AI가 읽기 쉬운 단락을 쓰는 핵심은 '한 단락 = 하나의 완결된 의미 조각(청크)'으로 만드는 것입니다. AI 검색엔진은 당신의 글을 처음부터 끝까지 통째로 읽지 않습니다. 글을 잘게 쪼갠 '조각(chunk)' 단위로 저장해 두었다가, 사용자의 질문과 가장 잘 맞는 조각 몇 개만 꺼내서 답변을 만듭니다. 그래서 단락 하나하나가 그 자체로 말이 되어야, 즉 앞뒤 문맥 없이 떼어 놓아도 뜻이 통해야 AI 답변에 인용됩니다. 이 글에서는 '왜 그런지'를 RAG 메커니즘으로 풀어 설명하고, 오늘 바로 따라 할 수 있는 단락 쓰기 체크리스트를 약한 예/강한 예로 보여드리겠습니다.
청킹이 뭔가요? — 책을 통째로 외우는 사서는 없습니다
청킹(chunking)은 긴 문서를 검색·인용하기 좋은 작은 조각으로 나누는 작업입니다. 그런데 보통 우리가 글을 쓸 때 청킹은 '시스템이 알아서 하는 기술적인 일'이라고 생각하기 쉽습니다. 사실은 반대입니다. 어떻게 쓰느냐가 어떻게 잘리느냐를 결정합니다. 잘 쓴 글은 자연스럽게 깔끔한 조각으로 나뉘고, 못 쓴 글은 의미가 반토막 난 채로 잘립니다.
비유를 들어볼게요. 도서관 사서가 있다고 합시다. 사서는 세상 모든 책을 통째로 외우지 못합니다. 대신 책마다 '이 페이지는 무슨 내용'이라고 색인 카드를 만들어 둡니다. 누가 질문하면 책 전체가 아니라 그 색인 카드 몇 장을 꺼내 답합니다. AI 검색도 똑같습니다. 당신의 글 전체가 아니라, 청크라는 색인 카드를 꺼내 읽습니다. 그러니 카드 한 장(단락 하나)에 핵심이 온전히 담겨 있어야 사서가 그 카드를 보고 정확히 답할 수 있습니다. 카드에 "그것은 앞에서 말한 그 방법입니다"라고만 적혀 있으면, '그것'과 '그 방법'이 뭔지 몰라서 사서는 그 카드를 못 씁니다.
왜 AI는 글 전체가 아니라 '조각'을 읽을까 — RAG 메커니즘
이 원리를 이해하려면 AI 검색의 작동 방식인 RAG(Retrieval-Augmented Generation, 검색 증강 생성)를 알아야 합니다. RAG는 2020년 Lewis 등이 제안한 구조로(arXiv:2005.11401), 모델이 학습 때 외운 지식(파라메트릭 메모리)만 쓰지 않고, 외부 문서를 실시간으로 '찾아와서(비파라메트릭 메모리)' 답을 만드는 방식입니다. ChatGPT 검색, Perplexity, 구글 AI 개요, 네이버 AI 브리핑이 모두 이 뼈대를 공유합니다.
RAG는 크게 세 단계로 움직입니다.
| 단계 | 하는 일 | 당신의 단락에 일어나는 일 |
|---|---|---|
| ① Retrieval(검색) | 질문과 비슷한 청크를 후보로 끌어올림 | 단락이 '조각' 단위로 비교당함 |
| ② Reranking(재정렬) | 후보 청크를 질문과 함께 다시 읽고 순위 매김 | 질문에 직접 답하는 단락이 위로 |
| ③ Generation(생성) | 상위 청크 몇 개만 근거로 답변 작성·인용 | 선택된 단락만 답변에 들어감 |
여기서 결정적인 사실 하나. ①과 ②에서 비교당하는 단위는 글 전체가 아니라 청크입니다. 즉 당신의 단락 하나가 질문이라는 시험지 앞에 단독으로 끌려 나옵니다. 옆 단락이 아무리 훌륭해도, 끌려 나온 그 단락이 혼자서 질문에 답하지 못하면 탈락입니다. 이것이 '한 단락 = 하나의 완결된 의미'가 절대 원칙인 이유입니다.
임베딩: 단락은 '점'이 되어 비교당한다
검색 단계에서 청크는 임베딩(embedding)이라는 숫자 벡터로 바뀝니다. 비슷한 의미의 글은 비슷한 좌표의 점이 되고, 질문도 점이 되어 가까운 점들을 끌어옵니다. 2020년 Karpukhin 등의 Dense Passage Retrieval 연구(arXiv:2004.04906)는 이렇게 의미로 검색하는 방식이 단순 키워드 일치(BM25)보다 더 정확하게 정답 구절을 찾아낸다는 걸 보였습니다.
