전통적인 브랜드 평판 관리는 SERP 순위·별점·SNS 언급량을 추적했다. 그러나 Google AI Overviews·ChatGPT Search·Perplexity가 브랜드 관련 쿼리에 직접 합성 답변을 생성하면서, 사용자가 브랜드를 처음 접하는 접점이 클릭 가능한 링크에서 LLM 생성 문장으로 이동했다. 이 변화의 기술적 본질은 명확하다. LLM은 훈련 데이터의 통계적 패턴과 RAG 검색 결과를 결합해 브랜드 서술을 생성하며, 이 서술에 노출되는 사용자는 원본 출처를 방문하지 않는다. 결과적으로 브랜드 평판은 SERP 내 위치가 아니라 LLM 응답 내 서술 방식에 의해 결정된다.
LLM이 브랜드 정보를 처리하는 방식
훈련 데이터 신호와 RAG 출처 선택
- 훈련 데이터 빈도와 문맥 일관성: LLM은 특정 브랜드명과 반복 공출현한 속성(신뢰도, 가격대, 전문 분야)을 가중치로 인코딩한다. 왜: 부정적 문맥에서의 빈번한 등장은 중립 쿼리에도 부정 연상을 유발한다. 어떻게: 권위 있는 미디어·기술 문서·공식 블로그에 정확한 브랜드 속성을 반복 노출해 통계적 신호를 교정한다.
- RAG 단계의 출처 신뢰도: Perplexity·Bing Copilot은 실시간 RAG를 사용하며, 색인된 페이지의 E-E-A-T 신호와 도메인 권위가 인용 우선순위에 직결된다. 왜: 낮은 권위 도메인의 부정 콘텐츠가 인용 소스가 되면 LLM이 이를 사실로 채택한다. 어떻게: 공식 도메인의 About·Press·FAQ 페이지에 사실 기반 서술을 배치하고 robots.txt에서 크롤러 접근을 명시적으로 허용한다.
- 지식 그래프 엔트리: Google Knowledge Panel과 Wikidata 항목은 AI Overviews의 엔티티 정보 소스가 된다. 어떻게: Wikidata에 브랜드 엔티티를 등록하고 공식 URL·설립연도·서비스 분야 속성을 정확히 기재해 엔티티 해상도를 높인다.
구조화 데이터로 브랜드 내러티브 제어
Schema.org의 Organization 타입은 LLM이 엔티티 정보를 추출할 때 참조하는 최우선 신호 중 하나다. 아래는 공식 도메인 <head>에 삽입하는 실동작 JSON-LD 예시다.
<script type="application/ld+json">
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "Citeon",
"url": "https://citeon.cloud",
"description": "AEO·GEO·SEO 통합 전략을 제공하는 AI 마케팅 대행사",
"foundingDate": "2023",
"knowsAbout": ["AEO", "GEO", "AI 검색 최적화", "콘텐츠 마케팅"],
"sameAs": [
"https://www.linkedin.com/company/citeon",
"https://twitter.com/citeon_official",
"https://www.wikidata.org/wiki/Q_XXXXXXX"
],
"areaServed": {
"@type": "Country",
"name": "KR"
},
"contactPoint": {
"@type": "ContactPoint",
"contactType": "customer service",
"availableLanguage": "Korean"
}
}
</script>knowsAbout배열: LLM이 브랜드를 특정 도메인 전문가로 분류하는 신호다. 왜: 실제 서비스와 무관한 값을 넣으면 엔티티 일관성이 훼손된다. 어떻게: 실제 서비스 영역만 기재하고 Google Search Console의 Rich Results Test로 파싱 오류를 확인한다.sameAs배열: 동일 엔티티를 여러 플랫폼에서 연결해 지식 그래프의 엔티티 해상도를 높인다. Wikidata Q-ID 포함 시 Knowledge Panel 자동 연결 가능성이 높아진다.
LLM 응답 모니터링 자동화
- 쿼리 세트 정의: "[카테고리] 추천", "[문제 상황] 해결 방법", "[브랜드명] 리뷰" 등 실제 사용자 의도 반영 쿼리 20~50개를 구성한다. 왜: 단일 브랜드명 쿼리만 추적하면 비교·추천 맥락의 서술을 놓친다.
