결론부터. 이미지와 유튜브는 그 자체로 인용되는 게 아니라, 그것을 설명하는 텍스트(alt·캡션·자막·챕터·트랜스크립트·주변 문단)가 검색되어 인용됩니다. AI 검색엔진은 픽셀이나 영상 프레임을 직접 '읽어서' 답변을 만들지 않습니다. 멀티모달 콘텐츠를 텍스트로 변환·색인한 뒤, 질문과 의미가 가까운 조각을 꺼내(retrieval) 답변을 씁니다. 그래서 멀티모달 최적화의 90%는 '이미지를 예쁘게 만드는 일'이 아니라 '기계가 읽을 텍스트를 붙이는 일'입니다. 이 글은 그 원리를 RAG로 풀고, 실제로 인용되게 만드는 문장 대조와, 그로스 관점의 측정·어트리뷰션까지 한 번에 정리합니다.
왜 지금 멀티모달인가 — AI 답변이 텍스트만 보던 시대가 끝났다
AI 검색은 더 이상 '파란 링크 10개'가 아닙니다. ChatGPT는 답변에 이미지 카드를 끼워 넣고, Perplexity는 인라인 인용과 함께 썸네일·영상을 붙이며, 구글 Gemini는 자사 색인 자산(특히 유튜브)을 답변에 노출합니다. 네이버도 2026년 들어 AI 답변 중심으로 재편됐습니다. 네이버 발표 기준 AI 브리핑(요약형 답변)은 통합검색 쿼리의 20% 이상에 적용되고, 2026년 4월 한 달 AI 브리핑 인용이 약 3.558억 건에 달했습니다. 그리고 네이버 AI탭은 2026년 6월 25~26일 대화형·에이전틱 형태로 전체 정식 출시됐습니다. 즉, 사용자가 보는 첫 화면이 '검색 결과'에서 '생성된 답변'으로 넘어갔고, 그 답변 안에 이미지·영상이 자리를 차지하기 시작했습니다.
그로스 리드 입장에서 이건 채널 구조가 바뀐 사건입니다. 예전엔 '이미지 SEO = 구글 이미지 탭 유입' 정도였다면, 이제는 이미지·영상이 AI 답변의 신뢰 근거이자 클릭 유발 요소가 됐습니다. 뒤에서 다루지만, 일부 분석에서는 AI 검색을 통한 유입의 전환율이 일반 검색보다 몇 배 높게 나타나기도 합니다. 방문 수는 적어도 '이미 답을 읽고 확신을 얻은 상태'로 들어오기 때문입니다. 그렇다면 그 답변 안에 우리 자산이 인용되게 만드는 일은 트래픽 게임이 아니라 매출 게임입니다.
핵심 원리: 이미지·영상은 '텍스트로 번역된 뒤에' 검색된다
RAG(Retrieval-Augmented Generation)의 원전인 Lewis 등 2020(arXiv:2005.11401)이 정의한 구조는 단순합니다. 모델이 답하기 전에 외부 지식을 먼저 '검색'해서 근거로 넣는다. 파라메트릭 메모리(모델이 학습으로 외운 것) + 비파라메트릭 메모리(그때그때 검색해 온 문서)의 결합이죠. 멀티모달도 이 뼈대는 똑같습니다. 다만 검색 대상이 되려면 이미지·영상이 임베딩 가능한 텍스트 표현을 가져야 합니다.
비유로. AI 검색엔진을 '눈이 어두운 사서'라고 생각해 보세요. 사서는 그림을 직접 보는 대신, 그림 뒷면에 붙은 설명 카드를 읽습니다. 카드에 '2026년 국내 AI 검색 점유율 막대그래프, 네이버 AI탭 정식출시 후 급등'이라고 적혀 있으면 관련 질문에 그 그림을 꺼내줍니다. 카드가 비어 있거나 'IMG_2048.png'라고만 적혀 있으면, 그 그림은 서고 어딘가에 영원히 잠들어 있습니다. 아무리 잘 그린 그래프여도요.
