AI 엔진은 인용 여부를 결정하기 전에 “이 페이지에 해당 키워드가 있는가?”가 아니라 “이 브랜드는 이 주제에서 신뢰할 만한 엔티티인가?”를 먼저 묻습니다. 이것이 키워드 중심 사고와 엔티티 중심 사고를 가르는 지점입니다. 전자가 문자열을 최적화한다면, 후자는 기계가 이해하는 지식 체계 안에서 브랜드의 정체성을 관리합니다. ChatGPT, Perplexity, Google AI Overviews가 답변을 생성할 때 선택하는 것은 키워드를 가장 많이 채운 페이지가 아니라, 이미 알고 있고 신뢰하는 출처입니다.
키워드 일치만으로 평가받는 시대는 끝났습니다
전통적인 SEO는 문자열 일치를 전제로 합니다. 사용자가 검색하는 단어가 페이지에도 있어야 한다는 접근입니다. 키워드 밀도와 제목, H1도 모두 같은 단어 묶음을 중심으로 설계합니다. 하지만 생성형 엔진의 내부 작동 방식은 전혀 다릅니다. LLM은 텍스트를 벡터로 변환하고 의미적 거리를 기준으로 관련성을 판단합니다. 따라서 “GEO Audit”과 “AI Visibility Detection”이 같은 주제를 다룬다는 사실도, Perplexity와 Claude, AI Overviews가 같은 개념군에 속한다는 점도 이해합니다. 페이지 전체에 “토픽 권위”라는 네 글자를 반복해도 얻는 이점은 거의 없습니다. AI가 읽는 것은 단어의 빈도가 아니라 개념과 관계이기 때문입니다.
더 중요한 층위는 신뢰입니다. 같은 질문에도 모델이 참고할 수 있는 후보 출처는 수천 개에 이르지만, 무엇을 믿을지는 수 밀리초 안에 결정해야 합니다. 이때 가중치를 좌우하는 것은 네트워크 전반에서 확인되는 엔티티의 일관성과 권위입니다. 누가 브랜드를 언급했는지, 어떤 개념과 함께 등장했는지, 앞뒤의 설명이 서로 모순되지는 않는지를 종합해 판단합니다. 개별 글의 완성도가 아무리 높아도 그 뒤에 명확히 식별되는 엔티티가 없다면, 기계가 해당 주장을 사실로 인용할 이유도 약해집니다.
엔티티란 정확히 무엇인가?
엔티티는 지식 그래프 안에서 명확한 정체성을 지닌 노드입니다. 기업과 사람, 제품, 개념이 모두 엔티티가 될 수 있습니다. 엔티티는 키워드와 다릅니다. “GEO audit”은 얼마든지 다른 표현으로 바꿀 수 있는 문자열입니다. 반면 “타이베이에 있으며 B2B를 전문으로 하는 GEO 에이전시”는 고정된 정체성과 속성, 다른 엔티티와의 관계를 지닌 하나의 엔티티입니다. Google의 지식 그래프와 Wikidata, 여러 LLM의 매개변수에 내재된 지식도 키워드가 아닌 엔티티를 중심으로 세계를 구성합니다.
기계가 엔티티를 이해하려면 세 가지 질문에 답할 수 있어야 합니다. 무엇인지, 어떤 속성이 있는지, 어떤 엔티티와 연결되는지입니다. 여러 출처에서 이 세 가지 정보가 서로 일치할수록 엔티티의 윤곽은 선명해지고, AI도 더 확신을 갖고 인용할 수 있습니다. 반대로 명칭이 일정하지 않고 설명이 충돌하며 권위 있는 출처의 뒷받침도 없는 모호한 엔티티는 모델이 건너뛸 가능성이 큽니다.
- 키워드는 검색어 문자열이고, 엔티티는 지식 그래프에서 고유한 정체성을 지닌 노드입니다.
- 키워드는 문자열 일치로 찾지만, 엔티티는 속성과 관계를 통해 이해합니다.
- 키워드는 무한히 바꿔 쓸 수 있지만, 엔티티는 여러 출처에서 일관된 명칭을 사용해야 합니다.
- 키워드 최적화는 개별 페이지의 순위를 높이는 데 초점을 두지만, 엔티티는 브랜드 전체의 신뢰도를 축적합니다.
토픽 권위: 하나의 순위가 아니라 전체 개념 영역을 선점하는 전략
토픽 권위(Topical Authority)란 일부 검색량 높은 키워드만 공략하는 것이 아니라, 특정 주제에서 독자와 기계가 중요하게 여길 전체 개념 영역을 콘텐츠로 포괄하는 것을 뜻합니다. GEO를 예로 들면, 토픽 권위를 갖춘 브랜드는 “GEO란 무엇인가”라는 글 하나에 머물지 않습니다. GEO audit, AEO, 엔티티 최적화, schema, AI 가시성 추적, 엔진별 크롤링 로직까지 관련 개념 전체를 명확히 설명하고 서로 연결합니다. 기계는 이를 충분한 밀도를 갖춘 개념 네트워크로 인식하고, 해당 출처가 이 주제에서 전문성을 갖췄다고 판단합니다.
