로컬 자영업이 AI 검색에서 살아남는 핵심은 단 하나입니다. '우리 가게가 어디서, 무엇을, 누구에게 잘하는지'를 AI가 한 조각만 읽어도 이해할 수 있게, 일관되고 구체적인 문장으로 흩뿌려 두는 것. 예전엔 손님이 '강남역 파스타'를 네이버에 치고 블로그 후기를 스크롤했습니다. 지금은 ChatGPT에게 "강남역 근처 분위기 좋고 혼밥 가능한 파스타집 추천해줘"라고 묻고, 돌아온 3~4곳 중에서 고릅니다. 그 3~4곳 안에 들어가느냐 마느냐가 이번 달 매출을 가릅니다. 이 글은 동네 식당·카페·미용실·필라테스·정형외과·공방을 운영하는 분들이 그 명단 안에 들어가기 위해 '오늘 당장' 할 수 있는 일을, 작동 원리까지 곁들여 쉽게 정리한 실무 가이드입니다.
왜 갑자기 'AI가 추천하는 가게'가 중요해졌나
검색의 무게중심이 옮겨갔기 때문입니다. 과거의 검색은 '링크 10개를 주고 네가 골라'였습니다. 지금의 AI 검색은 '내가 골라서 2~3개만 알려줄게'입니다. 손님 입장에선 편하지만, 가게 입장에선 잔인합니다. 10개 자리가 3개로 줄었으니까요. 1페이지 끝자락에 걸쳐 있던 가게는 이제 아예 언급조차 안 됩니다.
특히 로컬은 이 변화에 더 민감합니다. 손님의 질문 자체가 '추천'을 전제로 깔고 있기 때문이죠. "근처 칼국수 맛집", "아이 데려가기 좋은 ○○동 카페", "주차되는 동물병원" — 이건 정보 검색이 아니라 의사결정 위임입니다. 손님은 AI의 답을 거의 그대로 신뢰하고 발걸음을 옮깁니다.
그렇다면 AI는 그 2~3곳을 어떻게 고를까요? 마법이 아닙니다. 안을 들여다보면 꽤 기계적인 절차가 돌아가고 있고, 그 절차를 이해하면 '왜 우리 가게는 안 불리는지'가 보입니다.
AI가 가게를 고르는 원리: RAG를 동네 단골 가이드로 비유하면
요즘 AI 검색의 뼈대는 RAG(검색 증강 생성, Retrieval-Augmented Generation)라는 구조입니다. 2020년 Lewis 등의 연구(arXiv:2005.11401)에서 정리된 개념으로, AI가 자기 머릿속 지식(파라메트릭 메모리)만 쓰지 않고, 그때그때 외부 문서를 찾아와(비파라메트릭 메모리) 합쳐서 답을 만든다는 뜻입니다. 쉽게 말해 AI는 답을 '기억'으로 짓지 않고, '방금 찾아 읽은 자료'를 근거로 짓습니다. 그래서 자료에 우리 가게가 또렷이 적혀 있지 않으면, 아무리 장사를 잘해도 AI 답변엔 등장할 수가 없습니다.
RAG는 보통 세 단계로 움직입니다. 동네를 훤히 꿰는 '단골 가이드'에 비유해 볼게요.
- 검색(Retrieval) — 손님이 "혼밥 가능한 파스타집"이라 물으면, 가이드는 자기 수첩(검색 인덱스)에서 관련 있어 보이는 가게 메모를 한 뭉치 꺼냅니다.
- 재정렬(Reranking) — 꺼낸 메모를 손님 질문과 하나하나 다시 대조하며 '이게 진짜 딱 맞나?' 순서를 매깁니다.
- 생성(Generation) — 상위 몇 개 메모만 보고 "여기 어때요, 이런 이유로"라고 손님에게 말로 풀어 줍니다.
