GEO 마케팅 완벽 가이드 — 생성형 AI 검색에 인용되는 방법론(원리·실행·측정)

3줄 요약

• GEO 마케팅은 SEO의 대체재가 아니라 확장이다. 구글은 공식 문서에서 “생성형 AI 검색 최적화는 검색 경험 최적화이며, 따라서 여전히 SEO”라고 적었다(Google Search Central, 생성형 AI 최적화 가이드).
• 인용을 결정하는 것은 특별한 마크업이 아니라 ① 검색 색인 안에 있는가 ② 답이 문서 위쪽·소제목에 있는가 ③ 브랜드가 웹 전반에서 언급되는가다. Ahrefs가 브랜드 7.5만 개를 분석했을 때 AI 개요 가시성과 가장 강한 상관을 보인 지표는 백링크(0.218)가 아니라 브랜드 웹 언급(0.664)이었다(Ahrefs, 2026).
• 성과는 ‘나온다·안 나온다’ 한 줄로는 잴 수 없다. AI는 같은 질문에도 매번 조금씩 다른 답을 내놓는다 — 브랜드 관련 응답 1만 2천여 건을 분석한 연구는 이를 “같은 질문을 두 번 물으면 답이 움직인다”고 표현했다(arXiv:2607.13304). 그래서 ‘어떤 질문을, 몇 번 물었을 때, 몇 %가 우리를 언급했는가’처럼 조건을 붙여 재야 한다. 구글 서치 콘솔의 생성형 AI 리포트도 우리 링크가 AI 답변에 몇 번 보였는지(노출수)만 알려 줄 뿐, 클릭이 얼마나 났는지는 알려 주지 않는다(Search Console 도움말).

이 글이 답하는 질문은 무엇인가요?

이 글은 “GEO 마케팅”을 검색한 사람이 다른 글을 더 열지 않아도 되도록, 정의부터 실행·측정·위험까지 한 편으로 정리한 문서다. 마케팅 책임자가 실제로 결재·판단해야 하는 지점을 기준으로 구성했다.

• GEO 마케팅은 정확히 무엇이고, AEO·AIO·LLMO와 어떻게 다른가
• ChatGPT·구글 AI 개요·Perplexity·Gemini·네이버 AI 브리핑은 각각 어디서 출처를 가져오는가
• 무엇이 인용을 결정하는가 — 데이터 연구가 실제로 말하는 것과 말하지 않는 것
• robots.txt에서 AI 크롤러를 어디까지 열고 어디를 막아야 하는가
• 콘텐츠를 어떻게 써야 인용 확률이 올라가는가, 그리고 “청킹”은 왜 조심해야 하는가
• 성과를 무엇으로 측정하고, 그 측정의 한계는 무엇인가
• 한국(네이버)에서는 무엇이 다른가
• 90일 동안 무엇을 순서대로 해야 하는가

이 글의 모든 수치에는 출처를 괄호로 붙였다. 출처를 붙일 수 없는 수치는 쓰지 않았다. “몇 주면 인용이 시작된다” 같은 기간 약속이 이 글에 없는 이유도 같다 — 표본과 기간이 명시된 공개 연구를 확인하지 못했기 때문이다.

GEO 마케팅이란 무엇인가요?

GEO(Generative Engine Optimization, 생성형 엔진 최적화) 마케팅은 생성형 AI가 만들어 내는 답변 안에서 자사 콘텐츠와 브랜드의 가시성을 높이는 최적화 활동이다. 검색 결과 페이지의 순위를 올리는 것이 목적인 기존 SEO와 달리, GEO의 목적지는 “링크 목록의 몇 번째 줄”이 아니라 “AI가 생성한 문단 안의 문장과 그 문장에 달린 출처 링크”다.

용어의 기원 — 프린스턴 논문

GEO라는 용어는 2023년 11월 arXiv에 공개되고 KDD 2024에 게재된 논문 “GEO: Generative Engine Optimization”에서 나왔다. 저자는 프린스턴대학교, 조지아텍, Allen Institute for AI, IIT Delhi 소속 연구자들이다. 논문은 GEO를 생성형 엔진 응답 안에서의 가시성 지표를 정의하고 이를 최적화하는 블랙박스 최적화 프레임워크로 규정하며, 스스로를 이 분야의 “첫 번째 일반 최적화 프레임워크”라고 부른다.

논문은 사람들이 실제로 던질 법한 질문 10,000개를 모아 벤치마크(GEO-bench)를 만들고, 같은 웹페이지를 아홉 가지 방식으로 고쳐 본 뒤 AI 답변에서 그 페이지가 얼마나 비중 있게 쓰이는지를 비교했다. 아홉 가지를 마케터의 말로 옮기면 이렇다.

• 권위적 서술(Authoritative) — 문장을 더 단정적이고 자신 있는 말투로 고친다.
• 통계 추가(Statistics Addition) — “많은 기업이” 같은 말을 “국내 기업 43%가” 같은 숫자로 바꾼다.
• 키워드 반복(Keyword Stuffing) — 질문에 든 단어를 본문에 더 많이 집어넣는다. 옛날 SEO 수법이다.
• 출처 인용(Cite Sources) — 본문의 주장 옆에 “어디에서 나온 말인지”를 붙인다. 통계·연구·공식 문서·전문가 발언처럼 믿을 만한 출처를 이름과 링크로 밝히는 것이다. 이 글이 문장마다 괄호로 출처를 단 방식이 그 예다. AI 답변 엔진은 답을 만들 때 “근거가 붙어 있는 문단”을 더 믿을 만한 재료로 취급하므로, 같은 내용이라도 출처가 달린 쪽이 인용되기 쉽다는 것이 논문의 가설이었고 실험이 이를 뒷받침했다.
• 인용문 추가(Quotation Addition) — 관련 있는 사람·기관의 말을 따옴표로 직접 인용해 넣는다.
• 쉽게 쓰기(Easy-to-Understand) — 어려운 문장을 풀어 쓴다.
• 유창성 개선(Fluency Optimization) — 문장을 매끄럽게 다듬는다.
• 고유 단어(Unique Words) — 흔한 표현 대신 잘 안 쓰는 단어를 쓴다.
• 전문 용어(Technical Terms) — 해당 분야의 전문 용어를 더 쓴다.

논문 자체의 분류로는 키워드 반복·출처 인용·인용문 추가 세 가지가 “글에 무언가를 더 넣어야 하는” 조작이고, 나머지는 이미 있는 내용의 표현을 바꾸는 조작이다(원문: “methods 3, 4 and 5 may require some form of additional content”).

결과를 한 줄로 줄이면 “근거를 붙인 글이 AI 답변에 더 많이 쓰였고, 키워드를 늘린 글은 효과가 없었다”다. 출처 인용·인용문 추가·통계 추가 세 가지는 AI 답변 안에서 그 페이지가 차지하는 분량(논문의 ‘위치 보정 단어 수’ 지표)을 30~40%, 사람이 답변을 읽고 그 출처가 얼마나 눈에 띄는지 매긴 점수(주관적 인상)를 15~30% 끌어올렸다. 초록은 이를 “다양한 질의에서 가시성을 최대 40%까지 끌어올릴 수 있다”고 요약한다(Princeton GEO 논문, KDD 2024). 반대로 키워드 반복은 “거의 또는 전혀 개선이 없었다”. 실제 서비스인 Perplexity.ai에서 다시 검증했을 때도 통계 추가가 37%, 인용문 추가가 22% 개선을 보였다.

이 결과는 지금도 유효한가

방향은 유효하고, 숫자는 그대로 쓰면 안 된다. 실험은 2023년의 GPT-3.5 기반 엔진과 구글 상위 5개 결과로 만든 실험실 환경에서 이뤄졌다. 지금의 구글 AI 개요, 검색 인덱스를 쓰는 ChatGPT, 네이버 AI 브리핑은 모델도 검색 방식도 다르고, 같은 질문에도 매번 답이 조금씩 달라진다(5층 측정 참고). 그래서 “출처를 달면 40% 오른다”는 식으로 옮기는 것은 틀리다. 다만 이 논문이 가리킨 방향 — 구체적 숫자·출처·직접 인용이 붙은 문단이 인용되고, 키워드를 늘리는 것은 소용없다 — 은 그 뒤에 나온 자료와 어긋나지 않는다. 구글은 공식 문서에서 특별한 마크업이나 최적화가 아니라 독자에게 실제로 유용한 콘텐츠를 만들라고 적었고(Google Search Central, AI features and your website), 브랜드 7.5만 개를 본 Ahrefs 연구는 AI 가시성과 가장 강하게 연결된 것이 키워드가 아니라 웹 전반의 브랜드 언급이었다고 보고했다(Ahrefs, 2026). 이 글의 3층 콘텐츠 방법론이 “답 먼저, 근거와 출처 옆에” 를 원칙으로 두는 이유가 여기에 있다.

