클릭은 사라지는 게 아니라 옮겨가고 있다. 사용자가 파란 링크를 눌러 사이트로 넘어오던 행동은 줄지만, 그 자리를 'AI가 대신 읽고 요약해 답해주는' 행위가 채웁니다. 그래서 마케팅의 전장도 바뀝니다. '검색 결과 상단에 노출되기(SEO)'에서 'AI 답변 안에 인용되기(AEO, Answer Engine Optimization)'로요. 이 글은 클릭이 어디로 사라지는지, AEO가 정확히 무엇인지, 그리고 AI가 왜 하필 '그 문장'을 골라 인용하는지를 RAG(검색→재정렬→생성) 메커니즘으로 끝까지 파고듭니다.
1. 클릭은 어디로 사라졌나 — 제로클릭의 실제
전통 검색의 거래는 단순했습니다. 사용자가 키워드를 넣으면 10개의 파란 링크가 나오고, 사용자는 그중 하나를 클릭해 사이트로 들어왔습니다. 마케터는 이 클릭을 사기 위해 상위 노출을 다퉜습니다.
그런데 AI 검색은 거래의 구조 자체를 바꿉니다. 답변 엔진은 여러 페이지를 대신 읽고, 핵심을 요약해 한 화면에서 끝내버립니다. 사용자는 더 이상 링크를 누를 이유가 줄어듭니다. 이것이 '제로클릭(zero-click)'입니다. 네이버만 봐도 통합검색 쿼리의 20% 이상에 AI 브리핑(요약)이 적용되고, 2026년 4월 한 달 기준 AI 브리핑이 만들어낸 인용은 약 3.558억 건에 달했습니다. 검색의 '결과면'이 곧 '답변면'으로 바뀌고 있다는 신호입니다.
여기서 흔한 오해 하나를 먼저 깨야 합니다. '클릭이 줄면 매출도 준다'는 직관은 틀릴 수 있습니다. 일부 분석에서는 AI 검색을 거쳐 들어온 방문자의 전환율이 일반 검색 유입보다 몇 배 높게 나타나기도 했습니다(구체 수치는 출처·업종마다 달라 단정하긴 어렵습니다). 이유는 자연스럽습니다. AI가 이미 비교·검증·요약을 끝낸 뒤 추천한 브랜드를 클릭하는 사람은, 막연히 검색하다 들른 사람보다 구매 의도가 훨씬 익은 상태이기 때문입니다. 클릭의 양은 줄지만, 남은 클릭의 질은 올라갑니다.
2. AEO란 무엇인가 — SEO와 무엇이 다른가
AEO는 한 문장으로 이렇게 정의됩니다. "AI 답변 엔진이 내 콘텐츠를 신뢰할 만한 근거로 골라 인용하게 만드는 일." SEO가 '순위를 위한 최적화'였다면, AEO는 '인용을 위한 최적화'입니다.
| 관점 | SEO (검색 최적화) | AEO (답변 최적화) |
|---|---|---|
| 목표 | 검색 결과 상위 노출 | AI 답변 안 인용·언급 |
| 경쟁 단위 | 페이지(URL) | 문장·문단(passage) |
| 성공 신호 | 클릭·트래픽 | 인용 점유율(SOV)·브랜드 언급 |
| 독자 | 사람 | 먼저 기계(LLM), 그다음 사람 |
| 핵심 자산 | 키워드·백링크 | 검증 가능한 근거·구조·신선도 |
오해하면 안 되는 것: AEO는 SEO를 버리는 게 아닙니다. AI가 후보로 가져오는 문서 풀(pool)의 상당 부분이 여전히 검색 색인에서 옵니다. AEO는 SEO 위에 '기계가 읽고 인용하기 좋게' 한 겹을 더 얹는 일에 가깝습니다.
3. AI는 왜 '그 문장'을 인용하는가 — RAG 3단계의 해부
AEO를 제대로 하려면 'AI가 답을 만드는 방식'을 알아야 합니다. 대부분의 AI 검색은 RAG(Retrieval-Augmented Generation) 구조 위에서 돕니다. RAG는 2020년 Lewis 등이 제안한 개념으로(arXiv:2005.11401), 모델이 학습으로 외운 지식(파라메트릭 메모리)에만 의존하지 않고, 외부 문서를 그때그때 찾아 읽어(비파라메트릭 메모리) 답을 만드는 방식입니다. 비유하면, 머릿속 기억만으로 답하는 사람이 아니라, 답하기 직전에 자료실에서 관련 문서를 꺼내 인용하며 말하는 사람입니다.