- 다중 LLM 동시 질의: ChatGPT API(
gpt-4o), Perplexity API(sonar-pro), Gemini API(gemini-1.5-pro)에 동일 쿼리를 발송하고 응답을 DB에 저장한다. 어떻게:temperature=0으로 고정하되 모델 버전을 명시(예:gpt-4o-2024-11-20)해 버전 업데이트로 인한 응답 변화를 별도 추적한다. - 포지셔닝 분석: 응답 내 브랜드 언급 문장을 추출해 긍정·중립·부정 분류 및 경쟁사 대비 언급 순위를 자동 측정한다. 측정 주기는 최소 주 1회를 권장한다.
전통 ORM vs AI 시대 ORM
| 항목 | 전통 ORM | AI 시대 ORM |
|---|---|---|
| 주요 노출 채널 | SERP 순위, 리뷰 플랫폼 | LLM 생성 답변, AI 검색 요약 |
| 핵심 신호 | 별점, 백링크, 키워드 순위 | 훈련 데이터 빈도, 구조화 데이터, 출처 권위 |
| 모니터링 도구 | Google Alerts, SEMrush | LLM API 자동 질의, 커스텀 파이프라인 |
| 반영 속도 | 색인 반영 수일~수주 | RAG는 수시간, 파라메트릭 지식은 모델 재학습 주기 |
| 부정 콘텐츠 대응 | SEO 밀어내기(상위 결과 교체) | 출처 권위 강화, 구조화 데이터 정정, 권위 미디어 배포 |
흔한 오해: SERP에서 제거하면 LLM도 모른다
DMCA 삭제 요청이나 SEO 밀어내기로 부정 콘텐츠가 SERP 상위에서 사라져도, LLM이 이미 해당 콘텐츠를 훈련 데이터로 학습했다면 응답에서 동일 서술이 계속 등장할 수 있다. RAG 기반 시스템은 실시간 색인을 참조하므로 제거 효과가 있지만, 파라메트릭 지식(가중치에 인코딩된 정보)은 모델 재학습 전까지 유지된다.
올바른 처리법: 제거와 병행해 반론 콘텐츠를 권위 있는 출처(공식 블로그, 독립 언론 보도, 업계 리뷰 사이트)에 분산 배포한다. LLM의 RAG 단계는 출처 다양성과 도메인 권위를 반영하므로, 동일 주제에 대한 정확한 서술을 여러 고권위 도메인에 배포하면 파라메트릭 지식 수정 전에도 사실 기반 서술이 우선 인용된다.
Organization JSON-LD를 추가했는데 LLM 응답이 즉시 바뀌지 않습니다. 왜인가요?
JSON-LD는 RAG 기반 시스템(Perplexity, Bing Copilot 등)에서 크롤러 재방문 후 색인 반영 시점부터 영향을 미친다. 통상 수일 내 Google 크롤링이 이루어지나, LLM의 파라메트릭 지식(훈련 가중치)에는 반영되지 않는다. 단기 반영을 원한다면 Bing Webmaster Tools 색인 요청과 Google Search Console URL 검사 도구로 재크롤링을 촉진한다. Knowledge Panel 갱신은 Wikidata 항목 등록과 sameAs 연결이 병행될 때 가장 빠르다.
AI 응답 모니터링에서 temperature=0으로 고정해도 동일 쿼리의 응답이 달라집니다. 어떻게 처리해야 하나요?
모델 버전 업데이트, 시스템 프롬프트 변경, RAG 검색 결과의 실시간 변동이 원인이다. 대응 방법은 세 가지다. 첫째, API 호출 시 모델 버전을 고정(예: gpt-4o-2024-11-20)하고 버전 변경 이벤트를 별도 로그에 기록한다. 둘째, 동일 쿼리를 단일 호출이 아니라 3회 반복 실행해 최빈 응답을 대표값으로 채택한다. 셋째, 응답 변화를 감지할 때마다 변경 전후 diff를 저장해 어느 시점의 데이터 변화가 원인인지 역추적 가능하게 한다.
참고 자료
이 글의 권고는 아래 공식 문서·연구를 근거로 합니다.