이커머스 브랜드의 AEO 전략 — 제품을 AI가 추천하게

이커머스 브랜드가 AI에게 추천받는 방법은 한 줄로 말하면 이렇습니다: "좋은 제품을 파는 것"이 아니라 "AI가 검색해서 꺼내 쓰기 좋은 형태로 제품 정보를 정리해 두는 것"입니다. 고객이 "30대 민감성 피부에 좋은 수분 크림 추천해줘"라고 ChatGPT에 물으면, AI는 그 순간 웹을 뒤져 후보 문서를 모으고(retrieval), 질문에 가장 맞는 것을 다시 추리고(reranking), 그 내용만으로 답을 씁니다(generation). 이 세 단계 어디에도 '제품이 좋다'는 추상적 사실은 끼어들 자리가 없습니다. AI가 읽을 수 있는 구체적인 문장으로 적혀 있어야만 후보에 오릅니다. 이 글에서는 그 원리를 RAG 메커니즘으로 풀고, 이커머스 상품 페이지·리뷰·구조화 데이터를 어떻게 손봐야 AI 추천에 올라타는지 바로 따라 할 체크리스트로 정리합니다.

왜 '검색 1위'와 'AI 추천'은 다른 게임인가

전통 SEO는 사람이 검색 결과 페이지를 직접 보고 클릭하는 것을 전제로 합니다. 10개 파란 링크가 뜨고, 사용자가 그중 하나를 고릅니다. 그런데 AI 검색은 중간 단계를 통째로 삼킵니다. 사용자는 링크 목록 대신 "이 세 가지를 추천합니다"라는 완성된 문장을 받습니다. 여기서 핵심 질문이 바뀝니다.

SEO 질문: 어떻게 하면 검색 결과 상단에 노출될까?
AEO 질문: 어떻게 하면 AI가 답을 쓸 때 우리 제품 문장을 그대로 가져다 쓸까?

AEO(Answer Engine Optimization, 답변 엔진 최적화)는 "검색되는 것"이 아니라 "인용되는 것"을 목표로 합니다. 그리고 인용되려면 AI가 어떻게 답을 만드는지를 알아야 합니다. 그 메커니즘이 바로 RAG입니다.

RAG — AI가 제품을 추천하는 3단계의 속살

RAG는 Retrieval-Augmented Generation의 약자로, 2020년 Lewis 등의 연구(arXiv:2005.11401)에서 제안된 구조입니다. 핵심은 AI가 "외워둔 지식(파라메트릭 메모리)"만으로 답하지 않고, "그때그때 검색해 온 외부 문서(비파라메트릭 메모리)"를 결합해 답한다는 것입니다. 쉽게 말해 AI는 시험장에서 머릿속 기억만 쓰는 학생이 아니라, 오픈북으로 자료를 찾아 베껴 쓰는 학생입니다. 그래서 "무엇이 책에 적혀 있느냐"가 답을 좌우합니다.

1단계 Retrieval(검색) — 후보 목록에 들어가기

사용자가 질문하면 AI는 먼저 관련 있어 보이는 문서 조각(청크)을 끌어모읍니다. 이때 두 가지 방식이 함께 쓰입니다.

키워드 검색(BM25): '수분 크림', '민감성'이라는 단어가 글자 그대로 일치하는 문서를 찾습니다. 도서관에서 책 제목 색인을 뒤지는 사서와 같습니다.
의미 검색(임베딩/Dense Retrieval): 단어가 정확히 일치하지 않아도 의미가 비슷한 문서를 찾습니다. '예민한 피부'라고 적혀 있어도 '민감성'과 통한다는 걸 압니다. 책 내용을 다 읽고 주제를 아는 사서입니다. 2020년 Karpukhin 등의 DPR 연구(arXiv:2004.04906)는 이 의미 검색이 단순 키워드 검색(BM25)을 능가한다는 걸 보였습니다.