가장 실무적인 발견 — “이퀄라이저 효과”

논문에서 마케팅 담당자가 가장 눈여겨봐야 할 대목은 평균 개선율이 아니다. Cite Sources 기법을 적용했을 때 검색 결과 5위 사이트의 가시성은 115.1% 올랐고, 같은 조건에서 1위 사이트의 가시성은 평균 30.3% 떨어졌다(Princeton GEO 논문, 2024). 생성형 엔진 안에서는 순위 1위가 자동으로 노출 1위가 아니라는 뜻이다. 이는 중견·중소 브랜드가 대형 브랜드를 상대로 답변 공간을 일부 가져올 수 있는 구조적 여지가 존재한다는 근거이자, 동시에 이미 1위인 브랜드가 방심하면 자리를 잃는다는 경고이기도 하다.

AEO·AIO·LLMO와는 무엇이 다른가요?

결론부터: 실무에서 이 네 용어는 사실상 같은 것을 가리키며, 학술적으로 합의된 구분 정의는 아직 없다. 위키피디아의 Generative engine optimization 항목은 AEO(Answer Engine Optimization), AIO(Artificial Intelligence Optimization)를 관련 용어로 병기하면서 2026년 초 기준으로 학술 문헌에 이들을 구분하는 합의된 정의가 성립하지 않았고 실무에서 혼용된다는 취지로 서술한다. LLMO(Large Language Model Optimization) 역시 개념 설명은 여럿 있지만 “누가 처음 만들었다”는 1차 출처를 특정하기 어렵다.

그래서 대행사가 “우리는 GEO가 아니라 AEO를 한다”거나 “LLMO는 GEO보다 상위 개념”이라고 설명한다면, 그것은 업계 표준이 아니라 그 회사의 상품 구분이다. 판단 기준은 이름이 아니라 산출물 목록이어야 한다. 무엇을 진단하고, 무엇을 고치고, 무엇으로 측정하는지를 문서로 받아 비교하는 편이 빠르다.

SEO와 무엇이 같고 무엇이 다른가요?

표에서 “다르다”로 표시한 항목은 전부 SEO의 기반 위에서만 작동한다. 색인되지 않은 페이지는 인용 후보에 들어가지 않고, 렌더링이 실패하는 페이지는 문단 단위로도 읽히지 않는다. GEO는 SEO 다음 단계이지 SEO 대신이 아니다. 두 작업의 경계를 어떻게 나눌지는 GEO와 SEO의 차이를 질문 세 개로 정리한 글의 구분이 실무에 가깝다.

답변 엔진은 어떻게 답을 만드나요?

대부분의 답변 엔진은 질의 확장 → 검색 → 재순위 → 생성 → 인용의 다섯 단계를 거친다. 이 구조를 이해하면 “왜 어떤 페이지는 순위가 낮은데 인용되고, 어떤 페이지는 1위인데 인용되지 않는가”가 설명된다.

1단계 — 질의 확장(팬아웃)

사용자가 입력한 한 문장은 모델 안에서 여러 개의 하위 질의로 쪼개진다. 구글은 이를 query fan-out이라 부르고, 공식 문서에서 “사용자 질의를 해결하기 위해 모델이 생성하는, 동시에 실행되는 관련 질의들의 집합”으로 정의한다(Google Search Central, 생성형 AI 최적화 가이드). 2025년 I/O 발표 블로그에서도 AI 모드가 “질문을 하위 주제로 쪼개고 여러 질의를 동시에 발행한다”고 설명했다.

OpenAI도 같은 일을 한다. ChatGPT 검색 도움말은 질의를 재작성하고, 1차 결과를 검토한 뒤 더 구체적인 추가 질의를 다른 검색 제공자에 보낼 수 있다고 기술한다. 또 IP 기반의 대략적 위치를 검색 제공자와 공유해 “내 근처 식당”을 “샌프란시스코 인기 식당”처럼 재작성한다고 명시한다(OpenAI Help Center).

실무 함의는 분명하다. 여러분의 페이지는 사용자가 친 문장과 경쟁하는 것이 아니라, 그 문장에서 파생된 대여섯 개의 하위 질문과 각각 매칭된다. 한 페이지가 하나의 큰 주제를 다루되 그 안에서 하위 질문마다 독립적으로 답하는 구조를 가져야 하는 이유가 여기에 있다.

2~3단계 — 검색과 재순위

확장된 질의는 각각 검색 시스템에 던져진다. 구글은 이 과정을 grounding이라 부르며, 공식 문서에서 “AI 응답의 품질·정확성·최신성을 개선하기 위해 핵심 검색 랭킹 시스템에 의존해 검색 색인에서 관련성 높은 최신 웹페이지를 가져오는 기법”이라고 정의한다. 여기서 “핵심 검색 랭킹 시스템에 의존해”라는 구절이 중요하다. AI 개요와 AI 모드는 별도의 AI 전용 색인을 쓰는 것이 아니라 일반 검색 색인을 그대로 쓴다.

Gemini API의 Grounding with Google Search 문서도 같은 구조를 보여 준다. 검색 도구가 활성화되면 모델이 검색 결과를 처리·종합하고, 응답에는 검색 질의·웹 결과·인용이 담긴 groundingMetadata가 함께 반환된다. 모든 질의가 그라운딩되는 것도 아니어서, 개발자는 동적 검색 임계값(기본값 0.3)을 설정할 수 있다(Google for Developers).

4~5단계 — 생성과 인용 자격

모델은 가져온 문서들을 읽고 하나의 답변을 쓴 뒤, 근거가 된 문서에 링크를 붙인다. 구글은 인용 자격을 명확히 문서화했다. AI 개요나 AI 모드에서 지원 링크로 표시되려면 페이지가 색인되어 있어야 하고, 스니펫과 함께 검색에 표시될 자격이 있어야 하며, 검색 기술 요건을 충족해야 한다(Google Search Central, AI features and your website). 즉 인용의 1차 관문은 “AI를 위한 무언가”가 아니라 평범한 색인 상태다.

엔진별로 출처가 어디서 오나요?

“ChatGPT는 결국 Bing이다”라는 요약은 과도한 단순화다. OpenAI 공식 문서에서 이름이 명시된 제3자는 Bing과 Shopify뿐이며, Semrush의 2025년 8월 실험은 ChatGPT가 구글 결과도 참조하는 정황을 제기했다(Semrush, 2025). 엔진별 출처 경로는 계약과 제품 정책에 따라 바뀌므로, 특정 시점의 구조를 영구적 사실로 삼지 않는 편이 좋다.

AI 크롤러는 각각 무슨 일을 하나요?

여기서 가장 흔한 실수 하나를 짚어 둔다. “GPTBot을 막으면 ChatGPT 검색도 막힌다”는 것은 오해다. OpenAI·Anthropic·Perplexity 모두 학습용 토큰과 검색용 토큰을 분리해 문서화했고, 각각 독립적으로 제어된다. 저작권 우려로 학습은 막되 검색 노출은 유지하고 싶다면 그렇게 설정할 수 있다.

무엇이 AI 인용을 결정하나요?

공개된 대규모 연구를 종합하면 인용을 좌우하는 요인은 네 가지로 좁혀진다 — 검색 색인 안에서의 관련성, 문서 안에서 답의 위치, 콘텐츠의 최신성, 그리고 브랜드가 웹 전반에서 언급되는 양이다. 다만 각 연구는 표본과 정의가 달라 같은 현상에 대해 서로 다른 숫자를 내놓는다. 숫자를 인용할 때는 반드시 표본·시점·정의를 함께 적어야 한다.

기존 검색 순위와 얼마나 겹치나요?

수치가 벌어지는 이유는 세 가지다. ① 인용 URL을 전수로 세는지 눈에 띄는 몇 개만 세는지, ② 오가닉만 보는지 광고·PAA·비디오를 포함하는지, ③ 상위 10위 겹침인지 상위 100위 겹침인지. 따라서 “AI 인용의 76%는 상위 10위에서 나온다”와 “AI 인용의 6분의 5는 1페이지 밖에서 나온다”가 동시에 유통될 수 있다. 제안서에 이런 수치가 출처 없이 적혀 있다면 그 자체가 판단 근거가 된다.

그래서 결론은 무엇인가요?

추세는 한 방향을 가리킨다. 상위 10위 겹침 비율은 시간이 갈수록 낮아지고 있고, 대신 11~100위 구간의 문서가 인용에 진입하고 있다. Ahrefs는 그 이유로 AI 개요가 사용자가 친 질의의 검색 결과보다 팬아웃된 하위 질의의 결과에 더 의존한다는 점을 든다. 하위 질의는 원 질의보다 구체적이고 경쟁이 덜하므로, 롱테일 주제를 정확히 다룬 중소 사이트의 문서가 진입할 자리가 생긴다.

그렇다고 해서 “이제 순위는 중요하지 않다”가 되지는 않는다. 상위 100위 밖 문서가 인용되는 경우도 결국 어떤 하위 질의에서는 상위권이었다는 뜻이기 때문이다. 정확한 표현은 이렇다 — 메인 키워드 1위가 인용을 보장하지 않지만, 검색 색인에서 어떤 질의로도 상위에 오르지 못하는 문서는 인용 후보에 들어가지 않는다. SEO 기반 없이 GEO는 성립하지 않는다.

인용되는 콘텐츠는 어떤 특징이 있나요?

