ChatGPT Search·Perplexity·Gemini는 외부 콘텐츠를 512~1024 토큰 단위 청크로 분할한 뒤, 질의 벡터와의 의미 유사도로 인용 후보를 선정한다. 이 파이프라인에서 인용 여부를 결정하는 신호는 PageRank가 아니라 청크 단위의 구조적 명확성, 엔티티 밀도, 날짜·출처 명시 여부다. 감성적 리드업·긴 도입부·hook-buildup-reveal 구조로 된 블로그 글은 청크 분할 후 각 청크가 독립 답변 단위로 기능하지 못해 인용 후보에서 탈락한다. 아래 7단계는 LLM 파서 설계 기준으로 기존 글을 리라이팅하는 실무 절차다.
작동 원리 — RAG 파이프라인이 블로그를 처리하는 3단계
리라이팅 방향을 잡기 전에 AI 엔진이 인용 후보를 결정하는 내부 흐름을 이해해야 한다.
- 청크 분할: 문서를 512~1024 토큰 단위로 나눈다. 청크 경계는 문단 태그·헤딩을 우선 기준으로 삼는다. 단락이 길거나 복합 주제를 포함하면 청크 내 벡터가 분산되어 관련성 점수가 낮아진다.
- 의미 벡터 계산: 각 청크를 임베딩 모델로 벡터화한다. 하나의 청크에 주제가 혼재하면 질의와의 코사인 유사도가 희석된다. 이것이 단락 원자화가 중요한 이유다.
- 신뢰도 필터링: 엔티티 일관성·날짜·출처 명시를 신호로 인용 신뢰도를 평가한다. Google AI Overview는 JSON-LD 구조화 데이터 유무를 필터 조건으로 사용한다고 공식 문서에서 언급한다.
7단계 리라이팅 프로세스
1단계 — 헤드라인을 명제형으로 전환
왜: LLM은 명제형 헤드라인을 그대로 인용구로 추출하는 패턴이 있다. 어떻게: "AI 크롤러 차단 방법" → "robots.txt Disallow는 AI 크롤러에 기술적 강제력이 없다"처럼 주어·서술어가 완결된 사실 진술로 H2·H3를 교체한다.
2단계 — 정의 문장을 단락 첫 줄에 배치
왜: RAG 분할기는 청크의 첫 문장에 높은 가중치를 부여하며, 배경 설명이 앞에 오면 청크 관련성이 희석된다. 어떻게: "배경 → 주장" 구조를 "주장 → 근거" 역피라미드 구조로 뒤집는다.
3단계 — 단락 원자화
왜: 복합 단락은 청크 내 주제가 혼재해 벡터가 분산되고, AI가 관련 없는 두 주장을 하나로 묶어 오인용할 위험이 있다. 어떻게: "그리고"·"또한"·"반면에"로 이어진 복합 문장을 각각 독립 단락으로 분리한다. 하나의 단락 = 하나의 사실 또는 주장.
4단계 — 엔티티 명시 및 용어 일관성 확보
왜: "SEO"·"서치 최적화"·"검색 최적화"는 NER(Named Entity Recognition) 단계에서 다른 엔티티로 분류될 수 있으며, 지식 그래프 연결 강도가 인용 신뢰도에 영향을 준다(Google 엔티티 기반 색인 특허 US10789298B1 참조). 어떻게: 첫 등장 시 "ChatGPT(OpenAI의 대화형 AI)"처럼 풀네임으로, 이후 동일 표현으로 통일한다.
5단계 — JSON-LD TechArticle 스키마 삽입
왜: Google은 구조화 데이터를 AI Overview 인용 후보 필터링에 활용한다. 어떻게: <head> 내 <script type="application/ld+json">에 아래 스키마를 삽입한다.
{
"@context": "https://schema.org",
"@type": "TechArticle",
"headline": "블로그 글을 AI 인용용으로 리라이팅하는 7단계",
"description": "RAG 파이프라인 청크 최적화 및 구조화 데이터 삽입 실무 가이드",
"datePublished": "2026-06-18",
"dateModified": "2026-06-18",
"author": {
"@type": "Person",
"name": "정유진",
"jobTitle": "콘텐츠·SEO 에디터"
},
"publisher": {
"@type": "Organization",
"name": "Citeon",
"url": "https://citeon.cloud"
},
"articleSection": "실무 체크리스트",
"keywords": ["AEO", "GEO", "AI 인용 최적화", "RAG 최적화", "구조화 데이터"]
}6단계 — 수치·날짜·출처를 인라인 명시
왜: 근거 없는 수치는 AI 엔진이 인용 신뢰도를 낮게 평가하는 경향이 있다(Perplexity 내부 랭킹 신호 추정, 공식 발표 없음). 어떻게: "준수율이 낮다" → "2024년 기준 GPTBot은 자율 준수 체제로, 위반 시 법적 제재 없음(RFC 9309 §2.3)"처럼 연도·문서 번호를 문장 안에 직접 삽입한다. 불확실한 수치는 "(추정)"으로 명시한다.
