환자가 ChatGPT나 네이버 AI에 "무릎 안쪽이 시큰거리는데 무슨 과를 가야 하나요"라고 물었을 때 우리 병원이 답변에 인용되게 하려면, '검색엔진 1페이지'가 아니라 'AI가 신뢰하고 꺼내 쓸 수 있는 형태의 의료 근거'를 만들어야 합니다. 키워드를 페이지에 많이 박는 옛날 SEO와는 작동 방식이 다릅니다. AI는 우리 사이트의 문장을 이해하고, 믿을 만한지 판단하고, 답변에 인용합니다. 이 글은 그 세 단계가 왜 그렇게 작동하는지를 풀어내고, 병의원·클리닉이 오늘 바로 손볼 수 있는 체크리스트로 정리합니다.
의료는 특히 중요합니다. AI 검색에서 의료·건강 분야는 이른바 YMYL(Your Money or Your Life), 즉 사람의 건강과 돈에 직결되는 주제로 분류되어 가장 보수적으로 다뤄집니다. 근거가 약한 콘텐츠는 다른 분야보다 훨씬 쉽게 걸러집니다. 바꿔 말하면, 제대로 만든 클리닉 콘텐츠는 경쟁이 약한 만큼 인용 기회가 큽니다.
AI는 어떻게 '인용할 병원'을 고르는가 — RAG 3단계
요즘 AI 검색(ChatGPT 검색, Perplexity, 네이버 AI, 구글 AI)은 대부분 RAG라는 구조로 움직입니다. RAG는 2020년 Lewis 등의 연구(arXiv:2005.11401)에서 정리된 개념으로, 모델이 외부 문서를 검색(retrieval)해 와서 그걸 근거로 답을 생성(generation)하는 방식입니다. 쉽게 말하면, AI는 머릿속 지식만으로 답하지 않고 "방금 찾아온 자료"를 보고 답합니다. 우리 병원 콘텐츠가 그 "찾아오는 자료" 안에 들어가고, 또 신뢰받아야 인용됩니다.
이 과정은 크게 세 단계입니다.
| 단계 | 하는 일 | 일상 비유 | 병원이 해야 할 것 |
|---|---|---|---|
| ① 검색 (Retrieval) | 질문과 의미가 가까운 문서 조각을 끌어옴 | 도서관에서 주제에 맞는 책을 한 무더기 뽑아오는 사서 | 증상·질문 언어로 쓴 문서가 색인에 있어야 함 |
| ② 재정렬 (Reranking) | 뽑아온 조각을 질문과 다시 대조해 순위 매김 | 뽑아온 책을 펼쳐보고 "이게 진짜 답이네" 추려냄 | 질문에 직답하는 문단이 문서 앞쪽에 있어야 함 |
| ③ 생성 (Generation) | 상위 근거로 답을 쓰고 출처를 인용 | 추린 책을 인용하며 보고서를 씀 | 인용하기 좋은 사실·수치·실명 권위가 있어야 함 |
① 검색 단계 — '의미'로 찾는다, '글자'로 찾지 않는다
옛날 검색은 글자를 맞춰 찾았습니다(이걸 키워드 색인, BM25라고 합니다). 지금은 문장을 숫자 벡터로 바꿔 '의미'가 가까운 걸 찾습니다. 2020년 Karpukhin 등의 Dense Passage Retrieval 연구(arXiv:2004.04906)는 이 의미 기반 검색이 전통적 키워드 검색을 능가한다는 걸 보였습니다. 그래서 환자가 "무릎 안쪽 시큰거림"이라고 써도, 우리 글에 "슬내측 통증"이라고만 적혀 있으면 의미상 연결될 수 있습니다.
하지만 의미 검색도 완벽하지 않습니다. 공개 벤치마크들을 종합하면 상위 10개 안에 정답을 찾아오는 비율(recall@10)이 의미 검색 단독은 약 78%, 키워드 검색 단독은 약 65%, 그리고 둘을 합친 하이브리드 검색은 약 91%까지 올라갑니다. 그래서 좋은 AI 검색은 둘을 같이 씁니다. 하이브리드 검색 = 도서관의 키워드 색인 + 주제를 아는 사서를 동시에 쓰는 셈입니다.
