)에서는 온라인이 오프라인이 따라오지 못할 수준까지 갈 수 있다고 봅니다.

근거지금의 온라인 쇼핑은 상품을 쏟아붓고 밀어붙이는 거래 중심이라 고객이 압도됩니다. AI로 같은 상품을 고객마다 다른 이미지와 코디로 보여 주면 그 복잡함을 덜 수 있다는 것이 그의 설명입니다.

같은 상품을 고객마다 다르게 보여 주려면 이미지가 무한히 필요함(AI Studio)

저자가 든 사례

발주·카탈로그 에이전트: 두 개로 주 800시간

상황: 발주를 넣고 바꾸는 시점은 포워더, 공급사, 통관 시스템과 맞춰야 했고 브랜드 상품 정보는 형식이 제각각이라 사람이 많이 들었습니다.
한 일: PO Agent와 Catalog Agent를 넣었습니다.
결과: 각각 주 500시간과 300시간을 줄였다고 합니다. CEO는 둘을 합쳐 주 1,000시간 가까이라고 말했습니다. 도입 시점, 인력 변화, 산정 방식은 기사에서 밝히지 않았습니다.
연결: Purchase Order Management Agent, Catalog Agent.

도입 시점과 인력 변화는 기사에서 밝히지 않음

송장 대사 자동화: 연 약 100만 파운드

상황: 송장마다 정확성과 지급 준비 여부를 사람이 확인했습니다.
한 일: 에이전트 기술로 송장 대사를 자동화했습니다.
결과: 연 약 100만 파운드를 아낀다고 합니다. 처리 건수와 산정 방식은 기사에서 밝히지 않았습니다.
연결: Invoice Matching.

처리 건수와 산정 방식은 기사에서 밝히지 않음

AI Stylist: 몇 주 만에 대화 10만 건

상황: 에이전틱 커머스에 대한 고객 반응은 아직 미지근하고 실제 이용자는 소수입니다.
한 일: 코디 제안 도우미 AI Stylist를 UK iOS 사용자 약 50%에게 열었습니다.
결과: 몇 주 만에 대화가 10만 건을 넘었고 그중 5만 건 넘게 관련 참여와 구매로 이어졌다고 합니다. 참여와 구매를 나눈 수치는 기사에 없습니다.
연결: AI Studio와 AI Stylist.

출시는 기사 기준 지난달. 참여와 구매를 나눈 수치는 기사에 없음

기술 디테일: 공급망 뒷단 에이전트를 직접 만든다면

아래 필드명, 설정값, 구성은 실행 제안이자 가상 예시입니다. 기사에서 온 내용은 따로 표시했습니다.

PO Agent는 이벤트로 움직이게 합니다(Purchase Order Management Agent). 기사가 든 상대 셋(포워더, 공급사, 통관)에서 오는 변화를 이벤트로 받습니다. 공급사 납기 확인·변경, 포워더의 선적 예정일(ETD)·도착 예정일(ETA) 변경, 통관 보류가 대표적입니다. 이벤트가 오면 영향받는 발주 줄만 추려 입고 예정일과 판매 시즌 시작일의 차이를 계산하고 변경안을 만듭니다. 계산은 규칙과 날짜 산술로 하고 LLM은 공급사 이메일·PDF 확인서에서 날짜와 수량을 뽑는 데 씁니다. 같은 입력이면 같은 제안이 나와야 바이어가 비교할 수 있으므로 추출 단계는 temperature 0으로 둡니다.

