14일 AI 기반 미디어 설루션 개발 기업 블루닷에이아이가 공개한 검색 AI 출처 분석 결과에 연합뉴스는 인용 수 378건, 인용률 32.7%를 기록했다.

국내 언론사 가운데 인용 수와 인용률 모두 가장 높은 수준이다. 한 종합일간지와 경제지가 각각 인용 수 263건(인용률 26.8%), 인용 수 255건(25.5%)으로 뒤를 이었다.

Google의 AI Overviews(AIO)와 Gemini가 대표적인 사례입니다.

이러한 변화는 기업과 콘텐츠 제작자에게 새로운 질문을 던지고 있습니다.

“검색 결과에 잘 노출되는 것과 AI의 답변에 출처로 인용되는 것은 같은 문제일까요?”

최근 발표된 연구 'How Generative AI Disrupts Search: An Empirical Study of Google Search, Gemini, and AI Overviews'는 이 질문에 상당히 중요한 실증적 단서를 제공합니다.

특히 주목할 부분은 Google-Extended를 차단한 웹사이트의 AI Overviews 인용 가능성이 크게 낮아졌다는 연구 결과입니다. 이 결과는 단순히 SEO의 변화만을 의미하지 않습니다. 앞으로의 검색 최적화, 즉 GEO(Generative Engine Optimization) 전략을 어떻게 설계해야 하는지 다시 생각하게 만드는 중요한 시사점을 제공합니다.

먼저, 이 연구는 어떻게 데이터를 수집했을까요?

연구 결과를 살펴보기 전에 데이터 수집 방법부터 이해할 필요가 있습니다. 이 논문의 대규모 데이터 측정은 기본적으로 API를 활용해 진행되었습니다. 먼저 Google 검색 결과와 AI Overviews는 검색 수집 서비스인 SerpAPI를 통해 수집했습니다. 연구진은 모바일과 데스크톱 환경을 시뮬레이션하여 일반적인 Google 검색 결과(SERP)와 AI Overviews에 표시되는 출처 데이터를 확보했습니다. Gemini의 경우에는 Gemini API를 사용했습니다. 구체적으로 Gemini 2.5 Flash 모델의 답변과 그 답변에 포함된 인용 출처 데이터를 수집했습니다.

여기서 한 가지 중요한 문제가 생깁니다.

“API로 수집한 결과가 실제 사용자가 브라우저에서 검색했을 때 보는 결과와 정말 같은 것일까요?”

특히 AI Overviews는 일반적인 검색 결과보다 동적인 특성이 강하기 때문에 이 부분을 검증하는 것이 중요합니다. 그래서 연구진은 추가적으로 Chrome 브라우저에서 직접 검색해 수집한 수동 UI 데이터와 API 수집 데이터를 비교하는 강건성 검증(Robustness Test)을 수행했습니다.

이 검증 결과는 이번 연구의 데이터 신뢰성을 이해하는 데 상당히 중요합니다.

API 데이터가 실제 사용자 검색 경험을 얼마나 잘 반영했을까요?

연구진은 검색 결과 순위의 유사도를 측정하기 위해 RBO(Rank-Biased Overlap)라는 지표를 사용했습니다.

결과는 다음과 같았습니다.

가장 흥미로운 부분은 Manual UI와 API의 차이가 API 자체의 반복 측정에서 나타난 변동성과 거의 동일했다는 점입니다. AI Overviews의 경우,

• API를 두 번 측정했을 때 RBO: 0.67
• 수동 UI와 API를 비교했을 때 RBO: 0.67

로 동일했습니다. 일반 Google SERP에서도

• API vs. API: 0.81
• Manual UI vs. API: 0.79

로 매우 유사하게 나타났습니다. 이는 이번 연구에서 활용한 SerpAPI 기반 데이터가 실제 사용자가 로그인된 Chrome 브라우저에서 경험하는 검색 결과를 상당히 잘 대리하고 있음을 보여주는 결과라고 볼 수 있습니다. 다시 말해, 연구진이 API를 이용해 대규모로 측정한 결과를 단순히 “API에서만 나타나는 현상”이라고 치부하기는 어렵다는 의미입니다.

한 가지 더 중요한 사실 : AIO는 SERP보다 변동성이 큽니다

Robustness Test에서 또 하나 눈여겨볼 결과가 있습니다. AI Overviews의 결과가 일반 Google 검색 결과보다 일관성이 낮았다는 점입니다. 로그인된 Chrome 환경에서 반복 검색했을 때에도 AIO의 RBO는 0.73, SERP는 0.89였습니다. 즉, 로그인 사용자 환경을 기준으로 하더라도 일반 검색 결과보다 AI Overviews에서 나타나는 출처와 결과의 변동성이 더 컸습니다.

이 부분은 GEO 관점에서 상당히 중요합니다. 전통적인 SEO에서는 특정 키워드의 검색 순위를 측정하고,

“우리 페이지가 3위입니다.”

라고 비교적 명확하게 이야기할 수 있습니다. 하지만 AI 검색에서는 상황이 다릅니다. 같은 질문을 반복하더라도 AI가 어떤 정보를 선택하고, 어떤 출처를 인용하는지가 달라질 수 있기 때문입니다. 따라서 GEO에서는 한 번의 검색 결과만 가지고 성과를 판단하기보다 반복적인 질문과 측정을 통해 AI가 우리 브랜드를 얼마나 일관되게 선택하는지 확인하는 접근이 필요합니다.

Google의 공식 설명과 실제 결과 사이에 흥미로운 간극이 발견

이제 이번 연구에서 가장 중요한 결과를 살펴보겠습니다. 바로 Google-Extended에 관한 내용입니다. Google-Extended는 웹사이트 운영자가 자신의 콘텐츠가 Gemini 등 생성형 AI 모델의 추가적인 활용에 사용되는 것을 통제할 수 있도록 제공되는 크롤러 제어 방식입니다.

Google의 공식적인 설명에 따르면 Google-Extended를 robots.txt에서 차단하더라도 일반적인 Google Search의 검색 순위나 검색 노출에는 영향을 주지 않습니다. 또한 AI Overviews에서 콘텐츠를 제외하고 싶다면 Google-Extended를 차단하는 것이 아니라 Google 검색 인덱싱 자체에서 콘텐츠를 제외해야 한다는 것이 기본적인 설명입니다. 논리적으로 보면 다음과 같은 구조입니다.

Google Search

검색 크롤러 → 콘텐츠 수집 → 검색 인덱스 → SERP 노출

Google-Extended

Gemini 등 생성형 AI에서 콘텐츠가 추가적으로 활용되는 방식에 대한 통제

따라서 Google-Extended를 차단하더라도 Google Search 자체에는 큰 영향을 주지 않아야 합니다. 그런데 이번 연구의 대규모 실증 데이터에서는 상당히 흥미로운 결과가 나타났습니다.

Google-Extended 차단한 사이트는 AIO에서 인용될 가능성 낮아져

연구진이 실제 데이터를 분석한 결과, Google-Extended를 차단한 웹사이트는 일반 Google 검색 결과에서는 여전히 노출될 수 있었지만, AI Overviews에서는 출처로 선택되고 인용되는 비중이 현저히 낮아지는 현상이 관찰됐습니다.

즉,

기술적으로 콘텐츠에 접근할 수 있다는 것과 실제 AI 답변에서 해당 콘텐츠가 출처로 선택되는 것은 별개의 문제였습니다.

이것은 GEO 관점에서 매우 중요한 발견입니다. AI가 웹사이트에 접근할 수 있다고 해서 반드시 그 콘텐츠를 답변의 근거로 선택하는 것은 아닙니다. AI가 실제 답변을 만드는 과정에서는

• 어떤 콘텐츠를 발견하고,
• 어떤 정보를 신뢰하고,
• 어떤 페이지를 참고하며,
• 어떤 출처를 최종적으로 인용할 것인지

가 별도로 작동할 수 있기 때문입니다. 결국 GEO에서 중요한 것은 단순히 “AI가 우리 사이트에 접근할 수 있는가?”가 아니라,

“AI가 답변을 만들 때 우리 콘텐츠를 실제 정보원으로 선택하는가?”

가 됩니다.

Gemini에서는 더 극적인 결과가 나타났습니다

연구에서 특히 눈에 띄는 부분은 Gemini의 인용 결과입니다. 연구진이 분석한 주요 사이트 가운데 NYTimes, CNN, Reuters, BBC, ScienceDirect, ESPN 등의 매체와 Facebook, Instagram, IMDb, Yelp 등의 플랫폼은 Google-Extended를 차단한 결과 Gemini 검색 결과에서 단 한 차례도 인용되지 않은 사례로 나타났습니다.  일부 주요 콘텐츠 제공자와 플랫폼에서는 인용 횟수가 0건으로 나타났습니다.

이는 AI 검색 시대의 새로운 역설을 보여줍니다. 콘텐츠 사업자는 AI가 자신의 콘텐츠를 무단으로 활용하는 것을 막기 위해 크롤러를 차단할 수 있습니다. 하지만 동시에 AI가 검색 결과를 생성하는 과정에서 자신의 콘텐츠를 정보원으로 활용할 기회 역시 줄어들 수 있습니다. 특히 AI 검색이 기존 검색을 대체하는 비중이 커질수록 이 문제는 더욱 중요해질 수 있습니다.

GEO에 중요한 이유는 무엇일까요?

전통적인 SEO의 핵심 질문은 비교적 명확했습니다.

“우리 웹페이지가 검색 결과 몇 위에 나오는가?”

하지만 생성형 검색에서는 질문이 달라집니다.

“AI가 이 질문에 답할 때 우리 브랜드와 콘텐츠를 참고하거나 인용하는가?”

두 가지는 비슷해 보이지만 실제로는 다른 문제입니다. 예를 들어 어떤 기업의 웹페이지가 특정 키워드에서 Google 검색 3위에 있다고 가정해보겠습니다. 전통적인 SEO 관점에서는 상당히 좋은 성과입니다. 하지만 사용자가 같은 질문을 했을 때 AI Overview가 다른 5개의 출처를 조합해 답변을 만들고, 우리 사이트가 그중 어디에도 포함되지 않는다면 어떨까요?

검색 결과에서는 3위이지만 AI 검색에서는 사실상 보이지 않는 상황이 발생할 수 있습니다. 따라서 검색 가시성의 개념 자체가 달라지고 있습니다.

SEO

검색어 → 검색 순위 → 클릭 → 웹사이트 방문

GEO

사용자 질문 → AI의 정보 탐색 → 정보 선택 → 답변 생성 → 출처 인용 → 브랜드 노출

앞으로 GEO에서는 바로 이 ‘정보 선택과 출처 인용 과정’이 중요해질 것입니다.

그렇다면 AI 크롤러를 무조건 허용해야 할까요?

여기에서 한 가지 주의할 필요가 있습니다. 이번 연구 결과를 근거로 “AI 크롤러를 무조건 허용해야 한다”고 결론 내리는 것은 적절하지 않습니다. 콘텐츠 사업자 입장에서는 AI 크롤링과 활용에 따른 여러 문제가 있기 때문입니다.

예를 들어,

• 콘텐츠가 AI 학습에 활용되는 것에 대한 권리 문제
• 콘텐츠 생산 비용과 AI 기업의 가치 창출 사이의 불균형
• AI 답변으로 인한 원문 트래픽 감소 가능성
• AI가 콘텐츠를 요약하면서 원문 방문을 대체할 가능성
• 저작권 및 라이선스 문제

등을 함께 고려해야 합니다. 따라서 GEO 관점에서의 결론은 “모든 AI 크롤러를 허용하자”가 아닙니다. 오히려 앞으로 기업은 SEO와 GEO, 그리고 콘텐츠 권리 정책을 하나의 전략으로 통합해 판단해야 한다는 것입니다.

“AI를 막을 것인가, 허용할 것인가?”

라는 단순한 질문에서 벗어나,

“어떤 AI의 어떤 활용을 허용하고, 그 대가로 어떤 검색 가시성과 비즈니스 가치를 확보할 것인가?”

라는 질문으로 바뀌어야 합니다.

GEO에서는 콘텐츠의 ‘인용 가능성’을 설계해야 합니다

그렇다면 기업은 실제로 무엇을 준비해야 할까요? 첫 번째는 AI가 이해하고 인용하기 쉬운 콘텐츠 구조를 만드는 것입니다. 예를 들어 하나의 콘텐츠를 다음과 같이 구성할 수 있습니다.

질문

→ 명확한 답변

→ 근거와 데이터

→ 상세한 설명

→ 사례

→ 출처

→ 업데이트 날짜

이러한 구조는 사람에게도 읽기 편하지만, AI가 특정 질문에 대한 답변을 구성하면서 필요한 정보를 찾아내기에도 유리한 구조가 될 수 있습니다.

특히 중요한 것은 주장과 근거의 연결입니다.

“우리 제품이 업계 최고입니다”라고 주장하는 것보다,

“A 조건에서 B%의 성과를 기록했습니다. 해당 결과는 C 방식으로 측정했습니다.”

처럼 구체적인 근거와 출처를 제공하는 콘텐츠가 AI가 참고할 만한 정보원으로서 더 높은 가치를 가질 수 있습니다.

11. 키워드보다 ‘질문’을 중심으로 콘텐츠를 설계해야 합니다

SEO 콘텐츠는 오랫동안 키워드를 중심으로 발전해왔습니다.

예를 들어

“CRM 추천”

이라는 키워드를 중심으로 콘텐츠를 작성했다면, GEO에서는 그보다 훨씬 다양한 사용자의 질문을 고려할 필요가 있습니다. 예를 들어,

“중소기업에 가장 적합한 CRM은 무엇인가요?”
“CRM 도입 비용은 얼마나 드나요?”
“Salesforce와 HubSpot의 차이는 무엇인가요?”
“CRM을 도입하면 영업 생산성이 실제로 높아지나요?”

와 같은 질문입니다. 검색어에서 질문으로 콘텐츠 전략의 중심축이 이동하고 있습니다. 이 질문에 AI가 답변할 때 우리 콘텐츠가 하나의 신뢰할 만한 근거로 선택될 수 있도록 만들어야 합니다. 이것이 GEO의 핵심적인 변화입니다.

13. GEO KPI도 달라져야 합니다

이러한 환경에서는 기존 SEO KPI만으로 생성형 검색 성과를 평가하기 어렵습니다. 앞으로는 다음과 같은 지표를 함께 관리할 필요가 있습니다.

① AI Citation Rate

특정 질문을 반복했을 때 우리 웹사이트가 AI 답변의 출처로 등장하는 비율입니다.

② Brand Mention Rate

AI 답변에서 우리 브랜드가 직접 언급되는 비율입니다.

③ Source Share

경쟁사와 비교했을 때 AI 답변에서 우리 콘텐츠가 차지하는 출처 비중입니다.

④ Citation Position

여러 출처가 제시될 경우 우리 출처가 어느 위치에 나타나는지 측정합니다.

⑤ Answer Coverage

우리 브랜드가 중요하게 생각하는 핵심 질문군 가운데 실제 AI가 우리 정보를 반영하는 질문의 비율입니다.

⑥ Citation Consistency

동일한 질문을 반복했을 때 우리 브랜드가 얼마나 일관되게 인용되는지 측정합니다. 블루닷 인텔리전스는 이러한 지표들을 모두 측정해 제공하고 있는 강력한 GEO 분석 및 자동화 툴입니다.

특히 마지막 지표가 중요합니다. 앞서 살펴본 것처럼 AIO는 일반 SERP보다 변동성이 높습니다. 따라서 한 번의 검색에서 우리 브랜드가 인용됐다는 사실만으로 GEO 성과가 높다고 판단해서는 안 됩니다. 반복 측정했을 때도 지속적으로 선택되는가를 확인해야 합니다.

이제는 ‘몇 위인가’보다 ‘누구의 답변에 들어가는가’를 봐야 합니다

'How Generative AI Disrupts Search' 연구는 생성형 검색 시대의 중요한 역설을 보여줍니다.

