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.

블루닷에이아이는 'AI채널'을 강조하고 있습니다. AI채널은 AI검색 내에서 브랜드의 AI 가시성을 높이기 위한 목적으로 AI만을 위해 구축하는 전용 콘텐츠 플랫폼을 말합니다. 현재 저희 블루닷에이아이는 AI채널의 효과를 테스트하기 위해 자체적으로 블루닷 인텔리전스를 위한 AI채널을 운영 중인데요. 이를 통해 AI크롤러의 방문 행태를 대략적으로 분석해 봤습니다.

최고 방문 AI크롤러는 ChatGPT-User

위 그래프를 보시기 바랍니다. 최근 7일 동안(7월 17일~7월 24일)까지 블루닷 인텔리전스 AI채널을 가장 많이 방문한 AI크롤러는 ChatGPT-User였습니다. 히트라는 개념으로 카운트를 하고 있는데요. 이 기간 동안 총 174회가 들어왔습니다. OpenAI에 따르면 ChatGPT-User는 다음과 같은 역할을 합니다.

OpenAI는 ChatGPT 및 맞춤형 GPT(Custom GPTs)의 특정 사용자 동작을 위해서도 'ChatGPT-User'를 사용합니다. 사용자가 ChatGPT나 맞춤형 GPT에 질문을 하면, ChatGPT-User 에이전트를 통해 웹페이지를 방문할 수 있습니다. 또한 ChatGPT-User는 GPT 액션(GPT Actions)을 통해 외부 애플리케이션과 상호작용할 수도 있습니다. ChatGPT-User는 자동화된 방식으로 웹을 크롤링하는 데 사용되지 않습니다. 이러한 동작은 사용자에 의해 시작되기 때문에, robots.txt 규칙이 적용되지 않을 수 있습니다.

그 다음으로 메타의 학습용 크롤러인 meta-externalagent 방문이 가장 많았습니다. 총 173회였습니다. 그리고 뒤를 이어 YouBot, Bytespider, Amazonbot 순이었습니다. 메타의 AI크롤러가 이렇게 많이 방문하는지는 몰랐습니다. 그만큼 AI모델 개발에 열을 올리고 있다고 볼 수 있을 겁니다.

크롤링당 클릭 비율은? 3~7%에 불과

어쩌면 가장 궁금한 통계일 수 있을 겁니다. 크롤링당 클릭 비율인데요. 이를 위해서 GA4의 AI Assistant 데이터를 AI검색별로 분해한 뒤, 방문 지표와 통합해서 비교했습니다. OpenAI 계열의 경우 3.05%, Anthropic 계열은 7.69%였습니다. 구글 계열은 Googlebot 히트수를 따로 분류해두지 않아서, 정확한 수치는 아닙니다. 이 범위를 크게 벗어나지 않을 수 있을 겁니다.

이 데이터를 역으로 표현하면 제로 클릭 비율이 93~97%라는 얘기입니다. AI검색이 수시로 방문하면서 콘텐츠를 수집해가고 있지만, 정작 AI채널로 보내는 트래픽은 그리 크지 않다는 얘기입니다. 다만 저 3~7%에 해당하는 직접 방문 사용자는 해당 사이트에서 구매를 하거나 필요한 액션을 취할 가능성이 매우 높다고 할 수 있을 겁니다. AI검색 답변을 보고도 클릭을 할 정도이니깐요.

GEO 위해 AI채널이 필수가 된 시대

GEO를 위해서는 고객의 다양한 요구에 맞춘 품질 높은 콘텐츠(EEAT) 생산이 필수적입니다. AI크롤러가 인용하기 쉽도록 핵심 정보가 잘 구조화(스키마 마크업 등)돼 있기도 해야 합니다. 인용 문구를 잘 선택해 갈 수 있도록 콘텐츠 위계도 잘 잡아둬야 합니다. GEO를 위한 기술적 인프라가 잘 정비된 플랫폼에 콘텐츠를 게시해야 GEO 개선을 기대할 수 있다는 의미입니다.

그렇다고 GEO를 위한 콘텐츠를 매번 공식 웹사이트나 블로그에 올리는 것도 쉽지 않습니다. 통상 내부 가이드라인에 따라 엄격하게 콘텐츠를 관리하는 기업들이 많기 때문이죠. 그 엄격함을 모두 준수하고 GEO 대응 콘텐츠를 생산 및 운영하려면 상당한 시간과 비용이 수반될 수밖에 없습니다. 적시 대응이 어려워, 기회 손실이 커질 수 있습니다. 인간이 아니라 AI크롤러를 위한 전용 채널, AI채널이 필요한 이유입니다.

AI채널은 기존 콘텐츠 플랫폼과 달리 전용 대시보드를 갖춰야 합니다. AI 크롤러가 얼마나 방문하는지, AI채널에 게시한 콘텐츠가 얼마나 인용되는지, 그리고 어떤 AI검색에 의해 인용되는지 세세하게 체크하고 관리할 수 있어야 합니다. 취약점을 발견하고 대응 전략도 확인할 수 있어야 합니다. 블루닷에이아이가 AI채널 개발을 꾸준하게 이어가는 이유입니다.

AI검색 전용 콘텐츠 플랫폼 'AI채널' 구축에 관심이 있으시면 언제든 저희에게 문의해주세요.

"Schema.org를 적용하면 AI검색이 더 많이 인용할까요?"

SEO에서는 오래전부터 Schema Markup이 검색엔진의 콘텐츠 이해를 돕는 요소로 활용되어 왔습니다. 그렇다면 GEO의 핵심 플랫폼이라 할 수 있는 ChatGPT나 Google AI Overviews(AIO)에서도 같은 경향이 나타날까요? 이 글에서는 실제 AI 인용 데이터를 분석해 그 질문에 답해보고자 합니다.

분석 데이터와 방법론

스키마 마크업이 AI검색의 인용에 미치는 영향을 조사하기 위해 블루닷 인텔리전스의 데이터를 활용했습니다. 측정 기간은 7월1일~7월19일까지의 인용 페이지 데이터입니다. 이번 분석에는 총 481개의 AI 인용 URL을 활용했습니다.

• ChatGPT 인용 URL: 220개
• Google AI Overviews 인용 URL: 261개

각 URL에 대해 다음 항목을 확인했습니다.

• 각 인용 페이지별 Schema Markup 존재 여부
• 적용된 스키마의 수
• AI 인용 횟수
• 상위 인용 페이지의 Schema 적용 비율

ChatGPT는 Schema를 얼마나 인용할까?

먼저 ChatGPT 데이터를 살펴보겠습니다.

분석 결과, ChatGPT가 인용한 페이지 중 32.7%만 Schema Markup을 적용하고 있었습니다. 즉, 인용된 페이지의 약 3분의 2는 Schema가 없었습니다. 이 결과만 보면 ChatGPT는 Schema 자체를 필수 조건으로 보지는 않는 것처럼 보입니다.

Schema가 있는 페이지는 더 많이 인용될까?

여기서 흥미로운 결과가 나타났습니다.

• Schema 없음 : 평균 3.27회
• Schema 있음 : 평균 6.17회

즉, Schema가 적용된 페이지는 평균 약 1.9배 더 많이 인용되었습니다. Schema가 없어도 인용은 되지만, 적용된 페이지가 더 자주 선택되는 경향이 확인되었습니다.

많이 인용되는 페이지일수록 Schema가 많았다

상위 20개의 인용 페이지를 보면 13개(65%)가 Schema를 적용하고 있었습니다. 많이 인용되는 콘텐츠일수록 Schema 적용 비율이 높았습니다.

Google AI Overviews는 어떨까?

앞선 데이터는 ChatGPT를 대상으로 한 것인데요. 이번에는 Google AIO 데이터를 살펴보겠습니다.

Google AIO 인용 콘텐츠의 Schema 적용 비율

Google AIO에서는 무려 48.7%가 Schema를 적용하고 있었습니다. ChatGPT보다 약 16%p 높은 수준입니다.

Google AIO 평균 인용수 비교

Schema가 없는 페이지는 평균 2.45회,  Schema가 있는 페이지 평균 6.20회의 인용 빈도를 보였습니다.  즉, 스키마가 있는 페이지가 약 2.5배 더 많이 인용된 셈입니다. ChatGPT보다 차이가 더욱 크게 나타났습니다.

상위 페이지에서는 더 두드러졌다

Google AIO 상위 20개 페이지 가운데 80%가 Schema를 적용하고 있었습니다. Google은 상위 인용 페이지에서 Schema 비율이 훨씬 높았습니다.

ChatGPT와 Google AIO를 비교해보면

Schema 적용 비율 : ChatGPT vs Google AIO

Google AIO는 인용 페이지 자체에서 Schema 적용 비율이 더 높았습니다.

Schema 적용된 페이지의 인용 집중도

Schema 페이지가 차지하는 전체 인용 비중은 ChatGPT : 47.8%, Google AIO : 70.6% 였습니다. Google은 인용의 대부분이 Schema 페이지에 집중되는 모습을 보였습니다.

ChatGPT vs Google AIO Schema 효과 비교

평균 인용수 증가 효과는 ChatGPT : 1.9배, Google AIO : 2.5배였습니다. Google AIO에서 Schema의 영향이 더 크게 나타났습니다.

이 결과를 어떻게 해석해야 할까?

이번 분석에서 가장 중요한 점은 "Schema가 없으면 AI가 인용하지 않는다"는 결과가 아니라는 것입니다. 실제로 ChatGPT에서는 Schema가 없는 페이지도 많이 인용되었습니다. 다시 말해, 콘텐츠 품질이 가장 중요한 요소라는 사실은 변하지 않습니다.

