GEO 최적화와 AI SEO: 미신 없이 정리

ChatGPT, Gemini, Perplexity, AI Overview의 답변에 브랜드가 들어가는 길은 주로 두 가지이고, 두 길은 서로 겹치며, GEO 최적화는 이 둘에 대한 작업입니다.

1. 검색을 통한 길. 모델은 답변하는 동안 웹을 검색하고, 찾은 페이지의 일부를 인용합니다. 여기서 통하는 것은 SEO와 같습니다. 크롤러의 접근, 색인, 키워드와 그 변형에서의 노출, 페이지의 나머지 부분 없이도 질문에 답하는 문단입니다. 효과는 SEO처럼 몇 주 또는 몇 달 뒤에 보입니다.
2. 모델의 기억을 통한 길. 모델은 학습이 끝나기 전에 배운 내용으로 답하고, 이 기억은 웹을 검색할 때 어떤 브랜드를 언급하는지에도 영향을 줍니다. 여기서는 다른 사람들이 브랜드에 대해 쓴 내용과, 여러 출처에 걸친 일관된 브랜드 설명이 중요합니다. 기억이 바뀌는 속도는 측정하지 못했으므로, 한 분기 안에 어떤 결과도 약속하지 않습니다.

“GEO 요령” 대부분은 근거가 없고, 그중 일부는 제 데이터로 직접 검증했습니다. llms.txt 파일과 구조화 데이터가 인용을 늘린다는 근거는 없습니다. 제목을 더 많이 넣어도 제 테스트에서는 페이지가 상위 3위에 오르지 않았습니다. 하위 검색어에서의 순위가 핵심 키워드에서의 순위보다 인용을 더 잘 예측하는지 본 테스트는 아무것도 가리지 못했고, 처음 얻은 결론은 교차 검토에서 뒤집혔습니다. 각 문장의 근거는 아래에 있습니다.

GEO 최적화란 무엇이며 어떤 이름으로 불립니까?

GEO 최적화는 AI가 생성하는 답변, 즉 Google의 AI Overview와 AI 모드, ChatGPT, Gemini, Perplexity, Copilot의 답변에 브랜드가 나타나게 하는 작업입니다. 같은 작업에 이름이 여러 개 있고, 이름 사이의 차이는 주로 마케팅 용어의 차이입니다.

GEO라는 이름은 학술 논문에서 나왔고, 이 작업의 기반은 SEO와 같습니다. GEO는 2023년 11월의 학술 논문에서 유래했고 이 논문은 KDD 2024 학회에 채택되었습니다. 저자인 프라냘 아가르왈(Pranjal Aggarwal) 등은 자체 테스트 세트에서 콘텐츠를 바꾸면 생성형 답변에서 출처의 가시성이 최대 40%까지 높아질 수 있음을 보였습니다(arXiv). Google은 문서에서 생성형 검색을 위한 최적화도 여전히 SEO라고 씁니다(Google Search Central). Zyppy의 사이러스 셰퍼드(Cyrus Shepard)도 기업에 별도의 GEO 전략이 필요한지에 대해 비슷하게 답합니다.

사람들도 이 작업에 하나의 이름을 쓰지 않으며, 이는 Google 검색 결과에서 보입니다. “GEO 최적화는 어떤 이름으로 불립니까?”라는 질문은 폴란드의 검색 결과에서 “관련 질문” 섹션에 나타나고, 독일, 스페인, 핀란드의 결과에도 같은 뜻의 질문이 있으며, 영어 질문 “What is AI SEO called now?”는 미국, 스웨덴, 싱가포르의 결과에 나타납니다. GEO(또는 LLMO)와 SEO의 차이를 묻는 질문은 확인한 27개 시장 중 9곳에서, 브라질에서 일본까지 나타납니다.

우세한 이름은 시장마다 다릅니다. 일본에서는 이 주제의 월 약 16,730회 검색 중 72%가 LLMO이고, “llmo”라는 키워드만 월 약 12,100회 검색되어 미국의 “ai seo”(약 6,600회)보다 많습니다. 독일과 프랑스에서는 GEO가 우세하고(64%와 66%), 한국에서는 83%입니다. 폴란드에서는 월 약 2,265회 검색 중 58%가 AI SEO이며 여기에는 “ai seo”라는 키워드와 폴란드어 표현(“pozycjonowanie ai”, “pozycjonowanie w ai”)이 포함되고, GEO는 32%입니다. 미국에서는 AI SEO와 GEO가 팽팽해서 월 약 25,400회 검색 중 42%와 39%이고, 스페인에서는 동률(44%와 44%)입니다. 체코에서는 데이터에 어느 이름의 수요도 없습니다.

