LLM은 ‘가장 좋은 웹페이지’를 찾은 뒤 인용하는 방식으로 작동하지 않습니다. 먼저 질문과 의미적으로 가까운 문단을 여러 개 찾고, 그중 답변에 가져다 쓰기 가장 적합한 문단을 선택합니다. 따라서 인용 여부를 좌우하는 것은 글 전체의 완성도보다 특정 문단이 깔끔하게 추출되고, 그 자체로 질문에 답할 수 있는지인 경우가 많습니다. 무엇을 최적화해야 하는지 알려면 이 두 단계의 메커니즘을 모두 이해해야 합니다.
인용은 하나의 점수가 아니라 두 단계로 결정됩니다
현재 ChatGPT search, Perplexity, Gemini, Google AI Overviews 같은 생성형 엔진은 대부분 검색 증강 생성(RAG) 방식을 따릅니다. 사용자가 질문하면 엔진이 색인에서 수십 개의 후보 콘텐츠를 즉시 검색하거나 불러옵니다. 모델은 이를 읽고 답변으로 재구성한 뒤, 답변에 사용한 출처를 표시합니다. 콘텐츠가 인용되려면 먼저 ‘검색’ 단계에서 후보로 선택되고, 이어 ‘생성’ 단계에서 답변에 포함할 가치가 있다고 판단돼야 합니다.
두 단계가 보는 기준은 서로 다릅니다. GEO를 실행할 때 많은 사람이 막히는 지점도 여기입니다. 검색 단계는 문단의 의미적 관련성을 보고, 생성 단계는 그 문단이 질문에 바로 답하는지, 신뢰할 만한지, 다른 출처의 내용과 일치하는지를 평가합니다. 키워드만 많고 핵심을 맴도는 글은 검색 단계조차 통과하지 못할 수 있습니다. 검색되더라도 답이 여덟 번째 문단에 묻혀 있다면 생성 단계에서 건너뛰기 쉽습니다. 두 단계를 하나로 뭉뚱그리면 엉뚱한 곳을 최적화하게 됩니다.
검색 단계: 모델이 먼저 콘텐츠를 ‘찾을’ 수 있는가?
검색에는 벡터 비교가 활용됩니다. 엔진은 질문과 각 문단을 숫자 집합인 임베딩으로 변환한 뒤, 질문과 의미적 거리가 가장 가까운 문단을 계산합니다. 여기서 중요한 것은 ‘같은 단어가 있는가’가 아니라 ‘의미가 비슷한가’입니다. 페이지에 키워드를 억지로 채울 필요는 없습니다. 대신 각 문단이 하나의 개념을 명확하고 완결되게 설명해, 의미가 뚜렷하고 비교하기 쉬워야 합니다.
- 의미적 관련성: 문단은 주제를 두루 설명하기보다 특정 질문에 정면으로 답해야 합니다. 주제가 모호하면 벡터도 모호해져, 더 정확한 경쟁 문단에 밀리기 쉽습니다.
- 문단 분할(chunking): 엔진은 페이지 전체가 아니라 문단 단위로 콘텐츠를 추출합니다. 명확한 소제목, 짧은 문단, 문답 구조를 활용해 각 문단이 따로 잘려 나와도 독립적으로 의미가 통하게 만드세요.
- 색인 범위: 콘텐츠는 크롤링과 색인이 가능해야 합니다. JavaScript 때문에 차단된 텍스트, 로그인이 필요한 페이지에 숨겨진 텍스트, 이미지 안에 삽입된 텍스트는 모델이 아예 확인하지 못할 수 있습니다.
- 최신성: 시의성이 중요한 질문에서는 최근에 업데이트된 출처가 선호됩니다. 오랫동안 갱신되지 않은 페이지는 이런 유형의 검색에서 우선순위가 낮아질 수 있습니다.
생성 단계: 모델이 콘텐츠를 ‘인용해도 된다’고 판단하는가?
검색에 걸렸다고 끝은 아닙니다. 모델에 전달되는 후보 문단은 많지만, 실제로 인용되는 것은 그중 일부뿐입니다. 그렇다면 무엇을 기준으로 고를까요? 고객을 위해 다수의 AI 답변과 인용 출처를 조사한 결과, 꾸준히 선택되는 문단에는 몇 가지 특성이 거의 공통으로 나타났습니다. 질문의 위험도와 요구되는 정확성이 높을수록 이런 특성은 더욱 중요해집니다.