하지만 반대로 Schema가 적용된 페이지는 평균 인용수가 더 높고, 상위 인용 페이지에서 비율이 높으며, 특히 Google AIO에서는 인용이 크게 집중되는 경향을 보였습니다. 이는 Schema가 AI 검색이 콘텐츠를 이해하는 데 도움이 되는 구조적 신호로 활용될 가능성을 보여줍니다.

결론

정리해 보겠습니다. 블루닷 인텔리전스로 시도한 이번 분석에서는 총 481개의 실제 AI 인용 URL을 대상으로 삼았습니다. SaaS 산업이라는 한정된 영역이라는 점도 고려해야 합니다.

그 결과는 다음과 같습니다.

• ChatGPT는 Schema 없이도 우수한 콘텐츠를 폭넓게 인용하는 경향이 있었다.
• 하지만 Schema가 있는 페이지는 평균 약 1.9배 더 많이 인용되었다.
• Google AI Overviews에서는 그 차이가 더욱 크게 나타났다.
• Google AIO에서는 Schema가 적용된 페이지가 전체 인용의 약 71%를 차지했다.

결론을 내리면 이렇습니다. 분명 콘텐츠 품질이 가장 중요하지만, Schema Markup은 AI 검색에서 인용 가능성을 높이는 중요한 구조적 신호일 가능성이 높습니다. 특히 Google AI Overviews에서는 그 영향이 더욱 뚜렷하게 나타났다는 사실입니다.

나가며

이번 분석은 실제 AI 인용 데이터를 기반으로 Schema와 AI 인용의 관계를 살펴본 사례라는 점에서 의미가 있습니다. 물론 상관관계가 곧 인과관계를 의미하는 것은 아닙니다. 또한 Schema를 적용한 페이지가 전반적으로 더 잘 관리되고 품질이 높은 콘텐츠일 가능성도 있습니다. 그럼에도 이번 결과는 GEO 전략을 수립하는 입장에서 하나의 실질적인 시사점을 제공합니다.

좋은 콘텐츠는 기본이고, 그 위에 Schema Markup을 더하는 것이 AI 검색 시대의 최적화 전략이 될 가능성이 높습니다.

다음에 더 유익한 분석으로 또 찾아 뵙도록 하겠습니다.

"대장암 잘 보는 병원 어디예요?" "대장암 명의를 추천해주세요"

몇 년 전이라면 네이버에 검색했을 이 질문을, 이제는 ChatGPT나 Perplexity, Google AI Overviews 같은 AI 검색에 직접 던지는 환자가 빠르게 늘고 있습니다. 문제는 여기서 시작됩니다. AI가 답변에서 특정 병원을 인용하면 그 병원은 방문 후보 리스트에 오르지만, 인용되지 않으면 — 아무리 실제로 뛰어난 병원이라도 — 환자 입장에서는 사실상 존재하지 않는 것과 다르지 않습니다.

블루닷에이아이는 블루닷 인텔리전스를 기반으로 최근 국내 대형 종합병원 한 곳(삼성서울병원)을 대상으로 GEO(Generative Engine Optimization, AI 검색 최적화) 기초진단 프로젝트를 진행했습니다. 3주간 100여 개의 실제 환자 질문 시나리오를 4개 주요 AI 검색 엔진(ChatGPT, Google AI Overviews, Google AI Mode, Perplexity)에 입력해 수집한 데이터를 바탕으로, 병원이 AI 검색 생태계에서 실제로 어떻게 노출·인용되고 있는지를 정밀 분석했습니다. 이 글에서는 어떤 문제를 어떻게 찾아냈고 어떤 개선이 이뤄졌는지를 공유합니다.

발견 1: "많이 언급된다"와 "출처로 인용된다"는 완전히 다른 이야기

가장 인상적인 발견은 이것이었습니다. 병원 이름이 AI 답변에 자주 등장한다고 해서, 그 정보의 '출처'로 병원 공식 홈페이지가 인용되는 것은 아니라는 점입니다.

해당 병원은 여러 진료 영역에서 언급량 자체는 경쟁 병원 못지않게 높았습니다. 하지만 AI가 실제로 "이 정보는 어디서 가져왔다"고 표시하는 1위 출처를 들여다보면, 자사 공식 홈페이지가 차지하는 비중은 의외로 높지 않았습니다. 나머지는 경쟁 병원의 공식 홈페이지, 유튜브, 언론 기사, 위키피디아 등 외부 채널이 가져가고 있었습니다.

즉 "우리 병원이 AI에 많이 나오니까 괜찮다"는 판단은 착시일 수 있습니다. 진짜 중요한 질문은 'AI가 우리를 언급할 때, 그 근거로 우리 공식 자료를 신뢰하고 인용하는가'입니다.

발견 2: 콘텐츠는 충분한데, AI가 "못 찾는" 경우가 많았다

더 흥미로운 부분은 원인이었습니다. 조사 결과 콘텐츠 자체의 품질이나 양이 부족해서 인용이 안 되는 경우보다, 기술적인 구조 문제 때문에 AI 크롤러가 정보를 제대로 읽어내지 못하는 경우가 훨씬 많았습니다.

• 보안이 적용되지 않은 페이지(http)와 적용된 페이지(https)가 혼재되어 있어 크롤러가 같은 병원의 정보를 서로 다른 문서로 인식
• 사이트맵이 수년째 갱신되지 않아 AI 크롤러가 사이트 전체를 오래된 정보로 판단
• 의료진 개별 프로필 페이지가 사이트맵에 아예 등록되지 않아, 실제로는 훌륭한 콘텐츠가 있어도 AI가 발견조차 못 하는 상태
• 병원·의료진 정보를 AI가 구조적으로 이해할 수 있게 해주는 스키마 마크업(Schema Markup)이 거의 적용되어 있지 않음

쉽게 말해, 병원이 가진 좋은 콘텐츠가 AI에게는 '보이지 않는 잉크'로 쓰여 있었던 셈입니다.

발견 3: AI마다 좋아하는 출처가 다르다

또 하나 중요한 발견은 AI 검색 엔진마다 선호하는 출처 유형이 뚜렷하게 다르다는 점이었습니다.

• 어떤 AI는 영문 콘텐츠와 위키피디아 의존도가 유독 높고
• 어떤 AI는 의학전문지와 유튜브를 적극적으로 인용하며
• 어떤 AI는 블로그형 콘텐츠나 최신성이 강조된 리스트형 글을 특히 선호합니다

하나의 채널, 하나의 전략만으로는 AI 검색 전반에서 고르게 노출되기 어렵다는 뜻입니다. 공식 홈페이지를 중심 거점으로 두되, 언론·유튜브·블로그·위키피디아 같은 '위성 채널'을 함께 관리해야 하는 이유가 여기에 있습니다.

발견 4: 의료는 'YMYL' 영역이라 기준이 더 까다롭다

병원 GEO를 진행하면서 반드시 짚고 넘어가야 하는 특수성이 있습니다. 의료 정보는 구글이 정의하는 'YMYL(Your Money or Your Life)' 콘텐츠에 해당한다는 점입니다. YMYL은 사람의 건강, 재정, 안전에 직접적인 영향을 줄 수 있는 정보를 뜻하며, 검색엔진과 AI 모두 이 영역의 콘텐츠에는 훨씬 엄격한 신뢰 기준(E-E-A-T: 경험·전문성·권위성·신뢰성)을 적용합니다.

실제 진단 과정에서도 이 특수성이 여러 지점에서 드러났습니다.

• AI가 유독 '권위 있는' 출처를 선호합니다. 일반 소비재나 서비스업 콘텐츠라면 SNS나 개인 블로그도 곧잘 인용되지만, 의료 정보에서는 병원 공식 홈페이지, 의학전문지, 위키피디아처럼 상대적으로 검증 가능한 출처가 우선적으로 채택되는 경향이 뚜렷했습니다. '아무 콘텐츠나 많이' 만드는 전략이 통하지 않는 영역입니다.
• 표현의 자유도가 낮습니다. 의료법상 병원 홈페이지에 직접 게재할 수 없는 표현(치료 성과, 완치율, 비교 우위 광고 등)이 존재하기 때문에, 일반 기업처럼 성과를 자유롭게 어필하는 콘텐츠 전략을 그대로 적용하기 어렵습니다. 이번 진단에서도 성과·실적 데이터를 어떤 형식으로, 어느 채널에 게재해야 규제를 준수하면서도 AI 인용 가능성을 높일 수 있는지를 별도로 검토해야 했습니다.
• 오류 하나가 미치는 파장이 큽니다. 위키피디아처럼 AI가 신뢰하는 출처에 병원 정보가 부정확하게 등재되어 있으면, 마케팅 콘텐츠를 아무리 잘 만들어도 AI 답변의 기본 정보 자체가 왜곡될 수 있습니다. 그래서 YMYL 영역에서는 '새 콘텐츠 제작'보다 '기존 공신력 있는 출처의 오류 정정'이 우선순위가 되는 경우가 많습니다.
• AI 자체도 더 보수적으로 답변합니다. 특정 AI 검색은 의료 관련 질문에서 출처 범위를 의도적으로 좁혀 신뢰도가 검증된 소수 출처에만 의존하는 경향을 보이기도 했습니다. 이는 일반 산업 대비 진입장벽이 높다는 뜻이기도 하지만, 동시에 한 번 신뢰 출처로 자리 잡으면 경쟁자가 쉽게 뒤집기 어렵다는 의미이기도 합니다.

결국 병원의 GEO 전략은 '더 많이, 더 화려하게'가 아니라 '더 정확하게, 더 검증 가능하게' 방향으로 설계되어야 합니다. 이는 병원뿐 아니라 금융, 법률, 보험처럼 사람의 중요한 의사결정에 영향을 미치는 모든 YMYL 산업에 공통적으로 적용되는 원칙이기도 합니다.

그래서, 실제로 개선이 됐을까?

가장 많이 받는 질문입니다. 답은 "네, 빠르게 반응이 왔습니다"입니다.