AI 활용을 통제하기 위한 크롤러 차단이 AI 검색에서의 가시성 감소와 연결될 수 있다는 것입니다.

특히 Google-Extended를 차단한 사이트에서 AI Overviews와 Gemini의 출처 인용이 감소하는 현상이 관찰됐다는 점은 퍼블리셔와 브랜드에게 중요한 전략적 질문을 던집니다. 동시에 연구진이 수행한 Manual UI와 API 간 Robustness Test는 이러한 대규모 API 기반 측정 결과가 실제 사용자 브라우저 경험과 상당히 유사한 패턴을 보인다는 점을 뒷받침했습니다. 또한 AIO의 결과가 일반 SERP보다 더 큰 변동성을 보였다는 점은 GEO 측정 방식에도 중요한 시사점을 제공합니다.

따라서 앞으로 GEO를 평가할 때는 단 한 번의 검색 결과가 아니라 반복적인 질문과 다양한 검색 환경에서 우리 브랜드가 얼마나 자주, 얼마나 일관되게 인용되는지를 살펴볼 필요가 있습니다.

결국 검색 경쟁의 질문은 이렇게 바뀔 것입니다.

“Google에서 몇 위인가?”

에서

“사용자가 AI에게 이 질문을 했을 때, AI는 누구의 콘텐츠를 근거로 답하는가?”

로 말입니다.

그리고 GEO의 궁극적인 목표 역시 여기에 있습니다. 검색되는 콘텐츠를 넘어, AI가 답변을 만들 때 선택하고 인용하는 콘텐츠가 되는 것. 앞으로의 검색 경쟁력은 바로 이 ‘AI가 선택하는 정보원’이 될 수 있는가에 의해 점점 더 좌우될 가능성이 높습니다.

이성규 대표는 “단순하게 챗GPT를 많이 이용한다는 걸 떠나 네이버도 AI 검색으로 전환하고 있다. 언론 산업은 지배적 기술의 변동에 따라 굉장한 파고를 맞게 된다. 특히나 AI 검색 시대로 들어오기 시작하면서 플랫폼에 대한 종속의 강도, 의존성의 강도는 이전과 다른 양상”이라며 “이전까지는 유통 영역에 의존하는 경향이었다. 지금은 생산 분야까지 이들의 힘을 빌리지 않으면 사실은 생존하기 되게 어려운 국면으로 빠져드는 현실이다. 언론사들은 독립적으로 뭔가를 만들어내기 어려운 국면으로 옮겨가고 있다고 생각한다”라고 현 상황을 진단했다.

이성규 대표는 “여러 분야의 뉴스를 추천해달라고 했을 때 가장 먼저 인용되는 건 여러분의 웹 사이트가 아니었다. 다음이었다”며 “대다수의 언론사는 다음에 뉴스를 공급하고 다음은 AI 크롤러(AI 학습을 위해 내용을 가져가는 프로그램)들이 다 들어오게끔 문을 열어둔 상황이다. 여러분들의 기사가 다음에 전송되는 순간 AI들이 다음에 있는 콘텐츠를 인용하는 구조가 현실적으로 나타나고 있다”며 “현업에서는 다음에 불만들을 많이 표시하고 있는 걸로 알고 있다. 그러나 시정되지 않고 있다. 이 상황에서 작은 트래픽이나마 만들어내고 싶었지만, 다음이 그 구조를 독식하는 형태로 나타나고 있다”라고 설명했다

고객 미팅에서 가장 많이 받는 질문 중 하나입니다. 그만큼 어떤 질문을 중심으로 GEO 데이터를 수집해야 하는지 고민이 많아서일 겁니다. 현실적으로 고객이 각 AI 검색별로 어떤 질문을 했는지 정확한 데이터로 파악할 방법은 존재하지 않습니다. 현재까지는 그렇습니다. AI 검색 기업들이 그 데이터를 공개하지 않아서입니다. 하지만 이를 역추적할 수 있는 가장 좋은 방법이 있습니다. 구글 서치 콘솔의 검색어 데이터를 활용하는 것입니다.

예를 먼저 들어보겠습니다. 구글 서치 콘솔은 인기 검색어를 집계해서 보여주고 있습니다. 이 데이터를 보면 최근 흥미로운 경향이 발견됩니다. 비교적 긴 문장의 검색어가 상당히 늘어나고 있는 현상입니다. 이는 다음 2가지의 결과로 인한 것으로 볼 수 있습니다.

• 쿼리 팬 아웃 결과
• 고객이 입력한 질문 전문

AI 검색은 고객의 질문이 입력되면 자동으로 쿼리를 팬아웃합니다. 혹은 쿼리를 재작성하기도 합니다. 이마저도 어려우면 아예 쿼리 전문 그대로 검색을 실행하기도 합니다. 그 데이터가 여기에 온전하게 들어오게 되는 것이죠. 구글 서치 콘솔에 입력된 검색어는 사실상 고객의 질문 그 자체라고 할 수 있습니다. 물론 일부 변형이 되긴 했지만, 살아있는 입력 데이터라고 할 수 있죠.

블루닷 인텔리전스는 이 데이터를 받아와서 고객의 실제 질문으로 재구성하는 기능을 이번에(9월 2일) 선보였습니다. '고객 질문 탐색' 기능입니다. 앞서서도 말씀드렸다시피 구글 서치 콘솔에 입력된 검색어 데이터(최소 3~4단어 이상)를 가져와 실제 고객이 질문한 자연어 문장으로 재구성을 하게 됩니다. 실제 질문과 가장 가깝게 재현하기 위해 저희 오랜 분석 노하우를 투영했습니다.

여기에 그치지 않습니다. 해당 질문의 노출수, 고객 여정의 단계, 의도 추정 결과 등을 함께 보여드립니다. 이를 통해 고객이 지금 어떤 여정에 어떤 의도로 질문하는지도 파악할 수 있습니다. 당연히 '추적 시작' 버튼을 누르면 곧바로 GEO 핵심 데이터를 추적할 수도 있습니다. '어떤 질문을 모니터링해야 하나' 고민을 덜 수 있게 된 것입니다.

고객 질문 탐색 사용 방법

• 먼저 구글 서치 콘솔 연동 버튼을 클릭하세요.
• 추적할 구글 서치 콘솔의 도메인을 선택하세요.
• 잠시 기다리면 자동으로 고객 질문 목록이 생성됩니다.
• 필요할 경우 추적 시작 버튼을 눌러, 모니터링을 시작하세요.

주간 보고서 메일 전송 기능 추가

또 하나 추가된 기능을 전해드리려고 합니다. '보고서 메일 전송 기능'입니다.

블루닷 인텔리전스에 수집되는 데이터를 매일매일 확인하지 않는 경우가 많습니다. 워낙 챙겨봐야 할 데이터가 많다 보니 그럴 수도 있고, 업무가 바빠서 확인 못하는 경우도 있습니다. 그러다가 중요한 변화를 체크하지 못하면 갑작스런 GEO 지표 변화에 당황해 할 수도 있습니다. 실제로 그런 경우도 자주 접하게 됩니다.

주간 보고서는 일주일에 최대 2회, 여러분들이 입력한 이메일로 GEO 핵심 지표의 변화 양상을 리포트로 보내주는 기능입니다. 블루닷 인텔리전스에 매일매일 들어오지 않더라도 주요 지표를 확인토록 함으로써, 모니터링 시점의 공백이 발생하지 않도록 도와주는 기능입니다.

주간 보고서 알림 사용 방법

• 왼쪽 메뉴바의 프로젝트 설정 클릭
• 주간 보고서 알림 클릭
• 알림 받기 활성화한 뒤에 보고서를 받고자 하는 요일과 시간 설정
• 수신 이메일 설정

이렇게만 설정을 해두면, 지정된 요일에 간략한 주간 보고서를 직접 받아보실 수 있습니다. 직접 사용해 보시고, 데이터 추가가 필요하다면 언제든지 저희 쪽에 연락해주세요. 업데이트는 얼마든지 가능합니다.

기타 업데이트 사항

몇 가지 추가된 데이터도 있습니다. 브랜드 가시성 메뉴와 도메인 인용률 메뉴에 들어가시면, 경쟁사 가시성 현황, 경쟁사 AI 인용률 현황 등이 추가됐다는 걸 확인하실 수 있을 겁니다. 경쟁사 분석의 깊이를 더하기 위한 조치입니다. 수집 중인 여러 데이터에서 해당 부분만 추출해 냈다고 보시면 됩니다. 물론 데이터 다운로드도 모두 지원합니다.

오는 9월에는 더 큰 규모의 업데이트를 준비 중입니다. 기대해주셔도 됩니다.

앞으로도 블루닷 인텔리전스는 GEO를 넘어 마케팅 의사결정 자동화 도구로 성장할 수 있도록 지속적으로 업데이트 할 계획입니다. 데이터 다양화와 심층화도 함께 진행할 것이고요.

GEO 분석(모니터링) 및 실행 자동화 플랫폼은 블루닷 인텔리전스 하나만으로 충분하도록 개발해가도록 하겠습니다. 컨설팅 프로그램도 있으니 잊지 말아주세요.

AI가 우리 브랜드를 언급하는가?
얼마나 눈에 띄게 언급하는가 또는 등장하는가?
우리 브랜드를 어떻게 설명하는가?
실제로 추천하고 행동을 유도하는가?

IAB(미국 인터랙티브 광고협회, Interactive Advertising Bureau)가 2026년 8월 'AI 시대, 가시성 측정' 보고서에서 제시한 브랜드 메트릭스 프레임워크는 이러한 질문을 Presence, Prominence, Portrayal, Persuasion이라는 네 가지 영역으로 나누어 설명합니다. 이 글에서는 각 영역에 포함되는 핵심 지표를 하나씩 살펴보고, 각각의 지표가 무엇을 의미하며 어떻게 해석해야 하는지 정리해봤습니다.

AI 브랜드 가시성 지표 한눈에 보기

먼저 전체 프레임워크를 간단하게 살펴보면 다음과 같습니다.

이를 하나의 흐름으로 정리해 보면 다음과 같습니다.

Presence(등장) → Prominence(주목) → Portrayal(인식) → Persuasion(행동)

1. Presence: AI 검색이 우리 브랜드를 알고 있는가?

Presence(존재감)는 AI 브랜드 가시성을 측정하는 가장 기본적인 영역입니다. AI에게 특정 질문을 했을 때 브랜드가 답변에 등장하는지, 다른 브랜드와 비교했을 때 얼마나 자주 등장하는지, 그리고 브랜드의 자체 콘텐츠가 출처로 활용되는지를 측정합니다.

Presence의 핵심 지표

Mention Rate | 언급률

Mention Rate는 정의된 쿼리 세트에서 AI 검색이 생성한 전체 응답 중 브랜드가 언급된 응답의 비율입니다. 간단히 표현하면 다음과 같습니다.

Mention Rate = 브랜드 언급 응답 수 ÷ 전체 응답 수

예를 들어 1,000개의 질문에 대해 AI 응답을 생성했고, 그중 250개에서 브랜드가 언급되었다면 Mention Rate는 25%입니다.

Mention Rate는 가장 기본적인 AI 가시성 지표입니다. 브랜드가 AI 답변에 아예 등장하지 않는다면, 이후의 Citation, Recommendation, Click-through와 같은 지표도 발생하기 어렵기 때문입니다. 하지만 Mention Rate를 해석할 때 한 가지 중요한 주의점이 있습니다. 어떤 질문을 측정 대상으로 선택했는지에 따라 결과가 달라진다는 것입니다. 예를 들어 제품 비교 질문만 측정했을 때와 정보 탐색, 구매 의도, 문제 해결 등 다양한 질문을 포함했을 때의 Mention Rate는 서로 다를 수 있습니다. 따라서 Mention Rate 자체만 비교하기보다는 쿼리 세트의 구성과 범위를 함께 확인해야 합니다.

핵심 질문:

AI가 브랜드를 언급하는가?

Citation Rate | 인용률

Citation Rate는 AI가 생성한 전체 응답 중 브랜드를 출처로 인용한 응답의 비율입니다. Mention Rate와 Citation Rate의 차이는 특히 중요합니다.

예를 들어 AI 검색이 특정 브랜드의 제품을 추천하면서 브랜드 웹사이트를 출처로 연결하거나, 브랜드를 정보의 출처로 명시했다면 Citation으로 볼 수 있습니다. 따라서 Citation Rate는 AI 플랫폼이 브랜드의 자체 콘텐츠나 도메인을 얼마나 권위 있는 정보원으로 취급하는지를 보여주는 지표입니다.

특히 Mention Rate는 높은데 Citation Rate는 낮은 경우가 중요한 신호가 될 수 있습니다. 이는 AI가 브랜드의 존재는 알고 있지만, 브랜드가 제공하는 콘텐츠를 답변의 근거로 충분히 활용하지 않고 있다는 의미일 수 있기 때문입니다.

Mention Rate = 인지도에 가까운 신호
Citation Rate = 정보원으로서의 신뢰도에 가까운 신호

Citation은 일반적으로 하이퍼링크가 포함된 링크형 참조 또는 브랜드명을 출처로 명시한 named reference를 포함합니다. 블루닷 인텔리전스는 각 AI 검색별로 인용률을 독립적으로 측정해 대시보드에 표시하고 있습니다.

핵심 질문:

AI가 브랜드를 신뢰할 만한 출처로 활용하는가?

Share of Voice | 점유율

Share of Voice(SOV)는 브랜드의 절대적인 언급량이 아니라 경쟁 구도 안에서 차지하는 상대적인 비중을 보여줍니다. 정의된 경쟁 카테고리에서 발생한 전체 브랜드 언급 중 특정 브랜드의 언급이 차지하는 비율입니다. 예를 들어 한 카테고리에서 3개 브랜드가 다음과 같이 언급되었다고 가정해 보겠습니다.

브랜드 A의 Mention Rate가 높더라도 경쟁 브랜드의 언급량이 더 빠르게 증가한다면 시장 내 상대적 위치는 약해질 수 있습니다. 이 때문에 SOV는 “우리 브랜드가 얼마나 많이 나오는가?”보다 “경쟁사와 비교해 얼마나 많이 나오는가?”를 이해하는 데 유용합니다.

Co-mention도 함께 볼 필요가 있다

Co-mention은 브랜드가 AI 검색 답변에서 어떤 경쟁 브랜드와 함께 언급되는지를 분석하는 관점입니다. 예를 들어 특정 브랜드가 지속적으로 브랜드 B, C와 함께 등장한다면, AI 모델이 이 세 브랜드를 하나의 경쟁 세트로 인식하고 있을 가능성을 생각해볼 수 있습니다. 다만 Co-mention은 별도의 독립적인 핵심 지표라기보다는 Mention Rate와 Share of Voice를 해석하기 위한 분석 관점으로 보는 것이 적절합니다.

SOV를 비교할 때 확인해야 할 것

SOV는 측정 방법에 따라 결과가 크게 달라질 수 있습니다.

따라서 서로 다른 측정 도구의 SOV를 비교할 때는 동일한 방법론인지 확인하는 것이 필수적입니다. 현재 블루닷 인텔리전스는 SOV를 고객사가 입력한 경쟁사 목록을 기반으로 전체 언급 모수를 산정한 뒤 해당 브랜드의 언급 횟수를 분자로 삼아 계산하고 있습니다.  

핵심 질문:

경쟁 브랜드와 비교했을 때 우리는 얼마나 많이 언급되는가?

Visibility Momentum | 가시성 모멘텀

현재의 가시성도 중요하지만, 그보다 더 중요한 질문이 있습니다.

우리 브랜드의 AI 가시성은 좋아지고 있는가?

Visibility Momentum은 바로 이 변화를 측정합니다. 일정한 기간 사이의 Mention Rate 또는 Share of Voice 변화를 비교해 브랜드 가시성이 상승하고 있는지, 정체되어 있는지, 하락하고 있는지를 파악합니다. 예를 들어 다음과 같습니다.

