뷰티 커머스 AI 자동화 사례와 도입 순서 정리

안녕하세요. 사랑받는 IT 프로덕트의 첫걸음, 똑똑한개발자입니다.

오늘의 인사이트 요약

1. 뷰티 커머스는 SKU와 판매 채널이 늘어날수록 콘텐츠 제작, 고객 응대, 재고 관리 등 반복 업무가 빠르게 증가합니다.

2. 아모레퍼시픽, 로레알, 에이블리 역시 모든 업무를 한 번에 자동화하기보다 각자 병목이 분명한 영역부터 AI를 적용했습니다.

3. 결국 중요한 것은 어떤 AI를 도입하느냐보다 우리 조직에서 반복이 많고, 데이터가 준비되어 있으며, 개선 효과를 측정할 수 있는 업무가 무엇인지 찾는 것입니다.

뷰티 커머스에서 AI 자동화를 고민하게 되는 이유

글로벌 광고 기술 기업 크리테오는 2026년 글로벌 뷰티 쇼퍼 트렌드 조사에서 한국 뷰티 소비자의 44%가 쇼핑 과정에서 AI를 활용하고 있다고 밝혔습니다.

제품이 떨어졌을 때 AI 어시스턴트에게 재주문을 맡길 의향이 있다는 응답도 52%로, 글로벌 평균인 40%보다 12%포인트 높았습니다.

소비자의 쇼핑 방식부터 빠르게 달라지고 있는 셈입니다.

반면 커머스 운영 현장에서는 조금 다른 문제가 생기고 있습니다.

같은 조사에서 국내 H&B 온라인 트래픽은 전년 동기 대비 14%, 판매량은 10% 증가했지만 평균 주문 금액은 10% 감소했고 구매 전환율 역시 4% 하락했습니다.

유입과 판매량은 늘어나고 있지만, 운영 효율과 구매 전환까지 자연스럽게 따라오지는 않고 있다는 의미입니다.

실무에서는 이 문제가 더 구체적으로 나타납니다.

신제품 출시 일정은 그대로인데 운영해야 할 판매 채널은 계속 늘어나고, 제품 하나를 리뉴얼할 때마다 상세페이지와 광고 소재를 다시 만들어야 합니다. 재입고나 배송, 제품 추천처럼 반복적으로 들어오는 문의 역시 담당자가 일일이 대응하고 있습니다.

그래서 뷰티 커머스 기업이 AI 자동화를 검토할 때는 단순히 “AI를 도입할 것인가”보다 현재 가장 많은 리소스가 반복적으로 들어가는 업무가 무엇인지를 먼저 확인할 필요가 있습니다.

뷰티 커머스는 SKU와 채널이 늘어날수록 운영 업무도 함께 늘어납니다

뷰티 커머스는 다른 산업보다 상품 정보 관리가 복잡한 편입니다.

같은 립 제품이라도 컬러별 이미지와 발색 설명이 필요하고, 제품에 따라 용량과 성분, 사용 방법, 주의사항도 각각 다르게 관리해야 합니다.

여기에 판매 채널까지 늘어나면 일이 더 많아집니다.

자사몰, 오픈마켓, 라이브 커머스, SNS 등 채널마다 이미지 규격과 콘텐츠 형식이 다르기 때문에 같은 제품을 판매하더라도 채널에 맞춰 다시 가공해야 합니다.

특히 신제품이나 시즌 컬렉션이 몰리는 시기에는 이런 반복 업무가 단기간에 크게 늘어납니다.

예를 들어 SKU 800개를 네 개 채널에서 운영하는 뷰티 커머스를 가정해보겠습니다.

여기서 중요한 것은 단순히 시간이 가장 많이 들어가는 업무부터 자동화하는 것이 아닙니다.

예를 들어 고객 문의가 한 상담 시스템에 꾸준히 축적되어 있다면 FAQ나 1차 상담 자동화는 상대적으로 빠르게 시작할 수 있습니다.

