저자 엔티티(author entity) 최적화 — AI는 '누가 썼는가'를 어떻게 따지나

AI 검색엔진은 문장 그 자체보다 '이 문장을 누가, 어떤 자격으로 썼는가'를 신뢰 신호로 읽습니다. 같은 주장이라도 검증 가능한 저자 엔티티에 묶여 있으면 인용 후보로 살아남고, 익명·정체불명이면 걸러집니다. 저자 엔티티 최적화(author entity optimization)란 바로 이 '누가 썼는가'를 기계가 오해 없이 연결하고 신뢰할 수 있게 만드는 작업입니다. 이 글은 그 판별이 왜 일어나는지를 RAG(retrieval→reranking→generation) 메커니즘까지 파고들어 설명하고, 오늘 당장 고칠 수 있는 문장·마크업 대조로 정리합니다.

먼저, AI는 애초에 '저자'를 볼 여유가 있나

있습니다. 그리고 생각보다 이르게 봅니다. AI 검색의 파이프라인을 극도로 단순화하면 세 단계입니다. ① 질문을 임베딩해 방대한 문서에서 후보를 검색(retrieval)하고, ② 그 후보를 질문과 함께 다시 읽어 재정렬(reranking)하고, ③ 상위 몇 개만 근거로 생성(generation)합니다. 이 구조의 원형은 Lewis 등이 2020년에 제안한 RAG(arXiv:2005.11401)로, 모델의 파라메트릭 기억(학습된 가중치)에 외부 문서라는 비파라메트릭 기억을 결합한 것입니다.

여기서 핵심은 세 단계 모두 '저자'가 개입할 틈이 있다는 겁니다. 검색 단계에서는 저자·기관명이 청크의 맥락으로 붙어 매칭 확률을 바꾸고, 재정렬 단계에서는 크로스 인코더가 '이 답변의 출처가 믿을 만한가'를 함께 저울질하며, 생성 단계에서는 모델이 학습 과정에서 익힌 '이 이름은 이 분야의 권위'라는 사전(prior)을 끌어옵니다. 저자 신호는 특정 한 지점이 아니라 파이프라인 전체에 스며듭니다.

비유: 도서관의 사서는 '누가 쓴 책인지'부터 본다

키워드 색인(BM25)만 있는 도서관을 상상해 보세요. '면역'이라는 단어가 많이 나온 책을 위로 올려줄 뿐, 그 책을 동네 블로거가 썼는지 면역학 교수가 썼는지 구분하지 못합니다. 반면 주제를 이해하는 사서(임베딩+재정렬)는 다릅니다. 같은 '면역' 책 두 권을 보고 "이 저자는 논문 이력이 있고 저 저자는 정체불명"이라며 신뢰할 만한 쪽을 먼저 건넵니다. 오늘날 AI 검색은 색인과 사서를 겸비한 하이브리드 검색에 가깝고, 사서 역할이 강해질수록 저자 엔티티의 무게가 커집니다.

왜 의미 검색이 저자를 '실수 없이' 읽게 만드나

초기 검색은 단어가 겹쳐야 걸렸습니다. 하지만 Karpukhin 등의 Dense Passage Retrieval(2020, arXiv:2004.04906)은 질문과 문서를 각각 벡터로 바꿔 의미의 근접성으로 찾는 방식이 전통적 BM25를 능가함을 보였습니다. 의미 검색에서는 '한양대 김OO 교수'라는 표기가 본문에 없어도, 저자 소개에 쌓인 이력·소속·전문 영역이 문서 전체의 벡터를 '전문가가 쓴 글' 쪽으로 미세하게 이동시킵니다.

그런데 짧은 청크로 잘라 검색하면 저자 맥락이 날아가는 문제가 생깁니다. Anthropic의 Contextual Retrieval(2024)은 각 청크 앞에 문서 맥락을 붙여주는 것만으로 검색 실패율을 35% 낮췄고(5.7%→3.7%), 여기에 BM25 하이브리드를 더하면 49%, 재정렬까지 얹으면 67%까지 실패가 줄었다고 보고합니다. 이 결과의 함의는 분명합니다. '누가·어떤 맥락에서 쓴 글인가'라는 정보가 청크에 실려 있을수록 그 조각이 정확히 검색된다는 것. 저자 바이오와 소속을 본문 곳곳에 자연스럽게 심는 일이 검색 성공률을 직접 끌어올리는 이유입니다.

