제조·산업재 B2B의 GEO 전략

제조·산업재 B2B에서 GEO의 핵심은 '엔지니어와 구매 담당자가 AI에게 던지는 사양·규격·대체품 질문에, 우리 회사의 기술 문서가 근거로 인용되도록 콘텐츠를 구조화하는 것'입니다. B2C처럼 감성 카피로 승부하는 게임이 아닙니다. AI 검색엔진(ChatGPT·Perplexity·구글 AI·Claude)은 '신뢰할 수 있고, 검색해서 찾기 쉽고, 답변에 그대로 인용할 수 있는' 기술 정보를 찾습니다. 제조사가 가진 사양서·인증서·적용 사례는 사실 GEO에 가장 잘 맞는 원재료인데, 대부분 PDF 카탈로그 속에 잠들어 있거나 '문의 바랍니다'로 닫혀 있습니다. 이 글에서는 왜 AI가 특정 공급사를 인용하는지를 RAG 메커니즘으로 풀어내고, 제조·산업재 현장에서 바로 적용할 실무 대조 예시를 드립니다.

왜 제조 B2B에서 AI 검색이 갑자기 중요해졌나

B2B 구매 여정의 앞단이 통째로 AI 채팅으로 옮겨가고 있기 때문입니다. 예전의 구매 담당자는 키워드를 구글에 넣고 카탈로그 10개를 비교하며 후보군을 직접 만들었습니다. 지금은 ChatGPT나 Perplexity에 "식품 공장용 IP69K 등급 스테인리스 컨베이어, 국내 납기 4주 이내 가능한 제조사"라고 묻고, AI가 정리해준 3~5개 후보로 곧장 RFQ(견적 요청)를 보냅니다.

문제는 그 3~5개 안에 들어가지 못하면 견적 기회 자체가 사라진다는 점입니다. 검색 결과 1페이지에 없으면 클릭을 못 받던 것과 비슷하지만, AI 답변은 더 가혹합니다. 화면에 보이는 후보가 페이지가 아니라 '몇 개'뿐이기 때문입니다. 한 분석에서는 AI 검색을 통한 유입의 전환율이 일반 검색보다 몇 배 높게 나타나기도 했는데, 이는 AI가 이미 1차 선별을 끝낸 '구매 의도가 높은' 트래픽을 넘겨주기 때문으로 해석됩니다. 제조 B2B처럼 리드 한 건의 단가가 큰 시장에서는 이 차이가 곧 매출입니다.

AI는 어떻게 '인용할 공급사'를 고르는가 — RAG 3단계

AI 챗봇이 답을 만드는 방식을 알아야 어디를 손봐야 할지 보입니다. 핵심 기술은 RAG(Retrieval-Augmented Generation, 검색 증강 생성)입니다. 2020년 Lewis 등이 제안한 이 구조(arXiv:2005.11401)는 모델이 외운 지식(파라메트릭 메모리)만 쓰지 않고, 외부 문서를 그때그때 찾아와(비파라메트릭 메모리) 답에 결합합니다. 쉽게 말해 AI는 '아는 것을 읊는 학생'이 아니라 '자료를 찾아 인용하는 연구원'에 가깝습니다. 그 자료에 우리 사양서가 들어가야 인용됩니다.

RAG는 크게 세 단계로 작동합니다.

1단계 — 검색(Retrieval): 우리 문서가 후보로 잡히는가

질문이 들어오면 시스템은 방대한 문서 더미에서 관련 조각(청크)을 끌어옵니다. 여기엔 두 가지 검색 방식이 섞입니다.

• 키워드(BM25) 검색: 'IP69K', 'AISI 316L', '베어링 6204' 같은 정확한 용어가 문서에 그대로 있는지 봅니다. 도서관에서 색인 카드로 책 제목을 찾는 것과 같습니다. 제조 B2B의 규격 코드·모델명에 특히 강합니다.
• 의미(임베딩) 검색: 단어가 달라도 뜻이 가까운 문서를 찾습니다. '물청소 가능한 컨베이어'와 'IP69K 고압세척 대응'을 같은 의미로 묶어줍니다. 주제를 이해하는 사서가 "그 책은 이쪽 서가에 있어요"라고 알려주는 것과 같습니다. Karpukhin 등 2020(arXiv:2004.04906)의 Dense Passage Retrieval 연구는 이 의미 검색이 키워드 검색을 능가할 수 있음을 보였습니다.

둘을 합친 하이브리드 검색이 표준입니다. 공개 벤치마크 종합을 보면 recall@10(상위 10개 안에 정답을 담는 비율)이 의미 단독 약 78%, BM25 단독 약 65%인데, 둘을 RRF로 결합하면 약 91%까지 올라갑니다. 제조 B2B 콘텐츠에 주는 교훈은 분명합니다. 정확한 규격 코드(키워드용)와 그것을 풀어쓴 자연어 설명(의미용)을 함께 담아야 양쪽 그물에 모두 걸립니다.

