AI 검색의 기여는 '마지막 클릭'으로는 거의 잡히지 않는다. ChatGPT가 당신 브랜드를 인용해도, 사용자는 그 순간 구매하지 않는다. 며칠 뒤 브랜드명을 다시 검색하거나, 직접 주소를 입력해 들어와 전환한다. 그래서 라스트클릭 어트리뷰션은 그 매출을 전부 '브랜드 검색'이나 '직접 유입'의 공으로 돌려버린다. AI 검색의 진짜 기여를 측정하려면 멀티터치 어트리뷰션 + 인크리멘탈리티(증분) 실험 + 신뢰구간이라는 세 가지 도구를 함께 써야 한다. 이 글은 그 세 가지를 그로스 리드의 관점에서, 측정 가능한 숫자로 어떻게 세우는지 정리한다.
왜 AI 검색은 어트리뷰션에서 '유령'이 되는가
먼저 메커니즘부터. AI 검색 답변은 마법이 아니라 RAG(retrieval→reranking→generation)라는 파이프라인의 결과다. 사용자가 질문하면 엔진은 (1) 방대한 문서에서 관련 청크를 검색(retrieval)하고, (2) 그 후보를 질문과 함께 다시 읽어 재정렬(reranking)하고, (3) 상위 몇 개를 근거로 답을 생성(generation)하면서 출처를 인용한다. 이 구조는 Lewis 등이 2020년에 제안한 RAG 원전(arXiv:2005.11401)에서 시작됐다 — 모델 내부에 굳어 있는 파라메트릭 메모리에, 외부 문서라는 비파라메트릭 메모리를 결합한 것이다.
비유하자면 AI 검색은 '당신을 추천해 준 사서'다. 도서관 손님(사용자)이 사서에게 "중소기업 재고관리 SaaS 추천해줘"라고 물으면, 사서는 서가에서 책 몇 권을 꺼내 읽고 "이 책이 좋아요"라고 말한다. 손님은 그 책을 사러 나중에 서점에 간다. 서점 입장에서 매출은 '서점 방문'으로 기록되지, '사서의 추천'으로 기록되지 않는다. 어트리뷰션의 본질적 난점이 여기 있다.
유령이 되는 세 가지 기술적 이유
- 리퍼러 손실(다크 트래픽): ChatGPT 앱·일부 AI 답변 위젯은 클릭 시 리퍼러 헤더를 넘기지 않거나 빈 값으로 보낸다. GA4에서는 이 유입이 'Direct / None'으로 뭉뚱그려진다. 즉 AI가 보내준 방문자가 '직접 주소 입력한 사람'으로 둔갑한다.
- 제로클릭 인용: 가장 큰 기여 중 일부는 클릭조차 없다. AI가 당신 콘텐츠를 근거로 답을 합성하면 사용자는 답만 읽고 브랜드명을 기억한다. 클릭 로그에 아무 흔적도 남지 않지만, 며칠 뒤 브랜드 검색으로 돌아온다.
- 긴 전환 지연: AI 검색은 비교·탐색 단계(상단 깔때기)에서 강하게 작동한다. 인지 시점과 전환 시점 사이가 길어, 두 이벤트를 잇는 식별자가 없으면 인과가 끊긴다.
어트리뷰션 모델 6종 — AI 검색에 적용하면 무슨 일이 일어나나
어트리뷰션 모델은 '한 건의 전환에 대한 공(credit)을 여러 접점에 어떻게 배분하느냐'의 규칙이다. AI 검색은 거의 항상 '보조 접점(assist)'으로 나타나기 때문에, 어떤 모델을 쓰느냐에 따라 그 기여가 0이 되기도, 정당하게 평가되기도 한다.
