AI 엔진은 질문에 답하기 전에 수많은 문서에서 가장 관련성 높은 문단을 찾고, 그 내용을 근거로 답변을 작성합니다. 이처럼 ‘먼저 찾고, 그다음 쓰는’ 방식이 RAG입니다. 내 콘텐츠가 인용될지를 결정하는 핵심 과정이기도 합니다. 아무리 잘 쓴 페이지라도 검색 단계에서 선택되지 않으면 답변을 생성하는 모델은 그 내용을 볼 수 없습니다.
RAG란? 생성 전에 검색하는 방식
RAG는 Retrieval-Augmented Generation의 약자로, 한국어로는 ‘검색 증강 생성’이라고 합니다. Retrieval은 외부 데이터에서 관련 문단을 찾는 검색을, Generation은 검색된 문단을 바탕으로 언어 모델이 답변을 만드는 생성을 뜻합니다. 가운데의 Augmented는 두 과정의 관계를 보여 줍니다. 언어 모델이 학습 과정에서 기억한 지식에만 의존하면 정보가 오래됐거나 사실이 아닌 내용을 만들어 낼 수 있습니다. RAG는 답변을 생성하기 전에 최신성과 검증 가능성을 갖춘 정보를 제공해 모델이 근거 있는 답을 내놓도록 합니다.
Perplexity, ChatGPT의 검색 모드, Google AI Overviews와 대부분의 기업용 사내 지식 Q&A에는 이러한 프로세스가 적용됩니다. 사용자에게 답변하기 전에 내부적으로 검색을 한 차례 수행하는 셈입니다. RAG 환경에서 콘텐츠가 인용되려면 먼저 검색되어야 하며, 콘텐츠 자체의 품질은 그다음 문제입니다.
RAG의 3단계: 청킹, 벡터화, 검색
RAG가 특정 콘텐츠를 우선 선택하는 이유를 알려면 페이지를 처리하는 방식부터 이해해야 합니다. 전체 과정은 크게 3단계로 나뉩니다.
- 청킹(Chunking): 시스템은 글 전체를 한꺼번에 처리하지 않고, 보통 수백 단어 단위의 작은 구간으로 나눕니다. 어디에서 나누느냐에 따라 문단의 의미가 온전히 유지될 수도, 끊길 수도 있습니다. 문맥이 조각난 문단은 좋은 검색 결과로 선택되기 어렵습니다.
- 벡터화(Embedding): 각 청크를 의미를 나타내는 숫자열, 즉 벡터로 변환합니다. 의미가 비슷한 콘텐츠일수록 벡터 공간에서도 서로 가까운 위치에 놓입니다.
- 검색(Retrieval): 사용자의 질문도 벡터로 변환합니다. 시스템은 질문 벡터와 가장 가까운 청크를 비교해 상위 몇 개를 골라 모델에 전달합니다.
핵심은 세 번째 단계에서 선택되는 ‘상위 몇 개’입니다. 모델은 웹사이트 전체를 읽지 않고 검색 순위가 높은 일부 청크만 전달받습니다. 내 콘텐츠가 그 안에 들지 못하면 모델의 관점에서는 존재하지 않는 것과 같습니다. 전통적인 SEO가 검색 결과 첫 페이지를 두고 경쟁했다면, RAG에서는 경쟁 단위가 페이지 전체에서 개별 문단으로 좁아집니다.
RAG는 AI가 인용할 대상을 어떻게 결정할까?
RAG 검색은 정확히 일치하는 키워드나 도메인 권위에만 의존하지 않고 의미의 유사성을 비교합니다. 콘텐츠 실무자에게는 중요한 차이입니다. 한 문단 안에서 질문과 답이 명확하고, 별도 문맥 없이도 이해되며, 주제가 한곳에 집중돼 있다면 규모가 작은 웹사이트의 콘텐츠도 상위 결과에 들 수 있습니다. 반대로 핵심을 장황하게 늘어놓거나 앞의 세 문단을 읽어야 뜻을 알 수 있는 글은 벡터의 의미가 모호해져 검색에 불리합니다.