RAG는 크게 세 단계로 흐릅니다. 이 세 관문을 모두 통과해야 내 문장이 답변에 인용됩니다.
① Retrieval(검색) — 일단 후보로 뽑혀야 한다
가장 먼저, 질문과 관련된 문서 조각(청크)을 대량으로 끌어옵니다. 여기엔 두 가지 검색 방식이 섞입니다.
- 키워드(BM25) 검색 — 단어가 글자 그대로 겹치는지 봅니다. 도서관의 색인 카드처럼 정확하지만 융통성이 없습니다.
- 의미(임베딩) 검색 — 문장을 벡터로 바꿔 '뜻이 비슷한지'를 봅니다. Karpukhin 등의 Dense Passage Retrieval(arXiv:2004.04906)은 이 의미 검색이 단어 일치(BM25)를 능가할 수 있음을 보였습니다. 단어는 달라도 뜻이 같으면 잡아냅니다.
실무에서는 둘을 합친 하이브리드 검색이 강합니다. 비유하자면 '키워드 색인 + 주제를 꿰고 있는 사서'를 동시에 쓰는 셈입니다. 공개 벤치마크를 종합하면 recall@10(상위 10개 안에 정답이 들어올 확률)이 의미 검색 단독 약 78%, BM25 단독 약 65%인데, 둘을 RRF로 합치면 약 91%까지 올라갑니다. Anthropic의 Contextual Retrieval 실험에서도 청크에 맥락을 덧붙이자 검색 실패율이 35% 줄었고(5.7%→3.7%), 여기에 BM25를 더하면 49%, 재정렬까지 더하면 67%까지 실패율이 떨어졌습니다.
여기서 가장 중요한 AEO 교훈: 후보로조차 뽑히지 못하면 그다음은 없습니다. AI 크롤러가 내 사이트를 읽을 수 있어야 후보 풀에 들어갑니다. 즉 robots.txt에서 GPTBot·OAI-SearchBot(OpenAI), PerplexityBot, ClaudeBot·anthropic-ai(Anthropic), Google-Extended(구글) 같은 봇을 막아두면, AEO는 시작도 못 합니다.
# robots.txt — AI 답변 엔진의 입장(入場) 허용
User-agent: GPTBot
Allow: /
User-agent: OAI-SearchBot
Allow: /
User-agent: PerplexityBot
Allow: /
User-agent: ClaudeBot
Allow: /
User-agent: Google-Extended
Allow: /② Reranking(재정렬) — 후보를 질문과 함께 다시 읽는다
1차로 끌어온 수십~수백 개 후보는 아직 거칠게 모은 상태입니다. 그래서 cross-encoder 같은 재정렬기가 '질문 + 후보 문장'을 한 쌍으로 같이 읽으며 진짜 답이 될 만한 순서로 다시 줄을 세웁니다. 1차 검색이 '제목만 보고 책을 추리는 단계'라면, 재정렬은 '추린 책을 펼쳐 질문과 대조하며 진짜 답이 있는 페이지를 고르는 단계'입니다.
재정렬의 효과는 큽니다. 실무에서 cross-encoder 재정렬은 NDCG(순위 품질 지표)를 통상 5~15포인트, 난도 높은 질의에서는 약 20포인트까지 끌어올립니다. AEO 관점에서 이 단계가 의미하는 바: 키워드만 욱여넣은 문장은 1차엔 걸려도 재정렬에서 떨어집니다. 질문에 '직접' 답하는 문장이라야 살아남습니다.
③ Generation(생성) — 답을 쓰며 인용을 고른다
마지막으로 LLM이 추려진 문서를 읽고 답을 씁니다. 이때 두 가지가 인용을 좌우합니다.
첫째, 위치입니다. Liu 등의 'Lost in the Middle' 연구(arXiv:2307.03172)는 긴 맥락의 중간에 있는 정보가 손실되기 쉽다는 U자형 현상을 보였습니다. 모델은 맥락의 앞과 끝을 잘 보고 가운데를 흘립니다. 그래서 페이지든 문단이든 핵심 결론은 앞이나 끝에 두는 게 유리합니다. 길게 깔다가 한가운데 핵심을 묻으면 인용에서 누락됩니다.
