네이버 AI탭 시대의 키워드 전략은 어떻게 바뀌나

결론부터: 네이버 AI탭 시대의 키워드 전략은 '검색량 높은 단어를 본문에 몇 번 박느냐'에서 '사용자의 질문 의도를 본문이 직접 답하느냐'로 축이 통째로 옮겨갑니다. 2026년 6월 25~26일 네이버가 AI탭을 전체 정식 출시(대화형·에이전틱)하고, 이미 AI 브리핑(요약)이 통합검색 쿼리의 20% 이상에 적용되면서, 검색 결과의 첫 화면은 '링크 10개의 줄세우기'가 아니라 'AI가 합성한 한 문단의 답변'이 되었습니다. 답변을 만드는 기계는 키워드 빈도가 아니라 '질문에 대한 근거'를 찾습니다. 그래서 키워드 전략의 단위가 단어(word)에서 질문(question)과 엔티티(entity)로 바뀝니다. 이 글은 그 변화가 왜 일어나는지를 검색 엔진 내부 메커니즘까지 내려가 설명하고, 오늘 당장 바꿔야 할 문장 단위의 실무를 약한 예/강한 예로 보여드립니다.

무엇이 끝났고 무엇이 시작됐나 — 네이버 검색의 지각변동

먼저 현재 좌표를 명확히 합시다. 네이버는 별도 대화형 서비스였던 큐:(Cue:)와 클로바X를 2026년 4월 9일 종료했습니다. 이건 'AI 검색 포기'가 아니라 정반대입니다. 별도 탭에 격리돼 있던 AI를 검색 본체 안으로 흡수한 것이고, 그 결과물이 통합검색 안의 AI 브리핑과 6월 정식 출시된 AI탭입니다. AI 브리핑이 만들어내는 인용은 2026년 4월 기준 월 약 3.558억 건에 달합니다. 한 달에 3억 5천만 번, 네이버가 '이 출처를 근거로 답을 만들었다'고 표시하는 자리가 새로 생긴 겁니다.

여기서 가장 중요한 수치 하나. 한 표본 분석(인용 272건)에서 AI 브리핑이 인용한 출처의 약 58%가 블로그였고, 더 놀라운 건 인용된 출처의 약 49%가 기존 통합검색 Top10 바깥에 있던 문서였다는 점입니다. 이 한 줄이 키워드 전략 전체를 다시 쓰게 만듭니다. 풀어서 말하면 이렇습니다.

"검색 1페이지에 못 올라가던 글도, 질문에 정확히 답하면 AI 브리핑에 인용될 수 있다. 반대로 1페이지 상위에 있어도, AI가 답을 구성하기에 부적합하면 인용에서 빠진다."

즉, '순위(rank)'와 '인용(citation)'이 분리된 두 게임이 됐습니다. 키워드를 잘 박아 순위를 올리는 옛 게임은 여전히 존재하지만, 그 위에 '인용되는 게임'이 새로 얹혔고, 후자의 규칙이 전자와 다릅니다.

왜 키워드 빈도가 더는 안 통하나 — AI 브리핑 안을 들여다보기

이 변화를 '네이버가 알고리즘을 바꿨다'는 표면으로만 이해하면 대응을 못 합니다. AI탭과 AI 브리핑이 답을 만드는 방식, 즉 RAG(Retrieval-Augmented Generation)의 작동을 알아야 '키워드를 왜 더는 박으면 안 되는지'가 보입니다. RAG는 2020년 Lewis 등의 연구(arXiv:2005.11401)에서 정식화된 구조로, 모델이 학습으로 외운 지식(파라메트릭 메모리)과 그때그때 외부에서 검색해 온 문서(비파라메트릭 메모리)를 결합해 답을 만듭니다. 네이버 AI탭이 '실시간 검색해서 출처를 달아 답하는' 이유가 바로 이 구조입니다.

RAG는 크게 세 단계를 거칩니다. 각 단계가 옛 키워드 전략을 어떻게 무력화하는지 하나씩 보죠.