{
  "po_id": "PO-2026-118204",
  "line": 3,
  "event": {"type": "supplier_date_change", "source": "supplier_email", "received_at": "2026-11-08T09:12:00Z"},
  "old_eta": "2026-12-01",
  "new_eta": "2026-12-11",
  "season_start": "2026-12-05",
  "proposal": {"action": "split_order", "move_qty": 400, "to_supplier": "SUP-0217"},
  "value_gbp": 6800,
  "auto_execute": false,
  "reason": "새 ETA가 시즌 시작보다 6일 늦음, 대체 공급사 재고 있음"
}

value_gbp가 정한 한도(예: 2,000파운드) 아래이고 행동이 입고일 조정뿐이면 자동 실행하고 물량을 옮기거나 한도를 넘으면 바이어 승인을 받습니다. 주 500시간 같은 효과를 재려면 이벤트 하나를 사람이 처리하던 시간을 시범 전에 재 두고 자동 실행 건수에 곱합니다.

실행 제안(가상 예시). PO Agent를 직접 만든다면

Catalog Agent는 속성 사전과 검증기로 묶습니다(Catalog Agent). 먼저 ASOS 형식에 해당하는 내 카탈로그의 속성 사전(필수 필드, 허용 값, 단위)을 만듭니다. LLM에게는 브랜드 파일 한 행과 속성 사전을 주고 JSON 구조화 출력으로 title, category, material, size_range, color, care를 받습니다. 출력은 허용 값 목록과 대조하는 검증기를 거치고 필드마다 신뢰도가 낮거나(예: 0.8 미만) 사전에 없는 값이 나오면 사람 검토 대기열로 보냅니다. 시범 기간에는 같은 행을 두 번 추출해 필수 속성 값이 다르면 그 행도 검토로 보내 편차를 잽니다. 같은 브랜드에서 같은 열 구조가 반복되면 첫 50행에서 열 대응표를 만들어 저장하고 이후에는 LLM 호출 없이 대응표로 처리하면 비용이 줄어듭니다. 이미지와 텍스트가 어긋나는 경우(사진은 검정, 텍스트는 네이비)는 멀티모달 모델로 한 번 더 비교합니다.

송장 대사는 예외 처리부터 설계합니다(Invoice Matching). 자동 통과 기준을 금액 차이 허용폭(예: 1% 또는 5파운드 중 작은 값)과 수량 일치로 정하고 불일치는 유형(단가 차이, 수량 차이, 발주 없음, 중복 송장)으로 나눠 담당자에게 보냅니다. LLM은 PDF·이메일 송장에서 공급사, 송장 번호, 줄별 품목·수량·단가를 뽑는 데만 쓰고 일치 판정은 규칙으로 합니다. 중복 송장은 같은 공급사, 같은 금액, 30일 안의 송장을 묶어 따로 경고합니다.

막히는 경우	증상	대응
공급사 메일 문구가 제각각	날짜를 잘못 뽑아 엉뚱한 변경안	뽑은 날짜를 원문 문장과 함께 저장, 기존 ETA와 30일 넘게 차이 나면 사람 확인
에이전트가 발주를 자주 흔듦	공급사가 잦은 변경에 불만	같은 발주 줄의 변경은 주 1회로 제한, 확정 구간(선적 후)은 고정
브랜드가 새 열을 추가	열 대응표가 깨져 누락	열 이름·개수 변화 감지 시 대응표 재생성, 그 배치는 전수 검토
생성 상품 정보가 틀림	소재·사이즈 오기로 반품 증가	필수 속성은 원본 값이 없으면 비워 두고 브랜드에 재요청
송장 자동 통과 오류	과지급	월 1회 자동 통과 건 표본 50건 사후 감사, 오류율 기준 초과 시 허용폭 축소

현업 실행 디테일: 누가, 언제, 무엇을

기사는 CEO의 설명만 전하고 담당 조직은 밝히지 않았습니다. 아래 역할, 일정, 기준은 이를 바탕으로 새로 짠 가상 예시입니다.

