Brand Radar를 한 문장으로 설명하면 이렇습니다. AI 엔진을 매번 다른 답을 내놓는 대상으로 보고, 같은 질문을 반복해 브랜드가 언급되고 출처로 인용되는 비율을 집계하는 방식입니다. 키워드 순위나 웹사이트 트래픽을 확인하는 도구가 아닙니다. 잠재 고객이 AI에 적합한 업체를 물었을 때 우리 브랜드가 얼마나 자주, 얼마나 신뢰도 있게 등장하는지를 측정합니다. 이 과정의 성패를 가르는 것은 배후 기술보다 샘플 설계입니다.
먼저 Brand Radar가 무엇을 측정하는지부터 짚어보겠습니다.
전통적인 SEO 도구는 Google 검색 결과에서 특정 URL이 몇 위인지 알려줍니다. 반면 AI 엔진에는 고정된 순위가 없습니다. ChatGPT에 “대만에서 B2B SaaS를 지원하는 GEO 에이전시는 어디인가요?”라고 물으면 오늘은 3곳, 내일은 5곳을 제시할 수 있고 순서도 달라집니다. 따라서 AI 가시성은 하나의 순위가 아니라 ‘같은 질문을 여러 번 했을 때 답변에 포함될 확률’로 봐야 합니다. Brand Radar는 이를 언급률, 인용률, 평균 노출 위치, 논조, 경쟁 브랜드 대비 점유율처럼 정량화할 수 있는 지표로 나눕니다.
1단계: 구매자의 실제 질문을 프롬프트 세트로 전환하기
프롬프트를 수집할 때 가장 흔한 실수는 브랜드가 노출되길 원하는 키워드부터 나열하는 것입니다. 구매자는 “GEO 감사 서비스”라고 검색하기보다 “AI 검색에서 우리 회사가 전혀 언급되지 않는데 누구에게 맡겨야 하나요?” 또는 “ChatGPT가 우리 제품을 추천하는지 어떻게 알 수 있나요?”라고 묻습니다. 프롬프트 목록은 세 가지 출처에서 만듭니다. 고객이 실제로 기업에 문의한 내용, 고객 및 영업 대화에서 나온 원문 표현, 여러 AI 엔진이 제안하는 후속 질문과 조언입니다. 안정적인 비율을 얻을 만큼 충분한 규모는 필요하지만, 많을수록 좋은 것은 아닙니다. 지나치게 늘리면 실제 비즈니스 과제가 희석됩니다. 리드 창출형 B2B 사업이라면 인지, 비교, 의사결정 단계를 아우르는 핵심 프롬프트 40~120개로도 대체로 충분합니다. 중요한 것은 모든 프롬프트에 실제 도입 검토 상황이 반영돼 있어야 한다는 점입니다.
2단계: 왜 같은 질문을 반복해야 할까?
AI 엔진의 답변에는 변동성이 있습니다. 같은 모델에 같은 질문을 10번 입력해도 8가지 표현이 나오거나 제시 순서가 달라질 수 있습니다. 한 번의 결과는 관찰값일 뿐, 신호라고 보기 어렵습니다. Brand Radar는 각 프롬프트를 엔진별로 반복 실행해 통계적 분포를 구합니다. 10회 중 7회 브랜드가 언급됐다면 언급률은 70%입니다. 판단에 사용할 수 있는 것은 이런 비율입니다. 또한 ChatGPT, Perplexity, Gemini, Google AI Overviews는 선호하는 출처가 크게 다르므로 여러 엔진을 교차해 샘플링해야 합니다. 같은 브랜드라도 엔진에 따라 가시성이 현저히 달라질 수 있습니다.
3단계: 답변을 수집하고 ‘언급’과 ‘인용’ 구분하기
샘플링으로 수집한 답변은 두 가지 관점에서 따로 판독해야 합니다. 첫째는 언급입니다. 답변 본문에 회사명, 제품명 또는 핵심 인물의 이름이 등장하는지를 확인합니다. 둘째는 인용입니다. 답변의 출처 링크, 각주 또는 참고 자료 목록이 자사 웹사이트를 가리키는지를 봅니다. 두 개념은 자주 혼동되지만 의미는 전혀 다릅니다. 본문 언급은 모델이 브랜드를 알고 있다는 뜻이고, 출처 인용은 해당 답변을 만들 때 자사 콘텐츠가 근거로 쓰였다는 뜻입니다. 건강한 브랜드라면 두 지표가 모두 높아야 합니다. 언급은 많지만 인용이 적다면 과거에 쌓은 인지도에 의존하고 있으며, 근거 콘텐츠의 노출 범위는 부족할 가능성이 큽니다. 식별 과정에도 함정이 있습니다. 브랜드명을 잘못 판독하거나 동명의 다른 회사를 포함할 수 있고, 모델이 철자를 틀리거나 이름 일부만 제시하기도 합니다. 따라서 실제 자사 브랜드에 관한 언급과 이름만 비슷한 정보를 구분하는 명확한 판정 규칙이 필요합니다. 그렇지 않으면 이후 점수도 왜곡됩니다.
