DoorDash, AI 에이전트가 주문한 건 고작 수백 건이라고 밝혀

DoorDash는 타사 AI 에이전트가 자사 플랫폼에서 생성한 주문이 아직 “수백 건”에 불과하다고 밝혔다. 이는 소프트웨어 에이전트가 곧 일상적인 온라인 구매를 처리할 것이라는 생각을 중심으로 점점 더 구축되고 있는 시장에 나타난 작은 초기 신호다.

이 내용은 DoorDash의 3분기 실적 발표에서 CEO Tony Xu가 공개했다. 회사는 고객들이 Muse, Instinct, Fo 같은 외부 에이전트를 통해 주문하기 시작했는지를 논의했다. DoorDash는 사용자가 여전히 주로 자체 앱을 통해 주문하고 있다고 밝혔지만, 외부 에이전트 개발자를 전면 차단하기보다 협력할 의향도 내비쳤다.

이 발언은 에이전트 주도 커머스에 대한 현실 점검을 제공한다. DoorDash는 2025년 보고서에서 하루 평균 약 300만 건의 배송을 완료한다고 밝혔다. 이러한 운영 규모를 고려하면 타사 에이전트가 생성한 수백 건의 주문은 매우 제한적인 비중이다. 다만 회사는 정확한 비율이나 에이전트, 지역, 고객 유형, 기간별 내역을 제공하지 않았다.

도입은 에이전트 담론에 크게 뒤처져 있다

Xu는 에이전트 기반 주문을 “역동적인 분야”라고 표현하며, 기술 변화를 거부하는 것과 현재의 영향을 과장하는 것 모두를 경계했다. 그의 발언은 DoorDash가 이 활동을 현재의 중요한 수요원이 아니라 연구해야 할 신흥 채널로 보고 있음을 시사한다.

이 구분은 AI 개발자와 커머스 기업에 중요하다. AI 에이전트를 둘러싼 논의의 상당 부분은 소비자가 곧 제품 탐색, 비교, 결제, 배송을 자율 소프트웨어에 맡길 것이라고 가정한다. DoorDash의 공개 내용은 적어도 자사 마켓플레이스에서는 이러한 행동이 기존 앱 경험을 의미 있는 규모로 대체하지 못했음을 보여준다.

회사가 제시한 수치는 AI 보조 쇼핑이라는 더 넓은 범주보다도 좁다. 타사 에이전트에 귀속된 주문을 다루며, 챗봇이나 추천 시스템, 기타 AI 기능의 영향을 받은 모든 주문을 의미하지는 않는다. DoorDash는 에이전트에서 시작된 주문을 어떻게 식별하는지, 일부만 자동화된 이용 경로를 집계에 포함하는지도 밝히지 않았다.

DoorDash는 자체 에이전트 인터페이스를 구축하고 있다

DoorDash는 외부 에이전트가 이 범주를 정의하기를 기다리지 않는다. 회사는 9월에 텍스트 투 오더 에이전트를 출시했고, 7월에는 명령줄 인터페이스 에이전트를 도입했으며, 6월에는 Ask DoorDash를 공개했다. TechCrunch 보도에 따르면 Ask DoorDash를 통해 고객은 프롬프트와 사진을 사용해 주문할 수 있다.

DoorDash는 기업 주문 상황에서 다른 챗봇으로 주문할 수 있도록 MCP(Model Context Protocol)도 공개했다. 이를 통해 개발자는 대화형 시스템을 DoorDash의 업무 흐름에 구조적으로 연결할 수 있으며, DoorDash는 인증, 주문, 이행에 대한 통제력을 더 많이 유지할 수 있다.

자체 인터페이스를 개발하면서 일부 타사 통합을 수용하는 이 이중 전략은 어떤 에이전트 활용 사례가 실제 수요를 창출하는지 DoorDash가 파악하는 데 도움이 될 수 있다. 에이전트가 중요한 발견 계층이 된다면 회사가 더 많은 상업적 가치를 확보하는 데도 도움이 될 수 있다. Xu는 장기적으로 에이전트 안에서 광고할 기회가 있을 수 있다고 말했지만, 이는 아직 확립된 사업 부문이 아니라 미래의 가능성이다.

증거가 보여주는 것과 보여주지 않는 것

핵심 도입 수치는 TechCrunch가 보도한 DoorDash 실적 발표에서 Xu가 한 발언에 근거한다. 따라서 이는 회사가 공개한 운영 관련 정보이지, 에이전트 커머스 전체 시장을 독립적으로 감사한 측정치가 아니다.

비교 기준인 하루 약 300만 건의 배송은 DoorDash의 2025년 보고서에서 나온다. 규모를 파악하는 데는 유용하지만, “수백 건”이라는 표현이 부정확하고 두 수치가 서로 다른 보고 기간을 포함할 수 있기 때문에 에이전트가 주문한 정확한 비중을 확정하지는 못한다. 회사는 Muse, Instinct, Fo 또는 다른 언급된 시스템에서 발생한 주문이 각각 몇 건인지도 밝히지 않았다.

