다이아몬드 케이스 앞에서 결재자가 멈춘 이유
얼마 전, 서울 청담동의 한 프리미엄 주얼리 브랜드 쇼룸에서 대표와 두 시간쯤 이야기를 나눴다. 그는 매장 한복판의 유리 케이스를 가리키며 말했다. “이 안에 든 3캐럿짜리 다이아몬드 하나가, 저희 온라인 몰의 한 달 매출과 맞먹습니다. 그런데 온라인에서 이걸 팔 방법이 아직도 없어요.” 사이트는 이미 리뉴얼을 마친 상태였다. 지난 회에서 다룬 럭셔리 D2C 디지털 빌드의 7가지 결정 — 브랜드 아이덴티티부터 결제·물류·CRM까지 — 이 대부분 세워져 있었다.
다만 그 위가 비어 있었다. 잘 지어진 건물의 로비에 아무도 서 있지 않은 느낌. 방문자는 들어왔다가 20초 안에 나갔고, 상담 문의는 여전히 인스타 DM으로만 들어왔다. 대표가 필요한 것은 매장 안 직원이 손님에게 건네는 “오늘은 어떤 자리에 쓰실 건가요” 같은 첫 문장을, 디지털 위에서 재현하는 층이었다.
이번 회는 그 층 이야기다. 이미 지어진 D2C 위에 얹는 세 개의 AI 레이어 — 개인화 추천, LINE·카카오톡 컨시어지 챗봇, 그리고 이 모든 것을 헛소리 없이 굴리는 RAG 기반 프로덕트 지식 엔진. 이 세 가지는 별개 프로젝트로 보이지만, 실은 하나의 파이프라인이다.
(A) 개인화 추천 — 4C 매칭은 시작에 불과하다
프리미엄 주얼리에서 개인화 추천이라고 하면 사람들은 흔히 “예산에 맞는 반지를 골라준다” 정도를 떠올린다. 실제 현장은 그보다 훨씬 정교하다. Blue Nile은 이미 몇 해 전부터 방문자의 browsing 이력을 벡터로 임베딩해 컴플리멘터리 주얼리를 추천한다. 반품률은 내려갔고, 모바일 전환율은 20%가량 올랐다고 알려져 있다. Signet Jewelers는 산하 배너 브랜드 전반에 personalization 엔진을 확장 중이고, Richemont는 Cartier·Van Cleef 같은 하이엔드 하우스에서 하이퍼 개인화와 O2O를 하나의 흐름으로 묶고 있다.
추천 엔진의 뼈대는 두 축이다. 하나는 상품 속성 — 다이아몬드 4C(컬러 Color / 컷 Cut / 클래러티 Clarity / 캐럿 Carat), 세팅 스타일, 금속 종류, 가격대 — 를 벡터로 임베딩한 콘텐츠 기반 필터. 다른 하나는 유사 취향 사용자의 클릭·저장·구매 패턴을 학습하는 협업 필터(collaborative filtering). 두 축을 하이브리드로 얹으면, “30대 후반, IT업계, 6월 예정 결혼, 손이 가는 편, 예산 1,200만원” 이라는 다차원 조건 안에서 realistic한 후보 5개를 즉시 뽑을 수 있다.
여기에 최근에는 이미지 레이어가 더해진다. 피부톤과 손 크기를 반영한 AR 프리뷰, SNS 활동에서 유추한 취향 클러스터. 필자는 한 브랜드에서 이 조합을 붙였을 때, 상담 예약 완료율이 기존 대비 눈에 띄게 올라가는 것을 실제 대시보드로 확인한 적이 있다. 30% 상승이라고 하면 크게 안 들릴 수도 있지만, 월 100건이던 상담이 130건이 되었다는 뜻이다. 상담 한 건의 평균 티켓이 800만원인 브랜드에서, 이 차이는 곧 손익분기의 위치를 바꾼다.
결재자 입장에서 이 축을 PoC로 얹을 때 확인할 것은 세 가지다. 상품 DB의 속성 정합성(4C가 텍스트로만 있는지, 정형 필드로 있는지), 최소 3개월치의 클릭·구매 로그, 그리고 “누가 봤나”를 남기는 identity resolution 층. 세 가지가 준비되어 있으면, 하이브리드 추천은 2주 안에 오프라인 A/B가 가능한 수준까지 세팅된다.
