반품이 미국 소매에 8,490억 달러를 안깁니다. 패션을 고치려는 AI 대부분은 엉뚱한 문제를 풀고 있습니다.
몇 년 전 저는 아주 훌륭하게 작동하는 신체 측정 데모를 가지고 있었습니다. 쇼핑객이 벽에 기대어 서서 휴대폰으로 사진 두 장을 찍으면, 몇 초 후 우리는 1~2센티미터 이내로 정확한 수십 개의 신체 치수를 돌려주었습니다. 좋은 조명과 빈 벽을 배경으로 한 우리 사무실에서는 그 정확도가 섬뜩할 정도였습니다. 저는 숫자들이 돌아오는 것을 보며 '됐다'고 생각했던 기억이 납니다.
그런 다음 우리는 그것을 실제 침실에서 돌려봤습니다. 어수선한 배경, 한쪽에 놓인 램프, 헐렁한 후드티를 입은 쇼핑객, 긴 하루 끝에 지친 각도로 든 휴대폰. 실험실에서 1~2센티미터를 기록했던 바로 그 파이프라인이 실제 환경에서는 3~5센티미터로 벌어졌습니다. 사이징 시스템에서 그 격차는 승부의 전부입니다. 허리에서의 3센티미터는 맞는 사이즈와 반품되는 사이즈의 차이입니다.
그 달은 — 데모 수준의 정확도가 실제 고객과 접촉하자마자 무너지는 것을 지켜보면서 — 제가 패션 반품에 대한 그 어떤 단 하나의 마법 같은 해결책도 믿지 않게 된 시점입니다. 그것은 이 에세이 전체가 다루는 바로 그것을 제게 가르쳐 주었습니다: 핏 문제는 시각적인 것이 아니라 기계적인 것이며, 단 하나의 해결책을 가지고 있지 않다는 것입니다.그것은 또한 우리가 지금 Veriprajna에서 구축하고 있는 AI 핏 예측 시스템의 전제이기도 합니다.
리테일에서 가장 값비싼 숫자
모든 이커머스 운영자를 밤잠 못 이루게 해야 할 숫자에서 시작해 봅시다: 미국 소매 반품 총액은 2025년 8,499억 달러에 달했습니다 (전미소매협회). 패션은 큰 차이로 최악의 카테고리입니다 — 의류 반품률은 26~40퍼센트로, 약 20.8퍼센트인 이커머스 평균을 크게 웃돕니다.
그리고 그것은 거의 전부 동일한 실패입니다. 사이징, 핏, 색상이 전체 반품의 약 45퍼센트를 유발하며, 특히 의류에 한정하면 반품의 53~70퍼센트가 핏과 관련되어 있습니다.온라인 패션 쇼핑객의 70퍼센트는 무언가를 직접 입어볼 수 없다는 점이 구매 전 가장 큰 걱정거리라고 말합니다. 그들이 걱정하는 것은 당연합니다.
패션 이커머스는 마케팅, 물류, 사기를 모두 합친 것보다 반품으로 더 많은 돈을 잃습니다. 근본 원인은 거의 결코 고객의 실수가 아닙니다. 그것은 의류가 몸에 맞지 않았다는 것입니다.
자세히 들여다볼수록 경제성은 더 나빠집니다. 반품 한 건을 처리하는 데는 10달러에서 65달러가 들며, 어떤 경우에는 상품 원가의 최대 65퍼센트까지 소모합니다. 그래서 브랜드는 40달러짜리 상의를 "판매"하고, 발송 배송비를 떠안고, 반품 배송비를 떠안고, 검수와 재포장 비용을 떠안은 끝에, 매출로 계상했던 거래에서 오히려 손실을 보게 됩니다. 반품 사기만으로도 그 모든 것에 더해 소매업체에 연간 1,000억 달러 이상의 비용을 안깁니다.
제가 대화하는 대부분의 팀은 이것을 사이즈 차트로, 그리고 최근에는 세련된 가상 착용으로 해결하려 합니다. 저는 그 두 가지 모두가 왜 잘못된 표적을 겨냥하고 있는지 말씀드리겠습니다.
