월마트는 AI로 무엇을 바꾸고 있나

들어가며

결론부터: 월마트 AI 전략의 핵심은 AI 자체가 아니라 AI를 매장, 재고, 배송이라는 실행 기반에 연결하는 것이다. CEO 존 퍼너(John Furner)는 2026년 2월 실적 발표에서 이렇게 말했다.

When Sparky builds a basket, we execute it through fast delivery, pickup, or in-store, turning AI engagement into immediate physical outcomes.

AI 비서가 장바구니를 채우면, 월마트는 그걸 빠른 배송이나 픽업, 매장으로 실제 물건이 오가는 결과로 바꾼다. 경쟁자도 똑같은 AI 모델을 쓸 수 있지만, 미국에만 매장 4,600여 개(2026년 1월 기준)와 물류망을 가진 회사는 많지 않다.

이 글은 2026년 10월에 월마트 공식 뉴스룸과 기술 블로그 18건, 실적 발표 트랜스크립트와 연례 보고서 등 IR 자료 20건, 그리고 최근 언론 보도를 읽고 정리한 것이다. 수치는 모두 원문에 있는 것만 옮겼다. 참고로 월마트의 회계연도는 2월에 시작한다. FY27은 2026년 2월부터 2027년 1월까지다.

슈퍼 에이전트 4개로 정리한 AI 전략

2025년 7월 월마트는 AI 전략을 “슈퍼 에이전트” 4개로 정리했다(Walmart Global Tech). 팀마다 에이전트를 따로 만들다 보면 수십 개가 난립해 오히려 헷갈리니, 사용자 유형별로 입구를 하나씩만 두고 그 아래에 전문 에이전트를 붙이는 구조다.

슈퍼 에이전트	사용자	하는 일
Sparky	고객	상품 검색, 리뷰 요약, 비교, 추천. 앞으로 자동 재주문과 서비스 예약까지
직원용 에이전트	매장·사무 직원	근무 스케줄, 업무 지시, 번역, 복리후생 안내, 매출 데이터 조회
Marty	공급사·셀러·광고주	광고 캠페인 설정, 입찰·키워드 질의응답, 광고 소재 생성
개발자 에이전트	사내 개발자	테스트 생성, 오류 해결, 배포 환경 설정

같은 시기 월마트는 AI를 총괄하는 임원을 CEO 직속으로 두었다. 모든 AI 도구는 사내 머신러닝 플랫폼 Element 위에서 돌아가고, 2024년에는 수십 년치 월마트 데이터로 학습한 리테일 특화 LLM 시리즈 ‘Wallaby’도 발표했다. 모델은 외부 것도 함께 쓴다. 2025년 10월에는 OpenAI와 제휴해 사내에 ChatGPT Enterprise를 배포했다.

여기서 눈여겨볼 대목이 있다. CFO 존 데이비드 레이니(John David Rainey)는 2026년 2월 투자자 콜에서 이렇게 말했다.

The AI arms race—or infrastructure race—is not where we have a competitive advantage.

월마트는 모델이나 AI 인프라 경쟁에 뛰어들지 않는다. 그건 빅테크의 게임이고, 월마트의 게임은 그 위에서 무엇을 실행하느냐다.

고객 접점: Sparky와 열린 전략

Sparky는 2025년 6월 월마트 앱에 들어간 생성형 AI 쇼핑 어시스턴트다(월마트 뉴스룸). 예를 들어 “캠핑 갈 때 필요한 것”처럼 물으면 상품을 찾아 비교해 주고, 리뷰를 요약해 준다. 2026년 2월 기준 월마트 앱 사용자의 약 절반이 써 봤다.

더 흥미로운 건 월마트가 자사 앱 밖의 AI에도 상품을 열었다는 점이다.

시기	채널	내용
2025년 10월	ChatGPT	대화 안에서 바로 결제(Instant Checkout)
2026년 1월	Google Gemini	대화 중 월마트 상품 추천, 계정 연동 시 장바구니·멤버십 혜택 적용
2026년 9월	Meta Muse	Meta의 쇼핑 에이전트 파트너로 합류
2026년 10월	PAP	개인용 AI 에이전트 공통 규격의 창립 멤버로 참여

아마존은 반대로 간다. 2026년 9월 아마존은 Meta의 쇼핑 에이전트 Muse가 Amazon.com에서 쇼핑하지 못하게 막았고, 자체 AI 비서 Rufus에 집중한다. 업계 매체 PYMNTS는 이 차이를 이렇게 요약했다. “Walmart is betting on interoperability and ease of integration, while Amazon is prioritizing speed, control and closed ecosystems.” 국내 바이라인네트워크는 월마트를 “외부 에이전트와 손잡되 주문과 배송은 직접 맡는 절충형”으로 분류했다(바이라인네트워크).