4단계: 가시성 점수는 어떻게 계산할까?
언급과 인용 데이터를 정제한 다음에는 이를 추적 가능한 점수로 환산합니다. 핵심은 단순 합산이 아니라 가중치를 적용하는 것입니다.
- 언급률: 전체 샘플 가운데 답변 본문에 브랜드가 등장한 비율입니다.
- 인용률: 출처가 제시된 답변 가운데 자사 웹사이트가 출처로 연결된 비율입니다. 콘텐츠가 근거 자료로 채택되는 정도를 보여줍니다.
- 노출 위치: 브랜드가 답변 앞부분에 제시되는지, 핵심 추천 문장에 포함되는지를 평가합니다.
- 논조: AI가 브랜드를 긍정적, 중립적 또는 부정적으로 설명하는지 평가합니다. 노출의 실질적인 가치에 직접 영향을 미칩니다.
- 점유율(Share of Voice): 같은 프롬프트 세트에서 주요 경쟁 브랜드와 비교해 AI가 어느 브랜드를 더 자주 선택하는지 확인합니다.
이 지표에는 프롬프트의 상업적 가치에 따라 가중치를 적용합니다. 일반적인 인지 단계의 질문보다 도입 검토와 구매 계획이 분명한 의사결정 단계의 질문에 더 높은 우선순위를 부여하는 방식입니다. 최종 결과는 커뮤니케이션하기 쉬운 하나의 가시성 점수로 요약할 수 있습니다. 하지만 실제 의사결정에는 세부 지표가 더 중요합니다. 각 지표가 서로 다른 개선 과제를 가리키기 때문입니다. 인용률이 낮다면 콘텐츠와 구조화된 근거를 보강해야 하고, 경쟁사가 자주 인용되는 주제에서는 점유율을 높일 콘텐츠가 필요합니다.
5단계: 한 번의 스냅샷을 추세로 전환하기
특정 시점의 점수는 현재 상태만 보여줄 뿐 원인과 효과까지 설명하지는 못합니다. 그래서 같은 프롬프트를 매주 정해진 주기에 맞춰 다시 실행하고, 점수를 시계열로 기록해야 합니다. 그래야 “지난달 비교 콘텐츠 3건을 추가했다”는 실행과 “2주 뒤부터 Perplexity 인용률이 상승하기 시작했다”는 결과를 연결할 수 있습니다. 추세는 위험 신호도 조기에 드러냅니다. 경쟁 브랜드의 점유율이 3회 연속 상승하며 자사 답변 영역을 잠식한다면, 웹사이트 검색 유입에 변화가 나타나기 전에 포착할 수 있습니다.
그렇다면 이 수치를 실무에서 어떻게 활용해야 할까요?
가시성 점수는 보고서에 넣기 위한 허영 지표가 아닙니다. 다음에 어떤 콘텐츠를 만들어야 하는지, 어느 AI 엔진의 노출 공백이 가장 큰지, 투입한 노력이 실제로 AI의 브랜드 언급 빈도를 높였는지 판단하는 데 목적이 있습니다.
Brand Radar의 작동 원리를 따라가 보면, 본질적으로는 답변이 계속 달라지는 AI 엔진이라는 동적 매트릭스에 반복 측정 모델을 적용한 방식임을 알 수 있습니다. 어려운 점은 데이터를 수집하는 데 있지 않습니다. 적절한 프롬프트를 고르고, 세부 데이터를 정제하고, 점수를 실행 가능한 과제로 다시 연결하는 일이 핵심입니다. 주요 AI 엔진에서 우리 브랜드가 어디에 등장하고 어떤 평가를 받는지, 노출 격차가 어디에서 생기는지 파악하기 어렵다면 30분 GEO 진단을 신청해 보세요. 실제 비즈니스 유형에 맞는 질문을 한 차례 실행해 이탈 지점과 우선 보완 과제를 정리해 드립니다.