역할	맡는 일
머천다이징·구매 리드	시범 업무 선정, 자동 실행 금액 한도 승인, 진행 판정, 현업 스폰서
바이어·MD 2~3명	발주 변경 업무 시간 실측, 변경 규칙 검증, 에이전트 제안 승인·거절과 사유 기록
카탈로그·상품 등록 팀	브랜드별 형식 목록, 속성 사전 정리, 검토 대기열 처리
재무 AP(매입 채무) 담당	송장 불일치 유형 정리, 허용폭 결정, 사후 감사
IT·데이터 엔지니어	ERP·발주 시스템·포워더 데이터 연결, 에이전트 구축, 실행 로그와 권한
공급사 관리 담당	주요 공급사·포워더에 바뀐 연락 방식 안내, 불만 수렴

준비물. 최근 3개월 발주 변경 이력과 변경 사유, 공급사·포워더에게 받은 납기 메일과 확인서 표본 200건, 입점 브랜드별 상품 정보 파일 표본(브랜드당 2~3개), 현재 카탈로그 속성 목록, 최근 3개월 송장과 대사 결과, 불일치 처리 기록이 필요합니다. 담당자가 업무 하나에 쓰는 시간을 재는 것이 가장 먼저입니다. 이 기준선이 없으면 주 몇 시간을 줄였는지 말할 수 없습니다.

기간	할 일	산출물
1~2주	세 업무의 건당 처리 시간 실측, 브랜드 형식·송장 불일치 유형 정리	업무별 시간 기준선, 속성 사전 초안, 불일치 유형표
3~4주	데이터 연결, 업무 하나(카탈로그 또는 송장)부터 에이전트 구축	동작하는 에이전트, 실행 로그
5~7주	병행 운영(사람 처리와 에이전트 결과 비교), 브랜드 3곳·송장 1개월치로 확대	정확도, 사람 검토 비율, 절감 시간 기록
8주	판정 회의, PO Agent 착수 여부 결정	진행·보완·중단 결정서

가상 예시 일정. 1~2주 준비, 3~4주 구축, 5~7주 병행 운영, 8주 판정

현장에 물을 것.

발주를 바꾸는 이유 가운데 가장 많은 세 가지는 무엇이고 그 정보는 메일, 포털, 전화 중 어디로 들어오나요?
상품 정보를 받아 넣는 데 가장 오래 걸리는 브랜드는 어디이고 무엇을 손으로 고치나요?
송장이 안 맞을 때 가장 흔한 원인은 단가, 수량, 발주 누락 중 무엇인가요?
에이전트가 사람 확인 없이 바꿔도 되는 금액과 행동의 한계는 어디까지인가요?
에이전트 제안을 거절할 때 그 이유를 어디에 남기고 누가 보나요?

진행 판정 기준(예시). 병행 운영에서 카탈로그 필수 속성 정확도가 98% 이상이고 사람 검토로 넘어가는 비율이 20% 아래이며 송장 자동 통과 건의 사후 감사 오류가 0.5% 아래면 범위를 넓히고 PO Agent에 착수합니다. 건당 처리 시간이 기준선보다 50% 넘게 줄지 않으면 속성 사전과 대응표부터 다시 봅니다. 바이어가 PO Agent 제안을 30% 넘게 거절하면 자동 실행 한도를 낮추고 거절 사유로 규칙을 고칩니다.

AX 적용 제언. 이 사례는 패션 유통에만 해당하지 않습니다. 공급사와 브랜드가 많은 유통, 수입 부품을 쓰는 제조, 입점사가 많은 마켓플레이스라면 같은 세 업무가 있습니다. 순서는 송장 대사나 카탈로그 수집처럼 정답이 분명한 업무부터 시작해 정확도와 감사 체계를 갖춘 뒤, 일정을 바꾸고 공급사와 주고받는 PO Agent로 넘어가는 편이 안전합니다. 고객용 쇼핑 에이전트는 고객 반응을 기다려야 하지만 뒷단 에이전트는 절감 시간과 금액으로 바로 재무에 보고할 수 있습니다. 현업 스폰서는 구매·머천다이징 책임자가 맡고 재무는 기준선과 절감액 산정을 함께 정해야 합니다. 회사 측 수치는 도입 전 자사 병행 운영으로 다시 재야 합니다.