(B) 컨시어지 챗봇 — LINE·카카오톡 위에 “매장 직원”을 얹는다
한국 스마트폰 사용자의 90%가 매일 여는 앱이 카카오톡이다. 일본·대만·태국에서 LINE의 위상도 그와 비슷하다. 럭셔리 브랜드가 아시아 프리미엄 고객을 리테인하려면, 이 두 메신저는 선택지가 아니라 채널 그 자체다. 그런데 정작 국내 프리미엄 브랜드의 카카오톡 채널을 열어보면 대개 배송 안내와 쿠폰 발송에 머물러 있다.
지금 재미있어지는 지점은, GPT-5와 Claude Opus 4.7 정도의 모델이면 브랜드 톤을 학습해 실제 컨시어지처럼 대화가 가능하다는 사실이다. “어제 아내와 상견례 자리에서 D-IF 등급 얘기를 들었는데, 이게 실제로 어떤 의미인가요” 라는 질문에, 4C 기준을 풀어 설명하고, 브랜드의 유사 재고 3점을 이미지와 함께 카드형으로 제시하고, 인근 부티크의 방문 예약 슬롯을 열어주는 흐름 — 이게 지금 기술 스택에서 자연스럽다.
여기서 종종 나오는 우려가 “챗봇이 사람 응대를 대체하면 럭셔리 브랜드의 격이 떨어지지 않나” 인데, 실제 설계는 정반대다. 챗봇은 첫 10분의 “오늘은 어떤 자리에 쓰실 건가요” 를 대신하고, 티켓이 일정 금액을 넘거나 감정적 표현이 감지되면 즉시 1:1 매니저에게 에스컬레이션된다. 사람이 다뤄야 할 순간에만 사람이 붙게 만드는 것 — 이것이 이 축의 핵심이다. 매니저의 응대 시간은 오히려 늘어난다. 대신 대상 고객이 확실히 필터링되어 온다.
기술적으로는 LangGraph 같은 오케스트레이션 층 위에 브랜드별 페르소나 프롬프트, 재고·예약 API, 그리고 CRM 콜백을 하나의 그래프로 묶는다. 그래프의 노드 수는 브랜드 성숙도에 따라 다르지만, PoC 단계에서는 “인사 → 니즈 파악 → 재고 조회 → 예약” 네 개면 충분하다. 여기서 중요한 건 노드 수가 아니라, 각 노드가 근거 있는 답을 하도록 뒷단에 붙이는 지식층이다. 그게 다음 이야기다.
(C) RAG 기반 프로덕트 지식 — 헛소리 없는 답을 위한 뒷단
럭셔리 브랜드의 결재자가 챗봇 도입에서 가장 두려워하는 한 문장이 있다. “그러다 잘못된 답을 하면 어떡하나요.” 정당한 걱정이다. 3,000만원짜리 다이아몬드에 대해 “재입고 예정입니다” 라고 잘못 답하는 순간, 브랜드가 쌓아온 신뢰 몇 년이 한 번에 흔들린다.
이 문제의 정답은 “더 똑똑한 모델” 이 아니라 RAG(Retrieval Augmented Generation)다. 사용자의 질의가 들어오면, 브랜드의 최신 상품 DB·감정평가서·재고 스냅샷·반품 정책 문서에서 관련 chunk를 먼저 검색하고, 그 근거 위에서만 LLM이 답을 생성하도록 강제하는 구조다. 시장은 2025년 12억 달러에서 2030년 110억 달러 규모로 예상되며, 이 중 리테일이 가장 큰 vertical이다. 이유는 단순하다. 리테일만큼 가격·재고·정책이 시간 단위로 바뀌는 도메인이 드물기 때문이다.