이 지표를 통해 단순한 현재 상태가 아니라 가시성의 방향성을 확인할 수 있습니다. 다만 AI 플랫폼은 모델 업데이트나 시스템 변경이 빈번합니다. 이러한 변화로 인해 브랜드 성과와 관계없이 측정 기준선 자체가 달라질 수 있습니다. 따라서 트렌드 데이터를 사용할 때는 플랫폼 변경 이후 데이터를 재기준화했는지(re-baseline) 확인하는 것이 중요합니다.

핵심 질문:

브랜드의 AI 가시성이 좋아지고 있는가, 정체되고 있는가, 떨어지고 있는가?

2. Prominence: 얼마나 눈에 띄게 등장하는가?

브랜드가 AI 답변에 등장한다고 해서 모두 같은 가치를 갖는 것은 아닙니다. AI 검색 답변의 첫 문장에서 핵심 추천으로 등장하는 것과, 긴 답변의 마지막 부분에서 여러 브랜드 중 하나로 등장하는 것은 사용자에게 전달되는 영향력이 다릅니다. Prominence(두드러짐)는 바로 이 차이를 측정합니다. 현재 프레임워크에서 핵심적으로 다루는 지표는 Position입니다.

Position | 위치

Position은 AI가 생성한 원문 자체가 아니라 사용자가 실제로 보는 형식의 AI 응답에서 브랜드가 어디에 등장하는지를 측정합니다.

Position에는 다양한 요소가 포함될 수 있습니다.

리스트형 응답에서는 Position을 비교적 쉽게 측정할 수 있습니다. 반면 서술형 답변에서는 “첫 번째 브랜드”라는 개념 자체가 명확하지 않을 수 있습니다. 따라서 각 측정 도구가 서술형 응답에서 Position을 어떻게 정의하고 있는지 확인해야 합니다. 또한 어디까지를 실제 노출로 볼지도 중요합니다.

• 전체 렌더링된 응답을 분석하는가?
• 사용자가 스크롤해야 하는 내용까지 포함하는가?
• 첫 화면에 보이는 내용만 측정하는가?

이러한 방법론적 차이가 Position 결과에 영향을 줄 수 있습니다. 현재 블루닷 인텔리전스는 위치 지표를 '최상단 언급률'이라는 지표로 제시하고 있습니다. 블루닷 인텔리전스의 최상단 언급률은 전체 수집된 답변 중 브랜드가 AI 검색 답변 상위 20%에 포함된 답변의 비율로 측정하고 있습니다. 이와 별개로 각 답변별로 브랜드가 언급된 위치를 세세하게 확인할 수 있도록 데이터를 제공하고 있습니다.

핵심 질문:

브랜드가 AI 답변에서 얼마나 눈에 띄는 위치에 등장하는가?

3. Portrayal: AI는 브랜드를 어떻게 설명하는가?

AI 환경에서는 브랜드가 등장하는 것만큼 어떻게 묘사되는지가 중요합니다. 같은 브랜드라도 AI가 “시장 선도 브랜드”라고 설명할 수도 있고, “저렴한 대안”이라고 설명할 수도 있습니다. 또한 브랜드에 대한 정보가 긍정적일 수 있지만 사실과 다를 수도 있고, AI가 존재하지 않는 정보를 만들어낼 수도 있습니다.

Portrayal(묘사) 영역에서는 이러한 차이를 Sentiment, Framing, Hallucination Rate, Factual Inaccuracy Rate로 살펴봅니다.

Sentiment | 감성

Sentiment는 AI가 브랜드를 긍정적, 중립적, 부정적으로 묘사하는지를 측정합니다. 특히 정보 탐색형 질문에서는 브랜드에 대한 전반적인 인식을 파악하는 데 유용합니다. 다만 추천이나 상업적 맥락에서는 중립적인 설명이 자연스럽게 많이 나타날 수 있습니다.

또한 “좋지만 가격이 비싸다”처럼 긍정과 부정의 요소가 동시에 포함된 표현이나, 브랜드 간 미묘한 비교 표현은 단순한 긍정/부정 분류만으로 정확하게 판단하기 어렵습니다. 따라서 Sentiment 데이터를 활용할 때는 분류 방법론과 정확도 기준을 함께 확인해야 합니다.

현재 블루닷 인텔리전스는 개별 답변의 긍부정 지수를 정량화한 뒤 이를 평균내는 방식으로 긍부정 지수를 계산하고 있습니다.

핵심 질문:

AI는 우리 브랜드를 긍정적으로, 중립적으로, 혹은 부정적으로 묘사하는가?

Framing | 프레이밍

Framing은 AI가 브랜드를 어떤 맥락과 포지션으로 인식하고 설명하는지를 측정합니다. 예를 들어 AI는 특정 브랜드를 다음과 같이 묘사할 수 있습니다.

Framing은 단순히 “좋다/나쁘다”를 넘어 AI 검색이 우리 브랜드를 어떤 브랜드라고 생각하는지를 보여줍니다. 따라서 실제 브랜드 포지셔닝과 AI가 만들어내는 브랜드 포지셔닝이 일치하는지를 확인하는 데 중요한 지표입니다.

핵심 질문:

AI는 우리 브랜드를 어떤 역할과 포지션으로 인식하는가?

Hallucination Rate | 환각률

Hallucination Rate는 전체 브랜드 언급 중 AI가 근거 없이 만들어낸 브랜드 관련 정보가 포함된 언급의 비율입니다. 예를 들어 AI가 실제로 존재하지 않는 제품 특징을 만들어내거나, 특정 브랜드가 실제로 제공하지 않는 서비스를 제공한다고 설명한다면 환각에 해당할 수 있습니다.

여기서 중요한 것은 Hallucination과 Factual Inaccuracy를 구분하는 것입니다.

Hallucination Rate는 모델에 따라 크게 달라질 수 있기 때문에 플랫폼별로 측정하는 것이 중요합니다. 또한 모델 업데이트가 환각률에 영향을 줄 수 있으므로 시간에 따른 변화도 지속적으로 확인할 필요가 있습니다.

핵심 질문:

AI가 우리 브랜드에 대해 근거 없는 정보를 만들어내고 있는가?

Factual Inaccuracy Rate | 사실 부정확성률

Factual Inaccuracy Rate는 AI가 브랜드를 정확하게 인식하고 언급했지만, 그 과정에서 실질적으로 잘못된 정보를 전달하는 언급의 비율입니다.

대표적인 사례는 다음과 같습니다.

• 잘못된 제품 사양
• 오래된 가격
• 잘못된 기능 정보
• 잘못된 회사 연혁
• 다른 제품의 기능을 해당 브랜드에 잘못 귀속

이 문제는 Hallucination과 원인이 다릅니다. AI가 임의로 정보를 만들어낸 것이 아니라, 실제로 존재하는 잘못된 원천 정보를 참고해 답변했을 수 있기 때문입니다. 따라서 브랜드 입장에서는 AI가 참고할 수 있는 정확하고 최신의 Source of Truth를 관리하는 것이 중요합니다.

핵심 질문:

AI가 우리 브랜드에 대한 사실을 정확하게 전달하고 있는가?

4. Persuasion: 노출이 실제 행동으로 이어지는가?

브랜드가 AI에 등장하고, 좋은 위치에 노출되고, 긍정적으로 묘사되는 것만으로 비즈니스 성과가 보장되는 것은 아닙니다. 최종적으로 중요한 것은 AI가 브랜드를 실제로 추천하는지, 그리고 그 추천이나 인용이 사용자의 행동으로 이어지는지입니다.

이를 측정하는 영역이 Persuasion(설득)입니다.

Recommendation Strength | 추천 강도

Recommendation Strength는 브랜드가 단순히 언급되는 것을 넘어 얼마나 적극적으로 추천되는지를 측정합니다.

다음 두 문장을 비교해보면 차이를 쉽게 이해할 수 있습니다.

추천 강도를 평가할 때는 다음과 같은 요소를 고려할 수 있습니다.

• 적극적인 추천 표현이 사용되었는가?
• 추천이 답변에서 얼마나 두드러지는가?
• 구체적인 추천 이유가 있는가?
• 조건부 추천인가?
• 무조건적인 추천인가?

다만 어디까지를 “추천”으로 볼 것인지는 방법론적인 판단이 필요한 영역입니다. 따라서 측정 도구가 어떤 평가 기준 표(scoring rubric)을 사용하고 있는지 확인하는 것이 중요합니다.

핵심 질문:

AI가 우리 브랜드를 단순히 언급하는가, 아니면 실제로 추천하는가?

Post-Citation CTR | 인용 후 클릭률

Post-Citation CTR은 AI 응답에서 브랜드가 언급되거나 인용된 이후 사용자가 브랜드의 디지털 자산으로 이동한 비율을 의미합니다. 이 지표는 지금까지 살펴본 가시성 지표와 실제 사용자 행동을 연결하는 역할을 합니다.

따라서 Post-Citation CTR은 AI Visibility와 Attribution 사이를 연결하는 브리지 지표라고 볼 수 있습니다.

모든 AI 플랫폼이 클릭 데이터를 제공하는 것은 아닙니다. 따라서 실제 측정 가능 여부는 플랫폼별 데이터 제공 범위에 따라 달라질 수 있습니다. 또한 클릭 이후의 전체 전환 및 기여도 측정은 보다 넓은 Attribution Framework와 함께 다뤄질 영역입니다.

블루닷 인텔리전스는 고객사의 GA4와 연동해서 인용 후 클릭률을 추적합니다. 이는 고객사가 GA4 연동을 블루닷 인텔리전스 내에서 진행했는가가 중요합니다.

핵심 질문:

AI에서의 브랜드 노출이 실제 사용자 방문과 행동으로 이어지는가?

결국 어떤 지표를 함께 봐야 할까?

AI 브랜드 가시성을 하나의 숫자로 판단하는 것은 충분하지 않습니다. 예를 들어 다음과 같은 결과가 나올 수 있습니다.

세 브랜드 모두 “AI에 잘 노출되고 있다”고 단순하게 말할 수 있지만, 실제 상황은 매우 다릅니다.

• A는 많이 언급되지만 출처로 활용되거나 추천되는 정도는 낮을 수 있습니다.
• B는 언급량 자체는 상대적으로 낮지만, AI가 신뢰할 만한 출처로 활용하고 적극적으로 추천할 가능성이 있습니다.
• C는 가시성은 높지만 부정적인 맥락이 강할 수 있습니다.

즉, Visibility와 Influence는 같은 개념이 아닙니다.

AI 브랜드 가시성의 전체 퍼널

네 가지 영역을 연결하면 AI 환경에서 브랜드가 사용자에게 영향을 미치는 과정을 하나의 퍼널로 이해할 수 있습니다.

이를 한 문장으로 요약하면 다음과 같습니다.

등장하는가 → 눈에 띄는가 → 어떻게 묘사되는가 → 추천하는가 → 실제 행동으로 이어지는가

이것이 AI 시대의 브랜드 가시성을 이해하는 핵심적인 흐름입니다.

블루닷 인텔리전스가 제공하는 주요 가시성 지표 목록

현재 블루닷 인텔리전스는 IAB가 제시한 가시성 지표의 대부분을 제공하고 있습니다. 다만, 묘사 층위(Portrayal)의 Framing, Hallucination Rate, Factual Inaccuracy Rate 등 지표는 추가 개발을 검토 중입니다. 고객사의 기본 입력 정보가 존재해야 측정할 수 있는 지표여서 여러 방안을 검토 중이라는 말씀을 드리고자 합니다.

AI 가시성은 ‘얼마나 많이 나오느냐’의 문제가 아니다

AI 검색 환경에서 브랜드 측정의 기준은 점점 더 정교해지고 있습니다. 과거에는 검색 결과에서 브랜드가 몇 위에 노출되는지가 중요한 질문이었다면, 이제는 다음과 같은 질문을 함께 던져야 합니다.

• 우리 브랜드가 AI 답변에 얼마나 자주 등장하는가?
• 경쟁사보다 더 많이 등장하는가?
• 답변의 앞부분에서 중요한 추천으로 등장하는가?
• AI는 우리 브랜드를 어떤 이미지와 맥락으로 설명하는가?
• 잘못된 정보나 환각이 발생하고 있는가?
• 단순한 언급을 넘어 실제로 추천하고 있는가?
• 그리고 그 노출이 실제 사용자 행동으로 이어지는가?

결국 AI 시대의 브랜드 가시성은 하나의 숫자가 아니라 Presence → Prominence → Portrayal → Persuasion이라는 여러 단계의 경험으로 이해해야 합니다.

브랜드가 AI에서 성공적으로 존재한다는 것은 단순히 “많이 언급되는 것”이 아닙니다. 발견되고, 주목받고, 정확하게 설명되고, 신뢰받고, 추천되고, 결국 행동으로 이어지는 것. 이 과정에 유기적으로 매끄럽게 연결되는 걸 성공이라고 할 수 있습니다.

블루닷 인텔리전스는 IAB 등 국제기관의 표준 지표와 방법론을 따르면서 더 다양한 GEO 가시성 데이터를 제공해드리기 위해 지속적으로 노력할 계획입니다.

Alongside Bluedot Intelligence, our SaaS platform for analyzing and executing AI search optimization, we also offer consulting programs based on the platform. Paying close attention to the trends described above, we have developed a new optimization framework. We call this framework the DUCA Model (Discover – Understanding – Citation – Action).

It is our own methodology, developed and refined through the results of several GEO consulting projects. Today, I would like to briefly introduce this framework.

GEO is, at its core, an optimization discipline designed for machines. In other words, it helps bots such as crawlers and agents used by AI search systems discover relevant documents they can trust.

The DUCA Model divides this optimization process into four stages and lays out the details that need to be optimized at each stage. While I won't be able to cover the specific techniques for every category today, I'd like to share the overall framework.

• Discoverability (Discover): This is the process of optimizing content so that bots can easily discover content produced by a brand. It includes many traditional SEO techniques. At the most basic level, this means building a machine-readable infrastructure. Optimizing sitemaps, for example, falls into this category. Several content-level optimization techniques are also included in this stage.
• Understandability (Understanding): Being able to read a document is not the end of the process. Machines also need to be able to clearly understand what each element in a document means, where one topic begins and ends, what a particular product is, and what characteristics it has. Otherwise, AI-related bots have to spend more resources figuring out what each element means. This reduces the efficiency of their understanding and ultimately increases the cost of operating the bots. This becomes easier to understand when viewed from the perspective of AI search companies that want to keep their costs down.
• Citation Potential (Citation): Once the first two stages are complete, the optimization process moves into a phase focused on gaining a competitive advantage. There can be a large number of documents that could potentially serve as evidence for answering a customer's question—sometimes dozens or even hundreds for a single query. For a brand's content to be directly cited, it needs to have a qualitative and trust advantage over competing documents. In other words, it needs to be credible.

If an AI system happens to cite content produced by an organization or author whose evidence is weak and whose credibility is questionable, it can lead to hallucinations. This is one of the scenarios AI search systems are most concerned about. AI search is inherently risk-averse. To generate answers as safely as possible, AI search systems have little choice but to cite the most up-to-date and trustworthy documents, unless the customer is asking a highly unusual or niche question.

• Actionability (Action): Finally, there is the optimization stage for Agent Commerce—optimizing for actionability. OpenAI and Stripe have introduced the ACP (Agentic Commerce Protocol), while Google has announced AP2 (Agent Payments Protocol). These developments signal the arrival of the “agentic economy” and the “delegation economy.”

The era of delegated purchasing through AI agents has already begun. Commerce brands need to understand this shift and prepare for it. This means building the necessary technical infrastructure so that an agent entrusted with purchasing authority by a customer can complete a purchase directly on the brand's website. These types of optimization techniques fall into this category—for example, building and maintaining a Product Feed.