구체적으로 멀티모달 콘텐츠가 색인되는 경로는 이렇습니다.
| 자산 | 기계가 실제로 읽는 '텍스트 표현' | 당신이 통제할 수 있는가 |
|---|---|---|
| 이미지 | alt 속성, 파일명, 캡션(figcaption), 주변 문단, 이미지 안 글자(OCR), 자동 캡셔닝 | alt·파일명·캡션·주변 문단 = 100% 통제 가능 |
| 유튜브 영상 | 제목, 설명란, 자막(캡션), 자동 트랜스크립트, 챕터 마커, 썸네일 텍스트 | 제목·설명·자막·챕터 = 100% 통제 가능 |
| 인포그래픽 | OCR로 뽑힌 안쪽 수치·라벨 + 캡션 + 본문 해설 | 이미지 옆에 텍스트로 '같은 내용'을 반드시 병기해야 함 |
| 차트/스크린샷 | alt + 근처 문단의 수치 설명 | 수치를 alt와 본문에 텍스트로 재기술 |
핵심 교훈: OCR·자동 캡셔닝은 '보너스'일 뿐 신뢰하지 마세요. 자동 추출은 종종 틀리거나 비어 있습니다. 당신이 직접 붙인 alt·캡션·자막·주변 문단이 검색 성패를 가릅니다. 이미지는 인상을 만들고, 텍스트가 인용을 만든다고 기억하세요.
검색은 '키워드'가 아니라 '의미'로 일어난다 — 그래서 설명 문장이 중요하다
왜 alt에 파일명 대신 '문장'을 넣어야 할까요? 현대 검색이 키워드 매칭에서 의미(임베딩) 검색으로 넘어갔기 때문입니다. Karpukhin 등 2020의 Dense Passage Retrieval(arXiv:2004.04906)은 질문과 문서를 각각 벡터로 바꿔 '의미가 가까운' 것을 찾는 방식이 전통적 키워드 방식(BM25)을 능가함을 보였습니다. 사용자가 'AI 답변에 이미지가 왜 뜨는지'라고 물으면, 엔진은 그 문장의 벡터와 가까운 조각을 찾습니다. alt가 'chart.png'면 벡터 공간에서 아무 데도 안 걸립니다. alt가 '멀티모달 AI 검색에서 이미지가 인용되는 3단계 파이프라인 다이어그램'이면, 관련 질문의 벡터 근처에 정확히 자리잡습니다.
실무는 키워드 색인(BM25)과 의미 검색을 둘 다 씁니다. 도서관에 비유하면 정확한 청구기호 색인(키워드) + 주제를 아는 사서(의미)의 합작입니다. 공개 벤치마크 종합에서 recall@10 기준 의미 검색 단독 약 78%, BM25 단독 약 65%인데, 둘을 RRF로 합친 하이브리드는 약 91%까지 올라갑니다. Anthropic의 Contextual Retrieval(2024) 실험도 방향이 같습니다. 청크에 맥락을 덧붙이면 검색 실패율이 5.7%에서 3.7%로 35% 감소하고, BM25 하이브리드를 더하면 실패율이 49% 감소, 여기에 reranking까지 얹으면 67% 감소했습니다. 이게 멀티모달에 주는 시사점은 분명합니다. alt·캡션에 키워드(BM25용)와 자연어 맥락(의미 검색용)을 함께 담아야 양쪽 색인에 모두 걸립니다.
이미지 alt·캡션: 약한 예 / 강한 예
- ❌ 약한 예:
alt="차트"/alt="image_final_v3.png"— 벡터 공간에서 무의미. 어떤 질문에도 안 걸립니다. - ❌ 약한 예:
alt="AI 검색"— 너무 짧아 맥락 없음. 경쟁 조각에 밀립니다. - ✅ 강한 예:
alt="2026년 4월 네이버 AI 브리핑 월 인용 3.558억 건, AI탭 정식출시 후 급증을 보여주는 막대그래프"— 엔티티(네이버 AI 브리핑) + 수치(3.558억) + 시점(2026-04) + 형식(막대그래프)이 모두 텍스트로 존재. 키워드·의미 양쪽 색인에 걸립니다. - ✅ 강한 예(캡션 병기): 이미지 아래
<figcaption>에 '그림. 네이버 AI 브리핑은 통합검색 쿼리 20% 이상에 적용되며 2026년 4월 인용이 약 3.558억 건을 기록했다.'처럼 그래프 안 수치를 본문 텍스트로 재기술. OCR이 실패해도 인용 근거가 남습니다.
