식음료·F&B 브랜드가 AI 검색에 인용되는 가장 빠른 길은, '우리 가게/제품이 무엇을, 누구를 위해, 어떻게 해결하는지'를 AI가 그대로 베껴 쓸 수 있는 문장으로 적어두는 것입니다. “강남역 비건 브런치 카페 추천”, “아이랑 가기 좋은 키즈존 한식당”, “글루텐프리 밀키트 브랜드” 같은 질문에 ChatGPT와 Perplexity, 구글 AI, 네이버 AI가 답할 때, 그 답에 인용되는 가게와 빠지는 가게가 나뉩니다. 차이는 광고비가 아니라 ‘AI가 읽고 인용하기 좋은 형태로 정보를 갖췄는가’입니다. 이 글은 콘텐츠·SEO 에디터 관점에서, F&B 업종이 바로 따라 할 수 있는 GEO(생성엔진 최적화) 실무를 처음부터 끝까지 풀어 드립니다.
왜 F&B는 AI 검색에서 특히 중요한가
음식과 음료는 ‘즉시 결정’ 업종입니다. 배고픈 사람은 길게 검색하지 않습니다. 예전에는 “홍대 파스타 맛집”을 검색해 블로그 10개를 스크롤했다면, 지금은 ChatGPT나 Perplexity에 “홍대에서 혼밥하기 좋고 분위기 조용한 파스타집 3곳 알려줘”라고 묻고, AI가 추려준 3곳 중에서 고릅니다. 즉 예전엔 10개 후보 중에서 골랐다면, 이제는 AI가 미리 3개로 좁혀 놓은 명단에 ‘들어가느냐 마느냐’가 전부가 됩니다. 명단에 못 들면 존재 자체가 사라지는 셈입니다.
게다가 흥미로운 점은 유입의 질입니다. 일부 분석에서는 AI 검색을 거쳐 들어온 방문객의 전환율(예약·주문·방문 전환)이 일반 검색 유입보다 몇 배 높게 나타나기도 합니다. AI가 이미 ‘조건에 맞는다’고 한 번 걸러준 손님이기 때문입니다. 비유하자면, 일반 검색은 길에서 전단지를 뿌리는 것이고, AI 인용은 믿을 만한 친구가 “거기 너 취향이야, 가봐”라고 콕 집어 추천해 주는 것에 가깝습니다.
먼저 이해할 것: AI는 어떻게 ‘그 가게’를 답에 넣는가 (RAG)
AI가 답변에 특정 브랜드를 인용하는 과정을 알면, 무엇을 고쳐야 할지가 선명해집니다. 대부분의 AI 검색은 RAG(Retrieval-Augmented Generation), 우리말로 ‘검색 증강 생성’ 방식으로 작동합니다. 이 개념은 Lewis 등이 2020년 발표한 연구(arXiv:2005.11401)에서 제시됐는데, 모델이 외운 지식(파라메트릭 메모리)과 그때그때 검색해 온 외부 문서(비파라메트릭 메모리)를 합쳐서 답을 만든다는 아이디어입니다.
실제 흐름은 세 단계입니다.
- ① 검색(Retrieval) — 사용자의 질문(“성수동 디저트 카페”)과 의미가 비슷한 문서 조각을 수십~수백 개 끌어옵니다.
- ② 재정렬(Reranking) — 끌어온 후보를 질문과 다시 한 줄 한 줄 대조해, 진짜 잘 맞는 순서로 줄을 세웁니다.
- ③ 생성(Generation) — 상위 몇 개 문서만 실제로 읽고, 그 내용을 근거로 답변 문장을 씁니다. 이때 읽힌 문서가 ‘인용’됩니다.
핵심은 세 관문을 모두 통과한 문서만 답변에 인용된다는 점입니다. 우리 가게 정보가 ①에서 안 걸리면(검색 누락), 혹은 ②에서 밀리면(재정렬 탈락), ③의 답변에는 절대 등장할 수 없습니다.
