사진 출처: www.gordonramsayrestaurants.com
목차
- 고든램지버거는 왜 불고기버거로 47%의 고객을 붙잡았나
- 작동 구조 2단계: 시뮬레이션과 실매장 검증
- 47%라는 숫자는 어떻게 측정됐나
- 불고기버거가 왜 테스트 메뉴였나
- 다른 체인에도 적용 가능한가
- 신메뉴 AI 테스트가 외식업계 판을 어떻게 바꾸나
- 실행 체크리스트
고든램지버거는 왜 불고기버거로 47%의 고객을 붙잡았나
고든램지버거는 자사 충성 고객 중 이탈 위험이 큰 그룹의 약 47%가 AI가 추천한 신메뉴로 돌아왔다고 2025년 독일 하노버 사이언스랩과 함께 발표했습니다. 새 메뉴의 선호도를 사람이 아니라 시뮬레이션으로 먼저 검증한 게 핵심입니다. 실험에서 무기로 쓴 메뉴가 한국식 불고기버거였고, 결과는 미국·유럽 매장에서도 그대로 재현됐습니다. 한국 시장 단독 이벤트가 아니라 글로벌 체인 전체의 메뉴 의사결정 방식이 바뀌었다는 점이 눈에 띕니다.
다만 47%라는 수치는 회사 측 발표에 기반한 값입니다. 하노버 사이언스랩이 동 발표에서 밝힌 표본 크기와 측정 기간이 공개되지 않아, 일반 매장에서 그대로 재현 가능한 수준인지는 별도로 검증해야 합니다.
작동 구조 2단계: 시뮬레이션과 실매장 검증
하노버 사이언스랩의 ‘Hyper-Personalised Behaviour Prediction’ 시스템은 실제 매장 데이터로 학습한 뒤, 가상 매장 환경을 만들고 실매장 A/B 검증으로 끝나는 두 단계 구조입니다.
사진 출처: images.squarespace-cdn.com
- 1단계 시뮬레이션: 기존 고객 데이터를 기반으로 가상 식당 환경을 만들고, 신메뉴 후보 4~8종을 화면에 무작위로 띄웁니다. 소비자가 어떤 메뉴를 고르는지, 결제 단계까지 가는지, 재주문 의향은 있는지를 수치로 뽑아냅니다.
- 2단계 실매장 검증: 시뮬레이션에서 상위 2~3개 후보만 골라 실제 가맹점에 한정 기간 투입합니다. 동일 지역·동일 시간대 매장의 매출 전환율을 비교해 최종 출시 메뉴를 결정하죠.
이 구조의 장점은 폐기 비용이 작다는 점입니다. 신메뉴를 전국에 풀기 전, 수천 명 단위의 가상 반응을 먼저 보고 흔들리는 후보를 잘라낼 수 있습니다. 고든램지버거가 미국 시장에서 신메뉴를 전국 론칭할 때 흔히 쓰던 파일럿 비용이 매장당 수천 달러에 달한다는 업계 추산과 비교하면, 시뮬레이션 1회 비용이 그 일부에 불과하다는 점에서 비용 절감 효과가 상당합니다. 출시 후 반년이 지나도 매출이 정체되면 회수·중단하는 ‘묵힌 메뉴’ 비용을 출시 전에 잡아내는 셈이에요.
47%라는 숫자는 어떻게 측정됐나
47%는 ‘이탈 위험군으로 분류된 충성 고객 중, AI 추천 메뉴를 선택한 비율’을 가리키는 회사 측 발표 수치입니다. 하노버 사이언스랩의 보고서에 따르면 측정 흐름은 이렇습니다.
