30초 핵심 요약
- 1Google Product Pack은 일부 상업 검색에서 노출 영역을 넘어 검색 결과 안의 판매 선반처럼 작동합니다.
- 2Search Engine Land는 63,000개 이상 merchant 분석을 바탕으로 product pack 가시성과 예상 방문 차이를 제시했습니다. 원 데이터셋과 추정 방법론은 공개되지 않아 수치는 기사 기반 주장으로 다뤄야 합니다.
- 3Google 공식문서는 Product structured data, Merchant listing, Merchant Center product data가 가격, 재고, 배송, 반품, 리뷰 같은 구매 판단 정보와 연결된다고 설명합니다.
- 4커머스 GEO는 "AI가 읽기 좋은 문장"을 쓰는 일보다, 검색·쇼핑·AI가 상품을 정확히 비교할 수 있게 상품 데이터를 맞추는 일에 가깝습니다.
- 5한국 시장에서는 Naver Shopping, 가격비교, 플랫폼 내부 검색, YouTube, 리뷰·커뮤니티까지 별도 발견 경로로 나눠 봐야 합니다.

커머스 GEO는 검색, 쇼핑, AI 답변이 우리 상품을 정확히 비교하고 추천할 수 있도록 상품 데이터의 신뢰도를 운영하는 일입니다. 출발점은 AI 답변 속 문장보다 검색 결과 안의 상품 선반, 그리고 그 선반을 채우는 상품 데이터입니다. GEO의 기본 개념을 커머스에 적용하면 이렇게 정리됩니다.
AI 쇼핑보다 먼저 물어야 할 질문
AI 쇼핑 이야기가 나오면 많은 팀이 먼저 "AI 답변에 우리 브랜드가 언급될까?"를 떠올립니다. 물론 중요한 질문입니다. 하지만 커머스에서는 그보다 앞선 질문이 있습니다.
우리 상품은 검색 결과 안에서 제대로 보이고 있는가?
예전의 커머스 SEO는 상품 상세페이지와 카테고리 페이지를 검색 결과에 잘 노출시키는 일이었습니다. 지금은 조금 다릅니다. 사용자가 Google에서 상업 의도가 강한 검색어를 입력하면, 링크 목록 위나 중간에 상품 카드가 먼저 보입니다. 가격, 이미지, 리뷰, 판매처, 배송 정보가 한 화면에서 비교됩니다. 사용자는 아직 쇼핑몰에 들어오지도 않았는데 이미 후보 상품을 고르고 있습니다.
그래서 Google Product Pack은 검색 기능이라기보다 검색 결과 안에 놓인 판매 채널에 가깝습니다.
Google Product Pack을 왜 판매 채널로 봐야 할까

Search Engine Land는 2026년 5월, Google의 product pack이 이커머스 가시성에서 중요한 판매 채널이 되고 있다는 분석을 냈습니다. 기사에 따르면 분석 범위는 63,000개 이상의 merchant와 광범위한 이커머스 키워드입니다. eBay는 874,621개 키워드에서 product result footprint를 보였고, Home Depot은 831,699개 키워드에서 footprint를 보였다고 합니다.1 그런데 기사 기준 eBay의 product pack estimated visits는 약 320만인 반면, Home Depot은 약 2,880만으로 제시됩니다.
등장 횟수만 보면 두 브랜드의 차이가 아주 커 보이지 않습니다. 그런데 예상 방문 수는 크게 벌어집니다. 이 차이가 중요한 이유는 product pack에서는 "나왔는가"보다 "보이는 위치에 나왔는가"가 더 중요하기 때문입니다.
상품 캐러셀은 가로로 스크롤됩니다. 첫 화면에 보이는 상품과 스크롤해야 보이는 상품은 같은 노출로 보기 어렵습니다. 기사에서도 REI와 Walmart 사례를 통해 non-visible placement, 즉 사용자가 스크롤해야 볼 수 있는 위치를 별도로 봐야 한다고 설명합니다. 커머스 팀이 product pack을 추적한다면 단순 순위보다 visible slot과 non-visible slot을 나눠야 합니다.
다만 이 데이터는 조심해서 읽어야 합니다. Search Engine Land 기사에 원 데이터셋, 키워드 구성, 국가/기기 조건, CTR 추정 방식이 공개되어 있지는 않습니다. 그래서 숫자는 "기사와 Nozzle 분석에 따르면"이라는 범위 안에서 써야 합니다. 그래도 방향성은 분명합니다. 상업 검색 결과는 링크 목록에서 상품 선반으로 이동하고 있습니다.