2단계 — 재정렬(Reranking): 후보 중 진짜 답이 앞으로

1차로 끌어온 수십 개 후보를 그대로 쓰지 않습니다. cross-encoder라는 정밀 모델이 '질문과 각 문서를 짝지어 다시 읽고' 순위를 매깁니다. 면접에서 서류로 30명을 추린 뒤, 한 명씩 마주 앉아 다시 평가하는 것과 같습니다. 이 재정렬은 NDCG(순위 품질 지표)를 보통 5~15점, 어려운 질문에서는 약 20점까지 끌어올립니다. 여기서 살아남으려면 문서가 질문에 정면으로 답하는 형태여야 합니다. 사양표가 '우리 제품 소개'가 아니라 '이 질문의 답'으로 읽혀야 한다는 뜻입니다.

3단계 — 생성(Generation): 인용되며 답에 등장

마지막으로 LLM이 상위 문서들을 읽고 답변을 씁니다. 이때 한 가지 함정이 있습니다. Liu 등 2023의 'Lost in the Middle'(arXiv:2307.03172)은 긴 맥락에서 중간에 놓인 정보가 손실되는 U자형 현상을 보고했습니다. 모델은 맨 앞과 맨 끝을 잘 기억합니다. 그래서 사양서·기술 문서에서 핵심 결론(규격 충족 여부, 적용 가능 조건)을 문단 맨 앞에 먼저 못박는 직답 구조가 중요합니다. 결론을 뒤에 숨기면 AI가 읽고도 인용에서 빠뜨립니다.

제조 B2B 콘텐츠를 RAG가 좋아하는 형태로 — 청크와 맥락

Anthropic이 2024년 공개한 Contextual Retrieval 실험은 제조사가 반드시 알아야 할 결과를 줍니다. 문서를 잘게 자른 청크에 '이 조각이 무엇에 관한 것인지' 맥락 한 줄을 덧붙였더니 검색 실패율이 35% 감소(5.7%→3.7%)했고, 여기에 BM25 하이브리드를 더하니 49%, 재정렬까지 더하니 67% 감소했습니다(top-20 후보 권장).

제조 카탈로그가 RAG에서 자주 실패하는 이유가 바로 여기 있습니다. PDF 표 한 칸에 '316L'만 적혀 있으면, 그 조각만 떼어낸 AI는 이게 무슨 제품의 어떤 사양인지 모릅니다. 맥락이 없는 조각은 검색되어도 버려집니다.

핵심 원칙: 모든 문단이 그 자체로 떼어내도 말이 되게 쓰는 것입니다. AI는 글을 통째로 읽지 않고 조각으로 끊어 가져갑니다. 조각마다 주어(어떤 제품)·맥락(어떤 환경)·결론(무엇이 가능)이 들어 있어야 합니다.

가시성을 끌어올리는 4가지 신호 — GEO 연구가 말하는 것

Aggarwal 등 2023(arXiv:2311.09735, KDD 2024)의 GEO 연구는 어떤 글쓰기 방식이 생성엔진에서의 가시성을 높이는지 실험했습니다. 통계 수치 인용, 출처 인용, 직접 인용문 추가가 특정 조건에서 가시성을 최대 약 40%까지 끌어올렸습니다. 제조 B2B에 옮기면 다음과 같습니다.

신호 1 — 구체적 수치로 말하라

• ❌ "내마모성이 우수합니다."
• ✅ "표면 경도 HRC 58~62로, 동급 탄소강 대비 마모 수명이 약 2배 길다는 사내 내구 시험 결과가 있습니다."

AI는 검증 가능한 숫자를 답변 근거로 선호합니다. 단정할 수 없는 수치는 "사내 시험 결과", "일부 적용 현장에서"처럼 출처와 범위를 정직하게 밝히세요. 과장된 무근거 수치는 Claude처럼 근거 약한 콘텐츠를 보수적으로 걸러내는 엔진에서 오히려 역효과입니다.

신호 2 — 인증·규격을 명시하라

제조 B2B에서 인증은 최고의 신뢰 신호입니다. ISO 9001, KS, CE, UL, ATEX, FDA, RoHS 같은 규격명을 정확한 명칭과 인증 번호·범위까지 본문에 노출하세요.

• ❌ "각종 인증을 보유하고 있습니다."
• ✅ "본 제품은 ISO 9001:2015 품질경영시스템 인증과 방폭 ATEX Zone 1 적합성 인증을 보유하며, 식품 접촉부는 FDA 21 CFR 177 기준을 충족합니다."