- 기존 단골 중 최근 6개월 방문 빈도와 객단가가 모두 내려간 사람을 ‘이탈 위험군’으로 분류
- 이들에게 시뮬레이션 화면으로 메뉴 카드 4종을 제시
- AI가 점수를 매긴 추천 메뉴를 고른 사람의 비율이 47%
- 통제군(AI 추천 없이 메뉴 카드만 제시)에서는 신메뉴 전환율이 20%대 초반에 그침
회사 발표 기준으로 AI가 ‘이 사람이 좋아할 만한 메뉴’를 미리 짚어줬을 때, 떠나려던 단골이 다시 결제까지 가는 확률이 통제군 대비 약 두 배 가까이 높아진 셈입니다. 다만 발표 자료에 표본 수·측정 기간·신뢰구간이 명시되지 않아, 통계적 유의성까지 단정하기는 이릅니다. 그 점만 감안해도, 단순 인기 투표를 넘어 개인화 추천이 매출 전환으로 직결된 사례로는 외식 업계에서 흔치 않은 수치입니다.
불고기버거가 왜 테스트 메뉴였나
한국식 불고기버거는 고든램지버거가 미국 매장에서 부분 판매해온 메뉴입니다. 2023년부터 일부 도시 매장에서 한정 판매해 왔고, 한국 로컬 브랜드처럼 깊은 갈은 맛보다, 한국을 상징하는 풍미로 미국·유럽 고객에게 어필하는 구도죠. 이 메뉴가 AI 테스트에 쓰인 이유는 세 가지로 정리됩니다.
- 글로벌 확장성: 돼지고기, 간장, 마늘, 깨 같은 식재료는 미·유럽 공급망에서 확보가 수월합니다. 지역별 조정이 큰 폭으로 필요 없는 메뉴라 글로벌 실험에 잘 맞아요.
- 경쟁 회피: 미국 시장에서 한국 본토 브랜드가 직접 진출하기 어렵고, 맥도날드·버거킹·웬디스·쉑쉑버거·파이브가이즈 같은 주요 햄버거 체인의 미국 정규 라인업에서도 불고기버거는 찾아보기 어렵습니다. 이처럼 정식 라인업에서 비어 있는 포지션을 노릴 수 있는 메뉴예요.
- 검증 효율: 매장 직원이 추가 교육 없이 만들 수 있는 조합이라, 신메뉴 테스트에서 흔한 장애물인 ‘운영 복잡도’가 낮습니다.
사진 출처: korean.kitchen
결국 불고기버거는 한국 시장 점유율을 따지는 자리가 아니라, 고든램지버거가 자사 충성 고객을 다시 묶어 둘 수 있는지 검증하는 도구였던 셈입니다. 결과는 회사 발표 기준 47%로 돌아왔고, 이 사례는 한국 외식업계가 한 번 더 들여다볼 만합니다.
다른 체인에도 적용 가능한가
AI 신메뉴 테스트는 모든 외식점에 바로 쓸 수 있는 도구는 아닙니다. 도입에는 보통 이런 조건이 따라붙습니다.
| 항목 | 최소 조건 | 현실적 권장 범위 |
|---|---|---|
| 고객 데이터량 | 수만 건 이상의 구매 이력 | 10만 건 이상 |
| 디지털 키오스크·앱 비중 | 주문의 30% 이상이 디지털 | 50% 이상 |
| 도입 비용 | 수천만 원대 | 수억 원대(시스템+컨설팅) |
| 적용 매장 수 | 10개 이상 동시 실험 | 30개 이상 |
대형 프랜차이즈는 감당할 수 있는 수준이지만, 동네 분식집이나 가족 식당 같은 중소 외식점은 데이터량과 비용 양쪽에서 막히는 경우가 많습니다. 다만 클라우드 기반 추천 툴이 SaaS 형태로 내려오고 있어, 매장 10개 이상이면 도입이 가능해질 가능성이 있습니다. 실제로 메뉴 추천 SaaS인 ‘Toast Menu AI’와 ‘Presto Menu Lab’은 월 구독형으로 매장 10개 이상 사업자를 대상으로 월 200~500만 원대에서 서비스를 공개하고 있어, 기존 수억 원대 구축형보다 진입 장벽이 한 단계 낮아진 상태입니다. 도입 비용은 툴 선택과 구축 범위에 따라 천차만별이지만, ‘데이터를 모으는 습관’이 가장 먼저 할 일이라는 점은 달라지지 않습니다.
