World Product Graph: Amazon이 팔지 않는 상품까지 모아 AI 쇼핑 에이전트를 붙잡으려는 상품 데이터 계획

AI 쇼핑 경쟁의 승부처가 모델에서 상품 데이터로 옮겨 가고 있습니다. Amazon은 세상의 상품 정보를 한 그래프에 모아 사람과 AI 에이전트가 조사 단계부터 자사에 머물게 하려 합니다. 브랜드와 유통사가 대비하려면 자사 상품의 사양, 변형, 관계를 기계가 읽을 수 있는 형태로 먼저 정리해야 합니다.

요약

Reuters의 Greg Bensinger 기자는 Amazon 내부 문서와 관계자 취재를 바탕으로 World Product Graph(전 세계 상품 정보를 하나로 잇는 데이터 그래프) 계획을 보도했습니다. 목표는 전 세계에서 팔리는 거의 모든 상품의 정보를 모으는 것입니다. Amazon이 직접 팔지 않는 상품도 포함됩니다. 데이터는 두 갈래로 들어옵니다. Coca-Cola, Bayer 같은 브랜드가 계속 공급하고, 참여하지 않는 곳은 Amazon이 다른 소매 사이트를 크롤링해 채웁니다. 문서는 약 6쪽 분량의 PR/FAQ(출시 보도자료 형식으로 쓴 Amazon의 내부 기획 문서)이고, 2027년 10월 1일을 희망 출시일로 적었습니다. 사업은 Selection & Catalog Systems 조직에서 Robert Tekiela 부사장이 이끌며 인력도 옮겨 붙이고 있습니다. Reuters는 실제로 출시될지, 언제 나올지는 확인하지 못했습니다. Amazon은 “Draft, outdated documents often paint an incomplete picture”라며 브레인스토밍 문서가 현재 계획을 그대로 반영하지는 않는다고 답했습니다.

Reuters 보도 내용을 네 단계 흐름으로 새로 그림

배경에는 두 가지 압력이 있습니다. 하나는 조사 단계의 이탈입니다. 기사가 인용한 Morgan Stanley 2025년 보고서에서 상품 조사를 Google에서 시작하는 온라인 쇼핑객은 57%, Amazon은 16%였습니다. 살 상품이 정해진 뒤에야 Amazon이 41%로 앞섭니다. 문서는 쇼핑객이 상품끼리의 관계를 알아보려고 Google, 브랜드 사이트, 리뷰 사이트로 떠나는 한 Amazon이 모든 쇼핑의 출발점이 될 수 없다고 봅니다. 다른 하나는 AI 쇼핑 에이전트입니다. 문서는 자사 쇼핑 어시스턴트 Rufus(5월에 Alexa for Shopping으로 이름을 바꿈)가 틀리거나 빠진 답을 자주 내고, 호출 비용도 크다고 적었습니다. 데이터가 풍부해지면 더 싼 모델로도 답할 수 있다는 계산입니다. 경영진은 외부 에이전트가 데이터가 더 많은 사이트로 트래픽을 보낼 수 있다는 점도 걱정합니다. 아래에서 이 계획을 움직이는 장치 다섯 가지와, 브랜드·유통사가 실제로 준비할 일을 차례로 봅니다.

Reuters가 인용한 Morgan Stanley 2025년 보고서 수치

핵심 메커니즘

Beyond-Catalog Graph: 팔지 않는 상품까지 담는 상품 데이터

지금의 Amazon 카탈로그는 Amazon과 판매자가 올린 상품 페이지의 모음입니다. World Product Graph는 이 경계를 넘어 다른 곳에서만 파는 상품까지 담습니다. 입력은 브랜드 공급 데이터와 크롤링한 웹 페이지이고, 처리는 같은 상품을 하나로 묶고 상품끼리 잇는 일이며, 출력은 쇼핑객과 에이전트가 조회하는 단일 상품 정보원입니다. 쇼핑객이 조사 때문에 다른 사이트로 떠나는 상황에 맞는 설계입니다. 반대로 자사 상품만 다루는 기업이라면 그래프의 범위를 넓히기보다 자사 데이터의 깊이를 먼저 챙기는 편이 낫습니다. Amazon 직원들은 이 계획을 무엇이든 한곳에서 사는 상점으로 가는 단계로 설명하고, 이미 다른 사이트 상품을 Amazon을 거쳐 사게 하는 Buy for Me와 Shop Direct의 확장으로 봅니다.

