배달 앱 검색 개선 사례, Meituan의 생성형 검색 실험

빔블 · 공개 2026년 10월 22일 · 최종 갱신 2026-10-21

작성: 빔블 · 최종 갱신: 2026년 10월 21일

중국 음식 배달 플랫폼 Meituan은 LLM 기반 생성형 검색을 기존 검색에 더해 2주 동안 실험했고, 복잡한 검색 의도에서 사용자 1,000명당 주문 수가 0.68% 늘었다고 공개했습니다. 전체 검색어로 보면 증가폭은 0.11%였습니다.

사례 개요

배달 검색은 일반 쇼핑 검색보다 빠르고 정확한 질의 이해가 필요합니다. 사용자는 배달 가능한 곳에서 지금 시킬 음식을 찾기 때문입니다. Meituan은 LLM의 질의 이해 능력을 검색에 쓰는 생성형 검색을 도입했습니다. 이 방식에서는 검색어를 받으면 모델이 상품을 가리키는 식별 코드를 직접 만들어 냅니다. 논문은 이 방식이 복잡한 검색어와 드물게 쓰이는 검색어에서 기존 검색을 보완할 수 있다고 봅니다(1).

생성형 검색이 하는 일

기존 검색은 검색어와 상품 정보의 단어나 의미가 얼마나 가까운지를 계산해 순서를 매깁니다. 생성형 검색은 질의를 이해한 모델이 상품을 가리키는 코드를 한 부분씩 써 내려가는 방식입니다. 그래서 "운동할 때 뭘 먹을까"처럼 단어가 상품 이름과 겹치지 않는 질문도 다룰 수 있습니다. 논문이 복잡한 의도의 예로 든 것도 이런 자연어 질문입니다(1).

도입을 막는 세 가지 문제

논문이 꼽은 어려움은 세 가지입니다. 취급하는 상품이 매우 많고, 온라인 검색에서 LLM이 답을 내는 속도가 요구 조건에 못 미치며, 배달 서비스라서 사용자 위치에서 배달할 수 있는 상품만 보여 줘야 한다는 제약이 있습니다(1). 이 세 가지는 검색에 LLM을 붙이려는 대기업이 공통으로 부딪히는 문제이기도 합니다. 상품 수가 많을수록, 응답이 늦을수록, 보여 줄 수 있는 결과에 제약이 많을수록 도입 설계의 비중이 커집니다.

해결 방식

상품 코드는 상품의 의미가 단계별로 드러나도록 새로 설계했습니다. 비슷한 상품은 코드의 앞부분이 같아지게 만드는 방식입니다. 속도 문제는 자주 들어오는 검색어의 결과를 미리 저장해 두는 캐시로 풀었습니다. 논문은 자주 쓰이는 검색어 100만 개를 저장하면 온라인 검색 요청의 95%를 처리할 수 있다고 적었습니다. 마지막으로 실제 검색 요구를 맞추기 위해 생성형 검색의 점수와 결과를 기존의 임베딩 기반 검색 모델과 합쳐 최종 결과를 만듭니다(1). 기존 검색을 대체하지 않고 더한 구조라는 점이 중요합니다.

결과와 조건

복잡한 검색어에는 넓은 범주의 음식 검색, 드문 검색어, 자연어 질문이 들어갑니다. 같은 실험에서 검색 결과에서 주문한 상품의 평균 순위도 모든 검색 의도에서 낮아져 관련 있는 상품이 위로 올라왔다고 논문은 해석합니다(1). 이 숫자는 Meituan의 결과입니다.

숫자를 읽는 방법

0.68%와 0.11%의 차이가 이 사례의 핵심입니다. 효과는 복잡한 검색어에 모였고 전체 평균으로는 작게 나타납니다. 이는 모든 업무에 같은 도구를 붙이기보다 효과가 나는 구간을 찾아 먼저 붙이는 접근이 맞다는 근거로 읽을 수 있습니다. 실험 기간이 2주이므로 장기 효과는 이 숫자에 들어 있지 않습니다. 또한 비율이 작아 보이지만 주문 규모가 큰 플랫폼에서는 의미가 달라질 수 있어, 우리 서비스의 주문 규모로 다시 계산해서 판단해야 합니다. 어려운 검색어가 전체에서 차지하는 비중이 작은 서비스라면 같은 방식을 써도 전체 평균은 더 작게 나타날 수 있으므로, 도입 전에 질의 유형별 비중부터 확인합니다. 효과가 나는 구간의 크기가 기대 효과의 상한을 정하기 때문입니다.

