소프트웨어 에이전트가 사용자를 대신해 웹을 탐색할 때 AEO 재고
Source: VentureBeat
웹 트래픽에 대한 가정의 변화
수십 년 동안 인터넷의 기반은 조용하고 인간 중심적인 모델 위에 놓여 있었습니다. 스크롤 하나, 양식 제출 하나, 혹은 구매 흐름 뒤에는 호기심, 필요, 혹은 의도에 따라 행동하는 사람이 있었습니다. 분석 플랫폼은 이러한 행동을 포착하도록 발전했으며, 보안 시스템은 “정당한 사용자”와 명백히 스크립트된 자동화를 구분하는 데 초점을 맞추었습니다. 디지털 광고 경제조차도 참여가 인간의 주의를 의미한다고 가정했습니다.
최근 몇 년 사이에 그 모델은 변하기 시작했습니다. 대형 언어 모델(LLM), 브라우저 자동화, 그리고 AI 기반 에이전트의 발전으로 소프트웨어 시스템이 유동적이고 상황 인식이 가능한 방식으로 웹을 탐색할 수 있게 되었습니다. 페이지를 탐색하고, 옵션을 비교하며, 워크플로우를 완료하는 과정이 자동화된 흔적 없이 이루어지는 경우가 많아졌습니다.
- 이것이 웹이 덜 인간적이 된다는 의미는 아닙니다.
- 대신, 웹은 더 하이브리드해지고 있습니다. AI 시스템이 일상 워크플로우에 점점 더 많이 내재되어, 사람을 대신해 연구 보조, 비교 도구, 혹은 작업 수행자 역할을 합니다. 그 결과, 사람이 직접 사이트와 상호작용하는 경우와 소프트웨어가 대신하는 경우 사이의 경계가 점점 흐려지고 있습니다.
문제는 자동화 자체가 아니라, 이 겹침이 기업이 의존하는 신호에 도입하는 모호성입니다.
AI‑생성 트래픽이란 무엇을 의미하나요?
사람들은 “자동화 트래픽”이라는 말을 들으면 과거의 봇을 떠올립니다—정해진 경로를 따라 움직이며 인터페이스가 바뀌는 순간 바로 멈추는 경직된 스크립트들. 이러한 시스템은 반복적이고 예측 가능했으며 비교적 쉽게 식별할 수 있었습니다.
AI‑생성 트래픽은 다릅니다.
현대 AI 에이전트는 머신러닝(ML)과 자동 브라우징 기능을 결합합니다. 이들은 다음을 할 수 있습니다:
- 페이지 레이아웃 해석
- 인터페이스 변화에 적응
- 다단계 작업 수행
많은 경우, 언어 모델이 의사결정을 안내하여 고정된 규칙이 아니라 상황에 따라 행동을 조정합니다. 그 결과는 이전 자동화보다 훨씬 자연스러운 상호작용으로 나타납니다.
Important: 이 종류의 트래픽은 본질적으로 문제가 되는 것은 아닙니다. 자동화는 검색 인덱싱, 접근성 도구, 테스트 프레임워크, 통합 등 웹에서 오랫동안 생산적인 역할을 해왔습니다. 최신 AI 에이전트는 이러한 진화를 확장하여 사용자가 콘텐츠를 요약하고, 제품을 비교하며, 여러 사이트에서 정보를 수집하도록 돕습니다.
문제는 의도가 아니라 해석에 있습니다. AI 에이전트가 사용자를 대신해 사이트와 성공적으로 상호작용할 때, 기존의 참여 지표는 예전과 같은 의미를 더 이상 반영하지 않을 수 있습니다.
AI‑생성 트래픽이 구분하기 어려워지는 이유
역사적으로 자동화된 활동을 감지하는 것은 기술적 불규칙성을 찾아내는 데 의존했습니다. 시스템은 다음과 같은 행동을 표시했습니다:
- 너무 빠르게 움직임
- 완벽하게 일관된 경로를 따름
- 표준 브라우저 기능이 없음
자동화는 분류를 간단하게 만든 “징후”들을 드러냈습니다.
