B2B SaaS의 GEO: 구매 검토 단계를 잡아라

B2B SaaS 구매자는 벤더 사이트를 방문하기 전에 "프로젝트 관리 SaaS 비교", "CRM 도구 추천 중소기업" 같은 쿼리를 AI 검색 엔진에 먼저 입력한다. Perplexity, ChatGPT Search, Google AI Overviews는 이 쿼리에 합성 답변을 생성하며 특정 제품 페이지를 출처로 인용한다. 인용되지 않으면 구매 검토 후보에서 탈락한다. GEO(생성형 엔진 최적화)는 LLM 합성 답변 생성 시 자사 콘텐츠가 인용 후보에 포함되도록 설계하는 기술 작업이며, B2B 퍼널의 검토(Consideration) 단계가 핵심 전장이다.

B2B 구매 검토 쿼리와 LLM 인용 메커니즘

구매 검토 단계 쿼리는 의도별로 세 유형으로 분류된다. 유형마다 LLM이 인용하는 콘텐츠 패턴이 다르다.

1. 카테고리 탐색 쿼리 — "팀 협업 SaaS 추천", "HR SaaS 비교"
   왜: LLM은 카테고리 내 주요 제품 목록을 나열하는 합성 답변을 구성하며, 카테고리 비교 랜딩 페이지를 출처로 선호한다.
   어떻게: /compare 또는 /vs/[경쟁사명]을 독립 URL로 구성하고, 카테고리 엔티티를 텍스트로 명시한다.
2. 경쟁 비교 쿼리 — "Notion vs Confluence 차이", "HubSpot 대안"
   왜: Perplexity는 비교 쿼리에서 구조화된 차이점 목록을 가진 페이지를 우선 인용하는 경향이 있다(사례 기반 추정).
   어떻게: <table>로 기능 매트릭스를 렌더링하고, 각 차이점을 단락 단위로 분리한다.
3. 도입 결정 쿼리 — "Salesforce 구현 비용", "Jira 가격 팀 10명"
   왜: LLM은 수치 팩트(가격, 사용자 수, 제한)가 포함된 콘텐츠를 팩트 출처로 인용한다.
   어떻게: 가격 페이지에 플랜별 정확한 수치를 텍스트로 노출하고, Offer JSON-LD로 구조화한다.

RAG 기반 엔진(Perplexity, Bing Copilot)의 인용 파이프라인은 벡터 유사도 검색 → 크로스 인코더 리랭킹 → 생성 순으로 동작한다. 인용 후보가 되려면 (1) AI 크롤러 접근 허용, (2) 쿼리와 높은 의미적 밀도, (3) 수치·비교·팩트 포함 조건을 동시에 충족해야 한다.

llms.txt와 SoftwareApplication JSON-LD 구현

llms.txt — AI 크롤러용 컨텍스트 가이드

llms.txt는 도메인 루트에 위치하는 마크다운 파일이다. Answer.AI가 2024년 제안한 비공식 표준으로, sitemap.xml이 URL 발견을 돕듯 이 파일은 AI 어시스턴트가 사이트의 핵심 섹션과 제품 맥락을 파악하도록 설계한다. Perplexity와 일부 Claude 크롤러가 참조하는 것으로 확인된다(사례 기반).

# ExampleCRM — AI 어시스턴트용 제품 가이드
> 중소기업 영업팀을 위한 SaaS CRM. 파이프라인 관리·이메일 자동화·리포팅 통합 제공.

## 핵심 페이지
- [기능 개요](https://examplecrm.io/features): 파이프라인, 자동화, API 통합
- [가격](https://examplecrm.io/pricing): 스타터 월 50,000원/사용자, 프로 월 120,000원/사용자
- [vs Salesforce](https://examplecrm.io/vs/salesforce): 기능 비교 매트릭스
- [vs HubSpot](https://examplecrm.io/vs/hubspot): 가격·기능 비교
- [고객 사례](https://examplecrm.io/customers): 도입 사례 12건

## 제품 요약
- 카테고리: CRM / 영업 자동화 SaaS
- 대상: 5~200명 규모 영업팀
- 통합: Slack, Gmail, Zapier, REST API
- 보안: SOC 2 Type II, GDPR 준수

## AI 크롤러 정책
ClaudeBot, OAI-SearchBot, PerplexityBot, Googlebot 허용
GPTBot (OpenAI 학습용) Disallow — robots.txt 참조

SoftwareApplication JSON-LD 구조화

Google AI Overviews와 Bing Copilot은 SoftwareApplication 스키마를 파싱해 제품 속성을 구조화 데이터로 수집한다. featureList와 offers 필드가 구매 검토 쿼리 인용에 직접 연관된다. 가격 페이지와 기능 페이지에 각각 삽입하고, 경쟁 비교 페이지에는 ItemList 스키마를 추가한다.