비유로 이해하는 검색 단계
도서관을 떠올려 봅시다. 검색(①)은 사서가 서가에서 관련돼 보이는 책을 한 아름 뽑아 오는 일입니다. 이때 두 가지 방식을 같이 씁니다. 하나는 키워드 색인(책 제목·목차에 ‘글루텐프리’라는 단어가 그대로 있는가)이고, 다른 하나는 의미 검색(‘밀가루 알레르기 있는 사람이 먹을 수 있는’이라는 뜻을 알아듣는, 주제를 이해하는 사서)입니다.
둘을 합친 것이 하이브리드 검색입니다. 키워드 색인만 쓰면 단어가 정확히 일치해야만 찾고, 의미 검색만 쓰면 분위기는 맞는데 정작 핵심 단어(상호명·동네 이름)를 놓칩니다. 그래서 둘을 함께 쓰는 게 정석입니다. 의미 검색이 키워드 검색(BM25)을 능가한다는 건 Karpukhin 등의 2020년 Dense Passage Retrieval 연구(arXiv:2004.04906)가 보여줬지만, 실무 벤치마크를 종합하면 둘 중 하나만 쓰는 것보다 합치는 쪽이 훨씬 낫습니다. 공개 벤치마크를 종합하면 상위 10개를 정확히 찾아낸 비율(recall@10)이 의미 검색 단독 약 78%, 키워드 단독 약 65%인데, 둘을 합치면(RRF 방식) 약 91%까지 올라갑니다.
그래서 F&B 콘텐츠는 사람이 실제로 입력하는 키워드(상호·동네·메뉴명)와 의미·맥락(누구를 위한, 어떤 상황에 맞는)을 둘 다 본문에 명시해야 합니다. 둘 중 하나만으로는 절반의 관문만 통과합니다.
재정렬: 후보를 줄 세우는 깐깐한 사서
재정렬(②)은 뽑아 온 책 더미를 사서가 질문과 한 권씩 비교해 가장 잘 맞는 순으로 다시 줄 세우는 일입니다. 기술적으로는 cross-encoder라는 모델이 질문과 문서를 함께 읽고 점수를 매기는데, 이 재정렬을 거치면 검색 품질 지표(NDCG)가 통상 5~15점, 어려운 질의에서는 20점 가까이 오릅니다. 즉 같은 후보 풀이라도 질문과 문서가 ‘정확히’ 맞물리면 순위가 급상승합니다. 우리 본문이 사용자의 질문 문장을 거의 그대로 품고 있을수록 유리하다는 뜻입니다.
생성: 맨 앞과 맨 끝이 살아남는다
마지막 생성(③) 단계에는 함정이 하나 있습니다. AI는 읽어 온 문서가 길면 중간 부분의 정보를 놓치는 경향이 있습니다. Liu 등의 2023년 연구 ‘Lost in the Middle’(arXiv:2307.03172)은 긴 맥락에서 중요한 정보가 가운데 있으면 성능이 떨어지고, 앞이나 끝에 있을 때 가장 잘 활용된다는 U자형 패턴을 보여줬습니다. 그래서 가장 중요한 정보(영업시간·예약·대표 메뉴·위치 한 줄 요약)는 글 맨 앞 또는 맨 끝에 배치해야 합니다. 메뉴 설명 중간에 파묻힌 “주차 가능” 한 줄은 AI에게 잘 안 보입니다.
F&B GEO의 핵심: 무엇을 어떻게 써야 인용되나
이제 원리를 실무로 옮깁니다. GEO 효과를 정량적으로 검증한 Aggarwal 등의 2023년 연구(arXiv:2311.09735, KDD 2024)는, 콘텐츠에 통계·출처 인용·직접 인용문을 더하면 특정 조건에서 생성엔진 가시성이 최대 약 40%까지 오른다는 것을 보여줬습니다. F&B에 번역하면, 막연한 자랑 대신 구체적 숫자와 구체적 조건을 쓰라는 뜻입니다.