재정렬과 생성: 저자가 신뢰의 저울에 올라가는 순간

1차로 걸러진 후보는 크로스 인코더 재정렬을 거칩니다. 이 모델은 질문과 후보 문서를 한꺼번에 읽어 관련성을 다시 매기는데, 난도 높은 질의에서 NDCG를 5~15포인트(어려우면 20 안팎) 끌어올립니다. 이때 '전문가가 근거를 대며 쓴 글'과 '출처 없는 단정 글'은 같은 키워드를 담고 있어도 점수가 갈립니다.

생성 단계에서는 엔진의 성향이 노골적으로 드러납니다. 특히 Claude는 근거가 약한 콘텐츠를 보수적으로 걸러내는 성향이 강하고, 답변에 출처를 명시하는 Citations 계열 기능을 갖췄습니다. 익명·무근거 글은 애초에 인용 후보에서 탈락하기 쉽다는 뜻입니다. Gemini는 구글 색인과 E-E-A-T(경험·전문성·권위·신뢰) 신호를 크게 반영하는데, 그 E-E-A-T의 상당 부분이 저자가 누구이며 그 분야에서 검증되는가로 채워집니다.

여기에 실질적 근거가 하나 더 있습니다. Aggarwal 등의 GEO 연구(2023, arXiv:2311.09735, KDD 2024)는 통계·출처 인용·직접 인용문을 더하면 생성엔진에서의 가시성이 특정 조건에서 최대 약 40% 상승한다고 보고했습니다. 이 세 가지—통계, 출처, 인용문—는 모두 '이 글은 책임 있는 저자가 근거를 대며 썼다'는 신호이기도 합니다. 저자 최적화와 콘텐츠 최적화는 결국 같은 곳에서 만납니다.

AI는 '저자 이름'을 어떻게 하나의 엔티티로 묶나

핵심 개념은 엔티티 해소(entity disambiguation)입니다. 웹에 'David Kim'이 수천 명 있는데, 기계는 이 글의 David가 어느 David인지 어떻게 알까요? 방법은 하나뿐입니다. 여러 곳에 흩어진 동일 인물 신호를 링크로 연결해 하나의 노드로 수렴시키는 것.

• 일관된 표기: 같은 인물이 글마다 'David', '데이비드', 'D. Kim'으로 흩어지면 세 명의 약한 엔티티가 됩니다. 하나의 정규 이름으로 통일해야 신호가 한 노드에 쌓입니다.
• sameAs 연결: 저자의 링크드인·논문 프로필·소속 페이지·프로필 위키를 JSON-LD의 sameAs로 묶으면, 기계가 '이 사람은 같은 사람'이라고 확신합니다.
• 기존 지식그래프에의 정박: 위키백과·나무위키처럼 이미 기계가 '아는' 개체에 연결될수록 엔티티는 단단해집니다. 실제로 글로벌 AI들은 네이버가 외부 크롤러를 막는 탓에 한국어 사실 확인을 나무위키·위키백과·티스토리로 우회하는 경향이 있습니다.

비유: 여권과 도장

저자 엔티티는 여권과 같습니다. 이름만 적힌 종이(byline)는 자칭에 불과하지만, 여러 기관이 찍어준 도장(sameAs로 연결된 외부 프로필, 논문, 소속 페이지)이 쌓이면 '진짜 그 사람'이 됩니다. AI는 도장이 많은 여권을 신뢰합니다.

실무: 약한 저자 신호 vs 강한 저자 신호

추상론을 실제 문장으로 내려봅시다. 아래 대조가 저자 엔티티 최적화의 90%입니다.

① 저자 바이라인(byline) 한 줄

❌ 약한 예: 글쓴이: 관리자 / by 에디터

✅ 강한 예: 글쓴이: 김도현 — 감염내과 전문의, 대한내과학회 정회원. 10년간 병원 감염관리실 운영.

왜? 강한 예에는 직업·자격·경험·소속이라는 네 개의 검증 가능한 신호가 한 문장에 들어 있어, 청크에 실려 검색·재정렬 모두에서 '전문가 문서'로 채점됩니다.

② 저자 소개 페이지(author bio)

❌ 약한 예: "IT를 사랑하는 블로거입니다. 좋은 정보 나눠요!"

✅ 강한 예: "이서연. 15년차 백엔드 엔지니어(전 카카오·네이버). PostgreSQL 성능 튜닝 관련 국내 컨퍼런스 발표 3회. 본 블로그의 DB 카테고리 글 전량 집필." + 링크드인·깃허브·발표 영상 링크.

강한 예는 그 자체로 하나의 엔티티 정박점이 됩니다. 개별 글이 이 페이지를 저자로 참조하면, 글 각각이 이 신뢰를 상속받습니다.

