패션·커머스 브랜드의 GEO 전략 — 상품·룩북이 AI에 읽히게

ChatGPT에 "이번 시즌 미니멀 셋업 추천해줘"라고 물어보면, 패션 브랜드 운영자는 대개 같은 곳에서 멈칫한다. 룩북도, 디테일컷도, 착용샷도 누구보다 공들여 찍었는데 정작 생성형 답변엔 우리 이름이 없다. 광고비가 부족해서도, 상품이 부족해서도 아니다. 우리 페이지의 알맹이가 전부 사진 안에 들어 있어서다. 패션 브랜드 AI 노출이 유독 낮은 이유는 여기서 시작하고, 커머스 GEO가 손대야 하는 지점도 정확히 여기다.

사진은 사람만 본다

패션 상품 페이지를 열어보면 정보의 9할이 이미지에 실려 있다. 색감, 소재의 질감, 오버핏인지 슬림인지, 어떤 무드인지 — 전부 사진이 말한다. 텍스트는 "데일리로 툭 걸치기 좋은 셋업" 한 줄에서 끝나는 경우가 많다. 사람 눈에는 이걸로 충분하다. 문제는 AI가 사람 눈이 아니라는 점이다.

GPTBot을 비롯한 AI 크롤러 ↗는 페이지를 감상하지 않는다.^[5] 텍스트와 구조화된 데이터를 긁어서 사실을 뽑아낸다. 그래서 사진 속 차콜 그레이 울 블레이저는, 본문에 "차콜 그레이"와 "울"이라는 글자가 없으면 AI 입장에서는 존재하지 않는 옷이나 마찬가지다.

이 한 가지 사실에서 세 갈래 문제가 동시에 터진다. 첫째, 색·소재·핏·카테고리가 이미지에만 있으니 AI가 상품을 분류하거나 다른 상품과 비교할 단서를 못 얻는다. 둘째, 설명 텍스트가 한 줄짜리 감성 카피라 인용할 만한 사실이 없다 — 생성형 엔진은 모호한 분위기보다 명확한 속성을 인용한다.^[1] 셋째, 패션 특유의 시즌성이 자산을 갉아먹는다. 시즌이 끝나면 상품 URL은 품절 처리되거나 삭제되고, 그 페이지가 쌓아 올린 신뢰도 함께 증발한다.

현장에서 자주 보는 실수는 이 세 가지를 따로따로 본다는 것이다. 사실은 한 뿌리다. "보이는데 안 읽히는" 정보를 글자로 옮기고, 그 자산이 시즌마다 휩쓸려 나가지 않게 붙들어 두는 것 — 패션·커머스 GEO는 결국 이 두 가지 싸움이다.

룩북을 텍스트로 번역한다

가장 먼저 할 일은 이미지에 갇힌 정보를 구조화된 텍스트 속성으로 끄집어내는 것이다. alt 한 줄로는 어림없다. alt는 짧고 단층적이라 색·소재·핏·스타일을 한꺼번에 담지 못한다. 본문과 데이터 양쪽에 다층 속성을 박아 넣어야 한다.

표만 보면 간단해 보이지만, 함정은 규모다. 상품 수십 개라면 손으로 적으면 된다. 수천 개 SKU에 시즌마다 갈아 끼우는 브랜드라면 수작업은 무너진다. 이미지에서 색·카테고리·속성을 자동으로 태깅하는 패션 AI가 바로 이 번역을 자동화하는 영역이고, 디자이노블이나 그 브랜드 BOIDA가 다루는 패션 이미지 분석이 이 맥락에 닿아 있다. 다만 강조하고 싶은 건 도구가 아니다. 멀티모달 정보를 AI가 읽을 글자로 바꾸는 단계 자체가 패션 GEO의 출발선이라는 점이다. 옮긴 텍스트를 인용되기 좋은 구조로 다듬는 원리는 AI가 인용하기 좋은 콘텐츠 구조에서 이어 다룬다.