신호 3 — 적용 사례(레퍼런스)를 사실로 적어라

"국내 대기업 다수 납품" 같은 모호한 표현은 검색에도 인용에도 약합니다. 비밀 유지 의무 안에서 가능한 범위로 산업·공정·규모를 구체화하세요.

• ❌ "수많은 고객사가 신뢰합니다."
• ✅ "연간 생산량 5만 톤 규모의 2차전지 양극재 공장 분체 이송 라인에 12기를 납품해 3년간 무중단 가동 중입니다."

신호 4 — 비교·대체품 질문에 정면으로 답하라

구매 담당자의 실제 질문은 "A 모델 대신 쓸 수 있는 국내 대체품?", "B사 제품과 C사 제품 차이?" 형태가 많습니다. 이런 질문에 답하는 비교표·대체품 매칭표를 직접 만들어 두면, AI가 그 표를 그대로 인용합니다. 경쟁사를 비방하지 말고, 호환 규격·치수·성능을 사실 기반으로 정리하는 것이 핵심입니다.

답변형 콘텐츠 설계 — 엔지니어의 질문을 제목으로

RAG가 잘 집어가는 글은 질문이 곧 제목이고, 첫 문장이 곧 답인 구조입니다. 제조사 사이트의 전형적인 제품 페이지는 이 구조와 정반대입니다.

❌ 약한 구조 (회사 중심)
<h1>정밀 베어링 사업부 소개</h1>
<p>당사는 1995년 설립 이래 최고의 품질을...</p>

✅ 강한 구조 (질문-직답)
<h1>NSK 6204 베어링 국내 대체품, 무엇을 쓸 수 있나</h1>
<p>당사 DB6204-2RS는 동일 내경 20mm·외경 47mm·
   폭 14mm 규격으로 직접 호환되며, 동등 이상의
   정격하중(동 12.8kN)을 제공합니다.</p>
<h2>치수·성능 비교표</h2> ...

실무 체크리스트:

• 제품 페이지마다 "이 제품으로 무엇을 해결하는가"를 첫 문단에 직답으로.
• 사양표는 이미지가 아니라 HTML 텍스트 표로(이미지 속 숫자는 AI가 못 읽습니다).
• FAQ를 질문 형태 그대로 본문에 넣고, 구조화 데이터(FAQ 스키마)로 표시.
• PDF 카탈로그만 있는 핵심 사양은 반드시 HTML 페이지로도 노출.

크롤러를 막으면 후보 진입 자체가 불가능하다

아무리 좋은 콘텐츠도 AI 크롤러가 못 들어오면 RAG 후보에 오르지 못합니다. 제조사 사이트는 보안을 이유로 크롤러를 광범위하게 차단해 둔 경우가 의외로 많습니다. robots.txt에서 주요 AI 크롤러를 허용해야 합니다.

핵심 기술 페이지가 로그인 뒤에 있거나 '문의하기'로만 닫혀 있다면, 적어도 사양·규격·적용 사례 같은 구매 의사결정에 쓰이는 공개 가능한 정보는 인증 없이 읽히는 공개 페이지로 빼야 합니다. 닫힌 정보는 인용될 수 없습니다.

엔진마다 인용 성향이 다르다 — 제조 B2B의 채널 전략

대규모 인용 분석들을 보면 엔진 간 인용 출처 중복은 매우 낮습니다(ChatGPT·Perplexity 도메인 중복 약 11%, 인용의 약 90%가 엔진마다 다름). 즉 한 엔진을 잡았다고 다른 엔진에서도 인용되는 게 아닙니다.

• ChatGPT: 위키백과(약 47.9%)·커뮤니티 의존이 큽니다. 제조 B2B에선 업계 위키·표준 문서·전문 매체에 정확한 정보가 올라가 있는 것이 유리합니다.
• Perplexity: 실시간 웹과 인라인 인용 중심. Reddit 등 커뮤니티 비중도 큽니다(약 46.7%). 최신 사양·납기·가격 정보를 자주 갱신하는 페이지가 잘 잡힙니다.
• Gemini: 구글 색인과 E-E-A-T(경험·전문성·권위·신뢰)를 중시합니다. 기존 SEO 자산과 신뢰 신호가 그대로 작동합니다.
• Claude: 근거가 약한 콘텐츠를 보수적으로 걸러냅니다. 사실·출처·수치가 단단한 기술 문서가 유리합니다.