대기업 담당자가 확인할 점

검색이나 문의 응대에 LLM 도입을 검토하는 대기업은 네 가지를 먼저 확인합니다. 어려운 질의가 전체의 몇 퍼센트를 차지하는지, 기존 검색의 개선 여지가 어느 구간에 모여 있는지, 응답 속도와 비용 제약이 어디까지 허용되는지, 지역이나 권한처럼 결과를 거르는 규칙이 있는지입니다. 두 번째 항목은 숫자로 확인할 수 있으므로 검색 기록을 질의 유형별로 나누는 일이 첫 작업입니다.

도입 순서로 바꾸면

비빔블이 권하는 순서는 다음과 같습니다. 먼저 검색 기록을 유형별로 나눠 어려운 질의가 어느 정도인지 잽니다. 다음으로 기존 검색 위에 추가하는 형태로 시험 범위를 어려운 질의에 한정합니다. 응답 속도는 자주 들어오는 질의의 결과를 미리 저장하는 방식으로 먼저 맞춥니다. 시험은 기존 검색만 쓰는 집단과 비교해 기간을 정해 진행하고, 효과가 작은 구간은 대상에서 뺍니다.

우리 회사에 적용하면

가치사슬에서는 고객 접점 단계의 검색과 탐색 업무에 해당합니다. 비빔블의 AX 진단에서는 검색어와 문의 기록을 유형별로 나눠 어려운 질의가 어디에 모이는지 확인하고, 응답 속도와 거르는 규칙 같은 제약을 정리한 뒤 여섯 가지 업무 선정 기준으로 후보 여부를 판단합니다. 문의는 bibimble.com 의 문의하기에서 받습니다.

비빔블의 AX 진단

비빔블은 기업 업무에 AI를 붙이는 진단, 개발, 교육 서비스를 합니다. 서비스는 AX 진단, 구축, 정착 세 단계로 나뉩니다. 그룹사 법인을 대상으로 한 AX 구축과 교육 경험이 있습니다. 진단 단계에서는 설문과 인터뷰로 업무 목록을 만들고 업무별 전환 후보 목록, 우선순위, 예상 효과, 다음 단계 제안을 드립니다.

출처

1. Zhang 외, 「HierGR: Hierarchical Semantic Representation Enhancement for Generative Retrieval in Food Delivery Search」, ACL 2025 Industry Track, 2025년 7월

자주 묻는 질문

생성형 검색이 기존 검색을 대체하나요? Meituan은 대체하지 않고 생성형 검색의 결과를 기존 검색 모델의 결과와 합쳐 최종 결과를 만드는 구조를 택했습니다.

LLM은 응답이 느리지 않나요? 논문은 자주 들어오는 검색어의 결과를 미리 저장해 속도 요구를 맞췄습니다. 자주 쓰이는 검색어 100만 개로 온라인 요청의 95%를 처리했다고 밝혔습니다.

효과가 0.11%라면 의미가 있나요? 전체 평균은 작지만 복잡한 검색어에서는 0.68%였습니다. 효과가 모인 구간을 찾는 것이 중요하고, 주문 규모가 큰 서비스에서는 작은 비율도 의미가 달라집니다.

이 사례를 한국 서비스에 그대로 쓸 수 있나요? Meituan은 중국 음식 배달 서비스이고 언어와 상품 구조가 다릅니다. 한국 서비스에서의 결과는 별도 시험으로 확인해야 합니다.

복잡한 검색어는 무엇을 말하나요? 넓은 범주의 음식 검색, 드물게 쓰이는 검색어, 자연어 질문을 묶어 복잡한 의도로 분류했습니다.

관련 글

상품 페이지 리뷰 요약 도입 사례, Wayfair의 실험 결과

문의는 bibimble.com 의 문의하기에서 받습니다.