“ai seo”라는 키워드는 여러 뜻으로 쓰이므로 AI SEO의 비중은 상한선으로 봅니다. “ai seo”를 검색하면 Google은 GEO에 관한 글 외에 AI 도구와 AI로 SEO를 하는 방법에 관한 가이드도 보여 줍니다. 미국에서는 상위 10개 중 절반이 넘고, 덴마크에서는 8개 중 최소 6개입니다. 그래도 미국과 덴마크의 이 키워드에 대한 AI Overview는 AI SEO를 AI 답변을 위한 최적화로 설명하므로, Google은 이 키워드를 이 작업의 이름으로 취급합니다. 이 키워드 하나를 빼면 제 블로그의 26개 시장 중 25곳에서 GEO가 우세하고, 일본에서는 LLMO가 남습니다. 폴란드에서 뜻이 분명한 폴란드어 표현(“pozycjonowanie ai”, “pozycjonowanie w ai”)은 합쳐서 월 약 580회 검색되고, GEO는 약 725회입니다. AI SEO 도구에 대해서는 따로 글을 쓰겠습니다.

“aeo”라는 키워드 자체는 세지 않았습니다. 폴란드에서는 주로 통관 인증서를 뜻하고, 미국에서는 결과 일부가 의류 브랜드 American Eagle의 주가이기 때문입니다. 폴란드 Google에서 “aeo”의 첫 네 결과 중 세 개는 재무부 관련 페이지입니다. “answer engine optimization” 같은 전체 이름의 키워드는 “기타” 계열에 넣었습니다.

이 글의 각 언어 버전은 해당 시장 사람들이 검색하는 이름을 씁니다. 일본어판은 LLMO, 독일어판과 프랑스어판은 GEO, 폴란드어판은 “pozycjonowanie w AI”와 AI SEO를 다룹니다. 이 한국어판은 한국에서 월 약 1,850회 검색되는 이 주제의 83%를 차지하는 GEO를 기본 이름으로 쓰고, AI SEO(15%)를 함께 씁니다.

AI는 답변의 출처를 어떻게 고릅니까?

모델은 검색 또는 기억으로 답하고, 무엇을 바꿀 수 있는지는 여기에 달려 있습니다. 웹을 검색할 때 모델은 질문을 여러 개의 질의로 나누고, 결과를 가져와 그중 일부 문단을 고르고, 그 일부를 인용합니다. Google은 문서에서 이를 “query fan-out”이라고 부르며, 시스템이 하위 주제에 대한 관련 검색을 여러 출처에서 다수 보낸다고 설명합니다(Google Search Central). 모델이 검색하지 않을 때는 학습 중에 배운 내용으로 답하며, 그 경우 Google에서의 페이지 순위는 아무것도 바꾸지 못합니다.

두 길은 서로 겹칩니다. 모델의 기억은 웹을 검색한 답변에도 영향을 주기 때문입니다. Dejan의 댄 페트로비치(Dan Petrovic)는 답변 본문에서 브랜드를 언급하는 것은 무엇보다 모델이 이전에 아는 지식에 근거하며, 개별 페이지는 그것을 거의 움직이지 못한다고 씁니다(Dejan, 2026년 7월 7일). 그래서 두 길을 따로 측정하되 병행해서 작업합니다.

모델이 웹을 검색하는 빈도는 모델에 따라 다르며, 제 테스트에서는 94개 키워드 중 10개에서 94개까지였습니다. 제가 운영하는 프로젝트의 키워드 94개를 영어와 폴란드어로 API를 통해 2026년 10월 3일에서 4일로 넘어가는 밤에 한 번, 아침에 한 번 더 확인했습니다. SEO 전략 글에서는 같은 효과를 방법 질문 다섯 개로 설명했고, 여기서는 더 큰 세트에서 확인한 것입니다.