이게 병원에 주는 실무적 의미는 분명합니다. 환자가 쓰는 일상어("잇몸이 들뜬 느낌")와 의학 용어("치주염") 둘 다 글 안에 자연스럽게 넣어야 양쪽 검색에 다 걸립니다.
❌ 약한 예: "본원은 최첨단 장비로 치주 질환을 치료합니다."
→ 환자가 실제로 검색하는 말이 하나도 없음. 의미·키워드 둘 다 약함.
✅ 강한 예: "잇몸이 들뜨고 피가 나는 증상(치주염 초기)은 ...
양치 시 출혈, 잇몸이 내려앉는 느낌이 함께 나타나면 ..."
→ 일상어 + 의학용어 동시 포함. 의미·키워드 양쪽에 걸림.② 재정렬 단계 — '직답'이 앞에 있어야 한다
검색이 후보를 한 무더기 가져오면, 재정렬(cross-encoder reranking)이 질문과 각 후보를 함께 읽으며 다시 순위를 매깁니다. 연구·실무 보고들에서 이 재정렬은 검색 품질 지표(NDCG)를 보통 5~15포인트, 어려운 경우 20포인트 가까이 끌어올립니다. Anthropic이 2024년 공개한 Contextual Retrieval 자료에서도, 청크에 맥락을 더하면 검색 실패율이 35% 줄고(5.7%→3.7%), 키워드 검색을 합치면 49%, 거기에 재정렬까지 더하면 67%까지 실패율이 줄었다고 보고합니다.
재정렬이 "질문과 문단을 나란히 놓고 비교"하기 때문에, 질문에 곧장 답하는 문장이 문서 앞쪽에 있을수록 유리합니다. 여기에 또 하나의 함정이 겹칩니다. Liu 등의 2023년 연구 'Lost in the Middle'(arXiv:2307.03172)은 긴 맥락의 중간에 있는 정보가 가장 잘 잊힌다는 U자형 현상을 보였습니다. 핵심은 앞이나 끝에 둬야 합니다.
❌ 약한 예: (인사말 3문단 → 병원 연혁 → 장비 자랑 → 마지막에 답)
"안녕하세요, 저희 OO의원은 2009년 개원 이래 ..."
→ AI가 답을 찾기 전에 지쳐서 중간에 묻힘.
✅ 강한 예: (첫 문장이 직답)
"사랑니는 모든 경우에 뽑아야 하는 것은 아닙니다.
똑바로 잘 난 사랑니로 잇몸 염증이 반복되지 않으면 ..."
→ 첫 문장에 결론. 재정렬·생성 단계에서 바로 인용됨.③ 생성 단계 — '인용하고 싶게' 만든다
마지막으로 AI는 상위 근거를 읽고 답을 씁니다. 이때 어떤 콘텐츠를 인용하느냐가 우리의 노출을 결정합니다. Aggarwal 등의 GEO 연구(arXiv:2311.09735, KDD 2024)는 통계 인용, 출처 표기, 직접 인용문을 더하면 생성 엔진에서의 가시성이 특정 조건에서 최대 약 40%까지 올랐다고 보고합니다. 단순히 키워드를 욱여넣는 것보다, '인용하기 좋은 사실'을 제공하는 게 훨씬 효과적이라는 뜻입니다.
그리고 의료에서 결정적인 지표가 하나 더 있습니다. RAG 답변의 '충실도(faithfulness)'를 재는 RAGAS faithfulness는 답변의 주장이 출처에서 실제로 추적되는 정도를 나타내는데, 실무에서는 흔히 0.9 이상이면 안정, 0.7 미만이면 위험으로 봅니다(팀마다 기준은 다릅니다). AI가 의료 답변을 만들 때 출처로 역추적되지 않는 모호한 문장은 쓰기를 꺼립니다. 그래서 "무엇을, 누가, 어떤 근거로"가 분명한 문장이 인용됩니다.
