AI가 흔드는 여행 검색 경제학

생성형 AI는 여행 업계의 오랜 경제학을 아주 빠르고 잔인하게 망가뜨리고 있습니다. ‘AI 에이전트’의 역습과 붕괴하는 레거시 시스템에 관한 이야기를 해봅니다.

AI 스크래퍼를 든 소비자와 비명 지르는 GDS

최근 한 여행사 에이전트가 단 하나의 비행편을 찾기 위해 무려 90만 번에 가까운 검색을 수행했다는 기록이 업계의 화두로 떠올랐습니다. 과거 고정된 화면에서 날짜를 바꾸며 세네 번 검색하던 인간의 행동 패턴은 끝났습니다.

I got Claude Code to analyse 881,076 flight options to find the best option for me in a single prompt. Here's how. Once I decided on an airline (their fares are generally cheaper), the next problem… | Kiruba Shankar E. | 19 comments

I got Claude Code to analyse 881,076 flight options to find the best option for me in a single prompt. Here’s how. Once I decided on an airline (their fares are generally cheaper), the next problem was finding the right dates - not just a cheap flight, but a genuinely good deal across a whole month of options. The problem with airline websites: → No flexible date shopping at scale - each search gives you one departure/return pair, one cabin, one stopover variant. Comparing a month of options across 4 routes means hundreds of manual searches. → A cheap advertised price often hides a brutal 14-hour layover + other paid must haves buried behind three upsell screens. So I used Claude Code to reverse-engineer it: - Asked Claude to monitor the network tab and map out how the airline’s own API works - headers, parameters, the lot - Had Claude replicate the API calls on CLI with my own date/route combinations - Claude wrote the script, tested it, fixed it, and kept going until every single combination was covered - Delivered all results in a clean, filterable list — with an option to auto-refresh for fare changes Interestingly I also found that choosing a ‘free stop over’ means your flight fares are much-much higher. Sneaky buggers!! 881,076 options. One prompt. Zero manual searches. (hashtag) Living the age of LLMs. | 19 comments on LinkedIn

LinkedInKiruba Shankar E.

처음 이 사건이 알려졌을 때는 아주 흥미로운 작은 에피소드라고 생각했습니다. 하지만 문제는 이 ‘조회 비용’을 누가 감당하느냐입니다.

당연히 소비자는 AI 서비스 토큰을 자신이 생각한 것보다 더 빠른 속도로 불태우면서 검색을 수행합니다. 하지만 이 비용은 그렇게 큰 규모가 아닙니다.

기존의 온라인 여행사(OTA)와 GDS의 계약 모델은 사용자가 보통 3번에서 10번 내외의 조합을 검색한 뒤 최소 한 건의 예약을 진행한다는 전제 아래 설계되었습니다. 예약 수수료로 건당 2달러에서 10달러 수준의 인프라 비용을 상쇄하는 구조였죠. (최근에는 AWS, 구글 클라우드 등을 쓰면서 정말로 인프라 비용을 USD로 지불하고 있습니다.) 하지만 AI가 수천, 수만 번씩 홈페이지에서 가격을 검색하기 시작하면 전환율(Conversion) 없는 트래픽의 폭증을 불러오게 됩니다. 여행사는 GDS에 수많은 요금 요청 API를 호출하게 되고 이는 기존의 GDS와의 계약 모델로 구성된 생태계가 처참하게 무너지는 것을 의미합니다. 끝없이 쏟아지는 전환 없는 검색은 OTA와 GDS에게 비용 재앙, 플랫폼 비즈니스의 재앙일 뿐입니다.

이 사건은 현재 여행 업계가 직면한 '생성형 AI 에이전트의 탐색 패턴'과 '25년 된 레거시 GDS 인프라' 간의 자본적 충돌을 보여주는 가장 상징적인 스캔들이 되었습니다. 단 한 명의 유저가 던진 가벼운 질문이나 스크래퍼 구동 클릭 한번 만으로도 여행 플랫폼의 유닛 이코노믹스가 순식간에 마비될 수 있다는 강력한 경고등이 켜진 셈입니다. 이제는 일반인도 주말 사이 뚝딱 만든 AI 가격 검색기, 스크래퍼를 통해 다양한 서비스에서 가격 추이를 실시간으로 긁어모으는 시대입니다.

모래성 방어전: 캐싱과 머신러닝의 한계

사태가 이쯤 되자 레거시 테크 기업들도 방어선 구축에 나섰습니다. 아마데우스와 세이버 같은 거대 GDS 기업들은 머신러닝 필터링을 도입해 하루 평균 1억 7,500만 건에 달하는 비생산적인 트래픽을 차단하고 나섰습니다. 이미 조회된 데이터를 저장해 두었다가 보여주는 '캐싱' 기술로 GDS 호출을 최소화하려는 고육책도 쓰고 있죠.

• 아마데우스는 인공지능에 인공지능으로 맞서는 전략을 선택했습니다. 이들은 자체적인 머신러닝(Machine Learning) 필터링 시스템을 전면에 배치했습니다. 실제 예약으로 전환될 가능성이 없는 기계적이고 반복적인 조회, 즉 '비생산적인 트랜잭션(Unproductive Transactions)'을 실시간으로 감지해 내는 방식입니다. 이 AI 필터링을 통해 아마데우스는 하루 평균 무려 1억 7,500만 건에 달하는 방대한 양의 불필요한 검색 트래픽을 걸러내며 서버 과부하와 비용 폭탄을 방어하고 있다고 합니다.
• 세이버는 데이터 조회 요청이 발생할 때마다 매번 메인 GDS 시스템의 API를 호출하는 대신, 캐싱(Caching) 기술을 적극적으로 활용하고 있습니다. AI 에이전트나 유저들이 빈번하게 검색하는 항공권 및 운임 정보를 미리 저장(캐싱)해 두었다가, 유사한 요청이 들어오면 메인 서버를 거치지 않고 곧바로 저장된 데이터를 서빙하는 방식입니다. 이를 통해 메인 시스템이 받는 부하를 줄이고, 건당 발생하는 API 호출 비용을 통제하려는 방어벽을 세우고 있습니다.