1단계 검색(Retrieval) — 색인하는 사서가 둘이다

사용자가 질문을 던지면 시스템은 후보 문서를 끌어옵니다. 여기서 두 종류의 검색이 동시에 돕니다.

키워드(BM25) 검색: 단어가 글자 그대로 일치하는지 봅니다. 도서관의 '색인 카드'와 같아서, '제주 흑돼지'를 찾으면 그 글자가 든 문서를 꺼냅니다.
의미(임베딩) 검색: 문장을 숫자 벡터로 바꿔 '뜻이 가까운지'를 봅니다. '제주에서 두툼한 근고기 맛집'이라 물어도 '흑돼지 오겹살' 글을 찾아냅니다. 도서관에 비유하면 '주제를 아는 사서'입니다.

2020년 Karpukhin 등의 Dense Passage Retrieval 연구(arXiv:2004.04906)는 이 의미 검색이 단어 일치 검색(BM25)을 능가한다는 걸 보였습니다. 둘을 합친 하이브리드 검색은 더 강력합니다. 공개 벤치마크들을 종합하면 recall@10(상위 10개 안에 정답을 담는 비율)이 의미 단독 약 78%, BM25 단독 약 65%인 데 비해 하이브리드(RRF 결합)는 약 91%에 이릅니다. 키워드 색인과 주제를 아는 사서를 둘 다 부리는 도서관이 당연히 더 잘 찾습니다.

핵심 함의: '키워드를 안 넣어도 뜻이 통하면 검색된다'는 겁니다. 거꾸로 '키워드만 잔뜩 박고 뜻이 빈약한 글'은 의미 검색에서 밀립니다. 키워드 채우기의 수익률이 구조적으로 떨어진 겁니다.

2단계 재정렬(Reranking) — 진짜 답을 가려내는 면접관

1단계가 후보 수십 개를 빠르게 긁어왔다면, 2단계는 그 후보를 질문과 함께 한 번 더 정독해 순서를 다시 매깁니다. 1단계가 서류 전형이라면 2단계는 면접입니다. 기술적으로는 cross-encoder라 부르는데, 질문과 문서를 같이 읽어 '이 문서가 이 질문에 실제로 답이 되는가'를 평가합니다. 이 재정렬은 검색 품질 지표 NDCG를 보통 5~15점, 어려운 질의에선 약 20점까지 끌어올립니다.

여기서 무너지는 옛 전략이 '제목 어그로'입니다. 제목에 키워드를 욱여넣어 서류 전형(1단계)은 통과해도, 본문이 질문에 답을 안 하면 면접(2단계)에서 탈락합니다. 네이버가 강조하는 D.I.A.+(문서의 의도, Document Intent Aware) 로직이 바로 이 '질문 의도에 문서가 부합하는가'를 보는 층위라고 이해하면 정확합니다.

3단계 생성(Generation) — 앞과 끝만 읽는 독자

마지막으로 AI가 추려진 문서들을 읽어 답을 합성하고 출처를 인용합니다. 그런데 이 독자에겐 묘한 버릇이 있습니다. 2023년 Liu 등의 'Lost in the Middle' 연구(arXiv:2307.03172)는 긴 맥락을 줄 때 모델이 맨 앞과 맨 끝의 정보는 잘 쓰지만 한가운데 정보는 흘린다는 U자형 성능 곡선을 보였습니다. 긴 회의록을 받으면 첫 줄과 마지막 줄만 기억하는 사람과 같습니다.

실무 결론은 단순합니다. 질문에 대한 직접적인 답은 문단 맨 앞에 두세요. '결론은 뒤에 있겠지' 하고 서론을 길게 끄는 글은, 정작 AI가 답을 합성할 때 핵심이 한가운데 묻혀 인용에서 빠집니다.

키워드에서 질문·엔티티로 — 전략 단위가 바뀐다

위 세 단계를 종합하면 키워드 전략의 새 좌표가 나옵니다. 표로 정리합니다.