❌ 약한 예: "임플란트는 거의 평생 사용 가능합니다."
→ 주장 출처 불명, 추적 불가 → 보수적 엔진이 회피.
✅ 강한 예: "임플란트 보철물의 평균 수명은 관리 상태에 따라 크게
달라집니다. OO 치과 OOO 원장(치주과 전문의)은
'정기 검진과 잇몸 관리가 동반되면 10년 이상 유지되는
경우가 많다'고 설명합니다."
→ 실명·전문 자격·조건 명시 → 추적 가능 → 인용 적격.의료가 특별한 이유 — Claude는 근거 약한 글을 더 잘 걸러낸다
모든 AI 엔진이 똑같이 동작하지 않습니다. 대규모 인용 분석들(Profound, Discovered Labs 등)에 따르면 엔진마다 인용하는 출처가 크게 다릅니다. 한 분석에서는 ChatGPT와 Perplexity가 인용하는 도메인의 중복이 약 11%에 불과했고, 인용의 약 90%가 엔진마다 달랐습니다. ChatGPT는 위키백과 같은 백과·커뮤니티성 출처를 자주(한 분석에서 위키백과 약 47.9%), Perplexity는 실시간 출처와 커뮤니티(레딧 약 46.7%)를 많이 인용하는 경향이 보고됐습니다.
| 엔진 | 성향 | 클리닉 시사점 |
|---|---|---|
| ChatGPT | 위키백과·커뮤니티성 출처 선호 | 병원·질환 관련 공신력 있는 백과·기관 정보와 일관성 확보 |
| Gemini | 구글 색인 + E-E-A-T(경험·전문성·권위·신뢰) 중시 | 의사 실명 프로필, 자격·경력, 구글 비즈니스 정보 정합성 |
| Claude | 근거 약한 콘텐츠를 보수적으로 걸러냄, Citations API | 의료는 특히 출처·근거 명시가 인용의 전제 |
| Perplexity | 실시간 웹 + 인라인 인용 | 최신성·정확한 출처 표기가 유리 |
| Grok | 실시간 웹 + X 스트림, 인용 정확도 편차 | 일관된 공개 정보로 흔들림 줄이기 |
이 표에서 의료가 가장 신경 써야 할 줄은 Claude입니다. Claude는 근거가 약한 콘텐츠를 보수적으로 걸러내는 경향이 있고, 인용을 출처로 묶는 Citations API를 갖고 있습니다. 건강 정보는 잘못되면 위험하니, 엔진 입장에서 '출처가 분명한 의료 콘텐츠'를 우대하는 건 자연스러운 설계입니다. 즉, 의료에서 E-E-A-T(경험·전문성·권위·신뢰)와 근거 명시는 선택이 아니라 인용의 입장권입니다.
한국 병원이라면 네이버를 절대 빼면 안 된다
국내 환자의 상당수는 여전히 네이버에서 병원을 찾습니다. 그리고 네이버의 검색 환경이 2026년에 크게 바뀌었습니다. 기존의 큐:(Cue:)와 클로바X는 2026-04-09 종료됐고, 새로운 AI탭이 2026-06-25~26 전체 정식 출시됐습니다(대화형·에이전틱). 또한 검색 결과 위에 요약을 보여주는 'AI 브리핑'은 통합검색 쿼리의 20% 이상에 적용되고 있고, 2026년 4월 기준 AI 브리핑의 인용은 월 약 3.558억 건에 달했습니다.
여기서 병원에 가장 중요한 숫자가 있습니다. 한 표본 분석(272건)에서 네이버 AI 브리핑이 인용한 출처의 약 58%가 블로그였고, 통합검색 Top10 밖에서 인용된 비율도 약 49%였습니다. 풀어 말하면, 네이버에서는 검색 1페이지에 못 들어도, 좋은 블로그 글이면 AI 브리핑에 인용될 수 있다는 뜻입니다. 병원에는 거대한 기회입니다.