원문 설명을 좌우 비교로 새로 그림

Two-Track Ingestion: 브랜드 공급과 크롤링을 함께 돌린다

데이터 확보는 두 갈래입니다. 첫째, 참여 브랜드와 소매업체가 데이터를 계속 넘겨줍니다. 문서는 Coca-Cola와 Bayer 등을 확보했고 Procter & Gamble과는 CEO급 회의를 거쳐 시범을 추진한다고 적었습니다. 둘째, Amazon이 다른 소매 사이트를 직접 크롤링합니다. 문서는 이 사업의 성패가 브랜드가 자기 사이트에서 상품을 어떻게 묶고 나누는지 알아내는 데 달렸다고 봅니다. 두 갈래는 성격이 다릅니다. 브랜드 공급분은 출처가 분명하고, 크롤링분은 사이트마다 구조가 달라 해석을 거쳐야 합니다. Reuters는 크롤링을 어떤 방식으로 할지, 사이트마다 허락을 받을지는 확인하지 못했습니다.

1~3단계는 원문 내용, 4단계는 실제로 돌릴 때 필요한 일을 덧붙임

Product Relationships: 상품 하나가 아니라 상품 사이를 잇는다

기사가 전한 Tekiela의 설명에서 핵심은 관계입니다. 쇼핑객은 이미 Amazon에서 상품을 찾을 수 있습니다. 모자랐던 것은 상품끼리 어떻게 이어지는지, 어느 것이 내게 맞는지, 무엇을 더 따져야 하는지에 대한 이해였습니다. 기사가 든 예는 청소기나 태블릿 가운데 어느 것이 최신 모델이고 어떤 색상이 새로 나왔는지 가려 주는 일입니다. 쇼핑 이력 같은 데이터를 더해 취향에 맞춘 추천도 할 수 있습니다. 그래프에서는 상품이 노드(점)가 되고 후속 모델, 색상 변형, 호환 부품 같은 관계가 엣지(선)가 됩니다. 아래 그림은 이 구조를 가상의 청소기 모델로 그린 것입니다.

가상 예시. 원문이 든 '최신 모델·색상' 질문을 관계 그래프로 새로 그림

Data over Model: 데이터가 쌓이면 더 싼 모델로 답한다

문서는 Rufus 검색이 주당 약 8,300만 건이고 비용이 크다고 적었습니다. 많은 답이 틀리거나 불완전하며 쇼핑객이 그 오류를 알아채지 못할 수 있다고도 했습니다. 대책은 모델을 키우는 쪽이 아니었습니다. 확인된 상품 데이터를 늘려, 어시스턴트가 추론으로 빈칸을 메우지 않고 데이터를 찾아 답하게 하는 쪽입니다. 그러면 정확도가 오르고 더 싼 모델로도 같은 질문에 답할 수 있습니다. Amazon은 이 수치가 많이 오래됐고 자사 자료로는 Alexa for Shopping의 전 세계 정확도가 약 97%라고 반박했습니다.

내부 문서의 논리를 좌우 비교로 새로 그림

Agent Gatekeeping: 외부 에이전트는 막고, 데이터로 끌어온다

외부 AI 쇼핑 에이전트는 사람 대신 사이트를 돌며 비교하고 구매까지 합니다. Amazon은 9월 Meta의 Muse 에이전트를 자사 소매 사이트에서 차단했고, 비슷한 접근을 막으려 Perplexity를 상대로 낸 소송도 진행 중입니다. World Product Graph는 막기 다음 단계입니다. 가장 큰 상품 데이터 저장소를 갖추면 에이전트가 다른 소매 사이트보다 Amazon.com에서 사도록 이끌 수 있고, 커지는 광고 사업도 지킬 수 있다는 계산입니다. Andy Jassy CEO는 3분기 실적 발표에서 아직 이 방식으로 쇼핑하는 고객은 적고 광고 영향도 미미하다고 했습니다. 관계자들의 말은 다릅니다. 경영진은 에이전트가 데이터가 더 많은 사이트로 트래픽을 보낼까 걱정한다고 전했습니다.