- 답을 앞에 배치: 결론, 정의, 수치는 문단의 첫 문장에 제시하세요. 모델은 세 문장을 읽고 다시 요약해야 하는 구성보다 그대로 가져다 쓸 수 있는 문장을 선호합니다.
- 여러 출처의 뒷받침: 동일한 주장이 신뢰도 높은 여러 출처에서 반복해 확인되면 모델은 이를 인용할 가능성이 커집니다. 한 웹사이트의 일방적인 주장보다 제3자가 검증한 내용에 훨씬 높은 비중을 둡니다.
- 신뢰 신호: 명확한 작성자와 출처, 발행일과 업데이트일, 외부 링크는 모델이 콘텐츠의 신뢰도를 판단하는 근거가 됩니다. 작성자와 날짜가 없는 콘텐츠는 낮게 평가될 수 있습니다.
- 일관성: 같은 콘텐츠 안에서 수치와 주장이 서로 모순되거나 널리 인정되는 사실과 명백히 충돌해서는 안 됩니다. 문제가 발견되면 모델은 해당 콘텐츠 대신 더 ‘안전한’ 출처를 선택합니다.
‘인용’과 ‘검색 순위’가 서로 다른 이유
전통적인 SEO는 검색 결과에서 페이지 전체의 순위를 높이는 데 초점을 둡니다. 반면 GEO는 페이지 안의 ‘특정 문단’이 추출될 확률을 높이는 작업입니다. 이 차이 때문에 직관과 다른 결과가 나타납니다. Google 검색 순위가 5위인 글이라도 두 번째 문단에서 빠르고 명확하게 답하면, 핵심이 중간에 묻힌 1위 페이지보다 AI에 더 자주 인용될 수 있습니다. 모델이 보는 것은 블루 링크 검색 결과의 순위가 아닙니다. 검색된 문단 중 무엇을 답변에 가져다 쓰기 가장 좋은지가 중요합니다.
검색 순위는 클릭을 두고 경쟁하고, 인용은 답변에 실제로 실릴 문장을 두고 경쟁합니다. 같은 콘텐츠 자산이라도 최적화 목표가 다릅니다.— Tenten GEO
실무에서 먼저 실행할 세 가지
메커니즘을 이해하면 최적화 방향은 오히려 선명해집니다. 사이트 전체를 다시 쓸 필요는 없습니다. 검색 유입이나 리드 확보, 파이프라인에 가장 중요한 질문 몇 개를 먼저 고른 뒤 관련 페이지에 집중하세요.
- 핵심 질문마다 독립적으로 성립하는 문단을 만드세요. 소제목에는 사용자가 실제로 물을 질문을 쓰고, 첫 문장에 답을 제시한 뒤 맥락을 덧붙입니다.
- 신뢰 신호를 추가하세요. 작성자, 발행일과 업데이트일, 정보 출처, 외부 링크를 명시해 생성형 엔진이 해당 콘텐츠를 선택할 근거를 제공합니다.
- 검색 유입만 보지 말고 인용을 추적하세요. 핵심 질문을 AI 엔진에 정기적으로 묻고, 어떤 출처를 인용하는지와 자사 브랜드를 언급하는지 기록합니다. Brand Radar 같은 브랜드 노출 추적 도구가 바로 이 역할을 합니다. 이 데이터가 없으면 자사 콘텐츠가 AI 답변에서 빠지고 있다는 사실조차 알기 어렵습니다.
인용은 알 수 없는 영역이 아닙니다. 검색될 수 있는가, 빠르게 답하는가, 여러 출처의 뒷받침이 있는가, 신뢰할 수 있는가라는 신호로 나눠 최적화할 수 있습니다. 많은 B2B 웹사이트는 콘텐츠 자체가 부족한 것이 아닙니다. 문단을 나누고 질문에 답하는 방식이 사람에게도, 기계에도 적합하지 않은 경우가 많습니다. 콘텐츠가 두 단계 중 어디에서 막히는지 알고 싶다면 30분 GEO 진단을 예약하세요. 실제로 중요하게 보는 질문 몇 개를 기준으로 현재 AI가 누구를 인용하는지 확인해 드립니다.