AI 기반 시스템은 이 역학을 바꿉니다. 이들은:
- 표준 브라우저를 통해 작동함
- 일시 정지하고, 스크롤하며, 비선형으로 탐색함
- 타이밍과 상호작용 순서를 다양하게 함
이러한 에이전트는 인간을 위해 설계된 웹과 상호작용하도록 설계되었기 때문에, 그 행동은 점점 정상적인 사용 패턴과 섞이게 됩니다. 결과적으로 과제는 오류를 식별하는 것에서 행동을 해석하는 것으로 이동합니다. 질문은 상호작용이 자동화되었는가가 아니라 시간에 따라 어떻게 전개되는가가 됩니다. 한때 인간과 소프트웨어를 구분하던 많은 신호들이 수렴하고 있어, 이진 분류가 덜 효과적이게 됩니다.
참여가 우리가 생각하는 의미를 멈출 때
일반적인 전자상거래 시나리오를 고려해 보세요.
- 소매 팀은 제품 조회와 “장바구니 추가” 행동이 지속적으로 증가하는 것을 관찰합니다.
- 과거에는 이것이 수요 증가의 명확한 신호로 여겨졌으며, 광고 지출 증가나 재고 확대를 촉구했습니다.
이제 이 활동의 일부가 사용자를 대신해 가격 모니터링이나 제품 비교를 수행하는 AI 에이전트에 의해 생성된다고 상상해 보세요. 상호작용은 발생했고, 지표는 정확합니다. 하지만 근본적인 의도는 다릅니다. 퍼널은 더 이상 구매로 이어지는 직관적인 경로를 나타내지 않습니다.
데이터 자체에 “잘못된” 점은 없지만 의미가 바뀌었습니다.
유사한 패턴이 산업 전반에 나타나고 있습니다
- 디지털 퍼블리셔는 기사 참여 급증을 보지만 이에 상응하는 광고 수익은 없습니다.
- SaaS 기업은 기능 탐색이 활발하지만 전환은 제한적입니다.
- 여행 플랫폼은 검색 활동 증가를 기록하지만 예약으로 이어지지 않습니다.
각 경우마다 조직은 가치보다 활동에 최적화하는 위험을 안고 있습니다.
왜 이것이 데이터 및 분석 문제인가
근본적으로 AI‑생성 트래픽은 분석 및 모델링의 기본 가정에 모호성을 도입합니다. 많은 시스템은 관찰된 행동이 인간의 의도와 명확히 일치한다고 가정합니다. 자동화된 상호작용이 데이터셋에 섞이면 그 가정이 약해집니다.
Behavioral data m
Source: …
포함할 주제
- 구매 의도 없이 탐색
- 연구‑주도형 내비게이션
- 전환 없이 작업 완료
- 자동화 목표에 의해 구동되는 반복 패턴
분석 노이즈 문제
분석 팀에게 이러한 행동은 라벨에 노이즈를 추가하고, 프록시 메트릭을 약화시키며, 피드백 루프 위험을 증가시킵니다.
혼합된 신호로 학습된 모델은 비즈니스에 실제로 중요한 결과보다 볼륨을 최적화하도록 배울 수 있습니다.
이것이 분석을 무효화하는 것은 아니며—해석의 기준을 높이는 것입니다.
기계‑대‑기계 세계에서 데이터 무결성
행동 데이터가 사용자 경험을 형성하는 ML 시스템에 점점 더 많이 공급됨에 따라 그 데이터의 구성은 중요합니다.
- 상호작용 중 자동화된 에이전트가 차지하는 비중이 커지면, 플랫폼은 인간 경험보다 기계 내비게이션을 최적화하기 시작할 수 있습니다.
