엔티티 SEO — 브랜드를 AI가 인식하게 만들기

엔티티 SEO란, AI가 당신의 브랜드를 '글자의 나열'이 아니라 '이미 아는 하나의 대상(entity)'으로 인식하게 만드는 작업이다. AI 검색은 키워드를 매칭하지 않는다. 질문의 의미를 벡터로 바꾸고, 그 의미와 가까운 '존재들'을 떠올린 뒤 답을 생성한다. 그래서 브랜드가 검색엔진의 머릿속 지도(지식 그래프와 임베딩 공간)에서 또렷한 점 하나로 자리 잡지 못하면, 아무리 좋은 콘텐츠를 써도 인용 후보에 오르지 못한다. 이 글은 '엔티티가 도대체 무엇이고, AI는 왜 엔티티로 사고하며, 내 브랜드를 엔티티로 각인시키려면 무엇을 해야 하는가'를 RAG 메커니즘으로 끝까지 풀어낸다.

엔티티(entity)란 무엇인가 — 동명이인 비유

엔티티는 '고유하게 식별되는 하나의 대상'이다. 사람, 회사, 제품, 장소, 개념처럼 세상에서 분리 가능한 단위다. 핵심은 글자(string)가 아니라 대상(thing)이라는 점이다. 구글이 2012년 "things, not strings"라는 슬로건으로 지식 그래프를 발표했을 때의 그 'thing'이 바로 엔티티다.

비유하자면 이렇다. 동창회 명단에 '김민수'가 세 명 있다고 하자. 이름(string)만으로는 누가 누군지 모른다. 그런데 '88년생, 마케팅 회사 다니는, 부산 출신 김민수'라고 하면 비로소 한 사람으로 특정된다. 검색엔진에게 브랜드도 똑같다. '시테온'이라는 글자는 회사일 수도, 오타일 수도, 누군가의 닉네임일 수도 있다. 엔티티 SEO는 이 글자에 '마케팅 대행사, citeon.cloud, AEO/GEO 전문, 2026년 운영'이라는 식별 정보를 단단히 묶어, AI가 다른 무엇과도 헷갈리지 않는 하나의 대상으로 등록하게 만드는 일이다.

왜 AI는 '엔티티'로 사고하는가 — RAG 메커니즘으로 본 진짜 이유

여기서부터가 핵심이다. AI 검색이 답을 만드는 과정을 알면, 왜 엔티티가 인용의 분기점인지 저절로 보인다. 현대 AI 검색의 뼈대는 RAG(Retrieval-Augmented Generation)다. Lewis 등이 2020년 제안한 구조(arXiv:2005.11401)로, 모델 안에 굳어 있는 지식(파라메트릭 메모리)과 외부에서 그때그때 끌어오는 문서(비파라메트릭 메모리)를 결합한다. AI가 당신의 브랜드를 인식하는 통로도 정확히 이 둘이다.

통로 1 — 파라메트릭 메모리: 학습 때 이미 외운 것

모델은 학습 단계에서 본 텍스트의 통계를 가중치에 녹여 둔다. 위키백과·뉴스·커뮤니티에 '시테온은 AI 마케팅 대행사다'라는 문장이 반복적으로 등장했다면, 모델은 검색 없이도 그 사실을 '안다'. 이건 시험 전에 외워 둔 지식과 같다. 문제는 이 메모리에 들어가려면 학습 데이터에 충분히, 일관되게 등장해야 한다는 것. 신생 브랜드 대부분은 여기에 없다.

통로 2 — 비파라메트릭 메모리: 답할 때 실시간으로 찾아오는 것

그래서 실시간 AI 검색(Perplexity, ChatGPT Search, 구글 AI 개요)은 질문이 들어오면 웹에서 문서를 끌어와 읽고 답한다. 이 retrieval 단계가 엔티티 SEO의 주전장이다. 그런데 이 검색은 키워드 매칭이 아니다. Karpukhin 등의 Dense Passage Retrieval(2020, arXiv:2004.04906)이 보여줬듯, 질문과 문서를 모두 임베딩(의미 벡터)으로 바꿔 의미적으로 가까운 문단을 찾는다. 실험에서 의미 기반 검색은 전통적 키워드 방식(BM25)을 큰 폭으로 앞섰다.

