성수동 카페 평균 매출이 어떻게 되는지를 챗GPT에게 물으면, 특정 데이터를 근거로 삼은 답변이 돌아오는 시대가 됐습니다. 빅밸류가 전국 사업자·상권·카페 시장 등 20개 분야, 515만 페이지 분량의 데이터를 AI가 읽을 수 있는 형태로 개방했습니다. 이용자가 생성형 AI 서비스에 질문하면 이 데이터를 근거로 답을 만드는 방식입니다.

이 사건을 "드디어 상권 데이터가 열렸다"고 읽으면 단순합니다. 그러나 거슬러 올라가면, 실제로 달라진 것은 데이터의 존재가 아닙니다.

상권 데이터는 오래전부터 있었습니다

한국의 상권 관련 데이터는 꽤 오래전부터 공개돼 있었습니다. 소상공인시장진흥공단의 상권정보시스템은 2012년부터 업종별 매출 추정치와 유동인구 집계를 제공해 왔습니다. 여기에 행정안전부의 주민등록 통계, 국토교통부의 건물 정보, 카드사의 소비 데이터가 더해지면 특정 입지의 윤곽이 상당히 그려집니다.

문제는 이 데이터들이 각각 다른 포털의 전용 뷰어, 엑셀 파일, PDF 보고서로 분산돼 있었다는 점입니다. 원하는 상권에 대한 하나의 질문에 답을 만들려면, 분산된 자료들을 가져다 조합하고 해석하는 작업이 필요했습니다. 그 작업을 다루는 전문 컨설팅이 하나의 업종으로 존재하는 이유가 여기에 있습니다.

빅밸류가 한 것은 새로운 데이터를 만든 게 아닙니다. 기존에 흩어져 있던 데이터를 AI가 소비할 수 있는 텍스트 형태로 변환한 것입니다. 515만 페이지는 새로운 정보의 크기가 아니라, 그 변환 작업의 규모입니다.

데이터를 텍스트로 바꾸면 기준이 빠집니다

챗GPT 같은 대형 언어 모델은 텍스트를 처리하도록 만들어져 있습니다. 데이터베이스 테이블을 직접 읽지 못합니다. 검색 엔진이 웹페이지를 색인하듯, 사람이 읽을 수 있는 형태로 변환된 텍스트여야 비로소 AI가 그것을 소재로 답을 조립할 수 있습니다.

이 변환 과정에 선택이 따릅니다. 데이터베이스 컬럼의 숫자는 텍스트로 비교적 깔끔하게 옮겨집니다. 그러나 그 숫자에 붙어 있는 메타데이터—기준 시점, 집계 방식, 신뢰 구간, 데이터 출처—는 별도 컬럼에 담겨 있습니다. 변환을 설계한 엔지니어가 이 메타데이터를 텍스트 안에 충실히 포함시키기로 했는지, 간소화하기로 했는지에 따라 AI가 읽는 텍스트의 정보 밀도가 달라집니다.

AI가 "성수동 카페 월평균 매출은 약 X원입니다"라고 답할 때, 그 X가 몇 년도 기준인지, 어느 집계 방식을 썼는지, 성수동의 어느 경계까지를 포함하는지가 답 안에 명시되지 않을 수 있습니다. 숫자가 나오면 정확해 보입니다. 그러나 기준이 다른 숫자는 대부분 틀린 숫자와 같은 결과를 냅니다.

같은 상권, 집계 기준마다 다른 숫자

한국 상권 분석에 사용되는 데이터 출처는 크게 세 계통입니다. 행정 데이터를 기반으로 한 추정 모델, 카드사가 제공하는 결제 실적 집계, 그리고 공공 통계와 민간 데이터를 혼합한 분석 서비스입니다.

이 세 계통은 같은 지역, 같은 업종을 분석해도 서로 다른 수치를 제시합니다. 카드 결제 기반 데이터는 카드로 결제된 매출만 잡습니다. 현금·계좌이체 비중이 높은 업종이나 지역은 실제 매출보다 낮게 집계됩니다. 행정 추정 모델은 모델 가정이 달라지면 결과가 달라집니다. 상권 경계를 어디로 설정하느냐도 수치를 바꿉니다. 반경 500m로 묶은 성수동과 행정동 전체로 묶은 성수동은 유동인구도 다르고 경쟁 밀도도 다릅니다.