가장 강한 신호는 “답이 문서 어디에 있는가”다. Kevin Indig가 AI 답변 120만 개와 검증된 인용 18,012개를 분석한 연구에 따르면 인용의 44.2%가 콘텐츠 상단 30% 구간에서 발생했고, 질문과 연결된 인용의 78.4%는 헤딩(소제목)에서 발생했다(Growth Memo 분석, Search Engine Land 2026-02 보도). Zyppy의 2025년 관측도 페이지의 첫 30%가 마지막 30%보다 인용 수가 거의 두 배라고 보고했다.

두 번째는 최신성이다. Seer Interactive가 5,000개 이상 URL을 분석한 결과 AI 봇 히트의 65%가 1년 이내, 79%가 2년 이내, 89%가 3년 이내 콘텐츠였다(Seer Interactive, 2025-10). Ahrefs가 7개 AI 검색 플랫폼의 인용 약 1,700만 건을 본 분석에서는 AI가 인용한 URL이 오가닉 상위 10위 URL보다 평균 25.7% 더 신선했다(평균 1,064일 대 1,432일).

세 번째가 논문이 실험한 요소다 — 통계, 인용문, 출처. 이 세 가지는 프린스턴 논문에서 가장 큰 개선을 보인 기법군이었고, 앞의 두 가지(위치·최신성)와 달리 문서를 다시 쓰는 것만으로 바로 적용할 수 있는 변수다.

브랜드 언급은 얼마나 중요한가요?

Ahrefs가 브랜드 7만 5천 개를 스피어만 상관으로 분석한 결과, AI 개요 브랜드 가시성과 가장 강하게 연관된 지표는 브랜드 웹 언급(0.664)이었다. 브랜드 앵커 0.527, 브랜드 검색량 0.392, 백링크는 0.218이었다(Ahrefs, 2026-04). 사분위로 나눠 보면 웹 언급 상위 25% 브랜드는 평균 AI 개요 언급이 169회, 그 아래 분위(50~75%)는 14회로 10배 이상 벌어졌고, 하위 두 분위는 0~3회로 사실상 노출되지 않았다.

여기에 반드시 덧붙여야 할 경고가 있다. 상관은 인과가 아니다. 큰 브랜드는 언급도 많고 AI 노출도 많다. 교락 변수가 클 수밖에 없는 구조이며, 이 연구는 “언급을 늘리면 AI 노출이 는다”를 증명하지 않았다. 그럼에도 이 데이터가 실무적으로 중요한 이유는, 백링크 중심으로 설계된 기존 오프사이트 예산을 언급·평판 중심으로 재배치할 근거가 되기 때문이다.

인용과 언급은 같은 것이 아니다. Semrush와 Kevin Indig가 브랜드 5만 개·주제 영역 1,094개를 분석한 연구에서, 한 카테고리의 최다 인용 도메인이 동시에 최다 언급 브랜드인 경우는 21%뿐이었고 두 신호는 약한 음의 상관(-0.229)을 보였다(Semrush × Kevin Indig, 2026-07). 즉 “우리 URL이 인용되는 것”과 “AI가 우리를 추천하는 것”은 별개의 목표이며, 측정 지표도 분리해야 한다.

GEO 마케팅은 어떤 순서로 실행하나요?

기반 → 엔티티 → 콘텐츠 → 확산 → 측정의 5층 순서로 실행한다. 순서를 바꾸면 비용이 샌다. 크롤링이 막힌 상태에서 콘텐츠를 아무리 잘 써도 인용 후보에 들어가지 않고, 브랜드 식별이 흐릿한 상태에서 PR을 돌리면 언급은 늘어도 그것이 우리 회사와 연결되지 않는다.

5층의 역할

이 순서에는 예외가 하나 있다. 측정(5층)의 초기 스냅샷은 1층보다 먼저 떠 둬야 한다. 작업 전 기준선이 없으면 3개월 뒤에 변화를 주장할 수 없기 때문이다. 실무에서는 0주차에 측정 체계를 얹고 기준선을 찍은 뒤 1층부터 순서대로 내려가는 방식을 쓴다.

또 하나, 5층 전부를 동시에 착수하는 제안서는 의심해 볼 만하다. 기반 진단에서 나온 문제가 콘텐츠 계획을 바꾸는 경우가 흔하고, 엔티티 정리 과정에서 확산 전략의 타깃(어느 채널에 우리 이름이 이미 있는가)이 드러나기 때문이다. 순서에는 정보의 흐름이 있다.

1층 기반: AI 크롤러는 어디까지 열어야 하나요?

기본값은 “학습용 크롤러는 정책에 따라 선택, 검색·답변용 크롤러는 연다”이다. 이 둘을 구분하지 않고 한꺼번에 막으면 저작권 리스크는 줄지 않은 채 노출만 사라진다.

무엇을 열고 무엇을 막나요?

판단 기준은 세 가지다. ① 콘텐츠 자체가 유료 상품인가(미디어·리서치·유료 보고서라면 학습 차단이 합리적이다), ② 답변 엔진에서의 발견이 리드 획득 경로인가(B2B 대부분이 여기에 해당한다), ③ 규제상 콘텐츠 재사용에 제약이 있는가(금융·의료 등).

Anthropic은 Claude-User·Claude-SearchBot을 차단하면 “사용자 지시형 웹 검색에서 사이트 가시성이 줄어들 수 있다”고 공식 문서에서 명시한다. 차단의 비용이 문서화되어 있다는 뜻이다. 반면 학습용 토큰(GPTBot, ClaudeBot)은 차단해도 검색 노출과는 직접 연결되지 않는다.

# — 검색·답변 노출용: 열어 둔다 —

User-agent: Googlebot

Allow: /

 

User-agent: Yeti

Allow: /

 

User-agent: OAI-SearchBot

Allow: /

 

User-agent: PerplexityBot

Allow: /

 

User-agent: Claude-SearchBot

Allow: /

 

# — 학습용: 정책에 따라 선택 —

User-agent: GPTBot

Disallow: /

 

User-agent: ClaudeBot

Disallow: /

 

# — 공통 —

User-agent: *

Disallow: /admin/

Disallow: /*?sort=

Sitemap: https://example.com/sitemap.xml

위 설정은 출발점일 뿐 정답이 아니다. 크롤러 토큰 이름은 각 사가 수시로 추가·폐기하므로(예: Anthropic은 2026년 2월 Claude-Web·Anthropic-AI를 폐기하고 세 토큰 체계로 개편) 분기마다 공식 문서를 다시 확인해야 한다. 또 ChatGPT-User와 Perplexity-User처럼 사용자 개시형 에이전트는 robots.txt가 그대로 적용되지 않을 수 있다고 각 사가 문서화했으므로, robots.txt만으로 완전 차단은 불가능하다.

Google-Extended는 왜 AI 개요와 무관한가요?

Google-Extended는 크롤러가 아니라 Gemini Apps와 Vertex AI 생성형 API의 학습·그라운딩 참여를 관리하는 제품 토큰이기 때문이다. 구글 문서는 Google-Extended가 “구글 검색 포함 여부에 영향을 주지 않으며, 구글 검색의 랭킹 신호로도 쓰이지 않는다”고 명시한다. 별도 User-Agent가 없고 수집은 Googlebot이 수행하므로, 차단해도 크롤 부하가 줄지도 않는다.

그러면 AI 개요·AI 모드에서 실제로 빠지려면 무엇을 해야 하나. 구글이 문서화한 경로는 nosnippet, data-nosnippet, max-snippet, noindex와 2026년 신설된 서치 콘솔의 생성형 AI 노출 차단 토글이다. 단 스니펫 제어는 일반 검색 결과의 스니펫까지 함께 없애는 트레이드오프를 동반한다. “AI에는 안 보이고 검색에는 그대로 보이게”는 현재 구글 검색에서 선택지가 아니다.

llms.txt는 넣어야 하나요?

구글 검색 가시성을 목적으로 한다면 필요 없다. 구글이 공식 문서에서 자기들은 쓰지 않는다고 명시했다. 2026년 생성형 AI 최적화 가이드는 “구글 검색(생성형 AI 기능 포함)에 나타나기 위해 새로운 기계 판독용 파일, AI 텍스트 파일, 마크업, 마크다운을 만들 필요가 없다. 구글 검색 자체가 그것들을 쓰지 않기 때문이다”라고 적는다. 존 뮬러는 2025년 4월 레딧에서 “어떤 AI 서비스도 llms.txt를 쓴다고 말하지 않았고, 서버 로그를 보면 확인조차 하지 않는다. 내게는 키워드 메타 태그와 비슷하다”고 말했다.

데이터도 같은 방향이다. SE Ranking이 약 30만 도메인을 조사했을 때 채택률은 10.13%였고 “AI 인용과 llms.txt 사이에 상관관계가 없다”는 결론을 냈다(SE Ranking, 2025-11). Trakkr이 AI 인용 도메인 37,894개·인용 32만여 건을 본 분석에서는 p = 0.81로 통계적으로 유의하지 않았고, 오히려 인용 순위가 낮은 구간에서 채택률이 더 높았다(상위 50개 도메인 중 6%, 상위 5,000개 중 16%대). Ahrefs의 서버 로그 분석에서는 2026년 5월 기준 llms.txt 파일의 97%가 요청 0건이었다.