진단 이후 홈페이지 첫 화면 핵심 정보에 스키마 마크업을 우선 적용하는 소규모 개선만 진행했음에도, 약 2주 뒤 측정에서 브랜드 가시성과 도메인 인용률이 모두 눈에 띄게 상승했습니다(5~10%). 홈페이지 전체가 아니라 단 한 페이지에 구조화 작업을 적용한 결과라는 점을 고려하면, 의료진 프로필과 센터 소개 페이지 전반으로 확대 적용했을 때의 잠재적 효과는 훨씬 클 것으로 보고 있습니다.

이 외에도 특정 진료 분야에서는 이미 자사 공식 홈페이지가 AI의 1위 인용 출처로 자리 잡은 성공 사례도 확인됐는데, 공통적으로 ▲URL 구조가 단순하고 안정적이며 ▲영문 페이지가 별도로 잘 구축되어 있고 ▲의료진 프로필이 명확히 구조화되어 있다는 특징을 갖고 있었습니다. 이는 우연이 아니라 재현 가능한 패턴이라는 뜻이고, 다른 진료 영역으로도 충분히 확장할 수 있습니다.

정리하면

이번 프로젝트를 통해 확인한 것은, GEO는 반드시 '콘텐츠를 더 많이 만드는 일'이 아니라 '이미 가진 좋은 정보를 AI가 신뢰할 수 있는 구조로 정비하는 일'에 가까울 수 있다는 점입니다. 특히 대량의 콘텐츠를 보유한 YMYL 산업의 경우엔 더욱 그렇습니다.

• 언급량과 인용률(출처 채택 여부)은 다른 지표이며, 후자가 실제 환자 유입과 더 직결됩니다
• 콘텐츠 부족보다 기술적 구조 문제(보안 프로토콜, 사이트맵, 스키마 마크업)가 더 큰 병목인 경우가 많습니다
• AI 검색 엔진마다 선호 채널이 달라 멀티채널 전략이 필요합니다
• 작은 구조적 개선만으로도 비교적 짧은 기간 안에 지표 변화를 확인할 수 있습니다

블루닷 인텔리전스는 이런 방식으로 병원을 포함한 다양한 산업의 브랜드가 AI 검색 시대에도 정확하게, 그리고 신뢰할 수 있는 출처로 발견될 수 있도록 돕고 있습니다. 우리 브랜드가 AI 검색에서 어떻게 보이고 있는지 궁금하시다면, 언제든 문의해 주세요.

바로 US 9,953,049 B1, "웹 링크 그래프의 거리를 이용한 페이지 랭킹 생성"(Producing a ranking for pages using distances in a web-link graph)이라는 특허입니다. 2006년 원출원(US 9,165,040 B1)을 2015년에 다시 청구항을 손봐서 등록받은 문서인데, 겉보기엔 낡은 PageRank 개선안처럼 보이지만 실제로 읽어보면 오늘날 AI 검색이 "누구를 믿을지" 정하는 방식과 매우 닮아 있습니다.

이 글에서는 이 특허가 말하는 핵심 원리를 풀어보고, 그로부터 "권위 출처로 자리 잡기 위해 지금 무엇을 해야 하는가"를 구체적으로 정리합니다.

1. 구글이 20년 전에 이미 풀어놓은 문제: "누가 진짜로 신뢰할 만한가"

이야기는 PageRank의 근본적인 약점에서 시작합니다. 링크가 많이 걸린 페이지가 높은 점수를 받는 구조는, 링크 팜(link farm)이나 순환 링크로 손쉽게 조작당합니다. 이걸 막기 위해 구글이 도입한 아이디어가 시드 페이지(seed page) 개념입니다. 쉽게 말해, 세상의 모든 페이지를 동등하게 취급하지 않고, 처음부터 "이곳은 신뢰할 수 있다"고 사람이 직접 선별한 소수의 출처를 정해둡니다. 특허는 예시로 Google Directory와 The New York Times를 듭니다. 그리고 나머지 모든 페이지의 가치는, 이 신뢰 원점들로부터 얼마나 가까운 거리에 있는가로 결정됩니다.

여기서 "거리"란 단순히 클릭 몇 번 만에 도달하는가가 아닙니다. 특허는 링크 하나하나에 "길이"라는 값을 매기는데, 이 길이는 다음 두 가지에 좌우됩니다.

• 출발 페이지(해당 웹사이트)의 아웃링크 수가 많을수록 그 링크의 길이는 길어집니다. 즉 링크 100개를 뿌려놓은 디렉토리성 페이지에서 나온 링크 하나의 가치는, 링크 3개만 엄선한 전문가 페이지에서 나온 링크 하나의 가치보다 구조적으로 낮습니다.
• 링크의 가중치가 높을수록 길이는 짧아집니다. 링크가 본문 어디에 위치하는지, 어떤 폰트로 강조되어 있는지 같은 속성까지 이 가중치에 반영될 수 있다고 특허는 명시합니다.

이렇게 계산된 거리가 짧을수록, 즉 신뢰 원점에 가까울수록 최종 점수가 높아집니다. 그리고 이 점수는 지수적으로 감쇠합니다. 한 다리 건널 때마다 가치가 뚝뚝 떨어진다는 뜻입니다.

2. 가장 중요한 조항: "최소 두 곳 이상"이 아니면 애초에 점수가 나오지 않는다

이 특허에서 가장 실무적으로 곱씹어야 할 대목은 'k번째로 가까운 시드'라는 개념입니다.

특허 청구항은 이렇게 못 박습니다. "n개의 시드 페이지 중 k번째로 가까운 시드를 식별하라. 이때 k는 1보다 크고 n보다 작아야 한다." 다시 말해 k는 최소 2 이상이어야 한다는 조건이 권리 청구 자체에 고정되어 있습니다.

이게 왜 중요할까요. 단 하나의 초강력 권위 매체가 어느 브랜드를 한 번 언급했다고 해서, 그 브랜드가 바로 최고점을 받는 구조가 아니라는 뜻입니다. 서로 무관한 최소 두 곳 이상의 독립적인 신뢰 원점(시드)으로부터 짧은 경로가 동시에 확보되어야 랭킹 계산 자체가 성립합니다. 특허는 이 설계의 이유를 다음과 같이 명확히 밝힙니다.

"시드 인근에서 비례성이 결여되어 발생하는 부당하게 높은 점수를 억제하기 위함"

다시 말해, 이건 단순한 설계 취향이 아니라 조작 방지를 위한 의도적 장치입니다.

실무 언어로 옮기면 이렇습니다. 보도자료 하나를 유력 매체에 실었다고 안심할 수 없습니다. 성격이 다른 복수의 권위 축— 해당 산업 협회, 주요 언론, 학술·공공 자료, 카테고리 전문 매체 같은 — 에서 동시에 인용되어야 비로소 신뢰 신호가 쌓이기 시작합니다.

3. 놓치기 쉬운 함정: "많이 언급되는 곳"이 오히려 손해다

특허의 길이 공식에는 log(아웃링크 수)라는 항이 들어갑니다. 이게 의미하는 바는 직관과 정반대입니다.

링크를 대량으로 뿌리는 페이지에서 받은 언급은, 소수만 엄선해서 추천하는 페이지(링크를 연결한 페이지)에서 받은 언급보다 가치가 낮습니다. "업계 베스트 100" 같은 대량 리스티클에 이름을 올리는 것과, 전문가가 서너 개만 골라 비교한 콘텐츠에 포함되는 것은 신호의 강도가 다르다는 뜻입니다.

이 원리는 오늘날 AI 검색에서 훨씬 날카롭게 작동합니다. 큐레이션의 밀도가 곧 신뢰의 밀도입니다. 대량 노출을 좇던 과거의 링크 빌딩 전략은, 이 특허의 논리대로라면 오히려 신호를 희석시키는 역효과를 낼 수 있습니다.

4. 도달할 수 없으면, 애초에 경쟁조차 시작되지 않는다

가장 냉정한 조항은 이겁니다. 신뢰 원점으로부터 어떤 경로로도 도달할 수 없는 페이지는 점수가 낮은 게 아니라, 아예 계산 대상에서 제외됩니다.

로그인 뒤에 숨어 있거나, 자바스크립트 렌더링에 의존해서 크롤러가 못 읽거나, 외부에서 들어오는 인용 경로가 전혀 없는 콘텐츠는 품질이 아무리 뛰어나도 랭킹 계산의 입력값 자체에 들어가지 못합니다. 콘텐츠 퀄리티를 고민하기 전에, 기술적으로 발견 가능한 상태인가부터 확인해야 하는 이유입니다.

5. 2015년에 바뀐 것: '점수 계산'에서 '실제 검색 응답에 쓰는 것'까지

여기서부터가 이 특허 문서(9,953,049)만의 흥미로운 지점입니다. 2006년 원 특허는 "점수를 어떻게 계산하는가"만 권리로 청구했습니다. 그런데 2015년에 다시 낸 이 연속출원은 청구항에 새로운 문구를 추가합니다.

"using the ranking score in ranking one or more of the pages in response to a received search query" (산출된 랭킹 점수를 실제 검색 쿼리 응답에 사용하는 것)

별거 아닌 문구처럼 보이지만, 이건 "점수를 갖는 것"과 "그 점수가 실제로 노출에 반영되는 것"이 별개의 단계임을 특허 스스로 인정한 것입니다.

이게 왜 중요하냐면, "우리 브랜드는 권위 있는 곳에서 여러 번 인용되는데 왜 AI 답변에는 안 나올까"라는 흔한 좌절을 정확히 설명해주기 때문입니다. 문제는 인용 확보 자체가 아니라, 그 인용이 특정 질문(쿼리) 맥락에 실제로 채택되는 별도의 관문을 통과하지 못했을 가능성입니다. 실제 인용에 활용돼야 한다는 거죠. 인용 확보와 쿼리 적합성 확보는 별개의 과제로 다뤄야 합니다.