| 모델 | 공 배분 방식 | AI 검색 기여 평가 | 한 줄 평 |
|---|---|---|---|
| 라스트클릭 | 마지막 접점에 100% | 거의 0 (보조라서) | AI 기여를 구조적으로 못 봄 |
| 퍼스트클릭 | 첫 접점에 100% | 과대 평가 가능 | 인지 기여는 보지만 전환 무시 |
| 선형(Linear) | 모든 접점에 균등 | 일부 평가 | 단순하지만 가중치 근거 없음 |
| 시간감쇠(Time-decay) | 전환에 가까울수록 가중 | 과소 평가 | 상단 깔때기인 AI에 불리 |
| 위치기반(U자형) | 첫·마지막에 각 40%, 중간 20% | 첫 접점이면 평가 | 인지+전환 균형, 실무 기본값 |
| 데이터기반(DDA) | 실제 경로 데이터로 학습 | 가장 공정 | 데이터량·블랙박스가 걸림돌 |
흥미로운 점: 위치기반(U자형) 모델의 '첫·마지막은 무겁게, 중간은 가볍게'라는 직관은, RAG 연구의 'Lost in the Middle' 현상(Liu 등 2023, arXiv:2307.03172)과 묘하게 닮았다. 긴 맥락을 받은 LLM은 중간에 있는 정보를 잘 놓치고 앞·끝에 있는 정보를 잘 쓴다 — U자형 성능 곡선이다. 사용자의 구매 여정에서도, 그리고 LLM의 맥락 처리에서도, '처음과 끝이 기억된다'는 같은 인지적 편향이 작동한다. 어트리뷰션 가중치를 설계할 때 이 비대칭을 모르면 중간 접점을 과대평가하거나 과소평가하게 된다.
실무 1단계: AI 검색 유입을 '식별 가능'하게 만들기
공을 배분하려면 먼저 접점을 볼 수 있어야 한다. AI 검색이 다크 트래픽으로 사라지는 걸 막는 채널 분류 규칙부터 세운다. GA4의 채널 그룹은 기본값으로 ChatGPT를 잡지 못하니, 정규식 기반 커스텀 채널을 직접 만든다.
// GA4 커스텀 채널 그룹 — AI 검색 분리
// 조건: Session source가 아래 패턴과 매칭되면 'AI Search'
chatgpt.com|chat.openai.com|perplexity.ai
|gemini.google.com|copilot.microsoft.com
|claude.ai|.cue.search.naver|search.naver.*ai
// 리퍼러가 비는 ChatGPT 앱 대비:
// 콘텐츠 링크에 UTM을 직접 박아 출처를 강제 노출
https://yoursite.com/guide?utm_source=chatgpt&utm_medium=ai_referral여기서 실무 문장 대조 하나.
- ❌ 약한 설정: "GA4 기본 채널 그룹으로 보면 AI 유입은 Organic이나 Direct에 섞여 있다. 대략 그쯤 될 것이다."
- ✅ 강한 설정: "AI Search 채널을 정규식으로 분리하고, 각 콘텐츠 링크에
utm_source를 박아, ChatGPT·Perplexity·Gemini·네이버 AI를 각각 세그먼트로 본다. 6월 AI Search 세션 1,240건 중 전환 38건, 보조 전환 추가 91건."
핵심은 엔진을 합산하지 말 것이다. 인용 패턴 분석을 보면 ChatGPT와 Perplexity가 같은 질문에 대해 인용하는 도메인의 중복은 약 11%에 불과하고, 인용의 약 90%가 엔진마다 다르다. ChatGPT는 위키백과(약 47.9%)·커뮤니티에 기대고, Perplexity는 Reddit(약 46.7%)·실시간 웹에 기댄다. 엔진을 하나로 뭉치면 "우리는 어디서 인용되고 어디서 안 되는가"라는 가장 중요한 신호가 평균에 묻힌다.
