어떤 작업부터 시작했나

저희는 메리츠화재 담당팀과 함께 AI검색 크롤러가 원활하게 내부 정보를 잘 가져갈 수 있는 구조인지 먼저 파악했습니다. 저희 블루닷 인텔리전스 DUCA 프레임워크(Discover-Understanding-Citation-Action) 가운데 첫번째 단계인 D-Discover (발견가능성)을 진단하는 작업입니다. 기본 프롬프트를 공동으로 설계하고, 그 결과를 바탕으로 발견가능성의 취약 흔적을 찾아낼 수 있었습니다.

크롤러가 내부의 중요 정보를 충분히 가져갈 수 있도록 기술 장벽을 낮추는 작업부터 시작했습니다. 총 4가지 발견가능성 레이어를 분석했고 2가지 레이어에서 어려움을 겪고 있다는 걸 확인할 수 있었습니다. 메리츠화재 마케팅팀은 내부 개발팀과의 협의를 통해 AI 크롤러의 접근 장벽을 낮추는 조치를 빠르게 취했습니다. 이때부터 서서히 가시성과 인용률을 상승 추세를 타기 시작했습니다.

스키마 마크업으로 이해가능성 높이기

보험 상품은 대표적인 YMYL(Your Money Your Life) 영역입니다. 출처 관리가 그만큼 엄격하다는 의미입니다. 자칫 잘못된 정보를 제공할 경우 누군가는 재산상의 손실을 입을 수 있고, 건강상의 문제를 일으킬 수도 있습니다. 웬만해서 환각이 허용되지 않는 산업군이라고 할 수 있습니다. 그만큼 가시성과 인용률을 높이는 작업이 쉽지는 않았습니다.

메리츠화재 암보험 사이트의 신뢰와 권위를 제고하는 작업은 그래서 필수적이었습니다. 타깃 사이트가 정본 사이트임을 명확히 하고, 상하위 사이트 간의 관계를 연결시켜줬습니다. 즉 스키마 마크업을 통해 쉽게 '그래프'(Graph)를 구축할 수 있도록 표현해준 것이죠. 주요 보험 관련 정보가 가장 적합한 속성값에 배치되도록 스키마 마크업을 정교하게 정리했습니다. 아울러 내부 DB와 유기적으로 연결될 수 있도록 코드 차원에서의 지원도 했습니다.

최종 반영 시까지 적지 않은 시간이 소요되긴 했지만 메리츠화재는 매우 적극적으로 개발에 참여했습니다. 마케팅팀과 개발팀 간의 협업이 돋보이는 과정이었다고 할 수 있습니다.

취약 프롬프트 파악하고 콘텐츠 작성하기

DU 단계가 완료된 이후 본격적으로 취약 프롬프트에 대응하기 위한 콘텐츠 작성을 시작했습니다. 모든 크롤러가 문제 없이 내부 정보와 데이터를 가져가고 있다는 걸 확인한 뒤에 블루닷 인텔리전스에서 확인된 취약 프롬프트를 보완할 수 있는, 다시 말해 인용해 갈 수 있는 콘텐츠를 작성했습니다.

이를 위해 인용률을 높일 수 있는 콘텐츠 가이드를 마련해 드렸습니다. 제목의 구조, 중간 제목의 유형, 글의 포맷, 핵심 엔티티 등을 제안했고 이를 반영해 콘텐츠를 생산했습니다. 어떤 데이터를 표로 반영할지도 함께 논의했습니다.

3개월 간의 최적화 성과 : 인용률 평균 2배, ChatGPT 11배 상승

최종 성과는 3개월 만에도 확인할 수 있었습니다. 저희는 브랜드가 포함되지 않은 프롬프트(카테고리 프롬프트)에서 메리츠화재의 암보험 상품이 더 자주 언급되고, 해당 암보험 페이지 인용이 높아지는데 초점을 맞추었는데요. 아래처럼, 브랜드 미포함 프롬프트에서 인용률이 10.05%에서 19.48%로 거의 2배 상승하는 결과를 만들어냈습니다. 심지어 메리츠화재 암보험 상품의 답변 내 언급 비율도 15.7%에서 24.68%까지 끌어올렸습니다. 4~5개의 경쟁사 상존하는 상태에서 얻어낸 성과이기에 더욱 의미가 컸다고 할 수 있습니다.

ChatGPT에서의 효과는 더욱 극적입니다. 사실상 메리츠화재 암보험 페이지는 인용되지 않는 수준이었는데요. 브랜드 미포함 프롬프트에선 0%를 11%로 끌어올렸고, 브랜드 포함 프롬프트에선 82.9%까지 인용하도록 만드는 데 성공했습니다.

핵심은 정확한 진단과 확률 높은 처방

이러한 성공의 배경에는 당연히 GEO 분석 및 실행 자동화 플랫폼 '블루닷 인텔리전스'이 존재했습니다. 취약점을 정확히 발견해낼 수 있는 다양한 데이터와 분석력, 인사이트 등이 있기에 가능했습니다. 이를 통해 확률 높은 GEO 처방을 도출할 수가 있었던 거죠. AI검색별로 취약점은 다를 수밖에 없습니다. 이를 명확하게 구분하기 위해서는 데이터를 쪼개고 또 쪼개서 바라봐야 합니다. 그것이 GEO 성과 달성의 정공법이자 지름길입니다.

OpenAI는 이전에도 'Instant Checkout'이라는 이커머스 기능을 시도했지만, 거래 금액의 4%를 가맹점 수수료로 부과하는 구조가 채택의 장벽이 되어 2026년 3월 서비스를 종료했습니다. 이번 Visa와의 협력은 결제 인증·사기 모니터링·분쟁 처리를 Visa의 기존 인프라가 담당하도록 역할을 분리함으로써 그 구조적 한계를 해소하는 방식입니다. 다만 구체적인 수수료 조건은 아직 공개되지 않았습니다.

에이전트 거래에는 지출 한도 설정, 승인 절차 요구, 허용 가맹점 사전 등록 등의 가드레일이 도입됩니다. Visa의 최고 제품·전략 책임자 Jack Forestell은 초기에는 대부분의 거래가 사람의 최종 확인을 거치겠지만, 반복 거래가 누적되면서 신뢰가 축적되면 에이전트에게 더 많은 자율권이 부여될 것이라고 밝혔습니다.

Visa × ChatGPT 결제 통합이 GEO에 주는 함의

GEO의 핵심 명제는 "AI가 브랜드를 인용하게 만들라"는 것이었지만, 이번 발표는 그 명제를 "AI가 브랜드를 구매하게 만들라"로 재정의합니다. ChatGPT가 "$150 이하 무선 헤드폰을 찾아줘"라는 요청을 받아 직접 구매를 완결하는 시나리오에서, 에이전트가 특정 브랜드를 선택하는 순간은 소비자가 검색 결과를 클릭하는 순간을 대체합니다. 이는 GEO 최적화의 성과 지표가 인용률·가시성(Visibility)에서 에이전트의 구매 선택률로 이동함을 의미합니다.

제품이나 브랜드의 발견(Discovery) 단계 자체가 에이전트 내부로 흡수된다는 점도 중요한 변화입니다. 소비자가 직접 검색 쿼리를 입력하는 빈도가 줄어들고 ChatGPT 같은 에이전트가 탐색을 대신 수행하면서, 브랜드와 소비자 사이의 직접 접점이 축소됩니다. 브랜드가 에이전트에게 인식되려면 가격, 스펙, 재고, 리뷰 등 에이전트가 판단에 활용하는 구조화된 데이터가 명확하고 기계 가독성 높은 형태로 노출되어야 합니다. Schema Markup 정비, 제품 피드 최적화, FAQ 구조화 등이 전통적인 SEO 콘텐츠 전략보다 더 결정적인 GEO 요소로 부상하게 됩니다.

ACO(Agentic Commerce Optimization) 관점의 함의

ACO 관점에서 이번 발표가 갖는 가장 큰 의미는 에이전트 거래의 상업적 인프라 레이어가 비로소 명확해졌다는 점입니다. 지금까지 에이전트 커머스는 기술적으로는 가능했지만 결제 신뢰성·사기 책임·분쟁 처리라는 인프라가 정비되지 않아 실제 규모화가 어려웠습니다. Visa라는 기존 금융 인프라가 이 공백을 채우면서, 에이전트 거래는 이제 실험이 아닌 상용 궤도에 진입하기 시작했습니다.

브랜드와 가맹점 입장에서는 Visa의 '승인 가맹점(Approved Merchants)' 체계에 편입되는 것이 곧 에이전트 구매 대상에 포함되기 위한 전제 조건이 됩니다. Mastercard 역시 B2B 에이전트 조달 기능을 확장하고 있어, 결제 네트워크의 에이전트 파트너 프로그램 등록이 유통 채널 전략의 새로운 축으로 자리잡을 가능성이 높습니다. 반면 이 과정에서 브랜드의 자사 데이터(First-party Data) 접근성은 약화될 수 있습니다. 소비자 행동이 Visa–OpenAI 레이어를 통해 중개되는 구조에서, 브랜드는 전환 데이터의 귀속 방식을 계약 수준에서 사전에 설계해야 하는 과제를 안게 됩니다.

소비자 신뢰의 축적 속도 역시 ACO 전략의 핵심 변수입니다. VISA의 Forestell이 언급했듯 초기에는 사람의 승인을 거치는 거래가 다수를 차지하겠지만, 반복 거래가 누적되면서 자율 실행 비율이 점진적으로 높아질 것입니다. 이 신뢰 곡선을 따라 브랜드의 반품·환불 정책과 에이전트 거래에 대한 고객 커뮤니케이션 방식도 함께 진화해야 합니다.

산업별 대응 전략

이커머스·유통 브랜드에게 가장 시급한 과제는 제품 데이터의 기계 가독성 확보입니다. 가격, 재고 상태, 배송 조건, 상품 스펙을 Schema.org 구조로 정비하고, 에이전트가 비교 판단에 활용하는 리뷰·평점 신호도 구조화된 형태로 노출해야 합니다. 단기적으로는 Visa Intelligent Commerce 프로그램을 비롯한 결제 네트워크의 에이전트 가맹점 등록 요건을 파악하고 선제적으로 대응하는 것이 우선입니다. 중기적으로는 에이전트 유입 경로를 별도로 트래킹하는 어트리뷰션 체계를 구축하고, 에이전트 거래에 특화된 환불·분쟁 대응 정책을 마련해야 합니다.

금융·결제 서비스 입장에서는 Visa와 Mastercard의 행보가 에이전트 커머스 시대의 게이트키퍼 역할을 결제 네트워크가 가져가고 있다는 신호로 읽힙니다. 국내 PG사·카드사·간편결제 사업자들은 자사 결제 인프라를 에이전트 친화적으로 전환하는 로드맵을 지금부터 수립해야 합니다. 에이전트 거래에 적합한 토큰 프레임워크, 소비 한도 API, 조건부 승인 구조의 도입이 중기 과제로 부상합니다.

마케팅·광고 에이전시 관점에서는 에이전트가 광고를 보지 않는다는 사실이 핵심입니다. 기존의 노출형·클릭형 광고 모델이 에이전트 구매 여정에 개입할 여지는 극히 제한적입니다. 대신 에이전트가 판단 기준으로 삼는 제품 정보의 품질, AI 검색 인용 빈도, 신뢰 지표(리뷰, 수상, 인증 등)가 새로운 마케팅 성과 지표로 자리잡습니다. GEO 중심의 콘텐츠 전략과 ACO 중심의 제품 데이터 최적화를 통합하는 서비스 역량이 에이전시의 새로운 경쟁력이 될 것입니다.

핵심 시사점

AI 에이전트가 구매의 주체가 되는 시대, 브랜드의 경쟁 무대는 소비자의 눈에서 에이전트의 판단 기준으로 이동했습니다. GEO가 "인용되는 브랜드"를 만드는 전략이었다면, ACO는 "선택되고 구매되는 브랜드"를 만드는 전략입니다.

