“부모님과 조용하게 머물기 좋은 서울 호텔을 추천해줘.” 고객이 생성형 AI에 이같이 질문하면 AI는 조건에 맞는 호텔 몇 곳을 추려낸 뒤 객실 분위기와
접근성, 조식, 직원 서비스 등을 추천 이유로 제시한다. 과거에는 고객이 검색 결과에 등장한 여러 호텔을 직접 비교했다면, 이제는 AI가 먼저 선택지를 좁히고 각 호텔이 고객에게 적합한 이
유까지 설명하는 것이다. 호텔에도 새로운 과제가 생겼다. 검색 결과에 노출되는 것을 넘어 AI의 추천 목록에 포함돼야 고객에게 발견될 가능성이 커졌다. 이를 위해서는 공식 홈페이지와 Google, OTA, 고객 리뷰
등에 흩어진 정보를 정비해 AI가 호텔을 정확하게 이해하도록 만들어야 한다. 그러나 AI에게 추천받는 것만으로 준비가 끝나는 것은 아니다. AI가 ‘부모님과 머물기 좋은 호
텔ʼ, ‘조용하게 쉬기 좋은 호텔ʼ이라고 설명하면 고객은 그 이유를 믿고 호텔을 선택한다. 추천 이유가 곧 실제 투숙에서 확인하려는 기대가 생성되는 셈이다. 그렇다면 호텔은 AI가 우리 호텔을 어떻게 이해하고 있는지 알고 있을까. AI가 전달한 설명과 실제 호텔의 모습이 일치하는지도 확인하고 있을까. AI가 호텔을 발견하고 추천하는 과정부터,
그 추천을 믿고 찾아온 고객의 기대를 실제 경험으로 이어가기 위해서는 어떠한 준비가 필요할까? AI가 호텔을 이해하고 추천하는 과정과 그 과정에서 형성된 고객의 기대를 살펴보고, 이를 실제
투숙 경험으로 이어가기 위해 호텔이 점검해야 할 정보와 서비스의 조건을 짚어본다. AI, 호텔의 설명과 고객의 경험을 함께 읽어 이 과장은 AI를 ‘여행 경험이 많은 컨시어지 직원ʼ에 비유한다. 고객이 ‘부모님과 조용하게 머물기 좋은 서울 호텔ʼ을 요청하면 AI는 ‘부모님과 함께 간다ʼ는 말에서 이동 편의성과 편안함을, ‘조용하게 머물고 싶다ʼ는 말에서 객실 환경과 호텔 분위기를 주요 조건으로 파악한다. 이후 공식 홈페이지와 Google, OTA, 고객 리뷰와 기사 등에서 조건에 맞는 근거를 찾는다. 호텔이 공식 홈페이지에서 ‘조용한 휴식ʼ을 강조하더라도 고객 리뷰에 소음에 관한 불만이 반복 된다면 AI가 이를 확실한 장점으로 받아들이기 어렵다. 반대로 공식 홈페이지와 고객 리뷰, 기사 등 여러 곳에서 유사한 평가가 반복되면 해당 내용은 AI가 호텔을 이해하고 추천하는 근거가 될 수 있다. 이 과정에서 호텔의 강점을 구체적으로 설명하지 않는 콘텐츠는 한계를 드러낸다. ‘도심 속 휴식ʼ, ‘품격 있는 여행ʼ, ‘특별한 경험ʼ과 같은 표현은 분위기를 전달할 수 있지만 고객과 AI가 왜 그런 경험을 할 수 있는지 판단할 근거는 부족하다. ‘도심 속 휴식ʼ을 강조한다면 객실이 조용한지, 한강이나 공원이 보이는지, 수영장과 스파가 있는지 등 이를 뒷받침하는 설명이 필요하다. 이 과장은 “호텔은 강점을 많이 가지고 있으면서도 구체적으로 설명하지 않는 경우가 많다.”며 “AI는 ‘도심 속 휴식ʼ이는 표현 자체보다 실내 수영장과 투숙객 전용 라운지, 객실 욕조, 전망 등 그 이유를 찾는다.”고 말했다. 덧붙여 “AI는 설명된 만큼 이해하고, 이해한 만큼 추천한
다.”고 강조했다. 정보의 구체성만큼 중요한 것은 채널 간 일관성이다. 공식 홈페이지와 Google, OTA 등에 서로 다른 내용이 남아 있다면 AI도 어느 정보가 현재 기준인지 판단하기 어렵다. 이 과장은 “AI 입장에서 가장 어려운 상황 중 하나가 서로 다른 정보가 동시에 존재하는 경우”라고 지적했다. 실제로 리뉴얼 이후 홈페이지의 객실 사진은 바뀌었지만 OTA에는 이전 사진이 남아 있거나, 종료된 프로그램이 블로그와 여행 사이트에 서 계속 소개되는 경우가 있다. 따라서 호텔명과 주소, 체크인 시간, 수영장 운영 여부 등 기본정보부터 채널별로 비교하고 변경 사항이 제때 반영됐는지 주기적으로 점검할 필요가 있다.