둘을 합친 것이 하이브리드 검색입니다. 비유하면 도서관의 '키워드 색인'과 '주제를 아는 사서'를 동시에 부리는 셈입니다. 공개 벤치마크들을 종합하면 recall@10(상위 10개 안에 정답이 들어올 확률)이 의미 검색 단독 약 78%, 키워드 단독 약 65%인데, 둘을 합치면 약 91%까지 올라갑니다. 즉 당신의 제품이 후보에 들어갈 확률은 '어떻게 검색되느냐'에 크게 달려 있고, 글자(키워드)와 의미(맥락) 둘 다 잡아야 한다는 뜻입니다.

그래서 이커머스 상품 설명에는 고객이 실제로 쓰는 단어(키워드)와, 그 단어를 둘러싼 맥락 문장(의미)이 둘 다 필요합니다.

구분	잡는 것	이커머스 적용
키워드 검색(BM25)	정확한 단어 일치	'무선 이어폰', '노이즈 캔슬링' 같은 정확한 제품·기능명
의미 검색(임베딩)	뜻이 통하는 표현	'시끄러운 지하철에서도 음악만 들리는' 같은 상황 묘사
하이브리드(둘 다)	단어 + 맥락	제품명 + 사용 상황 + 고객 언어를 함께 담은 설명

2단계 Reranking(재정렬) — 후보 중에서 다시 추려지기

검색으로 모은 후보 수십 개가 전부 답에 쓰이진 않습니다. AI는 그중 질문과 가장 잘 맞는 소수만 골라냅니다. 이걸 reranking이라 부르고, cross-encoder라는 모델이 '질문'과 '후보 문서'를 함께 읽어 다시 점수를 매깁니다. 1차 검색이 '제목만 보고 책을 뽑는 단계'라면, reranking은 '뽑은 책을 질문과 나란히 놓고 정독해서 순위를 다시 매기는 단계'입니다. 실무 보고들을 종합하면 reranking을 추가했을 때 NDCG(순위 품질 지표)가 5~15포인트, 어려운 질의에서는 약 20포인트까지 오릅니다.

Anthropic이 2024년 공개한 Contextual Retrieval 실험은 이 흐름을 수치로 보여줍니다. 청크에 맥락을 덧붙이자 검색 실패율이 35% 줄었고(5.7%→3.7%), 여기에 키워드 검색(BM25)을 더하니 49%, reranking까지 더하니 67% 감소했습니다. 같은 연구는 상위 20개(top-20)를 후보로 넘기는 것을 권장합니다. 시사점은 분명합니다. 당신의 제품 문장이 질문과 '나란히 놓고 읽었을 때' 명확하게 답이 되어야 재정렬의 칼날을 통과합니다.

3단계 Generation(생성) — 답변 문장에 인용되기

마지막으로 AI는 추려진 문서만 읽고 답을 씁니다. 여기서 무서운 사실 하나. AI는 모든 후보를 똑같이 주의 깊게 읽지 않습니다. 2023년 Liu 등의 'Lost in the Middle' 연구(arXiv:2307.03172)는 긴 맥락의 중간에 놓인 정보가 손실되는 U자형 현상을 보고했습니다. 사람이 긴 목록을 받으면 맨 앞과 맨 끝만 기억하는 것과 똑같습니다. 핵심은 문서의 앞과 끝에 둬야 한다는 실전 교훈이 여기서 나옵니다. 상품 페이지라면 가장 중요한 한 줄 요약·핵심 스펙을 맨 위에, 결정적 차별점·보증 정보를 맨 끝에 배치하는 식입니다.

그래서, AI가 인용하기 좋은 제품 문장이란? (❌/✅ 대조)

2023년 Aggarwal 등의 GEO 연구(arXiv:2311.09735, KDD 2024)는 생성 엔진에서의 가시성을 실험으로 측정했는데, 통계 수치 추가·출처 인용·직접 인용문 추가가 특정 조건에서 가시성을 최대 약 40%까지 끌어올렸다고 보고합니다. 이커머스 문장에 그대로 적용해 봅시다.