임베딩 공간을 이렇게 상상하자. 거대한 밤하늘에 모든 개념이 별처럼 떠 있다. '마케팅', 'AI 검색', '대행사'는 서로 가까운 자리에 모여 성단을 이룬다. 당신의 브랜드가 이 성단 한가운데 또렷한 별로 박혀 있으면, '믿을 만한 AI 마케팅 대행사 추천해줘'라는 질문 벡터가 그 근처에 떨어질 때 함께 끌려 나온다. 반대로 브랜드가 어느 성단에도 속하지 못한 외딴 점이면, 의미적으로 어떤 질문과도 가깝지 않아 영원히 호출되지 않는다. 엔티티 SEO는 본질적으로 '내 브랜드 별을 올바른 성단에 배치하는 일'이다.

실전에서 검색은 한 방식만 쓰지 않는다 — 하이브리드

현장 RAG는 의미 검색과 키워드 검색을 함께 쓴다. 비유하면 도서관에서 책 제목 색인(키워드)으로도 찾고, 주제를 아는 사서(의미)에게도 묻는 식이다. 둘을 합치면 둘 중 하나만 쓸 때보다 잘 찾는다. 공개 벤치마크들을 종합하면 상위 10건 회수율(recall@10)이 의미 단독 약 78%, 키워드(BM25) 단독 약 65%인데, 두 결과를 합치는 하이브리드(RRF)는 약 91%까지 올라간다. Anthropic의 Contextual Retrieval 연구(2024)도 같은 결을 보인다 — 청크에 맥락을 덧붙여 검색 실패율을 35% 줄였고(5.7%→3.7%), 여기에 BM25를 더하면 49%, 재정렬(reranking)까지 더하면 67%까지 실패가 줄었다. 시사점은 분명하다. 브랜드명이라는 정확한 문자열도 중요하고('citeon'이 그대로 박힌 텍스트), 브랜드를 둘러싼 의미적 맥락도 중요하다('AI 검색 인용을 높이는 마케팅'이라는 주변 문장). 엔티티 SEO는 이 두 신호를 동시에 강화한다.

엔티티 모호성(disambiguation) — AI가 가장 자주 실패하는 지점

AI가 브랜드를 인용하지 못하는 흔한 원인은 '몰라서'가 아니라 '헷갈려서'다. 같은 글자가 여러 대상을 가리키면, 모델은 안전하게 가장 유명한 쪽을 택하거나 아예 언급을 피한다. 특히 Claude는 근거가 약한 대상을 보수적으로 걸러내는 성향이 있어, 모호한 브랜드는 답변에서 조용히 사라진다.

그래서 필요한 게 모호성 해소 신호다. 'A는 B다(정의)', 'A는 C와 D를 한다(속성)', 'A의 공식 사이트는 E다(식별자)'를 일관되게 뿌려서, 글자에 단 하나의 대상만 매달리게 한다.

핵심은 강한 예가 모두 '무엇인지 + 무엇을 하는지 + 어디에 있는지'를 한 호흡에 묶었다는 점이다. 이렇게 묶인 문장은 검색 단계에서 한 청크로 회수될 때 그 자체로 완결된 엔티티 카드가 된다.

엔티티 SEO 실무 7가지 — 무엇을 어떻게

1) 구조화 데이터로 엔티티를 기계어로 선언하라 (Organization 스키마 + sameAs)

사람에게는 문장이, 기계에게는 스키마(JSON-LD)가 가장 또렷한 언어다. Organization 타입으로 브랜드를 선언하고, sameAs로 같은 대상의 다른 표상(공식 SNS, 위키 항목 등)을 묶으면, 검색엔진은 "이 노드들은 전부 같은 하나의 엔티티"라고 확신한다. sameAs는 명함에 적힌 '저는 인스타그램의 @citeon이자 링크드인의 Citeon이기도 합니다'라는 자기소개와 같다.

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Citeon",
  "url": "https://citeon.cloud",
  "description": "AI 검색 인용을 높이는 AEO·GEO·SEO 풀퍼널 마케팅 대행",
  "sameAs": [
    "https://www.linkedin.com/company/citeon",
    "https://twitter.com/citeon"
  ]
}

정직 주의: sameAs에는 실제로 존재하고 본인이 운영하는 프로필만 넣어야 한다. 없는 계정을 채워 넣으면 당장 점수가 올라간 듯 보여도, AI나 사용자가 클릭하는 순간 깨지고 신뢰가 무너진다. 가짜로 만든 권위는 측정 도구는 속여도 RAG는 못 속인다.