• 94개 중 93Gemini 2.5 Flash가 첫 번째 실행에서 검색을 사용한 횟수(두 번째 실행에서는 94 중 94).제 API 테스트, 2026년 10월 3-4일
• 94개 중 71Gemini 3.5 Flash가 검색한 횟수(두 번째 실행에서는 94 중 69).제 API 테스트, 2026년 10월 3-4일
• 84개 중 25Gemini 3.1 Pro가 검색한 횟수(호출 10건은 한도 오류로 끝났고, 두 번째 실행에서는 94 중 32).제 API 테스트, 2026년 10월 3-4일
• 94개 중 10Gemini 3.8 Flash가 검색한 횟수(두 번째 실행에서는 94 중 15). 나머지 키워드에서는 기억으로 답했습니다.제 API 테스트, 2026년 10월 3-4일

이 설정에서는 더 새로운 Gemini Flash 버전이 검색을 덜 했지만, Gemini 3.1 Pro는 이 패턴에 맞지 않습니다. Pro는 3.5 Flash보다 버전 번호가 오래되었는데도 검색을 더 적게 했습니다. 이것은 하나의 모델 계열과 하나의 API 설정이며 사용자가 보는 Gemini 앱이 아니므로, 이 수치는 규칙이 아니라 신호로 봅니다. 그래도 측정할 때마다 모델이 몇 개의 질문에서 검색하는지부터 확인해야 할 이유로는 충분합니다.

모델의 기억 속 새로운 폴란드 브랜드에 대한 정보는 구멍이 많았고, 일부 모델은 그 브랜드 설명을 지어냈습니다. 같은 프로젝트에서 제가 작업하는 브랜드에 대한 질문의 답변 약 500개를 별도의 모델이 블라인드로 평가했습니다. 이 세트의 새로운 폴란드 브랜드 중 하나는 확인한 모든 모델이 몰랐고, 그 브랜드에 대한 답변 12개 중 9개에서 설명이 지어낸 것이었습니다. 지어낸 답변의 비율은 모델에 따라 달랐고, 모든 브랜드에 대한 답변의 5%에서 77%였습니다. 답변은 판정 모델 하나가 평가했으므로 약 10퍼센트포인트 미만의 차이는 노이즈로 봅니다.

같은 도메인이 한 길에서는 보이고 다른 길에서는 보이지 않을 수 있습니다. 한 사이트는 Google의 AI 모드에서 13개 쌍 중 10개에서 인용되었지만, 검색 없이 나온 모델 답변에는 한 번도 나타나지 않았습니다(13개 중 0). 하나의 도메인과 13개 쌍이므로 규칙이 아니라 사례입니다.

더 큰 규모의 연구에서도 비슷한 현상이 보입니다. 댄 페트로비치는 모델 13개와 위키백과의 사실 2,150개를 다룬 Google Research의 연구를 소개합니다. Gemini 3 Pro와 GPT-5 같은 상위 모델은 이 지식의 95-98%를 가중치에 갖고 있지만 그중 26-34%는 떠올리지 못합니다(Dejan, 2026년 8월 17일). 이것은 브랜드 지식이 아니라 백과사전적 사실이지만, 브랜드에 주는 시사점은 비슷합니다. 정보가 학습 데이터에 있다고 해서 모델이 그것을 말한다는 보장은 없습니다.

검색을 통해 AI 답변에 들어가려면 어떻게 합니까?

검색을 통한 길에서는 SEO와 같은 것이 통하며, 차이는 하나입니다. Google은 AI Overview와 AI 모드에 들어가려면 페이지가 색인에 있고 텍스트 스니펫과 함께 검색 결과에 나타날 수 있어야 하며, 추가적인 기술 요건은 없다고 씁니다(Google Search Central). 차이는 모델이 한 번에 여러 질의를 던진다는 점이므로, 핵심 키워드 하나에서만 보이는 페이지는 그 변형에서도 보이는 페이지보다 인용될 기회가 적습니다. 또 ChatGPT에는 자체 검색 크롤러가 있으므로(아래에서 설명) Google에서의 노출이 그대로 옮겨 가지는 않습니다.

AI 크롤러의 접근

AI 검색 크롤러는 사이트 소유자가 모르는 사이에 차단되어 있을 수 있습니다. 방화벽이나 콘텐츠 전송 네트워크(CDN) 설정이 이를 차단하는 경우가 있고, 요청 횟수가 일정 기준을 넘은 뒤에야 차단하는 때도 많아서 한 번의 테스트로는 아무것도 확인되지 않습니다. 저는 Google, OpenAI, Perplexity, Anthropic의 크롤러 이름으로 연속된 요청을 보내고, 서버의 응답을 일반 브라우저가 받는 응답과 비교합니다.