BlueDot AI offers consulting programs based on this DUCA framework, alongside BlueDot Intelligence, our AI search optimization analysis and execution platform. We have already seen results from the framework.

Of course, the DUCA framework will continue to evolve. The detailed checklist will grow as well. Given how quickly the landscape is changing, the name itself could even change a year or two from now. But for now, I want to share the fact that this framework is working well in practice.

What Do You Get from GEO? Does It Actually Drive Revenue?

I occasionally meet people who ask, “Does GEO actually increase revenue?”

My answer is yes.

I use the graph above to illustrate why. AI search can lead to zero-click experiences, but from another perspective, it can also deliver some of the highest-quality visitors.

Customers who have already explored, discovered, compared, and evaluated options through AI search are essentially visiting a website with purchase intent. Naturally, this means they are more likely to have a higher conversion rate.

As shown in the SEMrush report, “2025 Global State of Ecommerce”, traffic from AI search has a conversion rate (CVR) more than twice as high as organic search. It is even reported to have a higher conversion rate than traffic generated through paid search.

Effective GEO can therefore do more than reduce advertising costs. It can also lead to higher purchase conversion rates and, ultimately, increased revenue.

I highly recommend taking a look at the report.

If you are interested in BlueDot Intelligence's GEO consulting services, please apply through the link below.

• Link: Inquire About Bluedot Intelligence GEO Consulting

As generative AI search services such as ChatGPT, Perplexity, and Google AI Overviews become part of everyday life, the challenges facing Korean media companies are changing as well. The question is no longer simply, “Does our article appear prominently in search results?” Instead, a new performance metric is emerging: “Does AI cite our publication when generating an answer?”

Through a roughly four-month GEO (Generative Engine Optimization) consulting project conducted by Bluedot Intelligence for Media Company A from March to July 2026, let’s take a closer look at what actually changes AI citation rates.

Where We Started: The Reality of Citation Rates in the 0% Range

At the beginning of the project, the publication’s domain citation rate was 0% for generic queries that did not include its brand name—for example, questions about specific issues or events. Even for queries that did include the brand name, the citation rate was only around 8.8%.

By contrast, brand visibility—the percentage of AI responses that mentioned the publication at all—was already close to 100%. In other words, AI “knew” the publication, but did not cite it.

This is a typical problem faced by many media organizations. They may have plenty of content, but AI crawlers may not be able to access that content properly, or unstructured data may prevent the publication from being recognized as a reliable source.

What Changed: A Series of Technical Improvements

The measures implemented over approximately four months fell into three broad categories.

1. Improving Crawling Accessibility

• Opened access to five major indexing bots, including OAI-Search
• Registered the site with Bing and added Google Newsbot
• Cleaned up 301 redirects for AMP pages
• Updated outdated sitemaps and fixed 404 errors

2. Transitioning to Server-Side Rendering (SSR)

The most significant turning point came in early June, when the site transitioned to server-side rendering (SSR). Following the transition, according to Google Search Console, average daily impressions increased by 2.54x, while clicks increased by 2.01x. The lag between implementation and impact was also remarkably short—less than a day.

3. Enhancing Structured Data (Schema)

Schema markup such as Organization, NewsArticle, and BreadcrumbList was progressively implemented across the corporate information and article pages, followed by a full-scale expansion in mid-June.

The Results: Different Responses Across Channels, but Clear Gains Overall

As of the final measurement in July, the results were as follows:

• Citation rate for branded queries: 8.8% → 62.3% (a steady increase from the beginning)
• Citation rate for non-branded queries: 0% range → 23.3% (a sharp jump following the SSR transition)
• Visibility for non-branded queries: 25.1% → 47.9%

One particularly interesting finding was that the speed of response varied significantly across AI search channels.

One AI search channel that had previously performed particularly poorly showed a structural turnaround after an in-depth diagnostic in June identified wasted crawl budget as a key issue. Once the problem was addressed, its citation rate for branded queries shifted from 0% to 20%.

What the Data Tells Us: Correlation with Traditional KPIs

Perhaps the most significant finding from this project was that GEO performance was not limited to the new metric of AI citation rate. It also showed a statistically significant correlation with traditional search KPIs, including Google Search Console (GSC) impressions and clicks.

An analysis of daily data (n=111 days, based on a 7-day moving average) found that the correlation coefficient between GSC impressions and GEO domain citation rate was approximately 0.80.

This suggests that GEO consulting is not simply a separate effort designed to “improve visibility in AI.” Rather, it can be understood as an initiative that improves the overall technical health of a site across search engines.

The Remaining Challenge: Differences by Content Type

Of course, not everything has been solved.

Of the seven vulnerable non-branded query categories, six successfully moved from 0% to the 10–99% range. However, certain types of queries—particularly those requiring interpretation of historical events—remain at 0% despite the technical improvements.

This suggests that technical improvements such as crawling and structured data need to be accompanied by improvements in the design and presentation of the content itself.

Conclusion

This case highlights three key takeaways.

1. AI citation is different from visibility. There can be a significant gap between AI “knowing” a publication exists and actually citing it. Closing that gap is at the heart of GEO.
2. Technical improvements can translate into tangible results. SSR migration, schema markup, and improved crawling accessibility are not isolated initiatives; when implemented together, they can create a compounding effect.
3. Different channels respond at different speeds. To see the full picture of a GEO consulting project, short-term performance indicators such as GSC metrics and medium- to long-term outcomes such as generative AI search visibility need to be designed and evaluated together.

As AI search increasingly becomes a new gateway for content consumption, the next competitive advantage for media companies and brands may lie not in “how often they are seen,” but in “how often they are cited as a trustworthy source.”

This case study is based on a GEO consulting project conducted by BlueDot Intelligence. The name of the media organization has been withheld.

왜 PR 담당자 위한 GEO 아카데미를 열게 됐나

GEO(Generative Engine Optimization)에 대한 관심이 높아지면서 GEO 강연이 꽤나 흔해졌습니다. 마케터들의 필수 교육 코스로 인식되는 흐름도 감지되고 있습니다. GEO는 그 특성상 여러 직군들의 협업이 전제돼야 개선 효과를 경험할 수 있습니다. 마케팅, 커머스, 개발, PR, 소셜미디어 담당까지, GEO 관련 업역에서 예외인 분야는 거의 없을 정도입니다.

GEO가 포괄해야 하는 영역이 넓어질수록, 각 세부 직군들 담당자들은 자신의 업무에 필요한 GEO 관련 사항에 대해서 더 깊이있게 이해하고 숙지하고자 하는 경향이 강해졌습니다. 담당 마케터와 PR담당자에게 요구되는 GEO 업무가 다를 수밖에 없기에 이를 분리해서 전달하는 과정이 필요해진 겁니다. 예를 들어, AI검색의 기술적 메커니즘을 설명하는 과정은 필수적이라고 할 수 있는데요, 각 직군마다 기술적 이해 정도가 다르기에 이를 고려한 교육 코스가 필요해진 것이죠.  

PR은 전체 GEO 업무에서 중요한 역할을 차지합니다. 권위 있는 언론사와의 관계를 구축하고 유지하며, 자사의 핵심 가치와 콘텐츠를 전달하고 확산하는 핵심 업무를 담당하고 있습니다. 다만, AI검색 시대로 전환하면서, 어떤 언론사와 어떤 강도로 관계를 관리해야 할지는 달라질 수밖에 없는 상황입니다. '네이버 검색' 시대와는 다른 관계 관리가 요구된다고 할 수 있습니다.

GEO 아카데미에서 무엇을 얻어갈 수 있나

이번 GEO 아카데미는 PR을 담당하는 숙련된 실무자부터 리더급 의사결정자들이 함께 들을 수 있도록 코스를 구성했습니다. On-Site GEO 전략과 Off-Site GEO 전략의 A-Z까지 얻어갈 수 있도록 하되, 직급에 관계 없이 GEO 전략에 대한 이해도를 높이는데 초점을 맞췄습니다. 무엇보다 '무엇을 준비하고 무엇을 측정하고, 무엇을 실행해야 하는가'에 대한 명확한 길라잡이를 제공하는 걸 목표로 삼았습니다.

블루닷에이아이의 파트너 '인터메이저'는 국내 굴지의 대기업 PR 부서와 오랫동안 협업을 해왔습니다. 현장 임원부터 실무 담당자들의 고충을 누구보다 잘 알고 있는 에이전시입니다. 인터메이저의 오랜 노하우와 경험, 내부 조사 등의 고민이 이 코스에 고스란히 반영돼 있습니다.

총 8개 코스로 구성돼 있는데요. 거시적인 인사이트부터 실무적인 관리, 개선 업무에 이르기까지 총 망라했습니다. 한국PR협회의 피드백을 충분히 고려해서 다음과 같이 코스를 구성했습니다. 제목이 다소 가벼워 보인다고, 내용까지 깊이가 없을 것이라고 단정하진 않으셔도 됩니다.  QA를 통해 심층적인 정보를 전달하는 것도 충분히 가능하다는 점을 이해해주시기 바랍니다.

GEO 아카데미 어디서 신청하면 되나

PR 담당자를 위한 GEO 아카데미는 한국PR협회 홈페이지에서 신청하실 수 있습니다. 궁금하신 사항은 인터메이저에서 친절하게 답변을 드릴 예정입니다.

• 신청 기간 : 8월 20일~9월4일(금)
• 아카데미 문의 : geo@intermajor.co.kr
• 강연장 : 교원투어 강연장
• 강연장 주소: 서울시 종로구 청계천로 51-1 교원투어빌딩
• 전화: 02-397-0275
• 찾아오시는 길: 지하철 1호선 종각역 5번 출구에서 150m
• *주차 지원이 되지 않습니다. 대중교통 이용을 권합니다.

블루닷 인텔리전스가 약 4개월간(2026년 3월~7월) 진행한 A언론사의 GEO(Generative Engine Optimization) 컨설팅 사례를 통해, 실제로 무엇이 AI 인용률을 바꾸는지 살펴봅니다.

시작점: 인용률 0%대의 현실

프로젝트 초기, 해당 매체는 브랜드명을 포함하지 않은 일반 질의(예: 특정 이슈나 사건에 대한 질문)에서 AI 검색의 도메인 인용률이 0%에 머물러 있었습니다. 브랜드명을 포함한 질의에서도 인용률은 8.8% 수준에 불과했죠. 반면 브랜드 가시성(AI가 해당 매체를 언급이라도 하는 비율)은 이미 100%에 가까웠습니다. 즉, AI는 이 매체를 "알고는 있지만 인용하지는 않는" 상태였습니다.

이는 많은 언론사가 마주하는 전형적인 문제입니다. 콘텐츠는 충분한데, AI 크롤러가 콘텐츠에 제대로 접근하지 못하거나, 구조화되지 않은 데이터 때문에 신뢰할 만한 출처로 인식되지 못하는 경우입니다.

무엇을 바꿨나: 기술 조치의 연쇄

약 4개월간 진행된 조치는 크게 세 갈래로 나뉩니다.

1. 크롤링 접근성 개선

• 주요 색인봇(예, OAI-Search) 5종에 대한 접근 개방
• Bing 등록, 구글뉴스봇 추가
• AMP 페이지의 301 리다이렉트 정리
• 오래된 사이트맵 정비 및 404 오류 개선

2. 렌더링 구조 전환 (SSR)가장 결정적인 변곡점은 6월 초 서버사이드 렌더링(SSR) 전환이었습니다. 이후 Google Search Console 기준 일평균 노출수가 2.54배, 클릭수가 2.01배 증가했고, 반영 시차는 하루 이내로 매우 빨랐습니다.

3. 구조화 데이터(Schema) 고도화회사소개, 기사 페이지 등에 Organization, NewsArticle, BreadcrumbList 등의 스키마 마크업을 순차 적용했고, 6월 중순 전면 확장을 진행했습니다.

결과: 채널마다 다르게, 그러나 분명하게

7월 최종 측정 시점 기준 성과는 다음과 같습니다.

• 브랜드 포함 질의 인용률: 8.8% → 62.3% (처음부터 꾸준히 상승)
• 브랜드 미포함 질의 인용률: 0%대 → 23.3% (SSR 이후 급격히 도약)
• 브랜드 미포함 질의 가시성: 25.1% → 47.9%

흥미로운 점은 AI 검색 채널마다 반응 속도가 크게 달랐다는 사실입니다.

특히 그동안 가장 부진했던 한 AI 검색 채널은 6월 심층 진단에서 크롤링 예산 낭비 문제가 확인된 뒤, 이를 해소하자 브랜드 포함 질의 인용률이 0%에서 20%로 전환되는 구조적 반전을 보였습니다.

데이터가 말해주는 것: 전통 KPI와의 상관관계

이번 프로젝트에서 특히 의미 있었던 부분은, GEO 성과가 AI 인용률이라는 새로운 지표에만 그치지 않고 기존 검색 KPI(GSC 노출·클릭)와도 통계적으로 유의한 상관관계를 보였다는 점입니다. 일별 데이터(n=111일, 7일 이동평균 기준) 분석 결과 GSC 노출수와 GEO 도메인 인용률의 상관계수는 약 0.80에 달했습니다.

이는 GEO 컨설팅이 단순히 "AI에 잘 보이기 위한" 별도 작업이 아니라, 검색엔진 전반의 기술적 건강도를 개선하는 작업이라는 점을 보여줍니다.

남은 과제: 콘텐츠 유형별 편차

물론 모든 것이 해결된 것은 아닙니다. 취약했던 언브랜드 질의 7개 중 6개는 0%에서 10~99%대로 전환에 성공했지만, 일부 역사적 사건에 대한 해석이 필요한 특정 유형의 질의는 기술적 조치만으로는 해결되지 않고 여전히 0%에 머물러 있습니다. 이는 크롤링·구조화 데이터 같은 기술적 개선과, 콘텐츠 자체의 설계·서술 방식 개선이 함께 가야 한다는 것을 시사합니다.

정리

이 사례가 보여주는 핵심은 세 가지입니다.

1. AI 인용은 가시성과 다르다 : AI가 매체를 "알고 있는 것"과 "인용하는 것" 사이에는 큰 갭이 존재하며, 이를 좁히는 것이 GEO의 본질입니다.
2. 기술 조치가 실제 성과로 이어진다 : SSR 전환, 스키마 마크업, 크롤링 접근성 개선은 각각 독립적이지 않고 서로 결합되어 상승효과를 냅니다.
3. 채널마다 반응 속도가 다르다 : 단기 성과(GSC)와 중장기 성과(생성형 AI 검색)를 함께 설계해야 컨설팅의 전체 그림이 완성됩니다.

AI 검색이 콘텐츠 소비의 새로운 관문이 되어가는 지금, "얼마나 많이 노출되는가"보다 "얼마나 신뢰할 만한 출처로 인용되는가"가 언론사와 브랜드의 다음 경쟁력이 될 것입니다.

본 사례는 블루닷 인텔리전스의 GEO 컨설팅 프로젝트를 기반으로 작성되었으며, 특정 매체명은 비공개로 처리했습니다.

2만7000쪽 분석으로 드러난 검색·캐시·인용의 구조

ChatGPT가 웹을 검색해 답변할 때, 사용자가 운영하는 웹페이지 전체를 처음부터 끝까지 읽는 경우는 드뭅니다. 대부분의 답변은 검색엔진이 가져온 제목과 주소, 약 200자 분량의 짧은 요약문을 바탕으로 작성됩니다. 2026년 7월 수집된 1,200건 이상의 실제 답변과 2만7,000쪽이 넘는 웹페이지를 분석한 결과입니다.

resoneo 분석에 따르면 ChatGPT가 검색으로 불러온 URL은 약 5만8,000개였습니다. 이 가운데 출처 패널에 주요 출처로 올라온 URL은 7,600개, 답변 본문에 인용된 URL은 5,000개였습니다. 모델이 실제로 페이지를 열어 읽은 경우는 760건에 그쳤습니다.

resoneo 연구진은 이 결과가 웹사이트의 실제 품질만으로는 ChatGPT 노출을 설명하기 어렵다는 점을 보여준다고 분석했습니다. 특정 사이트가 어떤 검색 경로에 포함되는지, 모델이 어떤 형식의 정보를 받는지, 해당 정보가 얼마나 오래 캐시에 남아 있는지가 모두 영향을 미친다는 설명입니다.