규칙 하나만 외운다면: '이미지를 못 보는 사람에게 전화로 설명한다면 어떻게 말할까'를 그대로 alt에 적으세요. 그게 곧 기계가 읽는 문장입니다.
유튜브: AI 답변에서 가장 저평가된 인용 자산
유튜브가 특별한 이유는 두 가지입니다. 첫째, 구글 소유라 Gemini 계열이 자사 색인 안에서 영상을 우선적으로 다룹니다. 엔진 성향을 보면 Gemini는 구글 색인과 E-E-A-T(경험·전문성·권위·신뢰)를 중시합니다. 둘째, 영상에는 자막·트랜스크립트라는 풍부한 텍스트가 딸려 있어, 잘 만들면 한 편이 수백 개의 검색 가능한 조각이 됩니다.
하지만 대부분의 브랜드 영상은 자막 없이, 제목은 'OO 신제품 소개 (풀버전)', 설명란은 비어 있습니다. 이건 사서에게 설명 카드 없는 그림을 맡기는 것과 같습니다. 영상이 아무리 좋아도 검색 파이프라인에 진입하지 못합니다.
유튜브 최적화: 약한 예 / 강한 예
| 요소 | ❌ 약한 예 | ✅ 강한 예 |
|---|---|---|
| 제목 | 멀티모달 마케팅 웨비나 (2026) | 이미지·유튜브가 AI 답변 인용을 바꾸는 법 — alt·자막·챕터 실전 (2026 최신) |
| 설명란 | 영상 봐주세요! 구독 좋아요 | 영상 요약 3줄 + 타임스탬프 목차 + 핵심 수치(네이버 AI 브리핑 20%+, 3.558억 건) + 출처 링크 |
| 자막 | 없음(자동 자막 방치) | 직접 교정한 정확한 자막(브랜드명·수치 오탈자 제거) |
| 챕터 | 없음 | 00:00 인트로 / 01:30 왜 멀티모달인가 / 04:10 alt 작성법 / 08:00 측정법 — 질문 단위로 분절 |
챕터가 왜 결정적인가. Liu 등 2023의 'Lost in the Middle'(arXiv:2307.03172)은 긴 맥락을 넣으면 중간에 있는 정보가 손실되는 U자형 성능 곡선을 보였습니다. 정보는 맥락의 앞이나 끝에 있을 때 가장 잘 활용됩니다. 30분짜리 통짜 트랜스크립트는 '거대한 중간'입니다. 핵심 답이 15분 지점에 묻혀 있으면 인용되기 어렵습니다. 챕터로 영상을 3~5분 단위 조각으로 나누면, 각 조각이 '앞과 끝이 뚜렷한 짧은 문서'가 되어 특정 질문에 정확히 매칭됩니다. 긴 영상 하나 = 잘 분절된 여러 개의 인용 후보, 이게 챕터의 진짜 효과입니다.
[영상 설명란 강한 예 템플릿]
한 줄 요약: 이미지·유튜브를 AI 답변에 인용시키는 3가지 텍스트 레버.