③ 전문성의 근거 심기(글 본문)

❌ 약한 예: "제 생각엔 이 방법이 제일 좋은 것 같아요."

✅ 강한 예: "실제로 3개 프로젝트에서 이 인덱스 전략을 적용해 평균 응답을 340ms에서 90ms로 줄였다. 다만 쓰기 부하가 큰 테이블에서는 오히려 손해였다."

후자는 일인칭 경험 + 수치 + 한계 조건을 담아 GEO 연구가 말한 '가시성을 올리는 요소'와 정확히 겹칩니다. 동시에 이것이 곧 저자의 경험(Experience) 증거입니다.

기계가 읽는 저자: JSON-LD 마크업

사람 눈에 보이는 바이라인만큼 중요한 게, 기계가 파싱하는 구조화 데이터입니다. 저자를 Person 엔티티로 명시하고 글에 연결하세요.

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "저자 엔티티 최적화 가이드",
  "author": {
    "@type": "Person",
    "name": "김도현",
    "jobTitle": "감염내과 전문의",
    "affiliation": {
      "@type": "Organization",
      "name": "대한내과학회"
    },
    "sameAs": [
      "https://www.linkedin.com/in/...",
      "https://scholar.google.com/citations?user=...",
      "https://orcid.org/0000-..."
    ]
  },
  "datePublished": "2026-07-11"
}

여기서 sameAs가 여권의 도장입니다. 링크가 향하는 외부 프로필들이 서로를 가리키며(상호 링크) 하나의 인물로 수렴할 때, 엔티티는 가장 단단해집니다. author를 문자열 "관리자"로 두는 것과 Person 객체로 정박하는 것의 차이는, 기계 입장에서 '익명 쪽지'와 '서명·직인 있는 공문'의 차이입니다.

엔진마다 저자를 다르게 본다

대규모 인용 분석에 따르면 인용의 약 90%가 엔진마다 다르고, ChatGPT와 Perplexity의 인용 도메인 중복은 약 11%에 불과합니다. 저자 신호가 어느 토양에서 특히 잘 자라는지 알아두면 좋습니다.

• ChatGPT: 위키백과(약 47.9%)·커뮤니티 의존이 큼. 저자가 위키/공신력 페이지에 정박돼 있으면 유리.
• Gemini: 구글 색인과 E-E-A-T. 저자 프로필·소속의 웹 전반 일관성이 직접 반영.
• Claude: 근거 약한 글을 보수적으로 배제, Citations로 출처 명시. 저자·근거가 약하면 아예 후보 탈락.
• Perplexity: 실시간·인라인 인용, Reddit 등 커뮤니티(약 46.7%) 비중. 저자가 커뮤니티에서 반복 언급되면 유리.
• Grok: 실시간 웹+X 스트림. 저자의 X 활동·언급이 신호가 되나 인용 정확도 편차 큼.

공통점은 하나입니다. 어떤 엔진이든 '검증 가능한 저자'를 선호합니다. 단지 그 검증을 어디서(위키·구글·커뮤니티·근거 텍스트) 확인하느냐가 다를 뿐입니다.

네이버: 저자 신뢰가 알고리즘 이름에 박혀 있다

한국 시장은 별도 지형입니다. 네이버 검색의 뼈대인 C-Rank는 문서가 아니라 출처(창작자)의 신뢰도와 전문성을 축적해 평가하는 알고리즘입니다. 이름 자체가 '누가 썼는가'를 겨냥합니다. 여기에 문서의 의도·정보성을 보는 D.I.A.+가 얹힙니다.

규모도 이미 무시할 수 없습니다. 네이버 AI 브리핑(요약)은 통합검색 쿼리의 20% 이상에 적용되고, 그 인용 건수가 2026년 4월 기준 월 약 3.558억 건에 이릅니다. 한 표본분석(272건)에서는 인용 출처의 약 58%가 블로그였고, 검색 상위 10위 밖에서 인용된 비율도 약 49%에 달했습니다. 순위가 아니라 '신뢰받는 창작자'가 인용된다는 신호입니다. 참고로 네이버는 큐:(Cue:)·클로바X를 2026-04-09 종료하고, AI탭을 2026-06-25~26 대화형·에이전틱으로 정식 출시하며 이 흐름을 가속하고 있습니다.