그런데 여기 함정이 있습니다. 한 단락에 두세 가지 주제를 섞으면, 그 점은 어느 주제와도 어중간하게 가까운 '흐릿한 점'이 됩니다. 색깔로 비유하면, 빨강만 담은 단락은 선명한 빨강 점이 되지만 빨강·파랑·노랑을 섞으면 탁한 회색 점이 됩니다. 회색 점은 그 어떤 또렷한 질문과도 잘 안 맞습니다. 한 단락 한 주제가 검색에 유리한 진짜 이유가 이것입니다.
맥락을 잃은 조각은 버려진다 — Contextual Retrieval
Anthropic이 2024년 공개한 Contextual Retrieval 연구는 청킹의 가장 큰 약점을 정면으로 짚습니다. 긴 문서를 기계적으로 자르면 각 조각이 '맥락'을 잃습니다. 예를 들어 "이 수치는 전년 대비 3% 늘었다"라는 조각만 떼어 놓으면, 무슨 회사의 무슨 수치인지 알 수 없어 검색에서 버려집니다. Anthropic은 각 청크 앞에 그 조각이 무슨 맥락인지 짧게 붙여주는 것만으로 검색 실패율이 35% 줄었다(5.7%→3.7%)고 보고했습니다. 여기에 키워드 검색(BM25)을 더한 하이브리드로는 49%, 재정렬까지 더하면 67%까지 실패율이 줄었습니다.
이 연구가 우리 같은 '글 쓰는 사람'에게 주는 교훈은 명확합니다. 시스템이 맥락을 보강해주기 전에, 글쓴이가 애초에 맥락이 담긴 단락을 쓰면 됩니다. 대명사("그것", "이 방식") 대신 명사를 쓰고, 단락 첫 문장에 주어를 또박또박 박아 넣는 일. 그게 바로 사람이 직접 하는 Contextual Retrieval입니다.
AI가 좋아하는 단락의 4가지 조건
지금까지의 메커니즘을 실무 규칙으로 압축하면 네 가지입니다.
- ① 자기완결성(self-contained): 앞뒤를 안 봐도 그 단락만으로 뜻이 통한다. 대명사·"위에서 말한"·"아래 표처럼" 같은 의존 표현을 줄인다.
- ② 한 단락 한 주제: 한 조각에 한 가지 핵심만. 주제가 바뀌면 단락을 나눈다.
- ③ 두괄식 직답: 단락 첫 문장이 곧 답. 질문→답 구조가 검색·재정렬·생성 세 단계 모두에 유리하다.
- ④ 적당한 길이: 너무 짧으면 맥락 부족, 너무 길면 여러 주제가 섞인다. 한 단락 3~5문장, 하나의 완결된 생각이 기준.
단락 쓰기 체크리스트 — 약한 예 vs 강한 예
이제 진짜 문장으로 봅시다. 같은 내용인데 AI가 인용하기 쉬운 쪽은 어느 쪽일까요?
1) 두괄식 직답으로 시작하기
❌ 약한 예:
"여러 가지 요인을 고려해야 합니다. 비용도 중요하고 시간도
중요하죠. 그래서 결론적으로 말씀드리면, 소규모 팀에는
주간 발행이 적합합니다."
✅ 강한 예:
"소규모 팀에는 주간 발행 주기가 가장 적합합니다.
이유는 두 가지입니다. 첫째, 적은 인원으로 품질을
유지할 수 있고, 둘째, 검색엔진이 꾸준한 갱신을 신뢰
신호로 받아들이기 때문입니다."강한 예는 첫 문장이 곧 답입니다. 재정렬(reranking) 단계에서 AI는 질문과 청크를 나란히 놓고 "이 조각이 질문에 직접 답하나?"를 봅니다. 답이 맨 앞에 있으면 점수가 높아집니다.
2) 대명사 대신 명사 — 맥락을 단락 안에 가두기
❌ 약한 예:
"이것은 그 문제를 해결하는 데 효과적이다. 다만 그 경우에는
주의가 필요하다."
✅ 강한 예:
"구조화 데이터(JSON-LD)는 검색엔진의 콘텐츠 오해 문제를
해결하는 데 효과적이다. 다만 페이지에 없는 정보를
구조화 데이터에만 넣는 경우에는 스팸으로 분류될 수 있어
주의가 필요하다."약한 예의 "이것", "그 문제", "그 경우"는 앞 단락을 봐야만 풀립니다. 그런데 검색 단계에서 이 조각은 앞 단락 없이 단독으로 끌려 나옵니다. 명사로 못 박은 강한 예라야 조각 혼자서도 살아남습니다.