여기에 시점 문제가 더해집니다. 상권 데이터는 코로나 전후로 구조적 차이가 있습니다. 2019년 수치와 2023년 수치를 같은 기준으로 읽으면 맥락이 어긋납니다. 성수동처럼 2020년대 이후 급속히 변한 상권이라면, 수년 전 데이터와 현재 실태의 간격이 특히 큽니다.

AI가 텍스트를 참조해 답을 만들 때, 그 텍스트가 어떤 출처의 어떤 기준을 반영하는지를 AI 자신이 항상 파악하는 것은 아닙니다. 텍스트에 명시된 범위 내에서만 답을 조립하기 때문입니다.

접근이 쉬워질 때 판단이 더 섬세해져야 합니다

데이터가 쉽게 구해지는 환경에서 생기는 문제가 있습니다. 데이터를 얻는 과정이 어려웠을 때는, 그 과정에서 자연스럽게 기준을 확인하게 됩니다. 컨설턴트에게 자료를 의뢰하면 어떤 출처를 썼는지 물어보게 됩니다. 소상공인 상권정보 시스템을 직접 들어가 보면 시스템이 제공하는 출처 설명을 읽게 됩니다.

AI가 대신 읽어주면 그 중간 과정이 사라집니다. 질문을 입력하면 답이 나옵니다. 그 답이 어떤 경로로 만들어졌는지를 살펴보는 단계가 생략되기 쉽습니다.

입지 분석에서 숫자로 후보지를 좁히는 작업과 발로 현장을 확인하는 작업은 분리해서 진행해야 합니다. 유동인구 데이터를 확인했다면, 실제로 그 시간대에 현장에서 지나가는 사람 수를 직접 세어봐야 합니다. 경쟁 카페 매출 추정치를 봤다면, 인근 카페의 평일 점심·저녁 테이블 회전을 눈으로 확인해야 합니다. 이 두 단계를 함께 밟지 않으면, 숫자와 현실 사이의 간격이 계약서에 서명하고 나서야 드러납니다.

AI가 상권 데이터를 읽어주는 능력이 생겼다고 해서 발로 확인하는 단계의 비중이 줄어드는 것이 아닙니다. 오히려 첫 번째 단계의 장벽이 낮아진 만큼, 두 번째 단계를 건너뛸 유혹도 커집니다.

AI가 답한 뒤 물어야 할 것

AI가 상권 데이터를 근거로 답을 줄 때, 세 가지를 추가로 묻는 습관이 판단 오류를 줄입니다.

기준 시점. "이 수치는 몇 년도 기준입니까?"라고 묻습니다. AI가 참조한 텍스트에 시점이 명시돼 있으면 답합니다. 명시돼 있지 않으면 "확인하기 어렵습니다"라고 답합니다. 두 번째 답이 나오면 그 숫자는 추가 검증이 필요합니다.

집계 방식. "이 매출 수치는 어떤 방식으로 산출됩니까?"라고 묻습니다. 카드 결제 기반인지, 행정 추정 모델 결과인지에 따라 수치가 다르고, 검토 중인 업종의 결제 패턴과 맞춰 읽어야 의미 있는 비교가 됩니다.

공간 범위. "이 데이터의 성수동 경계는 어떻게 설정됩니까?"라고 묻습니다. 같은 성수동이라도 어느 블록까지 포함하느냐에 따라 유동인구와 경쟁 밀도가 달라집니다. 검토 중인 입지가 그 경계 안에 들어오는지를 확인해야 비교가 의미를 갖습니다.

이 세 가지는 상권 분석 전문가가 데이터를 받을 때 제일 먼저 확인하는 항목입니다. AI가 그 역할을 맡게 되면서, 확인 절차가 전문가 영역에서 창업자 스스로의 영역으로 이동했습니다.

515만 페이지가 AI를 통해 열린 것은 입지 분석 재료의 확장입니다. 그 재료를 제대로 읽는 법은 재료가 많아진다고 따라오지 않습니다. 첫 번째 답을 추가 질문 없이 그대로 입지 결정에 쓰면, 접근이 쉬워진 만큼 오판도 빠르게 쌓입니다.