그렇다면 만들 이유가 아예 없는가. 두 가지 예외가 있다. 첫째, 구글도 “다른 서비스나 시스템을 위해 llms.txt를 만들어 유지하기로 결정하는 것은 전혀 문제없다”고 같은 문서에서 밝혔다. 둘째, Cursor·Claude Code 같은 코딩 에이전트는 실제로 llms.txt를 읽는다는 관측이 있다. 개발자 도구 문서를 운영하는 회사라면 검색 가시성이 아니라 개발자 경험 관점에서 검토할 여지가 있다. 반대로 위험도 있다 — 봇에게 다른 콘텐츠를 보여 주는 클로킹 경로가 될 수 있고, AI가 웹페이지 대신 텍스트 파일을 인용하면 사용자가 사이트에 오지 않는다.

기반 층에서 놓치기 쉬운 것

렌더링이 가장 흔한 구멍이다. 클라이언트 사이드 렌더링에 의존하는 페이지는 본문이 자바스크립트 실행 이후에야 나타나는데, 모든 AI 크롤러가 Googlebot 수준의 렌더링 능력을 갖고 있다고 가정할 근거는 없다. 본문 텍스트와 소제목은 HTML 소스에 존재해야 한다. 브라우저에서 “소스 보기”를 눌러 핵심 문단이 보이는지 확인하는 30초짜리 점검이 진단의 출발점이다.

그다음은 중복과 파라미터다. 같은 내용이 여러 URL로 존재하면 인용이 분산되거나 어느 쪽도 선택되지 않는다. 정규 URL(canonical)을 정리하고, 필터·정렬 파라미터가 만들어 내는 URL을 색인에서 걷어 내는 작업은 GEO 이전에 SEO의 기본이지만, 답변 엔진 시대에는 “답이 있는 문서가 하나로 특정되는가”라는 새로운 의미를 갖는다.

2층 엔티티: 우리 회사를 AI가 어떻게 식별하나요?

AI는 회사명 문자열이 아니라 엔티티(개체)로 식별한다. 그래서 회사명·주소·대표 서비스·저자 정보가 사이트 안팎에서 같은 형태로 반복되는지가 중요하다. 같은 회사가 어떤 페이지에서는 “㈜○○파트너스”, 다른 데서는 “○○ 파트너스”, 보도자료에서는 영문 표기로 나오면 언급은 흩어진다.

구조화 데이터는 어디까지 효과가 있나요?

구조화 데이터는 검색 기능(리치 결과)을 위한 것이며, 생성형 AI 인용을 위한 특별 스키마는 존재하지 않는다. 구글은 2026년 가이드에서 “구조화 데이터 집착”을 무시해도 되는 전술 목록에 올렸다. 동시에 구조화 데이터 일반 가이드라인은 “구조화된 데이터가 페이지 콘텐츠를 실제로 표현해야 한다”, “권장 속성을 많이 제공할수록 검색결과 품질이 개선된다”고 적는다.

이 두 진술은 모순이 아니다. 정리하면 이렇다 — 스키마는 AI에게 보내는 마법 신호가 아니라, 페이지에 이미 적혀 있는 사실을 기계가 오해 없이 읽도록 하는 표기법이다. 그래서 Organization·Person 마크업의 실익은 “인용률 상승”이 아니라 “엔티티 혼동 감소”에서 찾아야 한다. 스키마 타입별 작성법과 검증 방법은 JSON-LD 구조화 데이터 실무 가이드의 순서를 그대로 따르면 된다.

{

  “@context”: “https://schema.org”,

  “@type”: “Organization”,

  “@id”: “https://example.com/#organization”,

  “name”: “주식회사 예시파트너스”,

  “alternateName”: “예시파트너스”,

  “url”: “https://example.com/”,

  “logo”: “https://example.com/logo.png”,

  “address”: {

    “@type”: “PostalAddress”,

    “streetAddress”: “테헤란로 000”,

    “addressLocality”: “서울특별시 강남구”,

    “addressCountry”: “KR”

  },

  “knowsAbout”: [“생성형 엔진 최적화”, “구조화 데이터”, “검색 엔진 최적화”],

  “sameAs”: [

    “https://www.linkedin.com/company/example”,

    “https://www.youtube.com/@example”

  ]

}

주의: sameAs를 채우면 AI 인용이 늘어난다는 공개 연구는 확인되지 않았다. 위 마크업의 목적은 “우리가 주장하는 프로필과 외부에 존재하는 프로필이 같은 대상임을 명시”하는 것이고, 실제 효과는 검색 측 리치 결과와 엔티티 해석 보조에 한정해 기대하는 편이 정확하다. 존재하지 않는 프로필이나 관리하지 않는 계정을 넣으면 오히려 정합성이 깨진다.

저자와 E-E-A-T는 어떻게 다루나요?

구글은 2025년 5월 “Succeeding in AI search” 블로그에서 자기 점검 도구로 “helpful, reliable, people-first content” 페이지를 지목했다. 이 페이지가 E-E-A-T(경험·전문성·권위·신뢰)를 다루는 구글 측 공식 앵커다. 다만 저자 표기를 넣으면 AI 인용이 늘어난다는 대규모 연구는 확인된 바 없다. 저자 체계를 만드는 이유는 인용률 자체가 아니라, 금융·의료처럼 판단에 책임이 따르는 영역에서 누가 이 문장을 썼고 누가 검수했는지를 밝히는 것 자체가 콘텐츠 요건이기 때문이다.

실무적으로는 세 가지를 갖춘다. ① 저자 페이지(경력·자격·담당 주제), ② 글마다 저자·감수자·최종 검토일 표기, ③ Person·ProfilePage 마크업으로 기계 판독 경로 제공. 구글은 2023년 11월 ProfilePage와 DiscussionForumPosting 지원을 시작하면서도 “마크업을 사용한다고 해서 반드시 표시되는 것은 아니다”라고 명시했다. 규제 산업에서 이 체계를 어떻게 설계하는지는 금융회사 SEO·GEO 전략에서 다룬 준법 검토 흐름과 함께 보면 이해가 빠르다.

엔티티 정합성 점검 목록

• 법인명·브랜드명 표기가 웹사이트·보도자료·링크드인·구글 비즈니스 프로필에서 동일한가
• 대표 서비스명이 사이트 안에서 여러 이름으로 불리지 않는가
• 주소·대표번호가 모든 외부 디렉터리에서 일치하는가
• 사라진 옛 브랜드명·구 사명이 외부에 남아 잘못된 언급을 만들고 있지 않은가
• 저자 프로필이 여러 매체에 걸쳐 같은 인물로 식별되는가

3층 콘텐츠: 어떻게 써야 인용되나요?

답을 문단 첫 문장에 놓고, 소제목을 실제 질문 형태로 쓰고, 각 문단이 앞뒤 없이 혼자 읽혀도 뜻이 통하게 쓴다. 이 세 가지가 공개 데이터로 가장 잘 뒷받침되는 작성 원칙이다. 인용의 44.2%가 상단 30%에서, 질문 연결 인용의 78.4%가 헤딩에서 발생했다는 데이터(Growth Memo 분석, 2026)가 그 근거다.

답 먼저 쓰기 — 구체적으로 어떻게 하나요?

가장 단순한 규칙은 이것이다. 소제목이 질문이면, 바로 다음 문장이 그 질문의 답이어야 한다. 배경 설명, 업계 동향, “최근 많은 기업이…” 같은 도입부를 앞에 두면 답변 엔진이 뽑아 갈 문장이 뒤로 밀린다. 근거·조건·예외는 답 뒤에 붙인다.

두 번째 규칙은 대명사를 줄이는 것이다. “이것은”, “앞서 말한”, “위 표에서” 같은 표현은 문단이 단독으로 추출됐을 때 의미를 잃는다. 문단 안에서 주어를 한 번 더 써 주면 추출 후에도 문장이 살아남는다. 이것이 흔히 말하는 청크 단위 자기완결성이다.

세 번째 규칙은 한 페이지가 하나의 질문에 답하되, 그 질문 아래 하위 질문을 소제목으로 펼치는 것이다. 팬아웃 구조를 떠올리면 이유가 분명하다. 하나의 사용자 질의가 대여섯 개의 하위 질의로 갈라지므로, 하위 질문 각각에 대응하는 구절이 있는 문서가 더 많은 하위 질의 결과에 등장할 여지가 생긴다.

“청킹”이라는 말은 왜 조심해야 하나요?

구글이 콘텐츠 “청킹”을 무시해도 되는 전술로 공식 문서에 명시했기 때문이다. 2026년 가이드는 “AEO/GEO 핵보다 효과적인 SEO 전략을 우선하라”면서 콘텐츠 청킹, 불필요한 AI 텍스트 파일 생성, 비진정성 언급 추구를 예로 들었다. 여기서 구글이 겨냥한 것은 AI를 위해 문서를 인위적으로 잘게 쪼개고 문맥을 버리는 조작이다.

