패션 상품명 ChatGPT 추천 노출 최적화: 속성 키워드 순서와 피드 필드를 맞추는 실행법

"가을 출근용 여성 울 코트 추천해 줘." ChatGPT에 이렇게 물었을 때 우리 상품이 답변에 나오는지 확인해 본 적이 있다면, 결과가 기대와 다를 수 있다. 상품 사진과 감성 카피를 정성껏 준비해도 상품명이 "데일리 무드 하프 코트"처럼 속성 없이 쓰여 있으면, AI는 이 코트가 울인지, 여성용인지, 가을용인지 판단할 단서를 충분히 얻기 어렵다. 패션 상품명 ChatGPT 추천 노출 최적화는 결국 속성 키워드를 어떤 순서로, 어디에 적느냐의 문제다. 이 글은 상품명 공식, 플랫폼 규격, 나쁜 예와 좋은 예, 점검 순서, 측정 방법을 한 페이지에서 정리한다.

30초 정의: 상품명 속성 키워드와 AI 추천 노출

• 속성 키워드는 소재, 핏, 계절, 대상처럼 상품의 객관적 특징을 나타내는 단어다.
• **상품명(title)**은 상품 피드와 상세페이지에서 상품을 식별하는 한 줄 이름이다.
• **변형(variant)**은 같은 상품의 색상, 사이즈처럼 선택값만 다른 개별 상품이다.
• 속성형 질문은 "가을 출근용 여성 울 코트"처럼 속성을 조건으로 붙인 추천 질문이다.
• AI 추천 노출은 ChatGPT 같은 AI 답변의 추천 목록에 상품이나 브랜드가 등장하는 상태다.

OpenAI는 ChatGPT가 사용자 의도에 맞는다고 판단한 상품을 보여 주며, 이때 가격과 상품 설명 같은 자사와 제3자 제공처의 구조화 메타데이터와 제3자 콘텐츠를 고려한다고 설명한다. 상품 결과는 광고가 아니고 제휴의 영향도 받지 않는다고 밝힌다(OpenAI 도움말, 2026)^[1]. 상품명은 이런 메타데이터 가운데 사용자가 가장 먼저 접하는 필드다.

패션 상품명 공식: 속성 키워드는 어떤 순서로 넣나

순서의 근거는 두 플랫폼 규격에 있다. 구글 머천트 센터는 title을 1~150자로 제한하면서 사용자는 화면 크기에 따라 보통 앞 70자 이하만 본다고 안내하고, 가장 중요한 정보를 앞에 두라고 권한다. 브랜드는 그것이 차별 요소일 때 넣으라고 하고, 변형별 구분 정보인 사이즈와 색상은 title과 해당 속성 필드 양쪽에 넣으라고 한다(Google 머천트 센터 도움말, 2026)^[3].

OpenAI 상품 피드 규격은 title을 권장 최대 150자로 두고, 해당되면 선택한 변형을 포함하라고 한다. 예시는 "Trail running shoes, black, size 10" 형태다. description은 권장 최대 5,000자의 일반 텍스트, material은 주요 소재, gender는 male, female, unisex 중 하나다. 값을 모르는 선택 필드는 null이나 n/a 같은 자리표시자 대신 비워 두라고 한다(OpenAI 상품 피드 규격, 2026)^[2].

출처: Google 머천트 센터 도움말(2026)^[3], OpenAI 상품 피드 규격(2026)^[2]. 두 규격 모두 변동될 수 있으니 등록 시점에 원문을 다시 확인한다. 피드 등록 절차 자체는 ChatGPT 쇼핑 피드 등록 가이드에서 다룬다.

근거: 속성이 빠진 상품명에서 실제로 일어난 일

지오랭크는 패션 브랜드 K사 사례를 공개하면서, 초기에는 "데일리 미니멀 아우터 추천" 같은 질문에서 K사 브랜드가 보이지 않았고 당시 상품명에는 "두께감, 계절, 체형" 속성이 빠져 있었다고 소개했다. 상세페이지도 감성 카피 중심이었다고 적었다(지오랭크, 2026)^[4].