ChatGPT 출처 인용 경향 분석 방법

• 데이터 수집 기간 : 4월 23일~5월 5일(변경 전), 5월6일~5월19일(변경 후 1기), 5월 20일~ 6월 3일(변경 후 2기)
• 프롬프트 유형 : 브랜드가 포함되지 않은 Non-Branded 프롬프트 10건
• 기간 동안 수집된 ChatGPT 총 답변수 : 420건
• 산업군 : GEO 플랫폼(단, 블루닷 인텔리전스는 통계에서 제외)
• 분석 도구 : AI검색최적화 GEO AEO 분석 및 컨설팅 플랫폼 '블루닷 인텔리전스'

ChatGPT의 업데이트 내역

• 5월 28일 : GPT-5.5 Instant Update
• 5월 5일  : GPT-5.5 Instant in ChatGPT

GPT-5.5 적용 이후 출처 인용 무엇이 달라졌나

이제 결과를 소개해드리도록 하겠습니다. 앞서 언급드렸던 대로 5.5 버전은 5월 5일 1차 적용된 이후 5월 28일 업데이트 과정을 거치게 됩니다. 그래서 3개 기간으로 나눠 측정했고요. 각 기간마다 출처 인용의 패턴이 적잖이 변화를 합니다. 특히 5월 5일 이후 변화가 가장 큰폭으로 이뤄졌고, 5월 28일 이후 부분 조정이 이뤄진 것으로 관측이 됩니다.

변화 1 : 위키피디아의 'U자형 회복'

GPT 5.5가 적용되기 전 5.3 모델일 때만 하더라도 ChatGPT의 위키피디아 의존도는 상당히 높은 편이었습니다. 특히 GEO 플랫폼 산업처럼 신생 비즈니스 영역에서는 위키피디아 출처 인용이 매우 높은 편이었습니다. 그런데 5월 5일 이후 위키피디아 의존도가 심할 정도로 하락합니다. 변경 전 기간 동안 75회 인용이 됐지만 그 뒤 2주 동안은 13회밖에 인용이 되지 않았습니다. 사실상 출처 목록에서 뒤로 밀린 셈이었죠. 하지만 5.5 instant 업데이트 이후 다시 반등을 하게 됩니다. 2주 동안 45회 인용되면서 어느 정도 권위 출처로 다시금 되돌아 오게 된 것이죠. U자형 회복 국면이라고 볼 수 있습니다.

이를 바탕으로 위키피디아의 인용 민감도(Volatility Index)를 계산하면 47.0으로 나옵니다.

변화 2 : 도메인 권위 조정과 '반짝 스파이크'의 필터링

5.3 버전 때까지 묻혀있던 해당 산업의 핵심 플레이어 사이트가 5.5 적용 이후 큰 폭으로 뛰어오릅니다. 정말 눈에 띄게 다른 흐름이 5월 5일 이후 나타납니다. 특정 전문 사이트들이 과도할 정도로 상승했다가 5월 28일 이후 다시 조정을 거치게 되는데요. 이 때 반짝 급등했던 전문 사이트들 일부가 다시 급락하는 경향을 보이게 됩니다. 즉, 해당 분야에서 신뢰할 만한 전문 사이트와 아닌 사이트를 구분해내는 필터링 시스템에 변화가 있었다고 추정할 수 있습니다. 해당 분야 전문 사이트이긴 하나, 트릭으로 조명받던 곳이 일부 퇴락하는 경향을 읽어낼 수 있습니다.

변화 3 : 변경 뒤 2기 신규 스파이크 도메인의 대거 출현

위키피디아의 빈자리를 자체 도메인 권위 필터링 시스템을 통해 신생 전문 사이트로 채워넣는 흐름이 관찰이 됐습니다. 이 또한 얼마나 지속될지는 모르겠지만, 해당 분야 새로운 플레이어들을 다양하게 발굴하고 있다는 인상을 지울 수가 없습니다. 얼핏 보면, 충분히 신뢰할 수 있는 새로운 사이트를 찾아낸 결과라고 볼 수 있을 것이고요, 출처의 다양성을 확장해 가는 시도를 지속하고 있다고 볼 수도 있을 겁니다. 대체적으로 이러한 신규 스파이크 사이트들은 페이지 내에 풍부하고 전문적인 정보를 다량을 배치해두고 있었습니다. 믿을 만한 정보가 많다는 의미일 겁니다.

변화 4 : 소셜미디어 의존도 탈피

링크드인의 인용 의존도가 줄어든 것도 주목할 만한 변화입니다. ChatGPT는 그간 적당한 수준에서 소셜미디어나 개인 블로그를 인용을 해왔는데요. 이 부분이 적잖이 줄어드는 경향을 확인할 수 있었습니다. 전문적인 보고서를 생산할 수 있는 출처를 더 찾아다니려는 경향을 읽어낼 수 있었던 거죠. 다만 쇼핑 관련 질문에서는 이들 소셜미디어 사이트에 대한 의존도가 높다는 건 부인하기 어려울 겁니다.

ChatGPT 출처 인용 경향 변화가 주는 함의는?

AI검색도 적용되는 디폴트 모델에 따라서 변동성이 매우 높은 편입니다. 앞선 글에서 모든 AI검색을 만족시키는 단 하나의 요술봉이 없다고 언급한 적이 있는데요. 하나의 AI검색 안에서도 지속적으로 통용되는 단 하나의 해법을 찾기란 정말 쉽지 않다는 걸 이번 통계가 보여주고 있다고 생각합니다.

저 또한 변경 뒤 1기 기간 동안 위키피디아엔 덜 신경을 써도 될 것 같다라고 조언을 드린 적이 있는데요. 왜냐하면 위키피디아 인용 의존도가 ChatGPT를 제외한 다른 AI검색에서는 상대적으로 높게 나타나지 않거든요. 그런 와중에 ChatGPT마저 의존성을 줄이니 그렇게 판단할 수밖에 없었던 거죠. 하지만 변경 뒤 2기 패턴을 보면 '위키피디아를 뒤로 밀어내면 안되겠군. 그러면 부정확한 답변이 생성될 수도 있겠군'이라고 오픈AI가 판단한 것으로 해석됩니다. 다시 위키피디아에 관심을 가져야 한다는 메시지를 전달할 수밖에 없는 처지입니다.

어찌됐든, 현재 대부분의 AI검색들은 신뢰할 수 있는 더 많은 출처 풀을 찾아내기 위해 상당히 고심하고 있는 흔적이 보입니다. 쿼리 팬 아웃을 통해 그 노력을 배가하고 있고요. 상위 10%의 인용 독과점 구조도 그대로 지속은 되고 있습니다.

아울러 신뢰도 관리를 잘못하면, 이처럼 단 기간에 인용에서 외면 받는 경우도 발생할 수 있다는 걸 유념할 필요가 있습니다. 늘 강조드리지만 전문성 전문성 전문성입니다. 그리고 독창성입니다. 이 두 개는 모든 AI검색이 필요로하는 출처이기도 하고, 인용 대상이기도 합니다.

구글 리서치와 구글 클라우드가 협업해 대규모 기업용 질의를 처리하는 새로운 에이전틱 RAG 프레임워크를 지난 6월 5일 공개했습니다. 이 시스템은 단일 검색에 그치지 않고, 질문을 분해한 뒤 여러 데이터 소스를 순차적으로 탐색해 충분한 맥락을 확보한 다음 답변을 생성하도록 설계됐습니다. 구글은 이 기능이 Gemini Enterprise Agent Platform의 공개 미리보기로 제공된다고 밝혔습니다.

기존의 단일 단계 RAG는 여러 데이터베이스와 문서 저장소에 흩어진 정보를 찾아내는 데 한계가 있었다고 구글은 설명했습니다. 예를 들어 특정 프로젝트에 쓰인 서버의 사양을 묻는 질문에서, 기존 시스템은 프로젝트 문서에서 서버 ID만 찾고 검색을 멈출 수 있습니다. 이 경우 다른 저장소에서 해당 ID를 다시 찾아 사양을 확인하는 두 번째 탐색이 이뤄지지 않아, 답변이 불완전해질 수 있다고 했습니다.

구글은 새 프레임워크가 여러 에이전트가 협력하는 구조라고 소개했습니다. 오케스트레이터가 복잡한 요청을 분해하고, 플래너 에이전트가 필요한 정보 경로를 설계합니다. 쿼리 리라이터는 검색 가능한 짧은 질문들로 요청을 바꾸고, 서치 팬아웃 에이전트가 이를 여러 저장소에 분산 검색합니다. 이후 LLM이 모인 맥락을 종합해 최종 답변을 만든다고 설명했습니다.

핵심 차별점으로는 ‘충분한 맥락(sufficient context)’을 판단하는 단계가 꼽혔습니다. 구글에 따르면 이 시스템은 단순히 문서를 찾는 데서 멈추지 않고, 현재 확보한 정보로 답을 내릴 수 있는지 점검합니다. 정보가 부족하다고 판단되면 곧바로 답변을 확정하지 않고 추가 검색을 이어가도록 설계됐습니다.

의료 사례도 제시됐습니다. 예를 들어 한 의사가 “존 도의 무릎 수술 후 퇴원 약과 식이 제한은 무엇이며, 입원 중 알레르기 반응이 있었는가”라고 물으면, 시스템은 약, 식이, 임상 기록의 세 영역을 각각 탐색합니다. 이때 입원 중 투여된 약 가운데 헤파린 정맥주사나 테넥테플라제는 제외해야 한다는 조건도 반영한다고 구글은 설명했습니다.

다중 에이전트 검색의 흐름

구글이 설명한 처리 과정은 단계적으로 이어집니다. 먼저 루트 에이전트가 요청을 읽고 하위 에이전트에 일을 나눠 줍니다. 플래너 에이전트는 어떤 데이터 영역을 살펴야 하는지 판단하고, 쿼리 리라이터는 긴 질문을 단순한 검색어로 바꿉니다.

이후 RAG 에이전트가 관련 기록을 한꺼번에 검색합니다. 약과 식이 정보는 찾지만, 알레르기에 대한 언급은 가장 눈에 띄는 문서에서 발견하지 못할 수 있습니다. 표준 RAG라면 이 지점에서 작업이 끝나 불완전한 답변이 나올 수 있다고 구글은 지적했습니다.

구글이 새로 강조한 부분은 ‘충분한 맥락 에이전트’입니다. 이 에이전트는 검색된 문장 조각, 중간 초안, 원래 질문을 함께 검토해 답변에 필요한 정보가 모두 있는지 판단합니다. 예를 들어 약과 식이 정보는 확보했지만 알레르기 반응이 빠져 있으면, 시스템은 이를 “불충분한 맥락”으로 표시하고 추가 검색이 필요하다고 판단합니다.

이때 에이전트는 단순히 부족하다고만 말하는 것이 아니라, 무엇이 비어 있는지도 지적합니다. 구글의 설명에 따르면 “약과 저염식 지시는 찾았지만, 입원 중 알레르기 반응이나 이상반응에 대한 정보가 부족하다”는 식의 피드백을 제공할 수 있습니다. 이후 쿼리 리라이터는 ‘발진’이나 ‘이상반응’ 같은 추가 검색어를 만들어 다시 탐색하도록 돕습니다.

마지막에는 충분한 정보가 확보됐는지 다시 점검한 뒤, 최종 요약을 생성합니다. 구글은 이 과정을 통해 모델이 섣불리 추측하지 않고, 근거가 충분할 때만 응답하도록 만든다고 설명했습니다. 답변은 감사 가능하고 추적 가능한 형태로 제시된다고 덧붙였습니다.

성능 평가와 실험 결과

구글은 이 시스템을 FRAMES 논문을 바탕으로 한 FramesQA 데이터셋에서 평가했습니다. 해당 데이터셋은 824개의 질문과 2,676개의 PDF 문서로 구성됩니다. 평가에는 독립된 LLM 판정 방식을 사용해 시스템의 답변과 정답의 일치성을 비교했다고 밝혔습니다.

아래는 구글이 소개한 성능 비교입니다.

