3D 가상 피팅 작동 방식
3D 피팅은 각 의류의 3차원 디지털 모델을 생성해야 하며, 이 과정을 3D 모델링 또는 디지털 트윈 생성이라고 합니다. 이는 사진 측량법(실제 의류를 수십 개의 각도에서 촬영하여 3D 메쉬로 재구성), CLO3D 또는 Browzwear와 같은 소프트웨어를 사용한 수동 3D 모델링, 또는 두 방식의 조합을 통해 이루어집니다. 결과물인 3D 자산은 의류의 기하학적 구조와 표면 질감을 캡처하며 가상 바디 모델과 함께 3D 씬에서 렌더링될 수 있습니다.
3D 자산이 확보되면, 쇼핑객은 브라우저에서 실행되는 실시간 3D 렌더러 내에서 가상 바디 모델(주로 스타일화된 아바타, 때로는 사실적인 인간 모델)에 의류를 입혀보는 경험을 하게 됩니다. 쇼핑객은 보통 뷰를 회전시켜 여러 각도에서 의류를 볼 수 있습니다. 기술적 구현에는 WebGL 기반 렌더링 또는 3D 렌더링을 지원하는 네이티브 앱이 필요하며, 이는 프론트엔드 엔지니어링의 복잡성을 가중시킵니다.
사진 기반 AI 피팅 작동 방식
AI 사진 기반 피팅은 SKU별 3D 제작이 전혀 필요하지 않습니다. 쇼핑객이 자신의 사진 한 장을 업로드하면, Photta의 Nano Banana 2과 같은 AI 모델이 의류의 2D 이미지와 쇼핑객의 사진을 입력값으로 받아 쇼핑객이 의류를 입고 있는 실사 합성 이미지를 생성합니다. 전체 과정은 피팅 시점에 실시간으로 발생하며, 어떠한 사전 제작 단계도 필요하지 않습니다.
카탈로그에 새 제품을 추가할 때 양질의 제품 사진 외에 별도의 조치가 필요 없습니다. AI는 2D 이미지를 직접 읽고 제품 사진에서 원단 종류, 색상, 구조를 추론합니다. 처리 시간은 8~15초가 소요되며 실사와 같은 결과물을 제공합니다. 스토어 설치는 단일 스크립트 태그로 가능하며, 판매자 측에 3D 렌더링 인프라가 전혀 필요하지 않습니다.
비용 비교: SKU당 비용 및 운영비
3D 피팅 비용은 SKU당 제작비와 지속적인 플랫폼 비용으로 나뉩니다. 3D 모델 제작 비용은 사진 측량 파이프라인의 경우 SKU당 50~150달러, 수동 모델링 의류의 경우 200~500달러 수준입니다. 200개의 SKU를 보유한 경우, 플랫폼 구독료를 제외한 순수 제작비만 10,000~100,000달러에 달합니다. 새로운 시즌마다 모든 새 스타일에 대한 3D 자산이 필요하므로 카탈로그 회전율에 따라 생산 오버헤드가 지속적으로 증가합니다.
사진 기반 AI 피팅은 SKU당 제작 비용이 없습니다. Photta의 구독 서비스는 월 49달러부터 전체 카탈로그를 지원합니다. 200개 SKU 카탈로그 기준, 플랫폼 구독료 차이를 제외하더라도 첫해 비용 차이는 사진 기반 AI가 약 9,900~99,900달러 더 저렴합니다. 카탈로그 회전율이 높은 브랜드(시즌당 100개 이상의 SKU를 교체하는 패션 브랜드)의 경우, 사진 기반 AI의 비용 우위는 여러 시즌을 거치며 기하급수적으로 커집니다.
전환율 비교: 데이터 분석 결과
3D가 가장 성숙한 분야인 가구 및 인테리어 분야의 3D 피팅 연구에 따르면 해당 카테고리에서 40~65%의 전환율 상승이 보고됩니다. 하지만 가구는 원단이 아닙니다. 소파의 3D 모델은 밀리미터 단위까지 정확한데, 이는 소파가 인체의 기하학적 구조와 상호작용하거나 주름지거나 변형되지 않기 때문입니다. 동일한 3D 모델링 방식을 의류에 적용하면 원단 시뮬레이션 문제에 직면합니다. 3D로 렌더링된 드레스가 사실적으로 드레이프되도록 구현하려면 연산 비용이 많이 드는 물리 기반 시뮬레이션이 필요하며, 그럼에도 불구하고 시각적으로 부자연스러운 경우가 많습니다.
의류용 사진 기반 AI 피팅에 대한 Photta 코호트 데이터는 18~28%의 전환율 상승과 25~30%의 반품률 감소를 보여줍니다. 의류 특화 사례의 경우, 이는 훨씬 낮은 제작 비용으로도 기존의 3D 의류 피팅 전환 수치와 대등하거나 그 이상의 성과를 내는 것입니다. 사진 기반 AI의 렌더링 품질은 쇼핑객이 충분히 믿을 수 있는 수준(전환 성과에 있어 유일하게 중요한 지표)의 임계값을 넘어섰습니다.
3D 피팅이 유리한 경우
3D 피팅은 3차원 공간 관계가 쇼핑객에게 가장 중요한 정보가 되는 특정 사례에서 사진 기반 AI보다 뛰어난 성능을 발휘합니다. 가구 및 홈 퍼니싱이 가장 명확한 예시입니다. AR을 사용하여 거실에 소파를 배치해보는 것은 사진 기반 시스템이 제공할 수 없는 정확한 공간 치수에 의존합니다. 특정 케이스 두께가 있는 시계나 정의된 치수가 있는 구조적인 핸드백과 같은 정밀한 기하학적 구조의 하드 서피스 액세서리 또한 3D 활용이 적합한 사례입니다.
신발의 경우, 3D 피팅은 과도기적 단계에 있습니다. 공간적 치수가 중요하지만(신발의 부피와 라스트 모양이 편안함에 영향), 밑창 소재와 레이싱 시스템의 렌더링 난이도가 높습니다. 정직하게 평가하자면, 3D는 원단이 아니며 치수가 결정적인 카테고리에 적합한 도구이며, 사진 기반 AI는 원단의 드레이프와 표면 외관이 주요 구매 결정 요인인 의류, 주얼리, 액세서리에 적합한 도구입니다.