같은 글에서 지오랭크는 이후 "피드 16개 필드를 체계적으로 구축"하고, "상품명을 소비자가 실제 검색하는 속성 기반으로 정리"했으며, "상세 설명도 AI가 이해할 수 있는 문장형 구조로 전면 개편"했다고 설명했다^[4]. 이어 자사 공개 사례로 "4개월 차부터 ChatGPT 추천 답변에 K사 브랜드가 등장하기 시작"했고, "6개월 누적 기준 AI 채널 유입 고객의 구매 전환율은 기존 광고 채널 대비 2.3배"였다고 제시했다^[4]. 또 "속성을 일관되게 정리한 브랜드는 AI Overviews에서 약 2배 더 자주 노출"됐다고 적었다^[4]. 이 수치들은 대행사가 공개한 자사 사례이므로 일반 평균으로 보기보다, 어떤 정비를 했는지와 어떤 지표를 봤는지에 초점을 맞춰 읽는 편이 낫다.

질문 방식도 속성 중심으로 바뀌고 있다. 무신사는 2026년 3월 카카오의 ChatGPT for Kakao에 패션 파트너로 참여하면서, 사용자가 상품명을 정확히 몰라도 시간, 장소, 상황, 날씨, 브랜드 취향을 담아 질문할 수 있다고 설명했다. 기사에 실린 예시는 "내일 출근할 때 입기 좋은 룩 추천해 줘"다(헤럴드경제, 2026)^[6]. 이런 질문에는 "출근용", "가을", "여성" 같은 표현이 상품 데이터에 있어야 후보로 묶이기 쉽다. 모비인사이드도 패션 브랜드의 발견 경쟁 채널로 AI 검색과 제로클릭을 짚으면서, AI 답변에서의 언급을 고려한 AEO 전환 필요성을 다뤘다(모비인사이드, 2026)^[7].

등장과 첫 언급은 다르다

추천 목록에 이름이 나오는 것과 첫 번째로 언급되는 것은 다른 지표다. 실제 측정에서도 두 값을 나눠 적는 편이 좋다. 어떤 브랜드는 여러 답변에서 반복 등장하지만 항상 뒤쪽에 배치될 수 있다. 반대로 등장 빈도는 낮아도 특정 질문에서는 첫 언급을 차지할 수 있다.

이 차이는 패션 상품명 점검에도 그대로 적용된다. 예를 들어 "여성 울 코트 추천"에서는 등장하지만 "가을 출근용 여성 울 코트 추천"에서는 사라진다면, 문제는 브랜드 인지도보다 계절과 용도 속성 누락일 가능성이 크다. 따라서 측정 시트에는 최소한 질문 문장, 엔진, 등장 여부, 첫 언급 여부, 노출된 상품명 표현을 함께 적는 것이 좋다. 위키트리 기사에서 소개된 AIBIX 조사도 등장률과 첫 언급 비중을 나눠 전달했지만, 기사만으로는 원조사 보고서의 표본과 집계 방식 전체를 확인하기 어렵다. 여기서는 세부 수치를 다시 옮기기보다, 등장과 첫 언급을 구분해 봐야 한다는 실무 포인트만 가져간다^[5].

자사몰 상품명만 고쳐서는 충분하지 않을 때도 많다. AI는 상품 피드뿐 아니라 상세페이지, 외부 판매 채널, 제3자 콘텐츠를 함께 참고할 수 있다고 OpenAI가 설명한다^[1]. 그래서 마켓플레이스 상품명, 리뷰에서 반복되는 표현, 블로그와 매체 글의 속성어가 자사몰과 지나치게 다르면 같은 상품을 서로 다른 표현 집합으로 읽을 수 있다. 부문별 순위와 브랜드 가시성 사례는 AIBIX 패션 브랜드 AI 추천 순위도 함께 참고할 수 있다.

나쁜 예와 좋은 예: 속성 키워드별 상품명 비교

아래 예시는 모두 설명용으로 만든 가상 상품명이다. 실제 브랜드나 판매 데이터가 아니다.