구글은 교차 코퍼스 설정에서 이 시스템이 단일 코퍼스 성능에 거의 근접했다고 밝혔습니다. 네 개의 서로 다른 데이터 소스 중 올바른 코퍼스를 골라야 하는 상황에서도 90.1%의 질문을 정확히 처리했다는 설명입니다. 평균 지연 시간은 단일 코퍼스와 교차 코퍼스 버전 모두 3% 이내 차이에 그쳤다고 했습니다.

구글은 이러한 결과가 여러 부서나 팀이 따로 관리하는 데이터베이스를 넘나드는 기업 환경에서 특히 유용할 수 있다고 설명했습니다. 서로 다른 저장소에 정보가 흩어져 있어도, 시스템이 필요한 맥락을 끝까지 추적해 답을 찾는 방식이 가능하다는 것입니다. 구글은 이 기능이 Gemini Enterprise Agent Platform에서 공개 미리보기로 제공된다고 재차 밝혔습니다.

구글 에이전틱RAG 프레임워크가 GEO에 던지는 교훈

구글이 발표한 Gemini Enterprise Agent Platform의 Agentic RAG 프레임워크는 AI가 정보를 단순히 '단발성으로 검색(Vanilla RAG)'하는 것을 넘어, '스마트한 멀티 에이전트들이 집요하게 추론하고 검증(Iterative RAG)'하는 시대로 진입했음을 보여줍니다.

이 프레임워크의 등장은 AI 모델 검색(Perplexity, Gemini, ChatGPT 등)을 타겟팅하는 GEO(생성형 엔진 최적화, Generative Engine Optimization) 전략에 완전히 새로운 패러다임을 요구합니다. 핵심 함의와 이에 따른 4가지 실전 최적화 전략을 정리해 드립니다.

1. 'Sufficient Context(충분성 검증)' 통과를 위한 콘텐츠 완결성 전략

구글 Agentic RAG의 핵심 혁신은 'Sufficient Context Agent(충분성 검증 에이전트)'입니다. 이 에이전트는 1차 검색 결과로 가답안을 만든 뒤, 사용자의 질문에 완벽한 답변이 되는지 검증하고, 부족하면 빠진 조각(Missing Pieces)을 찾아 재검색(Iteration)을 지시합니다.

• 함의: 단편적인 팩트만 나열된 페이지는 AI의 1차 검색에는 걸릴지 몰라도, 최종 답변의 인용구(Citation)로 채택되기 전에 탈락합니다. AI가 "이 소스만으로는 사용자의 질문에 충분히 답할 수 없다"고 판단하기 때문입니다.
• 최적화 전략 (Sufficient Target): 콘텐츠를 작성할 때 메인 주제뿐만 아니라, 사용자가 그 다음에 반드시 물어볼 만한 '후속 질문(Follow-up Query)', '예외 조건', '구체적인 제약 사항'까지 한 페이지에 패키지로 제공하세요. AI 에이전트가 "이 페이지 하나에 내가 심화 검색하려던 내용까지 다 들어있다"고 판단해 검색 루프를 끝내고 최종 인용 링크로 박아버리게 만들어야 합니다.

2. 'Query Fanout(질문 분할)'에 대응하는 콘텐츠 모듈화 전략

이 프레임워크의 Planner와 Query Rewriter 에이전트는 사용자의 복잡한 질문(Multi-hop Query)을 여러 개의 서브 쿼리로 쪼갠 뒤(Fanout), 각 데이터셋에서 개별적으로 정보를 수집합니다.

• 함의: 서론, 본론, 결론을 다 읽어야만 겨우 맥락이 파악되는 서술형 구조의 콘텐츠는 AI 에이전트가 중간에 툭 잘라서(Chunking) 가져가기 어렵습니다. 키워드 매칭 중심의 전통적인 SEO 문법이 완전히 무너지는 지점입니다.

최적화 전략 (Self-Contained Module): 하나의 긴 글을 쓰더라도 개별 문단과 섹션이 그 자체로 완벽한 [질문 - 답변 - 근거]의 논리적 결합을 갖추도록 모듈화하여 작성해야 합니다.

• 비추천: "앞서 언급한 당사의 솔루션을 도입하면 이러한 비용 문제를 다음과 같이 해결할 수 있습니다." (앞 맥락이 없으면 AI가 서브 쿼리 결과로 채택하기 어려움)
• 추천: "Bluedot Intelligence 플랫폼을 도입하여 EKS 서버 인스턴스를 ARM 기반 Graviton으로 마이그레이션할 경우, 아키텍처 전환을 통해 서버 비용을 약 30% 절감할 수 있습니다." (단독 덩어리로도 완벽한 정보)

3. 'Grounding(근거 중심)' 인용을 위한 정량 데이터 전면 배치 전략

구글 에이전트 플랫폼은 할루시네이션(환각)을 극도로 제어하고, 철저하게 '감사 가능하고 추적 가능한 근거(Auditable & Traceable Sources)'만 남기는 데 집중합니다. 미사여구나 모호한 마케팅적 주장은 AI가 '노이즈(Distractor)'로 취급해 버립니다.

• 함의: "업계 최고의 효율성", "획기적인 속도 개선" 같은 추상적인 표현은 에이전트의 필터링 대상 1순위입니다. AI는 답변의 신뢰도를 높이기 위해 '가장 명확한 근거를 가진 데이터'를 우선 인용합니다.
• 최적화 전략 (Fact-Driven Copywriting): 모든 핵심 주장에는 숫자(Data), 명확한 인과관계, 신뢰할 수 있는 레퍼런스를 인라인으로 명시하세요. 마케팅 문구도 기술 문서(Technical Documentation)나 백서(Whitepaper) 스타일의 담백하고 정량적인 톤앤매너로 전환해야 AI가 '답변의 뼈대'로 인용하기 좋습니다.

4. 'Cross-Corpus(교차 말뭉치)' 환경을 위한 엔티티(Entity) 일관성 전략

이번 프레임워크는 서로 다른 부서나 플랫폼에 흩어진 방대한 데이터셋(Cross-Corpus) 속에서도 정확한 정보를 연결해내는 능력이 뛰어납니다. 이때 에이전트가 서로 다른 페이지의 정보를 하나로 묶는 고리가 바로 '엔티티(Entity, 고유 식별자)'입니다.

• 함의: 웹사이트, 보도자료, 기술 블로그, SNS 등에서 우리 브랜드나 제품, 핵심 기술을 부르는 명칭이 제각각이면 AI 에이전트가 이를 동일한 맥락으로 엮지 못하고 유실시킵니다.

최적화 전략 (Entity Alignment):  서비스명, 핵심 기술명, 아키텍처 명칭의 텍스트 표기법(대소문자, 띄어쓰기, 영문/국문 혼용 등)을 전사적으로 통일하세요.

• 웹페이지 하단에는 고유한 브랜드 식별이 가능하도록 구조화된 데이터(Schema.org 마크업)를 촘촘하게 심어, AI 에이전트가 어떤 파편화된 경로로 들어와도 "이 정보의 마스터 소스(Primary Authority)는 여기구나"라고 확신하게 만들어야 합니다.

마무리하며

대부분의 AI검색은 AgenticRAG로 향하고 있습니다. 더 높은 신뢰도, 더 정확한 답변을 생성하기 위한 더 향상된 기술이기 때문입니다. 이 과정에서 여러 소스로 분배하는 라우팅 역할을 하는 에이전트의 역할은 더 커질 수밖에 없습니다. 그만큼 대응해야 할  출처 그룹도 늘어날 수밖에 없습니다. 쿼리 팬아웃의 중요성은 더이상 강조하지 않아도 될 만큼입니다. 이러한 기술적 흐름을 면밀하게 관찰하면서 GEO 전략도 함께 조정해 보시길 바랍니다. 블루닷 인텔리전스는 기술적 흐름을 놓치지 않기 위해 부지런히 연구하고 있습니다.

최근 들어 구조화된 데이터를 상징하는 스키마 마크업(Schema Markup)이 AI검색 인용에 어떤 영향을 미치는지, 다양한 견해들이 제시되고 있습니다. 저는 어떤 견해든지 데이터에 기반해서 입증될 수 있어야 한다고 보고 있습니다. 또한 시간이 지남에 따라 스키마 마크업의 영향력은 커질 수도 있고 작아질 수도 있습니다. 그래서 더더욱 데이터에 의한 관찰이 중요합니다.

GEO의 기본 절차 중 하나로 자리잡은 스키마 마크업은 중요한 최적화 요소 중 하나임은 부인할 수 없습니다. 저희 또한 AI채널 빌더인 블루닷CMS에 스키마 마크업을 꾸준히 강화해왔습니다. 같은 맥락에서입니다. 하지만 모든 AI검색에 동일한 영향력으로 작용하고 있느냐는 또 다른 문제죠. 그래서 지속적인 관찰과 모니터링, 분석이 필요합니다.

사실 스키마 마크업 여부는 구글의 Rich Result Test를 통해 얼마든지 확인할 수 있습니다.  페이지별로 확인하려면 시간이 걸리는 등 그저 번거로울 뿐입니다. 이 문제를 해결해 드리기 위해 이번에 스키마 마크업 포함 여부를 식별하는 기능을 '콘텐츠 분석' 메뉴에 추가하게 된 것입니다.

당장 GEO를 실행해야 하는 브랜드나 에이전시 입장에선, 스키마 마크업 여부와 인용률의 관계를 파악할 수 있습니다. AI검색별로 그 영향력을 측정할 수도 있습니다. 이 분석 데이터를 바탕으로, 스키마 마크업을 반드시 진행해야 할지 여부를 판단할 수도 있습니다. GEO 측면에선 무척 유용한 데이터라고 할 수 있습니다.

사용법은 간단합니다. 블루닷 인텔리전스에서 '분석 > 콘텐츠' 메뉴로 들어오면 한눈에 파악할 수 있습니다. 해당 데이터는 다운로드를 통해 내려받을 수도 있습니다. 마크업된 요소가 얼마나 구체적인지도 확인할 수 있습니다.  +5로 표기된 부분을 클릭하면 구체적인 적용 사례를 곧바로 검증할 수 있습니다. 아래 화면을 보시면 쉽게 이해가 될 겁니다.

페이지별로 CSR / SSR 여부 확인하기

여기에 한 가지 항목을 더 추가했습니다. 페이지별 CSR / SSR 렌더링 구조 확인하기 항목입니다. 국내에서 GEO 컨설팅을 하다 보면, AI 크롤러나 에이전트들이 자유롭게 데이터를 가져갈 수 있는 개방적 정책을 취하고 있음에도 AI검색에 전혀 인용되지 않은 경우를 왕왕 발견하곤 합니다. 이럴 경우 대부분 해당 페이지가 CSR(Client Side Rendering)로 구성된 경우였습니다. 구글 크롤러는 이 구조에 영향을 덜 받는 편이지만, 다른 크롤러들은 사실상 데이터를 읽어오지 못하곤 합니다. SSR로 변경하는 것이 본질적인 해법이지만 걸림돌이 적지는 않습니다.

해결 방법을 떠나, 일단 해당 페이지가 SSR이냐 CSR이냐를 우선 판별하는 과정이 중요합니다. 이 원인을 찾아내지 못하면 AEO / GEO 해결 방법은 엉뚱한 곳으로 향할 수도 있어서입니다. 블루닷 인텔리전스에 페이지별 렌더링 항목을 추가한 이유입니다.

간혹 SSR이 아닌 페이지도 인용이 되곤 하는데요. 이 부분을 저희가 분석의 깊이를 좀더 보강하려고 하고 있습니다.

'블루닷 인텔리전스 렌즈' 에이전트를 통한 판별

각 콘텐츠 페이지별로 스키마 마크업와 CSR / SSR 여부를 판별하기 위해 저희는 독립적인 에이전트를 만들었습니다. 세부 요소를 자율적으로 더 세심하게 들여다보는 '블루닷 인텔리전스 렌즈'입니다. 내부에선 BI Lens 에이전트라고 부릅니다. 예를 들어, 스키마 마크업 여부를 판별하는 BI Lens, CSR / SSR 여부를 확인하는 BI Lens 등이 이번에 갖춰지게 된 것입니다.