Product Pack 가시성, 할인보다 먼저 봐야 하는 것

커머스 팀은 노출이 떨어지면 가격과 할인을 먼저 의심합니다. 물론 가격은 중요합니다. 하지만 product pack 가시성을 할인율 하나로 설명하기는 어렵습니다.
Search Engine Land 기사에서도 top 10 merchant 기준으로 할인율과 visibility 사이에 일관된 상관관계가 보이지 않는다고 설명합니다. 예를 들어 기사 기준 Amazon은 49% discounted, 72% visibility로 제시되고, eBay는 8% discounted, 81% visibility로 제시됩니다. Walmart Seller와 Walmart도 할인율과 visibility가 단순히 같이 움직이지 않습니다.
할인이 중요하지 않다는 뜻이 아니라, 할인만으로는 부족하다는 뜻입니다.
Google 공식문서를 함께 보면 점검할 항목이 정리됩니다. Product structured data는 Google Search results, Google Images, Google Lens에서 상품 정보를 더 풍부하게 보여주는 데 도움을 줄 수 있습니다.2 Merchant listing structured data는 shopping knowledge panel, Google Images, popular product results, product snippets 같은 merchant listing experiences와 연결될 수 있습니다.3 Merchant Center product data specification은 basic product data, price and availability, product identifiers, detailed product description, shipping, returns 등을 체계적으로 다룹니다.4
즉 검색 결과 안의 상품 선반에 올라가려면 가격만이 아니라 상품 데이터 전체를 봐야 합니다. Product 스키마 작성법은 스키마 마크업 실전 적용 가이드에 정리했습니다.
커머스 GEO란? 다시 정의하기
GEO를 "AI 답변에 잘 나오기 위한 글쓰기"로만 이해하면 커머스에서는 금방 막힙니다. 상품은 설명문만으로 비교되지 않습니다. 검색과 쇼핑 시스템은 상품명, 브랜드, 모델명, 옵션, GTIN 같은 식별자, 가격, 할인, 재고, 배송, 반품, 리뷰, 이미지, 카테고리를 함께 봅니다.
커머스 GEO는 이렇게 정의하는 편이 더 실무적입니다.
검색, 쇼핑, AI, 가격비교가 상품을 정확히 비교하고 추천할 수 있게 상품 데이터의 신뢰도를 운영하는 일.
이 정의를 쓰면 해야 할 일이 달라집니다. 블로그 글을 몇 개 더 쓰기 전에 feed와 structured data, 상품 상세페이지의 visible text, Merchant Center 데이터가 서로 맞는지 봐야 합니다. 상품명과 옵션명이 플랫폼마다 다르게 적혀 있지 않은지, 할인 가격과 정상 가격이 페이지와 feed에서 다르게 보이지 않는지, 품절 상품이 계속 구매 가능한 것처럼 남아 있지 않은지 확인해야 합니다. 항목별 점검표는 AI 고객을 위한 상품 정보 구조화에 있습니다.
Google의 AI features 공식문서도 이 방향을 뒷받침합니다. Google은 AI Overviews와 AI Mode 같은 AI features에서도 기존 SEO best practices가 여전히 관련 있다고 설명합니다. 동시에 AI features에 나오기 위해 별도 AI text file, machine-readable file, special schema.org markup이 필요한 것은 아니라고 말합니다. Merchant Center와 Business Profile 정보를 최신 상태로 유지하고, structured data가 visible text와 일치하는지 확인하라는 안내도 나옵니다.5
그래서 Google AI 검색을 의식하더라도 "AI 전용 꼼수"를 찾기보다 기본 상품 데이터의 정합성을 먼저 봐야 합니다. 스키마만 추가했을 때 AI 인용이 거의 늘지 않았다는 실험은 스키마를 넣으면 AI가 더 인용할까?에서 다뤘습니다.
