제조·B2B의 기술 콘텐츠 AEO

제조·B2B에서 AEO의 기술적 본질은 파라미터형 쿼리("볼 스크류 C3 등급 허용 오차 JIS 기준")와 기술 해설형 쿼리("ISO 4406 유압 청정도 코드 해석 방법")에 대해 AI 엔진이 자사 페이지를 인용 후보로 선정하게 만드는 신호 구조를 갖추는 것이다. ChatGPT Search, Perplexity, Google AI Overviews는 수치·단위·규격이 명시적으로 구조화된 페이지를 우선 참조하는 경향이 관찰되나, 제조업 사이트의 상당수는 스펙 데이터를 PDF로만 제공하거나 schema 없는 HTML 표로 나열해 AI 크롤러의 파싱 정확도가 낮다. B2B 구매자가 AI 검색에서 직접 스펙을 확인하고 공급업체를 좁히는 패턴이 확산되고 있는 지금, 기술 콘텐츠의 구조화 수준이 인지 단계 진입 여부를 결정한다.

AI 엔진이 기술 쿼리를 처리하는 구조

AI 검색 엔진은 기술 쿼리를 세 단계로 처리한다: (1) 쿼리 의도 분류(규격 조회·방법론 설명·공급업체 비교), (2) 스니펫 추출 대상 페이지 선정, (3) 인용 출처 신뢰도 평가. 제조·B2B에서 인용 확률을 높이는 신호는 다음과 같다.

• 머신 리더블 스펙 데이터: AI 크롤러는 자연어에 묻힌 수치보다 PropertyValue schema나 <th>가 명시된 HTML 표를 구조적으로 처리한다. 왜: 크롤러가 "속성명·값·단위" 3항목을 분리 파싱해야 정확한 인용을 생성할 수 있기 때문이다. 어떻게: JSON-LD의 additionalProperty 배열에 스펙 항목별 PropertyValue를 나열한다.
• PDF 대신 HTML 스펙 페이지: GPTBot·PerplexityBot은 PDF 파싱 신뢰도가 낮고, 특히 다단 레이아웃 PDF에서 컬럼 혼동이 발생한다. 왜: Perplexity는 렌더링된 HTML을 기반으로 인용하며 PDF의 컬럼형 레이아웃을 오독하는 사례가 보고된다. 어떻게: PDF와 동일 내용의 HTML 스펙 페이지를 생성하고 rel="canonical"로 HTML을 마스터로 지정한다.
• TechArticle + Product 이중 schema: 제품 설명과 기술 해설이 한 페이지에 있을 때 두 타입을 함께 사용하면 쿼리 유형(정보형 vs 상거래형)에 따라 각기 다른 컨텍스트로 인용된다. 어떻게: @graph 배열에 두 타입을 병기하고 about으로 연결한다.

기술 스펙 페이지의 JSON-LD 구현

산업 부품 페이지에 적용 가능한 Product + TechArticle 복합 JSON-LD다. 수치·단위·측정 기준까지 명시해야 파라미터형 쿼리에 정확히 대응한다.

{
  "@context": "https://schema.org",
  "@graph": [
    {
      "@type": "Product",
      "name": "리니어 볼 스크류 SFU1605-C3",
      "description": "리드 5mm, 직경 16mm, C3 정밀도 등급. CNC 이송계·반도체 장비 적용.",
      "brand": { "@type": "Brand", "name": "Exampleco" },
      "mpn": "SFU1605-C3",
      "additionalProperty": [
        {
          "@type": "PropertyValue",
          "name": "리드",
          "value": "5",
          "unitCode": "MMT",
          "unitText": "mm"
        },
        {
          "@type": "PropertyValue",
          "name": "공칭 직경",
          "value": "16",
          "unitCode": "MMT",
          "unitText": "mm"
        },
        {
          "@type": "PropertyValue",
          "name": "정밀도 등급",
          "value": "C3",
          "description": "JIS B 1192 기준 — 유효 행정 300mm당 허용 오차 ±0.012mm"
        },
        {
          "@type": "PropertyValue",
          "name": "동적 부하 용량",
          "value": "5100",
          "unitCode": "NEW",
          "unitText": "N"
        },
        {
          "@type": "PropertyValue",
          "name": "재질",
          "value": "SCM415 (침탄 질화 처리)"
        }
      ],
      "hasCertification": {
        "@type": "Certification",
        "name": "RoHS 적합",
        "issuedBy": { "@type": "Organization", "name": "SGS Korea" }
      },
      "offers": {
        "@type": "Offer",
        "availability": "https://schema.org/InStock",
        "priceCurrency": "KRW",
        "priceSpecification": {
          "@type": "PriceSpecification",
          "description": "수량·길이 커스텀 견적 문의"
        }
      }
    },
    {
      "@type": "TechArticle",
      "headline": "볼 스크류 C3 vs C5 정밀도 등급 선정 기준",
      "description": "JIS B 1192 등급별 허용 오차·적용 장비 유형·백래시 보상 방법 비교.",
      "proficiencyLevel": "Expert",
      "about": { "@type": "Product", "name": "리니어 볼 스크류 SFU1605-C3" },
      "author": {
        "@type": "Organization",
        "name": "Exampleco 기술연구소"
      },
      "dateModified": "2026-06-01"
    }
  ]
}