원문 맥락을 네 칸 흐름으로 새로 그림

통념과 다른 주장

흔히 이렇게 봅니다AI 쇼핑 어시스턴트 경쟁은 더 크고 똑똑한 모델을 가진 쪽이 이긴다고 봅니다.

내부 문서는 이렇게 봅니다답의 정확도와 비용을 가르는 것은 상품 데이터의 양과 관계입니다. 데이터가 풍부하면 더 싼 모델로도 충분합니다.

근거문서는 주당 약 8,300만 건의 Rufus 검색이 비싸고 오답이 많다고 진단하고, 해법으로 더 많은 데이터와 더 싼 모델의 조합을 제시했습니다. 외부 에이전트도 데이터가 많은 사이트로 트래픽을 보낼 것이라는 경영진의 우려가 같은 논리입니다.

통념과 내부 문서의 주장을 좌우로 대비

저자가 든 사례

브랜드 데이터 파트너: Coca-Cola, Bayer, P&G

상황	한 일	결과	연결
쇼핑객이 상품 조사를 위해 Amazon 밖으로 나감	문서상 Coca-Cola, Bayer 등이 데이터 제공에 합의, P&G와는 CEO급 회의로 시범 추진	세 회사 모두 Reuters 질의에 답하지 않음, 성과 수치는 원문에서 밝히지 않음	Two-Track Ingestion

원문 사실을 상황→한 일→결과로 재구성

Rufus에서 Alexa for Shopping까지: 오답과 비용

상황	한 일	결과	연결
문서는 Rufus가 틀리거나 빠진 답을 자주 내고 주당 약 8,300만 건 검색이 비싸다고 적음	상품 데이터를 늘려 더 싼 모델로 돌리는 방안 제시, 5월에 이름을 Alexa for Shopping으로 변경	Amazon은 수치가 오래됐다며 정확도 약 97%, Jassy는 지난 1년 이용자 4억 명 이상이라고 밝힘	Data over Model

숫자의 출처가 서로 다름. Amazon은 이용 수치가 오래됐다고 밝힘

외부 에이전트와의 경쟁: Muse 차단과 Shop Direct 확장

상황	한 일	결과	연결
Meta Muse가 9월 출시 뒤 미국·캐나다 이용자 1,000만 명 이상, JPMorgan은 ChatGPT 이후 가장 널리 쓰일 소비자 AI 앱이 될 수 있다고 봄	9월 Muse 차단, Perplexity 상대 소송 진행, Buy for Me·Shop Direct 확장	PYMNTS가 The Information을 인용해 전한 바로는 Shop Direct 링크가 2.5배 늘어 2억 5,000만 개	Agent Gatekeeping

Reuters와 PYMNTS가 전한 사실을 상황→한 일→결과로 재구성

기술 디테일: 상품 그래프를 실제로 돌리려면

아래는 원문에 없는 내용입니다. 브랜드나 유통사가 자사 범위에서 비슷한 상품 그래프를 만들 때 필요한 것을 새로 정리했고, 필드명과 숫자는 가상 예시입니다.

Product Relationships를 담으려면 상품 노드 스키마부터 고정합니다. 상품 하나를 노드 하나로 두고, 관계는 별도 엣지로 저장합니다. 관계 종류는 처음에 네 가지(후속 모델, 변형, 호환, 대체)로 제한해야 판정 기준이 흔들리지 않습니다. 필드마다 출처와 수집일을 남겨야 어시스턴트가 답할 때 근거를 댈 수 있습니다.

{
  "product_id": "VC-X-2026-GRY",
  "brand": "가상브랜드",
  "model": "X 2026",
  "variant": {"color": "gray"},
  "release_date": "2026-03-02",
  "specs": {"suction_w": 230, "weight_kg": 1.6},
  "relations": [
    {"type": "successor_of", "target": "VC-X-2025"},
    {"type": "compatible_with", "target": "FLT-F"}
  ],
  "sources": [{"type": "brand_feed", "fetched_at": "2026-11-10"}],
  "confidence": 0.97
}

Two-Track Ingestion을 돌리려면 같은 상품 매칭(entity resolution)을 네 단계로 나눕니다. 바코드 번호 같은 공통 식별자가 있으면 먼저 그것으로 묶습니다. 없으면 브랜드명, 모델명, 용량 표기를 정규화한 뒤 비교합니다. 그래도 애매한 쌍만 LLM에 넘겨 “같음, 변형, 다름” 셋 중 하나를 JSON으로 받습니다. temperature는 0으로 두고 같은 쌍을 3회 판정해 다수결을 냅니다. 세 번이 갈리면 사람이 확인합니다.