약한 문장 vs 강한 문장 (메뉴·소개)
| 구분 | 실제 문장 | 왜 차이가 나나 |
|---|---|---|
| ❌ 약한 예 | “정성을 담은 맛있는 파스타, 분위기 좋은 우리 가게로 오세요.” | 어느 가게에나 해당. 질문과 맞물릴 키워드·조건이 0개. 검색·재정렬 모두 탈락. |
| ✅ 강한 예 | “망원동 1인석 6석을 갖춘 혼밥 전용 파스타집. 점심 1만2천원 런치세트, 글루텐프리 면 변경 가능, 평일 오후 2~5시는 한적합니다.” | ‘망원동’‘혼밥’‘글루텐프리’‘가격’‘한적한 시간’ — 사용자가 묻는 조건을 그대로 품음. 키워드+의미 둘 다 적중. |
약한 문장 vs 강한 문장 (식품 브랜드 상세페이지)
| 구분 | 실제 문장 |
|---|---|
| ❌ 약한 예 | “건강한 원료로 만든 프리미엄 그래놀라입니다.” |
| ✅ 강한 예 | “설탕 무첨가(100g당 당류 3g), 국산 귀리 70% 함유 그래놀라. 우유·요거트에 타 먹거나 그대로 간식으로. 비건이며 글루텐프리는 아닙니다(귀리 함유).” |
강한 예는 숫자(당류 3g, 귀리 70%)와 솔직한 한계(“글루텐프리는 아님”)를 담았습니다. 역설적으로 한계를 명시하면 신뢰가 올라가고 인용도 늘어납니다. AI는 “글루텐프리 시리얼” 질문에는 이 제품을 빼고, “비건 그래놀라” 질문에는 정확히 넣어줍니다. 잘못된 매칭으로 실망 리뷰가 쌓이는 것보다 훨씬 낫습니다.
답변형 문장으로 시작하라
각 페이지·블로그 글은 사용자의 질문에 첫 문장이 곧바로 직답하도록 씁니다. AI가 그 한 문장을 그대로 떠서 답변에 넣기 좋게요.
❌ "안녕하세요, 저희 가게를 소개합니다. 2018년에 문을 연 저희는..."
✅ "연남동에서 노키즈존 없이 아이와 갈 수 있는 브런치 카페를 찾는다면,
OO카페는 유아 의자 4개와 수유실을 갖춘 가족 친화 카페입니다."리뷰와 평판: AI가 가장 신뢰하는 ‘남의 말’
F&B에서 결정적인 신호는 제3자의 언급입니다. AI는 가게가 스스로 “맛집”이라 말하는 것보다, 여러 출처에서 일관되게 언급되는 것을 훨씬 신뢰합니다. 실제로 대규모 인용 분석을 보면 엔진마다 선호하는 출처가 뚜렷이 갈립니다. ChatGPT는 위키백과·커뮤니티성 자료(위키백과 인용 비중 약 47.9%)를, Perplexity는 Reddit 같은 커뮤니티(약 46.7%)를 자주 끌어옵니다. 또 한 분석에서는 ChatGPT와 Perplexity가 같은 질문에 인용한 도메인이 겹치는 비율이 약 11%에 불과했고, 인용의 약 90%가 엔진마다 달랐습니다. 즉 한 채널만 관리하면 절반의 AI에서만 보입니다.
F&B 실무로 옮기면:
- 네이버 플레이스·구글 비즈니스 프로필의 영업시간·메뉴·사진·리뷰를 최신·일관되게. (정보 불일치는 AI를 헷갈리게 합니다.)
- 리뷰에 구체 키워드가 쌓이게 유도 — “웨이팅 짧았어요”보다 “평일 점심엔 웨이팅 없이 바로 입장” 같은 구체 후기가 AI엔 황금입니다.
- 커뮤니티·로컬 매체 언급 — 지역 맘카페, 음식 블로그, 푸드 매거진, 배달앱 리뷰 등 여러 곳에서 일관된 설명이 반복되면 그게 곧 ‘권위 신호’가 됩니다.