1) 추상적 자랑 → 구체적 스펙·수치

❌ "강력한 흡입력으로 깨끗하게 청소되는 무선 청소기"
✅ "흡입력 220AW, 한 번 충전으로 60분 연속 사용, 0.3마이크로미터
   미세먼지 99.97% 포집(HEPA 13등급). 30평 아파트 1회 청소에 약 25분."

위는 의미 검색에도, 키워드 검색에도, 생성 단계에도 약합니다. 아래는 '60분', '99.97%', 'HEPA 13' 같은 꺼내 쓰기 좋은 사실이 박혀 있어 AI가 "이 청소기는 한 번 충전으로 60분 쓸 수 있습니다"라고 그대로 인용할 수 있습니다.

2) 모호한 대상 → 구체적 사용 상황·대상

❌ "누구에게나 잘 어울리는 데일리 백팩"
✅ "15인치 노트북이 들어가는 17L 용량. 매일 왕복 2시간 대중교통으로
   출퇴근하는 직장인이 노트북·텀블러·우산을 한 번에 넣고 다니기 좋은 크기."

"누구에게나"는 의미 검색에서 어떤 질문과도 강하게 연결되지 않습니다. 반대로 "출퇴근 직장인", "15인치 노트북"은 구체적 질문("노트북 들어가는 출근용 백팩")과 의미가 딱 맞아 후보로 끌려옵니다.

3) 자체 칭찬 → 출처·리뷰 기반 근거

❌ "고객 만족도가 매우 높은 베스트셀러 영양제"
✅ "재구매율 68%(자사 2026년 1분기 주문 데이터 기준). 구매 후기 4,200건
   평균 별점 4.7. '한 달 먹고 아침에 덜 피곤해졌다'는 후기가 가장 많음."

GEO 연구가 가리키는 방향이 바로 이것입니다. 수치, 데이터 출처, 그리고 실제 인용문(후기 문장)은 AI가 신뢰하고 그대로 옮기기 좋은 재료입니다. 단, 지어낸 수치는 절대 금물입니다. AI가 인용한 뒤 사용자가 페이지를 열어 확인하므로, 사실과 다르면 신뢰가 무너집니다.

이커머스 AEO 실전 체크리스트

지금까지의 원리를 바로 따라 할 수 있게 페이지 요소별로 정리했습니다.

상품 페이지 본문

맨 위 3줄 요약을 둡니다. '무엇을, 누구에게, 왜 좋은가'를 한 호흡에. (Lost in the Middle 대응 — 앞에 핵심)
스펙은 표로. 용량·무게·소재·호환·보증을 표 한 칸씩에. AI는 표를 청크 단위로 깔끔하게 끌어갑니다.
고객 언어와 제품 언어를 함께. '러닝화'(제품어)와 '발 안 아픈 운동화'(고객어)를 한 문장 안에 자연스럽게.
맨 끝에 차별점·보증. '경쟁 제품과 다른 점', '교환·환불 정책'을 마지막 단락에. (앞뒤 배치 원칙)

리뷰·Q&A

실제 후기 인용문이 본문에 노출되게 합니다. "직접 인용문 추가"는 GEO 연구가 검증한 가시성 상승 요소입니다.
자주 묻는 질문은 질문 형태 그대로 페이지에 둡니다. 사용자의 AI 질문과 글자·의미가 맞아떨어집니다.

구조화 데이터(Schema)

Product, Offer(가격·재고), AggregateRating(별점), FAQPage 스키마를 마크업합니다. AI 크롤러가 '이건 제품, 이건 가격, 이건 별점'으로 구조를 또렷이 읽습니다.

크롤러 접근 허용 — 가장 자주 놓치는 함정

아무리 잘 써도 AI 크롤러가 못 들어오면 후보에조차 못 듭니다. robots.txt에서 다음을 허용해야 retrieval 후보군에 진입합니다.