그러니 정확한 프레이밍은 이렇다 — 청크 친화 구조는 AI용 특수 기법이 아니라, 사람이 읽기 좋은 구조화의 결과여야 한다. 질문형 소제목을 다는 이유는 AI가 좋아해서가 아니라 독자가 그 질문을 갖고 들어왔기 때문이고, 문단을 자기완결적으로 쓰는 이유는 스크롤하며 훑는 독자가 중간부터 읽기 때문이다. 결과적으로 기계도 읽기 쉬워진다. 순서를 뒤집으면 구글이 말한 “핵”이 된다.

통계·인용문·출처는 정말 효과가 있나요?

프린스턴 논문의 실험에서 가장 큰 개선을 보인 기법군이 Cite Sources, Quotation Addition, Statistics Addition이었다는 점은 앞에서 정리했다. 실무 번역은 다음과 같다.

• 정성 서술을 수치로 바꾼다. “많은 기업이 도입했다” 대신 “조사 대상 30만 도메인 중 10.13%가 도입했다(SE Ranking, 2025-11)”.
• 출처를 문장 옆에 붙인다. 글 끝 참고문헌만으로는 문단이 단독 추출될 때 근거가 떨어져 나간다.
• 원문 인용문을 그대로 옮긴다. 특히 플랫폼 공식 문서의 문장은 답변 엔진이 확인 가능한 근거로 다루기 좋다.

단, 여기에는 윤리적 경계가 있다. 논문의 기법 중 “권위적으로 쓰기”나 “전문 용어 추가”는 새 정보를 더하지 않고 인상만 조작하는 방향이다. 효과가 보고됐다고 해서 근거 없이 단정적으로 쓰는 것은 다른 문제다. 지어낸 수치는 한 번 적발되면 그 문서뿐 아니라 사이트 전체의 신뢰를 깎는다.

FAQ는 아직 유효한가요?

구글 SERP의 리치 결과를 만드는 수단으로서 FAQ 스키마는 끝났고, 콘텐츠 구조로서의 FAQ는 남았다. 구글은 2023년 8월 FAQ 리치 결과를 “잘 알려진 권위 있는 정부·보건 웹사이트”에만 표시하도록 축소했고, 2026년 5월에는 FAQ 리치 결과를 완전히 지원 종료하면서 “FAQ 리치 결과는 더 이상 구글 검색에 나타나지 않는다”고 고지했다. 검색 외형과 리치 결과 리포트 지원은 2026년 6월, Search Console API는 2026년 8월에 종료됐다.

업계가 만드는 두 가지 반응 — “스키마는 죽었다”와 “AI 검색 때문에 FAQ 스키마가 더 중요해졌다” — 는 둘 다 정확하지 않다. FAQPage는 schema.org 타입으로 여전히 유효하지만 구글 SERP 외형을 만들지 못하고, FAQ 스키마를 넣으면 AI 답변에 뜬다는 공개 근거도 없다. 그럼에도 본문 하단의 질문·답변 묶음을 유지할 이유는 남아 있다. 짧은 질문과 짧은 답이 1:1로 붙은 구조는 팬아웃된 하위 질의와 매칭되기 좋은 형태이기 때문이다. 스키마가 아니라 본문 구조로서의 가치다.

최신성과 갱신 주기는 어떻게 관리하나요?

Seer Interactive의 데이터(AI 봇 히트의 65%가 1년 이내 콘텐츠)와 Ahrefs의 신선도 비교는 같은 이야기를 한다. 오래된 문서는 인용 후보에서 조용히 밀려난다. 그래서 코너스톤 문서일수록 분기 단위 갱신 계획이 필요하다.

갱신에는 두 가지 함정이 있다. 첫째, dateModified만 바꾸고 내용을 바꾸지 않는 것. 이는 사실과 다른 구조화 데이터가 되고, 구글 가이드라인의 “구조화 데이터가 페이지 콘텐츠를 실제로 표현해야 한다”에 어긋난다. 둘째, 갱신을 핑계로 URL을 새로 파는 것. 축적된 링크와 언급이 초기화된다. 갱신은 같은 URL에서, 실제로 문장을 고치면서, 무엇이 언제 바뀌었는지 남기는 방식이어야 한다.

표와 이미지는 어떤 역할을 하나요?

비교·조건·수치는 표로 정리하는 편이 낫다. 문장으로 풀어 쓴 비교는 추출됐을 때 대응 관계가 무너지지만, 표는 행과 열이 관계를 보존한다. 다만 표가 이미지로 들어가 있으면 텍스트로 읽히지 않으므로 표는 반드시 HTML 표로 작성한다. 이미지는 alt 텍스트가 실제 내용을 서술하도록 쓰고, 도표를 이미지로만 제공하는 구조는 피한다.

4층 확산: 우리 사이트 밖에서는 무엇을 해야 하나요?

브랜드가 다른 곳에서 언급되는 양을 늘리되, 인위적으로 만들어 낸 언급은 피한다. Ahrefs 상관 연구(웹 언급 0.664 대 백링크 0.218)는 오프사이트 예산의 무게중심을 링크에서 언급으로 옮길 근거를 제공하지만, 동시에 구글은 2026년 가이드에서 “비진정성 언급(inauthentic mentions) 추구”를 무시해도 되는 전술로 명시했다. 이 두 문장 사이가 4층의 작업 공간이다.

어떤 출처가 실제로 인용되나요?

공개된 집계는 다음과 같다. 5WPR이 9개 공개 데이터셋(2024-08~2026-04)을 통합한 “State of AI Citations 2026″에 따르면 미국 ChatGPT 인용에서 Wikipedia 13.15%와 Reddit 11.97%를 합쳐 전체의 25%를 넘었고, WSJ·NYT·Bloomberg는 상위 20위 안에 없었다. LinkedIn은 Semrush의 32.5만 프롬프트 분석에서 ChatGPT Search 응답의 14.3%에 인용됐고, Google AI Mode에서는 Fandom이 7.16%로 Wikipedia보다 앞섰다. 영상 쪽에서는 Ahrefs 후속 분석에서 YouTube 언급이 0.737로 단일 최강 예측 변수로 보고됐다(Ahrefs, 2026-05).

그런데 같은 보고서가 더 중요한 사실을 알려 준다. Reddit의 ChatGPT 인용 점유율은 2025년 9월 약 2주 만에 60% 수준에서 10% 수준으로 붕괴했다(Semrush 23만 프롬프트·13주 추적). 원인은 구글의 num=100 파라미터 변경이라는 해석이 유력하다. Wikipedia도 같은 기간 55%대에서 20% 미만으로 떨어졌다.

판단 기준 — 도메인 분포는 플랫폼 정책이나 업스트림 파라미터 한 줄에 흔들린다. “위키와 레딧에 브랜드 흔적을 만들어라”는 조언은 구조적으로 불안정한 자산에 예산을 거는 것이다. 외부 채널은 포트폴리오로 분산하고, 어느 한 채널의 점유율 변화에 전체 가시성이 종속되지 않게 설계해야 한다.

디지털 PR은 효과가 있나요?

PR 집행량이 AI 인용을 늘린다는 인과 근거는 공개돼 있지 않다. 간접 근거는 있다 — 웹 언급이 백링크보다 강한 상관을 보였다는 Ahrefs 데이터, 저널리즘 인용을 다룬 대규모 집계가 언론 자산의 비중을 시사한다는 점. 하지만 “보도자료를 몇 건 돌리면 인용이 몇 % 오른다”는 식의 약속에는 근거가 없다.

더 중요한 것은 방향이다. 구글이 명시적으로 배제한 것은 대량 살포형·비진정성 언급이다. 반대로 실제 데이터·실제 사례·실제 인물이 들어간 보도는 그 자체로 인용 가능한 1차 정보가 된다. 자체 조사 데이터를 발표하는 것, 업계 통계를 정기적으로 공개하는 것, 실명 전문가가 코멘트하는 것이 현재 조건에서 가장 방어 가능한 PR 형태다.

시딩의 경계는 어디인가요?

• 가능: 자사 데이터·리서치를 공개하고 언론·커뮤니티가 자발적으로 인용하게 하는 것
• 가능: 실무자가 실명으로 커뮤니티 질문에 답하며 소속을 밝히는 것
• 위험: 다수 계정으로 브랜드 언급을 양산하는 것 — 플랫폼 정책 위반이자, 적발 시 채널 자체를 잃는다
• 위험: 권위 있는 매체의 서브디렉터리를 빌려 콘텐츠를 올리는 것 — 구글의 site reputation abuse 정책 위반

5층 측정: GEO 성과는 어떻게 측정하나요?

프롬프트 표본을 고정하고, 언급률·추천률·인용 URL을 따로 세고, 그 결과를 항상 조건과 함께 기록한다. 단일 숫자로 보고되는 GEO 성과는 대부분 재현되지 않는다.

프롬프트 표본은 어떻게 설계하나요?

측정의 출발점은 키워드가 아니라 질문 묶음이다. 실무에서는 네 갈래로 나눠 각각 10~15개씩 고정한다.