한국 시장이라면 네이버도 빼놓을 수 없습니다. 네이버 AI 브리핑(요약)은 통합검색 쿼리의 20% 이상에 적용되고 있고, AI탭이 2026년 6월 정식 출시됩니다. 다만 네이버는 외부 크롤러를 차단하기 때문에, 글로벌 AI는 나무위키·위키백과·티스토리를 거쳐 한국 정보를 우회 수집합니다. 제조사라면 자사 공개 페이지 + 신뢰도 높은 외부 매체·업계 위키에 정보를 동시에 심는 다채널 전략이 필요합니다.

측정 — 한 번 물어보고 판단하지 마라

제조 B2B 경영진이 가장 많이 하는 실수는 "ChatGPT에 우리 회사 물어봤더니 안 나오던데"로 결론 내리는 것입니다. 이것은 측정이 아니라 노이즈입니다.

LLM은 temperature=0에서도 결과가 흔들립니다(GPU 연산·배치 처리 특성). 한 실험에서 2,350억 파라미터 모델에 같은 질문을 1,000회 던졌더니 80가지 출력이 나왔습니다. AI 가시성을 정량화한 연구(arXiv:2603.08924)는 인용이 멱법칙으로 출렁이므로 다중 실행 + 부트스트랩 신뢰구간으로 측정할 것을 권합니다. 단일 측정은 동전 한 번 던지고 "이 동전은 앞면만 나온다"고 말하는 것과 같습니다.

제조 B2B의 올바른 측정 틀:

• SOV(Share of Voice): 우리 카테고리 질문 세트에서 AI 답변에 우리 브랜드가 언급되는 비율. 질문 세트 선정이 결과를 좌우하므로, 실제 구매 담당자가 쓸 법한 사양·대체품·납기 질문으로 구성해야 합니다.
• 엔진 분리 측정: 위에서 봤듯 엔진마다 인용이 다릅니다. 합산하면 메커니즘이 가려지니 엔진별로 따로 봐야 합니다.
• 프롬프트 볼륨 환상 주의: "이 질문이 월 몇 회 검색되는가"류 수치는 실측이 아니라 패널(시장 1% 미만) 모델링 추정입니다. Conductor는 "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다"고 경고합니다. 볼륨 숫자에 휘둘리지 말고 '실제 우리 고객이 묻는 질문인가'로 판단하세요.
• 2차 지표임을 기억: 가시성은 그 자체가 목표가 아니라 리드·견적·매출이라는 결과를 설명하는 선행 지표입니다. RFQ 유입과 연결해 봐야 의미가 있습니다.

덧붙여, 답변 품질의 내부 점검에는 RAGAS faithfulness(답변 주장이 출처에서 추적되는 정도) 같은 지표가 쓰입니다. 실무에서는 흔히 0.9 이상이면 안정, 0.7 미만이면 위험으로 보지만 팀마다 기준이 다릅니다. 우리 콘텐츠가 '추적 가능한 사실'로 채워져 있을수록 AI가 안심하고 인용한다는 원리는 동일합니다.

Citeon은 이 원리를 제품에 담았다

지금까지의 원리를 제조·산업재 현장에서 직접 돌리려면, '우리 회사가 어떤 사양·대체품 질문에서 인용되고, 어디서 빠지는지'를 먼저 봐야 합니다. Citeon은 이를 위해 만들어졌습니다.

• 4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude 네 엔진에서 우리 브랜드가 카테고리 질문에 얼마나 인용되는지 측정합니다. 엔진별로 분리해 보여줘 "어느 엔진에서 빠지는지"를 짚습니다.
• 사이트 진단엔진: 우리 사이트의 SEO·AEO·GEO 상태를 점수화하고, 사양서·인증·답변형 구조가 RAG에 잘 잡히는지 한국어 처방으로 알려줍니다.
• 경쟁사 역추적: 같은 카테고리에서 어떤 경쟁 공급사가 어떤 질문에 인용되는지 역으로 분석해, 우리가 비워둔 답변 공백을 찾습니다.
• 주간 모니터 추이: 단일 측정의 노이즈를 피해, 시간에 따른 인용 추이로 개선 효과를 봅니다.

제조사라면 "우리 핵심 제품의 대체품·사양 질문에서 지금 우리가 인용되고 있는가"부터 확인해 보세요. Citeon 무료 진단(₩0)으로 우리 사이트의 AI 가시성 점수와 처방 리포트를 받아볼 수 있습니다.

자주 묻는 질문

참고자료

• Lewis et al. 2020, Retrieval-Augmented Generation (RAG)
• Karpukhin et al. 2020, Dense Passage Retrieval
• Liu et al. 2023, Lost in the Middle
• Aggarwal et al. 2023, GEO: Generative Engine Optimization (KDD 2024)
• Anthropic, Introducing Contextual Retrieval (2024)
• Conductor, Debunking AI Prompt Volume