1년도 안 돼 50억 원을 만든 바이브코딩, 패션 브랜드는 무엇을 배워야 할까?
무재고를 위한 ‘선판매 후생산’ 실행 전략
패션 프로세스, 선행 구도에서 순환 구도로 변경
AI 바이브코딩으로 시작해 1년도 되지 않아 누적 매출 50억 원을 기록한 서비스가 있다. 생년월일과 태어난 시간을 입력하면 성격과 직업, 재물, 인간관계 등을 개인별로 풀어주는 온라인 서비스 ‘사주아이’다. 스마트폰으로 가볍게 이용할 수 있으며, 현재는 기본 사주를 넘어 궁합과 대운, 연도별 운세 등으로 서비스 범위를 넓히고 있다.
흥미로운 것은 이 서비스를 만든 사람의 이력이다. 정현아 대표는 개발과 무관한 공무원이었다. 2023년 온라인 강의를 통해 코딩에 입문한 뒤, 자신이 좋아하고 고객을 깊이 이해할 수 있는 사주를 사업 아이템으로 선택했다. 2025년 9월 정식 출시한 사주아이는 석 달 만에 가입자 20만 명과 유료 해설 판매 30만 건을 기록했다.
2026년 6월 공개한 수치에 따르면 사주아이는 이용자 165만 명, 누적 매출 50억 원을 넘어섰다. 사주 외에도 궁합과 대운, 신년 운세, 택일 등 다양한 유료 콘텐츠가 추가되면서 반복 결제와 객단가 상승으로 만든 매출이다. 외부 투자 없이 시작해 유료화한 지 1년도 되지 않아 거둔 성과라는 점에서 더욱 눈에 띈다.
사주아이는 처음부터 165만 명을 위한 완성된 서비스를 만든 뒤 시장에 나온 것이 아니다. 작은 서비스를 먼저 출시하고, 사람들이 실제로 이용하는지, 어떤 콘텐츠에 반응하는지, 990원을 지불할 의사가 있는지를 확인했다. 이용자가 늘어나자 궁합과 신년 운세처럼 고객이 원하는 콘텐츠를 하나씩 추가했다. 완성된 제품을 들고 고객을 찾은 것이 아니라 고객의 반응을 보며 시장 안에서 제품을 완성한 것이다.
[사진=사주아이 인스타그램 @saju_kid_official]
이 사례가 패션업계에 던지는 질문은 명확하다. 새로운 브랜드나 라인을 런칭할 때 반드시 제품을 먼저 대량 생산해야 할까?
# AI가 바꾸는 패션 브랜드 런칭의 순서
전통적인 패션 브랜드 런칭은 많은 선행 투자를 요구한다. 시장과 트렌드를 조사하고, 브랜드 콘셉트와 디자인을 정하고, 샘플을 제작한다. 이어 원단과 부자재를 발주하고 최소 생산 수량을 맞춘 뒤 룩북과 상세페이지, 자사몰과 광고 콘텐츠를 만든다. 상당한 시간과 비용을 투입하고 나서야 비로소 고객이 제품을 원하는지 확인할 수 있다.
문제는 기업 내부의 확신과 시장의 반응이 항상 일치하지 않는다는 데 있다. 디자이너와 상품기획자, 마케터가 오랫동안 논의해 완성한 제품도 고객이 선택하지 않으면 재고가 된다. 결국 할인 판매와 이월, 폐기, 현금 흐름 악화로 이어질 수 있다.
생성형 AI와 바이브코딩은 이 순서를 바꿀 수 있다. AI로 여러 브랜드 콘셉트와 디자인 시안을 시각화하고, 가상 모델의 착용 이미지를 만들 수 있다. 바이브코딩을 활용하면 별도의 대규모 개발 프로젝트 없이도 브랜드 소개와 고객 조사, 사전 신청 기능을 갖춘 기본적인 테스트 페이지를 하루 만에 만들 수 있다. 제품을 생산하기 전에 여러 콘셉트를 고객에게 보여주고, 클릭과 체류 시간, 대기 신청과 예약 주문을 통해 어떤 제안에 실제 수요가 있는지 확인하는 것이다.