6. 그래서, 권위 소스가 되려면 무엇을 해야 하는가

이 특허의 논리를 실행 가능한 조치로 정리하면 다음과 같습니다.

① 인용 출처의 "개수"보다 "독립성"을 세십시오

현재 브랜드를 언급하는 출처 목록을 만들 때, 단순히 몇 건인지 세지 마세요. 성격이 서로 다른 최소 2~3개의 권위 축(예: 업계 협회 + 전국 단위 언론 + 학술·공공 데이터)에서 동시에 언급(링크)되고 있는지를 확인하세요. 한 곳에 몰려 있다면, 그 매체가 아무리 강력해도 특허가 규정한 최소 조건조차 충족하지 못한 상태입니다.

② 대량 노출 예산을 소수 엄선 진입 예산으로 옮기십시오

링크 100개짜리 리스티클에 이름을 올리는 예산을, 서너 개만 엄선하는 전문가 비교 콘텐츠에 포함되는 쪽으로 재배분하세요. 아웃링크가 많은 페이지에서 받은 언급은 구조적으로 신호가 희석됩니다.

③ 기술적 발견 가능성부터 감사하십시오

콘텐츠 전략을 짜기 전에, 핵심 페이지가 크롤러에게 완전히 노출되는지, 로그인 없이 접근 가능한지, 구조화 데이터가 배포되어 있는지부터 점검하세요. 도달 불가능한 페이지는 아무리 좋아도 경쟁에 참여조차 못합니다.

④ 언급 위치와 강조 방식까지 협상하십시오

브랜드 언급을 확보하는 데서 그치지 말고, 본문 어느 위치에, 어떤 구조적 강조와 함께 배치되는지까지 신경 쓰세요. 문서 하단 각주와 본문 도입부의 강조된 언급은 다른 가중치를 갖습니다. 다만, 특허 문서는 이 부분에 대해 정확하게 어떻게 영향을 주는지는 밝히지 않고 있습니다.

⑤ 인용 확보와 노출 확보를 별개 지표로 추적하십시오

"어디서 언급되고 있는가"와 "실제로 AI 답변에 노출되고 있는가"를 하나의 지표로 뭉뚱그리지 마세요. 전자가 확보되어도 후자가 안 될 수 있다는 것을 특허 스스로 인정하고 있습니다. 두 지표를 나란히 모니터링해야 격차를 조기에 발견할 수 있습니다.

⑥ 인용해준 출처의 "현재 권위"를 주기적으로 재점검하십시오

특허는 시드 목록과 가중치가 고정되지 않고 주기적으로 재평가된다는 점(이른바 "시드 튜닝")도 시사합니다. 어제 강력했던 출처가 오늘도 그렇다는 보장은 없습니다. 인용 포트폴리오는 한 번 만들고 끝내는 게 아니라 지속적으로 갱신해야 합니다.

마무리하며

이 특허가 오늘날 AI 검색 알고리즘 그대로 쓰이고 있다고 단정할 수는 없습니다. 특허는 로드맵이 아니라 권리 문서이고, Google이 실제로 이 알고리즘을 현재도 운용하는지는 공개되어 있지 않습니다.

다만 이 문서가 말해주는 원칙 하나만큼은 시대를 가리지 않고 유효해 보입니다.

가시성은 언급의 총량이 아니라, 서로 독립적인 신뢰 원점(시드)으로부터 얼마나 가까운 거리에 있는가로 결정된다.

링크 그래프의 시대든, 벡터 임베딩의 시대든, 이 원칙은 이름만 바꿔가며 계속 살아남고 있습니다.

AI검색최적화(GEO, Generative Engine Optimization)에 대한 관심이 뜨거워지고 있습니다. GEO 측정을 위한 플랫폼 경쟁도 날로 격화하고 있습니다. 이 과정에서 GEO라는 용어가 오염되기도 하고 혼탁해지기도 하고 있습니다. 그에 반해 용어를 정확하게 정의하고 규정하는 노력은 그리 많지 않습니다. 주로 플랫폼 사업자들이 내놓은 정의에 의존하는 경우가 대다수죠. 그들의 정의가 틀렸다고 말하려는 건 아닙니다.

저는 GEO 학술 연구에 주목하는 편입니다. GEO 시장이 커지면서 연구 또한 활발하게 진행되고 있습니다. 논문도 계속 발표되고 있고요. 긴 호흡으로 GEO 시장을 들여다보는 연구자들은 GEO를 어떻게 정의하고 있을까요? 그리고 이들의 정의 속에서 변화하고 있는 흐름은 무엇일까요? 오늘 저는 여러 논문들에서 정의하고 있는 GEO를 정리해 보고자 합니다.

각 논문들은 GEO를 어떻게 정의하고 있나

아래는 최근 2년 내 발표된 GEO 관련 논문에서 GEO의 정의만 별도로 추출한 결과입니다. 이미 잘 알려져 있다시피 가장 많이 인용되고 있는 논문은 Aggarwal 등이 2024년 발표한 'GEO: Generative Engine Optimization'입니다.

• Aggarwal et al. (2024): GEO를 "콘텐츠 제작자가 생성형 엔진의 응답 내에서 자신의 콘텐츠에 대한 가시성(Visibility) 또는 임프레션(Impression)을 높이려는 새로운 패러다임"으로 정의합니다. 전통적인 SEO가 키워드 매칭에 기반했다면, GEO는 언어 모델의 문적 이해를 활용하여 인용된 응답 내에서 소스의 가시성을 최적화하는 데 집중합니다.
• Chen et al. (2025): "전통적인 검색 엔진에서 AI 기반 검색 플랫폼으로 전환됨에 따라 필요한 새로운 전략"으로 정의합니다. 이는 단순한 기술적 수정을 넘어 AI가 신뢰하고 인용할 수 있는 데이터 소스가 되고, 제3자의 보증(획득 미디어)을 확보하며 대화형 플랫폼에서 권위를 입증하는 과정에 초점을 맞춥니다.
• Sankaran (2026): "AI 생성 응답 내에서 콘텐츠 가시성을 향상시키기 위한 체계적인 프레임워크"로 정의합니다. 특히 최적화의 대상을 기존의 '검색 순위'에서 '인용 빈도(Citation frequency)'로 전환하는 것이 GEO의 핵심적인 차별점이라고 설명합니다.
• Göktaş (2026): "거대언어모델(LLM) 기반 검색 시스템이 콘텐츠를 검색하고, 신뢰하며, 인용할 수 있도록 콘텐츠를 구조화하는 관행"으로 정의합니다. 특히 AI가 선호하는 '획득 미디어' 신호를 전략적으로 구축하는 측면을 강조합니다.
• Zhang et al. (2026): GEO를 단순히 인용 목록에 포함되는 '인용 선택' 단계를 넘어, 정보가 생성된 답변에 실제로 흡수되어 언어적, 증거적 지지체 역할을 하게 만드는 '증거 컨테이너 디자인(Evidence-container design)' 과정으로 정의합니다.
• Grossman et al. (2026): 생성형 검색 결과에서 인용된 출처로서의 존재감을 높임으로써, 생성형 AI 도입으로 인해 감소하는 웹사이트 트래픽을 상쇄하기 위한 전략으로 정의합니다.
• Ma et al. (2026): 생성형 엔진의 답변 내에서 인용 확률(Citation probability)을 극대화하기 위해 개발된 전문적인 접근 방식으로 정의합니다.
• Chen et al. (2026): 사용자의 질의에 숨겨진 잠재적 검색 요구(Latent user search demands)를 추출하고 이를 바탕으로 생성형 엔진 응답 내의 콘텐츠 가시성을 개선하는 최적화 방법론으로 정의합니다.

GEO 정의를 통해 무엇을 발견할 수 있는가

제시된 논문들의 정의를 종합해 보면, GEO는 다음과 같이 정의될 수 있을 겁니다.

"전통적인 키워드 중심의 웹 페이지 랭킹 경쟁에서 벗어나, AI 검색이나 AI 시스템(챗봇, 에이전트, AI 오버뷰 등)이 정보를 요약하고 답변을 합성할 때 특정 콘텐츠를 신뢰할 수 있는 근거로 선택하여 '인용'하게 함으로써 브랜드의 가시성과 권위를 확보하려는 전략적 프레임워크이자 콘텐츠 구조화 기법"

이들 논문을 통해 발견한 주요 특징을 정리하면 다음과 같습니다.

1. 목표의 변화: 클릭률(CTR)과 검색 순위보다는 AI 답변 내에서의 '인용 빈도'와 '답변 참여도(Absorption)'를 목표로 합니다.
2. 방법의 진화: 단순 키워드 배치가 아닌 구조화된 데이터(Schema), 통계 및 전문가 인용, 그리고 AI 친화적인 문체(폴리싱)를 통해 AI가 정보를 쉽게 추출하고 정당화할 수 있도록 설계합니다.
3. 신뢰의 원천: AI가 선호하는 '획득 미디어(Earned media)' 편향을 이해하고, 독립적인 제3자의 보증을 통해 권위를 입증하는 것이 중요합니다.