핵심은 이겁니다. 가이드의 수첩에 우리 가게 메모가 없거나, 있어도 흐릿하면("파스타 맛있음" 정도) 1단계에서 탈락합니다. 반대로 "강남역 3번 출구 도보 2분, 1인석 8자리, 점심 혼밥 손님 많음, 까르보나라 시그니처"처럼 구체적으로 적혀 있으면, 가이드는 손님의 '혼밥' 키워드와 메모를 정확히 연결해 자신 있게 추천합니다. 우리가 할 일은 결국 이 수첩 메모를 우리가 직접, 명확하게 써 두는 것입니다.
'검색'에 걸리는 두 가지 길: 키워드 색인과 의미 색인
1단계 검색은 사실 두 가지 방식이 함께 돌아갑니다. 이걸 알면 글을 어떻게 써야 할지가 또렷해집니다.
| 방식 | 비유 | 강점 | 약점 |
|---|---|---|---|
| 키워드 검색(BM25) | 도서관의 단어 색인표 | '반려동물 동반' 같은 정확한 단어를 놓치지 않음 | '강아지랑 가는'처럼 표현이 다르면 못 찾음 |
| 의미 검색(임베딩) | 주제를 이해하는 사서 | '강아지 데려가도 돼요?'='반려동물 동반'을 같은 뜻으로 이해 | 고유명사·정확한 메뉴명은 의외로 잘 놓침 |
의미 검색이 키워드 검색을 능가한다는 건 2020년 Dense Passage Retrieval 연구(arXiv:2004.04906)에서 확인됐습니다. 하지만 '능가'가 '대체'는 아닙니다. 둘을 합친 하이브리드 검색이 가장 강합니다. 공개 벤치마크들을 종합하면 상위 10개를 정확히 건지는 비율(recall@10)이 의미 검색 단독 약 78%, 키워드 단독 약 65%인데, 둘을 합치면 약 91%까지 올라갑니다. Anthropic의 2024년 Contextual Retrieval 보고서에서도 청크에 맥락을 더하면 검색 실패율이 35% 줄고(5.7%→3.7%), 여기에 키워드(BM25)를 합치면 49%, 재정렬까지 더하면 67%까지 실패율이 떨어진다고 밝혔습니다.
로컬에 주는 교훈: 손님이 쓸 법한 '정확한 단어'(메뉴명·동네명·역이름)와 '풀어 쓴 자연어'(강아지랑 가도 되나요, 주차 되나요)를 본문에 둘 다 자연스럽게 넣어야 양쪽 색인에 모두 걸립니다.
로컬 자영업이 AI 검색에서 불리하게 시작하는 이유
냉정하게 보면 동네 가게는 출발선이 불리합니다. 이유를 알아야 대책이 섭니다.
- 정보가 흩어져 있고 서로 다릅니다. 네이버 플레이스엔 '오전 11시 오픈', 인스타엔 '11시 30분', 배달앱엔 '12시'. AI는 이 불일치를 보면 신뢰도를 낮춥니다. 어느 게 진짜인지 모르니까요.
- 웹상에 '읽을 글'이 거의 없습니다. 가게 소개가 인스타 사진과 해시태그뿐이면, AI가 읽어서 인용할 '문장'이 없습니다. 사진은 RAG의 텍스트 검색이 읽지 못합니다.
- '어디(위치)'가 모호합니다. 로컬 질문의 절반은 위치 조건입니다. 그런데 정작 페이지엔 "오시는 길" 약도 이미지 한 장만 있고, 동·역·랜드마크가 글로 안 적혀 있는 경우가 많습니다.
좋은 소식은, 이 세 가지가 전부 '돈 없이 오늘 고칠 수 있는' 것들이라는 점입니다. 하나씩 처방해 보겠습니다.
처방 1: NAP 일관성 — AI가 가장 먼저 보는 신뢰 신호
NAP은 이름(Name)·주소(Address)·전화(Phone)의 약자입니다. 로컬 검색의 가장 기본이자, AI가 '이 가게 정보를 믿어도 되나'를 판단하는 1차 관문입니다. 앞서 말한 것처럼 채널마다 정보가 다르면 AI는 헷갈리고, 헷갈리면 안 부릅니다.