8월 변화…무료 ‘Think’와 유료 추론의 경로가 달라졌습니다

2026년 8월 추가 실험에서는 무료 계정에 ‘Think’ 버튼이 추가된 뒤 검색 구조가 크게 달라진 사실이 확인됐습니다. 무료 Think 모드는 OpenAI의 자체 색인인 ‘labrador’에서 결과의 약 75%를 가져왔습니다. 반면 유료 추론 모드는 같은 수준의 검색량을 보이면서도 결과의 약 75%를 Google 검색 결과를 수집한 경로에서 가져왔습니다.

같은 무료 계정에서도 ‘Think’를 누르면 검색 범위가 크게 넓어졌습니다. 동일한 60개 질문을 비교한 결과, 일반 즉시 답변은 대화당 평균 15.1개의 URL을 가져온 반면 Think 모드는 35.3개를 가져왔습니다. 고유 도메인 수 역시 9.8개에서 16.3개로 증가했습니다.

반대로 유료 추론 모드의 검색 범위는 7월보다 좁아졌습니다. 중간 노력 수준에서 대화당 검색 확산 횟수는 3.56회에서 1.90회로, 수집 URL은 47.2개에서 33.9개로 줄었습니다. 고급 노력 수준에서도 수집 URL은 67개에서 40.5개로 감소했습니다.

연구진은 이 변화가 7월 26일과 31일 사이에 발생한 것으로 추정했습니다. 8월에 발표된 GPT-5.6의 제품별 모델 배치가 검색량 축소의 직접적인 원인이라고 단정할 수는 없다고 덧붙였습니다.

OpenAI는 무료 계정에 기본 모델인 ‘Luna’를, 유료 계정에 ‘Sol’을 적용한다고 설명했습니다. Think 버튼은 무료 계정에서 Luna가 더 오래 생각하는 방식으로 소개됐습니다. 다만 실제 스트림 데이터에는 luna, sol, terra라는 명칭이 등장하지 않았기 때문에, 무료 Think가 Luna를 사용할 가능성은 OpenAI의 설명에 기반한 추정으로 남아 있습니다.

API에서 동일한 62개 질문을 네 가지 모델로 시험한 결과도 모델별 차이를 보여줬습니다.

다만 API 결과를 chatgpt.com 제품에 그대로 적용할 수는 없습니다. 같은 질문에서 API 모델은 61~71%의 답변에서 검색을 반복했지만, 실제 제품에서는 반복 검색 비율이 0~17%에 그쳤습니다. API 실험은 모델과 도구 계약의 특성을 보여줄 뿐, 일반 사용자가 화면에서 경험하는 ChatGPT의 동작 전체를 대변하지 않는다는 의미입니다.

7월의 무료 ChatGPT는 대부분 자체 색인을 사용했습니다

7월 기준 무료 계정의 즉시 답변 493건에서는 추론 모드로 전환된 사례가 한 건도 없었습니다. 검색 확산도 대체로 한 차례에 그쳤고, 모델이 페이지를 직접 연 사례도 거의 없었습니다.

질문의 성격에 따라 사용되는 검색 경로도 달랐습니다.

경기 결과나 당일 정책 결정처럼 하루 안에도 바뀌는 실시간 정보가 Google 수집 경로로 연결되는 대표적인 유형이었습니다. 그 밖의 안정적인 정보, 사업체·장소, 제품 질문은 대부분 labrador가 처리했습니다.

유료 추론 모드에서는 양상이 반대였습니다.

무료 Think가 도입된 8월에는 이 구조가 다시 달라졌습니다. 무료 Think는 유료 추론 모드와 비슷한 검색량을 보였지만, 자체 색인인 labrador를 중심으로 결과를 가져왔습니다.

labrador는 Bing의 다른 이름이 아닌 것으로 나타났습니다

labrador가 Bing을 다른 이름으로 부르는 것이라는 추정은 분석 결과와 맞지 않았습니다. Bing의 검색 결과 제목은 최대 75자에서 잘리지만, labrador가 가져온 제목의 약 4분의 1은 75자를 넘겼습니다. 분석된 제목 가운데 가장 긴 사례는 977자였습니다.

labrador의 스니펫도 Bing과 달랐습니다. Bing은 폭과 길이가 불규칙했지만, labrador의 스니펫은 모든 결과에서 202자 부근에서 멈췄습니다. Google과 Bing에 함께 노출된 URL을 비교해도 labrador의 스니펫은 두 검색엔진의 문구를 그대로 재사용하지 않았습니다.

연구진은 labrador를 OpenAI가 직접 운영하는 검색 색인으로 규정했습니다. 이 색인은 언론사 피드, 공개 과학 저장소, 파트너 플랫폼의 자료로 보강되지만, 특정 언론사와 계약한 곳만 이용할 수 있는 독점 목록은 아닌 것으로 분석됐습니다. 계약 여부와 관계없이 수백 개 매체가 동일한 형식과 길이, 신선도 기준으로 처리됐기 때문입니다.

7월 검색 결과만 놓고 보면 무료 즉시 모드에서는 labrador가 63.6%, Google 수집 경로인 bright가 34.7%, serp가 1.6%를 차지했습니다. 유료 추론 모드에서는 bright가 74.6%, labrador가 23.6%, serp가 1.9%였습니다.

여기서 oxylabs는 일반 웹검색이 아니라 뉴스 결과를 공급하는 경로였습니다. 모든 oxylabs 결과가 뉴스 유형이었기 때문에 검색 결과만 따로 계산하면 비중은 0%로 떨어졌습니다. 반대로 과학 자료와 포럼은 전부 labrador가 공급했습니다.

모델이 보는 웹페이지는 제목과 약 200자입니다

대부분의 즉시 답변에서 모델이 웹페이지에 대해 받는 정보는 URL, 제목, 스니펫 세 가지였습니다. 모델이 페이지를 직접 열지 않는다면 웹사이트가 검색 결과 안에서 보여주는 이 세 요소가 사실상 해당 사이트의 전부가 됩니다.

검색 경로별 형식은 다음과 같았습니다.

bright는 Google 검색 결과의 형식을 그대로 따르는 경향이 있었습니다. 제목은 약 60자에서 잘렸고, 약 4분의 1에는 말줄임표가 붙었습니다. labrador는 제목을 거의 자르지 않았으며, 75자를 넘는 긴 제목도 그대로 전달했습니다.

labrador의 일반 검색 스니펫은 메타 설명이 아니라 렌더링된 페이지 본문 앞부분을 바탕으로 만들어졌습니다. H1 태그가 있는 페이지에서는 스니펫의 80%가량에 H1이 들어갔습니다. H1을 포함한 387개 스니펫 가운데 H1이 첫 글자부터 시작한 경우는 297개였습니다.

스니펫은 대체로 세 부분으로 구성됐습니다. H1 앞에 있는 요소, H1 자체, 그리고 남은 공간에 들어가는 본문입니다.

분석된 페이지에서 H1이 스니펫에 포함된 387건 가운데 H1 앞에 다른 내용이 붙은 경우, 그 길이는 중앙값 20자였습니다. H1 자체의 중앙값은 51자였고, 실제 본문에 할당된 공간은 약 146자였습니다.

연구진은 웹사이트 운영자가 ChatGPT의 일반 검색 노출을 고려한다면 H1을 명확히 표시하고, H1과 첫 문단 사이에 불필요한 요소를 줄여야 한다고 분석했습니다. 특히 제목 바로 아래에 배치된 첫 이미지의 대체 텍스트는 스니펫 공간을 크게 차지할 수 있습니다.

페이지의 약 7분의 1은 H1 태그가 없었습니다. 이런 경우 스니펫은 템플릿 안의 다른 소제목이나 본문 요소를 기준으로 생성돼 운영자가 통제하기 어렵습니다.

색인과 읽기 캐시는 서로 다른 저장소입니다

ChatGPT가 웹페이지를 찾는 저장소와 페이지 전체를 읽기 위해 사용하는 저장소는 별개인 것으로 분석됐습니다.

색인에 포함된 URL이라고 해서 읽기 캐시에도 반드시 들어가는 것은 아니었습니다. 반대로 ChatGPT-User가 페이지를 방문했다고 해서 모든 페이지가 읽기 캐시에 저장된다고 단정할 수도 없었습니다.

읽기 캐시는 약 30분 동안 새로고침되지 않았습니다. 한 사용자가 오후 2시에 페이지를 요청하고 다른 사용자가 오후 2시 29분에 같은 페이지를 요청하면, 두 번째 사용자는 첫 번째 요청 때 만들어진 사본을 받을 수 있습니다.

30분이 지나면 ChatGPT는 우선 기존 사본을 제공한 뒤 백그라운드에서 원본 페이지를 다시 확인하는 방식으로 작동하는 것으로 추정됐습니다. 따라서 서버 로그에 ChatGPT-User가 나타난 시점은 현재 사용자가 본 페이지를 읽은 순간이 아니라, 다음 사용자를 위한 캐시 갱신일 가능성이 있습니다.

실험에서는 25분 시점까지 새 방문이 없었고 31분과 33분 시점에는 갱신이 발생했습니다. 한 시간, 9시간, 10일 뒤에도 같은 패턴이 관찰됐습니다. 이에 따라 갱신 기준은 25~31분 사이이며, 30분이 가장 유력한 기준으로 제시됐습니다.

캐시 보존 기간은 더 길었습니다. 한 페이지는 최초 요청 뒤 12일이 지나도 같은 사본이 제공됐고, 별도 실험에서는 90일이 넘은 사본도 확인됐습니다. 이는 30분의 신선도 갱신 기준과 캐시 자체의 보존 기간을 구분해야 한다는 뜻입니다.

실험용 페이지에는 Cache-Control: no-store가 설정돼 있었지만, 해당 페이지도 캐시됐습니다. noindex 지시가 포함된 페이지 역시 OpenAI의 로봇이 방문하면 색인과 캐시에 들어갈 수 있는 것으로 나타났습니다.

세 로봇의 역할이 달랐습니다

분석에서는 세 종류의 로봇이 서로 다른 역할을 하는 것으로 정리됐습니다.

• OAI-SearchBot: 검색 색인을 만들고 일부 읽기 캐시도 구성합니다.
• ChatGPT-User: 모델이나 사용자가 특정 페이지를 열도록 요청했을 때 전체 페이지를 읽기 캐시에 저장합니다.
• GPTBot: 학습용 크롤러로 추정되며, 분석된 색인과 읽기 캐시를 구성하는 주된 로봇은 아니었습니다.

거의 모든 색인 항목은 GPTBot의 마지막 방문 이후에 갱신된 것으로 나타났습니다. 이는 학습용 크롤링과 ChatGPT 답변에 필요한 웹 접근이 별개의 과정이라는 점을 보여줍니다.

GPTBot은 사이트맵을 대략 하루에 한 번 내려받았지만, 사이트맵에만 등록되고 내부 링크로 연결되지 않은 8개 URL은 하나도 방문하지 않았습니다. 반면 링크로 접근할 수 있던 8개 페이지는 모두 크롤링했습니다. Bingbot, ClaudeBot, GoogleOther는 반대로 사이트맵을 통해 방문하고 링크가 없는 페이지도 찾았습니다.

이 결과만으로 OpenAI가 사이트맵을 전혀 사용하지 않는다고 결론 내릴 수는 없습니다. 다만 분석된 실험에서는 OpenAI의 발견 과정이 사이트맵보다 링크에 더 의존하는 모습이 나타났습니다.

캐시는 사용자별이 아니라 URL별로 공유됐습니다

캐시가 사용자별로 분리되지 않는다는 점도 실험으로 확인됐습니다. 연구진은 페이지가 제공되는 순간 무작위 식별자를 기록하고, 서버 로그에도 같은 값을 남겼습니다.

첫 번째 계정이 페이지를 요청한 뒤 22분이 지나 다른 국가의 별도 계정이 같은 페이지에 대해 질문했습니다. 두 번째 계정의 답변에는 첫 번째 계정이 생성한 식별자가 그대로 포함됐습니다. 그 사이 두 번째 계정의 요청이 원본 서버에 도달한 기록은 없었습니다.

이에 따라 캐시의 기준은 사용자나 국가, 요금제가 아니라 페이지 주소인 것으로 분석됐습니다. 한 계정이 만든 페이지 사본이 다른 계정에 제공될 수 있다는 의미입니다.

API가 보여준 내부 정보…검색 결과의 나이도 확인됐습니다

OpenAI의 API에서 include: ["web_search_call.results"]를 사용하면 일반 애플리케이션 화면에는 보이지 않는 일부 메타데이터를 확인할 수 있었습니다.

[wordlim: 200] Published: today; Crawled: 6 days ago; <page content>

분석 대상 7,782개 검색 결과에서 확인된 주요 정보는 다음과 같습니다.

• Crawled: OpenAI가 제공하는 콘텐츠 사본의 수집 시점
• wordlim: 해당 도메인에 할당된 단어 한도
• 출처 유형: 검색, 뉴스, 과학, 포럼, 직접 연 페이지 등

이 정보는 문서화되지 않은 내부 표식이며, OpenAI가 언제든 제거할 수 있다고 연구진은 설명했습니다.

도메인별 단어 한도도 차이를 보였습니다.

동일한 도메인과 채널 조합에서는 단어 한도가 일정하게 유지됐습니다. PDF도 해당 도메인의 한도를 물려받았습니다. 100단어 한도 도메인은 알려진 콘텐츠 계약사와 겹쳤지만, 25단어 한도에는 계약 관계가 확인된 매체와 그렇지 않은 매체가 함께 포함돼 원인은 확정되지 않았습니다.

OpenAI가 3월 공개한 ChatGPT 시스템 프롬프트에도 출처별 기본 한도를 정하는 [wordlim N] 지시가 포함됐습니다. API 측정 결과는 이 지시가 실제 검색 결과 처리 과정에서도 적용될 가능성을 뒷받침했습니다.

Wikipedia는 두 달, Reddit은 게시 시점에 멈춰 있었습니다

Crawled 필드는 웹페이지가 언제 발행됐는지가 아니라 ChatGPT가 현재 제공하는 사본이 언제 수집됐는지를 보여줍니다. 따라서 최신 정보처럼 보이는 페이지도 오래된 사본일 수 있습니다.

Wikipedia 분석 결과 308개 결과 중 209개는 8~90일 전 수집된 사본이었습니다. Wikipedia가 하루에도 여러 차례 수정되는 것과 달리, ChatGPT가 제공한 콘텐츠는 월간 데이터 덤프 생성 주기에 가까운 패턴을 보였습니다.

Reddit은 더 뚜렷한 특징을 보였습니다. 수집 시점의 중앙값은 스레드 생성일과 거의 같았고, 일부 스레드는 최대 7년 전 생성일로 표시됐습니다. 오래된 게시물에 이후 추가된 댓글이나 수정 내용이 사본에 반영되지 않았을 가능성이 제기됐습니다.

뉴스는 직접 수집과 파트너 공급이 함께 작동했습니다

Reuters는 분석 대상 애플리케이션에서 120회 등장한 주요 뉴스 도메인이었지만, API의 별도 실험 10회에서는 한 번도 검색되거나 열린 페이지로 나타나지 않았습니다. Reuters의 위성 도메인들은 정상적으로 검색됐고, site:reuters.com 질의도 47회 발생했지만 모두 결과가 없었습니다.

연구진은 이러한 패턴을 뉴스 콘텐츠가 일반 크롤링과 별도의 직접 공급 경로를 통해 들어올 가능성으로 해석했습니다. 파트너사가 API를 통해 기사를 OpenAI에 전달하면, 해당 기사는 최초 크롤링 없이도 뉴스 결과에 포함될 수 있다는 설명입니다.니다.

