추천은 나왔는데 왜 아무도 누르지 않을까
추천 엔진이 정확하게 작동한다는 것과 사용자가 그 추천을 신뢰하고 행동한다는 것은 전혀 다른 문제다. 제품팀들이 마주하는 현실은 간단하다. A/B 테스트 결과 모델 성능은 우수했지만, 실제 클릭률이나 전환율 개선은 미미하거나 오히려 떨어진다는 것이다.
사용자 입장에서 화면에 떠오른 추천은 일종의 블랙박스다. "왜 하필 이 상품이고, 내 취향과 뭐가 맞는데, 지금 이걸 봐야 하는 건지" 이 질문에 대한 답이 없으면 대부분 무시한다. 특히 이전에 본 추천이 빗나간 경험이 있다면 더욱 그렇다. 신뢰할 근거가 없으니, 추천 받은 것 자체가 설득력이 없어진다.

신뢰는 투명함에서 비롯된다
추천 결과 옆에 단 한 줄의 설명이 있으면 상황이 달라진다. '당신의 최근 구매와 유사합니다', '이 카테고리를 자주 보시더라고요', '같은 성별·연령대가 선호합니다' 같은 간단한 맥락이다. 이 한 줄은 알고리즘을 신비화에서 해방시킨다.
사용자는 그 순간 자신을 이해하는 서비스를 경험한다. 추천이 마법이 아니라 논리라는 걸 깨닫는다. 자신의 행동 기록이나 선호도가 근거가 되었다는 명확한 신호를 받으면, 추천을 '무작위 배열'이 아니라 '나를 향한 맞춤 제안'으로 인식하기 시작한다. 이 심리적 거리감이 줄어드는 것만으로도 상당한 행동 변화를 기대할 수 있다.
지금 같이 읽을 기사

2026 육아휴직 사업주 지원금|첫 3개월 월 200만원·50% 사후지급, 중소기업 조건
2026 육아휴직 사업주 지원금은 우선지원대상기업 여부, 자녀 연령, 실제 휴직기간, 50% 중간지급·50% 사후지급 구조를 함께 봐야 합니다. 신청순서와 계속고용 조건까지 정리했습니다.

경영이 어려울 때 바로 해고부터? 고용유지지원금의 휴업·휴직 지원 구조
고용유지지원금을 대표가 바로 적용할 수 있도록 핵심 기준, 실무 순서, 증빙과 리스크까지 정리했습니다.

2026 청년일자리도약장려금, 수도권 기업 최대 720만원 받는 조건과 신청순서
청년일자리도약장려금을 사업자 관점에서 바로 확인할 수 있도록 2026 기준, 숫자, 신고·신청 순서와 실무 체크리스트를 정리했습니다.
설명을 만드는 방식: 정확함과 간결함의 균형
추천 설명은 과학이면서 동시에 미술이다. 모델의 근거를 너무 기술적으로 설명하면 사용자는 이해를 포기하고, 너무 단순하게 쓰면 신뢰감이 떨어진다.
효과적인 설명은 세 가지 층위를 동시에 충족한다. 첫째, 사용자의 과거 행동을 직접 참조한다('회원님은 최근 30일간 스포츠 용품을 주로 검색했습니다'). 둘째, 그 행동으로부터의 인과 관계를 명확하게 보여준다('따라서 새 런닝화가 적합할 것 같습니다'). 셋째, 추천이 선택지이지 강요가 아니라는 여지를 남긴다('관심 가시면 확인해보세요' 수준의 부드러움).
또 다른 접근은 협업 필터링의 근거를 활용하는 것이다. '당신과 비슷한 취향의 고객 1,200명이 이 상품을 좋아합니다' 같은 사회적 증명도 강력하다. 다만 이 경우에도 구체성이 필요하다. '비슷한 고객'이 누군지, 어떤 기준에서 비슷한 건지 어느 정도 투명하게 드러내야 설명이 설명으로 기능한다.
메트릭 변화: 설명이 만드는 구체적 차이
여러 전자상거래 및 OTT 서비스들의 실제 운영 경험을 보면, 추천 옆에 짧은 설명을 추가한 후 클릭률이 15~30% 상승한 사례가 보고된다. 더 중요한 것은 클릭 후 이탈률이다. 이유 없는 추천을 클릭한 사용자는 실제 페이지에 도착한 후 빠르게 이탈하지만, 근거 있는 추천을 클릭한 사용자는 평균 체류 시간이 길어진다.
또한 설명 있는 추천에서 비롯된 구매 전환율이 더 높다는 점도 중요하다. 단순 노출 수를 늘리는 것보다 '신뢰할 수 있는 추천'을 적게 노출하는 것이 매출 관점에서 훨씬 효율적이다. 이는 추천 엔진의 품질 평가 기준 자체를 바꾸어야 한다는 신호다. 정확도뿐 아니라 '설명 가능성'을 처음부터 설계 목표에 포함시켜야 한다는 의미다.
설명 가능한 AI를 설계에 녹이기
제품팀이 실제로 고려해야 할 것은 두 가지다. 첫째, 추천 모델을 선택할 때 '블랙박스 정확도'만 보지 말고 '설명 가능성'도 가중치에 넣어야 한다는 것. 신경망의 해석 난제보다는, 규칙 기반이나 협업 필터링처럼 근거를 명확히 추출할 수 있는 방식을 선택하거나, 둘을 하이브리드로 구성하는 편이 낫다.
둘째, 추천 결과 JSON에 단순히 상품 ID와 점수만 포함하지 말고, 그 추천을 정당화하는 '이유 태그' 필드를 아키텍처에 처음부터 설계해야 한다. 백엔드에서 모델이 추천 결과를 낼 때, 동시에 선정 근거를 텍스트로 함께 생성하는 방식이다. 이렇게 하면 프론트엔드 UI는 간단해진다. 추천 카드 아래 한 줄을 추가하기만 하면 된다.
마지막으로 그 설명 자체도 A/B 테스트의 대상으로 삼아야 한다. '당신이 관심 있을 만한', '비슷한 고객 1,000명이 구매한', '지난 7일간 트렌딩 중인' 등 여러 설명 템플릿 중 어느 것이 각 사용자 세그먼트에서 가장 높은 클릭률을 만드는지 측정하는 것이다.
투명성의 부작용: 언제 설명하지 말아야 할까
한 가지 주의할 점은, 모든 추천에 다 설명을 붙여야 한다는 뜻은 아니라는 것이다. 매우 약한 신호에 기반한 추천이나 신뢰도가 낮은 예측에 그럴듯한 이유를 억지로 붙이면 오히려 신뢰를 깎는다. 예를 들어 단 한 번의 검색 기록만으로 추천하면서 '많은 고객이 선호합니다'라고 쓰면, 사용자는 거짓을 느낀다.
따라서 설명을 붙이는 추천과 설명 없이 노출하는 추천을 명확히 분류해야 한다. 신뢰도 임계값을 정해서, 그 이상만 설명과 함께 노출하고, 아래는 무언의 탐색 추천으로 두는 방식이다. 또한 사용자가 그 설명에 대해 피드백할 수 있는 장치도 있으면 좋다. '이 추천이 맞나요?' 같은 버튼으로 모델의 근거가 정확했는지 검증하는 루프를 만들면, 설명의 품질도 함께 개선된다.
실무에서 한눈에 체크
본문의 핵심 기준을 한 장으로 정리했습니다. 실제 업무에 적용할 때는 회사 상황에 맞게 수치와 조건을 조정하면 됩니다.