핵심 수치(출처 병기):
- 네이버 AI 브리핑, 통합검색 쿼리 20%+ 적용 (네이버 발표)
- 2026-04 AI 브리핑 인용 약 3.558억 건
- 하이브리드 검색 recall@10 약 91% (하이브리드) vs 78% (의미 단독)
목차:
00:00 왜 지금 멀티모달인가
01:30 이미지는 텍스트로 번역된 뒤 검색된다
04:10 alt·캡션 약한 예/강한 예
08:00 유튜브 챕터·자막 최적화
12:00 측정과 매출 어트리뷰션
참고: (본문 링크)GEO: 인용을 부르는 콘텐츠 특성 — 이미지·영상에도 그대로 적용된다
Aggarwal 등 2023의 GEO 연구(arXiv:2311.09735, KDD 2024)는 생성엔진 가시성을 실제로 올리는 콘텐츠 조작을 실험으로 검증했습니다. 통계 수치 추가, 출처 인용, 전문가 직접 인용문 추가가 특정 조건에서 생성엔진 내 가시성을 최대 약 40%까지 끌어올렸습니다. 여기서 놓치기 쉬운 점: 이 원리는 텍스트뿐 아니라 이미지 캡션과 영상 설명란에도 똑같이 작동합니다. 캡션에 수치와 출처가 있으면, 그 이미지의 텍스트 표현이 인용 후보로서 강해집니다.
- ❌ 약한 캡션: '우리 성장 그래프'
- ✅ 강한 캡션: '그림 2. 도입 6개월간 AI 검색 유입 리드가 월별로 증가(한 클라이언트 사례). 출처: 내부 측정 대시보드.' — 수치 지향 + 출처 언급으로 GEO 신호를 실었습니다.
단, 정직이 전제입니다. Claude 계열은 근거가 약한 콘텐츠를 보수적으로 걸러내고 Citations API로 출처를 추적합니다. 없는 수치를 캡션에 지어 넣으면 오히려 신뢰 자산을 태웁니다. 실무 품질지표인 RAGAS faithfulness(답변 주장이 출처에서 추적되는 정도)로 보면, 흔히 0.9 이상은 안정, 0.7 미만은 위험 신호로 다룹니다(팀마다 기준은 다름). 캡션·자막의 주장도 본문 근거와 추적 가능하게 연결돼야 합니다.
reranking과 '엔진마다 다른 취향' — 왜 한 곳만 보면 안 되는가
1차로 넉넉히 후보를 뽑은 뒤(Contextual Retrieval은 top-20 권장), cross-encoder reranker가 질문과 각 후보를 함께 읽어 재정렬합니다. 이 단계에서 NDCG가 5~15포인트(난도 높으면 ~20) 개선됩니다. 멀티모달에 주는 함의: 후보에 '진입'만 해서는 부족하고, 질문과 함께 읽혔을 때 정확히 답하는 조각이어야 상위로 올라옵니다. 그래서 alt·자막·캡션은 '질문 문장에 답하는 형태'로 쓰는 게 유리합니다.
게다가 엔진마다 인용 취향이 극단적으로 다릅니다. 대규모 인용 분석에서 ChatGPT와 Perplexity의 인용 도메인 중복은 약 11%에 불과했고, 인용의 약 90%가 엔진마다 달랐습니다. 세부적으로 ChatGPT는 위키백과 비중이 약 47.9%, Perplexity는 Reddit이 약 46.7%로 나타났습니다(출처: Profound/Discovered Labs 등). 엔진 성향을 정리하면:
| 엔진 | 성향 | 멀티모달 시사점 |
|---|---|---|
| ChatGPT | 위키백과·커뮤니티 선호 | 엔티티가 위키/커뮤니티에 텍스트로 존재해야 이미지도 문맥을 얻음 |
| Gemini | 구글 색인·E-E-A-T·유튜브 | 유튜브 자막·챕터 최적화의 수혜가 가장 큼 |
| Claude | 근거 약하면 보수적, Citations API | 캡션·자막에 검증 가능한 출처를 담아야 함 |
| Perplexity | 실시간·인라인 인용 | 최신 자막/설명란 갱신이 즉시 반영될 여지 |
| Grok | 실시간 웹+X 스트림 | 인용 정확도 편차 큼 — 단일 측정 신뢰 금물 |
결론: 인용 최적화를 한 엔진으로 판단하면 90%를 못 봅니다. 멀티모달 자산도 엔진별로 다르게 걸립니다.
크롤러 허용부터 — 문이 잠겨 있으면 아무것도 시작 안 된다
아무리 좋은 alt·자막을 붙여도, AI 크롤러가 못 들어오면 후보에조차 못 낍니다. robots.txt에서 최소한 다음을 허용하세요.