반면 발주 자동화는 판매 데이터와 재고 데이터가 서로 다른 시스템에 흩어져 있다면 데이터 연동부터 해결해야 합니다.

상세페이지 제작 역시 AI가 문구를 만들어주는 것 자체는 어렵지 않지만, 제품마다 서로 다른 상품 속성이나 성분 정보를 먼저 정리하지 않으면 자동화 품질을 안정적으로 유지하기 어렵습니다.

결국 업무량과 데이터 준비 상태를 함께 봐야 실제로 시작할 수 있는 자동화 영역이 보입니다.

실제 뷰티 기업들은 AI를 어디에 적용했을까요?

기업마다 AI를 적용한 영역은 조금씩 다릅니다.

공통점이 있다면 회사 전체를 한 번에 AI로 바꾸기보다, 이미 데이터가 충분히 쌓여 있고 개선 효과가 분명한 업무부터 시작했다는 점입니다.

아모레퍼시픽은 온라인 고객 상담에 AI를 적용했습니다

아모레퍼시픽은 마이크로소프트 애저 오픈AI를 기반으로 한 ‘AI 뷰티 카운슬러’를 아모레몰에 적용했습니다.

사용자의 얼굴 사진을 바탕으로 피부 톤과 얼굴 형태를 분석하고, 여행지의 기후나 결혼식 참석 여부처럼 고객의 상황까지 고려해 제품을 추천하는 방식입니다.

오프라인 매장에서 상담원이 고객에게 질문하고 제품을 추천하던 경험을 온라인으로 확장한 사례에 가깝습니다.

이런 서비스를 만들 수 있었던 배경에는 제품 정보와 상담 기준처럼 기존에 관리되고 있던 데이터가 있었습니다.

AI 상담 역시 결국 추천할 상품 정보와 판단 기준이 정리되어 있어야 안정적으로 작동할 수 있기 때문입니다.

로레알은 콘텐츠 제작보다 ‘확장과 배포’에 AI를 활용했습니다

글로벌 뷰티 그룹 로레알은 자체 조직인 크리에이테크 랩(Creaitech Lab)을 중심으로 생성형 AI를 마케팅 제작 과정에 활용하고 있습니다.

캠페인 비주얼 제작 기간을 기존 몇 주 단위에서 몇 시간 수준으로 줄이고, 유럽·중동·아프리카 20개국에 맞춘 현지 콘텐츠를 빠르게 제작·배포하는 방식입니다.

미디어 실행 자동화에서도 효율과 효과 개선 수치를 공개한 바 있습니다.

로레알처럼 여러 국가에서 동시에 캠페인을 운영하는 기업에서는 콘텐츠 하나를 만드는 속도만큼이나 각 시장에 맞게 변형하고 배포하는 과정이 큰 운영 비용이 됩니다.

AI를 단순 제작 도구가 아니라 글로벌 콘텐츠 운영 프로세스의 일부로 활용한 사례라고 볼 수 있습니다.

에이블리는 추천 영역에서 교차 구매를 늘렸습니다

패션·뷰티 플랫폼 에이블리는 카테고리 추천 기능을 강화한 이후 패션과 뷰티 상품을 함께 구매한 고객 수가 전년 대비 60% 증가했고, 교차 구매 거래액 역시 70% 증가했다고 밝혔습니다.

이 사례에서도 AI가 모든 커머스 운영 업무를 대신한 것은 아닙니다.

이미 플랫폼 안에 쌓여 있던 상품 탐색과 구매 데이터를 바탕으로 추천 영역을 고도화했고, 이를 통해 다른 카테고리의 상품까지 자연스럽게 탐색하도록 만든 것입니다.

결국 세 기업 모두 출발점은 달랐습니다.

아모레퍼시픽은 상담과 추천, 로레알은 콘텐츠 제작과 글로벌 배포, 에이블리는 상품 추천을 선택했습니다.