구분	옛 키워드 전략(검색 순위 시대)	새 키워드 전략(AI탭 시대)
전략 단위	단어(제주 흑돼지 맛집)	질문(제주공항 근처 흑돼지 혼밥 가능한 곳?)
최적화 목표	키워드 밀도·정확 일치	질문 의도 충족·근거 제공
승부처	제목·태그·반복	본문이 답을 직접 말하는가
측정 지표	순위(rank)	인용(citation)·언급
경쟁 범위	같은 키워드 1페이지	Top10 밖에서도 인용 가능

여기서 '엔티티(entity)'를 짚고 넘어가야 합니다. 엔티티란 검색엔진이 인식하는 '명확한 실체'입니다. 가게 이름, 브랜드, 인물, 제품처럼 '그것이 무엇인지'가 또렷한 대상이죠. AI는 답을 만들 때 모호한 형용사 더미보다 또렷한 엔티티를 선호합니다. '맛있는 집'은 엔티티가 아니지만 '제주시 노형동 OO흑돼지'는 엔티티입니다. 키워드 전략이 엔티티 전략으로 진화한다는 건, '검색되는 단어'를 고르는 일에서 '검색엔진이 우리를 무엇으로 인식하게 할까'를 설계하는 일로 넘어간다는 뜻입니다.

키워드 리서치는 어떻게 바뀌나 — 단어 목록에서 질문 지도로

실무 변화의 첫 단추는 키워드 리서치 자체입니다. 옛날엔 검색량 도구를 열어 '월 검색량 높은 단어'를 줄세웠습니다. AI탭 시대엔 그 줄세우기가 위험합니다. 이유는 두 가지입니다.

첫째, AI 검색에는 신뢰할 만한 '검색량'이 사실상 존재하지 않습니다. 사람들이 AI에게 던지는 프롬프트는 길고, 대화형이고, 매번 다르게 표현됩니다. 업계의 'AI 프롬프트 볼륨' 수치는 대부분 시장 1% 미만의 패널을 모델링한 추정치입니다. 마케팅 분석업체 Conductor는 이를 두고 "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다"고 못 박았습니다. 없는 정밀도를 있다고 믿으면 엉뚱한 데 자원을 쏟습니다.

둘째, AI 검색 결과는 본질적으로 출렁입니다. 같은 질문을 같은 조건으로 여러 번 물어도 답과 인용이 달라집니다. temperature를 0으로 둬도 GPU 연산·배치 처리 때문에 결과가 흔들립니다. 한 실험에서는 2,350억 파라미터급 모델이 동일 입력 1,000회에 80가지 출력을 냈습니다. AI 가시성의 불확실성을 정량화한 연구(arXiv:2603.08924)는 인용이 멱법칙처럼 출렁이므로 한 번의 측정이 아니라 다중 실행 + 부트스트랩 신뢰구간으로 봐야 한다고 권합니다. 단일 측정은 노이즈입니다.

그래서 새 리서치는 '단어 목록'이 아니라 '질문 지도(question map)'를 만드는 작업입니다.

고객이 구매 여정 단계마다 실제로 던지는 질문을 수집한다(상담 로그, 댓글, 리뷰, 후기 글의 첫 문장).
그 질문을 '정보형 / 비교형 / 거래형'으로 분류한다.
질문 하나에 본문 한 단락이 '직답 → 근거 → 사례' 순으로 대응하게 설계한다.

문장 단위 실무 — 약한 예 / 강한 예

원리는 충분히 봤으니 이제 손에 잡히는 문장으로 내려갑시다. AI탭에 인용되는 글과 안 되는 글은 '문장'에서 갈립니다.

(1) 제목 — 키워드 나열 vs 질문에 답

❌ 제주 흑돼지 맛집 추천 노형동 흑돼지 제주공항 흑돼지 BEST
✅ 제주공항에서 차로 10분, 혼밥도 되는 노형동 흑돼지집 (현장 후기)

약한 예는 1단계 키워드 검색은 노릴지 몰라도 2단계 재정렬과 3단계 생성에서 '무엇을 답하는 글인지' 불명확해 탈락합니다. 강한 예는 '어디서·얼마나 가까운지·혼밥 가능한지'라는 질문 의도를 제목이 이미 답합니다.

