ChatGPT Search·Perplexity·Google AI Overviews는 문서 랭킹이 아니라 Retrieval-Augmented Generation(RAG) 파이프라인으로 답변을 생성한다. 이 파이프라인에서 인용 여부는 키워드 빈도가 아니라 벡터 유사도·엔티티 신뢰도·구조화 데이터 신호로 결정되며, 해당 신호는 크롤링과 색인 시점에 소비된다. 배포 이후 신호를 주입하면 다음 색인 사이클까지 반영되지 않는 구조이므로, 최적화 시점은 배포 전이다. 아래 다섯 가지 이유는 이 메커니즘에서 직접 도출된다.
이유 1 · 2. 파이프라인이 이미 교체 중이며, 교체 속도가 임계점에 달했다
작동 원리
전통 검색과 AI 검색은 색인·랭킹·결과 형태 세 단계 모두에서 다르다. 아래 표는 구현 관점의 핵심 차이를 정리한다.
| 항목 | 전통 SEO | AEO (답변엔진최적화) | GEO (생성형엔진최적화) |
|---|---|---|---|
| 랭킹 신호 | 역색인 BM25, PageRank | Featured Snippet 마크업, FAQ 스키마 | 벡터 유사도, 엔티티 신뢰도, 인용 빈도 |
| 결과 형태 | URL 목록 (10 blue links) | 직접 답변 박스 | LLM 합성 산문 + 출처 링크 |
| 핵심 구현 | meta tags, 백링크 | FAQ/HowTo JSON-LD | Organization sameAs, llms.txt, 구조화 컨텍스트 |
| 신호 반영 시간 | 수 주~수 개월 | 크롤링 후 수 일 | 모델 재학습 주기 (추정 수 개월) |
지금 시작해야 하는 이유
- 파이프라인 전환은 점진적이지 않다. Google AI Overviews는 2024년 미국 롤아웃 후 6개월 내 검색 결과 상단 점유율이 급격히 상승했다. 전환이 완료된 뒤 신호를 쌓으면 이미 경쟁 브랜드에 인용 우위가 넘어간 상태다.
- RAG 리트리버는 신선도(recency)와 권위도를 동시에 평가한다. 벡터 DB에 먼저 진입한 문서일수록 인용 기회가 누적된다. 지금 구조화 콘텐츠를 배포하지 않으면 신선도 신호 자체가 쌓이지 않는다.
이유 3. 엔티티 신호는 축적에 시간이 걸린다
작동 원리
AI 검색 시스템은 브랜드 이름을 문자열이 아니라 엔티티로 해석한다. Wikidata QID·Google Knowledge Graph Entity ID와 sameAs 링크가 일치해야 복수의 권위 출처에서 동일 실체로 인정됐다고 판단한다. 이 인정은 최소 3~6개월의 인덱싱 기간이 필요하다(추정).
구현 방법
사이트 루트 페이지의 <head> 안에 Organization 스키마를 삽입한다.
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "Citeon",
"url": "https://citeon.io",
"sameAs": [
"https://www.wikidata.org/wiki/Q130534211",
"https://www.linkedin.com/company/citeon",
"https://github.com/citeon"
],
"description": "AI 마케팅 대행사. AEO·GEO·SEO 통합 전략 수립 및 구현 전문.",
"foundingDate": "2023",
"knowsAbout": [
"Answer Engine Optimization",
"Generative Engine Optimization",
"Structured Data",
"AI Search"
]
}검증/측정
- Google Knowledge Graph Search API 점수 확인:
https://kgsearch.googleapis.com/v1/entities:search?query=브랜드명&key=API_KEY로 엔티티 점수를 조회한다. 점수가 낮거나 결과가 없으면 sameAs 링크 보완이 필요하다. - Wikidata 등재 여부: 등재 항목이 없으면 AI 시스템의 엔티티 해석 정확도가 낮아진다. 항목 생성 후 최소 90일이 지나야 안정적 인식이 시작된다(추정).
이유 4. AI 크롤러 정책 설정은 지금 실행 중이다
작동 원리
GPTBot·PerplexityBot·ClaudeBot은 이미 robots.txt를 준수한다. 허용 지시가 없으면 크롤러가 콘텐츠를 수집하지 않아 RAG 소스풀에서 제외된다. llms.txt는 AI 에이전트에게 사이트 구조와 우선 문서를 안내하는 사실상 표준으로 확산 중이다.