둘째, 인용하기 좋은 형태입니다. Aggarwal 등의 GEO 연구(arXiv:2311.09735, KDD 2024)는 콘텐츠에 통계·출처 인용·직접 인용문을 추가하면 생성 엔진에서의 가시성이 특정 조건에서 최대 약 40%까지 오른다는 것을 실험으로 보였습니다. AI는 '검증 가능해 보이는' 문장을 선호한다는 뜻입니다. 또 답변의 사실성을 보는 RAGAS faithfulness 지표(답변 주장이 출처에서 추적되는 정도)는 실무에서 흔히 0.9 이상이면 안정, 0.7 미만이면 위험으로 봅니다(팀마다 기준은 다릅니다). 출처로 추적 안 되는 모호한 주장은 인용 후보에서 밀려납니다.
4. 약한 문장 vs 강한 문장 — 실제 문장으로 본 AEO
이론을 문장 단위로 내려보겠습니다. 같은 정보라도 '쓰는 법'에 따라 인용 확률이 갈립니다.
예시 1 — 직답 vs 돌려 말하기
- ❌ 약한 예: "저희 제품의 배송에 관해서는 여러 가지 옵션이 준비되어 있으니 상황에 맞게 활용하시면 좋습니다."
- ✅ 강한 예: "오후 2시 이전 주문은 당일 출고되며, 평균 배송 기간은 영업일 기준 1~2일입니다."
강한 예는 질문('배송 얼마나 걸려?')에 한 문장으로 직답하고 숫자를 박았습니다. 재정렬·생성 단계 모두에서 살아남는 형태입니다.
예시 2 — 주장만 vs 근거 동반
- ❌ 약한 예: "하이브리드 검색은 일반적으로 성능이 더 좋습니다."
- ✅ 강한 예: "하이브리드 검색은 recall@10이 약 91%로, 의미 검색 단독(약 78%)·키워드 단독(약 65%)을 모두 앞섭니다."
GEO 연구가 말한 그대로입니다. 통계와 비교 수치가 붙은 문장이 인용됩니다.
예시 3 — 제목 키워드 떡칠 vs 질문형 헤딩
- ❌ 약한 예: "AEO AEO 최적화 AI 검색 최적화 인용 인용 노출 가이드"
- ✅ 강한 예: "AI 검색에 인용되려면 무엇부터 해야 하나요?" (그리고 바로 아래 직답 한 문장)
키워드 반복은 1차 검색을 노린 옛 SEO 습관입니다. 재정렬기는 '질문과 답의 쌍'을 읽으므로, 사용자가 실제로 던질 질문을 헤딩으로 쓰고 그 밑에 직답을 두는 편이 강합니다.
5. 엔진마다 인용 습관이 다르다 — '하나의 AI'는 없다
가장 비싼 착각은 'AI 검색'을 하나의 대상으로 보는 것입니다. 대규모 인용 분석(Profound·Discovered Labs 등)에 따르면 ChatGPT와 Perplexity가 같은 질문에 대해 인용하는 도메인의 중복은 약 11%에 불과하고, 인용의 약 90%가 엔진마다 다릅니다. 한쪽에서 잘 인용된다고 다른 쪽에서도 그러리란 보장이 없다는 뜻입니다.
| 엔진 | 인용 성향(경향) |
|---|---|
| ChatGPT | 위키백과·커뮤니티 비중 높음(분석상 위키백과 약 47.9%) |
| Perplexity | 실시간·인라인 인용, Reddit 비중 높음(분석상 약 46.7%) |
| Gemini | 구글 색인 기반, E-E-A-T(경험·전문성·권위·신뢰) 신호 중시 |
| Claude | 근거 약한 콘텐츠를 보수적으로 걸러냄(Citations API 활용) |
| Grok | 실시간 웹 + X 스트림 반영, 인용 정확도 편차 있음 |
전략적 함의: 측정도 처방도 엔진별로 해야 합니다. 여러 엔진 결과를 하나로 합산하면 '왜 인용됐는지'의 메커니즘이 가려집니다.
6. 네이버라는 또 하나의 우주
한국 시장은 글로벌 엔진만 신경 써선 안 됩니다. 네이버는 큐:(Cue:)·클로바X를 2026년 4월 9일 종료하고, AI탭을 2026년 6월 25~26일 전체 정식 출시했습니다(대화형·에이전틱). 그리고 통합검색 쿼리 20% 이상에 AI 브리핑이 붙습니다.