GPTBot, OAI-SearchBot (OpenAI)
PerplexityBot (Perplexity)
ClaudeBot, anthropic-ai (Anthropic)
Google-Extended (구글 Gemini 학습·인용)참고로 네이버는 외부 크롤러를 차단하는 구조라, 글로벌 AI들은 네이버 본문 대신 나무위키·위키백과·티스토리 같은 우회 경로로 한국어 정보를 긁는 경향이 있습니다. 즉 한국어 브랜드는 (1) 네이버 생태계용 최적화와 (2) 글로벌 AI가 읽을 수 있는 공개 웹 자산을 이중 트랙으로 가져가야 합니다. 이미지·영상도 마찬가지입니다. 네이버 안에만 있는 이미지는 글로벌 AI가 못 봅니다.
네이버 쪽은 알고리즘도 알아둘 만합니다. C-Rank(출처 신뢰·전문성) + D.I.A.+(문서 의도) 구조이고, 한 표본분석(272건)에서 AI 브리핑 인용 출처의 약 58%가 블로그, 약 49%가 검색 Top10 밖에서 인용됐습니다. 순위가 낮아도 '문서 의도에 정확히 답하는' 콘텐츠가 인용된다는 뜻이라, 이미지·영상을 곁들인 직접경험·읽기 쉬운 구조의 글이 유리합니다(네이버가 강조하는 콘텐츠 5원칙: 직접경험·일관주제·진정성·읽기쉬운구조·최신성).
그로스 관점: 측정하지 않으면 최적화도 없다 — 그런데 AI 인용은 '흔들린다'
여기서 tao의 본업입니다. 멀티모달 최적화를 했다면, 그게 인용→유입→전환→매출로 이어지는지를 봐야 합니다. 그런데 AI 가시성 측정은 일반 순위 추적과 근본적으로 다릅니다. 같은 질문을 던져도 답이 매번 흔들립니다.
이유는 비결정성입니다. temperature=0으로 고정해도 LLM 출력은 GPU 연산·배치 처리 때문에 미세하게 달라집니다. 한 실험에서 2,350억 파라미터 모델에 같은 질문을 1,000회 던졌더니 80가지 서로 다른 출력이 나왔습니다. 6개 모델 480회 규모의 실험(arXiv:2602.14349)도 이 흔들림을 확인했고, AI 가시성의 불확실성을 정량화한 연구(arXiv:2603.08924)는 인용이 멱법칙(power-law)처럼 출렁이므로 다중 실행 + 부트스트랩 신뢰구간을 쓰라고 권합니다. 실무 번역: '오늘 ChatGPT에 물어봤더니 우리가 인용됐다/안 됐다'는 노이즈입니다. 단일 측정으로 캠페인 성패를 판단하면 안 됩니다.
그래서 측정은 이렇게 설계해야 합니다.
- 질문 세트를 고정하고 반복 측정 — 질문 선정이 결과를 좌우하므로, 우리 카테고리의 실제 구매 질문으로 세트를 짭니다.
- 여러 엔진을 개별로 — 합산하면 엔진별 메커니즘이 가려집니다. ChatGPT·Gemini·Perplexity·Claude를 따로 봅니다.
- SOV(Share of Voice) = 카테고리 AI 답변 중 우리 브랜드 언급 비율을 추세로 봅니다(단발 스냅샷 금지).
- 프롬프트 볼륨 숫자는 의심 — 실측 불가한 추정치입니다. Conductor는 '신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다'고 지적합니다.
- 가시성은 2차 지표 — CFO식으로 보면 인용·SOV는 결국 리드·매출(1차 결과)을 설명하는 선행지표일 뿐입니다.
왜 이 고생을 하냐고요? 앞서 말한 대로 일부 분석에서 AI 검색 유입의 전환율이 일반 검색보다 몇 배 높게 나타나기 때문입니다(구체 수치는 케이스마다 다르니 단정하지 않습니다). 방문자 수가 적어도 '답을 읽고 확신한 상태'로 들어오는 트래픽이라, 멀티모달 인용 한 건이 만드는 매출 기여가 클 수 있습니다. 그래서 측정 가치가 있습니다.