서로 흩어진 글만으로 GEO 성과를 쌓기 어려운 이유도 여기에 있습니다. 주제가 제각각인 글 10개는 기계의 눈에 고립된 점 10개로 보입니다. 반면 같은 주제를 중심으로 작성되고, 서로 연결되며, 동일한 엔티티 명칭을 공유하는 글 10개는 하나의 네트워크가 됩니다. 이 네트워크에는 중심과 경계, 내부 관계가 있으며, 모델은 그 구조를 따라 브랜드에 대한 종합적인 판단을 형성합니다. 권위는 글 한 편으로 얻기 어렵습니다. 전체 콘텐츠 체계가 함께 쌓아 올리는 자산입니다.
엔티티 신뢰를 구축하는 콘텐츠 네트워크: 4가지 핵심 수단
토픽 권위를 실제로 구축하려면 바로 실행할 수 있는 영역이 4가지 있습니다. 단순한 마케팅 구호가 아니라, 기계가 직접 읽고 비교할 수 있는 신호입니다.
- 토픽 맵: 먼저 해당 주제의 전체 개념 목록을 작성합니다. 하나의 필러 페이지와 여기서 확장되는 여러 콘텐츠 페이지를 구성하고, 눈에 띄는 공백이 없는지 확인한 뒤 작성 순서를 정합니다. 빠진 영역은 기계가 콘텐츠의 완성도가 부족하다고 판단하는 근거가 됩니다.
- 내부 링크와 일관된 명칭: 같은 엔티티에는 사이트 전체에서 동일한 이름과 정의를 사용합니다. 이어서 관련 개념을 내부 링크로 연결하면, 기계가 링크를 따라가며 주제 구조를 이해할 수 있습니다.
- 엔티티 동시 출현: 브랜드가 해당 분야의 권위 있는 개념과 도구, 표준과 같은 맥락에서 함께 등장하도록 설계합니다. 무작위 링크로 연관성이 흐려지지 않도록 정확한 연결 관계를 꾸준히 축적해야 합니다.
- 구조화 데이터: schema를 활용해 “우리는 누구이며 무엇과 관련되어 있는가”를 기계가 읽을 수 있는 형식으로 명시합니다. 기계가 추측하게 두지 마십시오.
스키마와 외부 정보의 일관성으로 기계의 인식을 선명하게 만드십시오
사이트 내부를 잘 정비했다면 외부 정보도 함께 관리해야 합니다. 엔티티 신뢰도의 상당 부분은 여러 출처에 걸친 정보의 일관성에서 나오기 때문입니다. 구체적으로는 Organization schema로 이름과 로고, 위치를 표시하고, sameAs를 이용해 공식 웹사이트와 Wikidata, LinkedIn, 업계 디렉터리처럼 권위 있는 노드를 하나의 엔티티로 연결합니다. 글 단위에서는 about과 mentions로 해당 글이 어떤 엔티티를 다루는지 명확히 표시합니다. 동시에 외부 플랫폼에서도 브랜드명과 소개, 포지셔닝이 일관되도록 관리해야 합니다. 출처마다 이름이 다르면 기계가 하나의 브랜드를 서로 다른 두 개의 모호한 엔티티로 나눠 인식할 수 있고, 그만큼 신뢰도도 분산됩니다.
기계는 최신 글 하나만 읽는 것이 아니라, 지금까지 브랜드에 관해 확인한 모든 신호를 통합합니다. 정보가 서로 모순될 때마다 신뢰 점수는 낮아집니다.
효과는 어떻게 확인할 수 있을까?
전통적인 순위 도구만으로는 이 변화를 확인하기 어렵습니다. 이제 물어야 할 것은 “누가 몇 위인가?”가 아니라 “사용자가 실제로 묻는 질문에 AI가 우리 브랜드를 언급했는가, 어떤 맥락에서 누구와 함께 언급했는가?”입니다. 이를 확인하려면 여러 엔진의 답변에서 브랜드 노출과 등장 맥락을 지속적으로 추적해야 합니다. Tenten의 Brand Radar는 바로 이 작업을 수행해 추상적인 AI 신뢰를 매주 확인할 수 있는 지표로 전환합니다. AI가 브랜드 엔티티를 얼마나 명확하게 인식하는지, 토픽 네트워크에서 어떤 부분이 비어 있는지 알고 싶다면 30분 GEO 진단을 예약할 수 있습니다. 실제 브랜드를 기준으로 분석을 실행하고 보완해야 할 공백을 짚어드립니다.