중요한 것은 AI로 그럴듯한 이미지를 빠르게 만드는 일이 아니다. 기업이 가진 아이디어를 적은 비용으로 시장에서 확인하고, 고객의 반응을 빠르게 의사결정에 활용하는 것이핵심이다.
# 옷을 만들기 전에 고객에게 물어보는 피네스
AI를 적극 활용하여 고객 수요를 예측해나가고 있는 피네스. [사진= 피네스 공식 홈페이지]
미국의 패션 스타트업 피네스(FINESSE)는 AI와 고객 투표를 상품기획 과정에 활용했다. 온라인상의 트렌드와 소비자 반응을 분석해 여러 디자인을 3D로 구현한 뒤 SNS에 공개하고, 고객 투표에서 높은 반응을 얻은 제품을 실제 생산하는 방식이다. 디자이너와 경영진의 감각에만 의존하는 대신 고객 데이터를 제품 개발과 생산 의사결정에 반영한 것이다.
피네스는 자체 AI 알고리즘과 고객 투표를 결합해 생산할 제품을 결정함으로써 과잉 생산과 재고 폐기 가능성을 낮추고, 보다 효율적인 공급망과 윤리적인 생산을 추구한다고 설명한다. 핵심은 고객이 원하는 제품을 더 정확히 예측하는 것뿐 아니라, 팔릴지 알 수 없는 제품을 먼저 대량 생산하던 기존 패션업계의 방식을 바꾸는 데 있다.
피네스의 방식을 그대로 모든 패션 기업에 적용할 수는 없다. 고객 투표에서 인기가 높다고 반드시 높은 매출과 장기적인 브랜드 자산으로 이어지는 것은 아니기 때문이다. 대중의 즉각적인 반응만 좇으면 브랜드의 고유한 미학이 약해질 가능성도 있다. 하지만 상품을 완성한 뒤 평가받는 것이 아니라 기획 단계부터 고객 반응을 확인한다는 원칙은 주의 깊게 살펴볼 필요가 있다.
2025년 3월 공개된 알리바바 연구진의 논문은 이와 비슷한 방식을 실제 전자상거래 환경에서 실험했다. 상품의 디자인과 특징을 설명한 프롬프트를 입력하면 AI가 패션 상품 이미지와 디지털 모델의 착용 이미지를 생성하고, 이를 고객에게 먼저 판매한 뒤 일정 주문량이 확보된 제품만 생산하는 방식이다. 연구진은 이를 ‘선판매 후생산(Sell It Before You Make It)’이라고 설명했다.
온라인 실험 결과, AI로 생성한 상품은 사람이 디자인한 비교 상품보다 클릭률과 구매 전환율이 각각 13% 이상 높게 나타났다. 고객의 선호 데이터를 반영한 상품 기획과 사전 검증이 실제 상거래 지표를 개선할 가능성을 보여준 결과다.
두 사례의 핵심은 AI가 디자이너를 대신한다는 데 있지 않다. 생산 전에 고객 반응을 확인하고, 어떤 제품에 우선적으로 시간과 자본을 투입할지 결정할 수 있게 한다는 데 있다.
# 완성된 컬렉션보다 검증할 가설이 먼저다
[사진=피네스 홈페이지]
새로운 브랜드를 준비하는 기업은 브랜드 이름과 로고, 시즌 컨셉, 룩북과 패키지를 동시에 완성하려는 경향이 있다. 첫 출시부터 충분한 SKU와 규모를 갖춰야 브랜드답다고 생각하기 때문이다. 그러나 런칭 단계에서 가장 먼저 확인해야 할 것은 브랜드의 완성도가 아니라 고객이 이 브랜드를 선택할 이유다.
‘20~30대 여성을 위한 감각적인 데일리웨어’는 넓지만 검증하기 어렵다. 반면 ‘출근할 때 재킷을 입어야 하지만 딱딱한 정장은 원하지 않는 30대 직장인을 위한 재킷’은 고객과 상황, 해결하려는 문제가 선명하다. 기업은 이 가설을 바탕으로 여러 디자인과 컬러, 가격대와 메시지를 구성하고 고객 반응을 비교할 수 있다. 실제 제품이 나오기 전이라도 어떤 이미지가 더 많은 클릭을 얻는지, 어떤 설명에서 체류 시간이 길어지는지, 어느 가격부터 이탈이 늘어나는지를 확인할 수 있다.