Citeon은 이 원리를 제품에 담았다
지금까지의 원리를 요약하면: 이미지·유튜브는 텍스트로 번역돼 검색되고, 엔진마다 다르게 인용되며, 그 결과는 흔들리므로 반복 측정해야 하고, 최종적으로는 매출로 설명돼야 합니다. Citeon은 정확히 이 지점을 다룹니다.
- 4엔진 인용 측정(SOV) — ChatGPT·Gemini·Perplexity·Claude에서 우리 브랜드가 얼마나 인용되는지 측정합니다. 엔진마다 취향이 90% 다르다는 사실을 개별로 추적합니다.
- 사이트 진단엔진 — URL을 넣으면 SEO/AEO/GEO 관점에서 무엇이 인용을 막는지(예: alt 부실, 크롤러 차단) 한국어 처방을 냅니다.
- 경쟁사 역추적 — 우리 대신 인용되는 경쟁 콘텐츠가 무엇을 하고 있는지 되짚습니다.
- 주간 모니터 추이 — 단일 측정의 노이즈를 넘어, 시간에 따른 추세로 봅니다.
이미지 alt 하나, 유튜브 자막 한 줄이 실제로 AI 답변 인용을 바꾸는지 궁금하다면, 먼저 지금 상태를 진단하는 게 순서입니다. Citeon 무료 AI 가시성 진단(₩0)으로 우리 사이트가 4개 엔진에서 어떻게 보이는지부터 확인하세요.
자주 묻는 질문(FAQ)
AI가 이미지를 직접 '본다'는데, 그래도 alt가 필요한가요?
네, 여전히 필수입니다. 일부 모델이 이미지를 직접 해석하더라도, 검색·색인 파이프라인은 여전히 텍스트 표현(alt·캡션·주변 문단)에 크게 의존합니다. 자동 캡셔닝·OCR은 종종 틀리거나 비어 있고, 당신이 통제할 수 없습니다. alt와 캡션은 100% 통제 가능한 인용 근거이므로, '보너스'인 자동 해석에 운명을 맡기지 마세요.
유튜브 자막을 자동 생성으로 둬도 되나요?
권하지 않습니다. 자동 자막은 브랜드명·전문용어·수치를 자주 틀립니다. 틀린 자막이 그대로 색인되면 잘못된 텍스트로 검색되거나, 핵심 키워드가 누락됩니다. 직접 교정한 자막 + 챕터 마커를 붙이면, 긴 영상 하나가 질문 단위로 분절된 여러 인용 후보가 됩니다(Lost in the Middle 완화 효과).
인포그래픽에 수치를 다 넣었는데 왜 인용이 안 되나요?
수치가 '이미지 안 픽셀'에만 있기 때문입니다. OCR이 실패하면 그 수치는 검색에 존재하지 않는 것과 같습니다. 반드시 같은 수치를 이미지 옆 본문·캡션에 텍스트로 병기하세요. GEO 연구에 따르면 통계·출처를 텍스트로 담는 것이 생성엔진 가시성을 유의미하게 올립니다.
한 번 측정했더니 ChatGPT에서 인용 안 되던데, 최적화가 실패한 건가요?
단정할 수 없습니다. AI 인용은 temperature=0에서도 흔들립니다(한 실험에서 같은 질문 1,000회에 80가지 출력). 단일 측정은 노이즈에 가깝습니다. 고정된 질문 세트로 반복 측정하고 추세(SOV)로 판단해야 하며, 신뢰구간을 함께 보는 게 정석입니다.
네이버와 글로벌 AI를 동시에 잡으려면요?
이중 트랙이 필요합니다. 네이버는 외부 크롤러를 차단하므로, 네이버 생태계용(블로그·직접경험·읽기 쉬운 구조) 자산과, 글로벌 AI가 읽을 수 있는 공개 웹 자산(크롤러 허용 + alt·자막 최적화)을 따로 준비하세요. 네이버 안에만 있는 이미지·영상은 글로벌 AI가 보지 못합니다.