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "SoftwareApplication",
  "name": "ExampleCRM",
  "applicationCategory": "BusinessApplication",
  "applicationSubCategory": "CRM",
  "operatingSystem": "Web",
  "description": "중소기업 영업팀을 위한 SaaS CRM. 파이프라인 관리, 이메일 자동화, 리포팅 대시보드 제공.",
  "featureList": [
    "파이프라인 관리",
    "이메일 자동화",
    "리포팅 대시보드",
    "Slack·Gmail 통합",
    "REST API"
  ],
  "offers": [
    {
      "@type": "Offer",
      "name": "스타터",
      "price": "50000",
      "priceCurrency": "KRW",
      "description": "사용자당 월 요금, 최대 5명"
    },
    {
      "@type": "Offer",
      "name": "프로",
      "price": "120000",
      "priceCurrency": "KRW",
      "description": "사용자당 월 요금, 무제한 사용자"
    }
  ],
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.6",
    "reviewCount": "312"
  }
}
</script>

SEO · AEO · GEO 비교

흔한 오해: "블로그 콘텐츠 양이 많으면 GEO가 된다"

Thought leadership 블로그와 how-to 글은 인지 단계 SEO에는 유효하지만, 구매 검토 단계 GEO 인용 확률은 낮다. LLM은 "A SaaS vs B SaaS" 쿼리에서 포스트 길이가 아니라 비교 구조의 명확성과 수치 팩트 밀도를 기준으로 인용 후보를 선별한다. 잘못된 처리: 블로그 발행 빈도를 높이고 키워드 밀도만 관리하는 SEO 접근을 GEO에 그대로 적용하는 것. 올바른 처리: 구매 검토 단계 쿼리 목록을 먼저 도출하고, 쿼리별 독립 URL을 설계한 뒤 JSON-LD와 llms.txt로 구조화한다. 블로그 포스트 10개를 추가하는 것보다 아래 페이지 유형 하나를 정밀하게 구축하는 편이 GEO 관점에서 효율적이다(추정, 직접 검증 필요):

• 경쟁사 비교 페이지 /vs/[경쟁사명] — 기능 매트릭스 + 가격 비교 + 마이그레이션 비용 수치 포함
• 가격 페이지 — 플랜별 정확한 수치 텍스트 노출, Offer JSON-LD 필수
• 고객 사례 페이지 — 도입 전후 수치 비교, Review + Organization 스키마 적용
• 카테고리 포지셔닝 페이지 — 카테고리 엔티티와 자사 차별점을 구체적 수치로 명시

검증과 측정

1. 직접 쿼리 테스트 — Perplexity, ChatGPT, Claude에서 타겟 쿼리("카테고리 + 추천/비교")를 입력하고 자사 제품 인용 여부를 주 1회 기록한다.
   왜: 인용 빈도가 GEO 효과의 가장 직접적인 지표다.
   어떻게: 쿼리 목록을 스프레드시트로 관리하고 인용된 URL과 인용 문구를 함께 기록한다.
2. AI 크롤러 접근 로그 분석 — nginx/Caddy 접근 로그에서 GPTBot, OAI-SearchBot, ClaudeBot, PerplexityBot, GoogleOther User-Agent 요청을 필터링해 크롤링 빈도와 대상 URL을 확인한다.
   왜: 크롤링이 없으면 인용도 없다. 빈도가 낮으면 llms.txt 구성이나 robots.txt 허용 설정을 우선 점검한다.
3. 브랜드 멘션 모니터링 — Brand24, Mention 같은 도구 또는 Perplexity 내 자사 브랜드명 검색으로 AI 답변 내 멘션 빈도를 추적한다.
   왜: 인용 없이 텍스트 내 멘션도 인지 경로가 되며, 멘션 점유율이 간접 GEO 지표로 활용된다.

참고 자료

이 글의 권고는 아래 공식 문서·연구를 근거로 합니다.

• Google 검색 센터 — SEO 기본 가이드
• Google 검색의 AI 기능과 내 웹사이트
• Schema.org — 구조화 데이터 시작하기