(2) 첫 문장 — 서론 끌기 vs 직답

❌ 안녕하세요 여러분~ 오늘은 날씨도 좋고 해서 제주 여행 겸 맛집을 다녀왔는데요...
✅ 제주공항에서 가장 가까운 혼밥 가능 흑돼지집은 노형동 OO흑돼지로, 공항에서 차로 약 10분 거리입니다.

Lost in the Middle 원리를 기억하세요. AI는 맨 앞을 잘 읽습니다. 첫 문장에 직답을 두면 인용 확률이 오릅니다. 안부 인사로 시작하면 핵심이 한가운데 묻힙니다.

(3) 근거 — 형용사 vs 수치·출처·직접인용

❌ 정말 맛있고 가성비 최고예요. 분위기도 좋고 강추합니다!
✅ 흑돼지 오겹살 200g 22,000원, 점심 12~14시는 1인 세트(15,000원) 운영. 
   사장님 "제주산 암퇘지만 당일 입고"라고 직접 확인.

이건 GEO 연구의 핵심 발견과 직결됩니다. 2023년 Aggarwal 등의 연구(arXiv:2311.09735, KDD 2024)는 본문에 통계·출처 인용·직접 인용문을 추가하면 생성형 엔진에서의 가시성이 특정 조건에서 최대 약 40%까지 오른다는 걸 실험으로 보였습니다. 형용사는 AI가 합성할 근거가 못 되지만, 수치·가격·직접 인용은 그대로 답변에 옮겨 적힙니다. 약한 예는 '느낌'이고 강한 예는 'AI가 인용할 수 있는 사실 조각'입니다.

(4) 구조 — 한 덩어리 vs 질문-답 블록

❌ (1,500자 한 문단에 위치·메뉴·주차·웨이팅이 뒤섞임)
✅ Q. 주차 되나요? → A. 가게 앞 5대, 만차 시 200m 공영주차장(시간당 1,000원).
   Q. 웨이팅 길어요? → A. 주말 18~20시 평균 30분, 평일 점심은 대기 거의 없음.

질문-답 블록은 AI가 '어느 조각이 어느 질문의 답인지'를 깔끔하게 집어 가게 합니다. 이것이 네이버가 콘텐츠 5원칙에서 말하는 '읽기 쉬운 구조'의 실체이기도 합니다.

네이버가 좋아하는 글 — C-Rank·D.I.A.+와 콘텐츠 5원칙

네이버의 인용 후보 선정은 두 축으로 이해하면 충분합니다. C-Rank는 '이 출처를 믿을 만한가'(출처의 신뢰·전문성)를 보고, D.I.A.+는 '이 문서가 질문 의도에 맞는가'(문서의 의도)를 봅니다. 앞서 본 RAG로 번역하면 C-Rank는 후보 풀에 들어올 자격, D.I.A.+는 재정렬에서 살아남을 자격에 가깝습니다.

네이버가 공식적으로 권하는 콘텐츠 5원칙은 사실상 이 두 축을 사람이 실천하는 체크리스트입니다.

5원칙	왜 AI 인용에 유리한가
직접 경험	1차 정보 = AI가 다른 데서 못 베끼는 근거. 가격·대기시간 등 검증 가능한 사실 생성.
일관 주제	C-Rank의 전문성 신호. 한 분야를 꾸준히 다룬 출처를 신뢰.
진정성	광고성 과장은 D.I.A.+에서 의도 불일치로 감점.
읽기 쉬운 구조	질문-답 블록 = AI가 답 조각을 집기 쉬움.
최신성	가격·영업시간 등 변하는 정보의 신뢰. AI는 최신 근거를 선호.

그리고 네이버는 '네이버 메이트'로 좋은 창작자에게 직접 보상까지 합니다. 기본 월 30만 원 수준, 분야 1위 창작자는 월 1,000만 원 수준의 보상이 알려져 있습니다. 메시지는 분명합니다. '키워드 어뷰징'이 아니라 '진짜 경험을 또렷이 쓴 글'을 인용 생태계의 중심에 두겠다는 겁니다.