고객사의 GEO를 진단하다 보면 같은 브랜드가 같은 주제로 작성한 글인데도 하나는 AI에 자주 인용되고 다른 하나는 거의 언급되지 않는 경우가 많습니다. 차이는 대개 도메인 권위가 아니라 구조에서 생깁니다. 인용되는 글은 각 문단만 따로 읽어도 의미가 통합니다. 문단 앞부분에 질문이 드러나고 답도 같은 문단 안에 있습니다. 인용되지 않는 글은 긴 도입부 뒤에 핵심을 숨기거나 답을 글 전체에 흩어 놓습니다. 이런 글을 청킹하면 각 조각의 정보가 불완전해지므로 RAG가 선택하기 어렵습니다.
검색될 수 있는 콘텐츠는 어떻게 써야 할까?
검색 단위가 문단이라면 각 문단이 독립적으로 이해되도록 써야 합니다. 다음 기준으로 점검해 보십시오.
- 한 문단에서는 하나의 주제만 다루고, 결론이나 정의를 첫머리에 명확히 제시합니다. 앞 문단을 읽어야 답을 이해할 수 있게 쓰지 않습니다.
- 독자가 실제로 검색하거나 질문할 법한 표현을 제목에 사용합니다. 제목 자체를 질문에 가깝게 만들면 질문 벡터와의 유사성을 높일 수 있습니다.
- 용어가 처음 등장할 때 그 자리에서 뜻을 설명합니다. 검색 시스템이 다른 문단에 있는 설명까지 함께 본다고 가정해서는 안 됩니다.
- 구체적인 수치, 단계, 조건은 가능하면 같은 문단에 담습니다. 해당 문단만으로도 완결된 답이 되어야 합니다.
- 문단을 넘나드는 대명사와 지시어는 피합니다. 앞 문단에서 정의한 내용을 다음 문단에서 ‘이 방식’이라고만 쓰면, 청킹된 뒤에는 무엇을 가리키는지 알 수 없습니다.
그렇다고 글 전체를 문답 모음처럼 만들 필요는 없습니다. 달라진 것은 콘텐츠가 소비되는 방식입니다. 과거에는 독자가 처음부터 끝까지 읽었지만, 이제는 AI가 한 문단만 추출해 답변에 활용합니다. 작성한 문단 하나를 떼어 답변으로 제시해도 의미가 통하는지 확인하십시오. 독립적으로 성립하는 문단이라야 인용될 가능성이 생깁니다.
RAG와 전통적인 SEO의 차이
전통적인 SEO는 검색 결과에서 페이지 전체의 순위를 높이고, 사용자가 사이트를 방문해 직접 답을 찾도록 최적화합니다. RAG는 페이지의 특정 구간이 검색돼 AI 답변의 일부로 바로 쓰일 수 있는지를 다룹니다. 사용자가 웹사이트를 클릭하지 않을 수도 있습니다. 두 방식은 충돌하지 않습니다. 기술 SEO를 제대로 적용해야 페이지가 크롤링되고 색인돼 검색 대상에 들어갈 수 있습니다. 여기에 문단 단위로 콘텐츠가 깔끔하게 추출되는 구조가 더해져야 합니다. GEO(Generative Engine Optimization)와 전통적인 SEO의 역할은 이 지점에서 나뉩니다.
RAG 환경에서는 다른 웹사이트와 단순히 검색 순위를 다투는 것이 아닙니다. 모델의 검색 범위에 들기 위해 다른 모든 콘텐츠 청크와 경쟁합니다.
지금 콘텐츠의 검색 가능성을 점검하세요
RAG의 원리를 이해했다면 기존 콘텐츠를 문단 단위로 점검해야 합니다. 어떤 문단이 독립적으로 의미가 통하는지, 어디에 핵심이 숨겨져 있는지, 특정 주제에 대해 바로 인용할 만한 답이 아예 없는지를 확인하십시오. 모든 문단을 눈으로 하나씩 검토하면 시간이 오래 걸리고 빠뜨리기도 쉽습니다. AI 엔진의 관점에서 내 콘텐츠에 어떤 검색 공백이 있는지 알고 싶다면 30분 GEO 진단을 예약해 보십시오. 실제 검색 시나리오를 함께 살펴보고 우선 수정해야 할 문단을 짚어 드립니다.