물론 클릭과 좋아요만으로 생산을 결정해서는 안 된다. 좋아요는 호감을 보여주지만 결제는 수요를 증명한다. “어떤 디자인이 가장 마음에 드십니까?”라는 질문보다 “이 제품이 12만 원이라면 예약하시겠습니까?”라는 질문이 더 많은 정보를 준다. 대기 신청과 예약금, 크라우드펀딩, 소량 프리오더를 단계적으로 활용하면 고객의 구매 의사를 더욱 정확하게 확인할 수 있다.
반응이 약하다고 반드시 실패한 것은 아니다. 큰 생산비를 투입하기 전에 틀린 가설을 발견한 것이다. 타깃과 메시지, 가격, 디자인 가운데 무엇이 문제였는지 수정한 뒤 다시 테스트하면 된다. 실패 비용이 낮아지면 기업은 더 많은 가설을 시도할 수 있고, 결과적으로 성공 가능성이 높은 제품에 자원을 집중할 수 있다.
# AI는 제작보다 조직의 학습 속도를 높인다
AI를 활용한 브랜드 런칭은 디자인팀이나 마케팅팀의 업무를 빠르게 처리하는 수준에서 끝나서는 안 된다. 상품기획과 디자인, 마케팅, 영업, 고객 경험 부서가 하나의 가설을 공유하고 함께 검증하는 시스템으로 발전해야 한다.
상품기획팀은 어떤 고객의 어떤 문제를 해결할지 정하고, 디자인팀은 이를 여러 시안으로 구현한다. 마케팅팀은 서로 다른 광고 비주얼과 메시지를 테스트하고, 영업팀은 유통 채널과 가격대별 반응을 확인한다. 고객 문의와 인터뷰, 기존 상품 리뷰와 반품 사유는 AI로 분석해 반복되는 불편과 구매 장벽을 찾아낼 수 있다. 이렇게 얻은 정보는 다음 샘플과 생산량, 촬영 방식과 상세페이지에 반영된다.
과거의 브랜드 런칭이 기획, 디자인, 생산, 마케팅, 판매가 순차적으로 이어지는 선형 과정이었다면 AI 시대의 런칭은 가설, 시각화, 테스트, 학습, 수정이 반복되는 순환 과정에 가까워진다.
먼저 기업이 해결하려는 좁고 구체적인 고객 문제를 정한다. AI를 활용해 여러 제품과 브랜드 콘셉트를 빠르게 시각화하고, 바이브코딩으로 고객 반응을 확인할 테스트 페이지를 만든다. 광고와 콘텐츠를 통해 클릭과 문의, 대기 신청과 예약 결제를 측정한 뒤 반응이 확인된 제품을 샘플과 소량 생산으로 연결한다. 판매 이후에는 리뷰와 반품 이유를 분석해 다음 제품에 반영한다.
[사진=피네스 홈페이지]
다만 AI로 만든 가상 이미지를 실제 제품인 것처럼 제시해 고객을 오인하게 해서는 안 된다. 테스트용 이미지라는 사실과 예상 소재, 생산 일정, 실제 상품이 이미지와 달라질 가능성을 명확하게 알려야 한다. 수요가 확인된 뒤에는 반드시 실제 샘플을 제작해 착용감과 색상, 소재와 봉제 품질, 세탁 후 변형과 내구성을 검증해야 한다. AI는 고객의 반응을 먼저 확인하게 해줄 수 있지만 패션 제품의 물성까지 대신하지는 못한다.
여기에는 디지털 서비스와 패션 제품의 근본적인 차이도 있다. 사주아이는 결제와 동시에 결과를 제공할 수 있지만 패션은 원단 확보와 샘플 수정, 생산과 검수, 배송이라는 물리적 과정을 거쳐야 한다. 선판매 후생산 방식으로 수요를 확인하더라도 제품화가 늦어지면 고객은 긴 시간을 기다려야 하고, 기대와 실제 제품 사이의 간극도 커질 수 있다.
따라서 AI를 활용한 수요 검증이 효과를 내려면 확인된 수요를 실제 제품으로 빠르게 전환할 수 있는 소량 생산 체계와 유연한 공급망이 함께 뒷받침되어야 한다. AI가 론칭 전의 불확실성을 줄여준다면, 공급망은 검증된 기회를 놓치지 않게 해준다.
