GEO 작업에서 간과되는 요소가 하나 있습니다. URL 구조입니다. 웹사이트가 구축된 시기, 당시의 개발 인프라와 개발 언어에 따라 URL 구조가 정의되는 경우가 많은데요. 문제는 이런 과정을 거쳐 구축된 사이트의 URL 구조가 AI검색최적화에 영향을 미친다는 겁니다. 오늘 이 주제로 GEO 아카데미를 진행해 보고자 합니다.
URL 구조란?
일반적으로 URL 구조란 하나의 정보를 담기 위해 부여된 웹상의 위치(주소) 체계를 의미합니다. URL이 구성되니 요소들의 집합을 말합니다. 통상 URL은 스키마 + 도메인 네임 + 경로(하위 폴더, 슬러그) + 파라미터 + 앵커)등으로 구성이 되는데요. 뒤로 갈수록 고유의 정보 페이지에 가까워지는 위계형 폴더 구조라고 할 수 있습니다.
URL 구조는 크게 2가지로 분류됩니다.
- 경로형 URL(Path URL) : 경로로 종료되는 URL 구조
- 파라미터형 URL(정확히는 쿼리 스트링 URL, query string URL) : ? 등으로 파라미터 변수로 종료되는 URL 구조
일반적으로 하나의 URL에는 경로와 파라미터가 포함되는 경우가 많이 있습니다. 필터나 검색, 페이지네이션의 용도로 파리미터를 활용하기 때문입니다. 하지만 이 파라미터를 원래의 용도와 무관하게 활용하게 될 경우 GEO 또는 AI검색에 문제를 발생시킵니다. 물론 SEO에서도 이 문제는 중요하게 다뤄집니다.
예를 들어 보겠습니다.
- https://www.shopping.com/?act=shop.goods_view&CM=6116
특정 쇼핑몰의 제품 페이지 주소라고 가정하겠습니다. ? 뒷부분이 파라미터 변수입니다. 크롤러가 인식할 때 기본 상품 페이지는 https://www.shopping.com/ 여기 하나뿐이고, ? 뒷부분은 필터 결과(단일 제품의 다양한 변형)라고 인식하기 쉽습니다. 자칫 이 쇼핑몰의 제품은 하나라고 오해할 수도 있죠. 문제는 모든 제품 페이지들이 이러한 URL 구조로 구성돼 있다는 겁니다. act라는 모호한 파라미터에 의해서 말이죠.
통상적으로 URL에 포함하는 파라미터는 정확한 용도에 사용할 것을 권장하는 편입니다. 앞서 언급했듯, 하나의 콘텐츠에 대한 필터, 검색, 페이지네이션 등입니다. 하지만 파라미터 자체를 하나의 카테고리 체계로 활용하게 되면 SEO뿐 아니라 GEO에 부정적인 영향을 미치게 됩니다. 특히 중복 콘텐츠로 분류되거나 크롤링 예산 낭비를 초래할 가능성이 높습니다. 당연히 인용 출처로 추천되는 순위에서 밀리게 될 수밖에 없습니다.
문제는 국내 쇼핑몰 사이트나 웹사이트에 이런 경우가 빈번하다는 겁니다. 파라미터의 남용으로 중복 페이지가 과도하게 발생해 AI검색이 핵심 출처로 제시하는 못하는 경우가 많다는 거죠.
ChatGPT 경로형 URL 인용 경향
블루닷 인텔리전스의 데이터를 통해 살펴보겠습니다. 인용이 발생한 상위 8개 사이트의 URL 총 1만5593개를 분석해봤습니다. 일단 구성으로만 보면, 한국적 상황이라서인지 경로형 URL(6651건)보다 파라미터형 URL(8942건)이 더 많았습니다. 하지만 인용수를 따져볼까요?