실무 2단계: 보조 전환을 '경로'로 읽기
AI 검색의 진짜 가치는 라스트클릭 표가 아니라 전환 경로 보고서(conversion path)에 있다. "AI Search → (3일 후) 브랜드 검색 → 전환" 같은 경로가 얼마나 자주 나타나는지를 센다.
| 전환 경로 | 건수 | 라스트클릭 공 | 위치기반 공 |
|---|---|---|---|
| AI Search → 브랜드검색 → 전환 | 91 | 브랜드검색 100% | AI 40% / 브랜드 40% |
| AI Search → 직접 → 전환 | 57 | 직접 100% | AI 40% / 직접 40% |
| AI Search 단독 → 전환 | 38 | AI 100% | AI 100% |
같은 데이터인데 모델만 바꿔도 AI 검색의 공이 38건에서 사실상 100건+로 뛴다. 이게 "AI는 ROI가 안 나온다"는 오해의 정체다 — ROI가 없는 게 아니라 라스트클릭이 공을 다른 채널에 넘기고 있을 뿐이다.
덧붙여, 일부 분석에서는 AI 검색 유입의 전환율이 일반 검색보다 몇 배 높게 나타나기도 한다. 이유는 직관적이다 — AI가 이미 비교·검증을 대신 해주고 '이 브랜드'라고 추천한 뒤 넘어온 사용자는, 막연히 검색하다 들어온 사용자보다 구매 의도가 훨씬 선명하다. 다만 구체 수치는 표본·업종에 크게 휘둘리므로 단정하지 말고 당신 데이터로 직접 측정해야 한다.
실무 3단계: 상관이 아니라 인과 — 인크리멘탈리티
멀티터치 어트리뷰션도 결국 '관찰된 경로에 공을 배분'하는 것이라, "AI 검색이 없었다면 이 전환이 일어났을까?"라는 인과 질문에는 답하지 못한다. 그 답은 증분(incrementality) 실험에서만 나온다.
방법은 의외로 고전적이다. 홀드아웃(holdout) 또는 지역 분할(geo-split):
- 콘텐츠/GEO 최적화를 적용한 그룹 A와, 의도적으로 손대지 않은 그룹 B(대조군)를 나눈다.
- 일정 기간 뒤 두 그룹의 전환·매출 차이를 본다. 그 차이가 AI 검색 최적화의 순수 증분 기여다.
- 주제군/페이지군 단위로 나누면 한 사이트 안에서도 대조군을 만들 수 있다.
이게 CFO를 설득하는 유일한 언어다. Overdrive류의 'CFO식 측정' 관점이 정확히 이 지점을 찌른다 — 가시성(SOV)은 매출·리드라는 '결과'를 설명하는 2차 지표일 뿐이다. SOV가 올랐는데 증분 매출이 안 따라오면, 그 SOV는 허영 지표다. 어트리뷰션의 최종 심판은 항상 '증분 매출'이어야 한다.
실무 4단계: 단일 측정은 노이즈 — 신뢰구간으로 말하라
여기서 AI 검색 측정만의 고유한 함정이 하나 있다. 측정 자체가 비결정적이라는 것. 같은 질문을 같은 엔진에 던져도 답과 인용이 매번 흔들린다. temperature=0으로 고정해도 GPU 연산 순서·배치 처리 때문에 결과가 출렁인다. 한 실험에서는 2,350억 파라미터급 모델에 같은 입력을 1,000회 넣었더니 80가지 서로 다른 출력이 나왔다. 6개 모델 480회 실험(arXiv:2602.14349)도 같은 비결정성을 보고한다.
그래서 AI 가시성의 불확실성을 정량화한 연구(arXiv:2603.08924)는, 인용 점유가 멱법칙(power law)으로 출렁이므로 다중 실행 + 부트스트랩 신뢰구간으로 보고하라고 권한다. 비유하면, 주사위 한 번 굴려 "이 주사위는 3이 나오는 주사위"라고 말하는 셈이다. 어트리뷰션 대시보드에 "SOV 12%"라고 단일 숫자를 박는 순간, 당신은 노이즈를 신호로 착각하고 있다.