사이즈 차트는 왜 이 문제를 결코 해결할 수 없었을까?
사이즈 차트는 네 개의 일차원 숫자 — 가슴둘레, 허리둘레, 엉덩이둘레, 인심 — 에게 삼차원 표면을 설명하라고 요구합니다. 그것이 근본적인 죄악입니다. 그것은 결코 충분한 정보가 될 수 없었습니다.
업계에 표준화된 그레이딩 체계가 없기 때문에 상황은 더 나빠집니다. 한 브랜드의 "미디엄"은 다른 브랜드의 "미디엄"과 완전히 다른 신체 지오메트리에 대응합니다. 저는 그 데이터를 봤습니다: 여성복 사이즈 6의 허리둘레는 최대 5인치까지 브랜드에 따라 차이가 날 수 있습니다. 쇼핑객의 91퍼센트는 어떤 브랜드를 구매하느냐에 따라 다른 사이즈가 필요합니다. 배니티 사이징은 이를 의도적으로 더 악화시킵니다 — 브랜드들은 사람들을 돋보이게 하려고 라벨을 슬그머니 바꾸는데, 이는 브랜드 간 비교가 본질적으로 무의미하다는 것을 뜻합니다.
그래서 쇼핑객들은 유일하게 합리적인 행동을 합니다. 그들은 여러 사이즈를 한꺼번에 주문하는 '브래킷팅'을 합니다. 온라인 쇼핑객의 63퍼센트는 이제 하나만 남기고 나머지는 모두 반품할 의도로 같은 상품을 여러 사이즈로 주문합니다 — 그리고 Gen Z 사이에서는 51퍼센트입니다. 사이징에 대한 불확실성만으로도 그 행동의 약 42퍼센트가 유발됩니다.
브래킷팅은 소매업체에게 조용한 재앙입니다. 그것은 발송 배송을 두 배로 늘리고, 반품 주기 동안 재고를 묶어 두며, 발송한 물량의 최소 절반이 곧장 되돌아오는 것을 보장합니다. 고객이 까다롭게 구는 것이 아닙니다. 그들은 여러분의 사이즈 차트를 신뢰할 수 없다고 정확히 결론 내렸고, 그래서 여러분의 비용으로 자신의 거실을 피팅룸으로 바꿔 버린 것입니다.
내가 빠질 뻔한 함정
우리의 측정 파이프라인이 휘청거린 뒤, 제가 계속 들었던 조언은 "그냥 가상 착용을 붙여라"의 어떤 변형이었습니다. 생성형 AI는 그것을 저렴하고 화려하게 만들어 놓았습니다 — Google은 미국, 영국, 인도 전역에 Shopping 가상 착용을 출시했고, Zalando는 열네 개 유럽 시장에서 Levi's와 함께 파일럿을 시작했습니다. 이 시스템들이 만들어내는 이미지는 정말로 아름답습니다. 한동안 저는 아름다운 이미지가 답이라고 믿고 싶은 유혹을 느꼈습니다.
그렇지 않으며, 그 이유를 이해하는 것이 이 사업 전체의 관건입니다.
생성형 가상 착용은 통계적으로 그럴듯한 픽셀을 예측하는 방식으로 작동합니다 — 그것은 여러분의 몸에 걸친 의류의 사진처럼 사실적인 그림을 그려냅니다. 그러나 그것은 자신이 사이즈 M을 보여주는지 사이즈 L을 보여주는지 전혀 알지 못합니다. 그것은 엉덩이가 원단의 신축 한계에 비해 2센티미터 너무 좁다는 것을 여러분에게 알려줄 수 없습니다. 확산 모델은 자신이 사방으로 늘어나는 폰테를 드레이핑하는지, 아니면 신축성이 전혀 없는 14온스 생지 셀비지 데님을 드레이핑하는지 알지 못합니다. 그것은 측정이 아니라 렌더링입니다.
가상 착용은 그 추측을 설득력 있어 보이게 만듭니다. 그것이 추측을 정확하게 만들지는 않습니다.