각 URL 당 평균 인용수는 ChatGPT에서 큰 차이를 보입니다. 아래 차트에서 확인할 수 있다시피, ChatGPT는 유독 경로형 URL을 더 인용하는 경향이 발견됩니다. 구글 계열 AI검색에서는 이 차이가 두드러지지 않습니다. 퍼플렉시티에서도 마찬가지입니다. URL 구조가 ChatGPT에 부정적인 영향을 미친다고 판단할 수 있는 근거입니다.
1. AI 검색별 전체 평균 인용수 비교
| AI 검색 | 경로형 평균 인용수 | 파라미터형 평균 인용수 | 차이 | 비고 |
|---|---|---|---|---|
| ChatGPT | 1.29 | 0.28 | +1.01 | 경로형이 4.6배, 가장 뚜렷한 차이 |
| Google AI Overviews | 0.39 | 0.53 | -0.14 | 파라미터형 소폭 우위 |
| Google AI Mode | 0.94 | 1.17 | -0.23 | 파라미터형 소폭 우위 |
| Perplexity | 1.44 | 1.50 | -0.06 | 거의 동일 |
AI검색들에 의해 인용이 많이 된 상위 6개 사이트로 더 좁혀 봤습니다. 여전히 ChatGPT의 경로형 URL 선호는 강하게 나타났고요. 구글 계열도 웬만해선 경로형 URL 선호 구도를 보이고 있었습니다.
각 AI검색별 URL 구조 선호 특징
위 데이터를 바탕으로 각 AI검색별 URL 구조 선호 특징을 정리해봤습니다.
- ChatGPT가 경로형 선호가 가장 극단적입니다. 전체 평균에서 경로형(1.29)이 파라미터형(0.28)의 4.6배이고, samsunghospital.com 내에서도 3.11 vs 0.17로 거의 경로형만 인용한다고 볼 수 있습니다. ChatGPT가 URL 구조를 크롤링·인용 판단에 비중 있게 반영하는 것으로 해석할 수 있습니다.
- Google AI Mode는 동일 도메인 내 비교에서 6개 도메인 전부 경로형이 우위로, 가장 일관된 패턴을 보여줍니다. 전체 평균에서는 파라미터형이 약간 높지만 이는 도메인 믹스 효과로 보입니다.
- Google AIO는 전체적으로 경로형과 파라미터형 간 차이가 작고, 도메인별로도 방향이 엇갈립니다. URL 구조보다 콘텐츠 자체(다양성 편향도 고려해야 합니다)를 더 중시하는 것으로 보입니다.
- Perplexity는 전체 평균은 거의 동일하지만, 동일 도메인 내에서는 5개 중 4개에서 경로형이 우위입니다.
결론적으로 ChatGPT 인용을 높이려면 경로형 URL 전환이 필수적이고, Google AI Mode에서도 유리하다는 결론을 내릴 수 있습니다.
왜 이런 URL 구조 선호 차이가 발생할까
흥미로운 논문으로 이 원인을 파악해 보겠습니다. Fariza Rashid 등(2024)은 URL 구조만으로 피싱인지 아닌지를 판별하는 실험을 했습니다. GPT-4 Turbo, Claude 3 Opus, Gemini, LLaMA 3, LLaMA 2 등 5종의 LLM을 대상으로 원샷(one-shot) 예측 성능을 평가한 것이죠. 각 모델에는 테스트 데이터셋에서 무작위로 추출한 1,000개의 URL 샘플이 제공됐고, 모델이 해당 URL이 '정상(benign)'인지 '피싱(phishing)'인지를 추론하도록 설계되었습니다. 결론은? 그렇습니다. 기존의 URL 분류기에 못지 않은 성능을 보여준 겁니다. 저는 이렇게 결론을 내렸습니다.
실험 결과, GPT-4 Turbo가 평균 F1 점수 0.92를 기록하며 가장 우수한 성능을 보였습니다. 이는 기존의 지도 학습 모델과 비교해도 불과 0.07 낮은 수준입니다. 이어 Claude 3가 0.88, LLaMA 3와 Gemini가 각각 0.84와 0.83을 기록했습니다. LLaMA 2는 0.68로 가장 낮은 정확도를 나타냈습니다. 연구진은 모든 모델에서 5회 반복 실험 결과 표준편차가 매우 낮게 나타나, LLM의 예측이 전반적으로 일관성을 유지하고 있다고 전했습니다.
