Walmart가 AI로 수억 개 상품 정보를 100배 빠르게 보완한 방법
생성형 AI가 유통기업의 매출과 운영을 어떻게 바꿀 수 있을까요? Walmart는 생성형 AI를 이용해 수억 개 상품의 속성과 설명을 보완했고, 사람이 상품 페이지를 하나씩 처리하는 방식보다 약 100배 높은 생산성을 달성했다고 밝혔습니다. 매장에서는 AI 작업관리 도구가 교대근무 계획시간을 90분에서 30분으로 줄였습니다.
Walmart 사례의 핵심은 문장을 싸게 생성한 것이 아닙니다. 상품 데이터가 풍부해지자 검색은 고객의 의도와 상품을 더 정확히 연결할 수 있었고, 판매자는 대규모 카탈로그를 더 빠르게 등록할 수 있었습니다. 생성형 AI가 돈을 만드는 지점은 콘텐츠 생성 자체보다 그 콘텐츠가 검색·추천·재고·판매 흐름을 움직일 때입니다.
Walmart의 생성형 AI 적용 성과
Walmart는 전자상거래 카탈로그, 패션 상품개발, 매장 작업관리 등 데이터와 반복업무가 많은 영역에 생성형 AI를 적용했습니다.
상품정보 보완 생산성: 수작업 대비 약 100배
처리 대상: 수억 개 상품의 속성과 특성
교대근무 계획시간: 90분에서 30분으로 단축
패션 Trend-to-Product 개발기간: 최대 18주 단축
AI를 통한 검색 의도와 상품정보 연결 강화
100배 수치는 Walmart의 FY25 2분기 실적발표, 매장 성과는 직원용 AI 도구 발표에서 확인할 수 있습니다.
Walmart의 정확한 표현은 같은 기간에 같은 작업을 완료하려면 생성형 AI 없이는 거의 100배의 인력이 필요했다는 뜻입니다. 상품 한 건의 조회 속도나 매출이 100배라는 의미는 아닙니다.
상품설명보다 상품 데이터가 중요한 이유
온라인 상품에는 이름과 가격 외에도 재질, 크기, 색상, 용도, 호환성, 관리방법 같은 속성이 필요합니다. 판매자마다 표현과 형식이 다르고 정보가 빠져 있으면 검색은 고객의 질문과 상품을 제대로 연결하지 못합니다.
가령 고객이 “작은 아파트에서 쓰는 소음 적은 세탁기”를 찾는다고 해보겠습니다. 상품 페이지에 용량과 소음, 설치 크기가 구조화돼 있지 않다면 검색 AI가 의도를 이해해도 적합한 제품을 고를 수 없습니다. 생성형 AI는 판매자가 올린 설명과 이미지 등에서 속성을 추출하고, 일정한 형식으로 보완합니다.
Walmart는 이 방식으로 수억 개 상품의 특징을 정비했습니다. 사람이 각 페이지를 열어 속성을 입력했다면 100배 더 오래 걸렸을 것이라는 경영진 설명입니다. 처리량 확대는 신규 판매자의 등록속도와 상품 발견 가능성을 높이고, 검색과 추천의 품질을 개선하는 기반이 됩니다.
100배 생산성과 매출 증가를 구분해야 한다
상품정보 작업이 100배 빨라졌다고 매출이 100배 늘어나는 것은 아닙니다. 상품 속성이 풍부해져도 고객이 원하는 정보가 아니거나, 가격과 배송 경쟁력이 없다면 구매로 이어지지 않습니다. 생성된 정보가 틀리면 반품과 고객 불만이 늘 수 있습니다.
따라서 카탈로그 AI의 사업효과는 작업시간 외에 검색 결과 클릭률, 구매 전환율, 검색 실패율, 신규 상품 노출까지 걸리는 시간, 반품 사유를 함께 봐야 합니다. Walmart는 전자상거래 수익성이 개선됐다고 설명했지만 그중 AI 카탈로그의 기여액을 따로 공개하지 않았습니다.
100배는 수작업 대비 처리 생산성에 대한 경영진 수치이며, 독립적으로 감사된 모델 성능은 아닙니다. 다른 기업은 상품 수와 기존 데이터 품질이 다르므로 그대로 사업계획에 적용하면 안 됩니다.
생성형 AI가 만든 잘못된 상품정보의 위험
상품정보는 마케팅 문구이면서 계약과 안전의 근거가 될 수 있습니다. AI가 식품 알레르기 성분을 누락하거나 전기제품의 호환 전압을 잘못 쓰면 단순 오타를 넘어 고객 피해로 이어집니다. 판매자가 제공하지 않은 장점을 그럴듯하게 만들어내는 문제도 있습니다.