참고문헌 (References)

• Aggarwal, P., et al. (2024). GEO: Generative Engine Optimization. In Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD ’24).
• Chen, M., et al. (2025). Generative Engine Optimization: How to Dominate AI Search. University of Toronto.
• Sankaran, G. (2026). Generative Engine Optimization: A Three-Layer Semantic Framework for Content Visibility in AI-Powered Search. International Journal of Artificial Intelligence and Agent Systems.
• Göktaş, İ. (2026). Manufactured Authority in Generative Engine Optimization: Cross-Market Evidence and Two Operational Metrics (MAI and VLS). Preprint.
• Zhang, K., et al. (2026). From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms. Independent Research.
• Grossman, R., et al. (2026). How Generative AI Disrupts Search: An Empirical Study of Google Search, Gemini, and AI Overviews. In Proceedings of the 49th International ACM SIGIR Conference.
• Ma, L., et al. (2026). When Content is Goliath and Algorithm is David: The Style and Semantic Effects of Generative Search Engine. Information Systems Research (Submitted).
• Chen, T., Guo, J., Li, Y., Chen, B., Ren, H., Zhiwei, Z., ... & Fan, Z. (2026, July). Mind Reader: Latent User Demand-Guided Content Optimization for Generative Search Engine. In Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 40832-40848).

GEO (Generative Engine Optimization) is the strategic process of optimizing your brand’s web presence so that generative AI engines—such as ChatGPT, Perplexity, and Gemini—actively select, synthesize, and cite your content when answering user queries. Bluedot Intelligence specializes in this domain, offering a complete, automated workflow that spans from initial AI visibility analysis to automated content generation and topic authority enhancement.

The DUCA Framework: Bluedot Intelligence’s Proven GEO Methodology

Bluedot Intelligence employs a proprietary, 4-stage GEO methodology called the DUCA Framework. This systematic approach is designed to optimize brand assets for maximum machine readability and citation authority.

The GEO Growth Program: A 4-Step Strategic Partnership

To ensure measurable improvements, Bluedot Intelligence conducts a structured, multi-week GEO Growth Program. This program tracks and validates progress at every step with concrete deliverables:

1. Stage 1: Question(Prompt) Design (2 Weeks)
   Focuses on project goal setting, optimizing target query formulations, and conducting baseline SEO and GEO technical diagnostics.
2. Stage 2: Analysis & Problem Identification (2 Weeks)
   Measures baseline AI visibility and citation rates, identifies vulnerable prompts, pinpoints root causes, and delivers a customized content development guide.
3. Stage 3: Strategy Formulation & Execution (2–6 Weeks)
   Features bi-weekly optimization evaluations, customized coaching sessions, and the deployment of targeted schema markups for high-priority pages.
4. Stage 4: Tracking & Improvement (2 Weeks)
   Concludes with a comprehensive strategy report, a customized operational playbook, and an in-depth briefing session to review performance.

Tailored GEO Inhousing Packages and Pricing

Bluedot Intelligence offers three distinct tiers of service designed to help internal teams successfully adopt and run GEO operations independently.

1. Onboarding Package

• Duration & Format: 2 Months / 3 Virtual Coaching Sessions
• Price: From 4.9 Million KRW (Bluedot Intelligence SaaS Starter 6-month license of 2.94 Million KRW billed separately)
• Key Deliverables: Coaching on core customer query target lists, diagnosis-remediation-execution strategic support, GEO guideline training for practical teams, baseline GEO technical diagnostics, execution reports, and a comprehensive strategy report. Includes a dedicated consultant and 1-year basic AI channel setup.

2. Standard Package

• Duration & Format: 3 Months / Strategic Incubation + Consulting (Bi-weekly on/offline meetings)
• Price: From 24 Million KRW (Bluedot Intelligence SaaS Pro 6-month license of 5.94 Million KRW billed separately)
• Key Deliverables: Includes all Onboarding package benefits, a dual-consultant team (1 Senior + 1 Junior), a 2-month post-program growth maintenance plan (bi-weekly virtual coaching), advanced User Control Protocol (UCP) optimization, and custom AI channel creation.

3. Premium Consulting

• Duration & Format: Minimum 6 Months / Dedicated Expert Team Operation
• Price: Custom Pricing (Consultation Required)
• Key Deliverables: Includes all Standard package benefits, 24/7 dedicated enterprise support from a senior-led squad (2 Seniors + 1 Junior), fully automated content generation for vulnerable search queries, customized AI channel engineering, and a 12-month Bluedot Intelligence Enterprise SaaS license included in the package.

Expected Business Outcomes of GEO Consulting

Implementing Bluedot Intelligence's professional GEO consulting program yields quantifiable and compounding growth in organic brand reach. On average, enterprises utilizing the DUCA framework achieve:

• +65% Increase in AI Citations: Your brand name, products, and services are cited significantly more often as primary sources in AI engine responses.
• +50% Increase in AI Visibility: A dramatic rise in the frequency with which your brand appears in generative answer summaries across ChatGPT, Gemini, and Perplexity.

By establishing a dedicated "AI Channel" today—much like businesses established Naver Blogs or SEO-optimized websites in previous search eras—your brand can dominate the modern AI search landscape. Start with a complimentary GEO diagnostics session to evaluate your current AI visibility and begin your journey toward AI search dominance.

One of the questions we hear most frequently when meeting with customers is: “How should we create prompts?”

We also often hear questions like, “Is there any way to know what our customers are asking ChatGPT or Gemini?”

Unless OpenAI, Google, or Anthropic decides to disclose this data, there is currently no way to access it directly. Moreover, as people become increasingly comfortable asking questions in natural language, it is virtually impossible to determine how many times the exact same question has been asked.

At best, we can make educated guesses by examining the sets and scale of queries generated through query fan-out.

This is why designing effective prompts is far from easy.

There is, however, one valuable source of data that can provide clues about what users are actually asking: query data from Google Search Console (GSC).

Google Search Console provides the queries users entered before arriving at a page, along with impression and click data. Recently, we have seen a rapid increase in queries consisting of four or more words, rather than the traditional one- or two-word searches.

We believe this is a result of the growing number of users who have become accustomed to entering natural-language questions in AI search.

These queries can also be understood as outputs of query fan-out.

When users ask long, natural-language questions, AI search systems break those questions down into multiple queries through a process known as query fan-out. These resulting queries are often relatively long themselves.

Compared with the past, we are now seeing a significant number of four- and five-word queries appearing in Google Search Console.

Whatever the interpretation, one thing is clear: this is real data generated directly by users.

We’ve included an example below. As you can see, queries containing four or more words now account for a significant share of the data.

Reverse-Engineering Customer Questions from GSC Query Data

At Bluedot AI, we have been eagerly waiting for the day when these types of queries would become mainstream.

Until just three or four months ago, one- and two-word search terms consistently dominated the top impression rankings. Over the past one or two months, however, we have frequently seen long-tail queries of four or more words rise to the top.

We interpret this as a clear signal that AI-driven search behavior is increasing.

Naturally, we began looking for ways to make use of these queries.

The result is our new Prompt Recommendations feature.

This feature extracts high-impression queries containing four or more words from Google Search Console and reverse-engineers them into customer-intent-based prompts, or questions.

Based on intent analysis, each prompt is then mapped to our five-stage customer journey model.

Is the user asking about the problem itself? Are they exploring potential solutions? Are they comparing or validating options? Or are they preparing to purchase or take action?

Bluedot Intelligence classifies each query accordingly.

Through this analysis, Bluedot Intelligence recommends up to 20 prompts, as shown below.

You no longer have to struggle with the question, “What prompts should we enter to collect meaningful data?”

With Bluedot Intelligence’s Prompt Recommendations alone, you can identify up to 20 real-data-based customer questions.

Connect Google Search Console with Bluedot Intelligence through Integration Management

To use Prompt Recommendations, you first need to connect the Google Search Console property you manage to Bluedot Intelligence.

This connection allows Bluedot Intelligence to retrieve and analyze your query data.

To support this process, we have added a new Integration Management section to the left-hand menu.

Currently, integrations are available for Google Search Console and two AI channel services. We plan to rapidly expand the number of supported services and platforms going forward.

The integration process is extremely simple.

All you need is a Google Search Console account. With just a few clicks, the connection between the two services can be completed.

Once the integration is finished, you can immediately start using Prompt Recommendations.

With the introduction of this feature, we have removed the previous menu that used AI to generate prompts based solely on its training data.

The reason is simple: designing prompts based on real data from Google Search Console is a far more scientific and data-driven approach.

GA4 Integration Is Coming Soon to Bluedot Intelligence

We are also preparing to integrate GA4 with Bluedot Intelligence.

The goal is to further strengthen the reliability of Bluedot Intelligence’s GEO data.

As in the example above, connecting Bluedot Intelligence’s GEO metrics with key GA4 metrics will allow us to provide even deeper insights.

We have already tracked and compared the relationship between these two datasets multiple times with our customers. Through this work, we have confirmed that meaningful correlations exist.

We are currently designing a correlation chart between citation rates and AI-driven sessions.

Once completed, we believe this will significantly help brands establish reliable GEO KPIs.

In other words, Bluedot Intelligence will provide the data needed to answer one of the most common questions about GEO:

“What actually changes when we invest in GEO?”

The GSC-data-based Prompt Recommendations feature is currently available to both Pro and Starter subscribers.

For now, we have opened the feature to both plans so that users can experience it firsthand. However, differences between the two plans—including the number of recommended prompts and prompt quality—will be introduced soon.

Until then, feel free to explore and use the feature as much as you like.

Design Prompts with GSC Data and Discover Your GEO Weaknesses

Use Google Search Console data to understand the questions your users are asking.

Then, use those questions to evaluate how vulnerable your brand is in GEO.

Once you identify those weaknesses, ask Bluedot Intelligence how you can address and overcome them.

That is how your brand can move to the forefront of GEO.

Bluedot Intelligence, the GEO analytics and execution automation platform, is here to help you succeed in GEO.