가상 예시. 실제로 돌릴 때 필요한 절차를 새로 그림

크롤링 데이터는 추출 스키마를 강제하고 출처를 붙입니다. 사이트마다 상품 목록, 상세, 옵션 선택 페이지의 구조가 다릅니다. 페이지 유형을 먼저 분류한 뒤 유형별로 위 노드 스키마에 맞춘 구조화 출력을 받습니다. 원문 URL, 수집일, 추출에 쓴 모델 버전을 함께 저장합니다. 실제로 돌릴 때는 대상 사이트의 이용 약관과 수집 허용 규칙을 먼저 확인하고, 법무 검토를 거친 목록만 수집합니다.

Data over Model을 확인하려면 질문 셋으로 정답률과 근거율을 잽니다. “최신 모델은?”, “이 필터가 맞나?” 같은 실제 쇼핑 질문 200개와 정답을 만듭니다. 그래프 조회 결과만 넣은 작은 모델과, 조회 없이 큰 모델이 답한 결과를 비교합니다. 정답률과 함께 답에 노드 id를 인용한 비율(근거율)을 봅니다.

막히는 경우	증상	대응
같은 상품 중복	한 상품이 노드 둘로 갈림	식별자 우선, 이름 정규화 규칙 보강
변형과 별개 상품 혼동	색상 변형이 다른 상품으로 등록	관계 판정을 “같음/변형/다름” 셋으로 고정
출처끼리 값 충돌	브랜드 피드와 크롤링 사양이 다름	브랜드 공급값 우선, 충돌 목록을 담당자에게
낡은 정보	단종 모델이 최신으로 답됨	수집일 90일 넘은 필드는 재수집 대상

현업 실행 디테일: 누가, 언제, 무엇을

아래 역할, 일정, 판정 기준도 원문에 없는 내용으로 새로 쓴 예시입니다. 대상은 Amazon 같은 플랫폼에 상품 데이터를 넘겨야 할 브랜드와, 자체 상품 그래프를 고민하는 유통사입니다.

역할	맡는 일	산출물
이커머스 책임자(스폰서)	데이터 제공 범위와 조건 결정	제공 원칙 1쪽
상품 데이터 담당(PIM 운영)	사양·변형·관계 필드 정비	상품 노드 목록
데이터 엔지니어	스키마, 매칭, 질문 셋 평가	파일럿 그래프, 평가표
법무	데이터 제공 계약, 수집 허용 범위 검토	검토 의견
마케팅	쇼핑객이 실제로 묻는 질문 수집	질문 셋 200개

가상 예시 일정

시작 전에 확인할 질문입니다. 우리 상품 중 사양, 출시일, 색상 변형이 모두 채워진 비율은 얼마인가? 후속 모델과 호환 부품 관계를 어느 시스템이 갖고 있나? 플랫폼에 데이터를 넘기면 우리가 얻는 노출과, 플랫폼이 우리 판매 채널 전체를 들여다보게 되는 대가를 어떻게 따지나? 우리 사이트를 크롤링하는 에이전트에게 무엇을 열고 무엇을 막나?

진행 여부는 파일럿 끝에 판정합니다(예시 기준). 200개 상품 중 핵심 필드 완성률 90% 이상, 질문 셋 정답률이 그래프 조회 없는 방식보다 높고, 근거율 80% 이상이면 범위를 넓힙니다. 하나라도 못 미치면 데이터 정비를 한 주기 더 돌립니다.