- 시간이 지나면 웹이 미묘하게 재구성됩니다: 인터페이스는 추출 및 요약에 효율적이지만, 사람에게 직관적이거나 매력적인 불규칙성을 잃게 됩니다.
의미 있는 인간 신호를 보존하려면 단순한 볼륨을 넘어 상호작용 컨텍스트에 집중해야 합니다.
배제에서 해석으로
수년간 자동화에 대한 기본 대응은 배제(CAPTCHA, 속도 제한, 정적 임계값)였습니다. 그러나 AI‑구동 에이전트가 사용자에게 실제 가치를 제공하는 경우가 많아지고, 전면 차단은 결과를 개선하지 않으면서 사용자 경험을 저하시킬 수 있기 때문에 이 접근법은 점점 효과가 떨어지고 있습니다.
조직은 배제 **에서 해석 **으로 전환하고 있습니다.
자동화를 차단하는 방법을 묻는 대신, 팀은 다양한 유형의 트래픽을 어떻게 이해하고 적절히 대응할 것인가를 고민하고 있습니다—단일 합법성 정의를 전제로 하지 않고 목적에 맞는 경험을 제공하는 방향으로 나아가고 있습니다.
행동 컨텍스트를 보완 신호로 활용
유망한 접근법은 정체성보다 행동 컨텍스트에 초점을 맞추는 것입니다.
- 인간 행동은 일관성이 없고 비효율적입니다: 사람은 머뭇거리며, 뒤로 돌아가고, 예측 불가능하게 탐색합니다.
- 자동화된 에이전트는 적응형이라 할지라도 보다 구조화된 내부 논리를 보이는 경향이 있습니다.
내비게이션 흐름, 타이밍 변동성, 상호작용 순서를 관찰함으로써 팀은 의도를 범주적으로가 아니라 확률적으로 추론할 수 있으며, 개방성을 유지하면서 활동에 대한 미묘한 이해를 얻을 수 있습니다.
윤리, 프라이버시 및 책임 있는 해석
분석이 정교해짐에 따라 윤리적 경계가 더욱 중요해집니다. 상호작용 패턴을 이해하는 것은 개인을 추적하는 것과 동일하지 않습니다.
- 가장 탄력적인 접근법은 집계된, 익명화된 신호와 투명한 관행에 의존합니다.
- 목표는 플랫폼 무결성을 보호하면서 사용자 기대를 존중하는 것입니다.
신뢰는 사후적인 고려 사항이 아니라 기본적인 요구 사항입니다.
미래: 에이전시 스펙트럼
웹 상호작용은 점점 다음과 같은 스펙트럼을 따라 분포하고 있습니다:
- 인간 전용 브라우징 – 직접적이고, 보조 없이 이루어지는 상호작용.
- AI 보조 브라우징 – 사용자가 AI 도구의 도움을 받는 경우.
- 독립 에이전트 – 봇이 직접적인 인간 입력 없이 사용자를 대신해 행동함.
이러한 진화는 디지털 생태계가 성숙하고 있음을 보여주며, 성공을 측정하는 방식의 변화를 요구합니다. 클릭이나 방문 수와 같은 단순한 카운트는 더 이상 충분하지 않으며, 가치는 컨텍스트 안에서 평가되어야 합니다.
비즈니스 리더가 지금 집중해야 할 것
- 참여 지표 해석 방식을 재평가
- 활동과 의도를 구분을 분석 검토에서
- 맥락적 및 확률적 측정 접근법에 투자
- 데이터 품질을 유지 AI 참여가 증가함에 따라
- 신뢰와 프라이버시를 설계 원칙으로 다루기
웹은 이전에도 진화했으며, 앞으로도 다시 진화할 것입니다. 조직이 그 신호를 해석하는 방식을 진화시킬 준비가 되어 있는지가 관건입니다.
Shashwat Jain은 Amazon의 선임 소프트웨어 엔지니어입니다.