순위 경쟁에서 인용 점유로 바뀌는 최적화 기준

기존 검색엔진 최적화(SEO)가 검색 결과 페이지 상단 노출과 클릭 획득을 목표로 했다면, 생성형 엔진 최적화(GEO)는 AI 모델이 작성하는 답변 문장 속에 출처로 인용되는 것을 핵심 지표로 삼습니다. 더 제로 넷(The Zero Net)이 분석한 바에 따르면, 2023년 말 발표된 학술 연구를 기점으로 생성형 엔진 대상 최적화 논의가 본격화되었으며, 통계 수치나 출처 표기, 직접 인용을 명시하는 방식이 AI 답변 채택 가능성에 영향을 미치는 것으로 나타났습니다. 이는 구체적 수치와 출처 표기, AI 검색 인용률 최대 40% 끌어올려 기사에서 다룬 초기 연구 결과와도 맞물립니다.

'페이지'가 아닌 '문단' 단위로 쪼개지는 질의 매칭

AI 어시스턴트는 사용자의 복합 질문을 그대로 검색하기보다 여러 하위 질문으로 분해하는 '쿼리 팬아웃(query fan-out)' 방식을 거칩니다. 예를 들어 특정 제품 추천 질문이 들어오면 가격대, 배터리 성능, 사용 목적 등으로 세분화한 뒤 각 항목에 대응하는 문단을 개별적으로 검색하고 벡터로 임베딩하여 비교합니다.

이에 따라 최적화의 기본 단위 역시 전체 웹페이지에서 독립적인 답을 담은 문단으로 이동하고 있습니다. 수천 자 분량의 문서라 하더라도 특정 문단에서 하나의 질문에 명확하고 완결된 답을 제공하는 구조가 인용 경쟁에서 유리하게 작용합니다. 명확한 소제목 구성과 평이한 서술, 사실에 근거한 구체적인 데이터가 문단 단위 매칭 확률을 높이는 요인으로 꼽힙니다.

측정해 보면 어디까지 나타나는가

쿼리 팬아웃이 실제로 인용을 얼마나 지배하는지는 측정된 사례가 있다. 인트릭스가 6개 업종 72개 질의를 사전등록 설계로 관측한 결과, 사용자가 실제로 던진 질문을 그대로 구글에 넣었을 때 상위 20 안에 AI가 인용한 도메인이 하나도 없는 경우가 절반이었다(쌍 145개, 덮는 비율 중앙값 0.0%, 2026-08-16·19 실측).

같은 관측에서 AI가 스스로 만든 재작성 질의 1,106개 중 69.2%는 원 질의에 없던 고유명사를 포함했다. 기관명이 48.1%, 업체형 명사가 38.2%였다. 사용자가 말하지 않은 이름을 AI가 먼저 만들어 검색한다는 뜻이다.

다만 재작성 질의의 검색 결과가 인용을 얼마나 덮는지는 그대로 비교하기 어렵다. 재작성은 여러 질의의 합집합이라 후보 풀이 원 질의보다 약 2.9배 크고, 그 기계적 차이가 값에 섞이기 때문이다. 풀 크기를 맞춘 비교는 이 회차 설계에 없었다.

그럼에도 원 질의 쪽 중앙 0%는 단일 값이라 이 교란과 무관하다. 최적화 대상을 "사람이 검색창에 치는 말"로 잡는 접근이 이 표본에서는 절반의 경우 빗나갔다는 관측이다. 이 결과는 상업적 업체 추천 맥락의 GPT 단독 관측이므로 다른 질문 유형이나 모델로 확장하려면 별도 측정이 필요하다.

기술적 식별 체계와 크롤러 분리 관리

기술적 측면에서는 AI 검색 엔진의 수집 경로를 분리해 대응해야 한다는 점이 지목됩니다. AI 서비스 기업들은 모델 학습용 크롤러(GPTBot, ClaudeBot 등)와 실시간 검색 및 인용을 수행하는 리트리벌 크롤러(OAI-SearchBot, Claude-SearchBot, PerplexityBot 등)를 분리해 운영하고 있습니다. 과거 학습용 봇을 차단했던 설정이 실시간 검색 봇까지 막고 있는 경우 AI 인용 대상에서 제외될 수 있습니다.