• 비브랜드 벤더 평가형: “○○ 분야 대행사 추천”, “○○ 솔루션 비교” — 추천률 측정용
• 정보 탐색형: “○○란 무엇인가”, “○○ 하는 방법” — 인용률 측정용
• 브랜드 확인형: “○○사는 어떤 회사인가” — 오정보 탐지용
• 경쟁 비교형: “A와 B 중 무엇이 나은가” — 포지셔닝 확인용

표본은 한 번 정하면 바꾸지 않는다. 프롬프트를 바꾸면 시계열이 끊기기 때문이다. 새 질문을 추가하고 싶으면 기존 표본은 유지한 채 별도 묶음으로 관리한다.

어떤 지표를 보나요?

도구를 쓸 때는 정의를 먼저 확인해야 한다. 예를 들어 Semrush의 Mentions는 “브랜드가 AI 응답에 포함된 프롬프트의 총 개수”로 정의된다 — 응답 수가 아니라 프롬프트 수 기준이다. 도구 A의 12%와 도구 B의 12%가 같은 것을 재고 있다는 보장이 없다. 지표 산식과 반복 횟수를 함께 관리하는 방법은 AI SoV 측정 프레임워크에서 정리한 계산 규칙을 그대로 쓰면 된다.

서치 콘솔에서는 무엇이 보이나요?

구글 서치 콘솔의 생성형 AI 성과 리포트는 노출수만 제공한다. 2026년 6월 3일 발표돼 8월 31일 전 세계 롤아웃이 완료됐고, 노출수를 페이지·국가·기기·날짜로 나눠 볼 수 있다. 여기서 노출수는 “구글 검색의 생성형 AI 기능에서 사이트 링크가 사용자에게 표시된 횟수”로 정의된다(Search Console 도움말). 클릭·CTR·평균 순위·질의(프롬프트)는 제공되지 않는다. 이 데이터는 기존 전체 성과 보고서에도 계속 포함되며, 새로 생긴 것은 전용 뷰다.

정리하면 이 리포트는 “우리가 보이고 있는가”에는 답하지만 “그게 수익을 내는가”에는 답하지 않는다. 또 흔한 오해 하나를 짚어 두면, 이 리포트는 ChatGPT나 Gemini 앱의 결과를 담지 않는다. 구글 검색 안의 생성형 기능만 집계한다. 이 리포트가 무엇을 포함하고 무엇을 포함하지 않는지는 서치 콘솔 Gen AI 리포트를 따로 다룬 글의 구분을 참고하면 된다.

측정의 한계는 무엇인가요?

첫째, 같은 질문에 같은 답이 나오지 않는다. LLM 브랜드 응답 12,933개를 20개 브랜드·8개 언어·3개 모델에 걸쳐 분석한 연구는 분산을 반복·패러프레이즈·모델·언어 성분으로 분해하며 “같은 질문을 두 번 물으면 답이 움직인다”고 적는다(arXiv:2607.13304, 2026-07). 업계 관측으로는 3회 반복 실행에서 동일하게 인용된 출처가 2.2%뿐이고 주간 인용 변동이 56~74%에 달한다는 보고도 있다.

실무 대응은 단순하다. 단일 실행 결과를 성과로 보고하지 않는다. 같은 프롬프트를 최소 3회 이상 반복하고 평균과 변동 폭을 함께 기록한다. 보고서에는 “AI SoV 18%”가 아니라 “2026년 8월, 한국어 프롬프트 40개, ChatGPT·Gemini·Perplexity·AI 개요 기준, 비브랜드 벤더 평가 프롬프트에서 3회 반복 평균 18%(변동 12~24%)”처럼 조건을 붙여 적는다.

둘째, 위치와 계정 상태에 따라 결과가 달라진다. 이건 벤더의 변명이 아니라 플랫폼 공식 문서에서 도출되는 사실이다. OpenAI는 IP 기반 대략 위치를 검색 제공자와 공유해 프롬프트를 지역 질의로 재작성한다고 밝혔고, 구글의 Grounding with Google Search는 위경도 좌표로 검색 결과를 지역 커스터마이즈할 수 있다고 문서화했다. 측정 환경(국가·언어·로그인 여부)을 고정하지 않으면 시계열이 의미를 잃는다.

셋째, 클릭과의 연결이 약해지고 있다. Pew Research Center가 미국 성인 900명의 2025년 3월 브라우징을 추적해 구글 질의 68,879건(그중 AI 요약 유발 12,593건)을 분석한 결과, AI 요약을 본 검색에서 웹사이트 링크 클릭률은 8%로, AI 요약이 없던 검색의 15%의 절반 수준이었다. AI 요약 내부 링크 클릭은 전체 방문의 1%였고, AI 요약이 있는 페이지 방문 후 세션을 완전히 끝내는 비율은 26%(없을 때 16%)였다(Pew Research Center, 2025-07).

한편 구글은 공식 문서에서 “AI 개요가 있는 결과 페이지에서 사이트로 들어온 클릭은 더 높은 품질”이고 “사람들이 더 다양한 웹사이트를 방문하고 있다”고 주장하면서 수치와 방법론을 공개하지 않았다. 두 진술은 서로 다른 것을 재고 있다. 정확한 정리는 이렇다 — 클릭의 양이 줄었다는 측정치는 공개돼 있고, 질이 좋아졌다는 주장은 근거가 공개돼 있지 않다. 그래서 GEO의 KPI를 세션 수 단일 지표로 잡으면 성과가 왜곡된다.

한국 시장은 무엇이 다른가요?

가장 큰 차이는 네이버가 AI 브리핑의 출처 대부분을 자사 UGC에서 가져오고, 동시에 자사 UGC를 외부 AI 봇으로부터 차단하고 있다는 점이다. 이 두 사실이 겹치면서 한국 기업은 “네이버 표면”과 “글로벌 AI 표면”을 분리해 설계해야 하는 상황에 놓였다.

네이버 AI 브리핑은 어떤 구조인가요?

네이버는 2025년 3월 24일 AI 브리핑 도입을 발표했고(네이버 보도자료), 보도 기준 3월 27일부터 통합검색에 적용됐다. 별도 가입 없이 검색창에서 누구나 이용할 수 있고, 통합검색 외에 네이버플러스 스토어 앱의 AI 쇼핑 가이드, 플레이스, 숏텐츠에 우선 적용됐다. 2025년 5월 공식 스토리에서 네이버는 AI 브리핑이 자체 LLM 하이퍼클로바X 기반이며 “요약과 출처를 함께 제시하고 후속 질문을 제공한다”고 밝혔다.

2026년에는 AI탭이 네이버플러스 멤버십 사용자 대상 베타로 나왔다. 플레이스 정보·방문자 리뷰·블로그 후기를 종합해 답변하고 예약·구매까지 연결하는 구조다. 즉 한국의 AI 표면은 요약형(AI 브리핑)과 실행형(AI탭) 두 갈래로 나뉘고 있다.

인용의 70%가 네이버 UGC라는 건 무슨 뜻인가요?

2026년 5월 미디어 라운드테이블에서 네이버 이일구 콘텐츠서비스 부문장은 “AI 브리핑이나 네이버 AI 검색 결과에서 이용자들에게 가장 좋은 결과를 만들어내기 위해 사용한 콘텐츠 비중을 보면 네이버 UGC 비중이 70%에 이른다”고 밝혔다(비즈워치, 2026-06-01). 여기서 UGC는 블로그·카페·지식iN·프리미엄콘텐츠를 가리킨다.

해석에 주의가 필요하다. 이 70%는 “AI 브리핑이 인용한 전체 소스 중 네이버 UGC의 비중”이지 “외부 웹사이트는 인용되지 않는다”는 뜻이 아니다. 외부 사이트 인용은 존재하되 자리 경쟁이 훨씬 좁다는 의미로만 읽어야 한다. 동시에 “자사 홈페이지 SEO만 잘하면 네이버 AI 브리핑에도 뜬다”는 전제 역시 이 데이터 앞에서는 성립하기 어렵다.

네이버 메이트는 무엇인가요?

네이버는 2026년 6월 창작자-AI 펠로우십 ‘네이버 메이트’를 시작했다. 공식 보도자료 기준으로 블로그·카페·지식iN·프리미엄콘텐츠 창작자를 대상으로 연간 약 200억 원 규모의 활동지원금과 공식 앰블럼을 제공하며, 2026년 한 해 베타 운영 후 클립 크리에이터까지 확대할 계획이다.

선정 기준은 정확히 인용할 필요가 있다. 네이버 공식 문구는 “AI 브리핑 인용 수, 주제별 전문성, 활동성 등을 기준으로 매달 약 3천 명의 창작자를 조명하는 AI 펠로우십 프로그램”이다(네이버 보도자료, 2026-07-15). 인용 수 단일 기준이 아니다. 지원 규모는 기본 활동비 월 30만 원, 상위 10개 분야별 우수 창작자 월 300만 원, 각 분야 최상위 창작자 월 1,000만 원이 추가된다(복수 언론 2026-06-04 일치).