구현 방법
# /robots.txt — AI 크롤러 허용 명시
User-agent: GPTBot
Allow: /
User-agent: PerplexityBot
Allow: /
User-agent: ClaudeBot
Allow: /
Sitemap: https://citeon.io/sitemap.xml
Sitemap: https://citeon.io/sitemap-blog.xml
---
# /llms.txt — 사이트 루트 배치
# Citeon
> AI 마케팅 대행사. AEO·GEO·SEO 통합 전략 수립 및 구현.
## 주요 서비스
- [AEO 전략](https://citeon.io/services/aeo): 답변 엔진 최적화 컨설팅
- [GEO 전략](https://citeon.io/services/geo): 생성형 AI 검색 노출 최적화
- [기술 블로그](https://citeon.io/blog): AEO·GEO·SEO 기술 심층 분석
## 핵심 문서
- [서비스 소개](https://citeon.io/about)
- [케이스 스터디](https://citeon.io/case-studies)검증/측정
- 크롤러 접근 로그 필터링: Nginx/Caddy 로그에서
GPTBot|PerplexityBot|ClaudeBotUser-Agent를 grep해 크롤링 경로와 빈도를 확인한다. - Perplexity 직접 질의: 브랜드명으로 질문 후 출처 링크에 자사 도메인이 포함되는지 llms.txt 배포 전후로 비교한다.
이유 5. 선점 브랜드 연상은 모델 재학습으로 고착된다
작동 원리
LLM은 학습 데이터에서 특정 주제에 대한 브랜드 연상(brand association)을 형성한다. 동일 카테고리에서 먼저 권위 있는 구조화 콘텐츠를 배포한 브랜드는 훈련 데이터 내 빈도 분포에서 우위를 점하며, 이 우위는 다음 모델 학습 사이클에서 인용 편향으로 반영된다(추정, 모델별 차이 있음).
- 카테고리별 권위 콘텐츠 선점: 특정 기술 용어(예: "GEO 구현", "llms.txt 설정")에 대해 가장 먼저 깊이 있는 구조화 문서를 배포하면 AI 시스템이 해당 주제의 우선 인용 출처로 도메인을 연결하는 패턴이 형성된다(추정).
- 인용 빈도 추적: Perplexity·ChatGPT Search·You.com에서 동일 질의를 반복 실행해 인용 횟수를 집계하거나, Authoritas·Semrush AI Toolkit으로 자동 모니터링한다.
흔한 오해: "meta description은 AI 검색에서 무의미하다"
AI 크롤러는 <meta name="description">을 읽지만 LLM 컨텍스트 창에 직접 전달하지 않는 경우가 많다. 그러나 이 태그는 pre-retrieval 필터링 단계에서 문서 관련성 판단에 사용된다. 문제는 완전한 무시가 아니라 meta description과 JSON-LD description 필드가 불일치할 때 신뢰 신호 충돌로 해석될 수 있다는 점이다. 올바른 처리법은 두 값을 동일하게 유지하되, 50~160자 내외의 명확한 사실 문장으로 작성하는 것이다. 감성 홍보 문구는 리트리버가 벡터 임베딩할 때 정보 밀도를 낮춘다.
FAQ 1. Google AI Overviews에 인용되려면 Search Console 등록이 필수인가?
Search Console 등록은 전통 SEO 색인 가속을 위한 것이며, AI Overviews 인용과의 직접 인과관계는 공식 문서화되지 않았다. 그러나 색인된 URL만 AI Overviews 소스풀에 진입할 수 있으므로 등록은 전제 조건이다. 등록 후 URL Inspection 도구로 Googlebot 크롤링 허용 여부와 구조화 데이터 파싱 오류를 확인하는 것이 실무 표준이다.
FAQ 2. llms.txt를 배포하면 Perplexity 인용 빈도가 즉시 높아지는가?
즉각적 효과는 보장되지 않는다. llms.txt는 크롤러에게 사이트 구조와 우선 문서를 안내하는 역할이며, 인용 여부는 리트리버의 벡터 유사도 및 신뢰도 스코어가 결정한다. llms.txt 배포 후 Perplexity의 재크롤링까지 수 일~수 주가 소요되고, 이후에도 콘텐츠 품질과 구조화 수준이 인용 빈도를 결정한다. llms.txt는 인용을 보장하는 조건이 아니라 소스풀 진입 장벽을 낮추는 조건이다.
참고 자료
이 글의 권고는 아래 공식 문서·연구를 근거로 합니다.