신메뉴 AI 테스트가 외식업계 판을 어떻게 바꾸나
가장 체감되는 변화는 신메뉴 개발 주기입니다. 예전엔 아이디어 회의→시제품→테스트 매장→전국 출시 순으로 6개월에서 1년이 걸렸습니다. 미국 한 외식 컨설팅 사례에서는 AI 시뮬레이션을 앞단에 붙여 후보 메뉴 수를 절반으로 좁히고, 파일럿 매장 수를 30% 줄여 전체 개발 기간을 약 4개월로 단축한 바 있습니다. 동시에 실패 메뉴 출시 자체가 줄면서 신메뉴 ROI가 눈에 띄게 좋아집니다.
| 구분 | 전통 방식 | AI 신메뉴 테스트 |
|---|---|---|
| 개발 기간 | 6~12개월 | 3~6개월 |
| 실패 메뉴 출시 비율 | 높음 | 크게 감소 |
| 의사결정 근거 | 직관+매출 | 데이터+시뮬레이션 |
다만 한 가지 주의점이 있어요. AI는 과거 데이터 위에서 움직이기 때문에, 완전히 새로운 카테고리를 0에서 만들어내는 데는 약합니다. ‘한 번도 팔린 적 없는 메뉴’를 끌어올릴 힘은 여전히 사람이 가집니다. AI가 잘하는 건 이미 있는 데이터 안에서 성공 확률이 높은 메뉴를 빠르게 가려내는 일이에요. 그래서 실무에선 ‘AI가 후보를 좁히고, 사람이 마지막 톤을 다듬는’ 역할 분담이 가장 잘 먹힙니다.
실행 체크리스트
지금 당장 메뉴 개발에 AI를 끌어들이고 싶다면 아래부터 시작해 보시면 좋아요.
- 데이터부터 정리: 최근 6개월 판매 데이터(주문 시간대, 메뉴 조합, 결제 수단)를 한 곳에 모읍니다. 데이터베이스는 CSV 한 파일이라도 괜찮습니다.
- 이탈 고객 정의: 단골 중 최근 6개월 방문 간격이 늘고 객단가가 떨어지는 그룹을 분리합니다. KPI 정의식: ‘이탈 위험군 = 직전 3개월 평균 방문 횟수 대비 최근 3개월 방문 횟수가 30% 이상 감소한 충성 고객’.
- 메뉴 후보 4종 추리기: 기존 라인업에서 변형 가능한 후보만 먼저 모아 화면 테스트를 합니다. 신메뉴 입력 데이터 포맷은 메뉴명·가격·이미지 URL·주재료 태그 4개로 통일하면 시뮬레이션에 그대로 넣을 수 있습니다.
- 소규모 매장 A/B: 10개 내외 매장에서 2주간 동일 조건으로 비교 실험합니다. 비교 매장은 매출 동급, 시간대 분포가 비슷한 곳으로 짝 짓습니다.
- 결과는 숫자로: 매출 증가율뿐 아니라 재방문 의향, 추천 의향(NPS)까지 함께 봅니다. 1차 지표는 전환율, 2차 지표는 NPS, 3차 지표는 운영 복잡도 점수.
- 사람의 판단 마지막: AI 점수가 높아도 운영 복잡도가 큰 메뉴는 사람이 한 번 더 거릅니다.
고든램지버거의 47%는 결국 ‘데이터로 고객을 다시 만나는 법’을 익힌 체인이 단골을 덜 잃는다는 증거예요. 다음 글에서는 이 47% 수치를 실제 매장 단위로 재현한 국내 프랜차이즈 사례를 가져와, 한국 외식점에서 바로 쓸 수 있는 도입 조건을 한 단계 더 풀어보겠습니다.