그동안 고객사들을 만나면서 가장 자주 받았던 요청 사항 중 하나를 꼽자면 '프롬프트는 어떻게 만들어야 하나요'입니다. "저희 고객이 ChatGPT나 Gemini에 어떤 질문을 하는지 알 방법은 없나요?"라는 질문들입니다. 오픈AI나 구글이 혹은 앤트로픽이 공개하지 않는 이상 이 데이터를 확인할 방법은 없습니다. 게다가 사람들은 자연어로 질문하는 게 익숙해져서, 어떤 동일한 질문을 몇 번이나 했는지 파악하기란 사실상 불가능입니다. 그저 추론한다면 쿼리팬아웃으로 분해된 쿼리들의 집합과 규모를 어림짐작으로 파악할 수 있을 뿐이죠. 그래서 프롬프트를 설계하는 과정은 결코 만만치 않습니다.

사용자들이 어떤 질문을 하는지, 힌트를 얻을 수 있는 중요한 데이터가 있긴 합니다.  바로 구글 서치 콘솔(Google Search Console)의 쿼리 데이터(검색어 수)입니다. 구글 서치 콘솔에는 해당 페이지로 들어오기 전 입력했던 쿼리를 노출수와 클릭수 순으로 제공하고 있는데요. 최근 들어 1~2단어가 아니라 4단어 이상의 쿼리가 빠르게 늘어나고 있습니다. AI검색에서 자연어로 입력하는 사용자들의 비중이 늘어나면서 나타난 결과입니다.

이 데이터들은 '쿼리 팬 아웃'의 결과물입니다. AI검색은 사용자들이 장문이 자연어로 질문하게 되면 여러개의 쿼리로 쪼개는 '쿼리 팬 아웃'을 실행하게 되는데요. 이러한 유형의 쿼리들 또한 꽤나 긴 단어로 구성돼 있습니다. 확실히 이전과 달리 이런 4~5단어 이상의 쿼리들이 구글 서치 콘솔에 상당히 등장하는데요. 누가 뭐래도 이 데이터는 사용자들이 직접 입력한 실제 데이터라고 할 수 있습니다.

아래에 사례를 가져왔는데요. 보시다시피 4단어 이상의 쿼리가 상당한 비중을 차지하고 있습니다.

GSC 검색어 데이터로 고객 질문 역추정

저희 블루닷에이아이는 이러한 쿼리들이 주류가 되는 날을 손꼽아 기다렸습니다. 불과 3~4개월 전까지만 하더라도 1~2단어의 검색어들이 노출 상위를 차지해왔습니다. 최근 1~2달 사이엔 4단어 이상의 장문 쿼리(검색어)가 상위권을 지배하는 경우가 자주 나타났습니다. AI검색을 통한 검색이 늘어나고 있다는 신호로 저희는 읽은 것이죠.

당연히 저희는 이 쿼리를 활용할 방법을 찾기 위해 애썼습니다. 그래서 만들어낸 기능이 '추천 프롬프트'입니다. 이 기능은 노출수 높은 4단어 이상의 쿼리를 구글서치콘솔에서 추출해서, 고객 의도 기반의 프롬프트(질문)로 역추정합니다. 그리고 의도 분석을 바탕으로 저희의 고객 5단계 여정 모델에 매핑합니다. 문제 자체 대한 질의인지, 탐색 의도인지, 비교나 검증 의도인지, 구매와 액션을 위한 것인지 분류를 하게 되는 거죠.

이러한 분석 과정을 거쳐 아래처럼 최대 20개의 프롬프트를 추천해줍니다. 이전처럼 '어떤 프롬프트를 입력해 데이터를 수집해야 하지', 고민에 빠지지 않으셔도 됩니다. 블루닷 인텔리전스의 '추천 프롬프트'만으로도 최소 20개의 실 데이터 기반 고객 질문을 뽑아낼 수 있어서입니다.

블루닷 인텔리전스 연동 관리로 구글 서치 콘솔을 연결하세요

추천 프롬프트를 이용하기 위해서는 먼저 여러분들이 운영 중인 '구글 서치 콘솔'을 블루닷 인텔리전스와 연동해야 합니다. 그래야 데이터를 불러올 수 있어서입니다. 이를 위해 왼쪽 메뉴에 '연동 관리'를 추가했습니다. 현재 구글 서치 콘솔과 AI채널 2개 서비스만 연동이 가능한데요. 앞으로 지원하는 서비스나 플랫폼 수를 빠르게 늘려나갈 계획입니다.

연동은 매우 간단합니다. 구글 서치 콘솔 계정만 있으면 됩니다. 클릭 - 클릭 몇 번이면 두 서비스의 연동은 금방 마무리됩니다. 그 절차가 끝나면 곧바로 추천 프롬프트를 이용할 수 있게 되는 것이죠. 이 기능을 도입하면서 AI가 자신이 학습한 데이터로 프롬프트를 생성해주는 메뉴는 삭제했습니다. 구글 서치 콘솔 연동을 통해 실 데이터 기반으로 프롬프트를 설계하는 접근이 훨씬 과학적이어서입니다.

블루닷 인텔리전스 - GA4 연동도 곧 지원됩니다

블루닷 인텔리전스와 GA4도 곧 연동되도록 만들 예정입니다. 블루닷 인텔리전스의 GEO 데이터의 신뢰도를 확보하기 위한 차원입니다. 위 사례처럼, 블루닷 인텔리전스의 GEO 지표와 GA4의 주요 지표를 연결하게 되면 더 많은 인사이트를 제공해 드릴 수 있게 됩니다. 이미 저희는 두 데이터의 관계를 고객사들과 여러 차례 추적/비교한 바 있습니다. 의미있는 상관관계가 존재한다는 것도 확인했습니다. 인용률-AI 유입 세션의 상관관계 차트를 설계 중인데요. 이게 완료되면 신뢰할 만한 KPI 설정에 큰 도움을 드릴 수 있을 것입니다.

'GEO 하면 뭐가 달라져?'라는 질문에 데이터로 답변할 수 있는 중요한 근거를 블루닷 인텔리전스에서 얻어갈 수 있게 되는 거죠.

구글 서치 콘솔 데이터 기반의 추천 프롬프트는 프로와 스타터 가입자 모두 경험해 보실 수 있습니다. 일단 체험 수준으로 두 플랜 가입자 모두에게 오픈을 했는데요. 추천받을 수 있는 프롬프트의 수, 프롬프트의 품질 등은 두 플랜 간에 곧 차이가 나게 될 겁니다. 그 전까지 자유롭게 사용해 보시기 바랍니다.

GSC 데이터로 프롬프트를 설계하고, GEO 취약점을 발견하세요

구글 서치 콘솔 데이터로 사용자 질문을 파악한 뒤, 그 질문에 우리 브랜드는 GEO에 얼마나 취약한지 점검해 보세요. 그리고 그 취약점을 어떻게 보완하고 해결할지 블루닷 인텔리전스에게 물어보세요. 그러면 GEO에서 가장 앞서나가는 브랜드가 될 수 있을 겁니다. GEO 분석 및 실행 자동화 플랫폼 '블루닷 인텔리전스'가 여러분들의 GEO 성공을 도와드리도록 하겠습니다.

URL 구조란?

일반적으로 URL 구조란 하나의 정보를 담기 위해 부여된 웹상의 위치(주소) 체계를 의미합니다. URL이 구성되니 요소들의 집합을 말합니다. 통상 URL은 스키마 + 도메인 네임 + 경로(하위 폴더, 슬러그) + 파라미터 + 앵커)등으로 구성이 되는데요. 뒤로 갈수록 고유의 정보 페이지에 가까워지는 위계형 폴더 구조라고 할 수 있습니다.

URL 구조는 크게 2가지로 분류됩니다.

• 경로형 URL(Path URL) : 경로로 종료되는 URL 구조
• 파라미터형 URL(정확히는 쿼리 스트링 URL, query string URL) : ? 등으로 파라미터 변수로 종료되는 URL 구조

일반적으로 하나의 URL에는 경로와 파라미터가 포함되는 경우가 많이 있습니다. 필터나 검색, 페이지네이션의 용도로 파리미터를 활용하기 때문입니다. 하지만 이 파라미터를 원래의 용도와 무관하게 활용하게 될 경우 GEO 또는 AI검색에 문제를 발생시킵니다. 물론 SEO에서도 이 문제는 중요하게 다뤄집니다.

예를 들어 보겠습니다.

• https://www.shopping.com/?act=shop.goods_view&CM=6116

특정 쇼핑몰의 제품 페이지 주소라고 가정하겠습니다. ? 뒷부분이 파라미터 변수입니다. 크롤러가 인식할 때 기본 상품 페이지는 https://www.shopping.com/ 여기 하나뿐이고, ? 뒷부분은 필터 결과(단일 제품의 다양한 변형)라고 인식하기 쉽습니다. 자칫 이 쇼핑몰의 제품은 하나라고 오해할 수도 있죠. 문제는 모든 제품 페이지들이 이러한 URL 구조로 구성돼 있다는 겁니다. act라는 모호한 파라미터에 의해서 말이죠.

통상적으로 URL에 포함하는 파라미터는 정확한 용도에 사용할 것을 권장하는 편입니다. 앞서 언급했듯, 하나의 콘텐츠에 대한 필터, 검색, 페이지네이션 등입니다. 하지만 파라미터 자체를 하나의 카테고리 체계로 활용하게 되면 SEO뿐 아니라 GEO에 부정적인 영향을 미치게 됩니다. 특히 중복 콘텐츠로 분류되거나 크롤링 예산 낭비를 초래할 가능성이 높습니다. 당연히 인용 출처로 추천되는 순위에서 밀리게 될 수밖에 없습니다.

문제는 국내 쇼핑몰 사이트나 웹사이트에 이런 경우가 빈번하다는 겁니다. 파라미터의 남용으로 중복 페이지가 과도하게 발생해 AI검색이 핵심 출처로 제시하는 못하는 경우가 많다는 거죠.

ChatGPT 경로형 URL 인용 경향

블루닷 인텔리전스의 데이터를 통해 살펴보겠습니다. 인용이 발생한 상위 8개 사이트의 URL 총 1만5593개를 분석해봤습니다. 일단 구성으로만 보면, 한국적 상황이라서인지 경로형 URL(6651건)보다 파라미터형 URL(8942건)이 더 많았습니다. 하지만 인용수를 따져볼까요?