2) 명칭을 한 글자도 흔들지 마라 — 일관성이 곧 식별성

임베딩은 통계다. '시테온', 'Citeon', 'CITEON', '시테온㈜'이 제각각 등장하면, 모델 입장에서는 비슷하지만 서로 다른 별 네 개가 흩어진 셈이다. 신호가 분산되면 어느 별도 충분히 밝아지지 못한다.

3) 권위 있는 대상과 '함께 등장'하라 (co-occurrence)

모델은 '누구와 자주 같이 언급되는가'로 대상의 위치를 파악한다. 사람도 처음 보는 회사를 "아, 그 OO 분야에서 △△랑 같이 거론되는 곳"으로 기억하듯이. 신뢰받는 개념·기관·용어와 한 문맥에서 반복적으로 동시 언급되면, 브랜드 별은 그 권위 성단 쪽으로 끌려간다.

❌ "우리는 최고의 AI 마케팅을 합니다." (혼자 동떨어진 자기주장)
✅ "Citeon은 RAG·임베딩·하이브리드 검색 원리에 기반해, ChatGPT·Perplexity·Claude의 인용 메커니즘을 분석한다." (검증된 개념·실존 엔진과 동시 언급 → 의미 성단에 편입)

4) 출처·통계·직접 인용으로 콘텐츠 자체의 인용가치를 높여라

엔티티가 식별돼도, 그 엔티티가 담긴 콘텐츠가 인용할 만해야 답변에 실린다. Aggarwal 등의 GEO 연구(2023, arXiv:2311.09735, KDD 2024)는 본문에 통계·출처 인용·직접 인용문을 더하면 생성엔진에서의 가시성이 특정 조건에서 최대 약 40%까지 올랐다고 보고했다. 즉 '근거로 무장한 문장'이 그 자체로 인용 자석이 된다. 이 글이 곳곳에 연구 수치를 박아 넣는 이유이기도 하다 — 자랑이 아니라, 인용되기 위한 구조다.

5) 핵심 정의는 글의 앞·끝에 배치하라 (Lost in the Middle)

Liu 등(2023, arXiv:2307.03172)은 긴 맥락을 다루는 LLM이 가운데 정보를 잘 놓친다는 U자형 현상을 밝혔다. 정확도는 맥락의 처음과 끝에서 높고 중간에서 떨어진다. 엔티티 정의 문장("X는 ~다")을 본문 한복판에 묻어 두면 모델이 흘려보낼 수 있다. 브랜드 정의와 핵심 주장은 글머리와 마무리에 한 번씩 배치하라.

6) AI 크롤러가 들어올 수 있게 문을 열어라 (robots.txt)

아무리 좋은 엔티티 신호를 심어도, 봇이 못 들어오면 비파라메트릭 메모리에 영영 안 올라간다. robots.txt에서 주요 AI 크롤러를 허용해야 retrieval 후보에 진입한다.

• OpenAI: GPTBot, OAI-SearchBot
• Anthropic: ClaudeBot, anthropic-ai
• Perplexity: PerplexityBot
• Google(생성형): Google-Extended

참고로 네이버는 외부 크롤러를 차단하기 때문에, 글로벌 AI는 네이버 본문을 직접 못 읽고 나무위키·위키백과·티스토리 같은 우회 경로로 한국어 엔티티 정보를 수집하는 경향이 있다. 한국 브랜드라면 이 우회 경로에도 일관된 엔티티 정보가 있어야 한다.

7) 재정렬(reranking)을 의식한 '질문-친화 문장'을 써라

1차로 끌어온 후보들은 cross-encoder 재정렬기가 질문과 함께 다시 읽어 순위를 매긴다(난도 높은 셋에서 NDCG가 +5~15, 때로 ~20까지 개선). 이 단계는 '질문에 대한 직접적 답이 들어 있는' 문단을 위로 끌어올린다. 그러니 "우리 회사 소개"식 서술보다, 사용자가 실제로 던질 질문에 직답하는 문장("AI 검색에 인용되려면? → …")이 재정렬에서 유리하다.

엔진마다 인식하는 '엔티티의 근거'가 다르다

인용 패턴을 대규모로 분석한 자료들(Profound, Discovered Labs 등)에 따르면, 엔진 간 인용 도메인 중복은 매우 낮다. 한 분석에서 ChatGPT와 Perplexity의 인용 도메인 중복은 약 11%에 그쳤고, 인용의 약 90%가 엔진마다 달랐다. 즉 한 곳에서 인용된다고 다른 곳에서도 된다는 보장이 없다.