# 먼저 만들고 파는 브랜드에서 먼저 배우고 만드는 브랜드로
AI가 모든 기업을 성공적인 패션 브랜드로 만들어주는 것은 아니다. 비슷한 이미지와 사이트를 누구나 만들 수 있게 되면서 표면적인 차별화는 오히려 더 어려워질 것이다. 제품과 콘텐츠는 빠르게 복제되지만, 기업이 발견한 구체적인 고객 문제와 반복적인 테스트를 통해 축적한 학습은 쉽게 복제되지 않는다.
AI 시대 패션 브랜드의 경쟁력은 얼마나 많은 옷을 빠르게 만드느냐에 있지 않다. 고객이 원하는 제품인지 적은 비용으로 확인하고, 확인된 수요를 실제 제품으로 빠르게 전환한 뒤, 그 반응을 다음 제품과 의사결정에 반영하는 능력에 있다.
유료화한 지 1년도 되지 않아 누적 매출 50억 원을 기록한 사주아이의 성과도 처음부터 거대한 서비스를 설계했기 때문에 만들어진 것이 아니다. 작은 제품을 시장에 내놓고, 실제 고객의 행동을 관찰하고, 고객이 돈을 내는 지점을 확인하며 확장한 결과에 가깝다. 패션 기업 역시 완벽한 컬렉션을 모두 생산한 뒤 시장의 판정을 기다릴 필요는 없다.
먼저 보여주고, 반응을 확인하고, 만드는 것.
다음 글로벌 패션 브랜드는 거대한 생산 계획이 아니라, 하나의 선명한 가설을 AI로 검증하고 실제 제품으로 빠르게 구현하는 데서 시작될지도 모른다.
김용석 디토리안
김용석 브랜드 컨설턴트는 삼성물산에서 마케팅을 시작해 지금은 스몰 브랜드의 성장을 돕는 '톡설팅'의 대표로 있다. 저서로는 <작은 기업을 위한 브랜딩 법칙 ZERO>, <AI가 선택하는 브랜드의 비밀: AEO>가 있다. brunch.co.kr/@kap
1년도 안 돼 50억 원을 만든 바이브코딩, 패션 브랜드는 무엇을 배워야 할까?
AI 바이브코딩으로 시작해 1년도 되지 않아 누적 매출 50억 원을 기록한 서비스가 있다. 생년월일과 태어난 시간을 입력하면 성격과 직업, 재물, 인간관계 등을 개인별로 풀어주는 온라인 서비스 ‘사주아이’다. 스마트폰으로 가볍게 이용할 수 있으며, 현재는 기본 사주를 넘어 궁합과 대운, 연도별 운세 등으로 서비스 범위를 넓히고 있다.
[사진=사주아이 인스타그램 @saju_kid_official]
흥미로운 것은 이 서비스를 만든 사람의 이력이다. 정현아 대표는 개발과 무관한 공무원이었다. 2023년 온라인 강의를 통해 코딩에 입문한 뒤, 자신이 좋아하고 고객을 깊이 이해할 수 있는 사주를 사업 아이템으로 선택했다. 2025년 9월 정식 출시한 사주아이는 석 달 만에 가입자 20만 명과 유료 해설 판매 30만 건을 기록했다.
2026년 6월 공개한 수치에 따르면 사주아이는 이용자 165만 명, 누적 매출 50억 원을 넘어섰다. 사주 외에도 궁합과 대운, 신년 운세, 택일 등 다양한 유료 콘텐츠가 추가되면서 반복 결제와 객단가 상승으로 만든 매출이다. 외부 투자 없이 시작해 유료화한 지 1년도 되지 않아 거둔 성과라는 점에서 더욱 눈에 띈다.
사주아이는 처음부터 165만 명을 위한 완성된 서비스를 만든 뒤 시장에 나온 것이 아니다. 작은 서비스를 먼저 출시하고, 사람들이 실제로 이용하는지, 어떤 콘텐츠에 반응하는지, 990원을 지불할 의사가 있는지를 확인했다. 이용자가 늘어나자 궁합과 신년 운세처럼 고객이 원하는 콘텐츠를 하나씩 추가했다. 완성된 제품을 들고 고객을 찾은 것이 아니라 고객의 반응을 보며 시장 안에서 제품을 완성한 것이다.