# AI 검색 크롤러 허용 예시 (robots.txt)
User-agent: GPTBot          # OpenAI 학습/검색
User-agent: OAI-SearchBot   # ChatGPT 검색
User-agent: PerplexityBot   # Perplexity
User-agent: ClaudeBot       # Anthropic
User-agent: anthropic-ai    # Anthropic
User-agent: Google-Extended # 구글 AI
Allow: /

참고로 네이버는 외부 크롤러를 차단하기 때문에, 글로벌 AI는 네이버 블로그 대신 나무위키·위키백과·티스토리 등을 우회해 인용하는 경향이 있습니다. 한국 이커머스라면 '자사몰 + 글로벌 AI가 읽을 수 있는 외부 채널'을 함께 설계해야 하는 이유입니다.

엔진마다 추천 성향이 다르다 — 한 우물만 파지 말 것

대규모 인용 분석들에 따르면 AI 엔진이 인용하는 출처는 엔진마다 크게 다릅니다. 한 분석에서는 ChatGPT와 Perplexity가 공통으로 인용하는 도메인이 약 11%에 불과했고, 인용의 약 90%가 엔진마다 달랐습니다. ChatGPT는 위키백과 비중이 약 47.9%, Perplexity는 Reddit 비중이 약 46.7%로 나타나기도 했습니다(출처: Profound/Discovered Labs 등). 이커머스 입장에서 이는 "한 엔진에서 추천받았다고 안심하면 안 된다"는 뜻입니다.

엔진	성향(보고된 경향)	이커머스 시사점
ChatGPT	위키·커뮤니티 비중 높음	제품 카테고리의 위키/커뮤니티 존재감도 신경 쓸 것
Perplexity	실시간 웹·인라인 인용, Reddit 비중	최신 후기·실사용 글이 잘 인용됨
Gemini	구글 색인·E-E-A-T 중시	구조화 데이터·신뢰 신호가 유리
Claude	근거 약한 콘텐츠를 보수적으로 걸러냄	출처·수치 없는 자랑은 잘 안 쓰임
Grok	실시간 웹+X 스트림, 인용 정확도 편차	SNS 언급·실시간 화제성 영향

특히 Claude처럼 "근거 약한 콘텐츠를 보수적으로 거르는" 엔진을 통과하려면, 앞서 말한 수치·출처·인용문 원칙이 더더욱 중요해집니다.

측정 — "추천됐다"를 어떻게 숫자로 확인하나

여기서 가장 흔한 실수가 나옵니다. ChatGPT에 한 번 물어보고 "우리 제품 나왔다/안 나왔다"로 판단하는 것입니다. 이건 노이즈입니다. LLM은 같은 질문에도 결과가 흔들립니다. temperature=0(가장 결정적인 설정)에서도 GPU 연산·배치 처리 특성 때문에 출력이 달라집니다. 한 분석에서는 대형 모델에 같은 질문을 1,000회 던졌을 때 80가지 출력이 나오기도 했습니다. AI 가시성의 불확실성을 다룬 연구는 인용이 멱법칙(power law)처럼 출렁인다고 보고하며, 단일 측정 대신 다중 실행 + 부트스트랩 신뢰구간을 권장합니다.

따라서 이커머스 AEO 측정은 이렇게 해야 합니다.

질문 세트를 고정합니다. "~제품 추천", "~브랜드 어때", "~대안" 등 카테고리를 대표하는 질문들. 질문 세트 선정이 결과를 좌우하므로 신중히.
여러 번 반복 측정해 평균과 변동 폭을 봅니다. 한 번 결과로 단정하지 않습니다.
SOV(Share of Voice)를 봅니다. 카테고리 AI 답변 중 우리 브랜드가 언급된 비율입니다. 단, 엔진을 합산해 하나의 숫자로 뭉개면 엔진별 메커니즘이 가려지므로 엔진별로 따로 봅니다.