네이버는 C-Rank(출처의 신뢰·전문성)와 D.I.A.+(문서의 의도 분석)로 콘텐츠를 평가합니다. 그리고 네이버가 강조하는 콘텐츠 5원칙은 그대로 병원 블로그 운영 지침이 됩니다.
- 직접 경험 — 실제 진료·시술 사례, 과정, 회복 경과(개인정보·의료광고 규정 준수 전제)
- 일관된 주제 — 한 블로그가 정형외과면 정형외과로, 잡다하게 흩지 말 것
- 진정성 — 과장·낚시 제목 금지(의료는 특히 위험)
- 읽기 쉬운 구조 — 소제목·목록·요약(AI가 발췌하기 좋은 구조와 같음)
- 최신성 — 진료 지침·장비·가격 정보 갱신
한 가지 구조적 사실도 알아두면 좋습니다. 네이버는 외부 크롤러를 차단하기 때문에, 글로벌 AI(ChatGPT·Perplexity 등)는 네이버 블로그 본문 대신 나무위키·위키백과·티스토리 같은 열린 출처로 우회해 한국 정보를 학습·인용하는 경향이 있습니다. 그래서 국내 병원은 '네이버용(블로그·플레이스)'과 '글로벌 AI용(열린 웹의 의료 콘텐츠)' 두 트랙을 함께 가져가는 게 안전합니다.
그 전에: AI 크롤러가 우리 사이트에 들어올 수 있어야 한다
아무리 좋은 콘텐츠를 써도, AI 크롤러가 우리 사이트를 못 읽으면 후보에조차 못 듭니다. robots.txt에서 아래 봇들을 허용해야 '인용 후보'로 진입할 수 있습니다.
| 크롤러 | 주체 |
|---|---|
| GPTBot, OAI-SearchBot | OpenAI(ChatGPT) |
| PerplexityBot | Perplexity |
| ClaudeBot, anthropic-ai | Anthropic(Claude) |
| Google-Extended | Google(Gemini) |
# robots.txt — AI 크롤러 허용 예시
User-agent: GPTBot
Allow: /
User-agent: OAI-SearchBot
Allow: /
User-agent: PerplexityBot
Allow: /
User-agent: ClaudeBot
Allow: /
User-agent: anthropic-ai
Allow: /
User-agent: Google-Extended
Allow: /병원 홈페이지를 외주 제작 솔루션으로 쓰는 경우, 기본 설정이 이 봇들을 막아두는 일이 의외로 많습니다. 이건 콘텐츠를 잘 쓰기 전에 먼저 점검해야 할 '문 열기'입니다.
병의원·클리닉 AI 노출 실무 체크리스트
지금까지의 원리를 병원이 그대로 따라 할 수 있게 정리했습니다. 위에서부터 손대면 됩니다.
1) 콘텐츠 — '질문 → 직답' 구조로 다시 쓰기
- 환자가 실제로 묻는 질문을 제목으로: "사랑니 꼭 뽑아야 하나요?", "무릎에서 소리가 나요"
- 첫 문장에 결론(직답). 인사·연혁·장비 자랑은 뒤로.
- 일상어 + 의학용어를 같이("잇몸 들뜸(치주염)").
- 중간에 핵심을 묻지 말 것 — 핵심은 앞/끝(Lost in the Middle 회피).
2) 신뢰 신호(E-E-A-T) — 의료의 핵심
- 글마다 작성·감수 의사 실명 + 전문 과목·자격 표기.
- 주장에 조건과 근거를 붙여 '출처 추적 가능'하게(RAGAS faithfulness 관점).
- 직접 진료 경험·사례 기반 서술(네이버 5원칙 + 글로벌 E-E-A-T 동시 충족).
- 의료광고·개인정보 관련 국내 규정을 반드시 준수(환자 사례·후기 사용 시 특히 주의).