한편 사이트 구조를 AI에 설명하기 위한 llms.txt 파일 도입 사례도 나타나고 있으나, 플랫폼마다 해석 기준은 다릅니다. 구글은 2026년 5월 공개한 가이드라인을 통해 자사 AI 기능 최적화 관점에서 llms.txt나 인위적인 콘텐츠 청킹이 필수가 아니라는 입장을 명시한 바 있습니다.

구글의 관점: 범용 데이터 대신 독창적 관점 요구

구글은 '구글 검색의 생성형 AI 기능을 위한 웹사이트 최적화' 가이드를 통해 생성형 AI 대응이 별도의 편법이 아닌 검색 경험 개선의 연장선, 즉 SEO의 영역이라고 규정했습니다. 특히 웹상에 흔히 존재하는 '범용(commodity)' 정보와 직접적인 경험 및 고유한 시각이 담긴 '비범용(non-commodity)' 정보를 구분하고, AI 모델이 이미 학습한 범용 정보보다는 독자적 가치가 있는 콘텐츠가 인용으로 이어진다고 설명했습니다. 이는 생성형 AI 시대, 콘텐츠 양산보다 '질과 구체성'이 핵심이라는 분석과도 일치합니다.

AI 검색을 통한 유입은 기존 오가닉 검색 대비 절대적인 방문자 수는 적더라도, 답변을 통해 사전 정보를 확인하고 유입되는 특성상 전환율 측면에서 뚜렷한 특징을 보이고 있습니다. 플랫폼별로 인덱싱 및 가중치 적용 방식이 닫힌 구조로 운영되는 만큼, 단기적인 조작보다는 구조적 명확성과 데이터 신뢰도를 확보하는 체계적인 접근이 요구됩니다.

현장 관측은 그 방향과 어긋나기도 한다

구글의 설명과 달리, 실제로 AI가 많이 읽는 페이지가 독창성으로 설명되지 않는 경우도 관측된다. 인트릭스가 업체 추천 질의 640콜의 참조 경로를 추적했을 때 가장 많이 읽힌 비-구글 페이지 한 편은 뉴스 매체를 표방한 콘텐츠 팜의 글이었다. 360콜에서 읽혔고, 세 가지 문형 전부에서 첫 검색 단계에 잡혔다(2026-08-18 실측).

그 페이지를 열어보면 우연이 아니었다. JSON-LD 8종, 질문형 소제목 4개, FAQ와 ItemList 구조화 데이터, 첫 문장에 결론을 두는 구성이 모두 갖춰져 있었다. 반면 구글 색인은 얕았다. 자사가 같은 시기에 발행한 목록 글 8편에는 이 중 어느 것도 없었다.

주의할 점이 둘 있다. 첫째, 이 관측은 인과를 말하지 않는다. 구조화 설계 때문에 읽혔는지, 아니면 제목과 주소가 AI의 재작성 검색어와 겹쳐서인지 관측만으로는 가릴 수 없다. 둘째, 이 사례에서 배울 것은 위장이 아니라 구조다. 해당 페이지는 작성 주체를 밝히지 않고 중립 매체처럼 보이게 만든 글이며, 그 방식 자체는 신뢰를 깎는다.

정리하면 구글이 제시한 방향(독자적 관점)과 현장에서 관측되는 것(정밀한 구조화)이 서로 다른 층위에서 작동하고 있다. 어느 쪽이 인용을 만드는지는 개입 실험으로만 가릴 수 있고, 아직 그 실험은 공개된 바 없다.

이 사이트가 보는 지점

GEO는 단순히 키워드를 배치하는 SEO의 변형이 아니라, AI가 질문을 하위 질의로 쪼개어 문단 단위 벡터 매칭을 수행하는 '구조적 파싱'에 대응하는 작업입니다. 구글이 명시했듯 일반적인 범용 정보는 모델 내부 지식으로 흡수되므로, 인용을 확보하기 위해서는 독자적인 데이터와 문단 완결성이 측정 가능한 핵심 신호로 작용합니다. 다만 플랫폼마다 지원하는 크롤러와 텍스트 파일(llms.txt 등)의 반영 기준이 상이하므로 단일 공식으로 수렴하기보다는 플랫폼별 인용 분화 구조를 파악하는 것이 우선되어야 합니다.