중국서 GEO 1.0~6.0 세대론 담은 백서 공개

쉽게 말하면

이 보고서는 AI가 기업 정보를 찾아서 추천하는 방식이 시간에 따라 어떻게 달라지는지 6단계로 나누어 설명합니다. 저자는 과거 세대의 방식으로 다음 세대 AI에 대응하면 기업이 보이지 않거나, 잘못 설명되거나, 선택되지 않는 '세대 불일치'가 생긴다고 주장합니다. 실험에서는 플랫폼별 인용 출처 구성, 읽은 웹페이지 목록과 본문 인용의 차이, 자사 브랜드명의 오독 비율을 측정했습니다. 이 연구는 AI에게 계속 선택받으려면 기업이 제공하는 사실 정보를 항상 최신으로 유지하고 쉽게 검증할 수 있게 관리해야 한다고 봅니다.

6단계로 구분한 GEO의 진화

2026년 10월 30일 유럽입자물리연구소(CERN)가 운영하는 개방형 학술 저장소 제노도(Zenodo)에 'GEO 세대별 진화 백서(2026): 색인에서 AI의 지속적 선택까지'라는 제목의 보고서가 등록됐습니다. 저자는 중국 치상방GEO연구원의 장웨이젠(张玮健)입니다. 제노도는 CERN이 운영하지만 심사 없이 누구나 자료를 올릴 수 있는 저장소입니다.

백서는 GEO 단계를 4가지 기준(AI 제품 형태, AI의 정보 수집 방식, 기업의 대응 행동, 결과 평가 방식)을 바탕으로 총 6세대로 구분했습니다. 백서가 정의한 세대는 다음과 같습니다.

• GEO 1.0: 색인되는 단계 (Being Indexed)
• GEO 2.0: 검색 및 인용되는 단계 (Being Retrieved and Cited)
• GEO 3.0: 콘텐츠 물량 중심 단계 (Content Volume)
• GEO 4.0: 엔티티 및 출처 거버넌스 단계 (Entity and Source Governance)
• GEO 5.0: 검증 및 재시험 가능 단계 (Verifiable and Re-testable)
• GEO 6.0: AI에게 지속적으로 선택받는 단계 (Being Continuously Selected by AI)

저자는 세대가 올라가도 이전 단계가 대체되는 것이 아니라 누적되며, 상위 세대로 갈수록 기업이 통과해야 할 문턱이 높아진다고 서술했습니다. 또한 AI의 발전 세대보다 과거의 방식을 적용하는 것을 '세대 불일치(Generational Mismatch)'로 규정하고, 이것이 기업이 AI 답변에서 보이지 않거나, 잘못 설명되거나, 선택되지 않는 주원인이라고 주장했습니다.

GEO 6.0의 핵심: 선택 자산과 선택 감가상각

보고서는 GEO 6.0 단계에 맞춰 '선택 자산(Selection Assets)'과 '선택 감가상각(Selection Depreciation)'이라는 개념을 제시합니다. 선택 자산은 AI가 이용자를 대신해 비교·추천·행동을 수행할 때 계속 선택받기 위해 기업이 보유해야 하는 검증 가능한 자산을 뜻합니다. 반면 선택 감가상각은 사실 관계의 변화나 출처 약화, 사용자 의도 변화에 따라 기존의 선택 지위를 점진적으로 잃는 현상을 말합니다.

이를 관리하기 위한 엔지니어링 모델로는 사실 최신성, 비교 준비도, 출처 합의도, 과업 처리력, 선택 모니터링의 5개 영역(20개 통제 항목)과 기간별 지표인 지속 선택률(CSR, Continuous Selection Rate)을 내세웠습니다.

자사 브랜드 대상 실험 파일 공개

백서의 실증 사례는 독립 연구가 아닌 치상방GEO연구원 자체 조사 결과입니다. 연구진은 2026년 10월 30일 딥시크(DeepSeek), 어니봇(ERNIE Bot·문심일언), 나노 AI(Nano AI) 세 곳에 자사 브랜드 질문을 5개씩 보내 총 15회 답변에서 인용 646건을 수집했으며, 중복 제거 후 559쪽을 분석했습니다. 키미(Kimi)는 이 자사 브랜드 실험이 아니라 질문 분화 분석에 포함됐습니다. 연구팀은 보고서 부록과 첨부 압축파일로 실험 재현 프로토콜을 함께 공개했습니다.

플랫폼별 인용 구성과 브랜드명 오독 실측

연구진은 같은 날 3개 플랫폼에 8개 질문(브랜드 5개·서비스 업체 선택 3개)을 보내 인용 871건을 수집했고, 같은 플랫폼의 같은 질문 안에서 URL 중복을 제거해 726쪽을 얻었습니다. 브랜드 질문의 중복 제거 웹페이지를 기준으로 인용 출처 구성은 플랫폼마다 크게 달랐습니다. 어니봇은 자체 미디어·콘텐츠 플랫폼이 36%, 나노 AI는 뉴스·업계 매체가 39%, 딥시크는 정부·기관이 17%였습니다.

딥시크에서는 '읽은 웹페이지' 목록과 답변 본문 인용의 구성도 달랐습니다. 서비스 업체 선택 질문에서 뉴스·업계 매체 비중은 본문 인용에서 61%, 목록에서 39%였습니다. 브랜드 질문에서 브랜드 자체 발표 콘텐츠는 목록에서 10%, 본문 인용에서 33%였습니다.

일반어와 글자가 비슷한 브랜드명은 글자 그대로 오독되기도 했습니다. '치상방 평판'이라는 짧은 질문의 인용 웹페이지 중 오독 페이지는 41%였고, 품목어 GEO를 붙인 질문에서는 0%였습니다. 이는 저자 자사 브랜드 한 곳을 대상으로 한 결과입니다.

이 사이트가 보는 지점

이번 백서는 AI 검색 대응을 단순한 인용 횟수 확보(2.0~3.0)에서 에이전트의 비교·행동 선택(6.0)과 주기적인 감가상각 관리 문제로 프레임을 넓혔습니다. 앞서 학술 저장소 제노도에 오른 628바이트 AEO 가이드 기사에서 다뤘듯 GEO 방법론을 오픈 저장소에 올리는 사례가 있으나, 이번 보고서의 실증 데이터 역시 자사 브랜드 단일 표본에 그쳤다는 한계가 있습니다. 측정 지표로 제안된 지속 선택률(CSR)이 실제 플랫폼별 편차(AI 모델마다 브랜드 추천 62% 불일치… 플랫폼별 분리 측정 필요)를 넘어 보편적인 평가 도구로 작동할 수 있는지는 아직 확인되지 않았습니다.