3) 구조화 — AI가 발췌하기 좋게
- FAQ 섹션을 명시적으로(질문-답변 쌍은 AI가 그대로 인용하기 좋음).
- 통계·수치·인용문 추가(GEO 연구가 보인 최대 ~40% 가시성 상승의 핵심 재료).
- 소제목·목록·표로 한 문단에 한 가지만.
4) 채널 — 네이버 + 글로벌 두 트랙
- 네이버: 일관 주제 블로그 + 플레이스(위치·진료시간·전화) 정보 정합성.
- 글로벌 AI: 열린 웹(홈페이지·열린 의료 콘텐츠)에 같은 정보를 일관되게.
- robots.txt에서 AI 크롤러 허용 확인.
5) 측정 — 한 번 재고 끝내지 말 것
여기서 많은 병원이 헷갈립니다. "우리 병원이 ChatGPT에 인용되나?"를 한 번 물어보고 나오면 안심하는데, 그 답은 노이즈일 수 있습니다. AI 출력은 temperature=0(가장 결정적인 설정)에서도 흔들립니다. 한 연구에서는 2,350억 파라미터 모델을 1,000번 돌려 80가지 출력이 나왔고(arXiv:2602.14349 계열의 6개 모델 480회 실험 등), AI 가시성의 불확실성을 정량화한 연구(arXiv:2603.08924)는 인용이 멱법칙처럼 출렁이므로 여러 번 측정 + 부트스트랩 신뢰구간을 권합니다. 단일 측정은 사실상 노이즈입니다.
또 흔한 착각이 '프롬프트 검색량'입니다. AI에 사람들이 무엇을 얼마나 묻는지는 실측이 불가능하고, 시장의 1% 미만 패널을 모델링한 추정치일 뿐입니다. Conductor는 "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다"고 못 박습니다. 그러니 병원은 추정 검색량 숫자에 흔들리지 말고, SOV(카테고리 AI 답변 중 우리 병원이 언급되는 비율)를 여러 엔진에서 반복 측정해 추세로 봐야 합니다.
❌ 약한 측정: "오늘 ChatGPT에 물어보니 우리 병원 나왔어요!"
→ 1회 측정 = 노이즈. 내일 안 나올 수 있음.
✅ 강한 측정: "지역+진료과목 질문 30개를 4개 엔진에서
주 1회 반복 측정 → SOV 추세선으로 본다."
→ 비결정성을 추세로 흡수. 경쟁 대비 위치 파악.Citeon은 이 원리를 제품에 담았다
위 체크리스트의 마지막 두 가지 — '여러 엔진에서 반복 측정'과 '내 사이트가 인용 후보가 될 준비가 됐는지 진단' — 은 손으로 하기에 번거롭습니다. Citeon은 바로 그 부분을 자동화했습니다.
- 4개 엔진 인용 측정(SOV) — ChatGPT·Gemini·Perplexity·Claude에서 우리 병원이 카테고리 답변에 얼마나 인용되는지 측정합니다. 엔진마다 인용 출처가 크게 다르다는 점(중복 ~11%)을 고려해 합산이 아닌 엔진별로 봅니다.
- 사이트 진단 엔진 — 홈페이지가 위 RAG 3단계(검색·재정렬·생성)에 잘 맞는지, AI 크롤러 접근·구조·신뢰 신호를 점수와 한국어 처방으로 알려줍니다.
- 경쟁사 역추적 — 우리 지역의 다른 병원이 어떤 콘텐츠로 인용되는지 역으로 추적합니다.
- 주간 모니터 추이 — 단일 측정의 노이즈 문제를 피하려고, 매주 측정해 추세선으로 보여줍니다.
병원 입장에서 가장 좋은 출발점은 "우리 사이트가 지금 AI에 인용될 준비가 됐는가"를 객관적으로 보는 것입니다. Citeon 무료 진단(₩0)으로 우리 병원 홈페이지의 AEO·GEO·SEO 점수와 한국어 처방 리포트를 받아보세요. 위 체크리스트 중 어디부터 손대야 할지가 한눈에 정리됩니다.