네이버의 좋은 콘텐츠 5원칙—직접 경험·일관된 주제·진정성·읽기 쉬운 구조·최신성—은 사실상 저자 엔티티 최적화의 다른 이름입니다. '일관된 주제'는 한 저자가 한 분야를 파는 것이고, '직접 경험'은 저자의 Experience 증거이며, '진정성'은 정체를 숨기지 않는 것입니다. 창작자 보상 프로그램 '네이버 메이트'(기본 월 30만, 분야 1위 수준 월 1,000만)도 이 방향을 돈으로 밀고 있습니다.

전제: 크롤러가 들어와야 저자도 읽힌다

아무리 저자를 잘 정박해도 크롤러가 막혀 있으면 후보에 진입조차 못 합니다. robots.txt에서 주요 AI 크롤러를 허용하세요.

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: /

GPTBot·OAI-SearchBot(OpenAI), PerplexityBot, ClaudeBot·anthropic-ai(Anthropic), Google-Extended(구글)—이들이 진입 가능해야 저자 신호도 인덱싱됩니다.

저자 최적화의 효과는 어떻게 확인하나 — 그리고 왜 한 번의 측정은 노이즈인가

여기서 david로서 반드시 짚어야 할 것이 있습니다. AI 가시성은 한 번 측정해서 판단하면 안 됩니다. 같은 질문을 같은 모델에 넣어도 결과가 흔들리기 때문입니다. temperature=0에서도 GPU 병렬 연산과 배칭 차이로 출력이 요동칩니다. 한 실험에서는 2,350억 파라미터급 모델에 동일 프롬프트를 1,000회 넣었을 때 80가지 서로 다른 출력이 나왔습니다(6개 모델 480회 실험, arXiv:2602.14349).

더 최근에는 이 불확실성을 정면으로 다룬 연구가 나왔습니다. AI 가시성의 불확실성을 정량화한 arXiv:2603.08924는 인용 빈도가 멱법칙(power-law)으로 출렁이므로, 단일 측정 대신 다중 실행과 부트스트랩 신뢰구간으로 봐야 한다고 권고합니다. 즉 '저자 개선 전 3회, 개선 후 3회 이상' 반복 측정해 분포로 비교해야 진짜 효과를 봅니다. 한 번 재보고 '올랐다/떨어졌다'는 것은 노이즈를 실력으로 오독하는 것입니다.

측정의 단위도 조심하세요. SOV(Share of Voice)는 카테고리 AI 답변 중 우리 브랜드·저자가 언급된 비율인데, 어떤 질문 세트로 재느냐가 결과를 좌우합니다. 여러 엔진을 하나로 합산하면 위에서 본 엔진별 메커니즘 차이가 가려집니다. 그래서 엔진을 분리해, 고정된 질문 세트로, 반복 측정하는 것이 정석입니다. 참고로 'AI 프롬프트 검색량' 같은 지표는 실측이 불가능한 패널 모델링 추정치라, Conductor의 말처럼 "신뢰할 수 없는 검색량 데이터는 없느니만 못하다"는 경계가 필요합니다.

Citeon은 이 원리를 제품에 담았다

저자 엔티티 최적화의 성패는 결국 '우리 저자·브랜드가 실제로 인용되고 있는가'로 판가름 납니다. 그리고 방금 봤듯 그 확인은 여러 엔진을, 반복해서, 분리해 재야 신뢰할 수 있습니다. Citeon은 이 원리를 그대로 제품에 넣었습니다.

• 4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude에서 우리 브랜드가 실제로 언급/인용되는 비율을 엔진별로 측정합니다. 엔진마다 저자를 다르게 보는 만큼, 합산이 아니라 분리해서 봅니다.
• 사이트 진단엔진: 저자 바이라인·author 스키마·크롤러 허용 같은 신뢰 신호가 제대로 심겨 있는지 URL만으로 점검하고 한국어 처방을 냅니다.
• 경쟁사 역추적: 같은 카테고리에서 어떤 저자·도메인이 인용을 가져가는지 되짚어, 우리가 정박해야 할 곳을 알려줍니다.
• 주간 모니터 추이: 단일 측정의 노이즈를 시간축으로 눌러, 개선이 진짜 추세인지 확인합니다.

시작은 비용이 들지 않습니다. Citeon 무료진단(₩0)으로 지금 우리 사이트의 저자·인용 신호가 AI에게 어떻게 읽히는지 먼저 확인해 보세요.

자주 묻는 질문

참고자료

• Anthropic — Contextual Retrieval (2024)
• Lewis et al., Retrieval-Augmented Generation (2020)
• Karpukhin et al., Dense Passage Retrieval (2020)
• Aggarwal et al., GEO: Generative Engine Optimization (KDD 2024)
• Conductor — Debunking AI Prompt Volume