뉴스 스니펫은 일반 검색 결과보다 훨씬 길었습니다. 중앙값은 약 1,100자였고, 최대 200단어로 제한됐습니다. 일부 도메인에서는 100단어 단위의 한도도 관찰됐습니다.

이 뉴스 요약은 기사에서 그대로 복사한 문장이 아니라 기계가 다시 작성한 내용으로 분석됐습니다. 기사 제목으로 시작하는 경우가 거의 없었고, 웹에서 동일한 문구를 찾을 수 없는 사례가 대부분이었습니다.

한 매체가 같은 답변 안에서 뉴스와 일반 검색 경로로 동시에 등장한 사례도 있었습니다. 7월 30일 캡처에서 Le Monde는 180단어 분량의 뉴스 요약으로 7차례, 32자 분량의 일반 검색 스니펫으로 한 차례 나타났습니다. 연구진은 뉴스라는 표식이 주제나 매체의 성격이 아니라 콘텐츠가 유입된 경로를 의미한다고 설명했습니다.

Bing 경로는 Team 계정에서만 관찰됐습니다

OpenAI의 Bing 사용 여부를 둘러싼 분석에서는 계정 유형에 따른 차이가 나타났습니다. 6월 Jérôme Salomon이 수행한 Team 계정 실험에서는 검색 결과의 93.7%가 bing 경로로 표시됐습니다. 같은 시기 연구진이 사용한 무료·유료 계정에서는 해당 경로가 한 번도 관찰되지 않았습니다.

지역과 무료·유료 여부만으로는 이 차이를 설명하기 어려웠습니다. 연구진은 Team 계정에 Microsoft와의 별도 연동이 제공될 가능성을 가장 유력한 가설로 제시했지만, 계약 내용은 확인하지 못했습니다.

검색 결과 대부분은 표시되지만, 눈에 띄지는 않습니다

ChatGPT의 출처 구조는 검색 결과가 수집됐는지, 출처 패널에 노출됐는지, 답변 본문에 인용됐는지를 구분해야 이해할 수 있습니다.

분석 결과 모든 검색 URL은 사용자가 ‘Sources’를 눌렀을 때 열리는 출처 패널 안 어딘가에 표시됐습니다. 다만 대부분은 상단에 노출되지 않고 ‘More’ 영역 아래로 밀렸습니다.

검색 결과 10개 중 9개는 출처 패널의 ‘More’ 영역에 머물렀습니다. 사용자가 별도로 열어보지 않으면 사실상 보이지 않는 위치입니다.

인용은 하나의 주소만 연결하는 방식도 아니었습니다. 하나의 인용 표시에 여러 URL이 연결될 수 있으며, 화면에는 첫 번째 출처의 이름과 함께 ‘+1’ 같은 표시가 나타났습니다. 나머지 URL은 도구 설명을 열어야 확인할 수 있습니다.

대화당 중앙값은 출처 패널 하단에 약 20개 URL, 상단에 약 5개 URL, 답변 본문에 약 3개 인용이었습니다. 모델이 페이지를 직접 연 경우의 중앙값은 0개였습니다.

모델이 직접 연 페이지는 인용될 가능성이 크게 높았습니다

모델이 페이지를 직접 연 경우 해당 페이지가 답변에 인용될 확률은 74%였습니다. 검색 결과 목록에만 포함된 페이지의 인용 확률은 7%였습니다.

다만 페이지를 직접 여는 행위 자체는 드물었습니다. 수집된 출처 패널 URL 약 80개 중 실제로 열린 페이지는 평균 한 개 수준이었습니다. 759개의 열람 가운데 757개는 7월 유료 추론 모드에서 발생했고, 무료 계정에서는 두 대화에서 한 페이지씩 열린 정도였습니다.

8월에는 무료 Think 모드에서도 대화당 평균 0.28페이지가 열렸습니다. 페이지 열람이 무료 계정에서 완전히 배제되지는 않게 됐지만, 여전히 예외적인 동작이었습니다.

모델은 규제자료, 정부·공공기관 문서, 공식 문서 같은 1차 자료를 자주 열었습니다. 많이 열린 도메인에는 OpenAI, Anthropic, Microsoft Learn, 유럽연합 디지털전략 사이트, 뉴스룸, 가격 안내 페이지 등이 포함됐습니다.

다만 직접 열린 페이지 759개 가운데 검색 결과 객체로 확인 가능한 것은 440개였습니다. 이 440개 중 326개가 인용됐습니다. 검색 결과에만 포함된 5만7,853개 가운데 인용된 것은 4,303개였습니다.

ChatGPT는 검색 결과에 없는 URL도 인용했습니다

즉시 답변 모드에서는 인용 URL의 85%가 검색 결과 목록에 나타나지 않았습니다. 추론 모드에서는 이 비율이 31%로 낮아졌습니다.

이 가운데 일부는 지도, 제품 카드, 기업·인물 정보 카드처럼 검색 채널 밖에서 생성된 위젯에서 유입된 것으로 보였습니다. 나머지는 모델의 자체 기억에 기반해 브랜드 홈페이지 등을 제시한 결과일 가능성이 있지만, 두 경로를 정확하게 구분하기는 어려웠습니다.

arXiv와 Reddit은 검색 결과로는 자주 수집됐지만 사용자에게 노출되는 경우가 적었습니다. arXiv는 연구 corpus에서 2,600회 이상 등장했지만 인용은 10회에 그쳤고, 모델이 직접 연 사례는 없었습니다.

arXiv가 스니펫 없이 제공되기 때문이라는 해석도 있었지만, 스니펫이 포함된 117개 사례에서도 인용은 한 번도 발생하지 않았습니다. 연구진은 arXiv가 단순히 정보가 부족해서가 아니라, ChatGPT가 검색 결과를 사용자에게 보여주는 단계에서 별도로 제외하는 구조일 가능성을 제시했습니다.

Reddit도 비슷한 패턴을 보였습니다. 모델의 판단을 구성하는 데 사용될 수 있지만, 일반 웹페이지에 비해 최종 답변에서 사용자에게 드러나는 빈도는 낮았습니다. 따라서 특정 도메인이 ChatGPT에서 많이 검색됐다는 사실만으로 실제 유입 가능성이 높다고 판단해서는 안 됩니다.

인용은 주소가 아니라 검색 결과의 위치를 따릅니다

ChatGPT는 인용을 turn0search11과 같은 좌표 형태로 관리했습니다. 이는 특정 대화의 특정 검색 결과 순번을 가리키는 방식입니다.

Google의 Gemini 역시 PerQueryResult(index='6.2')처럼 여섯 번째 검색 질의의 두 번째 결과를 가리키는 구조를 사용하는 것으로 소개됐습니다. 두 시스템 모두 인용을 단순한 URL이 아니라 검색 당시 저장된 결과의 위치로 관리하는 셈입니다.

이 구조에서는 웹페이지의 최신성이나 전체 품질이 검색 결과 목록에 들어오기 전부터 고려됩니다. 검색 결과에 포함되지 못한 페이지는 이후 인용 단계로 넘어갈 기회를 얻기 어렵습니다.

검색·뉴스·지도·쇼핑·이미지는 각각 다른 시스템입니다

ChatGPT의 웹 관련 기능은 하나의 검색엔진으로 통합돼 있지 않았습니다. 분석에서는 검색, 뉴스, 지도·지역 정보, 쇼핑, 이미지가 서로 다른 공급망을 사용하는 것으로 정리됐습니다.

지역 정보는 Yelp, TripAdvisor, Google Maps 같은 피드를 기반으로 제공됐습니다. Yelp로 표시된 항목 가운데 약 5분의 1은 Google Business Profile에서 복사된 것으로 보이는 링크를 포함했습니다. 즉, 공급자 표식 하나만으로 각 정보의 실제 출처를 완전히 알기는 어려웠습니다.

쇼핑 상품 카드는 일반 웹검색과 연결되지 않았습니다. 웹 검색에서 특정 사이트가 높은 순위에 오르더라도 상품 카드에 자동으로 들어가는 구조는 확인되지 않았습니다. Amazon은 Amazon을 직접 요청한 질문에서도 상품 제안에 나타나지 않았습니다.

상품 카드는 계정이나 국가가 달라도 동일한 문구가 반복됐고, 수주 또는 수개월 동안 유지됐습니다. 상품이 처음 조회될 때 생성된 카드가 이후 사용자에게 계속 제공될 가능성이 제기됐습니다.

이미지는 OpenAI가 다시 호스팅하는 방식으로 제공돼 원본 웹사이트 서버에 요청이 남지 않을 수 있었습니다. 추론 모드의 이미지 미리보기에서는 Bing의 이미지 전달망이 사용된 흔적이 관찰됐으며, 분석 corpus에서 확인된 Microsoft 관련 흔적은 이것이 유일했습니다.

Reuters·Wikipedia·Reddit의 노출 방식은 서로 달랐습니다

뉴스 유입 경로에 따라 같은 매체의 콘텐츠도 다른 형태로 표시됐습니다. 파트너 API를 통해 직접 들어온 기사는 뉴스 요약으로 제공됐고, 일반 크롤링으로 발견된 기사는 검색 스니펫으로 나타났습니다.

Wikipedia는 월간 덤프에 가까운 사본이 제공됐고, Reddit은 스레드 생성 당시의 내용에 가까운 사본이 제공됐습니다. 이러한 차이는 ChatGPT가 항상 실시간 원문을 읽는다는 인상을 경계해야 한다는 점을 보여줍니다.

연구진은 ChatGPT 답변에서 콘텐츠가 인용됐다고 해서 해당 페이지가 최근에 읽혔다고 볼 수 없다고 설명했습니다. 인용에는 오래된 색인 사본, 별도 뉴스 피드, 사용자별이 아닌 공유 캐시가 모두 영향을 미칠 수 있기 때문입니다.

아직 확인되지 않은 세 가지

첫째, 새 페이지가 OpenAI 색인에 처음 들어가는 조건은 확인되지 않았습니다. 고아 페이지, 한 차례 읽힌 페이지, 이미 알려진 페이지에서 링크된 페이지, 사이트맵에 등록된 페이지를 대상으로 실험이 진행 중입니다.

둘째, 긴 답변을 요청하면 검색량이 늘어나는지 확정되지 않았습니다. 추론 모드에서는 답변 길이와 인용 수가 뚜렷하게 연동됐지만, 즉시 모드에서는 그런 관계가 확인되지 않았습니다. 긴 답변 지시가 검색 예산을 늘리는지, 어려운 질문이 동시에 긴 답변과 많은 검색을 요구하는지는 구분되지 않았습니다.

셋째, 스니펫이 없는 URL이 즉시 모드에서 오히려 더 자주 인용되는 이유도 밝혀지지 않았습니다. 스니펫이 없는 결과의 인용률은 14.9%로, 스니펫이 있는 결과의 8.2%보다 높았습니다.

지역 검색에서는 지도 위젯이 답변의 실제 근거이고 URL 목록은 보조적인 장식일 가능성이 제기됐습니다. 뉴스 검색에서는 특정 URL에 스니펫이 반복적으로 빠지는 다른 메커니즘이 관찰됐습니다. 일반 웹페이지 결과에서 스니펫이 없는 URL이 왜 인용되는지는 추가 실험이 필요한 상태입니다.

기타 관찰된 특징

분석에서는 검색 경로와 페이지 처리 방식에 관한 추가적인 특징도 확인됐습니다.

• OpenAI 내부 코드의 쇼핑 실험 식별자에 Bright Data라는 이름이 포함된 사례가 있었습니다.
• 같은 질문을 같은 계정에서 반복해도 검색엔진 경로가 바뀌는 경우가 있었으며, 재실험 질문의 약 3분의 1이 다른 엔진으로 전환됐습니다.

결국 ChatGPT의 검색 인용은 단순한 웹 노출의 결과가 아닙니다. 검색 엔진이 수집하는 방식, 캐시의 신선도, 그리고 모델이 답변을 생성하는 경로에 대한 이해가 선행되어야 합니다. 오늘 살펴본 데이터가 우리 브랜드의 콘텐츠 구조를 다시 점검하는 계기가 되길 바랍니다

GEO(Generative Engine Optimization)를 제대로 하려면 결국 이 RAG 파이프라인의 각 단계에서 "내 콘텐츠가 어떻게 검색되고, 인용되는가"를 이해해야 합니다. 아래 12가지 개념은 그 파이프라인을 이루는 핵심 요소들입니다.

1. Vector Embeddings (벡터 임베딩)

벡터 임베딩(Vector Embedding)은 텍스트를 의미를 담은 숫자 배열로 변환하는 과정입니다. 의미가 비슷한 단어나 문장은 벡터 공간에서 가까운 위치에 놓입니다. 예를 들어 "king"과 "queen"은 서로 가까운 벡터로 표현됩니다. GEO 관점에서는 내 콘텐츠가 얼마나 명확하고 일관된 의미로 작성되었는지가 임베딩 품질, 즉 검색 매칭 정확도에 영향을 줍니다.

아래 이미지를 보시면 대략 어떤 방식으로 단어나 문장이 벡터 임베딩되는지 확인하실 수 있습니다.

2. Vector Database (벡터 데이터베이스)

벡터 데이터베이스(Vector Database)는 임베딩된 벡터들을 저장하고 빠르게 검색할 수 있도록 인덱싱하는 저장소입니다. Pinecone, FAISS 같은 도구가 대표적입니다. AI 검색 엔진이 크롤링한 웹 콘텐츠도 결국 이런 벡터 DB에 인덱싱되어 있어야 검색 후보군에 들어갈 수 있습니다.

3. Semantic Search (시맨틱 검색)

시맨틱 검색은 키워드 일치가 아니라 "의미"로 문서를 찾는 검색 방식입니다. 앞의 벡터 임베딩을 떠올려 보세요. 시맨틱 검색에선 "자동차"로 검색해도 "car"를 다룬 문서를 찾아낼 수 있습니다. 전통 SEO가 정확한 키워드 매칭에 의존했다면, GEO는 질문의 의도와 문맥을 얼마나 잘 포괄하는 콘텐츠인지가 더 중요해집니다.

4. Chunking (청킹)

청킹(Chunking)은 긴 문서를 적절한 크기의 조각으로 나누는 과정입니다. 보통 512토큰(2000자) 내외 단위로 분할하며, 조각이 너무 크면 노이즈가 섞이고 너무 작으면 문맥을 잃습니다. 이 과정에서 오버랩이나는 개념도 자주 쓰이게 되는데요. 앞선 청크와 중복 영역을 일부러 두는 거죠. 콘텐츠를 작성할 때 하나의 소제목 아래 하나의 완결된 정보 단위를 담는 구조가 청킹에 유리합니다.

5. Re-ranking (재순위화)

리랭킹(Re-ranking)은 1차로 검색된 후보 문서들을 실제 관련성 기준으로 다시 정렬하는 단계입니다. 처음에 검색된 문서를 재평가하고 재정렬하여 가장 관련성이 높은 정보가 후속 처리 또는 표시에 우선적으로 사용되도록 하는 과정입니다. Cross-encoder 같은 모델이 사용됩니다. 즉 검색에 걸렸다고 끝이 아니라, 그중에서도 "진짜 관련 있는" 콘텐츠로 재평가받아야 최종 답변에 인용됩니다.

통상 다음과 같은 기법이 활용되고 있습니다.