엔진별 성향도 알아두면 좋습니다. Gemini는 구글 색인과 E-E-A-T(경험·전문성·권위·신뢰)를 중시하고, Claude는 근거가 약한 콘텐츠를 보수적으로 걸러내며, Perplexity는 실시간 웹을 인라인 인용으로 보여줍니다. 결국 공통 처방은 하나입니다 — 여러 신뢰 출처에서 일관된 사실이 반복되게 만들 것.
AI가 우리 가게를 ‘읽을 수 있게’ 만드는 기술 세팅
아무리 좋은 콘텐츠도 AI 크롤러가 못 들어오면 후보에조차 못 듭니다. RAG의 1단계 후보군에 진입하려면 크롤러를 막지 말아야 합니다.
- robots.txt 점검 — 주요 AI 크롤러를 허용했는지 확인하세요: GPTBot·OAI-SearchBot(OpenAI), PerplexityBot, ClaudeBot·anthropic-ai(Anthropic), Google-Extended(구글). 이들이 막혀 있으면 후보 진입 자체가 불가능합니다.
- 구조화 데이터(스키마) — Restaurant·Menu·LocalBusiness·Product 스키마로 영업시간·주소·가격·메뉴를 기계가 읽을 수 있게 표기.
- 핵심 정보는 텍스트로 — 메뉴를 이미지 한 장에만 박아두면 AI는 못 읽습니다. 가격·메뉴명·알레르기 정보는 반드시 본문 텍스트로도.
- 정보 일관성 — 홈페이지·네이버·구글·인스타의 영업시간이 서로 다르면 AI는 어느 걸 믿을지 몰라 인용을 주저합니다.
참고로, 청크(문서 조각)에 맥락을 덧붙이면 검색 실패율이 줄어든다는 것을 Anthropic의 2024년 Contextual Retrieval 연구가 보여줬습니다. 맥락 추가만으로 실패율이 5.7%에서 3.7%로 35% 감소했고, 키워드 검색(BM25)을 더하면 49%, 재정렬까지 얹으면 67%까지 줄었습니다. F&B 버전으로 해석하면, 메뉴 한 줄을 적을 때도 “[가게명·동네] — [메뉴] — [조건]”처럼 맥락을 함께 붙이는 청크가 인용 확률을 높입니다.
네이버를 빼면 한국 F&B는 절반을 놓친다
국내 음식 검색은 여전히 네이버 비중이 큽니다. 네이버는 큐:(Cue:)와 클로바X를 2026년 4월 9일 종료하고, AI탭을 2026년 6월 25~26일 전면 정식 출시하며 대화형·에이전틱 검색으로 전환하고 있습니다. 또 검색 결과 위에 요약을 보여주는 AI 브리핑은 통합검색 질의의 20% 이상에 적용되며, 2026년 4월 기준 인용 건수가 월 약 3.558억 건에 이릅니다.
주목할 통계가 있습니다. 한 표본분석(272건)에서 네이버 AI 브리핑이 인용한 출처의 약 58%가 블로그였고, 인용된 문서의 약 49%는 검색 상위 10위 밖에 있었습니다. 즉 네이버에서는 순위가 낮아도 AI가 인용할 수 있고, 그 통로는 압도적으로 블로그라는 뜻입니다. F&B에 더없이 좋은 기회입니다.
네이버 알고리즘은 출처의 신뢰·전문성을 보는 C-Rank와 문서의 의도를 보는 D.I.A.+를 씁니다. 네이버가 권장하는 좋은 콘텐츠 5원칙은 그대로 F&B 체크리스트가 됩니다.
| 네이버 5원칙 | F&B 적용 |
|---|---|
| 직접 경험 | 실제 방문·시식·조리 과정을 1인칭으로. “직접 먹어보니” |
| 일관된 주제 | 한 블로그는 한 동네·한 카테고리로 집중(잡탕 금지) |
| 진정성 | 광고성 과장 대신 장단점 솔직하게 |
| 읽기 쉬운 구조 | 소제목·표·리스트로 정보 정리 |
| 최신성 | 영업시간·메뉴·가격 변동 즉시 반영 |
한 가지 더. 네이버는 외부 크롤러를 차단하기 때문에, 글로벌 AI(ChatGPT 등)는 네이버 블로그 대신 나무위키·위키백과·티스토리를 우회로로 읽습니다. 따라서 한국 F&B 브랜드는 ‘네이버용 콘텐츠’와 ‘글로벌 AI가 읽을 수 있는 채널(티스토리·자사 웹·위키 등)’을 이원화해 두는 것이 안전합니다.
