AI 검색 측정, '단순 언급' 넘어 프레이밍·추천 분리해야

기존 검색 엔진 최적화(SEO) 지표인 검색 순위와 트래픽이 유지되더라도 AI 검색 환경에서는 실제 잠재 고객 유입이 줄어들 수 있다는 분석이 나왔습니다. 서치엔진저널(Search Engine Journal)에 게재된 웹프로스(WebPros) 스폰서 기고문에 따르면, 검색 목록과 달리 AI 답변은 모델이 정보를 요약하고 비교한 뒤 최종 결론을 내놓는 구조여서 단순 노출 순위와 다른 측정 기준이 필요합니다.

단순 언급 빈도는 '공허한 수치'… 인용과 추천 구분해야

기고문은 AI 검색 답변을 평가할 때 브랜드 언급 빈도(Mention frequency)만 집계하는 방식은 실질적인 성과를 보여주지 못하는 허수 지표가 될 위험이 있다고 지적했습니다. AI 모델이 카테고리를 설명하기 위해 특정 웹사이트를 인용하면서도 실제 해결책으로는 경쟁사를 추천할 수 있기 때문입니다.

이는 앞서 치앙라이타임스 "AI 인용·브랜드 언급·유입 분리해 측정해야" 보도에서 언급된 것처럼, AI 답변 내 단순 브랜드 등장과 출처 인용, 실제 유입을 별개로 취급해야 한다는 분석과 맞닿아 있습니다. 기고문은 이를 체계적으로 측정하기 위해 세 가지 단계를 제시했습니다.

• 1단계 포함(Inclusion): AI 답변에 브랜드 이름이나 웹사이트 출처가 포함되는지 여부입니다. 전체 모니터링 질의 중 브랜드가 등장한 비율을 집계합니다.
• 2단계 프레이밍(Framing): AI가 브랜드를 설명할 때 기능과 포지셔닝을 사실에 맞게 서술하는지 확인합니다. 오래된 문서나 웹상에 흩어진 정보로 인해 엔터프라이즈 솔루션이 단순 소규모 도구로 잘못 설명되는 오류를 점검합니다.
• 3단계 추천(Endorsement): 실제 구매나 도입을 결정하는 질문에서 해당 브랜드가 경쟁사 대비 직접적인 대안으로 추천되는지 측정합니다.

질문 세트 통제 없는 측정 비교는 무의미

기고문은 AI 답변이 고정된 검색 결과와 달라 동일한 질문이라도 시점이나 언어, 모델에 따라 결과가 바뀔 수 있다고 짚었습니다. 이에 따라 AI 검색 가시성을 비교할 때는 질문 목록, 시장, 언어, 플랫폼, 측정 일자, 반복 횟수를 고정하고 전체 모니터링 대상 질문 수(분모)를 함께 표기해야 한다고 설명했습니다. 예를 들어 20개 질문 중 8회 등장한 것과 100개 질문 중 8회 등장한 것은 전혀 다른 수치입니다.

또한 AI 추천과 비즈니스 성과를 연결할 때 성급한 인과관계 단정을 피해야 한다고 덧붙였습니다. 브랜드 검색량 증가는 PR이나 유료 광고, 계절적 요인의 영향을 함께 받기 때문입니다.

외부 조사 패널 데이터의 한계와 시사점

기고문은 AI 추천 이후 행동을 보여주는 참고 자료로 시밀러웹(Similarweb) 조사를 인용했습니다. 2025년 7월부터 12월까지 미국 데스크톱 패널(선택적 참여자)을 대상으로 소비재 브랜드를 조사한 결과, 챗GPT에서 추천을 받은 브랜드는 7일 이내 웹사이트 방문율이 상대적으로 높게 집계됐습니다. 아메리칸 익스프레스가 추천된 답변을 본 사용자의 7.2%가 해당 웹사이트를 방문한 반면, 캐피탈원은 3.1%에 그쳤습니다. 반대로 캐피탈원이 추천된 경우에는 14.2%가 캐피탈원을, 3.8%가 아메리칸 익스프레스를 방문했습니다. 다만 이 조사는 미국 데스크톱 패널과 특정 B2C 브랜드 대상이므로 B2B나 중소 규모 기업에 그대로 적용하기는 어렵습니다.

아울러 웹 분석 도구 개발사 아레프스(Ahrefs)의 자체 옵트인 웹 분석 패널에 따르면 2026년 9월 기준 참여 사이트 유입 트래픽 중 AI 어시스턴트가 차지한 비중은 1% 미만이었습니다. 기고문은 이 수치가 패널 참여 사이트가 받은 유입 비율을 뜻할 뿐, 전체 AI 도구 사용자의 외부 링크 클릭 성향 전체를 대변하는 것은 아니라고 명시했습니다.

이 사이트가 보는 지점

단순히 '몇 번 인용되었는가'를 세는 방식은 모델이 우리를 어떤 수식어로 규정하고 누구와 대조하는지 놓치기 쉽습니다. AI 엔진이 사실 요약자와 추천자의 역할을 동시에 수행하면서, 웹사이트가 통제할 수 있는 영역은 '출처 포함'에서 '설명 문구의 최신성 유지'로 좁혀지고 있습니다. 인용 횟수가 늘어도 추천 비율이 떨어지는 현상을 진단하려면 질문 세트를 고정한 반복 측정이 전제되어야 합니다.