실제 문장으로 비교해 볼게요. 같은 가게인데 채널마다 이렇게 적혀 있으면 안 됩니다.
❌ 약한 예 (채널마다 제각각)
- 네이버: "행복김밥 본점 / 서울 마포구 망원로 12 / 02-123-4567"
- 인스타: "행복김밥🍙 망원동 골목 안 / 영업 11시~"
- 홈페이지: "행복분식 (구 행복김밥) / 마포구 망원동 12-3 / 0212345678"
✅ 강한 예 (모든 채널 한 글자까지 통일)
- 상호: 행복김밥 망원점
- 주소: 서울특별시 마포구 망원로 12, 1층 (망원역 2번 출구 도보 4분)
- 전화: 02-123-4567
- 영업: 매일 11:00~21:00 (브레이크타임 15:00~16:30, 화요일 휴무)체크리스트:
- 상호·주소·전화를 한 가지 표기로 확정하고, 모든 채널(네이버 플레이스·구글 비즈니스 프로필·홈페이지·인스타 프로필·배달앱)에 글자 단위로 똑같이 적기
- 영업시간·휴무일·브레이크타임을 숫자로 명확히 ("점심 장사" 같은 모호한 말 금지)
- 가게 이름을 바꿨다면 옛 이름도 한 번은 병기 ("행복분식(구 행복김밥)")해서 옛 후기와 연결되게
처방 2: '읽을 글'을 만들어라 — AI는 사진을 못 읽는다
RAG의 검색 단계는 텍스트를 읽어 옵니다. 인스타 피드가 아무리 예뻐도, 거기 적힌 정보가 사진 안에 박혀 있으면 AI 입장에선 빈 페이지입니다. 그래서 가게를 설명하는 '문장'이 웹 어딘가에 반드시 있어야 합니다. 홈페이지가 없다면 네이버 블로그·플레이스 소개글·구글 비즈니스 프로필 설명란이라도 좋습니다.
그리고 그 문장은 막연하면 안 됩니다. AI 검색 가시성 연구(Aggarwal 등, arXiv:2311.09735, KDD 2024)에 따르면 통계·출처 인용·직접 인용문을 더한 콘텐츠가 생성엔진에서의 가시성을 특정 조건에서 최대 약 40%까지 끌어올렸습니다. 로컬 가게에 맞게 옮기면, '구체적인 숫자와 사실'을 넣은 소개가 두루뭉술한 자랑보다 훨씬 잘 인용된다는 뜻입니다.
❌ 약한 예 (형용사만 가득, 인용할 사실 0)
"분위기 좋고 맛있는 동네 맛집입니다.
정성을 다해 모시겠습니다. 많이 찾아주세요!"
✅ 강한 예 (질문에 답하는 사실의 나열)
"망원역 2번 출구 도보 4분 거리의 12석 규모 김밥 전문점입니다.
1인석 4자리가 있어 혼밥 손님이 점심의 절반 정도를 차지합니다.
대표 메뉴는 묵은지김밥(4,500원)과 매일 아침 끓이는 사골 떡국(7,000원)입니다.
매장 입구에 경사로가 있어 유아차·휠체어 진입이 가능하고,
포장은 카카오 채널로 미리 주문하면 대기 없이 픽업할 수 있습니다."강한 예의 모든 문장이 손님의 잠재 질문에 답하고 있다는 점을 보세요. '혼밥 되나', '얼마인가', '유아차 들어가나', '포장 되나' — 이게 바로 AI가 손님 질문과 연결할 수 있는 '메모'입니다.
처방 3: 첫 문장에 핵심을 — 'Lost in the Middle' 피하기
AI는 긴 글을 읽을 때 모든 부분을 공평하게 기억하지 못합니다. 2023년 'Lost in the Middle' 연구(Liu 등, arXiv:2307.03172)는 긴 맥락의 중간에 있는 정보가 손실되는 U자형 현상을 보여줬습니다. 사람도 긴 설명을 들으면 처음과 끝만 기억나는 것과 비슷하죠. 핵심은 앞이나 끝에 둬야 살아남습니다.