3) 한 단락 한 주제 — 흐릿한 점 만들지 않기
❌ 약한 예 (한 단락에 가격·배송·환불이 다 섞임):
"이 제품은 3만 원이며 무료배송이고 색상은 세 가지인데
환불은 7일 이내 가능하고 AS는 1년간 무상입니다."
✅ 강한 예 (질문별로 단락/소제목 분리):
"가격은 3만 원이며 5만 원 이상 구매 시 무료배송입니다."
"환불은 수령 후 7일 이내 가능하며, 단순 변심도 포함됩니다."
"AS는 구매일로부터 1년간 무상으로 제공됩니다."약한 예는 임베딩 단계에서 가격·배송·환불 어느 질문과도 어중간하게 가까운 회색 점이 됩니다. "환불 며칠까지 돼?"라는 질문에 또렷이 답하는 건 환불만 담은 강한 예의 단락입니다.
4) 수치·출처·직접 인용으로 단락 채우기
❌ 약한 예:
"AI 검색 최적화를 하면 노출이 많이 늘어난다고 합니다."
✅ 강한 예:
"한 연구(Aggarwal 등, KDD 2024)에서는 콘텐츠에 통계·출처
인용·직접 인용문을 추가했을 때 생성형 검색엔진에서의
가시성이 특정 조건에서 최대 약 40%까지 높아졌습니다."이것은 GEO(Generative Engine Optimization) 연구(Aggarwal 등 2023, arXiv:2311.09735)가 실제로 측정한 결과입니다. 통계·출처·직접 인용문을 갖춘 단락은 생성 단계에서 AI가 '믿고 인용하기 좋은 조각'으로 대접받습니다. 막연한 형용사("많이", "엄청난") 대신 검증된 수치 한 줄이 단락의 인용 가치를 끌어올립니다.
청크 경계를 망치지 않는 법 — 어디서 잘리는가
좋은 단락을 써도, 글의 '잘리는 자리'를 망치면 소용없습니다. 시스템은 보통 제목(h2/h3), 단락(p), 목록(li) 같은 HTML 구조를 청크 경계의 단서로 씁니다. 그래서 다음을 지키면 깔끔하게 잘립니다.
- 소제목으로 의미 단위를 끊어준다. h2·h3는 "여기서 주제가 바뀐다"는 가장 강한 신호입니다. 긴 글일수록 소제목을 자주 넣어 조각의 경계를 또렷이 만드세요.
- 한 가지 정보는 한 곳에. 같은 사실을 글 곳곳에 흩어 놓으면 어느 조각도 완전하지 않습니다. 핵심 정보는 한 단락에 모으세요.
- 목록과 표를 활용한다. 비교·절차·항목은 표나 목록으로 만들면 의미 단위가 자명해져 잘리기 좋습니다.
- 소제목 바로 뒤 첫 문장에 직답을 넣는다. 그 소제목이 던지는 질문에 대한 답을 첫 문장으로. 조각의 맨 앞이 곧 핵심이 됩니다.
긴 글이라면 — 중요한 건 앞과 끝에
단락을 잘 썼다면, 이제 배치입니다. Liu 등의 2023년 연구 'Lost in the Middle'(arXiv:2307.03172)은 흥미로운 현상을 보고했습니다. AI에게 긴 맥락을 주면, 맨 앞과 맨 끝의 정보는 잘 활용하지만 중간에 묻힌 정보는 놓치는 'U자형' 경향이 나타난다는 것입니다. 사람이 긴 회의에서 처음과 마지막 발언만 기억하는 것과 비슷합니다.
실무 교훈은 단순합니다. 가장 인용시키고 싶은 핵심 결론은 글의 앞부분(도입 직후)과 끝부분(요약)에 두 번 배치하세요. 긴 글의 한가운데에만 핵심을 묻어 두면, 검색은 됐어도 생성 단계에서 누락될 위험이 있습니다. 이 글이 첫 문장에 직답을 넣은 것도 같은 이유입니다.
발행 전 90초 체크리스트
글을 올리기 전, 단락마다 이 질문을 던져보세요.
- 이 단락을 글에서 떼어내 메신저에 붙여도 뜻이 통하는가? (자기완결성)
- 이 단락의 핵심을 한 문장으로 말하면? 두 문장 이상이면 단락을 나눠야 한다. (한 주제)
- 첫 문장만 읽어도 이 단락이 무슨 답을 주는지 보이는가? (두괄식)
- "이것/그것/위에서/아래처럼" 같은 의존 표현이 있는가? 있으면 명사로 바꾼다. (맥락 고정)
- 막연한 형용사 대신 수치·출처를 넣을 자리가 있는가? (인용 가치)
- 가장 중요한 결론이 글 앞·끝에 모두 있는가? (Lost in the Middle 대비)
Citeon은 이 원리를 제품에 담았다
여기까지 읽고 "내 글은 잘 잘리고 있을까? AI가 실제로 우리 단락을 인용하고 있을까?"가 궁금하실 겁니다. 청킹은 눈에 안 보여서, 잘 됐는지 안 됐는지를 글쓴이 혼자 확인하기 어렵습니다. Citeon은 바로 그 '보이지 않는 결과'를 측정합니다.