24/7 Wall St.의 별도 헤드라인은 이 수치를 DoorDash의 약 9억 9,300만 건에 가까운 주문과 비교했다. 그러나 제공된 증거에는 해당 기사의 본문이 없었다. 따라서 이 총량은 이번 분석에서 완전히 검증된 수치가 아니라 보도된 비교값으로 취급해야 한다.

증거가 뒷받침하는 결론은 분명하다. DoorDash에는 타사 에이전트를 통한 주문이 존재하지만, 회사의 핵심 배송 사업과 비교하면 여전히 규모가 작다. 이 사실만으로는 해당 채널이 빠르게 성장하는지, 더 높은 가치를 지닌 고객을 유치하는지, 고객지원 비용을 줄이는지, 측정 가능한 광고 수익을 창출하는지는 알 수 없다.

개발자와 기업 구매 담당자에 대한 시사점

AI 제품팀에 DoorDash의 경험은 에이전트 워크플로를 시연하는 것과 지속적인 사용자 도입을 달성하는 것이 다르다는 점을 보여준다. 에이전트는 기술적으로 메뉴 검색, 상품 선택, 주문 제출이 가능할 수 있지만, 고객이 익숙한 습관을 바꾸려면 여전히 이유가 필요하다. 고객이 마켓플레이스 인터페이스를 직접 조작하지 않을 때는 신뢰, 결제 승인, 대체 상품, 배송 업데이트, 환불, 책임 소재가 더욱 중요해진다.

제한적인 주문량은 귀속 문제도 제기한다. 마켓플레이스는 어떤 에이전트가 주문을 시작했는지, 어떤 권한을 사용했는지, 고객이 최종 장바구니를 승인했는지, 분쟁을 어떻게 처리할지를 알아야 한다. 이러한 요구사항은 통제되지 않은 브라우저 자동화보다 명시적인 API와 프로토콜을 선호하게 만든다. DoorDash의 MCP 공개는 특히 직장 내 주문에서 더 구조화된 통합 경로를 시험하고 있음을 시사한다.

기업의 경우 당장의 기회는 완전 자율형 소비자 쇼핑보다 좁을 수 있다. 기업 식사, 반복 주문, 내부 구매 업무는 예산이 더 명확하고 규칙을 반복 적용하기 쉽다. DoorDash의 기업 주문 통합은 개방형 소비자 커머스보다 에이전트 실험을 관리하기 쉬운 환경을 제공할 수 있다.

경쟁 측면의 질문은 플랫폼이 어떻게 대응할지다. TechCrunch는 Amazon이 일부 개인 에이전트를 차단한 반면 Walmart는 더 개방적인 접근을 취했다고 전했다. DoorDash의 발언은 회사를 협력적인 진영에 더 가깝게 두지만, 무조건적인 개방성보다는 학습, 접근 제어, 잠재적 수익화에 초점을 둔다.

다음에 주목할 점

앞으로 의미 있는 신호는 DoorDash가 에이전트에서 시작된 주문의 증가를 공개하는지, 어떤 통합이 활동을 주도하는지 밝히는지, 장바구니 규모·반복 사용·배송 이행 성과에서 중요한 차이를 보고하는지가 될 것이다. “에이전트 주문”에 대한 명확한 정의가 마련되면 향후 비교도 더 유용해질 것이다.

개발자는 DoorDash가 기업 주문을 넘어 MCP 기능을 확대하는지, 거래 통제 기능을 추가하는지, 타사 에이전트 안에 광고 상품을 도입하는지를 지켜봐야 한다. Ask DoorDash, 텍스트 투 오더 에이전트, CLI 에이전트에 대한 반응은 고객이 DoorDash가 통제하는 인터페이스와 외부 비서 중 어느 쪽을 선호하는지 보여줄 것이다.

더 넓게 보면 시장은 에이전트가 단순히 앱에서 고객이 했을 주문을 다른 경로로 돌리는 것이 아니라 추가 수요를 창출할 수 있다는 증거를 필요로 한다. 이러한 구분이 플랫폼 데이터에 드러나기 전까지 에이전트가 커머스를 장악할 것이라는 주장은 입증된 사용량보다 앞서 있다.

Creati.ai의 관점

DoorDash의 공개 내용이 중요한 이유는 수백 건의 주문이 큰 사업을 구성해서가 아니라, 자율형 커머스에 대한 광범위한 예측에 보기 드문 반론을 제공하기 때문이다. 선도적인 배송 마켓플레이스는 실제 거래에 노출되어 있으며, 타사 에이전트의 초기 주문량은 기존 앱 트래픽에 비해 여전히 미미하다.

AI 기업에 주는 교훈은 실용적이다. 에이전트의 능력은 거래 제품의 일부일 뿐이다. 도입은 권한 관리, 신뢰성, 판매자 및 고객 지원, 그리고 플랫폼과 에이전트 제작자 모두에게 이익이 되는 비즈니스 모델에 달려 있다. DoorDash는 통제권을 포기하지 않고 학습할 수 있는 위치를 구축하려는 것으로 보이며, 다음 단계에서 이러한 균형이 실험을 반복 사용으로 전환할 수 있을지가 드러날 것이다.