자주 묻는 질문 (FAQ)
의료광고 규제가 있는데, AI 노출용 콘텐츠를 만들어도 괜찮나요?
네, 단 국내 의료법·의료광고 심의 기준을 반드시 지켜야 합니다. AI 노출 전략의 핵심은 '과장 광고'가 아니라 '정확하고 근거 있는 정보 제공'이라, 사실 규정 준수 방향과 일치합니다. 환자 후기·치료 전후 사진·치료 효과 보장 표현 등은 규정 위반 소지가 크니 사용 전 확인이 필요합니다. 실명 전문의의 일반적 의학 정보·질환 설명·진료 안내 중심으로 가면 규정 리스크는 줄이고 AI 인용 적격성(E-E-A-T)은 높일 수 있습니다.
네이버 블로그와 홈페이지 중 어디에 더 집중해야 하나요?
둘 다 필요하지만 역할이 다릅니다. 한 표본 분석에서 네이버 AI 브리핑 인용의 약 58%가 블로그였고, Top10 밖 인용도 약 49%였습니다 — 즉 네이버 환자 접점에는 블로그가 강력합니다. 반면 글로벌 AI(ChatGPT·Perplexity 등)는 네이버 크롤러 차단 때문에 열린 웹을 주로 보므로, 홈페이지·열린 의료 콘텐츠가 필요합니다. 국내 환자 비중이 높으면 네이버 블로그를 먼저, 그다음 홈페이지를 같은 정보로 일관되게 정비하는 순서를 권합니다.
ChatGPT에 한 번 물어봤더니 우리 병원이 나왔어요. 이제 된 건가요?
아쉽지만 단정하기 이릅니다. AI 출력은 가장 결정적인 설정(temperature=0)에서도 흔들립니다. 한 연구에서는 같은 모델을 1,000번 돌려 80가지 출력이 나왔고, 가시성 연구들은 인용이 멱법칙처럼 출렁인다며 여러 번 측정과 신뢰구간을 권합니다. 한 번 나왔다고 안심하기보다, 같은 질문군을 주 단위로 반복 측정해 추세로 보는 것이 정확합니다.
AI 검색에서 오는 환자가 실제로 의미가 있나요?
질적으로는 긍정적 신호가 있습니다. 일부 분석에서 AI 검색을 통해 유입된 방문자의 전환율이 일반 검색보다 몇 배 높게 나타나기도 했습니다(구체 수치는 업종·상황마다 달라 단정은 어렵습니다). 직관적으로도, AI에게 "무릎 통증 어느 병원"처럼 구체적으로 물어본 사람은 이미 의사결정 단계에 가까운 경우가 많습니다. 다만 가시성 자체는 매출·예약을 설명하는 2차 지표이므로, 최종적으로는 예약·내원 전환과 함께 봐야 합니다.
홈페이지에서 가장 먼저 손봐야 할 한 가지는?
'질문 → 직답' 구조와 robots.txt의 AI 크롤러 허용입니다. 크롤러가 막혀 있으면 콘텐츠가 아무리 좋아도 후보에 못 듭니다(먼저 문을 여는 일). 그다음, 환자가 실제로 묻는 질문을 제목으로 삼고 첫 문장에 결론을 두면, RAG의 검색·재정렬·생성 세 단계 모두에서 유리해집니다. 어디가 막혀 있는지 모르겠다면 Citeon 무료 진단으로 점검 지점을 먼저 확인하는 것을 권합니다.
참고자료
- Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
- Karpukhin et al. (2020), Dense Passage Retrieval for Open-Domain Question Answering
- Liu et al. (2023), Lost in the Middle: How Language Models Use Long Contexts
- Aggarwal et al. (2023), GEO: Generative Engine Optimization (KDD 2024)
- Anthropic (2024), Introducing Contextual Retrieval
- Conductor, Debunking AI Prompt Volume