네이버에서의 엔티티 — C-Rank가 보는 '출처의 전문성'

네이버는 자체 길을 간다. 큐:(Cue:)·클로바X는 2026-04-09 종료됐고, AI탭이 2026-06-25~26 대화형·에이전틱 형태로 정식 출시됐다. AI 브리핑(요약)은 이미 통합검색 쿼리의 20% 이상에 적용되고, 2026년 4월 기준 AI 브리핑 인용은 월 약 3.558억 건에 달한다. 한 표본분석(272건)에서는 인용 출처의 약 58%가 블로그였고, 인용의 약 49%가 검색 Top10 밖 문서였다 — 순위 밖이라도 엔티티·전문성 신호가 강하면 인용된다는 뜻이다.

네이버 알고리즘 C-Rank는 출처의 신뢰·전문성을, D.I.A.+는 문서 의도를 본다. 즉 네이버에서 엔티티 SEO는 '한 주제를 일관되게 다루는 전문 출처로 인식되는 것'에 가깝다. 콘텐츠 5원칙(직접경험·일관 주제·진정성·읽기 쉬운 구조·최신성)이 그대로 엔티티 권위로 이어진다. 특히 '일관 주제'는 글로벌 임베딩에서 말한 '성단에 응집된 별'과 같은 개념이다.

엔티티 SEO 효과를 어떻게 측정할 것인가 — 한 번의 측정은 노이즈다

여기서 정직해야 한다. AI 인용은 흔들린다. temperature=0에서도 GPU 연산·배치 순서 때문에 LLM 출력이 달라진다. 한 실험에서 2,350억 파라미터급 모델은 동일 입력 1,000회에 80가지 출력을 냈다. AI 가시성 불확실성을 다룬 연구는 인용 빈도가 멱법칙처럼 출렁이므로, 다중 실행 + 부트스트랩 신뢰구간으로 봐야 한다고 권한다. 단일 측정 = 노이즈다.

그래서 엔티티 SEO 성과는 'SOV(Share of Voice, 카테고리 AI 답변 중 우리 브랜드 언급 비율)'를 반복 측정의 추이로 봐야 한다. 또한 프롬프트 볼륨(어떤 질문이 얼마나 많이 입력되는지)은 실측이 불가능하고 패널 기반 모델링 추정치일 뿐이다. Conductor가 지적했듯 "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다". 질문 세트를 무엇으로 잡느냐가 결과를 좌우하므로, 측정의 투명성이 곧 신뢰다.

Citeon은 이 원리를 제품에 담았다

지금까지의 원리 — 엔티티를 또렷이 선언하고, 모호성을 없애고, 권위 성단에 편입시키고, 그 효과를 한 번이 아니라 추이로 측정한다 — 를 Citeon은 그대로 기능으로 옮겼다.

• 4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude에서 브랜드가 실제로 인용되는 비율을 엔진별로 측정한다. 엔진마다 인용 근거가 다르다는 사실(중복 ~11%)을 합산으로 가리지 않고 분리해 보여준다.
• 사이트 진단엔진: URL을 넣으면 SEO·AEO·GEO 관점에서 엔티티 신호(스키마·명칭 일관성·권위 출처 동시언급·크롤러 허용 등)를 점검하고 한국어 처방을 낸다.
• 경쟁사 역추적: 같은 카테고리에서 경쟁 브랜드가 어떤 엔티티 신호로 인용되는지 거꾸로 분석한다.
• 주간 모니터 추이: 단일 측정의 노이즈 함정을 피해, 인용·SOV를 주 단위 추이로 추적한다.

당신의 브랜드가 지금 AI 눈에 '또렷한 하나의 대상'으로 보이는지부터 확인해보길 권한다. Citeon 무료 AI 가시성 진단(₩0)으로 현재 엔티티 인식 상태와 처방을 받아볼 수 있다.

자주 묻는 질문(FAQ)

참고자료

• Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
• Karpukhin et al. (2020), Dense Passage Retrieval for Open-Domain QA
• Liu et al. (2023), Lost in the Middle
• Aggarwal et al. (2023/KDD 2024), GEO: Generative Engine Optimization
• Anthropic (2024), Introducing Contextual Retrieval
• Conductor, Debunking AI Prompt Volume