Before / After: 상세페이지 SEO에서 상품 데이터 가시성 운영으로

| 구분 | Before: 상세페이지 SEO 중심 | After: 커머스 GEO 중심 |
|---|---|---|
| 핵심 질문 | 이 상품 페이지가 검색에 노출되는가 | 이 상품이 검색/쇼핑/AI 표면에서 비교 가능한 상태인가 |
| 주요 작업 | 상품명 키워드, 설명문, 카테고리 페이지 최적화 | feed, structured data, 가격, 재고, 배송, 반품, 리뷰, 이미지 정합성 관리 |
| 성과 확인 | 검색 순위, 유입 세션 | product pack visible slot, merchant listing eligibility, 상품 데이터 오류, AI/쇼핑 표면 가시성 |
| 흔한 오해 | 설명문을 길게 쓰면 유리하다 | 시스템이 검증할 수 있는 상품 데이터가 먼저 맞아야 한다 |
| 리스크 | 페이지는 있지만 상품 비교 표면에서 빠짐 | 플랫폼별 데이터 불일치와 잘못된 상품 매칭을 줄임 |
예를 들어 같은 운동화를 판매한다고 해보겠습니다. 상세페이지 본문에는 "가벼운 러닝화"라고 잘 적혀 있는데 Merchant Center feed의 색상 옵션이 누락되어 있고, 페이지 가격과 feed 가격이 다르며, 반품정책이 페이지에는 있지만 Merchant Center에는 최신 상태가 아닐 수 있습니다. 이 경우 글은 좋아 보여도 상품 데이터는 신뢰하기 어렵습니다.
커머스 GEO 관점에서는 이 문제를 먼저 고칩니다. 상품명, 옵션, 가격, 할인, 재고, 배송, 반품, 리뷰, 이미지가 검색/쇼핑 시스템이 검증할 수 있는 형태로 맞아야 합니다.
Google Search 기준과 비Google AI 쇼핑 경로는 분리해서 봐야 한다

Google Product Pack 이야기를 하다 보면 자연스럽게 ChatGPT 쇼핑, Perplexity Shopping, Gemini, Naver AI 검색까지 이어집니다. 하지만 이들을 하나로 묶어 "AI 쇼핑 최적화"라고 부르면 위험합니다.
Google Search와 Google Shopping은 Merchant Center, structured data, Shopping Graph, Search documentation이라는 비교적 명확한 공식 문서 축이 있습니다. Google은 Shopping Graph가 500억 개 이상의 product listings를 보유하고, 매시간 20억 개 이상의 listing이 업데이트된다고 설명한 바 있습니다.6 AI Mode 쇼핑 업데이트에서도 reviews, prices, color options, availability 같은 상품 정보를 다룹니다.7
반면 비Google answer engine과 쇼핑 발견 경로는 플랫폼마다 product source, crawl, feed, 제휴, citation 정책이 다릅니다. 어떤 곳은 웹 문서를 더 많이 볼 수 있고, 어떤 곳은 파트너십이나 특정 데이터 소스를 더 강하게 쓸 수 있습니다. Naver 역시 Google과 같은 방식으로 설명하면 안 됩니다.
그래서 커머스 GEO 운영표는 최소한 두 장으로 나눠야 합니다.
- Google Search / Shopping 기준: Merchant Center, Product structured data, Merchant listing, product pack visible slot, Shopping Graph 관련 가시성
- 비Google 발견 경로 기준: Naver Shopping, 플랫폼 내부 검색, 가격비교, YouTube, 리뷰/커뮤니티, AI answer surface별 관측
한 장의 "AI 노출 순위표"로 통합하고 싶어도, 실제 운영은 이렇게 분리하는 편이 안전합니다.
한국 커머스에서는 Google만 보면 부족하다

한국 커머스 팀에게 Google Product Pack은 중요한 신호지만 전체 지도는 아닙니다. 국내 구매 여정은 Naver Shopping, Naver Plus Store, SmartStore, Coupang, 11번가, Gmarket, 가격비교, YouTube 리뷰, 블로그/커뮤니티 후기가 함께 움직입니다.
Google에서 product pack 가시성을 얻는 것과 네이버 가격비교에서 동일 상품으로 정확히 매칭되는 것은 다른 문제입니다. Coupang 내부 검색에서 핵심 상품명이 어떻게 보이는지도 별도 문제입니다. YouTube 리뷰에서 모델명이 다르게 불리거나, 커뮤니티 Q&A에서 잘못된 스펙이 반복되는 것도 구매 판단에 영향을 줍니다.