그래서 가게 소개글, 블로그 후기, 메뉴 설명 모두 가장 중요한 사실(무엇을·어디서·누구에게)을 첫 한두 문장에 배치해야 합니다. "안녕하세요 저희 가게는 2015년에..."로 시작하는 장황한 인사말은 정작 핵심 정보를 글 한복판에 묻어버립니다.
❌ 약한 예 (핵심이 중간에 묻힘)
"안녕하세요! 늘 찾아주시는 고객님께 감사드립니다.
저희는 2015년부터 한자리에서 운영해 왔으며, 좋은 재료를
쓰려고 노력합니다. (...중략...) 참고로 저희는 망원역
근처에서 비건 베이커리를 하고 있습니다."
✅ 강한 예 (첫 문장이 곧 직답)
"망원역 도보 5분 거리의 100% 식물성 비건 베이커리입니다.
계란·우유·버터를 일절 쓰지 않아 유제품 알레르기 손님도
드실 수 있고, 글루텐프리 빵도 매일 3종 구워냅니다."처방 4: 후기와 경험 신호 — '실제로 가 본 사람의 말'
로컬에서 후기는 단순한 별점이 아니라 강력한 '경험 신호'입니다. AI는 한쪽 주장만 있는 페이지보다, 여러 사람의 구체적 경험이 쌓인 정보를 더 신뢰합니다. 엔진별 성향을 보면 이 점이 더 분명해집니다. 대규모 인용 분석에 따르면 ChatGPT는 위키백과·커뮤니티성 출처를, Perplexity는 Reddit 같은 커뮤니티 후기를 자주 인용하는 경향이 있습니다(한 분석에서 Perplexity의 Reddit 인용 비중이 약 46.7%로 나타났습니다). 즉 '진짜 손님의 경험담'이 AI 답변의 재료로 쓰이기 좋다는 뜻입니다.
다만 정직하게 짚자면, 후기를 조작하거나 가짜로 채우는 건 절대 금물입니다. 들통나면 신뢰가 한 번에 무너지고, 플랫폼 제재 대상이기도 합니다. 대신 이렇게 하세요.
- 구체적 후기를 유도하기: "맛있어요"보다 "무엇을, 누구와, 어떤 상황에서" 좋았는지 적게끔 손님에게 부탁하기 ("아이랑 점심에 들렀는데 좌식이라 편했어요" 같은 후기가 AI엔 금광입니다)
- 후기 속 표현을 소개글에 반영하기: 손님들이 반복해서 쓰는 단어("좌식", "노키즈 아님", "콜키지 무료")는 곧 실제 검색어이므로 본문에도 자연스럽게 넣기
- 사장님 답글로 사실 보강: 후기에 답글을 달며 "말씀하신 좌식 룸은 4인·6인 두 개 있습니다"처럼 추가 사실을 텍스트로 남기면 그 자체가 AI가 읽을 자료가 됩니다
처방 5: 네이버 AI 대응 — 한국 로컬의 절반은 여기서 갈린다
글로벌 AI만 신경 쓰면 한국 로컬 장사는 절반을 놓칩니다. 네이버의 변화가 빠르기 때문입니다. 네이버는 큐:(Cue:)와 클로바X를 2026년 4월 9일 종료하고, AI탭을 2026년 6월 25~26일 대화형·에이전틱 형태로 전체 정식 출시했습니다. 통합검색에서 요약을 보여주는 AI 브리핑은 이미 전체 쿼리의 20% 이상에 적용되고 있고, 2026년 4월 기준 AI 브리핑 인용은 월 약 3.558억 건에 달했습니다. 이 인용 한 자리에 우리 가게가 들어가느냐가 관건입니다.