자신들이 이미 가지고 있는 데이터와 가장 큰 운영 병목이 서로 달랐기 때문입니다.

AI 자동화를 시작하기 전 먼저 확인해야 할 세 가지

실제 프로젝트에서는 AI 모델을 선택하는 것보다 먼저 확인해야 할 것들이 있습니다.

첫째, 데이터가 어디에 어떻게 쌓여 있는지 확인해야 합니다

상담 데이터가 하나의 고객 상담 툴에 모여 있는지, 담당자별 엑셀에 나뉘어 있는지에 따라 프로젝트 난도가 크게 달라집니다.

상품 정보도 마찬가지입니다.

같은 정보를 자사몰에서는 ‘색상’, 오픈마켓에서는 ‘컬러’, 내부 ERP에서는 별도의 코드값으로 관리하고 있다면 AI를 연결하기 전에 데이터 기준부터 맞춰야 합니다.

실제 AI 자동화 프로젝트에서도 생각보다 많은 시간이 모델 개발이 아닌 데이터 정리에 사용됩니다.

둘째, 기존 시스템과 어떻게 연결할지 정해야 합니다

이미 사용 중인 ERP, CRM, 쇼핑몰, 상담 시스템이 있다면 AI가 이 시스템들과 데이터를 주고받을 방법이 필요합니다.

API를 제공하는 시스템이라면 비교적 자연스럽게 연결할 수 있지만, 오래된 내부 시스템이나 별도 API가 없는 환경에서는 RPA를 활용해 사람이 화면을 조작하던 업무를 자동화하는 방법도 고려할 수 있습니다.

반대로 실시간 처리가 필요하지 않은 업무라면 데이터를 별도의 환경에 모아 처리하는 것이 더 효율적일 수도 있습니다.

같은 ‘AI 자동화’라는 이름의 프로젝트라도 이 연결 방식에 따라 개발 범위와 비용은 크게 달라집니다.

셋째, 사람이 마지막으로 확인해야 하는 영역을 구분해야 합니다

뷰티 산업에서는 특히 중요한 부분입니다.

제품의 성분이나 효능 표현처럼 표시·광고 규정을 확인해야 하는 영역까지 완전히 자동화하는 것은 위험할 수 있습니다.

이런 업무는 AI가 초안을 작성하고 담당자가 검수한 뒤 최종 게시하는 Human-in-the-loop 방식이 더 현실적입니다.

자동화의 목적은 사람을 완전히 없애는 것이 아니라, 사람이 판단해야 할 업무에 더 많은 시간을 사용할 수 있도록 반복 업무를 줄이는 데 있습니다.

AI 프로젝트는 ‘어떤 모델을 썼는지’보다 ‘업무 안에 얼마나 들어갔는지’가 중요합니다

MIT NANDA 이니셔티브는 기업 배포 사례 300건과 임원 인터뷰 52건, 리더 153명을 대상으로 생성형 AI 도입 사례를 분석했습니다.

해당 조사에서는 생성형 AI 파일럿의 95%가 측정 가능한 손익 효과로 이어지지 못한 것으로 나타났습니다.

주목할 부분은 AI 기술 자체보다 도입 방식입니다.

많은 기업이 AI 도구를 테스트하는 데는 성공했지만, 기존 시스템과 데이터를 연결하고 실제 직원들이 사용하는 업무 프로세스 안까지 적용하는 단계에서는 어려움을 겪었습니다.

반대로 성과가 확인된 프로젝트는 처음부터 지나치게 큰 범위를 잡기보다 특정 업무를 선택하고, 그 안에서 데이터를 연결하고 사용자의 피드백을 다시 반영할 수 있는 구조를 만들었습니다.

앞에서 살펴본 뷰티 기업들의 사례 역시 비슷합니다.

아모레퍼시픽은 상담과 추천, 로레알은 글로벌 콘텐츠 운영, 에이블리는 상품 추천이라는 비교적 명확한 문제를 먼저 선택했습니다.