규모 감각을 위해 하나만 덧붙이면, 메이트 창작자 3,000명이 생산한 콘텐츠는 2026년 4월 한 달 동안 AI 브리핑에서 약 3억 5,582만 건 인용된 것으로 보도됐다(서울경제, 2026-06-18). 이는 AI 브리핑 전체 인용 건수가 아니라 메이트 3,000명분이라는 점에 주의해야 한다.

인과를 과장하지 말 것 — 네이버는 2026년 8월 발표에서 창작자 수익(애드포스트·브랜드커넥트 + 메이트 지원금 합산)이 AI 브리핑 도입 전인 2025년 2월 대비 약 2배 늘었다고 밝혔지만, 구체 금액은 비공개이며 “원문 블로그로 유입되는 경우가 많았을 것이라는 게 네이버 판단”이라는 추정 표현을 썼다. 합산액에 연 200억 원 규모의 지원금이 포함돼 있어 순수 트래픽 효과와 분리되지 않는다. “AI 브리핑이 블로그 트래픽을 늘려 준다”고 단정하면 발표 내용을 넘어선다.

네이버 블로그에 쓰면 ChatGPT에도 인용되나요?

아니다. 네이버는 블로그·카페 등 핵심 서비스에서 외부 AI 봇을 차단하고 있다. 2025년 7월 보도에 따르면 네이버는 블로그·카페 등에서 오픈AI·퍼플렉시티·구글의 AI 봇 크롤링을 차단하고, 오픈 API를 활용한 정책 준수 수집만 허용하는 방침을 밝혔다. 2026년 7~8월 국내 주요 플랫폼 15개의 robots.txt를 전수조사한 보도에서도 네이버 블로그·카페·스마트스토어, 카카오맵은 학습봇과 AI 검색봇을 모두 이름 단위로 지정 차단한 “전면 차단 진영”으로 분류됐다. 일부는 RAG 목적 접근 금지를 한국어로 명시해 뒀다고 한다(한국데이터경제신문, 2026-09).

반대 사례도 있다. 같은 조사에서 브런치는 학습봇만 차단하고 OAI-SearchBot·Claude-SearchBot·PerplexityBot은 일반 검색엔진과 동급으로 허용했다. 즉 국내 플랫폼이라도 정책이 제각각이므로, 콘텐츠를 어디에 두느냐가 곧 어느 AI 표면에 노출되느냐를 결정한다.

실무 결론은 명확하다. 네이버 블로그·카페 운영은 네이버 검색과 AI 브리핑을 위한 활동으로 분류하고, ChatGPT·Perplexity·Claude 노출을 원한다면 자사 도메인의 웹사이트에 원본을 두는 것이 전제다. 같은 콘텐츠를 양쪽에 배치하되, 정본은 자사 사이트에 두고 네이버에는 요약·재구성본을 올리는 구성이 현재 조건에서 합리적이다.

네이버 서치어드바이저는 무엇을 해 주나요?

네이버 검색 노출의 기본은 서치어드바이저 등록이다. 사이트를 추가하면 소유 확인 여부와 무관하게 검색로봇(Yeti)이 방문·수집하며, 소유 확인 후 사이트맵 또는 RSS를 제출하거나 신디케이션을 연동하면 수집이 더 효율적으로 이뤄진다. Open Graph 제목·설명은 공유 시 우선 활용되므로 설정이 권장된다. 네이버는 2023년부터 IndexNow도 지원한다.

다만 한 가지는 분명히 해 둘 필요가 있다. 서치어드바이저에 “AI 브리핑 노출·인용” 리포트가 존재한다는 공개 근거는 확인되지 않는다. 네이버는 AI 브리핑 인용 수를 집계해 메이트 선정에 활용하고 있지만, 그 지표가 사이트 운영자용 리포트로 공개됐다는 자료는 없다. 즉 한국에서 AI 브리핑 성과를 보는 공식 계기판은 현재로서는 없고, 프롬프트 표본을 직접 돌려 관측하는 수밖에 없다.

점유율 숫자는 왜 자료마다 다른가요?

집계 방식이 다르기 때문이다. 2026년 상반기 자료끼리도 “구글 46%·네이버 43%”(한국데이터경제신문, 2026-04-30)와 “네이버 약 70%”(2026-04-22 보도)가 정면으로 어긋난다. 페이지뷰 기반 추정, 사이트 유입 기반, 설문 기반이 각각 다른 숫자를 낸다. StatCounter처럼 널리 인용되는 집계도 페이지뷰 기반 추정이라 국내 실사용과 괴리가 있다.

그래서 보고서에 점유율을 쓸 때는 집계기관과 기준을 반드시 함께 적고, 단일 숫자로 결론 내지 않는 것이 원칙이다. 전략 판단에 필요한 정보는 소수점이 아니라 방향성이다 — 두 엔진 모두 무시할 수 없는 규모이고, 각각 다른 콘텐츠 자산을 요구한다는 것.

그래서 한국 기업의 우선순위는?

1. 자사 도메인 정비가 먼저다. 네이버·구글·글로벌 AI 모두의 공통 기반이다.
2. 구글·글로벌 AI는 자사 사이트 콘텐츠로 공략한다. 답 먼저 쓰기, 근거 명시, 최신성 관리.
3. 네이버는 별도 자산이 필요하다. 블로그·카페·지식iN 축이 AI 브리핑 인용 경로다.
4. 측정은 두 축을 분리한다. 서치 콘솔 생성형 AI 리포트(구글)와 프롬프트 표본 관측(네이버·글로벌 AI)을 각각 돌린다.

90일 안에 무엇부터 하면 되나요?

1~2주 진단, 3~6주 기반·엔티티, 7~10주 콘텐츠, 11~13주 확산·측정 순서로 진행한다. 아래 표의 “확인 방법” 열은 각 항목이 끝났는지 판정하는 기준이다. 판정 기준이 없는 작업 항목은 진행률이 보고되지 않는다.

이 로드맵은 13주 안에 인용이 발생한다는 약속이 아니다. AI 개요 인용까지 걸리는 기간에 대해 표본과 시점이 명시된 공개 사례연구를 확인하지 못했다. 업계에서 “2~4주면 인용이 시작된다”는 말이 돌지만 근거를 제시한 자료를 찾지 못했다. 90일은 “측정 가능한 상태를 만들고 1차 변화를 관측하는” 기간으로 보는 편이 현실적이다. 참고로 네이버 색인만 놓고 봐도 웹마스터도구 등록 후 검색 반영까지 최소 2~4주가 걸린다는 안내가 여러 플랫폼 헬프센터에 나와 있다.

GEO에 대한 흔한 오해 7가지는 무엇인가요?

① “AI로 쓴 글은 구글이 무조건 벌준다”

근거: 구글은 2023년 2월 공식 블로그에서 “우리는 콘텐츠가 어떻게 생산되었는지보다 콘텐츠의 품질에 초점을 맞춘다”고 밝혔다. 같은 글에서 10년 전 ‘대량 생산된 사람 작성 콘텐츠’ 논란을 예로 들며, 모든 사람 작성 콘텐츠를 금지하는 것이 합리적이지 않았듯 AI라는 수단 자체를 금지하지 않는다고 설명했다. 실제: 제작 도구가 아니라 결과물의 품질과 독창성이 기준이다.

② “그러니까 AI로 대량 생산해도 괜찮다”

근거: 구글 스팸 정책의 scaled content abuse 정의는 “사용자를 돕기 위해서가 아니라 주로 검색 순위를 조작할 목적으로 많은 페이지를 생성하는 것 — 어떻게 만들었는지와 무관하게”이다. 예시로 “생성형 AI 등 도구로 사용자에게 가치를 더하지 않는 다수 페이지 생성”, 스크래핑 후 동의어 치환·번역, 여러 페이지 콘텐츠의 가치 없는 이어붙이기(stitching)가 명시돼 있다. 실제: ①과 ②는 같은 정책의 양면이다. 도구는 자유롭고 의도와 결과물은 심사된다.

③ “권위 매체 서브디렉터리를 빌리면 안전한 지름길이다”

근거: 구글은 2024년 11월 site reputation abuse 정책을 명확화하면서 제1자 퍼블리셔가 관여·감독했더라도 위반이라고 밝혔다. 정책 최초 발표는 2024년 3월, 집행 시작은 2024년 5월 초였고, 명확화 직후 대형 퍼블리셔의 서브디렉터리들이 수동 조치로 색인에서 빠지거나 순위가 급락한 사례가 업계에서 다수 관측됐다. 실제: 기생 SEO형 전술은 명시적 위반 구간이며, 호스트 매체도 함께 피해를 입는다.

④ “llms.txt를 두면 AI가 읽어 간다”

근거: 구글 공식 문서는 “구글 검색 자체가 그것들을 쓰지 않는다”고 적었고, SE Ranking(약 30만 도메인)은 AI 인용과의 상관관계가 없다고 결론지었으며, Trakkr 분석은 p=0.81로 유의하지 않았다. Ahrefs 서버 로그 분석에서는 2026년 5월 기준 llms.txt 파일의 97%가 요청 0건이었다. 실제: 검색 가시성 목적이라면 우선순위가 낮다. 코딩 에이전트 대응 등 다른 목적이 있다면 만들어도 무방하다는 것이 구글의 입장이다.