희망적인 데이터가 있습니다. 한 표본 분석(272건)에서 AI 브리핑이 인용한 출처의 약 58%가 블로그였고, 인용된 글의 약 49%는 검색 Top10 밖에 있던 글이었습니다. 풀어 말하면, 검색 순위가 낮아도 '내용이 좋으면' AI에 인용될 수 있다는 뜻입니다. 작은 가게에 분명한 기회입니다.
네이버의 알고리즘은 출처의 신뢰·전문성을 보는 C-Rank와 문서의 의도를 보는 D.I.A.+가 함께 작동합니다. 네이버가 강조하는 좋은 콘텐츠 5원칙은 이렇습니다 — 직접 경험, 일관된 주제, 진정성, 읽기 쉬운 구조, 최신성. 로컬 가게에 이보다 잘 맞는 기준이 없습니다.
| 네이버 5원칙 | 로컬 가게의 실천 |
|---|---|
| 직접 경험 | 사장이 직접 찍은 사진 + "오늘 들어온 재료"처럼 그날의 현장 기록 |
| 일관된 주제 | 블로그를 '우리 동네 + 우리 업종'으로 일관되게 (맛집·여행·재테크 잡탕 금지) |
| 진정성 | 광고성 과장 대신 '안 되는 것'도 솔직히 (예약 필수, 주차 협소 등) |
| 읽기 쉬운 구조 | 소제목·표·목록으로 정리 (이 글처럼) — AI가 조각내 읽기 좋음 |
| 최신성 | 메뉴·가격·영업시간 변경 시 즉시 갱신, 시즌 메뉴 주기적 업데이트 |
한 가지 더. 네이버는 외부 크롤러를 막기 때문에, 글로벌 AI(ChatGPT·Perplexity 등)는 네이버 블로그를 직접 못 읽고 나무위키·위키백과·티스토리 같은 곳으로 우회해 한국 정보를 가져옵니다. 그래서 '네이버용'과 '글로벌 AI용' 텍스트 거점을 둘 다 두는 게 안전합니다. 네이버 블로그/플레이스에 정성껏 쓰되, 티스토리나 자체 홈페이지에도 같은 핵심 정보를 한 벌 더 심어두는 식입니다.
처방 6: AI 크롤러가 들어오게 문 열어두기
아무리 좋은 글을 써도 AI의 크롤러가 우리 페이지에 못 들어오면 후보군에조차 못 듭니다. 자체 홈페이지가 있다면 robots.txt에서 주요 AI 크롤러를 허용해야 합니다.
| 크롤러 | 주체 |
|---|---|
| GPTBot, OAI-SearchBot | OpenAI (ChatGPT) |
| PerplexityBot | Perplexity |
| ClaudeBot, anthropic-ai | Anthropic (Claude) |
| Google-Extended | 구글 (Gemini 등) |
홈페이지 제작 업체에 "robots.txt에서 위 AI 크롤러들 허용해 주세요" 한마디면 됩니다. 반대로, 이미 만든 사이트가 이들을 막고 있는 경우가 의외로 많으니 꼭 확인하세요. 워드프레스·윅스 같은 빌더는 기본 설정이 막아두기도 합니다.
처방 7: 손님의 진짜 질문을 그대로 글감으로
AI는 '질문'에 답하려고 자료를 찾습니다. 그러니 우리 글이 아예 손님의 질문 형태와 그 답을 담고 있으면 매칭 확률이 올라갑니다. 손님이 카운터에서, 전화로, DM으로 자주 묻는 것들을 떠올려 보세요. 그게 전부 글감입니다.
- "주차 돼요?" → "가게 전용 주차는 없지만, 도보 1분 거리 ○○공영주차장(시간당 1,200원)을 이용하시면 됩니다."
- "애기 의자 있어요?" → "유아용 하이체어 3개, 아기 식기 비치되어 있습니다."
- "단체 가능해요?" → "최대 20인 단체룸이 있고, 10인 이상은 하루 전 예약 부탁드립니다."