이 사례가 패션업계에 던지는 질문은 명확하다. 새로운 브랜드나 라인을 런칭할 때 반드시 제품을 먼저 대량 생산해야 할까?
# AI가 바꾸는 패션 브랜드 런칭의 순서
전통적인 패션 브랜드 런칭은 많은 선행 투자를 요구한다. 시장과 트렌드를 조사하고, 브랜드 콘셉트와 디자인을 정하고, 샘플을 제작한다. 이어 원단과 부자재를 발주하고 최소 생산 수량을 맞춘 뒤 룩북과 상세페이지, 자사몰과 광고 콘텐츠를 만든다. 상당한 시간과 비용을 투입하고 나서야 비로소 고객이 제품을 원하는지 확인할 수 있다.
문제는 기업 내부의 확신과 시장의 반응이 항상 일치하지 않는다는 데 있다. 디자이너와 상품기획자, 마케터가 오랫동안 논의해 완성한 제품도 고객이 선택하지 않으면 재고가 된다. 결국 할인 판매와 이월, 폐기, 현금 흐름 악화로 이어질 수 있다.
생성형 AI와 바이브코딩은 이 순서를 바꿀 수 있다. AI로 여러 브랜드 콘셉트와 디자인 시안을 시각화하고, 가상 모델의 착용 이미지를 만들 수 있다. 바이브코딩을 활용하면 별도의 대규모 개발 프로젝트 없이도 브랜드 소개와 고객 조사, 사전 신청 기능을 갖춘 기본적인 테스트 페이지를 하루 만에 만들 수 있다. 제품을 생산하기 전에 여러 콘셉트를 고객에게 보여주고, 클릭과 체류 시간, 대기 신청과 예약 주문을 통해 어떤 제안에 실제 수요가 있는지 확인하는 것이다.
중요한 것은 AI로 그럴듯한 이미지를 빠르게 만드는 일이 아니다. 기업이 가진 아이디어를 적은 비용으로 시장에서 확인하고, 고객의 반응을 빠르게 의사결정에 활용하는 것이핵심이다.
# 옷을 만들기 전에 고객에게 물어보는 피네스
AI를 적극 활용하여 고객 수요를 예측해나가고 있는 피네스. [사진= 피네스 공식 홈페이지]
미국의 패션 스타트업 피네스(FINESSE)는 AI와 고객 투표를 상품기획 과정에 활용했다. 온라인상의 트렌드와 소비자 반응을 분석해 여러 디자인을 3D로 구현한 뒤 SNS에 공개하고, 고객 투표에서 높은 반응을 얻은 제품을 실제 생산하는 방식이다. 디자이너와 경영진의 감각에만 의존하는 대신 고객 데이터를 제품 개발과 생산 의사결정에 반영한 것이다.
피네스는 자체 AI 알고리즘과 고객 투표를 결합해 생산할 제품을 결정함으로써 과잉 생산과 재고 폐기 가능성을 낮추고, 보다 효율적인 공급망과 윤리적인 생산을 추구한다고 설명한다. 핵심은 고객이 원하는 제품을 더 정확히 예측하는 것뿐 아니라, 팔릴지 알 수 없는 제품을 먼저 대량 생산하던 기존 패션업계의 방식을 바꾸는 데 있다.
피네스의 방식을 그대로 모든 패션 기업에 적용할 수는 없다. 고객 투표에서 인기가 높다고 반드시 높은 매출과 장기적인 브랜드 자산으로 이어지는 것은 아니기 때문이다. 대중의 즉각적인 반응만 좇으면 브랜드의 고유한 미학이 약해질 가능성도 있다. 하지만 상품을 완성한 뒤 평가받는 것이 아니라 기획 단계부터 고객 반응을 확인한다는 원칙은 주의 깊게 살펴볼 필요가 있다.
2025년 3월 공개된 알리바바 연구진의 논문은 이와 비슷한 방식을 실제 전자상거래 환경에서 실험했다. 상품의 디자인과 특징을 설명한 프롬프트를 입력하면 AI가 패션 상품 이미지와 디지털 모델의 착용 이미지를 생성하고, 이를 고객에게 먼저 판매한 뒤 일정 주문량이 확보된 제품만 생산하는 방식이다. 연구진은 이를 ‘선판매 후생산(Sell It Before You Make It)’이라고 설명했다.