네이버 안의 글이 네이버 밖에서도 인용되게 하는 우회로

여기서 한국 GEO 특유의 함정을 짚어야 합니다. 네이버는 외부 크롤러를 폭넓게 차단합니다. 그래서 ChatGPT·Perplexity·구글 AI 같은 글로벌 AI 엔진은 네이버 블로그 본문을 직접 읽지 못하는 경우가 많습니다. 대신 이들은 나무위키·위키백과·티스토리처럼 크롤링이 열린 한국어 출처로 우회해 정보를 가져갑니다.

전략적 함의가 큽니다. 네이버 AI탭만 노린다면 네이버 블로그 최적화로 충분하지만, '한국 고객이 ChatGPT·Perplexity에게 물어볼 때도 우리가 나오게' 하려면 채널을 이원화해야 합니다.

네이버 AI탭/AI 브리핑용: 네이버 블로그·플레이스에 직접 경험 기반 글. C-Rank·D.I.A.+ 겨냥.
글로벌 AI 엔진용: 크롤링이 열린 자체 사이트·티스토리, 그리고 위키성 출처에 우리 엔티티가 또렷이 기술되도록. AI 크롤러(GPTBot·OAI-SearchBot·PerplexityBot·ClaudeBot·anthropic-ai·Google-Extended)를 robots.txt에서 허용해야 후보 진입조차 가능합니다.

한 가지 흔한 사고: 자체 사이트의 robots.txt가 AI 크롤러를 막고 있으면, 아무리 좋은 글을 써도 글로벌 엔진의 후보 풀에 못 들어갑니다. 인용은커녕 검색 자체가 시작되지 않습니다.

측정 — 'AI탭에 잘 나오나'를 어떻게 확인하나

전략을 바꿨으면 효과를 봐야 하는데, 여기가 가장 오해가 많은 지점입니다. AI 가시성은 매출·리드라는 결과를 설명하는 2차 지표이고, 그 자체가 출렁이는 값입니다(앞서 본 비결정성). 측정의 원칙 세 가지를 권합니다.

SOV(Share of Voice)로 보라: 한 카테고리의 AI 답변들 중 우리 브랜드가 언급되는 비율. 절대 순위가 아니라 점유율로 보면 노이즈에 덜 휘둘립니다.
질문 세트를 고정하라: SOV는 어떤 질문을 묻느냐가 결과를 좌우합니다. 고객이 실제로 던지는 질문 세트를 정의해 매주 동일하게 측정해야 비교가 됩니다.
여러 번 측정하라: 단일 측정은 노이즈. 같은 질문을 여러 번 돌려 추이로 봐야 진짜 변화를 봅니다.

또 하나, 엔진을 뭉뚱그려 합산하면 메커니즘이 가려집니다. 엔진마다 성향이 다르기 때문입니다. 한 대규모 인용 분석에서 ChatGPT와 Perplexity의 인용 도메인 중복은 약 11%에 그쳤고, 인용의 약 90%가 엔진마다 달랐습니다. ChatGPT는 위키백과 비중이 약 47.9%로 높고, Perplexity는 Reddit이 약 46.7%로 높습니다. 같은 브랜드라도 '어느 엔진에서 약한가'를 따로 봐야 처방이 나옵니다.

Citeon은 이 원리를 제품에 담았다

지금까지의 이야기를 한 줄로 줄이면, AI탭 시대의 키워드 전략은 '질문에 답하는 글을 쓰고, 그 글이 실제로 인용되는지를 엔진별로·반복적으로 측정하라'입니다. Citeon은 바로 이 측정과 진단을 자동화합니다.