- ❌ 약한 보고: "이번 주 우리 SOV는 12%입니다. 지난주 9%에서 올랐어요."
- ✅ 강한 보고: "30회 측정 기준 SOV 12% (95% 신뢰구간 8~16%). 지난주 9%(6~13%)와 구간이 겹치므로 통계적으로 유의한 상승이라 단정하긴 이릅니다. 한 주 더 봅니다."
같은 논리로, '프롬프트 볼륨(특정 질문이 월 몇 번 입력되는가)' 같은 수치는 더 조심해야 한다. 이건 실측이 불가능하고 1% 미만 패널을 모델링한 추정치다. Conductor의 표현을 빌리면 "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다". 어트리뷰션 모델에 출처 불명의 추정 볼륨을 곱하기 시작하면, 정교해 보이는 가짜 정밀도가 만들어진다.
실무 5단계: SOV에서 매출까지 — 전체 측정 사다리
정리하면, AI 검색 어트리뷰션은 한 칸짜리 지표가 아니라 사다리다. 위로 갈수록 비즈니스에 가깝고, 측정은 어려워진다.
| 층 | 지표 | 측정 방법 | 성격 |
|---|---|---|---|
| 1. 가시성 | SOV(Share of Voice) | 다중 실행 + 신뢰구간 | 선행 지표 |
| 2. 클릭 | AI Search 세션 | GA4 정규식 채널 + UTM | 관찰 가능 |
| 3. 리드 | 보조/직접 전환 | 전환 경로 + 멀티터치 | 경로로 읽음 |
| 4. 매출 | 증분 매출 | 홀드아웃/GEO 실험 | 인과 |
SOV는 카테고리 AI 답변 중 우리 브랜드가 언급되는 비율이다(일부 한국 업체는 SMR=Share of Model Response로 변형해 부른다). 중요한 건 질문 세트(prompt set)의 선정이 결과를 좌우한다는 점 — 우리에게 유리한 질문만 넣으면 SOV는 부풀고, 실제 고객이 묻는 질문을 넣으면 현실이 보인다. 어트리뷰션의 출발점인 질문 세트부터 정직해야, 사다리 끝의 매출 숫자가 믿을 만해진다.
네이버를 빼면 한국 어트리뷰션은 반쪽이다
한국에서 AI 검색 어트리뷰션을 말하면서 네이버를 빼면 안 된다. 네이버 AI 브리핑(요약)은 통합검색 쿼리의 20% 이상에 적용되고, 2026년 4월 기준 AI 브리핑 인용은 월 약 3.558억 건에 달한다. 한 표본 분석(272건)에서는 인용 출처의 약 58%가 블로그였고, 인용의 약 49%가 검색결과 Top10 밖에서 나왔다 — 즉 전통 SEO 순위와 AI 인용은 다른 게임이라는 뜻이다. 어트리뷰션 설계에서 네이버 AI 유입을 별도 채널로 분리하지 않으면, 한국 트래픽의 큰 덩어리를 통째로 놓친다.
네이버는 외부 크롤러를 차단하기 때문에, 글로벌 AI(ChatGPT 등)는 네이버 블로그를 직접 못 읽고 나무위키·위키백과·티스토리를 우회로로 삼는다. 그래서 같은 브랜드라도 네이버 안에서의 노출과 글로벌 AI에서의 노출은 별개로 측정·관리해야 한다. 어트리뷰션 채널을 'AI Search' 하나로 합치지 말고 최소한 'Global AI'와 'Naver AI'로 나누는 이유다.
Citeon은 이 원리를 제품에 담았다
어트리뷰션의 첫 칸 — '우리가 어디서 인용되는가'를 단일 숫자가 아니라 엔진별로 정직하게 보는 것 — 이 Citeon이 출발하는 지점이다.
- 4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude 네 엔진에서 브랜드 인용을 각각 측정한다. 앞서 설명한 "엔진마다 인용 도메인의 90%가 다르다"는 사실 때문에, 합산이 아니라 분리가 핵심이다.