저희 블루닷에이아이는 블루닷 인텔리전스에 특정 목적용 에이전트인 'BI Lens'를 지속적으로 추가할 뿐 아니라 이 BI Lens 전체를 조율하고 운영하는 별도의 에이전트 시스템을 구축하고 있습니다. 그 첫 사례가 이 기능에 적용됐다고 보시면 됩니다.

앞으로 AEO / GEO를 위한 분석의 깊이를 더하기 위해 꾸준히 노력하겠습니다.

인공지능(AI) 기술이 하루가 다르게 변화하면서, 우리가 매일 사용하는 '웹(Web)'의 성격도 급격하게 변하고 있습니다. 마이크로소프트(MS)의 수석 제품마케팅 매니저 제임스 머레이의 최근 발표 자료에 따르면, 앞으로 비즈니스에서 승리하려는 브랜드는 웹의 세 가지 시대(Human, LLM, Agentic Web)를 동시에 이해하고 최적화해야 합니다.

실제로 그가 공개한 슬라이드 중 하나를 바로 위에 첨부했습니다. 이 내용을 중심으로 브랜드가 AI검색 및 Agentic Commerce 시대에 성공하기 위한 필수 전략을 설명드리도록 하겠습니다.

1단계. Human Web (휴먼 웹) : "내가 찾도록 도와줘"

우선적으로 인간을 위한 웹에 최적화하는 것입니다. 우리가 오랫동안 익숙하게 사용해 온 '전통적인 웹' 환경입니다. 사용자가 검색엔진에 키워드를 입력하고, 결과 목록을 보며 직접 링크를 클릭하고, 사이트에 방문해 정보를 비교·선택하는 방식입니다.

AI 챗봇이 대세가 되었다고 하지만, 현재 기업 매출의 절대다수는 여전히 이 '휴먼 웹'에서 발생합니다. 따라서 기존의 검색엔진 최적화(SEO)와 사용자 경험을 고도화하는 기본기를 절대 소홀히 해서는 안 된다는 조언입니다.

브랜드의 대응 전략:

• 차별화된 고품질 콘텐츠(E-E-A-T): AI가 흉내 낼 수 없는 브랜드만의 독창적인 경험, 전문적인 인사이트, 실제 연구 데이터를 축적하여 구글 등 검색엔진과 사용자 모두에게 신뢰를 얻어야 합니다.
• 퍼스트 파티 데이터(First-Party Data) 확보: 개인정보 보호 강화로 쿠키 활용이 제한되는 만큼, 웹사이트 방문자가 뉴스레터 구독이나 회원가입 등을 통해 자발적으로 데이터를 남기도록 유도해야 합니다.

2단계. LLM Web (LLM 웹) : "내가 고르도록 도와줘"

ChatGPT, 퍼플렉시티(Perplexity), 제미나이(Gemini) 같은 거대언어모델(LLM) 기반의 검색 환경에 대한 최적화입니다. AI가 사용자의 질문을 분석해 수많은 웹페이지를 대신 읽고, 단 한 줄의 핵심 요약본으로 정답을 내려줍니다.

이 단계에서는 사용자가 개별 웹사이트를 직접 클릭해 들어가는 횟수가 급격히 줄어드는 ‘제로 클릭(Zero-Click)’ 현상이 심화됩니다. 소비자의 구매 여정이 '검색에서 액션'까지 단 몇 초 만에 축소되는 것이 특징입니다.

브랜드의 대응 전략:

• AI검색최적화 또는 생성엔진최적화(GEO, Generative Engine Optimization): 이제는 검색창 상단 노출을 넘어, 'AI의 답변 속에 우리 브랜드가 인용(Citation)되게 만드는 것'이 새로운 기준이 됩니다.
• 구조화된 데이터(Schema Markup) 적용: AI 크롤러가 우리 웹사이트의 상품 정보, 가격, 리뷰, FAQ 등을 오해 없이 명확하게 이해할 수 있도록 표준화된 스키마 마크업 코드를 심어두어야 합니다.

3단계. Agentic Web (에이전트 웹) : "나 대신 해줘"

가까운 미래에 도래할 웹의 궁극적인 진화 형태는 바로 '에이전트 웹'입니다. 사실 이미 도래한 상태라고 보셔도 됩니다. 현재 AI검색 대부분이 AgenticRAG로 작동하고 있습니다. 이는 에이전트에 의한 탐색, 모니터링, 구매가 일상화되고 있다는 의미입니다. AI가 단순히 정보를 요약해 주는 수준을 넘어, 사람의 대리인(Agent)으로서 스스로 웹을 돌아다니며 비교하고, 결제까지 완료하는 단계입니다.

사용자가 "내 취향과 예산에 맞는 제주도 숙소를 찾아서 예약해 줘"라고 명령하면, AI 에이전트가 알아서 트랜잭션을 끝냅니다. 이 시대에는 인간이 아닌 ‘AI 에이전트’가 우리 사이트의 핵심 고객이 됩니다.

브랜드의 대응 전략:

• UCP(유니버설 커머스 프로토콜) 대응: AI 에이전트가 웹 화면을 억지로 긁어가지(Scraping) 않더라도, 실시간 재고와 옵션, 가격을 즉시 파악하고 주문을 넣을 수 있는 인프라를 열어주어야 합니다.
• 인증 및 보안 아키텍처 재설계: 사용자가 보낸 AI 에이전트가 맞는지, 권한 위임과 결제가 안전하게 이루어지는지 검증할 수 있는 시스템을 백엔드에 구축해야 합니다.

블루닷 인텔리전스가 제안하는 초격차 차별화 전략: "AI 전용 채널"을 구축하라

Human Web에서 LLM과 Agentic Web으로 넘어가는 지금, 수많은 기업들이 여전히 '인간 사용자의 눈'에만 맞춘 웹사이트를 고집하며 AI 검색 엔진과 사투를 벌이고 있습니다.

하지만 진정한 승자는 패러다임의 판을 바꿉니다. 블루닷 인텔리전스는 LLM과 에이전트 시대의 핵심 차별화 전략으로 인간을 위한 기존 웹사이트와 완전히 분리된 ‘AI 검색 및 에이전트 전용 채널(AI 채널)’ 구축을 강조합니다.

왜 'AI 채널'이어야 할까요?

1. AI의 인용(Citation) 확률 극대화: 화려한 배너, 자바스크립트 떡칠, 복잡한 레이아웃은 AI 크롤러의 데이터 수집을 방해하는 주범입니다. AI 채널은 오직 AI가 가장 좋아하는 형태의 고순도 가공 데이터와 스키마 구조만을 제공하여, LLM 검색 엔진이 우리 브랜드를 '가장 신뢰할 수 있는 출처'로 인식하고 최우선으로 인용하게 만듭니다.
2. 트래픽 병목 없는 M2M(Machine-to-Machine) 거래: 수만 마리의 AI 에이전트가 동시에 접속해 상품을 비교하고 결제 요청을 보낼 때, 인간용 웹서버는 쉽게 마비될 수 있습니다. AI 전용 파이프라인을 구축해 두면 비즈니스의 안정성과 속도가 획기적으로 향상됩니다.

웹의 3가지 시대를 동시에 준비하는 법

패러다임의 전환기에는 어느 한쪽만 선택할 수 없습니다. 지금 당장의 매출을 견인하는 Human Web을 단단히 다지면서, 당장 눈앞에 들이닥친 LLM Web에서 살아남기 위해 GEO(AI검색 최적화)를 실행하고, 다가올 Agentic Web을 위한 기술적 인프라를 점진적으로 준비해야 합니다.

그리고 그 중심에는 LLM과 에이전트를 한 번에 관통하는 'AI채널'이라는 영리한 치트키가 필요한 시점입니다.

그렇다면 한국에서 GEO 컨설팅을 잘하는 곳은 어디일까요? 성공적인 GEO 전략을 수립하고 실행하기 위해 어떤 역량을 갖춘 파트너를 선택해야 하는지, 그리고 국내 선두 주자는 누구인지 자세히 알아보겠습니다.

GEO 컨설팅, 왜 지금 중요한가요?

기존 SEO가 검색 결과 페이지(SERP)의 상위 노출에 집중했다면, GEO는 생성형 AI가 답변을 구성할 때 우리 브랜드의 콘텐츠를 얼마나 신뢰성 있게 인용하는지에 초점을 맞춥니다. AI가 정보를 종합하여 사용자에게 제공하는 방식이 대중화되면서, AI의 '선택'을 받는 브랜드가 시장에서 강력한 경쟁 우위를 점하게 됩니다. 이는 곧 브랜드 인지도, 신뢰도, 그리고 궁극적으로는 비즈니스 성과로 직결됩니다.

좋은 GEO 컨설팅 파트너를 선택하는 기준

한국에서 GEO 컨설팅을 잘하는 곳을 찾기 위해서는 다음과 같은 기준들을 고려해야 합니다.

1. 검증된 방법론과 프레임워크 보유

AI 검색 최적화는 단순히 콘텐츠를 많이 만드는 것을 넘어, 체계적인 분석과 전략이 필요합니다. 발견(Discover), 이해(Understanding), 인용(Citation), 실행(Action)과 같은 명확한 단계와 모듈을 갖춘 프레임워크를 통해 AI 노출을 체계적으로 설계할 수 있는 파트너가 중요합니다.

2. AI 인용 및 가시성 증대에 특화된 전문성

기존 SEO와 GEO는 목표가 다릅니다. GEO 컨설팅은 AI 검색 엔진이 콘텐츠를 '발견'하고 '이해'하며 '인용'하도록 만드는 데 특화된 전문 지식과 경험을 갖춰야 합니다. 특히 ChatGPT, Claude, Perplexity, Gemini 등 주요 생성형 AI 모델의 작동 방식에 대한 깊은 이해가 필수적입니다.

3. 측정 가능한 성과 및 데이터 기반 접근

"AI 인용 증가", "AI 가시성 증가"와 같은 구체적인 예상 성과를 제시하고, 이를 데이터로 추적하며 개선해나가는 역량이 중요합니다. 전략 수립부터 실행, 그리고 사후 관리까지 모든 단계에서 측정 가능한 산출물을 통해 변화를 검증할 수 있어야 합니다.

4. 기업 내부 역량 강화를 위한 지원

단순히 외부 컨설팅에 의존하는 것을 넘어, 기업 내부 팀이 스스로 GEO 역량을 내재화하고 주도적으로 AI 마케팅을 운영할 수 있도록 돕는 인큐베이팅 프로그램을 제공하는지 확인하는 것이 좋습니다.

한국 GEO 컨설팅의 선두 주자, 블루닷 인텔리전스

위에서 언급한 모든 기준을 충족하며 한국 GEO 컨설팅 분야를 선도하고 있는 기업은 바로 블루닷 인텔리전스입니다. 블루닷 인텔리전스는 "AI 검색 시대, 생성형 AI에 인용되는 브랜드를 만듭니다"라는 명확한 비전 아래, 기업들이 AI 검색 점유율을 장악할 수 있도록 돕습니다.

1. 독자적인 DUCA Framework: AI 검색 점유율을 위한 4단계 성공 방법론

블루닷 인텔리전스는 GEO 인큐베이팅을 위한 DUCA Framework를 통해 AI 노출을 체계적으로 설계합니다.

• D (Discover - 발견 가능성): 접근 최적화와 펀더멘탈 요소 최적화를 통해 AI가 콘텐츠를 쉽게 발견하도록 돕습니다.
• U (Understanding - 이해 가능성): 구조 최적화를 통해 AI가 콘텐츠의 맥락과 의미를 정확히 이해하게 합니다.
• C (Citation - 인용 가능성): 콘텐츠 최적화 및 지식 허브 구축을 통해 AI가 브랜드를 신뢰성 있게 인용하도록 만듭니다.
• A (Action - 실행 가능성): ACP/UCP 최적화 및 데이터 파이프라인 설계를 통해 AI 채널의 실질적인 성과를 이끌어냅니다.