• 관련성 점수 부여를 위한 대규모 언어 모델(LLM)
• 점수 부여 메커니즘: 문서에 관련성 점수를 할당하는 방법
• 정렬 및 선택 로직: 새로운 점수를 기반으로 문서 순서를 재정렬하는 로직

6. Hybrid Search (하이브리드 검색)

하이브리드 검색은 키워드 검색(BM25 등)과 벡터 검색을 결합한 방식입니다. 약간 기술적인 표현으로는 키워드 기반 검색인 "Lexical Search와 유사도 기반 검색인 Semantic Search의 혼합" 모델이라고 볼 수 있습니다. 정확한 용어 매칭과 의미 기반 매칭을 동시에 잡아낼 수 있다는 장점이 있니다. ChatGPT의 초기 쿼리팬아웃 결과를 보면 이 두 가지 방식이 적절하게 혼용돼 사용된다는 걸 확인할 수 있습니다. 콘텐츠에 핵심 키워드와 자연스러운 문맥 설명이 함께 있어야 양쪽 검색 방식 모두에서 유리합니다.

다음 이미지를 보시면 더 쉽게 이해하실 수 있을 겁니다. 즉 사용자의 쿼리가 들어오면, 한쪽은 시맨틱 검색으로 다른 한쪽은 키워드 검색으로 문서를 찾아 다시 종합하는 방식으로 가장 관련도 높은 결과물을 찾아가는 검색 유형이라고 볼 수 있습니다.

7. Metadata Filtering (메타데이터 필터링)

메타데이터 필터링(Metadata Filtering)은 날짜, 저자, 문서 유형 같은 태그로 검색 대상을 먼저 좁히는 과정입니다. 문서 본문에 포함되지 않은 메타데이터를 기준으로 문서를 필터링하는 방식입니다. 발행일, 최종 수정일, 저자 정보 등이 명확히 명시된 콘텐츠가 필터링 단계에서 누락되지 않고 후보군에 남을 가능성이 높습니다.

여기서 스키마 마크업의 중요성이 다시 한번 부상하게 됩니다. 스키마 마크업으로 구조화된 데이터들이 메타데이터 필터링을 통해 좁은 문을 통과하는 결과를 가져올 수 있다는 거죠. 따라서 스키마 마크업을 정확하게 정리해두는 게 중요할 수밖에 없습니다.

8. Context Window (컨텍스트 윈도우)

LLM이 한 번에 참고할 수 있는 텍스트의 최대 분량입니다(예: 128K 토큰). 이 범위를 넘으면 내용이 잘려나갑니다. 핵심 정보를 문서 앞부분에, 간결하고 압축된 형태로 배치하는 것이 컨텍스트 윈도우 안에 포함될 확률을 높입니다.

9. Hallucination Guardrail (환각 방지 장치)

할루시네이션 가드레일(Hallucination Guardrail)은 LLM이 답변을 출력하기 전에 주장을 검증하고, 근거가 부족하면 "모른다"고 답하도록 만드는 안전장치입니다. 이는 곧 출처가 명확하고 검증 가능한 콘텐츠일수록 인용 대상으로 선택될 확률이 높다는 뜻이기도 합니다.

10. Grounding (그라운딩)

답변의 각 주장을 실제 출처 문서에 연결(추적 가능하게)하는 과정입니다. 쉽게 말해 Grounding은 ‘답변이 실제로 어떤 근거에 뿌리를 내리고 있는가’를 확인하고, 그 근거를 명확히 제시하는 것을 뜻합니다. AI가 인용할 만한 콘텐츠가 되려면, 주장에 대한 근거·데이터·출처가 명시적으로 드러나 있어야 합니다. GEO를 위한 대응 콘텐츠를 제작할 때 근거·데이터·출처를 강조하는 이유이기도 합니다. 약간은 사후적 과정으로 그라운딩을 이해하는 것이 좋습니다.

11. Data Drift (데이터 드리프트)

시간이 지나면서 원본 소스가 바뀌는데 인덱스는 그대로여서 답변이 오래된 정보를 참조하게 되는 현상입니다. 이커머스를 예로 들어보겠습니다. 사용자 행동에 의존하는 전자상거래 추천 시스템은 소비자 선호도, 구매 습관 또는 제품 가용성에 변화가 있는 경우 데이터 드리프트에 직면할 수 있습니다. 고객 선호도의 새로운 트렌드나 변화는 추천 모델의 효과에 영향을 미치고 궁극적으로 고객 경험에도 영향을 미칠 수 있죠. 따라서 가격, 정책, 통계처럼 자주 바뀌는 정보는 정기적으로 업데이트하고 갱신일을 명시해야 최신 인덱스에 반영될 가능성이 높아집니다.

12. Knowledge Graph (지식 그래프)

개체와 관계를 노드-엣지 구조로 연결해 컨텍스트에 구조적 정보를 더하는 방식입니다. 브랜드, 제품, 인물, 개념 간의 관계를 명확한 구조(예: 스키마 마크업)로 제공하는 콘텐츠는 지식 그래프에 편입되기 쉬워지고, 이는 AI 검색에서의 인용 가능성으로 이어집니다.

GEO 실무에 적용하기

이 12가지 개념을 하나로 묶으면 결국 GEO 전략의 방향이 보입니다.

• 검색 단계(1~6): 의미가 명확하고, 적절한 길이로 구조화되고, 키워드와 문맥을 모두 갖춘 콘텐츠가 검색 후보에 오릅니다.
• 선별 단계(7~8): 메타데이터가 정확하고, 핵심 정보가 앞쪽에 압축돼 있어야 최종 후보로 살아남습니다.
• 생성 단계(9~12): 출처가 명확하고, 최신 정보로 유지되며, 구조화된 데이터(스키마)를 갖춘 콘텐츠가 실제 인용됩니다.

결국 GEO는 "AI가 검색하고, 선별하고, 인용하는" RAG 파이프라인 전 과정에 맞춰 콘텐츠를 설계하는 작업이라고 볼 수 있습니다.

GEO를 좀더 자세하게 이해하고 싶다면 블루닷 인텔리전스를 사용해보세요.

AI 검색은 하나의 웹페이지를 그대로 보여주는 대신 여러 출처의 정보를 종합해 답변을 생성합니다. 이 과정에서 공식 출처가 명확하지 않으면 오래된 주소나 서로 다른 페이지를 잘못 인용할 가능성이 커집니다. 따라서 문제 해결의 핵심은 ‘신뢰할 수 있는 소스 관리’와 ‘인용 가버넌스’에 있습니다.

AI 검색이 404 구주소를 인용하는 이유

AI 검색이 이미 폐기된 구 주소를 계속 인용하는 현상은 단순한 오류만으로 설명하기 어렵습니다. 웹페이지를 다시 수집하는 데 걸리는 시간, 전통적인 검색 결과와 AI 요약의 출처 선택 방식 차이, 실시간 링크 검증의 부재가 복합적으로 작용하기 때문입니다. 조직이 주소 체계를 변경했더라도 AI 검색 시스템이 관련 정보를 모두 갱신하기 전까지는 404 오류가 발생하는 구 주소가 답변에 다시 등장할 수 있습니다.

• 크롤링과 인덱싱 사이의 시간차 : AI 검색의 정보 노출은 여전히 전통적인 검색엔진 최적화의 기술적 기반인 크롤링과 인덱싱에 의존합니다. AI 시스템은 웹을 매번 실시간으로 읽기보다, 사전에 수집해 저장한 인덱스나 지식 그래프를 바탕으로 답변을 생성하는 경우가 많습니다. 조직이 주소 체계를 변경한 뒤에도 AI 전용 크롤러가 새 주소를 다시 수집하지 않았다면, 기존 데이터베이스에는 과거 주소가 남아 있을 수 있습니다. Google-Extended나 OAI-SearchBot과 같은 크롤러가 새 페이지를 수집하고 관련 데이터가 갱신되기 전까지, AI 시스템은 구 주소를 여전히 정보의 출처로 인식할 가능성이 있습니다.
• 검색 결과와 AI 요약의 출처는 다를 수 있어 : 예를 들어 구글에서는 전통적인 검색 결과 페이지와 AI 오버뷰가 서로 다른 출처 선택 메커니즘을 사용하고 있습니다. 지난 5월 발표된 한 연구(Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact)에 따르면 AI 오버뷰가 인용한 도메인의 약 29.8%는 일반 검색 결과 첫 페이지에 나타나지 않은 사이트였습니다.

이 결과는 새 주소가 전통적인 검색 결과에서 높은 순위에 올랐더라도 AI 요약 시스템이 별도의 출처 풀에서 정보를 가져올 수 있음을 보여줍니다. 따라서 검색 결과에서는 새 주소가 노출되는데도 AI 답변에서는 구 주소가 인용되는 현상이 발생할 수 있습니다.

• 확률적 생성과 실시간 검증의 한계 : 생성 AI는 답변을 작성할 때 문맥에 가장 적합하다고 판단한 출처를 확률적으로 선택합니다. 이 과정에서 모델이 학습 중 접했거나 과거 그라운딩 데이터에 저장된 구 주소를 신뢰할 만한 출처로 판단해 다시 제시할 수 있습니다. AI 답변은 같은 질문에도 시점과 조건에 따라 달라질 수 있는 비결정적 특성을 보입니다. 일부 AI 검색은 답변을 생성하는 시점에 링크가 실제로 작동하는지, 해당 주소가 404 오류를 반환하는지 실시간으로 확인하지 못할 수 있습니다. 이처럼 출처의 존재와 유효성을 충분히 확인하지 못하는 현상은 ‘검증 격차’로 설명됩니다.
• 외부 사이트에 남은 구 주소의 영향 : AI 시스템은 기업이나 기관의 공식 웹사이트뿐 아니라 뉴스, 리뷰, 전문 매체 등 제3자 사이트의 언급도 출처로 활용합니다. 과거에 해당 조직을 소개한 외부 사이트들이 여전히 구 주소를 가리키고 있다면, AI는 여러 사이트에서 반복되는 주소를 교차 검증된 정보로 받아들일 수 있습니다. 기업이 주소를 변경했더라도 외부 인용 네트워크가 함께 갱신되지 않으면 구 주소는 온라인에 계속 남습니다. AI 시스템이 이러한 외부 신호를 권위와 신뢰성의 근거로 활용할 경우, 이미 폐기된 주소를 여전히 유효한 공식 주소로 제시할 가능성이 커집니다.

결국 AI 검색이 404 구 주소를 인용하는 배경에는 웹 정보가 한 번에 갱신되지 않는 구조적 문제가 있습니다. 새 주소가 공식 웹사이트에 반영되는 것만으로는 부족하며, AI 크롤러의 재수집과 인덱스 갱신, 독립적인 출처 데이터의 수정, 외부 사이트의 링크 변경이 함께 이뤄져야 합니다. 이 과정이 모두 완료되기 전까지 AI 검색 결과에는 과거 주소와 현재 주소가 동시에 나타날 수 있습니다.

새 주소를 AI검색이 인용하게 하려면 어떻게 해야 할까

(1) 301 리디렉션으로 기존 주소 연결

가장 먼저 기술적 기반을 복구해야 합니다. 이전 주소로 접속한 사용자와 크롤러가 새 주소로 자동 이동할 수 있도록 301 영구 리디렉션을 설정해야 합니다. 301 리디렉션은 기존 주소와 새 주소의 연결성을 유지해 검색 엔진과 AI 시스템이 페이지의 변경 이력을 파악하는 데 도움을 줍니다.

새 주소에는 캐노니컬 태그도 설정해야 합니다. 캐노니컬 태그는 여러 버전의 콘텐츠 가운데 어떤 페이지가 공식적인 표준 페이지인지를 알리는 역할을 합니다. 이를 통해 AI가 유사하거나 중복된 페이지 대신 인용해야 할 대표 주소를 판단하기 쉬워집니다.

크롤러 접근 권한도 함께 점검해야 합니다. robots.txt 설정에서 OAI-SearchBot과 Google-Extended 등 AI 관련 크롤러가 새 주소 체계의 페이지를 수집할 수 있는지 확인해야 합니다. 접근이 차단돼 있으면 새 페이지가 AI 시스템에 제대로 반영되지 않을 수 있습니다.

(2) 공식 정보가 모이는 페이지 구축

기술적 설정만으로는 충분하지 않습니다. 기업이나 기관이 보유한 주요 정보를 새 주소 체계에 맞춰 다시 정리해야 합니다. 서비스 설명, 주요 정의, 통계 자료 등이 각각 어느 새 URL에 위치하는지 목록으로 만들고, 핵심 정보마다 하나의 공식 페이지를 지정해야 합니다. 물론 장기적인 작업이 될 수 있습니다.

기존 콘텐츠가 여러 블로그 게시물이나 자료에 나뉘어 있다면 통합이 필요합니다. 같은 주제의 정보를 하나의 고품질 표준 페이지에 모으면 AI가 답변을 만들 때 참고할 수 있는 근거가 한곳에 축적됩니다. 콘텐츠가 여러 페이지에 분산돼 있을 때보다 정보의 맥락과 출처를 파악하기 쉬워지는 방식입니다.

이 페이지에는 핵심 내용과 정의, 관련 수치, 주요 설명을 명확하게 담아야 합니다. 제목과 소제목을 체계적으로 구성하고, 중요한 내용은 요약문과 본문에서 반복해 제시하는 편이 좋습니다. AI가 인용할 수 있는 ‘증거 컨테이너’를 구축하는 것이 목적입니다.

(3) 외부 채널의 링크와 정보도 통일

AI 시스템은 기업이나 기관의 공식 웹사이트만 확인하지 않습니다. 뉴스 기사, 소셜미디어, 기업 정보 사이트 등 외부 자료와 정보를 비교해 신뢰도를 판단할 수 있습니다. 따라서 외부 채널에 남아 있는 이전 주소와 새 주소가 서로 다르면 정보의 일관성이 떨어질 수 있습니다.

LinkedIn, 위키백과 등 외부 프로필에 연결된 링크를 새 주소로 변경해야 합니다. 홈페이지뿐 아니라 기업 소개 페이지, 보도자료, 파트너사 페이지 등 외부에서 공식 정보를 설명하는 채널도 함께 점검해야 합니다.

외부 자료에 기록된 기업명, 서비스명, 주요 설명과 공식 웹사이트의 정보도 일치시켜야 합니다. 여러 출처가 같은 정보를 가리키면 AI가 해당 정보와 기업 또는 기관의 연결을 더 안정적으로 파악할 수 있습니다. 이러한 교차 검증은 AI가 정보를 신뢰하는 데 영향을 주는 요소로 활용될 수 있습니다.

(4) 잘못된 인용을 지속적으로 점검

AI 검색 결과는 고정돼 있지 않고 검색어와 시점에 따라 달라질 수 있습니다. 주소를 변경한 뒤에도 이전 URL이 계속 인용되거나 콘텐츠가 부정확하게 요약될 수 있어 정기적인 모니터링이 필요합니다.

블루닷 인텔리전스와 같은 도구 활용하면 어떤 검색어에서 관련 콘텐츠가 인용되는지 확인할 수 있습니다. 이전 주소가 여전히 노출되는지, 새 표준 페이지가 검색 결과와 AI 답변에 반영되는지도 점검해야 합니다.

AI 검색이 계속 기존 주소를 인용하거나 내용을 잘못 요약한다면 수정 루프를 가동해야 합니다. 새로운 표준 페이지의 제목, 헤딩, 요약문, 데이터 구성과 정보 밀도를 보강한 뒤 검색 엔진과 크롤러가 다시 수집하도록 유도하는 방식입니다. 이 과정은 한 번의 수정으로 끝나지 않습니다. 주소 변경 이후에도 인용 결과와 페이지 수집 상태를 반복적으로 확인하고, 문제가 발견될 때마다 기술 설정과 콘텐츠 구조를 함께 조정해야 합니다.

주소 체계 변경으로 발생한 404 오류는 단순히 새 링크를 만드는 문제로 끝나지 않습니다. 기업이나 기관은 기술적 리디렉션을 설정하는 동시에 핵심 주장이 담긴 표준 페이지를 지정하고, 외부 채널의 정보를 같은 주소 체계에 맞춰 통일해야 합니다.

결국 목표는 AI검색이 “정보의 공식 위치가 변경됐다”는 사실을 명확히 파악하도록 만드는 데 있습니다. 새 주소를 유일한 공식 출처로 인식시키려면 301 리디렉션, 캐노니컬 태그, 크롤러 접근 설정, 콘텐츠 통합, 외부 정보 동기화, 인용 모니터링을 하나의 관리 체계로 운영해야 합니다.