그리고 가시성은 그 자체가 목적이 아닙니다. 한 측정 철학(Overdrive의 CFO식 관점)은 가시성을 "매출·리드라는 결과를 설명하는 2차 지표"로 봅니다. AI 추천 유입의 전환율이 일반 검색보다 몇 배 높게 나타나는 사례도 일부 분석에서 보고되지만, 구체 수치는 업종·상황마다 다르므로 단정은 금물입니다. 핵심은 '추천 노출 → 유입 → 전환'을 연결해서 보라는 것입니다.

Citeon은 이 원리를 제품에 담았다

지금까지의 원리—후보에 들기, 재정렬 통과, 인용되기, 그리고 엔진별로 다르게 측정하기—를 사람이 손으로 매번 확인하긴 어렵습니다. Citeon은 이 과정을 제품으로 만들었습니다.

4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude에서 우리 제품·브랜드가 실제로 인용되는 비율을 엔진별로 측정합니다. 앞서 말한 '엔진마다 성향이 다르다'는 문제를 합산이 아니라 엔진별로 보여줍니다.
사이트 진단엔진: 상품 페이지 URL을 넣으면 SEO·AEO·GEO 관점에서 점수(0~100)와 한국어 처방을 내줍니다. 쇼핑몰 유형을 인지해 이커머스에 맞는 진단을 합니다.
경쟁사 역추적: 같은 카테고리에서 경쟁 제품이 어떻게 인용되고 있는지 거꾸로 분석합니다.
주간 모니터 추이: 단일 측정의 노이즈를 피하기 위해 주간 추이로 변화를 추적합니다.

시작은 비용이 들지 않습니다. 무료 진단(₩0)으로 지금 우리 상품 페이지가 AI 검색에서 어디쯤 있는지부터 확인해 보세요. citeon.cloud에서 무료 AI 가시성 진단 받기 →

자주 묻는 질문

상품 수가 수천 개인데, 전부 다 손봐야 하나요?

아닙니다. 매출·마진 기여가 큰 핵심 상품과, AI 질문이 몰리는 카테고리 대표 상품부터 시작하세요. 앞 3줄 요약·핵심 스펙 표·구조화 데이터 세 가지만 우선 적용해도 retrieval 후보 진입 확률이 올라갑니다. 전체 적용은 그다음 단계입니다.

리뷰가 많으면 무조건 유리한가요?

수는 거들 뿐이고, '인용하기 좋은 문장'이 들어 있느냐가 더 중요합니다. "좋아요" 같은 한 줄 후기보다 "민감성 피부인데 한 달 써도 트러블이 없었다" 같은 구체적 후기가 의미 검색과 생성 단계 모두에서 잘 쓰입니다. 구체적 상황·결과가 담긴 후기를 페이지 본문에 노출하세요.

한 번 ChatGPT에 물어보니 우리 제품이 나왔는데, 성공한 건가요?

단정하기 이릅니다. LLM은 같은 질문에도 결과가 흔들립니다(temperature=0에서도). 한 분석에선 같은 질문 1,000회에 80가지 출력이 나왔습니다. 여러 번 반복 측정해 '평균적으로 얼마나 자주 인용되는지'를 봐야 합니다. 단일 측정은 노이즈입니다.

네이버 스마트스토어만 운영하는데도 AEO가 의미 있나요?

네이버는 외부 크롤러를 차단해, 글로벌 AI(ChatGPT·Perplexity 등)는 네이버 안의 내용을 직접 읽기 어렵습니다. 그래서 글로벌 AI가 읽을 수 있는 외부 채널(자사몰·위키·커뮤니티 등)에 제품 정보를 함께 노출하는 설계가 필요합니다. 반대로 네이버 AI 답변 영역은 별도의 게임이므로, 둘을 나눠 접근하세요.

구조화 데이터(Schema)만 넣으면 추천되나요?

구조화 데이터는 AI가 '이건 가격, 이건 별점'으로 구조를 또렷이 읽게 돕는 보조 장치입니다. 하지만 본문 문장 자체가 구체적이지 않으면(수치·상황·근거 없이 자랑만 있으면) 재정렬·생성 단계를 통과하지 못합니다. 스키마는 필요조건이지 충분조건이 아닙니다.