모델 학습을 막는 것과 검색을 막는 것은 다른 결정입니다. OpenAI는 두 역할을 나눕니다. GPTBot은 모델 학습에 쓰일 수 있는 콘텐츠를 수집하고, OAI-SearchBot은 ChatGPT 검색 결과에서의 노출을 좌우합니다. OpenAI는 OAI-SearchBot을 차단한 사이트는 ChatGPT 검색 답변에 표시되지 않으며, GPTBot을 차단해도 이는 달라지지 않는다고 씁니다(OpenAI). 마찬가지로 Google-Extended는 Gemini 모델의 콘텐츠 사용을 제어하지만, Google에 따르면 검색에서의 노출이나 순위에는 영향을 주지 않습니다(Google Search Central). 모든 AI 크롤러를 하나의 스위치로 차단하면, 넘길 생각이 없던 ChatGPT 검색에서의 노출을 잃을 수 있습니다.

키워드 순위와 하위 검색어

순위가 높을수록 인용될 가능성이 커지는지는 모릅니다. 제 데이터로는 가려지지 않기 때문입니다. SEO 전략 글의 가설 단계(5단계)에서, 아주 비슷한 키워드 다섯 개 중 하나에서만 AI Overview에 인용된 글을 설명했습니다. 그것도 가장 낮은 순위였던 키워드에서였습니다. 하위 검색어는 모델이 만들고 답변마다 달라질 수 있으므로, “키워드 X의 하위 검색어”라는 고정된 목록은 없습니다. 제 94개 키워드 세트에서 모델은 한 번의 실행에서 서로 다른 하위 검색어 493개를 만들었고, 키워드당 평균 다섯 개를 넘었습니다.

하위 검색어에서의 순위가 핵심 키워드에서의 순위보다 인용을 더 잘 예측하는지 확인했는데, 처음 얻은 결과는 검토를 견디지 못했습니다. 제가 운영하는 프로젝트의 키워드-페이지 쌍에서, 결과를 계산하기 전에 규칙을 먼저 기록했습니다. 지표는 ROC 곡선 아래 면적(AUC)으로, 신호가 인용된 페이지와 인용되지 않은 페이지를 얼마나 잘 가르는지를 뜻합니다(0.5는 동전 던지기 수준, 1은 오류 없는 분리). 하위 검색어의 면적이 0.10 이상 크면 하위 검색어가 이기는 것으로 정했습니다. AI Overview 테스트용으로 따로 둔 29개 쌍에서 차이는 0.44였고, 테스트는 “통과”였습니다.

교차 검토에서 정확도가 다른 두 측정을 비교했다는 것이 드러났습니다. 모든 것을 처음부터 다시 계산한 검토자는 제 숫자를 한 자리까지 똑같이 재현했지만, 핵심 키워드의 순위는 Google 결과를 한 번 가져온 데이터에서, 인용은 다섯 번 가져온 데이터에서 가져왔다는 점을 짚었습니다. 순위를 같은 다섯 번의 데이터로 다시 계산하자 차이는 0.04로 줄었고, 구간은 -0.28에서 +0.36이었습니다. 그래서 하위 검색어가 순위보다 낫다는 것도, 못하다는 것도 보이지 못했습니다. 두 신호 모두 뭔가를 말해 주므로 둘 다로 작업합니다.

DataForSEO에서 한 번 가져온 순위는 결과의 여러 변형 중 하나를 뽑는 추첨이었습니다. 같은 키워드 94개를 약 한 시간 간격으로 세 번 가져오자, 같은 키워드의 두 번의 데이터는 상위 10개에서 겹치는 주소가 중앙값 기준으로 적었습니다. 두 집합의 일치도를 0에서 1로 나타내는 자카드 지수는 0.14-0.15였습니다. 변형 중 일부는 브라우저를 쓰는 사람에게는 보이지 않는 결과로 보이는데, 키워드 5개에서 브라우저는 그 변형 중 하나와 일치했습니다. 반면 AI Overview는 안정적이었고, 존재 여부는 데이터 간에 97-99% 일치했습니다. 그래서 지금은 이 도구의 순위를 동시에 보낸 약 10번의 데이터에서 나온 비율로 계산합니다. 다른 도구는 이렇게 확인하지 않았습니다.