모든 상품을 사람이 다시 읽으면 100배 생산성은 사라집니다. 그렇다면 검수를 없애야 할까요? 그렇지 않습니다. 위험에 따라 검수 깊이를 달리해야 합니다. 의류의 색상 표현과 의약외품의 사용상 주의사항에 같은 자동 게시 기준을 적용할 이유가 없습니다.
AI 거버넌스 구축 시에는 생성 가능한 속성, 원문 근거가 반드시 필요한 속성, 자동 게시가 금지된 상품군을 정해야 합니다. 모델이 만든 값과 판매자가 제공한 값을 구분해 기록하고, 낮은 확신이나 정보 충돌이 있으면 사람에게 보내야 합니다. 고객과 판매자가 오류를 신고하면 해당 상품뿐 아니라 같은 생성 규칙이 적용된 범위를 찾아 수정할 수 있어야 합니다.
대규모 생성형 AI의 핵심 통제는 모든 결과를 읽는 것이 아니라, 위험한 결과가 자동으로 배포되지 않는 환경을 만드는 것입니다.
매장 계획과 패션 개발에서도 같은 원리가 작동
Walmart의 AI 작업관리 도구는 팀 리더가 업무와 인력을 배치하는 시간을 90분에서 30분으로 줄였습니다. 그러나 계획시간만 줄고 현장의 업무량이나 직원 숙련도를 반영하지 못하면 직원이 계획을 다시 고쳐야 합니다. 실제 절감은 수정시간과 업무 완료율까지 봐야 합니다.
패션 부문의 Trend-to-Product는 시장 동향을 분석하고 무드보드와 아이디어를 생성해 상품개발 기간을 최대 18주 단축했습니다. 유행 대응 속도는 높아지지만 인터넷의 디자인을 모방하거나 편향된 트렌드만 확대할 수 있습니다. 생성물의 출처와 지식재산권 검토가 제품개발 흐름 안에 들어가야 합니다.
한국 기업이 Walmart 사례에서 배워야 할 실행 원칙
첫째, 생성형 AI를 쓰기 전에 상품 데이터의 표준부터 정합니다. 필수 속성과 허용값이 없으면 AI는 일관되지 않은 문장을 더 빨리 만듭니다.
둘째, 위험 등급에 따라 자동화율을 다르게 설정합니다. 저위험 설명은 표본검사하고 안전·법적 정보는 근거 확인과 승인을 거칩니다.
셋째, 생성 이후의 사업지표를 연결합니다. 작업시간뿐 아니라 검색, 전환, 반품과 민원을 추적해야 합니다.
넷째, 대량 오류를 되돌릴 수 있어야 합니다. 모델 버전, 프롬프트, 원본 데이터와 생성 시점을 기록해야 같은 오류가 발생한 상품을 한 번에 찾을 수 있습니다.
카탈로그 AI를 도입하는 검증 절차
먼저 한 상품군을 골라 사람이 만든 속성과 AI 결과를 비교합니다. 누락률과 잘못 추가한 속성, 검수시간을 재고 위험한 오류의 종류를 분류해야 합니다. 다음에는 검색 트래픽 일부에만 새 데이터를 적용해 클릭, 구매, 반품과 고객 문의를 기존 카탈로그와 비교합니다.
모델이 상품 설명을 바꿀 때마다 이력을 남기고 판매자가 확인하거나 이의를 제기할 수 있어야 합니다. 고객 신고가 들어오면 같은 방식으로 생성된 다른 상품까지 검사해야 합니다. 한 상품의 오타가 아니라 대량 오류를 찾아 되돌리는 체계를 먼저 준비해야 100배의 속도를 안전하게 사용할 수 있습니다.
자주 묻는 질문
Walmart의 매출이 AI 때문에 100배 증가했나요?
아닙니다. 수억 개 상품의 속성을 정비하는 작업 생산성이 수작업보다 약 100배 높았다는 의미입니다. 매출 기여액은 별도로 공개되지 않았습니다.
상품설명을 모두 AI로 자동 게시해도 되나요?
위험이 낮은 항목은 가능하지만 안전, 성분, 효능, 법적 조건은 원문 근거와 사람의 승인이 필요합니다. 상품군별 정책을 달리해야 합니다.
중소 쇼핑몰도 같은 효과를 낼 수 있나요?
상품 수가 적으면 100배라는 규모 효과는 작을 수 있습니다. 대신 누락 속성 탐지, 판매자 입력 표준화, 검색 태그 생성처럼 반복비용이 큰 지점부터 적용할 수 있습니다.
함께 읽으면 좋은 글
AI 거버넌스 전문 팀, 다빈치에 문의하세요
다빈치는 대기업, 스타트업, 공공기관 AI 거버넌스 구축 경험을 고루 갖춘 탑티어 인프라 엔지니어 조직입니다. AI 도입을 고민하고 계신 기업 담당자들께서는 고민을 다빈치에 편하게 공유해주세요. 상담은 무료입니다.