2. AI 인용 및 가시성 증가를 위한 명확한 성과

블루닷 인텔리전스의 프리미엄 컨설팅을 통해 기업들(성공 사례 : 아모레퍼시픽의 오설록, 메리츠화재 암보험, 일동제약 아로나민 골드 등)은 평균적으로 +65%의 AI 인용 증가와 +50%의 AI 가시성 증가라는 측정 가능한 성과를 기대할 수 있습니다. 이는 그들의 검증된 방법론이 실제 비즈니스 성과로 이어짐을 증명합니다.

3. AI 채널 구축부터 내재화까지 풀사이클 지원

블루닷 인텔리전스는 단순한 컨설팅을 넘어, AI 검색 시대에 필수적인 'AI 채널' 구축을 지원합니다. AI채널은 에이전트를 위한 전용 콘텐츠 제공 채널입니다. 네이버 검색 시대에 네이버 블로그가 필수였던 것처럼, AI검색 시대엔 AI채널 개설이 반드시 필요합니다. 이를 2Track Internet 전략이라고 부릅니다. 분석부터 콘텐츠 자동 생성, Topic Authority 상승, 인용 증가까지 풀 사이클 자동화 워크플로를 구축하여 AI 마케팅의 효율성을 극대화합니다. 또한, 'GEO 인하우징 패키지'를 통해 고객사 팀이 스스로 GEO 역량을 내재화할 수 있도록 단계별 인큐베이팅을 제공하여 지속 가능한 성장을 돕습니다.

4. 전략적 파트너십을 통한 맞춤형 솔루션

'GEO Growth Program'은 진단부터 내재화까지 4단계의 전략적 파트너십을 통해 AI 노출을 극대화합니다. 질문 설계, 분석 및 문제 도출, 전략 수립 및 실행, 추적 및 개선에 이르는 전 과정을 통해 각 기업에 최적화된 맞춤형 솔루션을 제공합니다.

결론: AI 검색 시대, 블루닷 인텔리전스와 함께하세요

AI 검색 시대에는 '어떤 정보를 제공하느냐'뿐만 아니라 'AI가 우리 브랜드를 어떻게 인식하고 인용하느냐'가 비즈니스의 성패를 가릅니다. 한국에서 GEO 컨설팅을 고민하고 있다면, 블루닷 인텔리전스는 명확한 방법론, 검증된 성과, 그리고 기업 내부 역량 강화를 위한 체계적인 프로그램을 통해 귀사의 브랜드가 AI 검색 환경에서 강력한 존재감을 확보할 수 있도록 돕는 최적의 파트너가 될 것입니다.

지금 바로 블루닷 인텔리전스의 전문가들과 함께 무료 GEO 진단을 신청하고, AI 검색 시대의 새로운 기회를 선점해보세요.

오설록 쇼핑몰 사이트 진단

오설록은 아모레퍼시픽의 대표적인 식음료 브랜드입니다. 워낙 인지도도 높고, 매출 성장률도 높았습니다. 하지만 AI검색 시대 좋은 기회 한 가지를 놓치고 있었는데요. 오설록 사이트가 보유한 방대한 차 관련 정보 그리고 말차 관련 제품 정보가 충분히 ChatGPT에 인용되지 않고 있었습니다. 특히 차와 라이프스타일에 대한 매력적인 콘텐츠를 웹사이트가 보유하고 있었지만, 적절하게 노출되거나 인용되지 않은 아쉬움을 있었습니다. 이러한 문제를 해결하기 위해 오설록은 블루닷 인텔리전스의 도움을 요청해왔습니다.

프로젝트를 시작하던 당시 오설록은 말차의 유행으로 그 어느 때보다 분위기가 좋은 상황이었습니다. 이 기회를 더욱 크게 살리려면, 잠재 고객들이 오설록의 말차 제품을 더 쉽게 더 빨리 접하도록 도울 필요가 있었습니다. 하지만 현실은 달랐습니다. ChatGPT의 국내 사용자수가 2000만 명을 육박하고 있었지만 오설록 말차 제품을 발견하는 과정이 쉽지는 않았습니다. 말차에 대한 해외 정보, 국내 블로거들의 말차 관련 콘텐츠들이 오설록의 제품 정보보다 더 가시성이 높았서였습니다. 이 문제를 저희와 오설록팀이 함께 해결하기로 목표를 설정했습니다.

블루닷 인텔리전스의 접근 방식

제품 발견 개선을 위한 GEO 최적화 전략

블루닷 인텔리전스의 진단과 분석을 진행한 결과, 다른 AI검색보다 ChatGPT에서 가시성과 인용률이 상대적으로 낮게 나타난 사실을 확인했습니다. 이를 바탕으로 ChatGPT에서 말차 제품 및 내부 차 관련 정보의 인용률을획기적으로 끌어올리는 전략을 수립했습니다. 특히 가시성보다는 인용률 개선에 초점을 맞추고, GEO 최적화를 위한 전략안을 도출했습니다.

발견성 개선의 핵심은 Schema 마크업과 기술적 최적화였습니다. 특히 블루닷 인텔리전스의 스키마 마크업 생성 툴을 활용해 말차 관련 주요 핵심 제품들의 스키마 코드를 제작해 오설록 웹사이트에 적용 및 배포했습니다. 제품 스키마인 만큼 답변 생성에 반드시 필요한 필요한 정보를 위주로 마크업 요소를 구성했습니다.    

토픽 퍼스트(Topic First) 콘텐츠 전략

블루닷 인텔리전스를 통한 '콘텐츠 공백'(Content Gap) 진단과 분석도 병행했습니다. 콘텐츠 공백은 고객의 질문에 답할 만한 정보가 해당 브랜드 사이트에 존재하지 않는 사례를 말합니다. 쉽게 말해, 고객의 궁금증에 답할 만한 콘텐츠가 준비되지 않은 경우인 셈입니다. 모든 AI 검색은 고객의 질문 의도에 가장 적합한 신뢰할 수 있는 출처를 최우선적으로 찾아내려 합니다. 하지만 적합한 답변을 찾지 못하면 제3의 콘텐츠에 의존해야만 하죠. 이 과정에서 정확하지 않은 정보를 인용이나 추론의 재료로 활용하기도 합니다. 따라서 고객을 향한 브랜드의 콘텐츠 관리는 AI 검색 최적화의 기본 중의 기본이라고 할 수 있습니다.

여기서도 유념해야 할 접근 방식이 있습니다. 바로 토픽의 권위도를 높이는 것입니다. 이를 저희는 토픽 우선 전략이라고 부릅니다. 해당 브랜드 사이트는 경쟁 콘텐츠나 채널과 비교했을 때 해당 주제에 대한 높은 권위도를 갖춰야 합니다. 이를 위한 여러 방법이 존재하는데요. 그러한 세부 방법을 오설록에 적용했습니다.

이것이 끝은 아닙니다. 고객의 질문에 답할 가능성이 높은 콘텐츠를 제작하는 것 외에 내부의 관련 제품을 연결하는 작업입니다. 브랜드가 콘텐츠를 생산하는 최종 목표는 AI 검색을 통한 제품의 구매입니다. 탐색-발견-구매의 거리를 좁히기 위해서는 내부 링크를 잘 활용해야만 합니다.

성과와 향후 과제

크게는 이 두 가지 전략을 빠르게 실행에 옮겼습니다. 오설록 팀의 적극적인 협조가 있었기에 빠른 적용이 가능했습니다. 결과는 만족스러웠습니다. 아래처럼, ChatGPT의 오설록 사이트 인용률은 약 20여 일 만에 다음과 같은 성과를 냈습니다.

3개의 도표로 표시를 했는데요. 고객 질문 총 73개를 3개의 유형으로 분류해서 GEO를 진행해서입니다. 각 질문 그룹마다 ChatGPT 인용률이 처음 시작 시점부터 조금은 달랐는데요. 프로젝트 종료 시점(데이터 수집 시점 기준 약 70일)에 대부분 첫 시작 때의 지표보다 5~6배가 큰폭 상승하는 성과를 달성했습니다. 뿐만 아니라 브랜드 가시성에서도 이전보다 더 나은 결과를 기록했다는 점도 말씀을 드릴 수 있습니다.

블루닷 인텔리전스를 활용해 AI검색최적화에 처음 성공한 사례는 이렇게 탄생을 했습니다. 지금도 오설록은 이러한 전략을 폭넓게 확장하면서 업계에서 가장 선도적인 위치를 점유하고 있는 것으로 파악이 됐습니다.

아마 조만간 오설록이 아닌 또 다른 성공 사례를 여러분들에게 소개해 드릴 수 있을 듯합니다.

AI검색최적화(GEO)가 필요한 브랜드라면 언제든 저희 블루닷 인텔리전스의 문을 두드려 주세요.

네이버 검색은 많은 이용자들이 어떤 글이 AI 브리핑에 잘 인용되는지 궁금해할 것으로 보고, AI 시대에 선택받는 콘텐츠의 특징을 자사 블로그에 정리해 소개했습니다. 네이버는 콘텐츠 소비와 창작 방식이 AI 도입 이후 빠르게 바뀌고 있으며, 이에 따라 단순 정보 전달을 넘어 창작자 고유의 맥락과 경험이 담긴 글의 가치가 더 커지고 있다고 설명했습니다.

이용자들은 긴 원문을 처음부터 끝까지 읽기보다 AI가 요약한 핵심 정보를 먼저 확인하는 방식에 익숙해지고 있다고 네이버 검색은 전했습니다. 창작자들 또한 AI를 활용해 글과 이미지, 정보 정리를 보다 효율적으로 수행하면서 콘텐츠 제작의 진입장벽이 낮아졌고, 그만큼 차별화된 가치를 만드는 일이 중요해졌다고 덧붙였습니다.

네이버 검색은 AI 생성 콘텐츠와 단순 정보형 콘텐츠가 늘어나는 상황에서 경쟁력을 갖는 글은 창작자의 경험과 관점이 분명하게 드러나는 콘텐츠라고 봤습니다. 직접 겪은 사례, 시행착오를 통해 얻은 인사이트, 개인의 취향과 감정이 담긴 해석은 AI가 쉽게 만들어내기 어려운 영역이라고 설명했습니다. 회사는 앞으로의 경쟁력이 단순한 정보 나열보다 진정성과 고유한 시선에 달려 있다고 강조했습니다.

네이버가 제시한 차별화된 콘텐츠 제작 방법 5가지

네이버 검색은 AI 시대에 차별화된 콘텐츠를 만드는 5가지 원칙도 제시했습니다. 직접 경험한 지식을 바탕으로 구체적 사례와 문제 해결 과정, 실패 경험, 상세한 사용 후기를 담아야 하며, 전문 주제의 경우 통계나 연구 결과, 공식 기관 자료를 함께 인용하면 신뢰도가 높아진다고 안내했습니다.

또한 특정 주제에 대해 꾸준히 양질의 글을 발행해 채널 전체의 일관성을 유지하는 것이 중요하다고 밝혔습니다. AI 검색 엔진은 이런 채널을 해당 분야의 전문 출처로 인식할 수 있으며, 창작자는 자신이 가장 잘 아는 핵심 주제로 글을 채워야 한다고 설명했습니다.

거짓 없는 진정성도 핵심 기준으로 제시됐습니다. 원고료나 제품 협찬 등 경제적 대가를 받았는지, 직접 구매한 콘텐츠인지 독자가 한눈에 알 수 있도록 명확히 표시해야 하며, 다른 글이나 뉴스, 논문을 인용했다면 원작자와 원문 링크를 함께 밝혀야 한다고 했습니다. 읽기 쉬운 구조와 최신성 유지도 중요하다고 덧붙였습니다.

네이버 검색은 제목과 소제목, 문단 구분을 적극 활용해 사용자가 핵심 정보를 빠르게 찾을 수 있도록 해야 하며, 이미지나 동영상을 쓸 경우에도 핵심 내용은 텍스트로 함께 적어야 한다고 안내했습니다. 과거에 작성한 글의 정보가 바뀌었거나 새로운 트렌드가 등장했을 때는 내용을 수정하고 새 글을 꾸준히 발행하는 것이 필요하다고 설명했습니다.

