Pipeline로 환산한 결과

과제

선정 단계 질문에서 완전히 실종

구매자가 ChatGPT에 「중견기업에 적합한 HR 시스템 추천」을 물으면, 답변 목록에는 경쟁사만 있었습니다. 감사 출발선의 사실은 냉혹했습니다. 솔루션 선정 관련 핵심 질문에서 브랜드 인용률은 0에 수렴했죠 — 제품력은 있는데, AI가 읽지도 못하고 아직 신뢰하지도 않았습니다.

방법

감사 → 콘텐츠 엔진 → 지식 그래프

콘텐츠부터 쓰지 않았습니다. 먼저 공백을 수치화하고, Pipeline 영향력 순으로 공략 순서를 정했습니다.

• 30일 GEO 감사: 6대 엔진의 인용 공백을 짚고, 경쟁사가 인용되는 구조적 이유를 분해
• GEO 콘텐츠 엔진: 「HR 시스템 선정」 시나리오에 맞춰 인용될 수 있는 콘텐츠를 재구축 — 정의 단락, 비교표, 자체 데이터
• 지식 그래프 구축: 엔티티와 구조화 데이터로 AI 엔진이 브랜드를 「HR 시스템」 카테고리에 단단히 묶도록 설계

결과

월 40건 이상 인바운드 Demo 증가

6개월 만에 AI 엔진 인용 횟수가 312% 늘었고, 「HR 시스템 추천」류 질문에서 ChatGPT와 Perplexity의 상시 답변으로 자리 잡았습니다. Demo 신청서의 유입 경로 항목에 「ChatGPT가 추천해 줬어요」가 등장하기 시작했죠 — Pipeline을 처음으로 AI 검색에 직접 귀속할 수 있게 된 순간입니다.

「Demo 신청서 유입 경로 칸에, 처음으로 『ChatGPT가 추천해 줬어요』가 떴습니다.」

과제

경쟁사가 비교형 질문을 독점

「A vs B」「최고의 마케팅 자동화 도구」 같은 고구매의향 질문에서 AI의 답변은 두 경쟁사가 거의 싹쓸이하고 있었습니다. 시작 시점 답변 점유율은 고작 11% — 구매자가 결정을 내리는 바로 그 순간, 브랜드는 아예 대화에 없었던 셈이죠.

방법

320개 질문 락온 + 3주 리라이트 루프

비교형 질문은 한 개씩 뺏고 빼앗기는 진지전입니다. 우리는 고정된 리듬으로 모든 진지를 하나씩 되찾았습니다.

• 고구매의향 질문 320개를 락온하고, 검색량이 아니라 Pipeline 영향력 순으로 정렬
• 매주 인용 추적으로 질문별 점유율 변화를 수치화, 공백은 자동으로 리라이트 대기열에 진입
• 3주 리라이트 루프: 진단 → 리라이트 → 검증, 콘텐츠가 인용될 때까지 반복

결과

SQL 비용 절반으로 하락

6개월 만에 답변 점유율이 11%에서 58%로 올랐고, 고의향 질문의 주요 추천 자리를 하나씩 되찾았습니다. AI 유입 구매자는 도착할 때 이미 조사를 절반 이상 끝낸 상태라, SQL 비용이 절반으로 떨어졌죠 — 같은 마케팅 예산으로 두 배의 적격 파이프라인을 얻은 셈입니다.

「처음으로 CEO에게 보고할 리포트가 생겼습니다: 이 SQL들은 AI 검색이 데려온 거라고요.」

과제

트래픽 불안

기존 자연 유입이 분기마다 줄어들자, 팀의 첫 본능은 「트래픽을 다시 채우자」였습니다. 그런데 감사가 보여준 진짜 문제는 양이 아니었습니다 — 브랜드가 AI의 쇼핑 추천 대화에 아예 등장하지 않는다는 것이었죠.

인사이트

AI 추천 트래픽은 작지만, 신뢰는 이미 쌓여 있다

구매자가 AI에게 상품 추천을 요청하면 받는 건 파란 링크 열 개가 아니라, 이미 걸러지고 비교까지 끝난 짧은 후보 목록입니다. 이 목록에 들어간 브랜드는 「친구 추천」에 가까운 신뢰를 얻죠 — 그래서 우리는 최적화 무게중심을 「클릭 되찾기」에서 「추천 자리 차지하기」로 옮겼습니다.

결과

양보다 질, 새로운 GEO 트래픽관

90일 집계 기간 동안 AI 엔진 유입 방문자 규모는 Organic의 일부에 불과했지만, 전환율은 4.7배였습니다. 이 사례는 팀이 트래픽을 보는 방식을 바꿔 놓았죠. 줄어드는 클릭을 쫓기보다, AI 답변 속 추천 자리를 차지하는 편이 낫습니다 — 도착하는 방문자 한 명 한 명, 신뢰가 이미 쌓여 있으니까요.

「AI가 데려온 고객은 『너희 누구야』를 묻지 않습니다. 바로 『어떻게 주문해요』를 묻죠.」