표 1: 원샷 LLM URL 분류 모델의 예측 성능 (F1 점수)
| 테스트 데이터셋 | GPT-4 Turbo | Claude 3 | Gemini | LLaMA 3 | LLaMA 2 | URLTran (참고) |
|---|---|---|---|---|---|---|
| HP | 0.94 | 0.89 | 0.87 | 0.84 | 0.67 | 0.99 |
| EBBU | 0.95 | 0.91 | 0.86 | 0.87 | 0.69 | 0.99 |
| ISCX | 0.87 | 0.85 | 0.78 | 0.81 | 0.67 | 0.99 |
이는 LLM이 URL을 단순한 주소가 아니라 의미를 해석하는 대상으로 처리한다는 점을 시사합니다. 위 이미지에서 볼 수 있듯 /foodanddrink/라는 경로 세그먼트가 은행 도메인과 맥락적으로 불일치한다는 판단을 LLM이 할 수 있다는 건, 반대로 경로형 URL에서 /food/bibimbap-sauce-500g 같은 구조가 있으면 콘텐츠 관련성 판단에도 그 시맨틱 정보를 활용한다는 근거가 됩니다. AI검색 시대에 URL을 단순 주소 체계 정도로만 생각해서는 안된다는 근거입니다.
다시 ChatGPT로 돌아와보겠습니다. 크롤링 예산이 적은 ChatGPT는 어떤 식으로든 URL 구조에서 시맨틱 정보를 확보하려고 애쓰고 있다고 추정됩니다. 파라미터가 중심이 URL은 우선 순위에서 현재는 밀어내고 있는 상황인 거죠. 반면 구글 계열은 오랜 검색 노하우와 높은 크롤링 예산을 활용해 파라미터 URL이라도 직접 문서에 방문해 인덱싱하려는 경향을 보입니다. 둘의 차이를 저는 크롤링 예산과 검색 기술의 노하우 차이라고 보고 있습니다.
URL 구조 자체가 GEO에 중요한 이유
위 데이터와 논문에서도 확인할 수 있듯, URL 그 자체는 중요한 시맨틱 정보 요소입니다. 구조와 도메인, 슬러그 만으로 맥락을 제공할 수 있는 힘을 가지고 있습니다. GEO에 이 영향이 절대적이라고 말할 순 없습니다. 하지만 ChatGPT엔 여는 정도 영향을 미치고 있는 상황입니다.
그동안 URL 분류기에 대한 다양한 연구들이 진행돼 왔습니다(Shetty et al. 2024). 특히 보안 분야에서 이 경향을 두드러졌습니다. 그만큼 URL은 그 자체로 하나의 가치와 신호를 만들어내고 있습니다. 정보값이 빈곤한 쿼리 스트링 URL(파라미터형 URL)을, 권장되는 목적 외로 남용하게 되면, GEO에 부정적 영향을 미칠 수밖에 없습니다. 기왕이면 그 자체로 의미있는 시그널을 AI검색에 보낼 수 있도록 건강하게 관리할 필요가 있습니다. 경로형 URL 구조가 GEO에 필요한 이유입니다.
참고 문헌
- Rashid, F., Ranaweera, N., Doyle, B., & Seneviratne, S. (2025). LLMs are one-shot URL classifiers and explainers. Computer Networks, 258, 111004.
- Shetty, A., Shetty, A. S., Hegde, D., Belle, N. R., Rodrigues, A. P., Dsouza, D. J., & Fernandes, R. (2024, November). Comprehensive URL Classification System using Machine Learning. In 2024 2nd International Conference on Recent Advances in Information Technology for Sustainable Development (ICRAIS) (pp. 30-35). IEEE.