왜 E-E-A-T만으로는 부족할까요

E-E-A-T는 애초에 '사람 검색자'가 결과를 훑어보며 신뢰도를 판단하는 상황을 전제로 설계되었습니다. 그런데 지금은 기계(LLM 혹은 Agent)가 먼저 콘텐츠를 읽고, 종합하고, 신뢰도를 판단해 답변에 포함시킬지를 결정합니다. 여기서 근본적인 문제가 생깁니다. 기계가 '누가 말하고 있는지'를 식별하지 못하면, 그 말에 어떤 신뢰 신호도 적용할 수 없다는 점입니다.

즉 신뢰성 평가 이전에 '이해 가능성(understandability)'이라는 선행 단계가 필요합니다. 기계가 브랜드의 정체성과 자격을 파싱할 수 있어야 비로소 전문성이든 권위성이든 평가가 시작됩니다. NEEATT의 Notability와 Transparency는 바로 이 선행 조건을 채우기 위해 추가된 요소라고 볼 수 있습니다.

NEEATT 여섯 요소와 GEO 실무 함의

1. Notability (주목도) : 신뢰의 '증폭기'

브랜드가 얼마나 다양한 제3자 출처에서 인식되고 있는가를 뜻합니다. 중요한 것은 주목도가 절대적이지 않고 상대적이라는 점입니다. 좁은 틈새 영역에서는 소형 브랜드도, 광범위하지만 희미하게 존재하는 대기업보다 더 높은 주목도를 가질 수 있습니다.

실제로 AI검색은 여러 개의 독립적이고 신뢰도 높은 데이터셋에서 반복적으로 언급되는 전문가의 주장에 훨씬 큰 가중치를 둡니다. 다시 말해 주목도는 신뢰 신호를 곱해주는 '증폭기' 역할을 한다고 볼 수 있습니다.

• GEO에 주는 함의: 모든 영역에서 이름을 알리려 하기보다, 자신이 실제로 강한 특정 도메인에서의 언급 밀도를 극대화하는 전략이 더 효율적입니다. 니치 영역에서 확보한 '집중적 주목도'가 광범위한 저밀도 인지도보다 GEO 관점에서 유리합니다.

2. Experience (경험) : 합성 콘텐츠와의 차별화 신호

실제 현장 관여의 직접적 증거입니다. AI검색은 이 신호를 활용해 사람이 직접 검증한 지식과 2차적·합성적 콘텐츠를 구분합니다. 사례 연구, 1인칭 경험담, 실무자 데이터는 일반적인 요약글이 갖지 못하는 무게를 가집니다. 예를 들어, GEO 성공 사례를 실제 경험 측면에서 1인칭으로 서술한 글과 아닌 것의 차이는 클 수 있다는 겁니다.

• GEO에 주는 함의: AI가 생성한 듯한 매끈하지만 내용적으로 공허한 요약형 콘텐츠보다, 구체적인 실행 사례·데이터·현장 경험이 담긴 콘텐츠가 검색 파이프라인에서 더 잘 살아남습니다. 콘텐츠를 제작할 때는 '이건 누구나 쓸 수 있는 내용인가, 아니면 우리만 쓸 수 있는 내용인가'를 자문해보시는 것이 좋습니다.

3. Expertise (전문성) : 페어와이즈 비교에서 승리하는 무기

콘텐츠 자체의 기술적 깊이를 의미합니다. 특히 이 요소는 답변엔진의 페어와이즈(pairwise) 재순위화 구조와 직결됩니다. 페어와이즈 재순위화(Pairwise Re-ranking)는 검색이나 추천 시스템에서 방대한 후보군을 대상으로 두 개의 항목을 1:1로 비교해 어떤 것이 더 관련 있는지 판단하고, 이 결과를 종합해 전체 순위를 다시 매기는 기술입니다. AI검색은 두 단락(청크)을 직접 비교하며 순위를 매기는데, 이 과정에서 얕은 대형 브랜드의 콘텐츠는 깊은 전문성을 가진 소형 브랜드의 콘텐츠에 종종 패배하곤 합니다.

• GEO에 주는 함의: 전문성은 '이 브랜드가 크다'가 아니라 '이 콘텐츠가 얼마나 구체적이고 정밀한가'로 평가된다는 점에서, 소형·전문화 브랜드에게 실질적인 경쟁 기회를 제공합니다. 포괄적으로 다루는 것보다 좁고 깊은 주제를 다루는 것이 GEO의 승부처가 됩니다.

4. Authoritativeness (권위성) : 셀프 선언이 아니라 제3자의 승인

이 요소는 "주어지는 것이지 스스로 주장할 수 있는 것이 아니다"라는 점이 핵심입니다. 답변을 생성하기 전 LLM은 독립적인 출처들 사이의 합의(consensus)를 찾습니다. 여러 독립 출처가 브랜드의 역할과 주장에 동의할수록, LLM은 그 정보를 종합 과정에서 '이미 확립된 전제'로 취급합니다.

• GEO에 주는 함의: 자사 발행 콘텐츠만으로는 권위성을 만들 수 없습니다. 업계 관련 언론사 보도, 애널리스트 커버리지, 원본 리서치가 외부에서 인용되는 것 등 '외부에서 검증된 데이터 포인트'를 늘리는 것이 핵심 과제가 됩니다. 이는 전통적 PR·언드미디어의 전략적 중요성이 오히려 커진다는 뜻이기도 합니다.

5. Trustworthiness (신뢰성) : 시간에 걸쳐 쌓이는 필터 통과권

출처의 역사적 신뢰도를 뜻합니다. 높은 신뢰 점수는 콘텐츠가 그라운딩(검색)·지식그래프 대조 단계에서 필터링되지 않도록 보호해줍니다. 반대로 일관성 없는 주장이나 상충하는 데이터는 시간이 지나며 이 신호를 갉아먹게 됩니다.

• GEO에 주는 함의: 단발성 캠페인보다 장기간에 걸친 정보의 일관성이 중요합니다. 웹사이트, 보도자료, 소셜 채널에서 브랜드에 대한 서술이 시간이 지나도 흔들리지 않아야 합니다. 잦은 메시지 변경이나 상충되는 수치 발표는 GEO 관점에서 누적적인 손해로 이어질 수 있습니다.

6. Transparency (투명성) : 다른 모든 신호의 전제 조건

소유권, 저작권, 의도의 명확성을 의미합니다. 기계가 콘텐츠의 소유 주체를 파싱하지 못하면 지식그래프에 매핑할 수도, 다른 어떤 신뢰 신호도 적용할 수도 없습니다. 구조화 데이터, 일관된 개체 설명, 기계가 읽을 수 있는 마크업은 신뢰 평가가 '시작되기 위한' 전제조건이라 할 수 있습니다.

함의: 이는 콘텐츠 마케팅보다 훨씬 기술적인 과제입니다. Organization schema 등 구조화 데이터 마크업, 명확한 저자 표기, 일관된 브랜드 개체 설명을 홈페이지·About 페이지에 갖추는 작업이 선행되지 않으면, 다른 다섯 요소가 아무리 뛰어나도 기계가 이를 브랜드에 귀속시키지 못할 수 있습니다.

엔티티 홈(Entity Home): NEEATT를 작동시키는 물리적 거점

NEEATT의 여섯 요소가 작동하려면 이를 뒷받침할 '기준점'이 필요합니다. 이것이 바로 엔티티 홈(Entity Home)입니다. 브랜드의 정체성·목적·활동에 대한 결정적 사실을 담은 단일한 공식 소유 페이지로, 보통 홈페이지나 About 페이지가 이 역할을 맡습니다.

지식그래프는 제3자 출처(LinkedIn, Crunchbase, 언론 보도, 업계 디렉토리, 위키피디아 등)에서 수집한 정보를 이 엔티티 홈과 대조하며 신뢰도를 구축합니다. 만약 홈페이지는 "공급망 물류 특화 엔터프라이즈 SaaS"라고 말하는데 LinkedIn은 다른 카테고리로 소개하고 있다면, 이러한 불일치는 개체의 신뢰 점수를 깎고 인식 자체를 지연시키거나 막을 수 있습니다.

• GEO에 주는 함의: 정기적인 '브랜드 엔티티 감사(entity audit)'가 GEO 실무의 필수 루틴이 되어야 합니다. 자사 웹사이트, 소셜 프로필, 리뷰 플랫폼, 제3자 디렉토리에 걸쳐 브랜드 설명·카테고리·핵심 사실이 일치하는지 주기적으로 점검하고 수정하시는 것을 권장드립니다.

정리: NEEATT가 바꾸는 우선순위

E-E-A-T에서 NEEATT로의 확장은 단순한 프레임워크 업데이트가 아닙니다. 이는 '무엇을 말하는가'보다 '누가 말하는지 기계가 알 수 있는가'가 먼저라는, 신뢰 평가의 순서 자체를 재구성하는 변화라고 할 수 있습니다.

GEO를 위해 실무적으로는 다음과 같은 우선순위를 제안드립니다.

1. Transparency를 먼저 확보하시기 바랍니다: 구조화 데이터와 일관된 개체 정보 없이는 나머지 신호가 적용될 기반 자체가 없습니다.
2. 틈새 영역에서 Notability를 극대화하시기 바랍니다: 넓고 얕은 인지도보다 좁고 깊은 주목도가 GEO에서 더 큰 승수 효과를 냅니다.
3. Authoritativeness는 외부에서 만들어야 합니다: 자사 콘텐츠만으로는 부족하며, 언드 미디어와 제3자 검증을 체계적으로 축적해야 합니다.
4. Trustworthiness는 일관성의 함수임을 기억하시기 바랍니다: 장기간에 걸친 메시지의 정합성이 단기 캠페인의 화려함보다 중요합니다.

NEEATT는 결국 하나의 질문으로 수렴합니다. "우리 브랜드는 기계가 신뢰를 판단하기도 전에, 먼저 '누구인지' 정확히 읽어낼 수 있는 존재인가?" 이 질문에 답하는 것이야말로 AEO 시대 브랜드 전략의 출발점이 될 것입니다.

이 글은 Miles Bliey & Keira Chatwin의 논문 Bliey, M., & Chatwin, K. (2026). Answer Engine Optimization How Agentic AI Reshapes SEO 중 NEEATT 프레임워크 논의를 바탕으로 GEO 함의를 도출해봤습니다.

우리 회사 홈페이지 콘텐츠는 어떤 AI검색에 얼마나 인용될까?

메뉴명은 On-Site 페이지 분석입니다. 우리 홈페이지에 대한 GEO(Generative Engine Optimization) 성능을 분석하는 메뉴입니다. 기존 콘텐츠 분석 메뉴를 2개 메뉴로 분할했습니다. Off-Site 페이지와 On-Site 페이지 분석. 이를 통해 브랜드 설정에 등록된 우리 회사 홈페이지의 주요 콘텐츠가 어떤 상태인지, 파악해 볼 수 있게 됐습니다.  

상단에는 4개의 KPI 카드를 배치했습니다. 필터로 설정된 기간 동안 우리 홈페이지의 콘텐츠가 얼마나 인용이 됐는지 알아보는 '인용수' 카드, 가장 많은 인용을 유발한 AI검색 현황표, '실적이 하락 중인 콘텐츠', '스키마 마크업이 적용되지 않은 콘텐츠' 등을 눈으로 바로 확인할 수 있습니다.

특히 실적 하락 중인 콘텐츠를 눈에 띄게 배치함으로써, 업데이트 등의 추가 조치를 취할 수 있도록 지원합니다. 스키마 마크업 미적용 카드도 마찬가지입니다. 인용은 잘 되고 있지만, 스키마 마크업이 적용되지 않은 콘텐츠를 확인함으로써 추가 상승 기회를 살릴 수 있도록 도와드리고자 했습니다.

그리고 하단에는 각 콘텐츠(페이지)별 주요 지표를 표로 제공합니다. 스키마 마크업 현황, 렌더링 여부, 인용된 검색의 종류와 수, 인용된 프롬프트의 수, 인용수, 증감율, 출처 점유율 등 다양한 분석 지료를 마련했습니다. 이미 작성된 콘텐츠나 새롭게 작성한 콘텐츠가 AI검색 별로 어떤 효과를 발휘하고 있는지 쉽게 파악할 수 있도록 했습니다.

모든 데이터는 직접 다운로드 받아서 추가 분석을 실행하실 수 있습니다. 블루닷 인텔리전스가 간과한 인사이트를 이 데이터를 내려받아 직접 얻어가실 수 있도록 하기 위함입니다. 기간별 데이터를 다운받아서 비교해 보신다면 상당한 수준의 GEO 인사이트를 얻어가실 수 있으리라 생각됩니다.

우리 회사 홈페이지 콘텐츠는 어떤 콘텐츠에 얼마나 인용될까?

블루닷 인텔리전스 고객사들이 가장 궁금해하는 대목이 있었습니다. '그래서 이 콘텐츠는 어떤 프롬프트에 주로 인용되나요?'였습니다. 블루닷 인텔리전스에 데이터가 포함돼 있긴 했지만 일목요연하게 보여드리진 못했습니다. 이번에 '인용 프롬프트'라는 데이터 항목을 신설하면서, 세부 내역을 볼 수 있도록 했습니다.

인용 프롬프트의 숫자를 클릭하시면 위처럼 '인용 프롬프트 목록' 모달창이 뜨게 되는데요. 해당 콘텐츠가 어떤 프롬프트에 필터된 기간 동안 몇 회 인용됐는지 살펴보실 수 있습니다. 보통은 1~2개 프롬프트에 인용되는 경향이 강하지만 두루두루 인용되는 콘텐츠라면 수시로 모니터링하고 잘 관리할 필요가 있겠죠. 물론 두루두루 여러 프롬프트에 자주 인용되는 콘텐츠를 작성하는 것도 좋은 GEO 전략이라고 할 수 있습니다. 이번에 그 정도를 파악할 수 있도록 도와드리기 위해  인용 커버율이라는 신규 지표를 개발했습니다.

인용 커버율은 무엇을 의미할까

'인용 커버율'(Citation Coverage)이란 하나의 콘텐츠가 얼마나 다양한 프롬프트에서 인용되는지를 파악할 수 있게 도와주는 상대 지표입니다. GEO 전략을 고민하는 마케터라면 당연히 하나의 콘텐츠로 수 십 개의 프롬프트에 인용되는 콘텐츠를 작성하고 싶을 겁니다. 모두의 욕심이기도 합니다. 실제로 가능도 합니다. 기본적으로 AI검색은 페이지 단위가 아니라 청크 단위로 인용을 하기 때문입니다.

인용 커버율은 바로 그러한 고민을 해결하기 위해 저희가 개발한 지표입니다. 계산식은 이렇습니다.

• 인용 커버율 = A 콘텐츠가 인용된 프롬프트 수 / 입력된 총 프롬프트수

즉, 입력된 전체 프롬프트 중에 해당 콘텐츠가 얼마나 인용되는가를 알 수 있는 지표입니다. 당연히 인용 커버율이 높을수록 효율적인 콘텐츠이자 신뢰할 만한 콘텐츠라고 할 수 있습니다. 이러한 콘텐츠를 많이 제작하면 다양한 AI검색 다양한 프롬프트에서 높은 효율을 발휘하게 될 것입니다. 인용 커버율이 높은 콘텐츠의 패턴을 파악하면 그만큼 GEO 성능이 높은 콘텐츠 작성이 가능하지게 될 것입니다.

이외에도 소소한 기능 업데이트가 있었습니다.

블루닷 인텔리전스는 매월 진화하고 성장하고 있습니다. 국내 최고의 GEO 분석 및 성과 예측 플랫폼으로 한발짝씩 나아가고 있습니다. 언제든 궁금한 점, 필요한 기능이 있다면 연락해주세요.