단독으로 답이 되는 문단

모델은 보통 페이지 전체가 아니라, 자신의 질의에 답하는 문단을 사용합니다. 그래서 모든 문단이 페이지의 나머지 없이도 이해되도록 씁니다. 제목 바로 아래 첫 문장에 답을 두고, 분모와 날짜가 있는 구체적인 숫자를 쓰고, “이것”과 “그것” 대신 이름을 씁니다. 이 글의 모든 문단이 결론 문장으로 시작하는 것도 이 때문입니다. 이것은 사람에게도 도움이 되는 좋은 글쓰기 방식이지 AI를 위한 별도의 기법이 아닙니다.

그렇다고 콘텐츠를 잘게 자르거나 제목을 늘려야 한다는 뜻은 아닙니다. Google은 AI가 콘텐츠를 더 잘 이해하도록 콘텐츠를 작은 조각으로 나눌 필요는 없다고 분명히 씁니다(Google Search Central). 제목이 많으면 상위 3위에 들어가는 데 도움이 되는지도 확인했습니다. 기업용 소프트웨어 분야의 영어 키워드 119개의 상위 10개에 오른 페이지 632개(미국, 2026년 9월 26일)에서 오즈비는 0.95(95% 신뢰구간: 0.81-1.12)였고, 글 길이를 보정하면 1.00이었습니다. 제목 수가 가장 적은 그룹부터 가장 많은 그룹까지 세 그룹에서 상위 3위의 비율은 거의 같았습니다. 32%, 34%, 32%입니다. SEO 전략 글에서 쓴 것과 같은 테스트로, 하나의 분야와 하루의 측정입니다. 그래도 순위를 올리려고 제목을 더 넣지 않을 이유로는 충분합니다. 제목은 그 아래 문단이 무엇에 관한 것인지를 말해야 합니다.

폴란드어 질문, 영어 하위 검색어

제 세트에서는 폴란드어 질문에 대한 하위 검색어 일부가 영어였습니다. 폴란드어 키워드에 대해 생성된 하위 검색어 277개 중 81개에는 폴란드어의 특징이 없었습니다. 예를 들어 한 카테고리의 제품 순위에 대한 폴란드어 질문이 이름에 연도가 들어간 영어 질의로 바뀌었습니다. 이것은 하나의 세트에 대한 거친 휴리스틱이지만, 폴란드 브랜드에 대해서는 영어 출처가 그 브랜드에 대해 무엇을 말하는지도 확인하기에 충분합니다.

모델의 기억에 들어가려면 어떻게 합니까?

모델의 기억은 자기 사이트만으로 바꿀 수 없으며, 중요한 것은 다른 사람들이 귀하에 대해 쓴 내용입니다. 모델은 학습이 끝나기 전에 수집된 대량의 텍스트로 배웁니다. 브랜드에 대해 주로 브랜드 스스로가 쓰고 다른 출처는 오래되었거나 서로 어긋난다면, 모델은 오래되었거나 어긋난 모습을 되풀이합니다. 모델의 기억이 얼마나 빨리 갱신되는지는 측정하지 못했습니다. 다음 버전에서야 바뀔 것으로 보고 있으므로, 한 분기 안에 어떤 결과도 약속하지 않습니다.

제 브랜드에서는 두 가지 오류의 원인을 동시에 봅니다. Gemini는 저를 몇 년 전의 직장과 함께 현재형으로 설명했고, rogala.pro는 “구축 중”인 사이트라고 했습니다. 모델이 저에 대해 가장 자주 되풀이한 두 가지 설명은 제 이름으로 검색하면 Google 상위에 나오는 업계 매체의 약력에서 그대로 가져온 것입니다. 반면 그 직장을 현재의 직장으로 적은 곳은 제 이름 검색 결과에서 확인한 26개 페이지 중 하나도 없으므로, 이 오류는 모델의 기억에 있을 가능성이 큽니다. 약력이 업데이트되면 같은 질문으로 확인하겠습니다.

모델이 브랜드에 대해 무엇을 기억하는지는 AI 가시성 도구 없이 직접 확인할 수 있습니다. 웹 검색 없이 브랜드에 대해 질문하되, 가장 확실한 방법은 검색 도구 없이 API를 쓰는 것입니다. 브랜드가 무엇을 하는지, 누구를 위한 것인지, 언제부터 운영했는지를 묻고, 각 질문을 세 번씩 하십시오. 그다음 답변을 사실과 비교해, 최신인 것, 오래된 것, 지어낸 것을 따로 적습니다.