그리고 데이터는 이를 불편할 정도로 뒷받침합니다. 생성형 가상 착용은 전환율과 참여도를 명백히 끌어올립니다 — 사람들은 그것을 가지고 노는 것을 좋아합니다. 그러나 GenAI만으로 구현한 가상 착용이 실제로 핏 관련 반품을 줄인다는 발표된 증거는 없습니다. 더 나쁜 것은, 이러한 모델이 날씬해 보이게 하는 편향을 지니고 있다는 점입니다: 이들은 의류를 현실보다 더 돋보이게 렌더링하는 경향이 있으며, 이는 키울 수 있는 것이 바로 기대와 실제로 도착하는 상자 사이의 간극입니다. 여러분은 전환율을 높이는 동시에 반품률도 높일 수 있습니다. 저는 여러 팀이 첫 번째 숫자를 자축하면서 그것을 결코 두 번째 숫자와 연결 짓지 않는 모습을 지켜봤습니다.
모든 것을 설명해 주는 청바지 한 벌
마침내 제게 이것을 명확히 해준 사례로 구체적으로 설명해 보겠습니다 — 데님, 즉 전체 의류에서 반품률이 가장 높은 카테고리로, 20~25퍼센트에 이릅니다.
프리미엄 청바지를 구매하는 쇼핑객을 상상해 보세요. 그녀는 허리둘레를 재고, 71센티미터로 사이즈 차트에 완벽하게 들어맞아 사이즈 28을 주문합니다. 청바지가 도착합니다. 허리는 약속된 그대로 딱 맞습니다. 그러나 그녀가 앉는 순간 허벅지가 조이는데, 14온스 생지 데님은 신축성이 전혀 없고 사이즈 차트에는 애초에 허벅지 치수가 전혀 없었기 때문입니다. 한편 생성형 가상 착용은 그녀에게 가만히 서 있을 때 멋져 보이는 청바지의 돋보이는 이미지를 보여주었습니다.
어느 도구도 실제 물리를 포착하지 못했습니다: 이 원단의 인장 강성은 서 있을 때의 엉덩이 지오메트리와 앉아 있을 때의 엉덩이 지오메트리 사이의 차이를 메울 수 없다는 것을 의미합니다. 원단은 애초에 그 싸움에서 질 수밖에 없었고, 아무리 사진을 잘 찍어도 그녀에게 경고해 주지 못했을 것입니다.
이것이 제가 기계적이라고 말할 때 의미하는 바입니다. 물리 기반 접근법은 의류를 하나의 물질적 객체로 시뮬레이션합니다. 그것은 원단의 굽힘 강성 — 어떻게 드레이핑되는지 —, 인장 강성 — 어떻게 늘어나는지 —, 그리고 전단 거동 — 어떻게 곡면에 맞춰지는지 — 을 압니다. 그것은 디지털 패턴을 3D 신체 메시 위에 드레이핑하고 모든 지점에서의 변형을 계산합니다. 허벅지의 높은 변형은 단 한 벌이 출하되기도 전에 메시 위의 붉은 영역으로 나타납니다. 그것은 다른 쇼핑객들이 경험한 것에 기반한 추측이 아닙니다. 그것은 실제 원단과 실제 신체에 대한 계산입니다.
나중에 반품 사유 코드가 "허벅지가 너무 꽉 낌"이라고 말하게 될 바로 그 지점에서 붉게 빛나는 변형 히트맵을 응시해 본 적이 있다면, 여러분은 핏을 추천의 문제로 생각하기를 멈추고 그것을 공학의 문제로 생각하기 시작하게 됩니다.
그렇다면 왜 모두가 그냥 시뮬레이션하지 않을까?
물리 시뮬레이션은 비용이 많이 들고, 설정이 느리며, 투입할 입력값을 갖추고 있어야만 성과를 내기 때문입니다. 이것은 벤더들이 얼버무리고 넘어가는 부분이자, 여러분이 실제 돈을 쓸 때 가장 중요한 부분입니다.
솔직히 말하면, 핏 기술에는 네 가지 서로 다른 계열이 있으며, 그중 어느 것도 "정답"이 아닌 이유는 각각이 문제의 서로 다른 조각을 해결하기 때문입니다.