이런 Q&A를 소개글이나 블로그 하단에 모아두면, AI가 그대로 끌어다 쓰기 좋은 '완성된 답변 블록'이 됩니다. 이 글 마지막의 FAQ도 같은 원리입니다.
측정: '한 번 검색해봤더니 우리가 나왔다'에 속지 마세요
여기서 정직하게 짚고 넘어갈 게 있습니다. 많은 사장님이 "ChatGPT에 쳐보니 우리 가게 나오던데?"로 안심하거나, 반대로 한 번 안 나왔다고 좌절합니다. 둘 다 위험합니다. AI 검색 결과는 같은 질문에도 흔들리기 때문입니다.
이건 느낌이 아니라 측정된 사실입니다. LLM은 설정을 가장 보수적으로(temperature=0) 맞춰도 GPU 연산·배치 처리 특성 때문에 결과가 들쭉날쭉합니다. 한 실험에서는 2,350억 파라미터 모델에 같은 질문을 1,000번 던졌더니 80가지나 되는 서로 다른 출력이 나왔습니다. AI 가시성의 불확실성을 정량화한 연구(arXiv:2603.08924)는 인용이 멱법칙처럼 출렁이므로, 한 번 측정한 결과는 신호가 아니라 노이즈에 가깝다고 지적합니다. 그래서 여러 번 반복 측정하고 신뢰구간으로 봐야 합니다.
로컬 사장님이 직접 할 수 있는 현실적인 측정법은 이렇습니다.
- 질문 세트를 고정: 손님이 실제로 쓸 법한 질문 5~10개를 적어두기 (예: "망원동 혼밥 김밥", "망원역 비건 빵집")
- 주기적·반복 측정: 같은 질문을 주마다 여러 번, 가급적 여러 엔진(ChatGPT·Perplexity·네이버)에서 던져보고 우리 언급 여부를 기록
- 한 번의 결과로 일희일비 금지: 추세(여러 주에 걸친 언급 빈도)를 보기
참고로 'AI 검색에서 이 질문이 월 몇 번 검색되는지' 같은 프롬프트 볼륨 수치를 파는 곳이 있는데, 이는 실측이 아니라 아주 작은 패널(시장 1% 미만)을 모델링한 추정치입니다. 한 업계 분석은 "신뢰할 수 없는 검색량 데이터는 차라리 없는 것보다 나쁘다"고 경고합니다. 숫자에 현혹되기보다, '우리가 실제로 인용되는가'를 직접 반복 확인하는 게 훨씬 정직한 측정입니다.
오늘 바로 따라 하는 7일 체크리스트
| 날 | 할 일 | 걸리는 시간 |
|---|---|---|
| 1일차 | NAP(상호·주소·전화) 한 가지로 확정 → 전 채널 통일 | 1시간 |
| 2일차 | 위치를 글로: 역·출구·도보 시간·랜드마크를 소개글 첫 문장에 | 30분 |
| 3일차 | '사실 중심' 소개글 다시 쓰기 (메뉴·가격·혼밥/주차/유아 정보) | 1시간 |
| 4일차 | 자주 듣는 질문 10개 → Q&A 블록으로 정리 | 1시간 |
| 5일차 | 네이버 블로그/플레이스에 직접 경험 글 1편 (사진+사실) | 1.5시간 |
| 6일차 | 홈페이지 있으면 robots.txt AI 크롤러 허용 확인 | 30분 |
| 7일차 | 질문 세트 5개 만들어 ChatGPT·Perplexity·네이버에서 우리 언급 체크 | 30분 |
Citeon은 이 원리를 제품에 담았다
위 처방들을 혼자 일일이 점검하기는 벅찹니다. 장사하기도 바쁘니까요. Citeon은 로컬 자영업의 이 막막함을 덜어드리기 위해 만들어졌습니다.
- AI 가시성 진단(무료, ₩0): 가게 사이트 주소를 넣으면 ChatGPT·Gemini·Perplexity·Claude 네 개 엔진에서 우리 가게가 얼마나 인용되는지(SOV, 점유율)를 측정하고, SEO·AEO·GEO 점수를 0~100으로 보여줍니다.