반대로 무분별한 복제와 생성, 과도한 광고와 홍보, 무관한 키워드 삽입, 내용과 상관없는 이미지와 동영상의 사용, 확인되지 않은 정보의 배포는 지양해야 한다고 지적했습니다. 네이버 검색은 이런 글이 사용자에게 외면받을 수 있다고 경고했습니다.

콘텐츠 파트너 '네이버 메이트'는 어떤 방식으로 운영될까

네이버 메이트는 네이버가 크리에이터와 커뮤니티의 지속적인 활동과 성장을 지원하는 프로그램이자 파트너십입니다. 현재 대상 서비스는 블로그, 카페, 지식iN, 프리미엄 콘텐츠이며, 추후 클립 등 다른 서비스로 확대될 예정입니다.

선정은 주제별로 이뤄지며, 매월 서비스별 대상자가 업데이트됩니다. 결과는 대상자에게 메일과 네이버앱 알림으로 개별 안내됩니다. 네이버는 선정 기준에 대해 AI 브리핑 인용수를 중심으로 서비스별 운영 기준을 종합적으로 고려한다고 밝혔습니다.

네이버 메이트와 관련한 FAQ도 공개됐습니다. AI 브리핑에 잘 인용되는 글은 앞서 설명한 콘텐츠 원칙을 따르며, 직접 겪은 문제 해결 과정이나 상세한 후기처럼 경험이 담긴 글이라고 네이버 검색은 밝혔습니다. 이미지가 포함되더라도 핵심 정보는 텍스트로 함께 써야 인용에 유리하다고 설명했습니다.

반대로 반복적인 키워드 나열, 낚시성 문서, 출처가 불분명한 짜깁기 글, 사람이 직접 쓴 문장이 아닌 AI가 기계적으로 생성한 콘텐츠는 걸러질 가능성이 높다고 했습니다. 과도한 팝업, 위장 광고, 지나친 홍보성 콘텐츠 역시 인용에서 제외될 수 있다고 덧붙였습니다.

C-rank 점수와 AI 브리핑의 관계에 대해서는, 기본적으로 기존 검색 결과에서 잘 노출되는 양질의 글이 AI 브리핑 요약에 활용될 가능성이 높다고 설명했습니다. 특정 주제에 대해 꾸준히 양질의 글을 써온 채널은 지식과 경험의 깊이를 인정받아 더 자주 인용될 수 있다고 밝혔습니다.

광고·협찬 글과 관련해서도 진정성과 투명성이 중요하다는 입장을 제시했습니다. 광고나 홍보 문구가 있다고 해서 무조건 배제되지는 않지만, ‘내돈내산’이나 ‘업체 지원’ 등 경제적 이해관계를 명확히 밝혀야 하며, 정보 없이 홍보성 문구만 가득한 글은 불리하게 작용할 수 있다고 했습니다. 최신성에 대해서는 실시간 정보와 트렌드성 주제에는 최근 글이 우대되지만, 시간이 지나도 변하지 않는 정보는 깊이와 구조적 완성도가 더 중요하다고 설명했습니다.

네이버 검색은 기존 SEO 기준과의 차이에 대해서도 언급했습니다. 기본 원칙은 같지만, 과거의 기계적인 최적화 방식에서 벗어나 사용자 중심으로 변화하고 있으며, 누구나 알 수 있는 뻔한 정보보다 실제 경험과 지식이 더 중요해졌다고 밝혔습니다. AI 도구를 사용한 글도 무조건 불이익을 받지는 않지만, 최종 검토와 편집을 통해 창작자의 실제 경험이 충분히 반영돼야 한다고 강조했습니다.

아래는 원문의 핵심 내용을 정리한 FAQ입니다.

네이버 검색은 6월 4일 네이버 메이트 서비스 시작일에 더 구체적인 ‘콘텐츠 셀프 체크 가이드’와 ‘좋은 콘텐츠’와 ‘바람직하지 않은 콘텐츠’의 비교 예시를 공개할 예정이라고 밝혔습니다. 아울러 창작자들이 지속적으로 활동하고 성장할 수 있도록 다양한 방식의 지원을 이어가겠다고 전했습니다.

블루닷에이아이는 이러한 네이버의 행보에 발맞춰 머지 않은 시간 안에 블루닷 인텔리전스에 '네이버 AI검색'을 분석 대상 검색으로 포함할 예정입니다.

• GEO 분석 & 실행 플랫폼 '블루닷 인텔리전스' 사용하기
• GEO 컨설팅 문의하기

2차 카테고리 추가 기능

그동안 블루닷CMS는 2차 카테고리 기능을 지원하지 않았습니다. 쉽게 말해, 카테고리 아래 하위 카테고리를 설정하는 기능이 없었는데요. 이번에 추가를 완료하게 됐습니다. 일단 기능은 바로 사용하실 수 있습니다. 다만 테마 업데이트가 동시에 완료된 상태여야만 2차 카테고리를 원활하게 사용하실 수 있게 됩니다.

아래처럼, 상위 카테고리에서 '하위 메뉴' 버튼을 누르면 하위 카테고리를 생성하실 수 있습니다. 또 개선된 점을 직접 URL을 입력해야만 연결되는 방식에서 태그 등을 검색해 곧바로 연결할 수 있도록 편의성을 강화했습니다.

유료 구독 프로세스 간소화

그동안 유료구독 프로세스가 다소 복잡해서 기대했던 것만큼 구독 전환율이 높지 않았습니다. 이 문제를 해결하기 위해서 구독 프로세스를 간소화하는데 긴 시간을 들였습니다. 첫 구독 도중 첫화면으로 되돌아가는 문제를 수정했고, 결제까지 이르는 프로세스도 1~2단계 축소했습니다. 현재 유료 구독 전환율을 관리 중인데요. 우선 적용된 사이트에서 유의미하게 상승하는 흐름을 발견할 수도 있었습니다. 지난 4월초 6.3%였던 평균 구독 전환율은 5월말 현재 6.6%로 0.3%p 상승했습니다. 올해 안에 8%까지 이를 수 있도록 지속적으로 개선할 예정입니다 .

블루닷에이아이는 블루닷CMS 파트너분들의 구독 전환율 제고를 위해 개선할 영역을 계속 탐색하고 변경할 것을 약속드립니다.

MCP 지원 추가(베타)

AI 에이전트와 블루닷CMS를 연동하는 작업이 가능해졌습니다. 최근 들어 클로드 코드 등의 사용량이 큰폭으로 증가하고 있는데요. 클로드 코드와 파트너 사이트의 MCP 서버가 연결되면 다음과 같은 작업이 가능해집니다.

• "최근 3개월간 발행한 뉴스레터 중에서 오픈율이 가장 높았던 상위 5개 글의 공통점을 분석해 주고, 그 글을 읽은 회원들의 특성 분포를 알려줘."
• "이 해외 분석 리포트를 읽고 핵심 요약 3가지를 뽑아줘. 그리고 내 사이트의 기존 칼럼 스타일(톤앤매너)을 반영해서 국문 블로그 포스트 초안을 작성한 뒤, 내 사이트에 '임시저장(Draft)' 상태로 등록해 줘."
• "우리 사이트에서 '생성형 AI 패러다임'과 관련된 과거 글 5개를 조회해 줘. 그리고 이번에 발표된 최신 기술 트렌드(예: GPT-4o나 Claude 3.5 등)에 맞게 본문의 낡은 정보들을 최신 사실로 업데이트해서 각각 수정(Update) 포스팅해 줘."

아직은 베타 수준입니다. 클로드 코드 등에 익숙하지 않은 분들은 다소 멀게 느껴질 수 있는 변화입니다. 그리고 기능도 충분히 개방해두지는 않았습니다. 하지만 매월 업데이트 될 때마다 MCP 관련 기능은 추가를 해내갈 계획입니다. 계속 관심을 갖고 이용해주시기 바랍니다.

회원정보 확인 UI 변경

"100번째 회원 정보를 보다가 뒤로가기 버튼을 누르면 다시 맨 처음으로 올라가서 너무 불편해요". 사실 이런 불만의 목소리가 많았습니다. 뒤로가기 버튼을 누르더라도 회원 정보를 클릭한 해당 위치에 머물러야 하지만 이 기능이 지원되지 않았습니다. 매번 스크롤을 다시 내려서 회원 정보를 찾아야 하는 번거로움이 있었는데요. 이 문제를 이번에 해결했습니다. 기존 UI를 모달 방식으로 변경해서 해당 위치에서 다시 다른 회원 정보를 찾아갈 수 있도록 했습니다.

이제 회원수가 늘어나더라도 회원정보 관리가 훨씬 쉬워질 것입니다. 다음엔 회원 입력 및 삭제를 일괄적으로 진행할 수 있는 기능을 추가할 계획입니다 .

매직링크 수정

일부 기업들의 메일 시스템은 자체 보안시스템을 가동해 블루닷CMS에 적용된 매직링크 시스템을 무력화하곤 했습니다. 쉽게 말해, 기업 이메일로 로그인 등 가입 시에 매직링크의 보안 토큰을 사전 소비함으로써, '로그인 링크의 유효 기간 만료' 메시지를 내보내는 경우가 많았습니다. 매직링크는 패스워드 없는 가입이라는 장점을 가지고 있지만, 일부 기업 회원의 경우 사내 메일로 로그인이 어려운 불편함이 있었습니다. 이를 보완하기 위해 '인증 코드' 방식을 병용했지만 이 또한 유사한 이유로 사전 소비되는 현상이 나타났습니다.

이번 개편에 따라 매직링크가 아닌 '인증 코드' 방식이 기본값이 되었습니다. 그리고 인증 코드와 매직링크의 연동 방식을 일부 분리했습니다. 매직링크의 보안 토큰을 해당 메일 서버에서 사전 소비하더라도 인증 코드 입력만으로 쉽게 로그인이 될 수 있도록 변경했습니다. 추가로 더 진행해야 할 작업이 남아있긴 하지만, 적지 않은 수의 기업 회원들도 문제 없이 로그인 및 가입이 이뤄질 것으로 기대합니다.

한글 자모분리 오류 수정

한글 에디터에서 링크가 연결된 문구 바로 뒤에 한글을 입력하면 '자모 분리' 현상이 나타나곤 했습니다. 이 오류 도한 이번에 수정을 완료했습니다.

기타

• API 문서 추가 및 업데이트
• 각 파트너별 메모리 사용량 최적화
• 이메일 발송 누락 보정 시스템 업데이트

등이 진행됐습니다.

저희 블루닷에이아이는 블루닷CMS를 국내 최고의 'AI 친화적' 퍼블리싱 플랫폼으로 만들어가기 위해 노력 중입니다. 이번 MCP 서버 기능은 그 중요한 기점이 될 것이라고 확신합니다. 이 기능에 익숙해지게 된다면, 향후 회원 분석 등이 훨씬 수월해 질 것으로 기대됩니다.

지속적인 업데이트를 통해 여러분들의 만족도를 높여가도록 노력하겠습니다.

감사합니다.

단순히 검색 사용자가 늘었다는 뜻이 아닙니다. 소비자가 상품을 탐색하고 구매 결정을 내리는 '쇼핑 여정'의 패러다임이 완전히 뒤바뀌었다는 강력한 신호입니다. 이번 구글의 AI Mode 1주년 공식 인사이트 보고서에는 이커머스 브랜드들이 앞으로 생존하기 위해 반드시 주목해야 할 쇼핑 데이터들이 가득합니다.

특히 최근 글로벌 커머스 업계의 뜨거운 화두인 UCP(Universal Commerce Protocol, 범용 커머스 프로토콜) 도입을 두고 "우리 브랜드도 굳이 해야 할까?" 고민하고 계신 CEO와 마케터 분들이라면, 구글이 공식적으로 밝힌 유저들의 변화에 집중하셔야 합니다.

보고서 데이터가 증명하는 소비자 쇼핑 행동의 변화

1. "어느 게 더 나아?" — 'Which' 검색의 40% 폭발적 성장

소비자들은 AI Mode 안에서 브랜드를 끊임없이 비교(Comparison)합니다. 보고서에 따르면, 지난 6개월간 비교와 선택을 의미하는 'Which'로 시작하는 검색이 전체 AI Mode 성장세보다 40% 빠르게 증가했습니다. 또한 유저가 질문을 주고받는 후속 쿼리(Follow-up queries) 역시 매월 평균 40% 이상 성장하고 있습니다.