배포하기에 가장 저렴한 것은 통계적 사이즈 추천입니다 — True Fit, Bold Metrics, Fit Analytics. 이들은 구매 이력, 반품 데이터, 그리고 거대한 브랜드 네트워크 전반의 협업 필터링을 사용해 쇼핑객을 사이즈에 매칭합니다. True Fit 하나만 해도 6,160억 달러의 거래와 91,000개 이상의 브랜드에 걸친 20년치 데이터를 활용하며, 2026년 3월에는 자사의 핏 인텔리전스를 AI 어시스턴트에 노출하는 에이전틱 쇼핑 에이전트를 출시했습니다. Bold Metrics는 Gap과 에이전틱 사이징 프로토콜에서 협력했고 반품이 약 34퍼센트 감소했다고 주장합니다. 절충점은 이들이 블랙박스라는 것입니다: 이들은 여러분에게 어떤 사이즈인지는 알려주지만, 결코 왜인지는 알려주지 않으며, 아직 행동 데이터가 없는 완전히 새로운 제품에서는 고전합니다.
제가 개인적으로 몸담았던 계열은 사진 기반 신체 측정이었습니다. 3DLOOK의 YourFit은 한두 장의 스마트폰 사진에서 86개의 측정 지점을 추출합니다; 한 수영복 브랜드와의 6개월 연구에서 그것은 반품률을 47퍼센트 낮추고 브래킷팅 관련 반품을 2퍼센트로 줄였다고 보고했습니다. 그러나 절충점은 정확히 저를 물었던 바로 그것입니다 — 통제된 조건을 벗어나면 정확도가 떨어지고, 쇼핑객에게 수고를 요구하며, 기반이 되는 신체 모델은 "평균적" 체형 쪽으로 치우쳐 있습니다. 그리고 프라이버시 문제가 있는데, 이는 뒤에서 다시 다루겠습니다.
생성형 가상 착용은 세 번째 계열입니다 — 앞서 말한 모든 이유로, 아름답고, 전환율에는 긍정적이지만, 핏에는 눈이 멀어 있습니다.
원단에 대해 실제로 추론하는 유일한 계열은 물리 기반 시뮬레이션입니다: CLO3D(860개 이상의 기업이 사용), Style3D, 그리고 3D 신체 메시 위에서 유한요소 직물 시뮬레이션을 실행하는 신규 진입자들. 3D 아바타와 완전한 원단 드레이핑을 결합한 Perfitly는 파트너 브랜드의 반품을 28퍼센트에서 약 10퍼센트로 끌어내렸다고 보고했습니다. 함정은 이미 디지털화된 패턴과 원단 데이터를 갖추고 있어야만 작동한다는 것이어서, 성숙한 3D 디자인 워크플로를 갖춘 브랜드에게 주로 현실적입니다.
최고의 핏 기술이란 없습니다. 오직 여러분의 SKU 수, 데이터 성숙도, 그리고 반품의 구체적인 양상에 맞는 올바른 기술이 있을 뿐입니다.
5만 개 SKU 규모의 패스트패션 카탈로그를 보유하고 3D 패턴이 없는 브랜드는 물리 시뮬레이션을 구매해서는 안 됩니다; 통계적 추천이 더 빠르고 저렴하게 성과를 낼 것입니다. 디지털화된 패턴과 심각한 허벅지 핏 문제를 안고 있는 프리미엄 데님 브랜드는 돈을 테이블 위에 그냥 남겨두는 셈입니다 — 만약 안 시뮬레이션한다면 말이죠. 실수는 이것들을 서로 다른 경제성을 위한 서로 다른 도구가 아니라 경쟁자로 취급하는 것입니다.
우리 회사 변호사가 폐기시킨 기능
아무도 이 부분을 영업 자료에 넣지 않습니다. 우리가 신체 스캔 기능을 출시할 준비가 된 날, 그것은 제가 충분히 심각하게 받아들이지 않았던 벽에 부딪혔습니다: 바로 생체 정보 프라이버시 법입니다.