그래서 다른 회사의 AI 사례를 볼 때도 “어떤 모델을 사용했는가”만 보는 것은 충분하지 않습니다.

그 회사가 어떤 업무를 자동화했고, 그 업무를 자동화할 수 있을 만큼 어떤 데이터와 시스템이 준비되어 있었는지를 함께 봐야 합니다.

우리 회사에서 AI 자동화를 검토할 때도 마찬가지입니다.

“AI 자동화를 하면 얼마나 드나요?”보다 먼저 해야 할 질문은 “우리 업무 중 어디에서 시작하는 것이 가장 효과적인가요?”에 가깝습니다.

뷰티 커머스 AI 자동화, 똑똑한개발자는 업무 목록부터 살펴봅니다.

AX는 AI 기능 하나를 추가하는 프로젝트와 다릅니다

ChatGPT를 도입하거나 챗봇 하나를 추가한다고 조직의 업무 방식이 자동으로 바뀌지는 않습니다.

기존 업무가 어떤 순서로 진행되는지 파악하고, 필요한 데이터를 연결하고, AI가 실제 업무를 처리할 수 있도록 시스템과 프로세스를 함께 설계해야 합니다.

그래서 똑똑한개발자는 처음부터 특정 AI 모델을 제안하기보다 현재 조직에서 반복적으로 많은 시간이 사용되는 업무와 데이터 상태부터 확인합니다.

어떤 업무는 기존 시스템에 AI 기능을 추가하는 것만으로 충분하지만, 어떤 업무는 데이터 구조를 먼저 정리해야 하고 또 다른 업무는 ERP나 CRM과의 연동이 선행되어야 하기 때문입니다.

똑똑한개발자 역시 내부 업무부터 AI 환경으로 전환하고 있습니다

고객사에 AX를 제안하기에 앞서 똑똑한개발자 내부에서도 실제 업무에 AI와 자동화를 적용해왔습니다.

내부 시스템 ‘똑빌더’를 통해 계약부터 프로젝트 운영까지 연결하고, 영업과 프로젝트 관리, 콘텐츠 제작 등 다양한 업무에 AI 에이전트와 자동화를 적용하고 있습니다.

모든 업무를 완전 자동화하기보다 AI가 초안을 만들고 담당자가 검토하거나, 반복 작업은 시스템이 처리하고 중요한 판단은 사람이 맡는 방식도 함께 운영하고 있습니다.

직접 적용하고 수정하는 과정을 거쳐왔기 때문에 실제 프로젝트에서 자동화가 어디에서 막히는지, 어떤 부분을 사람이 맡아야 하는지도 함께 고려합니다.

100개가 넘는 디지털 프로덕트를 만들어왔습니다

웹과 앱부터 관리자 시스템, SaaS까지 다양한 서비스를 기획·디자인·개발해왔습니다.

AX 프로젝트에서도 이 경험은 중요합니다.

AI 기능 자체만 보는 것이 아니라 기존 ERP와 CRM이 어떻게 연결되어 있는지, 데이터가 어느 시스템에 쌓이고 있는지, 실무자가 어떤 순서로 일을 처리하는지까지 함께 살펴봐야 하기 때문입니다.

API 연결이 적합한지, RPA가 필요한지, 별도의 데이터 환경을 구축해야 하는지도 이러한 구조를 파악한 이후에 결정할 수 있습니다.

AI 모델은 앞으로도 계속 바뀔 것입니다.

하지만 조직의 업무 방식과 데이터 구조, 기존 시스템은 새로운 AI 모델이 등장하는 속도만큼 빠르게 바뀌지 않습니다.

그래서 AX 프로젝트에서는 최신 AI를 사용하는 것만큼 우리 조직의 업무를 이해하고, 적절한 구조를 설계하고, 실제 시스템으로 구현할 수 있는지가 중요합니다.