- 주간 모니터 추이: 단일 측정의 노이즈를 추이로 완화한다. 한 주의 점 하나가 아니라 여러 주의 흐름으로 본다.
- 경쟁사 역추적: 경쟁사가 어떤 질문·어떤 출처로 인용되는지 역설계해, 우리 질문 세트와 콘텐츠 우선순위를 정한다.
- 사이트 진단엔진: URL을 넣으면 SEO·AEO·GEO 관점에서 점수와 한국어 처방을 돌려준다. '왜 인용이 안 되는가'의 콘텐츠 측 원인을 찾는다.
측정에서 끝나지 않는다 — 진단(가시성)에서 처방·실행, 그리고 광고·매출 어트리뷰션까지 이어붙이는 풀퍼널 대행이 Citeon의 방향이다. 먼저 당신 사이트가 4엔진에서 지금 어떻게 보이는지부터 무료로(₩0) 진단해 보라. citeon.cloud에서 무료 AI 가시성 진단 받기 →
자주 묻는 질문
AI 검색 유입이 GA4에서 'Direct'로 잡히면 어떻게 구분하나요?
두 갈래로 접근합니다. (1) 리퍼러가 넘어오는 경우(Perplexity·웹 ChatGPT 등)는 정규식 커스텀 채널로 분리하고, (2) 리퍼러가 비는 앱 유입은 콘텐츠 링크 자체에 utm_source=chatgpt 같은 파라미터를 박아 출처를 강제로 남깁니다. 그래도 제로클릭 인용은 클릭이 없으니, 그 부분은 전환 경로(브랜드 검색 급증)와 증분 실험으로 간접 측정합니다.
어트리뷰션 모델은 어느 걸 기본으로 써야 하나요?
실무 기본값은 위치기반(U자형)입니다. 인지 접점(첫)과 전환 접점(마지막)을 함께 평가하므로, 상단 깔때기에서 강한 AI 검색의 기여를 라스트클릭처럼 0으로 깎지 않습니다. 데이터가 충분히 쌓이면 데이터기반(DDA)으로 옮기되, 최종 판단은 항상 인크리멘탈리티(증분) 실험으로 검증하세요.
SOV가 올랐는데 매출이 안 늘면 측정이 틀린 건가요?
꼭 그렇진 않습니다. SOV는 선행·2차 지표라 매출(결과)과 시차가 있을 수 있습니다. 다만 몇 주가 지나도 증분 매출이 안 따라오면, (1) 질문 세트가 실제 구매 의도 질문이 아니거나, (2) 인용은 되지만 클릭·전환으로 이어지는 랜딩이 약하거나, (3) SOV 측정 자체가 노이즈(신뢰구간이 넓음)일 수 있습니다. 세 가지를 순서대로 점검하세요.
측정값이 매번 달라지는데 보고를 어떻게 하나요?
단일 숫자 대신 신뢰구간으로 보고하세요. 같은 질문을 여러 번(예: 30회) 돌려 부트스트랩으로 95% 신뢰구간을 만들고, "SOV 12% (8~16%)"처럼 폭과 함께 제시합니다. 지난 기간과 구간이 겹치면 '유의한 변화 아님'으로 보수적으로 해석합니다. 비결정성은 버그가 아니라 AI 검색 측정의 본질이라 인정하고 다루는 편이 낫습니다.
네이버 AI와 ChatGPT를 같은 채널로 합쳐도 되나요?
권하지 않습니다. 인용 출처 풀이 완전히 다릅니다 — 네이버 AI는 블로그·자체 색인에 기대고, 글로벌 AI는 네이버를 못 읽어 나무위키·위키백과·티스토리를 우회로로 씁니다. 합치면 "어디를 고쳐야 인용이 늘까"라는 처방이 흐려집니다. 최소한 'Global AI'와 'Naver AI'로 나누세요.