7단계 — /llms.txt에 페이지 등록
왜: llms.txt는 Answer.AI가 2024년 제안한 비공식 표준으로, 일부 AI 크롤러가 이 파일을 우선 파싱해 인용 후보 URL을 선정한다는 패턴이 보고된다. 어떻게: 사이트 루트에 아래 형식으로 생성 후 robots.txt의 Sitemap: 지시자 옆에 나란히 노출한다.
# /llms.txt
# Citeon 기술 블로그 — AI 인용 허용 페이지 목록
> Citeon: AI 마케팅 전문 기술 블로그. AEO·GEO·SEO 실무 가이드 제공.
## 실무 체크리스트
- [블로그 글을 AI 인용용으로 리라이팅하는 7단계](https://citeon.cloud/blog/ai-citation-rewriting)
- [robots.txt로 AI 크롤러를 막아도 될까](https://citeon.cloud/blog/robots-txt-ai-crawler)
- [이미지 alt·구조화 데이터 점검 체크리스트](https://citeon.cloud/blog/alt-structured-data)
검증/측정 — 리라이팅 효과: SEO·AEO·GEO 신호별 비교
| 리라이팅 단계 | SEO 효과 | AEO(답변엔진) 효과 | GEO(생성형엔진) 효과 |
|---|---|---|---|
| 명제형 헤드라인 | 낮음 | 높음 — Featured Snippet 트리거 | 높음 — 직접 인용구 추출 대상 |
| 단락 원자화 | 낮음 | 중간 | 높음 — 청크 벡터 집중도 향상 |
| JSON-LD 스키마 | 높음 — Rich Result 자격 | 중간 | 높음 — AI Overview 필터 통과 |
| 엔티티 일관성 | 중간 | 높음 | 높음 — 지식 그래프 연결 강화 |
| 출처·날짜 인라인 | 낮음 | 높음 | 높음 — 신뢰도 필터 통과 |
| /llms.txt 등록 | 없음 | 낮음(추정) | 중간(추정) — 크롤러 우선 파싱 |
흔한 오해 — "가독성이 좋은 글 = AI가 잘 인용하는 글"
인간 독자를 위한 hook-buildup-reveal 구조(서론으로 흥미를 끌고, 중간에 맥락을 쌓아, 결말에 결론 배치)는 RAG 청크 분할 후 각 청크의 정보 밀도를 낮춘다. 도입 청크에는 감성 문장만, 결론 청크에만 핵심 사실이 집중되어 중간 청크 전체가 인용 후보에서 탈락한다. 올바른 처리법: 각 H2 섹션이 글 전체 맥락 없이도 단독으로 질문에 완결 답변을 주는지 확인한다. 독자 경험은 헤드라인 구조로 가이드하되, 개별 단락은 자급자족(self-contained) 정보 단위로 설계한다. 두 목표는 상충하지 않는다. 명제형 헤드라인·역피라미드 단락 구조는 독자에게도 빠른 스캐닝을 제공한다.
Q. 기존 글을 리라이팅하면 전통 SEO 순위가 하락할 수 있나?
URL·H1을 유지하고 H2 이하·본문 단락·구조화 데이터만 수정하는 경우 순위 하락의 직접 메커니즘은 없다. 오히려 dateModified 갱신과 본문 수정을 동반한 콘텐츠 freshen은 Google 색인 재크롤을 유도해 순위에 긍정적으로 작용하는 경우가 많다. 주의할 점은 H1 또는 URL 변경이다. 앵커 텍스트 신호가 재평가되므로 리라이팅 시 두 요소는 원칙적으로 유지한다.
Q. llms.txt가 없어도 AI 엔진에 인용될 수 있나?
그렇다. llms.txt는 현재 비공식 표준으로 크롤러별 채택 여부가 다르다. ChatGPT Search는 Bing 색인 기반으로 동작하며 llms.txt를 필수 조건으로 요구하지 않는다. Perplexity 역시 일반 크롤링으로 색인하며 이 파일 유무가 인용 여부의 단독 결정 요인은 아니다(추정). 다만 등록 비용이 거의 없고, 일부 크롤러가 우선 파싱한다는 보고가 있으므로 적용해두는 것이 유리하다. 실질적 인용 증가에 더 영향을 주는 요소는 1~6단계의 구조적 최적화다.
참고 자료
이 글의 권고는 아래 공식 문서·연구를 근거로 합니다.