이 전략은 AX의 두 가지 뜻에서 다룬 Agent Experience와 정확히 맞닿는다. 고객이 직접 앱을 열지 않고 AI 에이전트에게 쇼핑을 맡기는 시대라면, 그 에이전트가 쓰기 좋은 상점이 되는 편이 낫다는 판단이다. 실제로 데이터 분석 업체 센서타워에 따르면 생성형 AI를 통한 사이트 유입 비중이 월마트는 1.5% 이상, 아마존은 약 0.5%였다.

다만 열었다고 바로 팔리는 건 아니다. 국내 증권사 리포트는 ChatGPT에서 약 20만 개 상품을 살 수 있었지만 기존 장바구니와 멤버십이 연동되지 않아 실적이 예상보다 저조했다고 분석했다. 2026년 1월 Gemini 제휴에는 계정 연동, 기존 장바구니 합치기, 멤버십 혜택 적용이 처음부터 들어갔다. CFO에 따르면 ChatGPT 채널 이용 고객의 약 5명 중 1명이 월마트 신규 고객이었다. 매출보다 새 고객을 데려오는 입구로서 의미가 먼저 보인다.

보이지 않는 곳: 카탈로그·공급망·직원

고객 눈에 띄는 건 Sparky지만, 성과가 더 분명한 건 뒤쪽이다.

상품 카탈로그. 2024년 8월 실적 발표에서 당시 CEO 더그 맥밀런(Doug McMillon)은 여러 LLM으로 카탈로그 데이터 8.5억 건을 만들거나 고쳤다며 이렇게 말했다. “Without the use of generative AI, this work would have required nearly 100 times the current head count.” 색상, 사이즈, 소재 같은 상품 속성을 텍스트와 이미지에서 뽑아내는 LLM과, 그 결과를 검사하는 LLM을 따로 두는 구조다(Walmart Global Tech). Sparky가 상품을 잘 찾으려면 이 데이터가 먼저 깨끗해야 한다.

공급망과 배송. 수요 예측으로 재고를 미리 배치하고, 어느 매장이나 물류센터에서 내보낼지 AI가 고르고, 경로·기사 배정·주문 밀도를 맡은 여러 에이전트가 배송을 조율한다. 일부 고객은 30분 이내 배송을 받는다(Walmart Global Tech). 매장 설비의 디지털 트윈은 냉장 설비 고장을 최대 2주 전에 예측했다. 머천다이저용 에이전트 Wally는 결품이나 과잉 재고의 원인을 찾아 준다.

직원. 2025년 6월 발표에 따르면 AI 업무 관리 도구로 팀 리더의 근무 계획 시간이 90분에서 30분으로 줄었다. 실시간 번역은 44개 언어를 지원하고, 직원용 대화형 AI는 주간 90만 명 이상이 하루 300만 건 넘게 묻는다(월마트 뉴스룸). 2025년 투자자의 날에는 샘스클럽이 AI로 직원 업무 1억 건을 없앴다고 밝혔다. 개발 쪽에서는 2025년 11월 기준 새 코드의 40% 이상을 AI가 생성하거나 보조한다.

인력 규모는 줄이지 않는다는 입장이다. 2025년 9월 월마트는 약 210만 명 규모를 3년간 유지하되 직무 구성은 바뀔 것이라고 밝혔다. 맥밀런은 “AI is going to change literally every job”이라고 했고, 2026년까지 스킬 교육에 약 10억 달러를 투자하고 OpenAI·Google과 함께 직원에게 무료 AI 자격증을 제공한다.

성과는 어디서 보이나

여기서 데이터를 보는 사람이라면 한 번 멈춰야 한다. 월마트는 AI가 매출이나 이익에 얼마를 보탰는지 금액으로 공개하지 않는다. 맥밀런은 2025년 8월 실적 발표에서 솔직하게 말했다. “As it relates to AI, I don’t think it’s lifting our top line sales yet.”

대신 Sparky 수치를 분기마다 내놓는다.

발표	Sparky 관련 수치
2026년 2월 (FY26 4분기)	이용 고객의 평균 주문액이 비이용 고객보다 약 35% 높음
2026년 5월 (FY27 1분기)	주간 활성 이용자가 직전 분기 대비 100% 이상 증가, Sparky 경유 구매 수량 4배 이상
2026년 8월 (FY27 2분기)	이용 고객 수 전년 대비 70% 증가, 이용 고객은 주문당 40% 더 지출

“Sparky를 쓰는 고객이 40% 더 쓴다”는 숫자는 인상적이지만, 이건 상관관계다. 원래 장을 많이 보는 고객일수록 앱을 자주 열고, 그래서 Sparky도 더 써 볼 가능성이 높다. 월마트도 이걸 알고 있다. 공식 자료에 이런 문장이 있다. “Higher average order values do not, on their own, establish that Sparky caused customers to spend more.” 한 데이터 과학자도 “Causality and correlation are different things”라며 인과로 해석하지 말라고 지적했다.