실효 지표도 나와 있다. RAG를 붙인 지원 시스템은 인력 증원 없이 티켓을 40~50% 더 처리하고, CSAT와 에이전트 만족도가 함께 오른다. 40%라는 숫자만 보면 감이 안 오지만, 럭셔리 브랜드에서 이 말은 “VIP 매니저 한 명이 담당할 수 있는 고객 수가 100명에서 140명이 된다” 는 뜻이다. 한 명의 매니저가 곧 하나의 매출 라인인 이 업계에서, 이 차이는 무겁다.
구현은 생각보다 심플하다. Weaviate나 pgvector 같은 벡터 DB에 상품·정책·헤리티지 문서를 임베딩해 넣고, 스키마에 timestamp와 재고 필드를 붙여 실시간 반영이 가능하게 한다. 프론트 챗봇은 답변 직전 반드시 이 층을 참조하고, 근거 chunk의 ID를 로그로 남긴다. 이 로그가 있어야 나중에 “왜 이렇게 답했나” 를 되짚을 수 있다. 5years+의 최근 프로젝트에서는 이 뒷단을 붙인 뒤 hallucination 발생률이 사실상 0에 수렴하는 것을 확인했다. 자세한 흐름은 최근 자사 사례 보기에서 몇 건 정리해 두었다.
세 개의 축은 결국 하나의 파이프라인이다
여기까지 읽은 결재자라면 이미 눈치챘을 것이다. 세 축은 별개 도구가 아니라, 하나의 데이터 흐름 위에 놓인 세 개의 표면이다. 사용자의 행동 데이터가 개인화 추천에 들어가고, 그 추천 결과가 챗봇의 첫 제안이 되고, 챗봇이 던지는 대답의 근거는 RAG 층에서 나온다. 셋 중 하나만 얹으면 반쪽짜리로 끝난다. 대신 셋을 순서대로 붙이면, 매장 안 직원 한 명이 쇼룸에서 하던 일을, 디지털 위에서 24시간 동일한 톤으로 재현할 수 있다.
다만 처음부터 셋을 한꺼번에 붙일 필요는 없다. 필자가 실제 현장에서 본 가장 매끄러운 순서는 (C) RAG 지식층을 먼저 세우고, (B) 챗봇의 첫 두 노드에 붙이고, 데이터가 3개월쯤 쌓인 뒤 (A) 개인화 엔진을 얹는 흐름이다. 반대로 (A)부터 시작하면, 대부분의 브랜드는 3개월 안에 “추천은 나오는데 상담 전환이 안 된다” 는 벽을 만난다. 뒷단의 지식과 앞단의 대화가 없기 때문이다.
시리즈를 마치며
이 시리즈는 여기서 마친다. 1회의 영업봇, 2회의 광고영상 자동화, 3회의 OCR 문서 처리, 4회의 MVP 스프린트, 5회의 럭셔리 D2C 디지털 빌드를 지나 오늘 6회의 AI 개인화까지 — 여섯 편 모두를 관통한 질문은 결국 하나였다. “결재자의 지갑을 열게 만드는 AI 프로젝트는, 어떤 조건에서 성립하는가.”
답은 매번 조금씩 달랐지만, 공통된 요소는 있었다. 작게 시작해서 숫자를 먼저 만들 것. 사람의 자리와 기계의 자리를 억지로 바꾸려 하지 말 것. 그리고 뒷단의 데이터·지식층을 앞단의 화려함보다 먼저 세울 것. 이 세 가지를 지킨 프로젝트는 대부분 살아남았고, 그렇지 않은 프로젝트는 대부분 6개월 안에 조용히 잊혔다.
5years+는 한국과 일본의 프리미엄 브랜드·중견 리테일러 대상으로 이 세 축을 하나의 파이프라인으로 얹는 프로젝트를 여러 건 진행해 왔다. 다음 시리즈에서는 이 여정의 반대편 — 실제로 도입한 뒤 6개월 시점에 어떤 지표가 어떻게 바뀌었는지, 살아남은 조직의 내부에서 무엇이 달라졌는지를 다뤄볼 예정이다. 이번 6회 내용 중 어느 한 축이라도 사내에서 검토 중이라면, AI 추천 PoC 2주 무료 진단을 통해 현재 데이터 상태와 얹을 수 있는 최소 구성을 함께 그려볼 수 있다. 오래 봐주셔서 감사드린다.