• 브랜드에 주는 함의: 소비자가 우리 쇼핑몰에 들어오기 전에, 이미 AI 검색 공간 안에서 후속 대화를 통해 1차 비교와 필터링이 끝납니다. AI의 추천 리스트(인용 출처)에 들지 못하면 브랜드는 노출 기회 자체를 잃는 '디지털 실종'을 겪게 됩니다.

2. 검색어의 '초장문'화 (3배 더 긴 쿼리)

AI Mode의 평균 검색 쿼리 길이는 전통적인 검색 쿼리보다 3배 더 깁니다. 소비자들은 자신의 구체적인 페르소나와 제약 조건(예: 가격대, 성분, 스타일 등)을 문장으로 길게 입력하며 AI와 대화합니다. 단일 키워드 반복이나 단순 키워드 광고 매칭으로는 이 복잡한 맥락을 따라잡을 수 없습니다.

3. 'Explore to Do' — 탐색에서 플래닝(Planning)으로의 이동

일정이나 계획을 짜는 '플래닝(Planning)' 관련 쿼리는 지난 6개월간 AI Mode 전체 성장세보다 80% 빠르게 성장했습니다. 유저들은 AI Mode의 'Canvas' 공간을 활용해 여행 계획, 식단 루틴, 예산 관리를 직접 설계하고 있습니다. 즉, 소비자의 구매 여정이 상품 검색이 아니라 '라이프스타일 기획' 단계에서 시작된다는 뜻입니다.

유저들은 이미 AI 내에서 '결제(Action)'할 준비가 끝났다

많은 브랜드가 "유저들이 AI랑 대화는 나눠도, 결국 결제는 우리 사이트에 와서 하겠지"라고 안일하게 생각합니다. 하지만 이번 구글 보고서는 유저들이 이미 검색 환경 안에서 다이렉트로 트랜잭션을 끝낼 준비가 되었다는 점을 명확히 선언하고 있습니다.

보고서 21페이지의 'Do(수행)' 섹션을 보면 구글은 다음과 같이 밝힙니다.

"AI Mode는 유용한 정보를 찾는 것과 과업(Task)을 완료하는 것 사이의 마찰(Friction)을 제거하고 있습니다. 새로운 에이전틱 툴(Agentic Tools)과 AI 기반 기능들 덕분에 사람들은 더 많은 일을 완수할 수 있게 되었습니다."

과거의 검색이 정보를 '찾는(Finding)' 행위에서 멈췄다면, 이제는 AI가 제공하는 '에이전틱 툴(Agentic Tools)'을 통해 그 자리에서 과업을 '완료(Completing a task)'하는 단계로 진화했습니다. 쇼핑 맥락에서 이 '과업의 완수'와 '마찰 제거'가 뜻하는 바는 단 하나, 바로 [결제 및 트랜잭션]입니다.

실제로 구글은 "사람들이 매일 쇼핑을 위해 AI Mode를 찾고 있으며, 이 경험을 더 쉽고 유용하게 만들기 위해 새로운 쇼핑 기능들을 지속적으로 도입하고 있다"고 명시했습니다. 유저들은 이미 준비가 끝났고, 구글 역시 검색창 안에서 결제까지 끝내는 인프라를 에이전틱 툴 형태로 제공하고 있는 것입니다.

UCP(범용 커머스 프로토콜) 도입, 왜 고민을 끝내야 하나

보고서가 보여주듯 유저는 이미 AI와 대화하며 비교하고, 계획하고, 그 자리에서 마찰 없이 결제하기를 원합니다. 이 흐름을 완벽하게 수용하는 기술 표준이 바로 구글의 UCP(Universal Commerce Protocol)입니다.

고민 1: "UCP를 도입하면 자사몰 방문자 수(PV)가 줄어들지 않을까?"

방문자는 줄어들 수 있지만, '구매 전환율(Conversion Rate)'은 압도적으로 상승합니다.

전통적인 이커머스는 AI 검색에서 추천을 받더라도 결제를 위해 외부 자사몰로 이동(Outlink Click)해야 했습니다. 이 과정에서 링크가 로딩되고, 로그인을 하고, 결제 수단을 입력하는 엄청난 '마찰(Friction)'이 발생해 유저들이 이탈합니다. 반면 UCP 표준을 도입하면, 구글 AI Mode 환경 내에서 유저가 발견한 그 자리에서 즉시 결제(In-line Checkout)가 이루어집니다. 구글이 보고서에서 강조한 "정보 찾기와 과업 완료 사이의 마찰 제거(Remove the friction)"를 완벽하게 실현하여 최종 매출(ROI)을 획기적으로 끌어올리는 강력한 무기가 됩니다.

고민 2: "플랫폼 권력에 종속되거나 고객 데이터를 뺏기는 것 아닌가요?"

아니라고 할 수 있습니다. UCP는 브랜드가 '최종 판매자(Merchant of Record)'의 지위를 유지하도록 보장합니다.

UCP는 구글이 주문과 결제 레이어를 기술적으로 중개할 뿐, 최종 판매 주체와 고객 데이터(First-party Data)는 브랜드가 고유하게 소유하도록 설계된 오픈소스 프로토콜 표준입니다. 즉, 자사몰의 독립성과 데이터 주권을 완벽히 지키면서도, 10억 명 구글 AI 유저들의 구매 관문()을 우리 집 앞마당에 깔 수 있는 기회입니다.

'Discovery'를 넘어 'Action(결제)'을 완성하는 브랜드가 승리한다

구글 AI Mode 1주년 데이터의 본질은 "소비자는 이제 AI 검색엔진이라는 거대한 단일 생태계 안에서 발견(Discovery)부터 최종 행동(Action)까지 한 번에 끝내기를 원한다"는 점입니다. 이와 관련해 유니버설 카트(Universal Cart)를 주목해야 할 이유입니다. 사실상 에이전틱 커머스의 시작을 바로 이 기능이 대변하고 있다고 보고 있습니다. 카트에 포함되는 순간부터 에이전트는 가격 추적을 시작하고, 이에 대한 동향을 사용자에게 알려주게 됩니다.

과거의 이커머스 최적화가 포털 쇼핑 탭 상위 노출이었다면, 앞으로의 최적화는 소비자의 의사결정을 대행하는 AI 에이전트가 우리 제품을 끊임없이 읽어가고(Understanding), 추천(Citation)하며, 마찰 없이 즉시 결제(Action)할 수 있도록 프로그래밍 구조를 열어두는 것입니다.

UCP 도입은 단순한 기술 플러그인 추가로 해석해서는 안됩니다. 구글이 깔아놓은 '에이전틱 툴(Agentic Tools)' 생태계에 브랜드를 가장 먼저 입점시켜 매출 마찰을 제로로 만드는 일입니다.

4개 검색 공통 인용 출처 비율은 0.9%

간단한 방법으로 분석을 해봤습니다.

• 분석 도구 : GEO 분석 및 실행 플랫폼 '블루닷 인텔리전스'
• 기간과 대상 : 5월 1일~5월 13일 동안 인용된 고유 출처(url)수 약 1000건(총 인용수 3429회)
• 프롬프트 유형 : 브랜드 미포함 프롬프트(8건)
• AI검색 대상 : ChatGPT, Google AIO, Google AI Mode, Perplexity
• 산업 유형 : GEO SaaS

한정된 샘플이고, 특정 산업군이긴 합니다. 그래서 보편성을 갖는 결과라고 할 수는 없을 겁니다. 하지만 제가 다른 산업 데이터를 분석해 본 결과 또한 이 경향성에서 크게 벗어나진 않았습니다. 그저 공개할 수 있는 샘플이어서 제가 위 실험 결과로 정한 것뿐입니다.

아래 그래프를 보시면 알겠지만, 4개 AI검색에 공통적으로 인용되는 출처 비율은 0.9%에 불과했습니다. 반면, 단일 AI검색에만 출처로 인용된 비율은 무려 86.3%입니다. 이는 모든 AI검색에 공통적으로 인용되는 비율은 극소수에 불과한 반면, AI검색 각자의 방식으로 출처를 발견해 인용하고 있다는 걸 의미합니다. 저는 매월 비슷한 연구를 하고 있는 편인데요. 갈수록 AI검색 간 공통 분모가 줄어든다는 걸 확인하곤 합니다. 그래서 전 "AI검색들의 개별 개성이 강해지고 있다"고 강조합니다. 다시 말씀드리지만, 브랜드가 포함돼 있지 않은 프롬프트에서 나타난 결과입니다.

조금더 깊이 들어가 보겠습니다. 그렇다면 저 0.9%에 해당하는 페이지는 어떤 유형들일까 궁금하실 겁니다. 그래서 다시 유형을 분류해봤습니다. 일단 홈페이지 첫화면 비중이 55.6%로 가장 높았습니다. 그 다음이 서비스(제품)의 상세페이지였습니다. 약 22.2%를 차지했습니다. 블로그 등의 비중은 공통 출처 비중이 11.1%로 그리 높지 않았습니다. 홈페이지는 주로 정보들이 잘 정리돼 있는 첫화면들이었습니다.

이 결과는, 모든 AI검색에서 최소 가시성을 확보하기 위해서는 자사 웹사이트 관리를 제1로 삼을 필요가 있다는 걸 의미합니다. 여러 고객사들을 만나다 보면, 의외로 자사 홈페이지 관리가 소홀한 경우가 많습니다. 핵심 정보를 업데이트하지 않고 방치하는 경우라든지 여전히 Only CSR(Client Side Rendering)에 의존하는 경우라든지. Sitemap 정비도 되지 않은 곳도 많았습니다. 종합하면, 꾸준히 관리하는 기업은 그리 흔하지 않았습니다.

적어도 GEO에 관심을 갖고 있는 기업이라면 가장 우선적으로 자사 웹사이트를 어떤 방식으로 운영할 것인지에 대한 계획을 다시 세우는 것부터 출발하는 것이 좋다는 걸 이 데이터는 대변하고 있습니다.

각 AI검색은 어떤 성향을 지니고 있나

이제 각 AI검색의 성향을 파악해 볼 필요가 있습니다. 사실 아래 제가 AI의 도움을 얻어 규정한 성향은 앞으로 달라질 수 있습니다. 적용된 기본 모델이 달라지면 성향도 바뀌기 때문입니다. 현재 시점의 성격 규정이라고 이해하시는 게 좋습니다.

보다시피, ChatGPT는 조금 튑니다. 타 AI검색과 중복도도 낮을 뿐더러 선호하는 출처도 자기만의 고집을 갖고 있습니다. Google 계열 AI검색이 점유율이 여전히 높다고 하지만, 그래서 구글 중심으로 최적화를 하는데 리소스를 집중시키곤 하지만, ChatGPT의 위력과 시장점유율도 무시해서는 안됩니다.

ChatGPT에 최적화하기 위한 GEO 전략은 Google AIO 등과는 접근이 달라야 합니다. 특히 브랜드 언급에 그치지 않고, 적극적으로 구매 전환을 유도하고자 한다면, ChatGPT 인용 전략은 Google 계열 AI검색과는 별개로 설계할 필요가 있습니다. 제가 앞에서 '목표로 설정할 대상 AI검색이 무엇인가'를 고객사분들께 여쭙는 근거이자 이유이기도 합니다.

위 통계에서 주목할 부분 중 하나는 고유 URL 수입니다. 저 수치에 개성이 다 담겨 있습니다. Google AIO와 ChatGPT를 비교해보시기 바랍니다. 둘의 고유 출처수는 동일 프롬프트 수를 산정했지만 거의 2배 가까이 차이가 납니다. Google AIO가 훨씬 폭넓은 출처에서 답변을 생성하려 노력한다는 걸 알 수가 있습니다. 그만큼 Google AIO에서 높은 인용률을 기록한다는 게 쉽지 않다는 의미입니다.