일관된 브랜드 정의가 없는 언급은 오래된 설명을 되풀이하므로, 정체성부터 시작합니다. 제 순서는 다음과 같습니다.

• 사이트, 프로필, 외부 사이트의 약력에서 똑같은 하나의 브랜드 정의
• 제가 직접 확인한 식별자를 넣은 구조화 데이터
• Wikidata 같은 지식 베이스의 항목, 이를 뒷받침하는 출처가 있는 곳에만
• 그다음에야 다른 사람이 편집하는 곳에서의 언급과 게재

식별자는 코드에 넣기 전에 열어서 읽어야 합니다. 2026년 10월 5일에 하루 전부터 rogala.pro의 구조화 데이터에 들어 있던 Knowledge Graph 식별자가 이름이 같은 배우의 패널로 연결된다는 것을 알아챘습니다. 약 하루 동안 제 사이트는 검색엔진에 제가 배우라고 알리고 있었습니다. 확인에는 1분이면 됩니다. 식별자를 붙인 google.com/search?kgmid= 주소가 누구의 것인지 보여 줍니다.

Wikidata로도 출처가 없는 자리를 얻을 수는 없습니다. Wikidata는 살아 있는 사람에 대한 정보에 출처를 요구하므로, 다른 누구도 쓴 적 없는 전문 분야를 거기에 선언할 수는 없습니다. 그래서 저는 데이터베이스 항목이 아니라 다른 사람이 편집하는 곳에서의 게재부터 시작했습니다.

GEO 최적화에서 효과가 있는 것과 미신은 무엇입니까?

GEO에 관한 주장은 근거의 강도에 따라 나눕니다. 문서화됨은 검색엔진의 문서가 확인해 주는 것이고, 제 측정은 하나의 설정에서 나온 결과로 제가 되풀이하는 것입니다. 반증됨과 입증하지 못함은 제 데이터로 확인했고 살아남지 못했거나 아무것도 가리지 못한 것입니다. 근거 없음은 측정이 뒷받침하지 않는 널리 퍼진 조언으로, 반대 증거가 있는 경우도 있습니다.

llms.txt 파일과 마크다운 버전의 페이지가 AI 답변에 들어가는 데 도움이 된다는 근거는 없습니다. Google은 자사 검색에서 노출되려고 기계용 새 파일, AI용 텍스트 파일, 마크업, 마크다운을 만들 필요는 없다고 씁니다(Google Search Central). 2026년 7월에 제 포트폴리오의 도메인 10개를 확인했을 때, AI 에이전트에 마크다운 버전을 제공하는 곳은 없었습니다. rogala.pro에서는 10월 8일부터 모든 페이지에 마크다운 버전과 llms.txt 파일이 있고, 11월 8일까지 서버 로그에서 누군가 그것을 가져가는지 측정합니다. 폴란드에서 “llms txt”는 월 약 720회 검색되므로, 이 주제는 따로 쓰겠습니다.

구조화 데이터는 검색엔진에 브랜드를 설명하지만, 인용을 만든다는 근거는 없습니다. Google은 생성형 검색에서 구조화 데이터가 필요하지 않으며 추가해야 하는 특별한 schema.org 마크업도 없다고 씁니다(Google Search Central). Seer Interactive의 맷 벅스바움(Matt Buxbaum)은 AI Overview가 나타난 키워드 8,500개와 거기서 첫 인용을 얻은 페이지 6,354개를 분석했습니다. schema와 E-E-A-T 신호는 성공과 가장 약하게 연결되었고, FAQ와 HowTo 마크업이 가장 많은 페이지는 약 10배 나쁜 결과를 보였습니다(Seer Interactive, 2026년 5월 28일). 이는 상관관계이므로 마크업이 해가 되는지는 모르지만, 이 데이터를 이익의 증거로 읽지도 않습니다. 구조화 데이터는 엔티티를 설명하는 데(누가, 무엇을, 어디서, 어떤 식별자로) 쓰는데, 그것이 그 용도이기 때문입니다. AI 답변에 미치는 영향에 대한 자체 테스트는 아직 끝내지 못했습니다.