하지만 이는 모래성에 밀려오는 쓰나미를 장난감 삽으로 막으려는 임시방편에 불과합니다. 인프라를 근본적으로 개조하지 않은 채 AI 스크래퍼만 차단하겠다는 ‘철벽 수비’는 결국 비즈니스의 고립을 낳을 뿐입니다. 현재의 수많은 트래블 테크 스타트업들이 구시대의 인프라 위에 올라타 현재의 토큰 비용만을 계산해 서비스를 만들고 있는데, 이러한 임시변통 모델은 투자금이 마르는 순간 하룻밤 사이에 무너질 위험이 큽니다. 25년 묵은 기술 부채를 안고 갈 것인가, 아니면 판을 새로 짤 것인가의 기로에 선 셈입니다.

데이터 노이즈: 마케팅 KPI의 종말과 시그널의 왜곡

AI의 무차별적인 ‘묻지마 검색’은 단순히 서버 비용 문제에 그치지 않고, 업계의 나침반 역할을 하던 데이터 마케팅 지표들을 교란하고 있습니다. 그동안 많은 여행 플랫폼과 가격 책정 알고리즘(Dynamic Pricing)은 '검색량의 증가'를 강력한 구매 의향 시그널로 해석해 왔습니다. 그러나 실제 예약 의도가 없는 AI 에이전트의 기계적 탐색이 검색량의 대부분을 차지하게 되면서, 데이터의 순수한 시그널은 사라지고 거대한 노이즈만 남게 되었습니다.

이로 인해 마케팅 부서가 신봉하던 기존의 전환율, 방문자 수 등의 KPI는 완전히 무력화될 위기에 처했습니다. 이제는 얼마나 많은 인간이 우리 사이트를 보았는지가 중요하지 않습니다. '우리 플랫폼이 AI 에이전트의 마음에 들도록 구조화되어 있는가'라는 전혀 다른 기준, 즉 로봇을 만족시키는 전환율의 시대로 강제 진입하고 있는 것입니다.

에이전트 경험(AX)으로의 패러다임 시프트

숙박 관리 전문 기업인 Evolve는 AI를 통해 기술적 부채를 기회로 바꾼 대표적 사례입니다. 이들은 고객 문의의 60%를 AI 에이전트가 처리하도록 하는 '방어(Deflection)' 전략을 성공적으로 안착시켰습니다. 특히 보험 청구나 파손 보상 처리 같은 이른바 "섹시하지 않은(Unsexy)" 업무 영역의 자동화는 운영 효율성을 극대화했습니다.

놀라운 점은 고객의 반응입니다. AI가 상담의 절반 이상을 처리했음에도 불구하고, 커뮤니케이션 만족도 점수(Communication Score)는 유지되거나 오히려 상승했습니다. AI가 단순 반복 문의를 즉각 해결해 주는 동안, 인간 직원은 고도의 판단력과 공감이 필요한 복잡한 문제에만 집중할 수 있었기 때문입니다. 이는 기술 도입이 서비스의 질을 떨어뜨릴 것이라는 편견을 깨는 중요한 지표입니다.

UX에서 AX로: 사용자 경험을 넘어 '에이전트 경험'으로

향후 12~24개월 내에 여행 산업의 중심축은 UX(User Experience)에서 AX(Agent Experience)로 급격히 이동할 것입니다. 이것이 이번 변화의 가장 핵심적인 비즈니스 인사이트입니다. 과거에는 웹사이트를 얼마나 직관적이고 아름답게 디자인하느냐가 승부처였다면, 앞으로는 AI 에이전트가 정보를 얼마나 쉽고 빠르게 추출할 수 있는 데이터 구조를 갖췄느냐가 성패를 가를 것입니다. 이제 기업은 디자인 중심의 사고에서 벗어나, 에이전트가 읽기 편한 '머신러닝 친화적 인프라'를 구축하는 데 우선순위를 두어야 합니다.

당신의 비즈니스는 AI 에이전트를 맞이할 준비가 되었는가?

AI는 단순한 도구가 아니라 여행 산업의 경제 체제 자체를 재편하는 거대한 파도입니다. 수십 년간 쌓여온 기술적 부채(Tech Debt)는 이제 기업의 발목을 잡는 '구조적 닻'이 되어 변화를 가로막고 있습니다. 단순히 AI의 접근을 차단하는 모래성을 쌓을 것인지, 아니면 AI 에이전트가 가장 먼저 추천하는 데이터 인프라를 구축해 파도를 탈 것인지는 경영진의 결단에 달려 있습니다.

이제 비즈니스의 생존 여부는 이 한 가지 질문에 대한 답으로 결정될 것입니다. "당신의 서비스는 AI 에이전트가 고객에게 가장 먼저 추천하고 싶어 할 만큼 'AI 친화적인' 구조를 갖추고 있습니까?"

지금 당장 준비해야 할 것은 명확합니다. 데이터가 AI-legible(AI 가독성)을 가지고 있는지 점검해야 합니다. 데이터 주권을 유지하면서도 AI 에이전트가 가장 먼저 물어다 줄 수 있는 규격화된 인프라를 구축하는 것, 현재로서는 그것만이 비용 폭탄의 시대에 살아남는 유일한 생존 전략입니다.