CSR과 robots.txt의 차단 등에서 상대적으로 자유로운 구글이 자신의 강점을 충분히 발휘하는 영역이라고도 할 수 있습니다. 반면, 상대적으로 크롤링 예산(Crawling Budget)이 작은 ChatGPT 등은 보다 효율적인 크롤링 및 인덱싱을 추가하다 보니 나타난 결과일 수도 있습니다.

모든 AI검색 만족시키는 GEO 단일 해법은 없을 수 있다

다시 말하지만 지금의 AI검색 특성이 6개월 뒤까지 지속되리라는 보장은 없습니다. 여러 정책적, 기술적 조건에 의해 각각의 개성은 시간이 지나면서 달라지게 될 겁니다. 인용 출처의 중첩성이 높아질 수도 있겠지만 그 반대가 될 가능성도 상당히 높습니다. 각 AI검색의 차별성이 뚜렷해지면 질수록 기업이나 브랜드들은 최적화해야 할 작업이 훨씬 늘어날 수도 있습니다.

종종 마치 하나의 단일한 조치나 팁만으로도 모든 검색에서 높은 가시성을 성취해낼 수 있다고 말하는 분들이 있나 보더군요. 고객사들에게서 들었던 전언을 통해 알 수 있었는데요. 저는 그러한 견해에 부정적입니다. 브랜드 가시성과 도메인 인용률에 영향을 미치는 다양한 변수들이 존재하고, 그것은 AI검색들마다 그 변수를 다른 중요도(가중치)로 취급하고 있기에 1~2개의 요술 방망이 해법은 GEO 산업에서 존재하기가 어렵습니다. 대신 이런 명제는 가능합니다.

"신뢰할 수 있는 품질 높은 권위 관리가 GEO의 핵심".

다음에 더 유익한 데이터로 또 찾아뵙도록 하겠습니다.

• GEO 분석 및 모니터링은 '블루닷 인텔리전스'
• GEO 성장과 유지를 위한 컨설팅 문의도 '블루닷 인텔리전스'

콘텐츠 분석의 핵심은 AI검색별로 선호하는 플랫폼과 콘텐츠 유형을 찾아내는 겁니다. 예를 들어, ChatGPT에서 우리 브랜드의 가시성을 높이기 위해 유튜브에 콘텐츠를 업로드한다면? 가시성이나 인용률 향상을 기대하기는 어렵습니다. 유튜브는 robots.txt 등을 통해 외부 에이전트의 주요 핵심 정보 접근을 차단하고 있어서입니다. 그래서 ChatGPT가 인용하는 도메인에서 유튜브를 발견하기란 매우 어렵습니다.

같은 도메인(플랫폼)이라도 각 AI검색별로 선호하는 콘텐츠도 다릅니다. 물론 어떤 프롬프트를 위해 인용하느냐가 가장 중요하지만, 동일 질문이라 하더라도 선호하는 콘텐츠가 다른 경우도 허다합니다. 따라서 각 AI검색 별로 선호하는 콘텐츠 플랫폼과 선호하는 콘텐츠 유형을 파악하는 건 매우 중요할 수밖에 없습니다.

왜 블루닷 인텔리전스는 콘텐츠 분석을 추가했나

사실 블루닷 인텔리전스에 콘텐츠 단위 분석 기능은 존재했습니다. 워낙 구석에 있어서 발견하지 못한 분들이 많았습니다. 이번에 별도의 메뉴로 분리하면서 분석 기능을 추가했습니다. 핵심은 2가지입니다.

• 답변이 인용된 AI검색 보기 : 인용이 1건이라도 발생한 콘텐츠 목록에는 오른쪽에 인용된 AI검색을 확인할 수 있습니다. 직접 분석해 보시면 알겠지만, 하나의 콘텐츠가 모든 AI검색에 인용되는 건 아니라는 사실을 발견하게 될 것입니다. 특정 AI검색별로 인용이 많이 된 콘텐츠를 분석해 보게 되면 AI검색별 공략 방안을 찾아내게 될 것입니다.
• 도메인별 인용 콘텐츠 보기(필터) : 플랫폼(도메인)별로 인용된  콘텐츠를 필터링해서 보는 기능도 추가했습니다. 예를 들어, 기간 동안 인용된 콘텐츠 중에 naver.com이나 youtube.com 콘텐츠를 분류해서 정렬하고 싶다면 필터 기능을 사용하시면 됩니다. 아래에 참고 이미지를 넣어두었습니다.

블루닷 인텔리전스 콘텐츠 분석 업데이트 계획

오늘은 시작입니다. 콘텐츠 분석을 더욱 심화할 계획을 갖고 있습니다. 예를 들면, 콘텐츠 내 Schema Markup의 포함 여부, 콘텐츠의 포맷, 콘텐츠 발행일과 길이(텍스트의 경우) 등을 분석 데이터로 제공해 드릴 예정입니다 이를 통해 AI검색별 선호 콘텐츠를 교차 분석하고, 향후 콘텐츠 작성 시 주력해야 할 유형을 판단하도록 도와드릴 예정입니다.

개별 콘텐츠에 대한 다양한 속성 분석은 GEO를 위한 인용 가능성을 효율적으로 개선하는데 도움을 주게 될 것입니다. 막연하게 어떤 콘텐츠를 생산해야 한다가 아니라, 기왕 제작할 것이라면, 어떤 내용으로 어떤 포맷으로 어느 위치에 게시하는 게 GEO 개선에 도움이 되는지 명확한 인사이트를 여러분들께 전달해 드리게 될 것입니다.

콘텐츠 분석 1차 버전은 다시 말하지만 시작입니다. 저희 또한 대규모 데이터 분석을 통해 각 AI검색별로 선호하는 콘텐츠가 무엇인지 배우는 계기고 삼게 될 것이고요. 이 교훈을 바탕으로 GEO 컨설팅에도 활용할 계획입니다. 국내에서 가장 세밀한 데이터를 제공하는 GEO SaaS 플랫폼으로 블루닷 인텔리전스를 성장시켜나갈 계획입니다.

• GEO 분석 플랫폼이 필요하시다면 : 블루닷 인텔리전스
• GEO 컨설팅이 필요하시다면 : 블루닷 인텔리전스 Growth 프로그램 문의

구글이 오는 2026년 5월 7일을 기점으로 검색 결과 내 ‘FAQ 리치 결과(Rich Results)’에 대한 지원을 공식 종료한다고 밝혔습니다. 이에 따라 해당 시점 이후부터는 구글 검색 결과 페이지에서 FAQ 형식의 리치 결과가 더 이상 노출되지 않을 예정입니다.

구글은 이번 조치와 관련해 FAQ 구조화 데이터에 대한 기술 문서 상단에 공지사항을 게시했습니다. 해당 공지에 따르면 구글은 2026년 6월 중 FAQ 검색 노출 기능과 리치 결과 보고서, 그리고 리치 결과 테스트 도구 내 지원을 모두 중단할 계획입니다.

또한, 개발자들이 API 호출을 조정할 수 있도록 유예 기간을 둔 뒤, 2026년 8월에는 서치 콘솔(Search Console) API에서도 FAQ 리치 결과 관련 지원을 완전히 삭제할 방침입니다. 구글 측은 “FAQ 리치 결과는 더 이상 구글 검색에 나타나지 않을 것”이라며 관련 기능의 전면적인 폐지를 예고했습니다.

이번 변화에 따른 주요 일정은 다음과 같습니다.

웹사이트 운영자들은 기존 코드에 포함된 FAQ 구조화 데이터를 삭제하거나 그대로 유지할 수 있습니다. 구글은 해당 데이터를 삭제하지 않더라도 검색 엔진 작동에 직접적인 문제는 없으며, 다른 검색 엔진들이 이를 자체적인 목적으로 활용할 가능성은 여전히 존재한다고 설명했습니다.

그동안 리치 결과는 웹 페이지의 클릭률을 높이고 트래픽을 유도하는 데 기여해 왔습니다. FAQ 리치 결과 역시 사용자 유입에 긍정적인 영향을 미쳐왔으나, 향후 구글의 지원 중단으로 인해 검색 환경에 변화가 불가피할 전망입니다.

전문가들은 웹사이트 운영자들이 FAQ 구조화 데이터를 적용한 페이지의 트래픽 변화를 면밀히 모니터링해야 한다고 조언합니다. 구글의 이번 정책 변경이 실제 검색 유입량에 어떠한 영향을 미칠지 확인하는 과정이 필요하기 때문입니다.

하지만 AI 시스템은 사람처럼 웹을 탐색하지 않습니다. AI 에이전트, 동반형 서비스, 생성형 답변이 검색과 앱 안에 들어오면서 색인이 해결해야 할 문제도 근본적으로 달라졌습니다.

전통적 검색과 그라운딩은 같은 기반 위에 서 있지만, 최종 목표는 다릅니다. 전통적 검색은 “사용자가 어떤 페이지를 방문해야 하는가”를 묻습니다. 반면 그라운딩은 “AI 시스템이 어떤 정보를 책임 있게 사용해 답변을 구성할 수 있는가”를 따집니다. 전자는 문서를 중심으로 작동하지만, 후자는 출처가 분명한 개별 사실을 중심으로 움직입니다.

전통적 색인은 폭넓은 관련성과 회수율을 중시합니다. 가능한 많은 관련 문서를 보여주고, 사람이 직접 고르게 하는 방식입니다. 검색은 본래 사람을 위해 설계됐기 때문에, 이용자는 결과 페이지를 훑어본 뒤 맞지 않으면 곧바로 다른 선택지로 이동할 수 있습니다. 일부 결과가 부정확해도 전체 과정은 회복 가능합니다.

그러나 AI 답변을 근거 짓는 작업에서는 사정이 달라집니다. 이제 시스템은 단순히 정보를 가리키는 것이 아니라 그 정보를 사용해 답변을 만듭니다. 따라서 색인은 문서 자체보다, 답변을 뒷받침할 수 있는 정보 조각을 찾아내는 데 최적화돼야 합니다. 이때 모든 사실은 명확한 출처와 함께 다뤄져야 하며, 사용자는 필요할 경우 원문을 확인할 수 있어야 합니다. 근거가 부족하거나 오래됐거나 서로 충돌하면, 답변을 멈추는 선택도 정당한 결과가 됩니다.

이 차이는 검색 품질을 재는 방식에서도 드러납니다. 전통적 검색은 주로 사용자 행동과 순위 성능으로 평가됩니다. 반면 그라운딩은 인용 가능한 증거의 정확성, 최신성, 출처의 명확성, 그리고 상충하는 정보의 처리 능력을 함께 따져야 합니다. 색인 과정에서 내용을 잘게 나누거나 변환하는 과정이 원문 의미를 흐리면, 검색에서는 작은 문제로 끝날 수 있어도 그라운딩에서는 직접적인 오류가 됩니다.

그라운딩은 검색을 대체하지 않습니다. 같은 크롤러와 품질 신호, 웹 이해 능력을 바탕으로 하되, 그 위에 새로운 최적화 층을 얹는 방식입니다. 다만 검색이 “무엇을 읽을 것인가”를 돕는다면, 그라운딩은 “무엇을 말할 것인가”를 판단하도록 돕습니다. 이 차이는 기술보다 측정의 문제에서 더 선명하게 드러납니다.

검색은 한 번의 질의와 결과 제시로 끝나는 경우가 많지만, 그라운딩은 반복적으로 움직입니다. 중간 결과를 바탕으로 추가 질문을 던지고, 증거를 다시 모으고, 신뢰도가 낮으면 재검토해야 합니다. 초기 검색 단계에서 작은 오류가 들어가면 이후 추론 단계에서 그 오류가 커질 수 있습니다. 그래서 그라운딩의 색인은 한 번 잘 찾는 것보다, 반복 상황에서도 일관되게 작동하는 능력이 중요합니다.

결국 검색 색인은 사람의 선택을 돕기 위해 설계됐고, 그라운딩 색인은 AI가 근거를 바탕으로 답변을 내놓도록 돕기 위해 설계됩니다. 같은 기반 위에 있지만 책임은 다르며, 그 차이를 어떻게 측정하느냐가 신뢰할 수 있는 AI 시스템 구축의 출발점이 되고 있습니다.