각 URL 당 평균 인용수는 ChatGPT에서 큰 차이를 보입니다. 아래 차트에서 확인할 수 있다시피, ChatGPT는 유독 경로형 URL을 더 인용하는 경향이 발견됩니다. 구글 계열 AI검색에서는 이 차이가 두드러지지 않습니다. 퍼플렉시티에서도 마찬가지입니다. URL 구조가 ChatGPT에 부정적인 영향을 미친다고 판단할 수 있는 근거입니다.

1. AI 검색별 전체 평균 인용수 비교

AI검색들에 의해 인용이 많이 된  상위 6개 사이트로 더 좁혀 봤습니다. 여전히 ChatGPT의 경로형 URL 선호는 강하게 나타났고요. 구글 계열도 웬만해선 경로형 URL 선호 구도를 보이고 있었습니다.

각 AI검색별 URL 구조 선호 특징

위 데이터를 바탕으로 각 AI검색별 URL 구조 선호 특징을 정리해봤습니다.

• ChatGPT가 경로형 선호가 가장 극단적입니다. 전체 평균에서 경로형(1.29)이 파라미터형(0.28)의 4.6배이고, samsunghospital.com 내에서도 3.11 vs 0.17로 거의 경로형만 인용한다고 볼 수 있습니다. ChatGPT가 URL 구조를 크롤링·인용 판단에 비중 있게 반영하는 것으로 해석할 수 있습니다.
• Google AI Mode는 동일 도메인 내 비교에서 6개 도메인 전부 경로형이 우위로, 가장 일관된 패턴을 보여줍니다. 전체 평균에서는 파라미터형이 약간 높지만 이는 도메인 믹스 효과로 보입니다.
• Google AIO는 전체적으로 경로형과 파라미터형 간 차이가 작고, 도메인별로도 방향이 엇갈립니다. URL 구조보다 콘텐츠 자체(다양성 편향도 고려해야 합니다)를 더 중시하는 것으로 보입니다.
• Perplexity는 전체 평균은 거의 동일하지만, 동일 도메인 내에서는 5개 중 4개에서 경로형이 우위입니다.

결론적으로 ChatGPT 인용을 높이려면 경로형 URL 전환이 필수적이고, Google AI Mode에서도 유리하다는 결론을 내릴 수 있습니다.

왜 이런 URL 구조 선호 차이가 발생할까

흥미로운 논문으로 이 원인을 파악해 보겠습니다. Fariza Rashid 등(2024)은 URL 구조만으로 피싱인지 아닌지를 판별하는 실험을 했습니다. GPT-4 Turbo, Claude 3 Opus, Gemini, LLaMA 3, LLaMA 2 등 5종의 LLM을 대상으로 원샷(one-shot) 예측 성능을 평가한 것이죠. 각 모델에는 테스트 데이터셋에서 무작위로 추출한 1,000개의 URL 샘플이 제공됐고, 모델이 해당 URL이 '정상(benign)'인지 '피싱(phishing)'인지를 추론하도록 설계되었습니다. 결론은? 그렇습니다. 기존의 URL 분류기에 못지 않은 성능을 보여준 겁니다. 저는 이렇게 결론을 내렸습니다.

실험 결과, GPT-4 Turbo가 평균 F1 점수 0.92를 기록하며 가장 우수한 성능을 보였습니다. 이는 기존의 지도 학습 모델과 비교해도 불과 0.07 낮은 수준입니다. 이어 Claude 3가 0.88, LLaMA 3와 Gemini가 각각 0.84와 0.83을 기록했습니다. LLaMA 2는 0.68로 가장 낮은 정확도를 나타냈습니다. 연구진은 모든 모델에서 5회 반복 실험 결과 표준편차가 매우 낮게 나타나, LLM의 예측이 전반적으로 일관성을 유지하고 있다고 전했습니다.

표 1: 원샷 LLM URL 분류 모델의 예측 성능 (F1 점수)

이는 LLM이 URL을 단순한 주소가 아니라 의미를 해석하는 대상으로 처리한다는 점을 시사합니다. 위 이미지에서 볼 수 있듯  /foodanddrink/라는 경로 세그먼트가 은행 도메인과 맥락적으로 불일치한다는 판단을 LLM이 할 수 있다는 건, 반대로 경로형 URL에서 /food/bibimbap-sauce-500g 같은 구조가 있으면 콘텐츠 관련성 판단에도 그 시맨틱 정보를 활용한다는 근거가 됩니다. AI검색 시대에 URL을 단순 주소 체계 정도로만 생각해서는 안된다는 근거입니다.

다시 ChatGPT로 돌아와보겠습니다. 크롤링 예산이 적은 ChatGPT는 어떤 식으로든 URL 구조에서 시맨틱 정보를 확보하려고 애쓰고 있다고 추정됩니다. 파라미터가 중심이 URL은 우선 순위에서 현재는 밀어내고 있는 상황인 거죠. 반면 구글 계열은 오랜 검색 노하우와 높은 크롤링 예산을 활용해 파라미터 URL이라도 직접 문서에 방문해 인덱싱하려는 경향을 보입니다. 둘의 차이를 저는 크롤링 예산과 검색 기술의 노하우 차이라고 보고 있습니다.

URL 구조 자체가 GEO에 중요한 이유

위 데이터와 논문에서도 확인할 수 있듯, URL 그 자체는 중요한 시맨틱 정보 요소입니다. 구조와 도메인, 슬러그 만으로 맥락을 제공할 수 있는 힘을 가지고 있습니다. GEO에 이 영향이 절대적이라고 말할 순 없습니다. 하지만 ChatGPT엔 여는 정도 영향을 미치고 있는 상황입니다.

그동안 URL 분류기에 대한 다양한 연구들이 진행돼 왔습니다(Shetty et al. 2024). 특히 보안 분야에서 이 경향을 두드러졌습니다. 그만큼 URL은 그 자체로 하나의 가치와 신호를 만들어내고 있습니다. 정보값이 빈곤한 쿼리 스트링 URL(파라미터형 URL)을, 권장되는 목적 외로 남용하게 되면, GEO에 부정적 영향을 미칠 수밖에 없습니다. 기왕이면 그 자체로 의미있는 시그널을 AI검색에 보낼 수 있도록 건강하게 관리할 필요가 있습니다. 경로형 URL 구조가 GEO에 필요한 이유입니다.

참고 문헌

• Rashid, F., Ranaweera, N., Doyle, B., & Seneviratne, S. (2025). LLMs are one-shot URL classifiers and explainers. Computer Networks, 258, 111004.
• Shetty, A., Shetty, A. S., Hegde, D., Belle, N. R., Rodrigues, A. P., Dsouza, D. J., & Fernandes, R. (2024, November). Comprehensive URL Classification System using Machine Learning. In 2024 2nd International Conference on Recent Advances in Information Technology for Sustainable Development (ICRAIS) (pp. 30-35). IEEE.
  

Bluedot Intelligence Feature Summary

Key Capabilities of Bluedot Intelligence for AI Search Performance Analysis

1. Comprehensive AI Brand Visibility Tracking

Bluedot Intelligence measures how often and in what context your brand and products are mentioned across generative AI search answers. By dissecting mentions into frequency (volume), position, and positive/negative sentiment, it offers a granular look at your current brand visibility. This allows companies to move past guesswork and rely on hard data regarding their presence in the AI search ecosystem.

2. In-Depth Citation Source Tracking and Domain Citation Rate (DCR)

Unlike traditional keyword search engines, generative AI prioritizes documents that closely match the user's intent and context, resulting in completely new ranking paradigms. Bluedot Intelligence introduces the 'Domain Citation Rate' (DCR) metric to track these citation patterns and identify which websites, domains, and media outlets the AI prefers. This data enables marketing teams to easily identify high-priority media channels and optimize their PR and content budget allocation for maximum efficiency.

3. Top Position Exposure Analysis

Securing a spot in AI search answers is important, but appearing at the very top is crucial for capturing user attention. Bluedot Intelligence tracks the 'Top Position Exposure Rate' to determine exactly where your brand appears within the generated text. By comparing this data with competitors, you can verify if your brand successfully occupies the most prominent real estate in AI answers.

4. Three Tailored Actionable Strategy Reports

Bluedot Intelligence does not just stop at data collection; it provides practical, data-driven action plans to improve your AI search visibility. The platform automatically generates three customized optimization reports: the AI Search Optimization Improvement Strategy Report, the Status Evaluation Report, and the Competitor Comparison Analysis Report. Built upon proven methodology from numerous enterprise consulting cases, these reports give you a clear roadmap to boost your citation rankings.

5. Intent-Driven Customer Query Analysis

In the era of the 'Intent Economy,' success in AI search optimization requires understanding the exact questions and contexts driving your customers. Bluedot Intelligence aggregates diverse data sources to estimate and analyze customer queries, revealing the exact intent behind their searches. This analysis clearly highlights content gaps, showing you exactly what topics and information you need to create or reinforce to satisfy AI algorithms.

6. End-to-End Content Performance Tracking

Once you publish new content or optimize your website based on Bluedot's recommendations, the platform tracks when and where these updates get cited by AI search engines. This continuous tracking allows you to measure the exact time-to-citation and overall visibility growth. It serves as an essential tool for digital marketing teams to establish and report on key performance indicators (KPIs) for their AI search optimization efforts.

7. Raw Response Data Access for Qualitative Analysis

For organizations that require deeper analysis, the platform provides direct access to the raw text answers collected by the system. Users can download the accumulated AI search response data regarding their brand and products at any time to perform qualitative reviews. This comprehensive access to raw datasets empowers in-house data analysts to uncover nuanced customer perceptions and trends.