Sparky가 정말 매출을 늘렸는지 알려면 Sparky를 보여준 고객과 보여주지 않은 고객을 무작위로 나눠 비교하는 실험이 필요하다. 그리고 객단가가 올라도 반품이나 고객 만족도가 나빠지지 않았는지 함께 봐야 한다. 이 블로그에서 다룬 A/B 테스트 가드레일 지표가 바로 그 역할이다.

반면 비용 쪽 성과는 숫자가 더 분명하다.

• 이커머스 물량의 50% 이상이 자동화 시설을 거치고, 차세대 물류센터의 단위원가는 수작업 시설보다 20% 이상 낮다(2025년 4월 투자자의 날).
• 자동화 투자의 내부수익률(IRR)은 10%대 후반에서 20%대 초반이다(2025년 11월).
• 2026 회계연도(FY26) 재고 증가율은 2.6%로 매출 증가율의 절반 수준이었고, CFO는 그 요인으로 “tech, AI, and automation”을 꼽았다.

같은 기간 사업 성과도 좋았다. FY26 이커머스 매출은 1,504억 달러로 24% 늘었고, 2025년 5월에는 이커머스가 처음 흑자를 냈다. 광고 매출은 약 64억 달러로 46% 성장했고, 광고와 멤버십을 합치면 영업이익의 약 3분의 1이 됐다. 2026년 8월 발표한 FY27 2분기 매출은 1,879억 달러로 5.9% 늘었다. 다만 이 숫자들 중 AI가 기여한 몫은 공시되지 않았다. 그러니 이렇게 정리하는 게 정확하다. AI는 비용과 운영 효율에서 먼저 성과를 내고 있고, 매출 기여는 아직 “그럴 것 같다”는 단계다.

논란과 리스크

AI를 깊게 쓸수록 새로운 리스크도 생긴다. 2026년 여름과 가을에만 세 가지가 불거졌다.

1. 개인화 가격 우려. 월마트가 매장에 전자가격표를 늘리고 머신러닝 기반 가격 결정과 관련된 특허를 보유한 것이 알려지자, AI로 사람마다 다른 가격을 매기는 것 아니냐는 비판이 나왔다. 퍼너 CEO는 9월 공개 서한에서 소득이나 쇼핑 이력 같은 개인정보로 가격을 정하지 않는다며 “We price the product, not the person”이라고 밝혔고, 10월에는 문제가 된 특허를 쓰지도 갱신하지도 않겠다고 했다(Retail Dive). “매일 최저가(EDLP)“를 내세워 온 회사에게 가격 신뢰는 브랜드 그 자체다.

2. AI 답변의 공정성. 9월에는 미국 상원의원 두 명이 월마트와 아마존의 AI 쇼핑 비서가 미국산 상품을 잘 보여주지 않고 원산지 허위 표기도 걸러내지 않는다는 연구를 근거로 FTC에 조사를 요청했다. 쇼핑을 AI가 대신 골라 주는 순간, 무엇을 먼저 보여주는지가 곧 회사의 책임이 된다.

3. 현장의 부담. Business Insider는 2026년 여름 월마트 직원들이 AI 도구의 오류를 바로잡는 일까지 떠안게 됐다고 보도했다. 예를 들어 주문 상품을 담는 경로를 안내하는 기능이 냉동식품을 쇼핑 초반에 담게 안내했다는 사례다. 블룸버그는 월마트가 직원용 사내 AI 에이전트의 사용량에 상한을 뒀다고 보도했다. AI 비용 관리도 과제라는 뜻이다.

마치며: 우리 회사에 가져올 교훈

월마트 사례에서 규모와 상관없이 가져올 만한 교훈을 다섯 가지로 정리해 본다.

1. AI 경쟁력은 모델이 아니라 실행 기반에서 나온다. 월마트는 모델 경쟁을 하지 않는다고 공개적으로 말한다. 우리 회사만 가진 데이터, 고객 접점, 운영 역량에 AI를 어떻게 연결할지가 먼저다.
2. 에이전트는 난립하기 전에 입구를 정리한다. 사용자 유형별로 슈퍼 에이전트 하나씩만 두는 구조는 작은 조직에도 그대로 쓸 수 있다.
3. 보이지 않는 데이터 정리가 먼저다. 8.5억 건의 카탈로그 정리가 Sparky보다 먼저 있었다. AI 비서가 똑똑해 보이려면 그 뒤의 데이터가 깨끗해야 한다. 데이터 팀의 LLM 활용에서 본 “성패는 정의와 메타데이터가 가른다”는 교훈과 같다.
4. 외부 AI 채널에 열 것인가 막을 것인가를 정한다. 고객이 AI 에이전트를 통해 쇼핑하기 시작하면, 그 에이전트에게 우리 상품을 보여줄지 말지가 전략적 선택이 된다.
5. AI 성과는 인과로 측정하고, 신뢰는 따로 관리한다. “AI 이용자가 더 쓴다”는 숫자에 만족하지 말고 실험으로 확인해야 한다. 그리고 가격과 추천의 공정성처럼 고객 신뢰가 걸린 영역은 성과 지표와 별도로 원칙을 세워 둬야 한다.