- 사이트 진단엔진: 위치 정보·소개글·구조 등 어디가 약한지 항목별로 진단하고 한국어로 처방을 줍니다. 로컬(쇼핑몰/블로그/B2B 등) 유형을 인지해 맞춤으로 분석합니다.
- 경쟁사 역추적: 같은 동네 경쟁 가게가 왜 AI에 더 자주 불리는지를 거꾸로 분석합니다.
- 주간 모니터 추이: 앞서 강조한 '한 번이 아니라 반복 측정'을 자동으로 돌려, 우리 가게 언급이 늘고 있는지 추세로 보여줍니다.
우리 가게가 지금 AI 답변에서 어디쯤 있는지부터 확인해 보세요. 무료 진단이라 부담이 없습니다. citeon.cloud에서 무료 AI 가시성 진단 받기 →
자주 묻는 질문
홈페이지가 없어요. 그래도 AI 검색에 나올 수 있나요?
가능합니다. 네이버 플레이스·블로그, 구글 비즈니스 프로필 같은 무료 채널에 '읽을 수 있는 문장'으로 가게 정보를 정확하고 구체적으로 채워두면 AI가 그것을 읽고 인용할 수 있습니다. 다만 글로벌 AI(ChatGPT 등)는 네이버를 직접 못 읽으므로, 여력이 되면 티스토리나 간단한 자체 페이지에도 같은 핵심 정보를 한 벌 더 두는 것이 안전합니다.
리뷰가 별로 없는데, 후기부터 쌓아야 할까요?
후기는 강력한 경험 신호라 분명히 도움이 됩니다. 다만 조작·대량 가짜 후기는 절대 금물이며 들통나면 신뢰가 무너집니다. 진짜 손님에게 '무엇을, 어떤 상황에서' 좋았는지 구체적으로 적어달라 부탁하고, 사장님이 답글로 사실(좌식 룸 개수, 주차 안내 등)을 보강하세요. 그 답글 자체가 AI가 읽는 자료가 됩니다.
ChatGPT에 검색했더니 우리 가게가 나왔어요. 그럼 끝난 건가요?
아닙니다. AI 검색 결과는 같은 질문에도 매번 흔들립니다. 한 실험에선 같은 질문 1,000번에 80가지 출력이 나왔을 정도입니다. 한 번 나왔다고 안심하거나 한 번 안 나왔다고 좌절하지 말고, 질문 세트를 고정해 여러 번·여러 엔진에서 반복 측정하며 '추세'로 보세요.
네이버와 ChatGPT 중 어디에 집중해야 하나요?
한국 로컬은 둘 다 중요합니다. 네이버 AI 브리핑은 이미 통합검색 쿼리의 20% 이상에 적용되고, 인용 출처의 약 58%가 블로그일 만큼 작은 가게에 기회가 큽니다. 동시에 손님들이 ChatGPT·Perplexity로 추천을 묻는 흐름도 빠르게 늘고 있습니다. 다행히 두 곳 모두 '구체적 사실 + 직접 경험 + 읽기 쉬운 구조'라는 같은 원칙으로 대응되니, 좋은 글 한 벌이 양쪽에 쓰입니다.
비용을 거의 못 쓰는데 우선순위 한 가지만 꼽는다면?
NAP 일관성과 '위치를 글로 쓰기'입니다. 모든 채널의 상호·주소·전화를 글자 단위로 통일하고, 소개글 첫 문장에 역·출구·도보 시간·랜드마크를 넣으세요. 돈이 안 들면서 AI의 신뢰 판단과 위치 매칭에 가장 직접적으로 작용합니다. 그다음이 사실 중심 소개글과 자주 듣는 질문 Q&A 정리입니다.
참고자료
- Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
- Karpukhin et al. (2020), Dense Passage Retrieval for Open-Domain Question Answering
- 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