⑤ “Google-Extended를 막으면 AI 개요에서 빠진다”

근거: 구글 문서는 Google-Extended가 Gemini Apps·Vertex AI 생성형 API 참여를 관리하는 토큰이며 “구글 검색 포함 여부에 영향을 주지 않고 랭킹 신호로도 쓰이지 않는다”고 명시한다. 실제: AI 개요·AI 모드는 Googlebot이 만든 일반 검색 색인을 쓴다. 빠지려면 nosnippet 계열 제어나 서치 콘솔의 생성형 AI 차단 토글을 써야 하고, 스니펫 제어는 일반 검색 스니펫까지 없애는 대가를 치른다.

⑥ “FAQ 스키마를 넣으면 AI 답변에 뜬다”

근거: 구글은 2026년 5월 FAQ 리치 결과를 완전히 지원 종료하며 “FAQ 리치 결과는 더 이상 구글 검색에 나타나지 않는다”고 고지했고, 같은 해 가이드에서 “구조화 데이터 집착”을 무시해도 되는 전술로 분류했다. 실제: FAQ 스키마가 AI 답변 노출을 만든다는 근거는 없다. 다만 질문과 짧은 답이 1:1로 붙은 본문 구조는 하위 질의 매칭에 유리하다 — 가치는 마크업이 아니라 문서 구조에 있다.

⑦ “AI 답변에 틀린 정보가 뜨면 신고해서 바로 고칠 수 있다”

근거: 플랫폼별 정정 절차가 표준화돼 있다는 공개 문서를 확인하지 못했다. 확인 가능한 정황은 오히려 AI 개요를 둘러싼 분쟁이 소송으로 가고 있다는 쪽이다(2025년 Chegg, 같은 해 Penske Media의 제소). 실제: 신속 정정 창구가 정비돼 있다고 가정하고 대응 계획을 세우면 안 된다. 오정보 대응의 현실적 경로는 신고가 아니라, 정확한 정보를 담은 1차 문서를 다수 채널에 정합적으로 배치해 모델이 참조할 근거 자체를 바꾸는 것이다.

GEO의 위험과 비용은 무엇인가요?

가장 큰 비용은 작업비가 아니라 잘못된 전술로 잃는 기존 자산이다. 순위와 색인은 쌓는 데 수개월이 걸리지만 정책 위반으로 잃는 데는 하루면 충분하다.

정책 위반의 비용

scaled content abuse와 site reputation abuse는 둘 다 알고리즘적 강등과 수동 조치 양쪽으로 집행된다. 수동 조치는 서치 콘솔에 통지되고 재심사 요청이 필요하지만, 알고리즘적 강등은 통지 없이 진행되므로 원인을 특정하기 어렵다. 회복 기간에 대해 구글이 공개한 기준은 없고, 업계 가이드들은 수개월이 걸릴 수 있다고 적는다. 이 비대칭 때문에 “조금 회색인” 전술의 기대값은 대부분 마이너스다.

오정보와 평판 리스크

AI 답변이 브랜드에 대해 사실과 다른 정보를 말하는 상황은 이미 흔하다. 앞에서 정리했듯 신속한 공식 정정 창구가 있다고 가정할 근거는 없다. 그래서 대응은 사후 신고가 아니라 사전 배치여야 한다. 회사 소개·서비스 범위·요금 정책·연혁처럼 오해가 잦은 항목을 자사 사이트의 단일 문서에 명확히 적고, 외부 프로필과 표기를 일치시키고, 정기적으로 브랜드 확인형 프롬프트를 돌려 변화를 관측하는 방식이다.

기간에 대한 현실적 기대

GEO에는 공개된 표준 소요 기간이 없다. 이 글을 쓰기 위해 검토한 자료 중에서, 특정 작업 이후 AI 인용이 발생하기까지의 기간을 표본과 함께 제시한 공개 연구는 없었다. 확인 가능한 것은 색인 단계의 대략적 소요(국내 플랫폼 안내 기준 2~4주)뿐이다.

따라서 “3개월 안에 AI 인용 몇 건”을 보장하는 제안은 근거 없는 약속으로 보는 편이 안전하다. 대신 이렇게 물어야 한다 — 기준선을 어떻게 측정했는가, 같은 프롬프트를 몇 회 반복했는가, 변동 폭은 어떻게 보고하는가, 측정 환경(국가·언어·로그인 상태)을 어떻게 고정했는가. 이 네 질문에 답하지 못하는 성과 보고는 숫자가 아무리 좋아도 검증이 불가능하다. 대행사 선정 단계에서 무엇을 문서로 받아야 하는지는 AEO 대행사 산출물·비용 판단 가이드의 체크리스트가 그대로 쓰인다.

비용 구조는 어떻게 잡나요?

GEO 예산은 일반적으로 네 덩어리로 나뉜다. ① 진단·기반 정비(일회성, 개발 리소스 포함), ② 콘텐츠 제작·리라이팅(지속), ③ 오프사이트·PR(지속), ④ 측정 도구와 운영(지속). 이 중 ①은 대개 착수 시점에 몰리고, ②③은 월 단위로 발생하며, ④는 도구 구독료와 사람 시간이 섞인다.

예산 배분에서 자주 발생하는 실수는 ④를 빼먹는 것이다. 측정 없이 진행하면 3개월 뒤 “효과가 있었는가”에 답할 수 없고, 다음 분기 예산을 방어할 근거도 없다. 측정은 성과 관리 비용이 아니라 예산 유지 비용이다.

자주 묻는 질문

참고 자료

아래는 본문 서술의 바탕이 된 공개 자료입니다.

• arXiv / ACM SIGKDD 2024 — GEO: Generative Engine Optimization
• Google Search Central — Google’s Guide to Optimizing for Generative AI Features on Google Search
• Google Search Central — AI Features and Your Website
• Google Search Central Blog — Top ways to ensure your content performs well in Google’s AI experiences on Search
• Google Search Central Blog — Introducing Search Generative AI performance reports in Search Console
• Google Search Console Help — Generative AI performance report (Search)
• Google Search Central — Spam policies for Google web search
• Google Search Central Blog — Updating our site reputation abuse policy
• Google Search Central Blog — Google Search’s guidance about AI-generated content
• Google — AI Mode in Google Search: Updates from Google I/O 2025
• Google for Developers — Grounding with Google Search (Gemini API)
• OpenAI Help Center — Searching the web with ChatGPT
• OpenAI Help Center — ChatGPT search for Enterprise and Edu
• Perplexity — Perplexity Crawlers
• Search Engine Journal — Anthropic’s Claude bots make robots.txt decisions more granular
• Ahrefs — An Analysis of AI Overview Brand Visibility Factors (75K Brands Studied)
• Semrush — AI visibility is a topic-level game: A study of 50,000 brands in ChatGPT
• Pew Research Center — Google users are less likely to click on links when an AI summary appears in the results
• arXiv — Where Does the Noise Come From? A Variance-Components Decomposition of Non-Determinism in LLM Brand Answers
• SE Ranking — LLMs.txt adoption study (약 30만 도메인 조사)
• Trakkr — The llms.txt effect: does it influence AI citations?
• Seer Interactive — Study: AI Brand Visibility and Content Recency
• Search Engine Land — ChatGPT citations content study
• Search Engine Journal — Google AI Overview citations from top-ranking pages drop sharply
• BrightEdge — Rank overlap after 16 months of AI Overviews
• 5WPR / PR Newswire — Wikipedia and Reddit Now Drive Over 25% of ChatGPT Citations in the US (State of AI Citations 2026)
• Search Engine Journal — Google drops FAQ rich results from Search
• Search Engine Journal — Google says llms.txt comparable to keywords meta tag
• Semrush — How to measure AI share of voice using Semrush
• 네이버 (NAVER Corp.) — 네이버, 검색·숏텐츠·플레이스·쇼핑까지 각양각색 ‘AI 브리핑’
• 네이버 (NAVER Corp.) — 네이버 검색의 진화된 AI 브리핑을 선보입니다
• 네이버 (NAVER Corp.) — AI와 창작자 간 시너지 찾는 새로운 실험… 창작자-AI 펠로우십 ‘네이버 메이트’ 시작
• 네이버 (NAVER Corp.) — AI가 주목한 분야별 대표 ‘스페셜 네이버 메이트’ 첫 발표
• 비즈워치 — [챗ICT] 네이버가 블로그·카페에 1조 베팅한 이유
• 서울경제 — AI 브리핑 인용 月 3.5억건
• 전자신문 — 네이버, 블로그·카페 등 핵심서비스서 오픈AI·퍼플렉시티·구글 AI봇 차단
• 한국데이터경제신문 — 국내 주요 플랫폼 15개 robots.txt 전수조사: GPTBot 차단율 22%
• 한국데이터경제신문 — 구글 46%·네이버 43%
• Wikipedia — Generative engine optimization
• Semrush — ChatGPT definitely uses Google
• Google Search Central — 구조화된 데이터 일반 가이드라인
• Google Search Central Blog — Discussion and profile markup 지원 안내