측정: 한 번 검색해 보고 안심하면 안 되는 이유
“ChatGPT에 우리 가게 물어봤더니 나오던데?” — 이 한 번의 확인은 위험합니다. LLM은 같은 질문에도 답이 흔들립니다. 설정을 가장 보수적으로(temperature=0) 둬도 GPU 연산·배치 처리 특성 때문에 결과가 출렁입니다. 한 실험에서는 대형 모델에 같은 질문을 1,000번 던졌더니 80가지 다른 출력이 나왔습니다. AI 가시성의 불확실성을 정량화한 연구들은 인용이 멱법칙처럼 출렁이므로, 여러 번 측정하고 신뢰구간(부트스트랩)으로 봐야 한다고 권합니다. 단일 측정은 그냥 노이즈입니다.
그래서 측정은 이렇게 합니다.
- 질문 세트를 고정 — “OO동 파스타 추천” “혼밥 좋은 OO동 식당” 등 우리가 들어가고 싶은 질문 10~30개를 정해 둡니다.
- 여러 엔진 × 여러 회 반복 — ChatGPT·Perplexity·Gemini·Claude를 각각, 같은 질문을 여러 번.
- SOV(점유율)로 본다 — 그 카테고리 AI 답변 중 우리 브랜드가 언급된 비율(Share of Voice). 경쟁사 대비 몇 %인지를 추적합니다.
한 가지 주의 — 시중의 ‘AI 프롬프트 검색량’ 수치는 대부분 소수 패널(시장의 1% 미만)을 바탕으로 한 모델링 추정치라 신뢰도가 낮습니다. 한 업계 분석은 “신뢰할 수 없는 검색량 데이터는 차라리 없는 것보다 나쁘다”고 지적합니다. 숫자 하나에 휘둘리기보다, 고정 질문 세트의 SOV 추세를 보는 편이 정직합니다.
F&B 실전 체크리스트 (지금 바로)
| 영역 | 할 일 |
|---|---|
| 정보 일관성 | 홈·네이버·구글·인스타의 영업시간/주소/전화/대표메뉴 100% 일치 |
| 답변형 문장 | 각 페이지 첫 줄을 “[동네]에서 [조건] 찾는다면, [가게]는 [핵심]” 형식으로 |
| 구체 숫자 | 가격·좌석수·당류·소요시간·한적한 시간대 등 숫자로 명시 |
| 조건 명시 | 혼밥/노키즈존/비건/글루텐프리/주차/예약 등 ‘누구를 위한’을 텍스트로 |
| 한계 명시 | 안 되는 것도 솔직하게(잘못된 매칭·악성 리뷰 예방) |
| 핵심은 앞·끝 | 가장 중요한 정보를 글 중간에 묻지 말 것(Lost in the Middle) |
| 크롤러 허용 | robots.txt에서 GPTBot·PerplexityBot·ClaudeBot·Google-Extended 허용 |
| 스키마 | Restaurant/Menu/LocalBusiness/Product 구조화 데이터 |
| 네이버 블로그 | 직접 경험 1인칭 + 한 동네 집중 + 최신성 |
| 채널 이원화 | 네이버용 + 글로벌 AI용(티스토리·자사 웹) 동시 운영 |
| 측정 | 고정 질문 세트로 4엔진 SOV를 주기적으로(단일 측정 금지) |
Citeon은 이 원리를 제품에 담았다
위에서 본 모든 단계 — 크롤러 진입, 답변형 콘텐츠, 일관성, 그리고 가장 중요한 ‘여러 번 측정’ — 를 사람이 손으로 하기엔 품이 많이 듭니다. Citeon은 이걸 제품으로 만들었습니다.