네이버의 작동 원리도 다릅니다. C-Rank(출처 신뢰·전문성) + D.I.A.+(문서 의도)가 핵심이고, 콘텐츠 5원칙으로 직접 경험·일관된 주제·진정성·읽기 쉬운 구조·최신성을 강조합니다. 한 표본 분석(272건)에서는 AI 브리핑 인용 출처의 약 58%가 블로그였고, 인용의 약 49%가 검색 Top10 '밖'에서 나왔습니다. 순위 밖에 있어도 인용될 수 있다는 뜻이라, 순위 강박에서 벗어나 '인용 가치'에 집중할 근거가 됩니다.
주의할 구조적 사실 하나: 네이버는 외부 크롤러를 차단하기 때문에, 글로벌 AI 엔진은 네이버 블로그 본문을 직접 읽지 못하고 나무위키·위키백과·티스토리 같은 경로로 우회해 한국어 지식을 끌어옵니다. 그래서 한국 브랜드의 AEO는 네이버 생태계용 콘텐츠와, 글로벌 AI가 닿는 개방형 채널용 콘텐츠를 분리해 설계해야 합니다.
7. 측정의 함정 — 단일 측정은 노이즈다
AEO에서 가장 자주 속는 지점이 측정입니다. LLM의 답은 결정적이지 않습니다. temperature=0으로 맞춰도 GPU 연산 순서·배치 때문에 결과가 흔들립니다. 한 실험에서는 2,350억 파라미터 모델을 1,000회 돌렸더니 80가지 출력이 나왔고(arXiv:2602.14349는 6개 모델 480회 실험을 다룹니다), 인용은 멱법칙(power law)으로 출렁인다는 분석도 있습니다(arXiv:2603.08924). 그래서 같은 질문을 한 번 던져 '오늘 우리 브랜드가 인용됐다/안 됐다'를 판정하는 건 동전 한 번 던지고 확률을 단정하는 것과 같습니다.
- ✅ 권장: 같은 질문 세트를 여러 번 반복 실행 → 부트스트랩 신뢰구간으로 추이를 본다.
- ❌ 위험: 단발 캡처 한 장으로 "인용됐다/탈락했다"를 결론짓는다.
또 하나, 'AI 프롬프트 검색량'을 파는 데이터는 경계해야 합니다. 실제 프롬프트 볼륨은 실측이 불가능하고, 패널(시장의 1% 미만) 기반 모델링 추정치입니다. Conductor는 "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다"고 지적합니다(Conductor).
그래서 핵심 지표로 떠오른 것이 SOV(Share of Voice)입니다. 특정 카테고리 질문들에 대한 AI 답변 중 내 브랜드가 언급되는 비율이죠(일부 한국 업체는 SMR, Share of Model Response로 변형해 부릅니다). 단, SOV는 질문 세트를 어떻게 잡느냐가 결과를 좌우합니다. 그리고 가시성은 그 자체가 목적이 아니라, 결국 리드·매출이라는 결과를 설명하는 2차 지표임을 잊으면 안 됩니다(Overdrive식 CFO 측정 관점).
8. 풀퍼널 관점 — 클릭이 줄어도 매출은 늘 수 있다
여기까지가 '인용되는 법'이었다면, 진짜 비즈니스 질문은 그다음입니다. "인용돼서 뭐가 좋아지나?" 제로클릭 시대의 풀퍼널은 이렇게 다시 그려집니다.
- 발견(Discovery) — AI 답변 안에서 브랜드가 인용·언급된다(AEO/GEO의 영역).
- 고려(Consideration) — AI가 이미 비교·검증을 끝낸 뒤 추천하므로, 사용자는 '검증된 후보'로 브랜드를 인지한다.
- 전환(Conversion) — 남은 클릭은 의도가 익은 클릭이라 전환율이 높다. 일부 분석에서 AI 유입 전환율이 일반 검색보다 몇 배 높게 나타난 이유다.
- 측정·정산(Attribution) — 가시성(SOV)이 실제 리드·매출로 이어졌는지 어트리뷰션으로 연결한다.
즉 클릭 수만 보면 '검색이 죽었다'로 보이지만, 퍼널 전체로 보면 발견의 질이 올라가고 전환이 압축되는 변화입니다. AEO는 이 퍼널의 맨 앞 단을 새로 여는 일입니다.