온라인 실험 결과, AI로 생성한 상품은 사람이 디자인한 비교 상품보다 클릭률과 구매 전환율이 각각 13% 이상 높게 나타났다. 고객의 선호 데이터를 반영한 상품 기획과 사전 검증이 실제 상거래 지표를 개선할 가능성을 보여준 결과다.
두 사례의 핵심은 AI가 디자이너를 대신한다는 데 있지 않다. 생산 전에 고객 반응을 확인하고, 어떤 제품에 우선적으로 시간과 자본을 투입할지 결정할 수 있게 한다는 데 있다.
# 완성된 컬렉션보다 검증할 가설이 먼저다
새로운 브랜드를 준비하는 기업은 브랜드 이름과 로고, 시즌 컨셉, 룩북과 패키지를 동시에 완성하려는 경향이 있다. 첫 출시부터 충분한 SKU와 규모를 갖춰야 브랜드답다고 생각하기 때문이다. 그러나 런칭 단계에서 가장 먼저 확인해야 할 것은 브랜드의 완성도가 아니라 고객이 이 브랜드를 선택할 이유다.
‘20~30대 여성을 위한 감각적인 데일리웨어’는 넓지만 검증하기 어렵다. 반면 ‘출근할 때 재킷을 입어야 하지만 딱딱한 정장은 원하지 않는 30대 직장인을 위한 재킷’은 고객과 상황, 해결하려는 문제가 선명하다. 기업은 이 가설을 바탕으로 여러 디자인과 컬러, 가격대와 메시지를 구성하고 고객 반응을 비교할 수 있다. 실제 제품이 나오기 전이라도 어떤 이미지가 더 많은 클릭을 얻는지, 어떤 설명에서 체류 시간이 길어지는지, 어느 가격부터 이탈이 늘어나는지를 확인할 수 있다.
물론 클릭과 좋아요만으로 생산을 결정해서는 안 된다. 좋아요는 호감을 보여주지만 결제는 수요를 증명한다. “어떤 디자인이 가장 마음에 드십니까?”라는 질문보다 “이 제품이 12만 원이라면 예약하시겠습니까?”라는 질문이 더 많은 정보를 준다. 대기 신청과 예약금, 크라우드펀딩, 소량 프리오더를 단계적으로 활용하면 고객의 구매 의사를 더욱 정확하게 확인할 수 있다.
반응이 약하다고 반드시 실패한 것은 아니다. 큰 생산비를 투입하기 전에 틀린 가설을 발견한 것이다. 타깃과 메시지, 가격, 디자인 가운데 무엇이 문제였는지 수정한 뒤 다시 테스트하면 된다. 실패 비용이 낮아지면 기업은 더 많은 가설을 시도할 수 있고, 결과적으로 성공 가능성이 높은 제품에 자원을 집중할 수 있다.
# AI는 제작보다 조직의 학습 속도를 높인다
AI를 활용한 브랜드 런칭은 디자인팀이나 마케팅팀의 업무를 빠르게 처리하는 수준에서 끝나서는 안 된다. 상품기획과 디자인, 마케팅, 영업, 고객 경험 부서가 하나의 가설을 공유하고 함께 검증하는 시스템으로 발전해야 한다.
상품기획팀은 어떤 고객의 어떤 문제를 해결할지 정하고, 디자인팀은 이를 여러 시안으로 구현한다. 마케팅팀은 서로 다른 광고 비주얼과 메시지를 테스트하고, 영업팀은 유통 채널과 가격대별 반응을 확인한다. 고객 문의와 인터뷰, 기존 상품 리뷰와 반품 사유는 AI로 분석해 반복되는 불편과 구매 장벽을 찾아낼 수 있다. 이렇게 얻은 정보는 다음 샘플과 생산량, 촬영 방식과 상세페이지에 반영된다.
과거의 브랜드 런칭이 기획, 디자인, 생산, 마케팅, 판매가 순차적으로 이어지는 선형 과정이었다면 AI 시대의 런칭은 가설, 시각화, 테스트, 학습, 수정이 반복되는 순환 과정에 가까워진다.