GDPR 하에서 3D 신체 스캔은 "특별 범주"의 생체 정보 데이터입니다 — 존재하는 것 중 가장 강력하게 보호되는 등급입니다. 일리노이주에서는 BIPA가 바로 이런 종류의 데이터를 수집, 저장, 공유하는 것에 대해 실질적인 처벌력을 갖춘 엄격한 규칙을 부과하며, 더 많은 미국 주들이 매년 유사한 법을 확대하고 있습니다. 저는 우리가 작동 방식을 재설계하기 전까지, 나라의 상당 부분에서 우리의 가장 인상적인 기능을 사실상 차단하는 동의 절차 화면이 올라가는 것을 지켜봤습니다.
그 재설계는 버그가 아니라 오히려 기능으로 드러났습니다. 답은 온디바이스 처리입니다 — 측정 연산을 쇼핑객의 휴대폰에서 수행하고 원본 스캔이 절대 그 기기를 벗어나지 않게 하는 것입니다. 이것은 이제 프라이버시 우선 표준으로 부상하고 있으며, 마침 쇼핑객이 실제로 도구를 사용할 만큼 편안하게 느끼게 해주는 요소이기도 합니다. 그러나 여러분은 처음부터 그것을 염두에 두고 설계해야 합니다. BIPA를 고려하지 않고 패션 사이트에 신체 스캐너를 붙이면, 여러분은 핏 도구를 만든 것이 아닙니다; 여러분은 착용 버튼이 달린 집단 소송을 만든 것입니다.
AI 핏 예측은 실재인가, 아니면 그저 과장인가?
사람들은 제게 이것을 끊임없이 묻는데, 정직한 대답은 이렇습니다: 그 기반이 되는 시장은 실재하며 빠르게 성장하고 있습니다 — 사이즈·핏 예측 부문은 2024년 약 10억 5천만 달러에서 2029년 약 29억 5천만 달러로 대략 세 배가 될 것으로 전망됩니다 — 그러나 대부분의 배포 사례는 과장인데, 문제를 이해하기도 전에 기술을 고르기 때문입니다.
그래서 우리는 단 하나의 제품을 팔지 않습니다. 우리는 브랜드 자신의 반품 데이터에서 시작해, 실제로 어떤 실패가 그들에게 돈을 잃게 하는지를 묻습니다 — 잘못 선택된 사이즈인지, 아니면 잘못된 핏 기대치인지. 그런 다음 우리는 접근법을 경제성에 맞춥니다: 고SKU 카탈로그에는 통계적 추천을, 핏에 민감한 카테고리에는 사진 기반 측정 파이프라인을, 그리고 3D 디자인 성숙도가 뒷받침할 수 있는 브랜드에는 물리 기반 시뮬레이션을 — 벤더 중립적이고, 프라이버시를 준수하며, 그들의 데이터에 담긴 구체적인 반품 패턴을 중심으로 구축합니다. 그것이 바로 우리가 구축한 것의 전체 철학이며, 그것은 만능 해결책이 무너지는 것을 지켜보며 제가 보낸 그 한 달에서 직접 비롯됩니다.
제가 받는 또 다른 질문은 이 모든 것이 통합 비용만큼의 가치가 있느냐는 것입니다. 저는 실제 결과 수치가 나오는 것을 지켜보기 시작하기 전까지는 그 질문을 두려워하곤 했습니다: 잘 구축된 AI 사이징에 참여하는 쇼핑객은 의미 있게 더 높은 비율로 전환되며, 첫해에 25~50퍼센트의 반품 감소를 달성할 수 있습니다. 규제라는 순풍도 있습니다 — EU는 팔리지 않은 재고의 폐기를 금지하는 방향으로 움직이고 있고, 역물류는 이미 연간 수십만 톤의 CO2를 배출하고 있습니다. 여러분이 막아내는 모든 반품은 여러분이 지키는 돈이자, 탄소이자, 재고입니다.
그 데모가 제게 가르쳐 준 교훈은 이제 수년째 유효합니다. 돋보이는 사진은 의류를 팔아줄 것입니다. 오직 물리학만이 — 또는 정직하게 적용된 올바른 데이터만이 — 그것이 팔린 상태로 유지되도록 보장해 줄 것입니다. 패션은 애초에 측정으로 해결될 수밖에 없었던 문제를 사진으로 벗어나려 애쓰며 10년을 보냈습니다.