- 4엔진 인용 측정(SOV) — ChatGPT·Gemini·Perplexity·Claude에서 우리 브랜드가 실제로 인용되는 비율을 측정합니다. 한 엔진만 보면 절반을 놓친다는 점을 그대로 반영했습니다.
- 사이트 진단엔진 — URL만 넣으면 SEO·AEO·GEO 관점에서 무엇이 인용을 막고 있는지(크롤러·구조·답변형 여부 등) 진단하고 한국어 처방을 줍니다.
- 경쟁사 역추적 — 옆 가게는 왜 AI 답변에 나오고 우리는 안 나오는지, 그 격차를 추적합니다.
- 주간 모니터 추이 — 단일 측정의 노이즈를 피해, SOV 추세를 주 단위로 봅니다.
무엇보다 무료진단(₩0)으로 시작할 수 있습니다. 우리 가게·우리 브랜드가 지금 AI 답변에 얼마나 나오는지부터 확인해 보세요. → citeon.cloud에서 무료 AI 가시성 진단 받기
자주 묻는 질문 (FAQ)
작은 동네 식당도 AI 검색에 나올 수 있나요?
네, 오히려 유리할 수 있습니다. AI는 “OO동 + 특정 조건” 같은 좁은 질문에 답할 때, 유명세보다 ‘조건이 정확히 맞는 곳’을 찾습니다. 네이버 AI 브리핑은 검색 상위 10위 밖 문서도 약 49% 비율로 인용했고, 그 출처의 약 58%가 블로그였습니다. 동네·조건·메뉴를 구체적으로 적은 블로그 한 편이 대형 프랜차이즈를 제칠 수 있습니다.
리뷰 수가 적은데 지금 시작해도 될까요?
됩니다. 리뷰는 양보다 ‘구체성’이 AI에 중요합니다. “맛있어요” 100개보다 “평일 점심 웨이팅 없음” “아이 의자 있어 좋았어요” 같은 조건 담긴 후기 몇 개가 더 강한 신호입니다. 손님에게 구체적 후기를 부탁하고, 자사 채널(홈·네이버·티스토리)에 같은 사실을 일관되게 적어두세요.
ChatGPT엔 나오는데 Perplexity엔 안 나와요. 왜죠?
정상입니다. 한 대규모 분석에서 두 엔진이 같은 질문에 인용한 도메인이 겹친 비율은 약 11%뿐이었고, 인용의 약 90%가 엔진마다 달랐습니다. ChatGPT는 위키·커뮤니티를, Perplexity는 Reddit 같은 실시간 커뮤니티를 선호하는 식으로 출처 성향이 다르기 때문입니다. 그래서 한 채널이 아니라 여러 신뢰 출처에 일관된 정보를 까는 것이 답이고, 측정도 4엔진을 모두 봐야 합니다.
메뉴를 예쁜 이미지로만 올렸는데 괜찮나요?
위험합니다. AI는 이미지 속 글자를 안정적으로 읽지 못합니다. 가격·메뉴명·알레르기/원산지 정보는 반드시 본문 텍스트로도 적어두세요. 이미지는 사람을 위해, 텍스트는 AI를 위해 — 둘 다 필요합니다.
한 번 검색해서 우리 가게가 나왔으면 끝난 건가요?
아니요. LLM은 같은 질문에도 답이 흔들립니다. 한 실험에선 같은 질문 1,000회에 80가지 출력이 나왔습니다. 단 한 번 잘 나온 건 운일 수 있습니다. 고정 질문 세트로 여러 번, 여러 엔진에서 반복 측정해 추세(SOV)로 봐야 진짜 노출을 압니다.
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: How Language Models Use Long Contexts
- Aggarwal et al. (2023), GEO: Generative Engine Optimization (KDD 2024)
- Anthropic (2024), Introducing Contextual Retrieval
- Conductor, Debunking AI Prompt Volume