- 4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude에서 우리 브랜드가 실제로 얼마나 인용되는지 점유율(Share of Voice)로 보여줍니다. 단락을 고친 뒤 인용이 늘었는지 숫자로 확인할 수 있습니다.
- 사이트 진단엔진: URL만 넣으면 SEO·AEO·GEO 관점에서 페이지를 점수화하고, 어떤 부분이 AI가 읽기 어렵게 돼 있는지 한국어 처방을 제시합니다.
- 경쟁사 역추적: 같은 질문에서 경쟁사가 왜 인용되는지를 거꾸로 분석해, 우리 단락에 무엇이 빠졌는지 알려줍니다.
- 주간 모니터 추이: 단락·콘텐츠를 손본 뒤 인용이 어떻게 변하는지 주 단위로 추적합니다.
무엇보다, 글 한 편을 고치는 것과 사이트 전체를 AI 친화적으로 다듬는 것은 다른 일입니다. 어디서부터 손대야 할지 막막하다면 Citeon 무료 AI 가시성 진단(₩0)으로 시작해 보세요. URL 하나로 지금 우리 페이지가 AI에게 어떻게 보이는지, 무엇부터 고쳐야 하는지 처방 리포트를 받아볼 수 있습니다.
자주 묻는 질문(FAQ)
단락은 정확히 몇 글자, 몇 문장이 좋은가요?
절대적인 정답은 없지만, '하나의 완결된 생각'을 기준으로 보통 3~5문장이 적당합니다. 너무 짧으면 맥락이 부족해 검색에서 버려지고, 너무 길면 여러 주제가 섞여 임베딩이 흐릿해집니다. 글자 수보다 '이 단락의 핵심을 한 문장으로 요약되는가'를 기준으로 삼으세요. 한 문장으로 요약이 안 되면 단락이 두 개여야 한다는 신호입니다.
소제목(h2/h3)을 많이 넣으면 SEO에 안 좋지 않나요?
의미 단위마다 넣는 소제목은 오히려 도움이 됩니다. 소제목은 AI 검색엔진에 "여기서 주제가 바뀐다"는 청크 경계 신호를 주고, 사람 독자에게도 구조를 보여줍니다. 다만 키워드를 욱여넣은 억지 소제목이나, 한두 문장마다 다는 과도한 소제목은 역효과입니다. '독자가 목차만 봐도 내용이 그려지는가'를 기준으로 삼으세요.
이미 쓴 긴 글들도 다시 손봐야 하나요?
전부 다시 쓸 필요는 없습니다. 우선순위는 ① 대명사로 시작하는 단락을 명사로 고치기, ② 여러 주제가 섞인 긴 단락을 쪼개기, ③ 핵심 결론을 글 앞·끝에 배치하기입니다. 이 세 가지만으로도 청크 품질이 크게 올라갑니다. 어느 글부터 손대야 효율적인지는 인용 측정 데이터를 보고 정하는 것이 가장 정확합니다.
표나 목록도 청크로 잘 잡히나요?
네, 표와 목록은 의미 단위가 명확해서 오히려 잘리기 좋은 형식입니다. 다만 표의 각 행이 무엇에 대한 것인지 헤더(제목 행)가 분명해야 하고, 목록 항목도 "이것/저것" 같은 의존 표현 없이 그 자체로 읽히도록 써야 합니다. 비교·절차·항목 나열은 문장 덩어리보다 표·목록으로 쓰는 것이 AI 인용에 유리합니다.
청킹을 잘했는지 어떻게 확인하나요?
가장 확실한 방법은 실제 AI 검색 결과를 측정하는 것입니다. 같은 질문을 ChatGPT·Perplexity 등에 던졌을 때 우리 페이지가 인용되는지, 경쟁사만 인용되는지를 보면 됩니다. 다만 AI 답변은 같은 질문에도 결과가 흔들리므로(비결정성) 한 번이 아니라 여러 번·주기적으로 측정해야 신뢰할 수 있습니다. Citeon은 이 측정을 4개 엔진에서 주간 추이로 자동화해 보여줍니다.
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/KDD 2024), GEO: Generative Engine Optimization
- Anthropic (2024), Introducing Contextual Retrieval