옮긴 사실에 라벨을 붙인다 — Product 스키마

텍스트로 풀어낸 속성은 한 번 더 기계 친화적으로 포장한다. 구글의 구조화 데이터 가이드 ↗와 schema.org ↗는 패션 커머스에 그대로 쓸 수 있는 타입을 제공한다.^[2] 상품 자체는 Product, 가격과 재고는 Offer, 브랜드 관계는 Organization ↗/Brand다.^[3]

• Product: 상품명, 색, 소재, 카테고리, 식별자(SKU·GTIN)
• Offer: 가격, 통화, 재고 상태(InStock/OutOfStock)
• Brand / Organization: 어떤 브랜드의 상품인지 명시해 브랜드 엔티티와 연결

커머스라면 이건 선택이 아니라 거의 기본기다. 단, 두 가지를 빼먹으면 안 된다. 구글 가이드라인은 마크업한 정보가 사용자 화면에도 실제로 보여야 한다고 못 박는다. 화면엔 없고 스키마에만 가격을 넣으면 위반이다 — 패션 커머스는 세일·시즌오프로 가격이 자주 움직이니, 표시가와 스키마 가격이 어긋나지 않게 동기화하는 운영이 특히 중요하다. 또 하나, 상품 페이지가 클라이언트 렌더링으로 텅 비어 보이면 크롤러가 아무것도 못 읽는다. 서버 렌더링과 빠른 로딩(Core Web Vitals ↗)은 그래서 사치가 아니라 전제다.^[4] 개념의 밑바탕은 GEO란 무엇인가와 AEO란 무엇인가에서 짚을 수 있다.

휘발되는 상품 위에 안 휘발되는 브랜드를 얹는다

남은 건 시즌성 문제다. 아무리 상품 페이지를 잘 다듬어도 시즌이 끝나면 그 URL은 사라진다. 그렇다면 누적될 자산을 시즌 바깥에 두면 된다.

• 브랜드 엔티티 정리: 브랜드명·정체성·대표 카테고리를 일관된 표기로 유지해, AI가 "이 브랜드는 도대체 뭘 하는 곳인가"를 흔들림 없이 학습하게 만든다. 구체적 방법은 엔티티·지식그래프 최적화에 있다.
• 카테고리·용어 허브: 소재·핏·스타일 용어를 풀어 설명하는 가이드 페이지는 시즌을 타지 않는다. "드롭숄더가 뭔지", "기모 안감과 보아 안감의 차이"를 설명한 글은 1년 뒤에도 유효하고, 그 신뢰를 상품 페이지로 흘려보낸다.
• 컬렉션 허브: 시즌 컬렉션을 상위 페이지 하나로 묶어두면, 개별 상품이 내려가도 컬렉션 단위의 맥락은 남는다.

이렇게 두 층을 분리하면 "휘발되는 상품" 위에 "누적되는 브랜드"가 얹힌다. 이 골조가 단단한 브랜드일수록, AI가 카테고리 추천 답변을 만들 때 후보로 떠오를 확률이 올라간다. 어떤 회사가 이런 작업을 실제로 다루는지는 GEO 추천 회사와 글로벌 GEO·AEO 지형 2026에서 견줘볼 수 있다.

마지막으로 자주 받는 반론 하나. 멀티모달 모델이 이미지를 점점 잘 읽으니, 이 고생을 곧 안 해도 되지 않냐는 것이다. 모델이 사진 해석을 잘하게 되는 건 맞다. 그러나 크롤링과 인용이 일어나는 단계에서 가장 신뢰받는 신호는 여전히 텍스트와 구조화 데이터다. 텍스트 대체와 스키마는 모델이 우리 옷을 오독할 여지를 줄여줄 뿐, 사라질 작업이 아니다. 패션 AI도 첫 단계를 자동화하는 도구일 뿐 노출을 보장하는 마법은 아니다. 결국 할 일은 단순하다. "보이는데 안 읽히던" 우리 상품을, AI가 읽고 인용할 수 있는 글자로 한 장씩 옮겨두는 것.