Citeon은 이 원리를 제품에 담았다
지금까지의 원리 — '엔진마다 인용이 다르다', '단일 측정은 노이즈다', '인용은 검증 가능한 문장에서 나온다' — 를 Citeon은 그대로 제품 기능으로 옮겼습니다.
- 4엔진 인용 측정(SOV) — ChatGPT·Gemini·Perplexity·Claude에서 내 브랜드가 얼마나 인용되는지를 엔진별로 측정합니다. '하나의 AI'로 뭉뚱그리지 않습니다.
- 사이트 진단 엔진 — URL을 넣으면 SEO/AEO/GEO 관점에서 점수와 한국어 처방을 내어, '어떤 문장·구조가 인용을 막고 있는지'를 짚어줍니다.
- 경쟁사 역추적 — 같은 카테고리 질문에서 경쟁사가 왜 인용되는지를 역설계해, 우리가 메워야 할 빈틈을 찾습니다.
- 주간 모니터 추이 — 단발 캡처가 아니라 반복 측정으로 추세를 봅니다. 측정 비결정성을 추이로 흡수합니다.
클릭이 사라지는 길목에서, '우리가 AI 답변에 인용되고 있는가'는 더 이상 호기심이 아니라 매출의 선행 지표입니다. citeon.cloud에서 무료 AI 가시성 진단(₩0)으로, 4개 엔진이 지금 당신의 브랜드를 어떻게 다루고 있는지부터 확인해 보세요.
자주 묻는 질문(FAQ)
AEO를 하면 SEO는 안 해도 되나요?
아닙니다. AI 답변 엔진이 후보 문서를 끌어오는 풀(pool)의 상당 부분은 여전히 검색 색인에서 옵니다. AEO는 SEO를 대체하는 게 아니라, 그 위에 '기계가 읽고 인용하기 좋은' 구조·근거·신선도를 한 겹 더 얹는 일입니다. 둘은 함께 갑니다.
클릭이 줄면 트래픽도 매출도 줄어드는 것 아닌가요?
클릭의 '양'은 줄 수 있지만, 남는 클릭의 '질'은 올라갑니다. AI가 비교·검증을 끝낸 뒤 추천한 브랜드를 누르는 사용자는 구매 의도가 익은 상태입니다. 일부 분석에서는 AI 검색 유입의 전환율이 일반 검색보다 몇 배 높게 나타나기도 했습니다(수치는 업종·출처마다 다릅니다).
AI 검색에 인용되려면 가장 먼저 무엇을 해야 하나요?
두 가지입니다. 첫째, robots.txt에서 GPTBot·PerplexityBot·ClaudeBot·Google-Extended 등 AI 크롤러를 허용해 후보 풀에 들어가게 합니다. 둘째, 사용자가 실제로 던질 질문을 헤딩으로 쓰고 바로 아래 '직답 한 문장 + 숫자·출처'를 둡니다. 검증 가능한 문장이 인용됩니다.
한 번 측정해서 '인용됐다/안 됐다'를 판단하면 안 되나요?
위험합니다. LLM은 temperature=0에서도 결과가 흔들리고, 인용은 멱법칙으로 출렁입니다. 단발 측정은 동전 한 번 던지기와 같습니다. 같은 질문 세트를 반복 실행해 추이로 보고, 신뢰구간으로 판단해야 합니다.
네이버에서도 같은 전략이 통하나요?
원리는 같지만 채널 설계가 달라야 합니다. 네이버는 외부 크롤러를 차단해 글로벌 AI가 본문을 직접 읽지 못하므로, 네이버 생태계용 콘텐츠(C-Rank·D.I.A.+·콘텐츠 5원칙 기준)와 글로벌 AI가 닿는 개방형 채널용 콘텐츠를 분리해 운영하는 편이 좋습니다.
참고자료
- Lewis et al. (2020), Retrieval-Augmented Generation (RAG) — arXiv:2005.11401
- Karpukhin et al. (2020), Dense Passage Retrieval — arXiv:2004.04906
- Liu et al. (2023), Lost in the Middle — arXiv:2307.03172
- Aggarwal et al. (2023), GEO: Generative Engine Optimization (KDD 2024) — arXiv:2311.09735
- Anthropic (2024), Introducing Contextual Retrieval
- LLM 출력 비결정성 실측 연구 — arXiv:2602.14349
- AI 가시성 불확실성 정량화 연구 — arXiv:2603.08924
- Conductor, Debunking AI Prompt Volume