원문 사례

항목	내용
원문	diginomica, 2026.11.6 게재, Stuart Lauchlan 작성
화자	José Antonio Ramos Calamonte, ASOS CEO. 발언 자리(실적 발표 등)는 기사에서 밝히지 않음
시장 맥락	금융사·대형 유통사는 에이전틱 커머스에 뛰어들었으나 소비자 이용은 소수
PO Agent	발주 생성·변경 시점 관리, 포워더·공급사·통관 시스템과 조율, 주 500시간 절감
Catalog Agent	서드파티 브랜드의 제각각인 상품 정보 수집, 주 300시간 절감
두 에이전트 합계	CEO 표현은 주 1,000시간 가까이, 기사의 두 수치 합은 800시간
송장 대사	송장 정확성·지급 준비 확인 자동화, 연 약 100만 파운드 절감
Fashion Frontier	Microsoft와 전략 제휴, 상품 개발 과정 재구축, 에이전트 연결로 제때 입고와 마진 개선 기대
AI Studio	디자인에 AI 사용, 주 3,000개 넘는 상품 생성, 고객마다 다른 이미지 공급
The Wardrobe	ASOS와 다른 곳의 구매 이력으로 여정 개인화, 파일럿
AI Stylist	기사 기준 지난달 UK iOS 사용자 약 50%에 출시, 몇 주에 대화 10만 건+, 5만 건+ 참여·구매
보안 사고	10월 6일 사회공학 공격으로 일부 고객에 무단 푸시 알림, 비밀번호·카드 정보 접근 없음, 마케팅·CRM 일부 중단, 해당 주간 GMV 약 2~4% 영향(주로 UK)
기자 논평	메시지는 긍정적이나 ASOS는 선도보다 추격자처럼 보일 때가 많았고 고객의 열의는 아직 CEO만 못함

핵심 개념

Agentic commerce: AI 에이전트가 고객 대신 상품을 찾고 비교하고 결제까지 하는 쇼핑 방식입니다. 기사는 이를 사는 쪽(소비자)의 수용 문제로 다룹니다.
Freight forwarder: 화주를 대신해 선적, 운송 수단 예약, 서류, 통관 연계를 처리하는 물류 대행사입니다.
Ingestion: 외부에서 받은 데이터를 내 시스템 형식에 맞춰 읽어 들이는 일입니다. 여기서는 브랜드 상품 정보를 카탈로그에 넣는 과정입니다.
Invoice matching: 송장을 발주와 입고 기록에 대어 금액과 수량이 맞는지 확인하는 매입 채무 업무입니다.
GMV: Gross Merchandise Value. 일정 기간 플랫폼에서 거래된 상품 금액의 합계입니다.
Social engineering: 기술 취약점 대신 사람을 속여 계정이나 시스템 접근을 얻는 공격 방식입니다.

내 메모

TODO: 내 생각 추가

원문은 diginomica의 「Who buys into agentic commerce on the buy side? Dedicated followers of fashion, according to ASOS」(Stuart Lauchlan, 2026.11.6)입니다. 주 500시간, 주 300시간, 연 약 100만 파운드, 주 3,000개, 대화 10만 건 같은 수치는 모두 ASOS CEO의 설명이며 외부 검증을 거친 값이 아닙니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 사례, 원문 사례 표는 기사 내용을 AX Review가 다시 정리했습니다. 송장 대사의 일반적인 구성과 핵심 개념의 뜻풀이는 일반적인 정의로 보탰습니다. JSON 예시, 이벤트 처리 방식, 속성 사전과 검증기, 막히는 경우 표, 역할·일정·판정 기준, 인포그래픽은 기사에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 전체 내용은 원문 페이지에서 볼 수 있습니다.