김경달 블루닷에이아이 이사가 집필한 ‘AI 인물열전’이 출판사 이은북을 통해 독자들에게 공개되었습니다. 이번 시리즈는 인공지능 분야의 핵심 인물 34명을 심층적으로 다루며, 총 4권의 단행본으로 구성되어 출간됩니다. 최근 발간된 1권은 아담한 판형으로 제작되어 독자들이 휴대하며 읽기 편하도록 편집되었습니다.

이번 시리즈는 인공지능 기술의 발전 과정과 시장의 흐름을 인물 중심으로 조명합니다. 출판사 측은 방대한 원고량을 고려해 주제별로 권수를 나누어 기획했으며, 각 권은 인공지능 생태계의 각기 다른 영역을 담당하는 인물들로 채워졌습니다.

현재 발간된 1권 ‘AI의 토대를 놓은 사람들’은 인공지능 기술의 기초를 닦은 6인의 이야기를 담고 있습니다. 주요 인물로는 제프리 힌턴, 얀 르쿤, 요슈아 벤지오를 비롯해 앤드루 응, 페이페이 리, 위르겐 슈미트후버가 포함되었습니다.

이달 내로 출간 예정인 2권 ‘AI의 시장을 설계하는 사람들’은 10명의 인물을 다루며 1권보다 두툼한 분량으로 제작됩니다. 2권에서는 인공지능 산업의 비즈니스 모델과 시장 전략을 주도하는 인물들을 집중적으로 조명할 예정입니다.

[AI 인물열전 시리즈 구성]

시리즈의 후반부인 3권과 4권은 인공지능의 안전성과 새로운 패러다임을 주제로 구성됩니다. 3권 ‘안전망을 구축하는 사람들’은 일리야 수츠케버와 다리오 아모데이 등 8명의 인물을 통해 기술의 윤리적 측면을 다룹니다. 마지막 4권 ‘AI의 판을 새로 짜는 사람들’은 일론 머스크, 데미스 하사비스, 량원평 등 10명을 통해 인공지능이 변화시킬 미래상을 제시합니다.

현재 ‘AI 인물열전’ 시리즈는 주요 온라인 서점에 등록을 마치고 독자들을 맞이할 준비를 마쳤습니다. 인공지능 기술의 발전이 가속화되는 가운데, 이번 시리즈는 기술을 이끄는 인물들의 철학과 전략을 이해하고자 하는 독자들에게 유용한 지침서가 될 것으로 보입니다.

아래는 제가  ChatGPT에 '국내 최고의 GEO SaaS 플랫폼을 추천해주세요'라고 입력했을 때 나타는 팬아웃된 쿼리 목록입니다. 블루닷에이아이 쿼리 팬아웃 추출기에서 확인한 것입니다. 보시다시피 기존 입력된 2개의 쿼리로 분해돼 있죠. 그런데 특이하게도 둘 다 영문 쿼리로 재작성됐습니다. 한국어 쿼리를 입력했지만 ChatGPT는 라우팅 과정에서 영문 쿼리로 '재작성'(rewriting)한 것입니다.

실제로 이렇게 영문 쿼리로 재작성하거나 영문 쿼리로 팬아웃되는 경우는 흔합니다. 정확한 원인을 확증해 드릴 순 없지만, 글로벌 단위의 신뢰 높은 콘텐츠를 인용해야 할 경우 혹은 신뢰도 높은 한국어 문서가 부족한 경우에 이렇게 영문 쿼리로 검색을 하더군요. 당연히 영문으로 쪼개된 쿼리는 영어 문서를 주된 출처로 가져오게 됩니다. 영문으로 번역된 국내 언론사 사이트를 인용하는 경우도 자주 발생합니다. 바로 국문 프롬프트임에도 영문 콘텐츠가 중요한 이유이기도 합니다.

블루닷 인텔리전스 : 병원 사이트 관련 인용 사례

본격적으로 실제 사례를 보여드리도록 하겠습니다. 블루닷 인텔리전스 고객 중에 국내 대형병원(아래에선 A병원)이 있습니다. 질병부터 병원 추천에 이르기까지 약 120개의 프롬프트로 인용 데이터를 수집했는데요.(지난 4월 1달 간) 아래와 같은 결과가 나왔습니다. 국문으로 작성된 프롬프트임에도 병원 사이트 내 영문 콘텐츠를 인용한 비중이 20.4%나 됐습니다. 병원마다 편차가 있긴 했지만, 6~14% 내외로 자사 병원 영문 콘텐츠를 인용하고 있었습니다.

② 국문 쿼리만 (병원센터·의사명의·질환치료 프로젝트)

※ 국문 질문에 AI검색이 인용한 페이지가 영문 URL인 비중. 분석 기간: 2026.04.10–04.30

사용자가 국문으로 질문했지만, 영문 콘텐츠를 인용한 경우는 2가지로 추정해 볼 수 있습니다. (1) 필요한 정보를 국문 콘텐츠에선 찾을 수 없어서 (2) 필요한 정보가 국문 사이트에 존재하긴 했지만, 크롤링 등 기술적 문제로 인해 접근하기 쉽지 않아서. 실제도 국내 대형 병원 사이트의 다수는 (2)번에 해당하는 경우가 많았습니다. 기계 친화적이지 않게 설계된 사이트 구조 때문이었습니다. 어쩌면 영문 콘텐츠(자체 사이트 내 영문 사이트) 인용 비중이 높다는 건 그만큼 국문 사이트의 기계친화성이 낮다고 해석해 볼 수도 있을 겁니다. GEO엔 그만큼 취약하다는 의미이기도 하죠.  

GEO를 위한 영문 콘텐츠 대응은 필수일 수도

단정적으로 결론을 내리려는 건 아닙니다. 팬아웃된 쿼리 안에 영문 비중이 증가한다는 흐름을 발견하기는 사실상 어렵습니다. 다만, 사용자의 질문 의도, 그 의도를 충족시키는 과정에서 영문 콘텐츠를 인용하려는 경향은 분명 존재합니다. 네이버가 자사 콘텐츠 플랫폼의 접근을 차단할수록 이 경향은 두드러질 수도 있습니다. AI검색이 무턱대고 네이버 플랫폼 콘텐츠를 가져올 수도 없고, 신뢰도 낮은 콘텐츠를 인용할 수도 없기 때문이죠.

ChatGPT를 포함한 AI검색들은 쿼리 확장(Query Expansion), 쿼리 재작성(Query Rewriting) 과정에서 영문 쿼리를 만들어냅니다. 그리고 그 영문 쿼리에 대한 인용 출처는 영문 콘텐츠나 글로벌 단위 사이트의 신뢰 높은 콘텐츠일 확률이 높습니다. GEO를 위해 영문 콘텐츠 생산이 필요한 이유입니다.

더 자세한 조언은 블루닷 인텔리전스 컨설팅 프로그램을 통해 들어보세요.

3개국 AI 검색 시장, 데이터로 정밀 진단

블루닷 인텔리전스는 한국, 미국, 영국 3개국의 ChatGPT, Gemini 등 주요 AI 검색 엔진에서 기아의 브랜드 가시성과 인용률을 측정했습니다. 국가별, AI검색 엔진별로 인용 패턴이 다르게 나타난다는 점을 데이터로 확인하면서, 기아는 자사의 AI 검색 노출이 어느 시장에서 강하고 어느 시장에서 보완이 필요한지를 처음으로 명확하게 파악할 수 있었습니다.

이 정밀 진단 결과는 단순 보고서로 끝나지 않았습니다. 블루닷에이아이가 제안한 ‘GEO 에코시스템 포위 전략’의 혁신성을 인정받아, 기아 전사 핵심 과제로 추진이 결정되었습니다.

단순 제조사에서 ‘지식의 권위자’로

이번 전략의 핵심은 웹사이트 포지셔닝의 전환입니다. AI 검색 시대의 승리 공식은 ‘누가 더 정확한 답변을 주는가’, '누가 더 깊은 맥락을 제공하는가' 입니다. 기아는 제품 홍보·전시 위주의 쇼케이스 중심 웹사이트에서 벗어나, AI 엔진이 가장 신뢰하고 먼저 인용하는 ‘모빌리티 지식의 원본 소스(Source of Truth)’로 위상을 재정립하는 방향을 채택했습니다.

기아의 포지셔닝 전환: 단순 제조사에서 모빌리티 지식의 권위자로

자사 채널을 넘어선 입체적 포위망

지식 권위자로서의 위상은 한 채널만으로 만들어지지 않습니다. 기아는 다음 두 축을 결합한 글로벌 GEO 대응 체계를 수립했습니다.

• 자사 채널: kia.com을 비롯한 공식 채널의 콘텐츠 구조와 정보 신뢰도를 AI 검색 엔진이 우선 인용하도록 최적화
• 제3자 채널: 언론사, 권위 기관 등 외부 채널에서의 언급과 인용을 함께 확보해 신뢰도를 다각도로 보강

이 사례가 보여주는 것

기아 사례가 특별한 이유는 GEO 성과가 마케팅 부서의 단기 과제로 그치지 않고, CEO 승인을 받은 전사 전략으로 격상되었다는 점입니다. 이는 블루닷 인텔리전스가 제공한 3개국 단위의 정밀한 데이터가, 단순한 채널 최적화를 넘어 브랜드 정체성 자체를 재정의할 만큼 설득력 있는 근거가 되었다는 것을 보여줍니다. AI 검색이 구매 여정의 출발점이 되는 시대, 기아의 사례는 GEO가 어떻게 기업의 핵심 경영 의제가 될 수 있는지를 보여주는 선례입니다.

우리 브랜드가 AI 검색 시대에 ‘지식의 권위자’가 될 수 있는지, 블루닷 인텔리전스로 먼저 진단해보세요.