그래서 한국형 커머스 GEO는 Google 문서를 그대로 옮기기보다 발견 경로별 데이터 정합성 운영으로 가야 합니다. 네이버 AI 쇼핑을 포함한 국내 흐름은 한국형 GEO 커머스와 한국 시장 SEO/GEO 차이점에서 함께 볼 수 있습니다.
| 발견 경로 | 먼저 볼 것 | 자주 생기는 문제 |
|---|---|---|
| Google Search / Shopping | Merchant Center, structured data, 가격/재고/배송/반품, product pack visible slot | 페이지와 feed 데이터 불일치, 구매 불가 페이지, schema와 visible text 불일치 |
| Naver Shopping / 가격비교 | 상품명, 카테고리, 동일 상품 매칭, 배송비 포함 실질 가격 | 옵션 분리 오류, 가격비교 매칭 실패, 배송비로 인한 실제 가격 왜곡 |
| 플랫폼 내부 검색 | 플랫폼별 상품명, 리뷰, 배송, 판매자 신뢰, 카테고리 | 검색어와 상품명이 어긋남, 리뷰 신호 부족, 플랫폼 정책 미반영 |
| YouTube / 리뷰 콘텐츠 | 브랜드명, 모델명, 비교 맥락, 실제 사용 후기 | 오래된 정보가 계속 검색됨, 제품명이 다르게 불림 |
| AI answer surface | 답변이 참조하는 출처, 상품 정보의 최신성, 잘못된 추천 패턴 | 출처 추적이 어려움, 플랫폼별 정책 차이를 한꺼번에 해석함 |
이 표를 보면 커머스 GEO가 콘텐츠팀만의 일이 아닌 이유가 보입니다. SEO, 퍼포먼스 마케팅, MD, 상품 운영, CS, 데이터 담당자가 함께 봐야 합니다. 검색 결과 안의 판매 선반은 결국 상품 운영 데이터의 품질을 반영하기 때문입니다.
실무자가 먼저 점검할 10가지
처음부터 거창한 AI 쇼핑 대시보드를 만들 필요는 없습니다. 먼저 아래 10가지만 봐도 많은 문제가 드러납니다.
- 상품명: 브랜드명, 모델명, 핵심 속성이 플랫폼마다 일관적인가?
- 옵션: 색상, 사이즈, 용량, 세트 구성이 상품 페이지와 feed에서 같은 방식으로 표현되는가?
- 식별자: GTIN, MPN, 브랜드, SKU 등 식별자가 가능한 범위에서 채워져 있는가?
- 가격: 페이지 가격, feed 가격, 할인 가격, 쿠폰 적용 전후 표시가 충돌하지 않는가?
- 재고: 품절/예약/일시품절 상태가 검색과 쇼핑 표면에 최신으로 반영되는가?
- 배송: 배송비, 무료배송 조건, 도착 예정일이 명확하고 일관적인가?
- 반품: 반품 가능 기간, 비용, 예외 조건이 페이지와 Merchant Center에서 어긋나지 않는가?
- 리뷰: 리뷰 수, 평점, 리뷰 스니펫이 검증 가능한 방식으로 표시되는가?
- 이미지: 대표 이미지와 옵션 이미지가 실제 상품과 맞고, 품질 기준을 충족하는가?
- 가시성: product pack에 등장하는지만 보지 말고 visible slot과 non-visible slot을 나눠 보는가?
한국 시장이라면 여기에 세 가지를 더 붙여야 합니다. 네이버 가격비교 매칭, 플랫폼 내부 검색어, YouTube/리뷰/커뮤니티의 상품명 일관성입니다. AI가 쇼핑 리서치를 대신하면서 브랜드가 봐야 할 KPI는 AI 쇼핑 리서치 시대의 새 KPI에, 추천 이후 구매로 이어지는 경로는 AI 검색은 추천과 실행 경로의 싸움에 정리했습니다.
결론: 커머스 GEO의 출발점은 상품 데이터다
Google Product Pack은 커머스 팀에게 불편한 질문을 던집니다.
우리 상품은 검색 결과 안에서 판매될 준비가 되어 있는가?
이 질문에 답하려면 글 SEO만으로는 부족합니다. 상품 데이터가 맞아야 합니다. 가격, 재고, 배송, 반품, 리뷰, 이미지, 식별자, 카테고리, feed, structured data가 서로 맞아야 합니다. 그리고 그 데이터가 Google Search뿐 아니라 한국의 실제 발견 경로에서도 일관되게 읽혀야 합니다.
AI 쇼핑은 어느 날 갑자기 따로 오지 않습니다. 이미 검색 결과 안의 상품 선반에서 시작됐습니다. 지금 해야 할 일은 "AI에게 잘 보이는 문장"보다 검색과 쇼핑 시스템이 믿고 비교할 수 있는 상품 데이터 운영 체계를 만드는 것입니다.