언급과 인용은 서로 다른 것이며, 많은 보고서가 이를 혼동합니다. 페트로비치는 세 가지 사건을 구분합니다. 시스템이 답변 자료로 가져온 페이지, 출처로 표시된 페이지인 인용, 사용자가 읽고 기억하는 답변 본문 속 브랜드 이름인 언급입니다(Dejan, 2026년 7월 7일). 브랜드는 본문에서 언급되지 않고도 인용될 수 있고, 페이지가 인용되지 않고도 언급될 수 있습니다. 그래서 이 둘을 따로 측정하고 하나의 “AI 가시성 점수”로 합산하지 않습니다.

GEO 최적화가 효과가 있는지 어떻게 확인합니까?

기준선이 없으면 효과를 어떤 변경의 결과로도 돌릴 수 없으므로, 첫 수정 전에 기록합니다. 기준선에는 그대로 적은 질문, 모델의 이름과 버전, 날짜, 시장이 들어갑니다. 질문은 수요 데이터와 Search Console에서 만들고, 대부분은 브랜드 이름을 넣지 않습니다. 질문 속의 이름이 모델에 답을 알려 주기 때문입니다. 두 개의 순위 구간으로 만든 질문 세트는 SEO 전략 글에서 설명했습니다.

다섯 가지를 따로 측정합니다. 각각 다른 방향으로 갈 수 있기 때문입니다.

1. 답변 본문에서의 브랜드 언급.
2. 출처로서의 페이지 인용.
3. 모델이 웹을 검색했는지 여부, 즉 검색과 기억을 따로.
4. 분석 도구에서의 AI 어시스턴트 유입. 일부 방문은 출처 정보 없이 들어오므로 항상 하한선입니다.
5. 같은 기간의 Google 유입. AI를 위한 변경이 일반 검색 결과를 희생시키지 않았는지 보기 위해서입니다.

챗봇의 답변은 무작위이므로 같은 질문을 한 번에 세 번 합니다. AI Overview는 안정적이므로 한 번 가져오면 충분합니다. AI 가시성 도구의 숫자는 항상 분모와 함께 읽습니다. 그것은 제 질문 세트 안에서의 비율이며, 아무도 모르는 “AI 시장 점유율”이 아닙니다.

제 사이트에서는 무엇을 하고 있으며, 아직 모르는 것은 무엇입니까?

검색에서의 AI에 대해서는 2016년부터 공개적으로 이야기해 왔지만 AI 답변 속 제 브랜드는 아직 없고, 제 실험은 거기서 시작되었습니다. 2026년 7월 26일의 기준선: rogala.pro는 Ahrefs에서 폴란드에 대해 확인한 AI 표면 7곳 어디에서도 인용이 한 건도 없었고, 세 플랫폼에서 제 이름 없이 한 질문 6건에서 어떤 모델도 저를 언급하지 않았습니다. 제 이름으로 물으면 모델은 몇 년 전의 설명을 되풀이했습니다. 이것은 한 번의 측정이고 ChatGPT는 빠져 있습니다. 답변을 모은 도구가 ChatGPT에 대해서는 결과를 돌려주지 않았기 때문이며, 그래서 증거가 아니라 출발점으로 봅니다.

작업 순서는 데이터에서 나옵니다. 먼저 정체성, 그다음 도달입니다. 프로필의 정의를 하나로 정리했고(LinkedIn은 30개 언어 버전으로), 구조화 데이터의 식별자를 확인했고(그래서 배우 사건이 나왔습니다), 사이트와 블로그를 마크다운 버전과 함께 27개 언어로 만들었습니다. 도달, 즉 다른 매체에서의 게재와 언급은 그다음에야 옵니다.

이것이 효과가 있는지는 아직 모릅니다. 첫 번째 AI 답변 재측정은 2026년 11월 1일부터로 계획했고, 마크다운 파일의 측정 결과는 11월 8일 이후에 나옵니다. 결과가 0으로 나와도 이 글에 추가하겠습니다.

GEO 최적화에 관한 자주 묻는 질문

무엇부터 시작해야 합니까?

처음 세 단계는 시간 외에 비용이 들지 않습니다. AI 검색 크롤러가 귀하의 사이트를 받는지 확인하십시오. 고객이 하는 질문 몇 개를 브랜드 이름 없이 한 번에 세 번 던지고, 누가 언급되고 누가 인용되는지 적으십시오. 브랜드 이름만으로 검색한 Google 결과가 브랜드에 대해 무엇을 말하는지 읽으십시오. 모델이 같은 출처를 쓰기 때문입니다. 결과가 뜻밖이라면 컨설팅을 받기에 좋은 주제입니다.