적용 순서는 이렇습니다. 국내 제조 브랜드라면 플랫폼 제안이 오기 전에 자사 상품 데이터를 먼저 정리해, 넘길 필드와 넘기지 않을 필드를 정해 둡니다. 데이터를 넘기는 쪽이 협상력을 가지려면 데이터가 깨끗해야 합니다. 유통사라면 판매 상품부터 관계 엣지 네 종을 붙이고, 자사 쇼핑 어시스턴트의 답을 그래프 근거로 바꾸는 데서 출발합니다. 둘 다 출발점은 같습니다. 상품 정보를 사람이 읽는 페이지에서 기계가 읽는 그래프로 옮기는 일입니다.

원문 사례

항목	내용
원문	Reuters 단독, Greg Bensinger(샌프란시스코), 2026년 11월 13일
근거	Reuters가 검토한 내부 문서, 관계자 취재
문서 형식	약 6쪽 PR/FAQ, 희망 출시일 2027년 10월 1일
담당	Selection & Catalog Systems, Robert Tekiela 부사장(논평 요청에 무응답)
데이터 확보	브랜드·소매업체 지속 공급, 다른 소매 사이트 크롤링
참여 브랜드	Coca-Cola, Bayer 등 / P&G와 CEO급 회의 후 시범(세 회사 무응답)
시장 수치	Morgan Stanley 2025: 조사 시작 Google 57%·Amazon 16%, 구매 대상 확정 후 Amazon 41%·Google 23%·Walmart 18%
Rufus	문서상 주당 약 8,300만 건 검색, 비용 큼, 오답 잦음 / Amazon 반론: 수치가 오래됨, 정확도 약 97%
이용자	Alexa for Shopping 지난 1년 4억 명 이상(Jassy) / Muse 미국·캐나다 1,000만 명 이상
외부 에이전트	9월 Muse 차단, Perplexity 상대 소송 진행 중
관련 서비스	Buy for Me, Shop Direct(PYMNTS: 3월 기준 40만 판매처 1억 개 상품, 이후 링크 2.5배 늘어 2억 5,000만 개)
Amazon 입장	초안·구버전 문서는 불완전하며 현재 계획을 반영하지 않을 수 있음
미확인	실제 출시 여부와 시점, 크롤링 방식과 허락 여부

핵심 개념

PR/FAQ: 출시 전에 가상의 보도자료와 예상 질문·답을 먼저 써 보는 Amazon의 기획 문서 방식입니다. 모든 PR/FAQ가 제품이 되지는 않습니다.
Alexa for Shopping: Amazon의 AI 쇼핑 어시스턴트입니다. 이전 이름은 Rufus이고 5월에 바뀌었습니다.
AI shopping agent: 사람 대신 여러 사이트를 돌며 상품을 비교하고 구매까지 하는 소프트웨어입니다. Meta Muse가 대표 예로 나왔습니다.
Shop Direct: Amazon이 팔지 않는 상품을 다른 판매처에서 사도록 연결해 주는 기능입니다.
Buy for Me: 다른 사이트의 상품을 Amazon이 중개해 사 주는 기능입니다.
Entity resolution: 출처가 다른 기록이 같은 대상을 가리키는지 가려 하나로 묶는 작업입니다.

내 메모

TODO: 내 생각 추가

원문은 Reuters의 「Exclusive: Amazon’s plan to own the world’s product data and fight AI shopping agents」(Greg Bensinger, 2026.11.13)입니다. Reuters 사이트는 직접 열리지 않아, 같은 기사를 전재한 공개 페이지와 이를 인용한 PYMNTS 기사(2026.11.13)로 내용을 확인했습니다. Shop Direct 수치는 PYMNTS가 The Information을 인용해 전한 것입니다. 요약, 핵심 메커니즘의 원문 설명, 통념과 다른 주장, 저자가 든 사례, 원문 사례 표는 원문 내용을 AX Review가 다시 정리했습니다. 상품 노드 스키마와 JSON 예시, 매칭 절차, 질문 셋과 판정 기준, 막히는 경우 표, 역할·일정, 적용 제언, 인포그래픽은 원문에 없는 내용으로 새로 작성했고 그 안의 필드명과 숫자는 가상 예시입니다. 원문은 내부 문서를 근거로 한 보도이며, Amazon은 문서가 현재 계획을 반영하지 않을 수 있다고 밝혔습니다. 전체 내용은 원문에서 볼 수 있습니다.