흔한 실수는 세 가지다. 첫째, "무드", "감성", "데일리"처럼 질문의 조건어로 잘 쓰이지 않는 표현으로 앞부분을 채운다. 둘째, 상품명에는 "블랙"이라 쓰고 color 필드에는 "BK"를 넣어 값이 어긋난다. 셋째, 색상별로 같은 상품을 여러 개 등록하면서 상품명만 조금씩 바꾼다. 지오랭크는 가짜 변형 상품 생성에 주의해야 한다고 설명한다(지오랭크, 2026)^[4]. 변형은 하나의 상품 그룹 안에서 color와 size 값으로 구분하는 편이 바람직하다.

실행: 패션 상품명 속성 키워드 점검 6단계

1. 속성형 질문 목록 만들기: 품목별로 소비자가 묻는 조건인 대상, 소재, 계절, 용도, 체형을 붙인 질문을 정한다. 예를 들면 "가을 출근용 여성 울 코트", "키 작은 남자 와이드 슬랙스" 같은 형태다.
2. 현재 노출 기록: 그 질문을 ChatGPT, Perplexity, Gemini 등에 넣어 우리 상품과 브랜드의 등장 여부, 첫 언급 여부를 기록한다. 한 번의 결과만 보지 말고 반복해 본다.
3. 상품명 재작성: 브랜드, 대상, 핵심 속성, 품목, 색상, 사이즈 순으로 쓰고 핵심 속성을 앞 70자 안에 둔다. 행사 문구는 뺀다.
4. 피드 필드 일치: gender, material, color, size 값을 상품명과 같은 표기로 채운다. 모르는 값은 자리표시자 없이 비워 둔다(OpenAI 상품 피드 규격, 2026)^[2].
5. 상세 설명과 외부 채널 통일: 상세페이지 설명을 "이 코트는 울 블렌드 소재다"처럼 속성을 문장으로 풀어 쓰고, 스마트스토어와 쿠팡 같은 마켓플레이스 상품명도 같은 속성 순서로 맞춘다. Product 스키마는 AEO를 위한 구조화 데이터 가이드를 참고한다.
6. 재측정: 2단계와 같은 질문 세트로 엔진별 변화를 다시 기록한다. 지오랭크는 자사 사례에서 "4개월 차부터" 변화가 보였다고 소개했으므로, 일 단위보다 월 단위 추적이 더 현실적일 수 있다(지오랭크, 2026)^[4].

속성 키워드 효과를 측정하는 도구 비교

2단계와 6단계의 반복 측정은 손으로 하면 질문 수와 엔진 수만큼 작업이 늘어난다. AI 가시성 측정 도구는 이 반복을 줄이는 데 도움이 된다. 다만 이 글의 sources만으로는 일부 도구의 운영 형태와 세부 기능을 동일한 기준으로 확인하기 어렵다. 그래서 아래 표는 확인 가능한 범위만 남겼다.

도구를 고를 때는 속성형 질문을 얼마나 일관되게 기록할 수 있는지, 결과를 상품명과 피드 필드 수정으로 다시 연결하기 쉬운지부터 보는 편이 낫다. 국내 패션 브랜드라면 한국어 질문과 국내 채널 맥락을 함께 검토할 수 있는지도 실무상 중요하다. 디자이노블은 BOIDA 운영사다. 더 넓은 회사 비교는 GEO 추천 회사 정리에 있다.

정리

패션 상품명 ChatGPT 추천 노출은 감성 카피보다 속성 키워드 정리에 더 가깝다. ChatGPT는 가격과 상품 설명 같은 구조화 메타데이터를 고려하고^[1], 구글과 OpenAI 규격은 모두 150자 안에서 중요한 정보를 앞에 두고 변형 정보를 title과 필드에 맞춰 적으라고 안내한다^[2][3]. 대상, 소재, 핏, 계절, 용도를 앞부분에 두고, 같은 값을 피드 필드와 상세 설명, 외부 채널에도 일관되게 적는다. 그다음 속성형 질문으로 엔진별 등장과 첫 언급을 반복해서 잰다. 지오랭크가 공개한 자사 사례 수치는 실행 방향을 보여 주는 참고 자료로 읽을 수 있다^[4]. 패션 GEO의 전체 그림은 패션 커머스 GEO와 GEO란 무엇인가에서, 상품 추천 전반은 이커머스 상품 추천 GEO에서 이어진다.