추천 이유가 고객의 기대가 될 때
AI는 호텔명과 가격만 제시하지 않는다. 여러 정보와 리뷰를 바탕으로 ‘가족여행에 적합하다ʼ, ‘조용하게 머물기 좋다ʼ는 추천 이유를 함께 설명한다. 가격이나 객실 형태처럼 단순한 조건은 OTA에서도 확인할 수 있지만 가족여행 적합성이나 객실 분위기는 고객이 여러 후기를 직접 읽어야 판단할 수 있는 영역이다. AI는 이 과정을 대신해 고객의 조건에 맞는 호텔과 그 이유를
제시한다. 현재는 고객이 예약 페이지에서 가격과 객실, 이용 조건을 직접 확인하기 때문에 AI의 잘못된 안내가 프런트에서 바로 문제로 드러날 가능성은 상대적으로 낮다. 대신 예약정보만으로 확인하기 어려운 시설과 서비스에 대한 기대는 실제 이용 과정에서 어긋날 수 있다. 조 팀장은 이를 “수영장이 한적하다는 설명을 듣고 방문했지만 실제로는 이용객이 많았던 경우”에 비유하며, 고객이 현장에서 AI가 설명한 모습과 실제 경험의 차이를 체감할 수 있다고 설명했다. AI가 사실과 다른 정보를 제공하는 원인이 모두 AI에만 있는 것도 아니다. AI가 설명하는 호텔의 이미지는 호텔이 공개한 정보와 실제 고객이 남긴 리뷰를 토대로 형성된다. 조식과 주차, 이용요금이 변경됐는데도 외부 채널에 이전 정보가 남아 있다면 AI 역시 잘못된 내용을 바탕으로 답변할 수밖에 없다. 호텔은 리뷰와 고객 반응을 통해 자사가 외부에서 어떤 이미지로 인식되는지 어느 정도 확인할수 있다. 그런데도 이에 맞는 서비스를 준비하지 않거나 실제 운영과 다른 정보를 그대로 방치했다면 “추천과 경험의 차이를 모두 AI의 문제로만 돌릴 수는 없다.”는 것이 조 팀장의 진단이다. 추천과 경험의 차이는 다시 온라인 정보에 영향을 준다. AI의 추천을 믿고 방문한 고객이 비슷한 경험을 했다면 긍정적인 리뷰가 쌓일 수 있지만, 기대와 다른 경험이 반복되면 그 역시 다음 고객에게 호텔을 설명하는 근거가 된다. 호텔의 정보가 AI의 추천을 만들고, 추천이 고객의 기대를 형성하며, 실제 경험이 리뷰를 거쳐 다시 다음 추천으로 이어지는 구조다. 사실정보의 오류는 채널별 정보를 실제 운영 내용과 일치시킴으로써 줄일 수 있다. 반면 고객의성향과 이용 시점, 현장 상황에 따라 달라지는 경험의 차이는 완전히 없애기 어렵다. 호텔에 정보 정비뿐 아니라 기대가 어긋났을 때 이를 조정하고 회복할 현장 대응 기준이 필요한 이유다.

이주은 기자