먼저 기업이 해결하려는 좁고 구체적인 고객 문제를 정한다. AI를 활용해 여러 제품과 브랜드 콘셉트를 빠르게 시각화하고, 바이브코딩으로 고객 반응을 확인할 테스트 페이지를 만든다. 광고와 콘텐츠를 통해 클릭과 문의, 대기 신청과 예약 결제를 측정한 뒤 반응이 확인된 제품을 샘플과 소량 생산으로 연결한다. 판매 이후에는 리뷰와 반품 이유를 분석해 다음 제품에 반영한다.
[사진=피네스 홈페이지]
다만 AI로 만든 가상 이미지를 실제 제품인 것처럼 제시해 고객을 오인하게 해서는 안 된다. 테스트용 이미지라는 사실과 예상 소재, 생산 일정, 실제 상품이 이미지와 달라질 가능성을 명확하게 알려야 한다. 수요가 확인된 뒤에는 반드시 실제 샘플을 제작해 착용감과 색상, 소재와 봉제 품질, 세탁 후 변형과 내구성을 검증해야 한다. AI는 고객의 반응을 먼저 확인하게 해줄 수 있지만 패션 제품의 물성까지 대신하지는 못한다.
여기에는 디지털 서비스와 패션 제품의 근본적인 차이도 있다. 사주아이는 결제와 동시에 결과를 제공할 수 있지만 패션은 원단 확보와 샘플 수정, 생산과 검수, 배송이라는 물리적 과정을 거쳐야 한다. 선판매 후생산 방식으로 수요를 확인하더라도 제품화가 늦어지면 고객은 긴 시간을 기다려야 하고, 기대와 실제 제품 사이의 간극도 커질 수 있다.
따라서 AI를 활용한 수요 검증이 효과를 내려면 확인된 수요를 실제 제품으로 빠르게 전환할 수 있는 소량 생산 체계와 유연한 공급망이 함께 뒷받침되어야 한다. AI가 론칭 전의 불확실성을 줄여준다면, 공급망은 검증된 기회를 놓치지 않게 해준다.
# 먼저 만들고 파는 브랜드에서 먼저 배우고 만드는 브랜드로
AI가 모든 기업을 성공적인 패션 브랜드로 만들어주는 것은 아니다. 비슷한 이미지와 사이트를 누구나 만들 수 있게 되면서 표면적인 차별화는 오히려 더 어려워질 것이다. 제품과 콘텐츠는 빠르게 복제되지만, 기업이 발견한 구체적인 고객 문제와 반복적인 테스트를 통해 축적한 학습은 쉽게 복제되지 않는다.
AI 시대 패션 브랜드의 경쟁력은 얼마나 많은 옷을 빠르게 만드느냐에 있지 않다. 고객이 원하는 제품인지 적은 비용으로 확인하고, 확인된 수요를 실제 제품으로 빠르게 전환한 뒤, 그 반응을 다음 제품과 의사결정에 반영하는 능력에 있다.
유료화한 지 1년도 되지 않아 누적 매출 50억 원을 기록한 사주아이의 성과도 처음부터 거대한 서비스를 설계했기 때문에 만들어진 것이 아니다. 작은 제품을 시장에 내놓고, 실제 고객의 행동을 관찰하고, 고객이 돈을 내는 지점을 확인하며 확장한 결과에 가깝다. 패션 기업 역시 완벽한 컬렉션을 모두 생산한 뒤 시장의 판정을 기다릴 필요는 없다.
먼저 보여주고, 반응을 확인하고, 만드는 것.
다음 글로벌 패션 브랜드는 거대한 생산 계획이 아니라, 하나의 선명한 가설을 AI로 검증하고 실제 제품으로 빠르게 구현하는 데서 시작될지도 모른다.
김용석 디토리안
김용석 브랜드 컨설턴트는 삼성물산에서 마케팅을 시작해 지금은 스몰 브랜드의 성장을 돕는 '톡설팅'의 대표로 있다. 저서로는 <작은 기업을 위한 브랜딩 법칙 ZERO>, <AI가 선택하는 브랜드의 비밀: AEO>가 있다. brunch.co.kr/@kap