4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude에서 우리 브랜드가 얼마나 언급·인용되는지 점유율로 측정합니다. 엔진을 뭉치지 않고 따로 봐, '어느 엔진에서 빠지는지'를 짚습니다.
사이트 진단엔진: URL을 넣으면 SEO·AEO·GEO 관점에서 점수를 내고, 'AI가 읽을 수 있는 구조인지'(크롤러 허용, 직답 구조, 근거 밀도)를 한국어 처방으로 돌려줍니다.
경쟁사 역추적: 우리 카테고리에서 AI가 누구를 대신 인용하는지를 역으로 추적해, 빼앗긴 질문을 찾아냅니다.
주간 모니터 추이: 단일 측정의 노이즈를 피하려고 매주 같은 질문 세트로 측정해 추이를 보여줍니다.

참고로 Citeon이 직접 측정하는 건 위 4개 글로벌 엔진입니다. 네이버 AI탭은 별도 생태계지만, 본문을 '질문에 직답하는 근거 있는 글'로 바꾸는 처방은 네이버 C-Rank·D.I.A.+에도 그대로 유효하고, 글로벌 엔진이 한국어 출처를 우회 인용하는 길목까지 함께 다듬어 줍니다. 우리 사이트가 지금 AI에게 어떻게 읽히는지부터 확인하고 싶다면, 무료 진단(₩0)으로 시작하세요. citeon.cloud에서 무료 AI 가시성 진단 받기.

자주 묻는 질문(FAQ)

네이버 AI탭 시대에 키워드를 아예 안 넣어도 되나요?

아닙니다. 키워드 검색(BM25)은 하이브리드 검색의 한 축으로 여전히 작동합니다. 다만 '키워드를 몇 번 박느냐'의 수익률이 급락했을 뿐입니다. 핵심 키워드는 제목과 첫 문장에 자연스럽게 1~2회 두되, 나머지 본문은 '그 키워드에 얽힌 질문에 답하는 데' 쓰세요. 단어 채우기가 아니라 의도 충족이 목표입니다.

AI 브리핑 인용량(월 3.558억 건)이 그렇게 많으면 누구나 인용되나요?

총량이 크다고 경쟁이 쉬운 건 아닙니다. 다만 한 표본 분석에서 인용 출처의 약 49%가 통합검색 Top10 밖이었다는 점은 분명한 기회 신호입니다. 순위 1페이지에 못 들어도 '질문에 정확히 직답하는 글'이면 인용 후보가 됩니다. 순위 게임에서 밀렸던 작은 블로그·신생 브랜드에게 새 길이 열린 셈입니다.

ChatGPT나 Perplexity에서도 우리가 나오게 하려면 네이버 블로그만 잘 쓰면 되나요?

충분하지 않습니다. 네이버는 외부 크롤러를 폭넓게 차단해, 글로벌 AI 엔진이 네이버 블로그 본문을 직접 읽지 못하는 경우가 많습니다. 이들은 나무위키·위키백과·티스토리 같은 열린 출처로 우회합니다. 따라서 자체 사이트·티스토리에 같은 정보를 두고, robots.txt에서 GPTBot·PerplexityBot·ClaudeBot·Google-Extended 등을 허용해 후보 진입부터 가능하게 해야 합니다.

AI 검색 노출은 어떻게 측정하나요? 한 번 검색해서 우리가 나오면 된 건가요?

한 번의 측정은 노이즈입니다. 같은 질문을 같은 조건으로 물어도 AI 답변과 인용은 출렁입니다(GPU 연산·배치 처리 등). 한 연구는 인용이 멱법칙처럼 흔들린다며 다중 실행과 부트스트랩 신뢰구간을 권합니다. 고정된 질문 세트로 매주 반복 측정해 SOV(언급 점유율)의 추이로 보는 것이 정석입니다.

본문에 무엇을 넣으면 인용 확률이 오르나요?

통계·출처 인용·직접 인용문입니다. GEO 연구(Aggarwal 등, KDD 2024)는 이 세 가지를 본문에 더하면 생성형 엔진 가시성이 특정 조건에서 최대 약 40%까지 올랐다고 보고했습니다. '맛있어요' 같은 형용사 대신 '오겹살 200g 22,000원', '사장님이 당일 입고라고 직접 확인'처럼 AI가 그대로 옮겨 적을 수 있는 사실 조각을 넣으세요.