B2B 구매 단계별 AEO 콘텐츠 신호 설계

제조·B2B의 구매 여정은 인지 → 기술 검토 → 공급업체 비교 → 승인·조달로 진행되며, 각 단계에서 우세한 쿼리 유형이 다르다.

1. 인지 단계(현상 기반 쿼리): "볼 스크류 마모 가속 원인"처럼 문제 현상을 묻는 형태 — FAQPage schema와 H3 소제목 구조로 현상→원인→조치를 단락별로 분리. 왜: AI 엔진은 단락 단위로 답변 후보를 추출하므로 한 H3 아래 단일 주제가 완결되어야 인용 가능성이 높아진다. 어떻게: "Q: 볼 스크류 역효율이 저하되는 주요 원인은?" 형태의 Q&A 단락을 본문에 삽입한다.
2. 기술 검토 단계(파라미터 비교 쿼리): "C3 C5 등급 허용 오차 수치 비교" — HTML <table>에 caption·th scope="col"을 명시하고 셀에 단위를 직접 포함. 왜: 열 헤더 없는 표는 AI 엔진이 속성명과 값을 혼동해 오인용을 생성할 수 있다. 어떻게: 동일 데이터를 JSON-LD additionalProperty로도 중복 마크업해 파서 신뢰도를 높인다.
3. 공급업체 비교 단계(인증·납기 쿼리): "ISO 9001 볼 스크류 국내 공급업체" — Organization schema의 hasCredential에 인증기관·유효기간·인증 범위를 Certification 타입으로 마크업. 왜: AI 엔진은 신뢰 지표로 인증을 명시적으로 인식하며, 공급업체 추천 쿼리에서 인용 가중치가 올라가는 것이 사례상 관찰된다(추정). 어떻게: 인증서 PDF URL을 url 필드로 연결해 검증 가능성을 높인다.

SEO·AEO·GEO 항목별 비교 — 제조·B2B 관점

흔한 함정: "HTML 표가 있으면 AI가 자동으로 이해한다"

<td>로만 구성된 표, 즉 <th> 없이 나열된 스펙 테이블은 크롤러가 어느 셀이 속성명이고 어느 셀이 값인지 판단하지 못한다. "무게 / 5 / kg", "소비전력 / 200 / W" 행이 헤더 없이 배열되면 GPT계열 엔진이 "소비전력 5kg" 같은 오인용을 생성한 사례가 보고된다.

올바른 처리법: HTML 표는 반드시 <thead><tr><th scope="col">항목</th><th scope="col">값</th><th scope="col">단위</th></tr></thead> 구조로 작성하고, 동일 데이터를 JSON-LD additionalProperty로 중복 마크업한다. HTML 표와 JSON-LD가 일치할 때 AI 엔진의 파싱 신뢰도가 높아진다(추정).

검증·측정 방법

• Schema Validator 자동화: https://validator.schema.org에서 PropertyValue 누락·필수 필드 경고를 확인. 왜: schema 오류 상태에서 파싱된 부분만 인용되면 불완전하거나 잘못된 스펙이 AI 답변에 노출될 수 있다. 어떻게: CI/CD에 google-structured-data-testing-tool CLI를 통합해 배포 시마다 자동 검사.
• AI 엔진 직접 쿼리 테스트: 스펙 쿼리를 ChatGPT Search·Perplexity에 직접 입력해 자사 페이지 인용 여부 확인. 왜: SERP 순위 도구로는 AI 인용 여부를 측정할 수 없다. 어떻게: 파라미터형·방법론형·비교형 대표 쿼리 10개를 주 1회 수동 확인하고 인용 출처를 스프레드시트에 기록.
• AI 봇 크롤 로그 점검: nginx/Caddy 로그에서 GPTBot·PerplexityBot·Claude-Web을 필터링해 크롤 빈도와 대상 URL 파악. 왜: robots.txt에서 허용해도 실제로 크롤이 안 되고 있을 수 있다. 어떻게: grep -E "GPTBot|PerplexityBot|Claude-Web" /var/log/nginx/access.log | awk '{print $7}' | sort | uniq -c | sort -rn | head -20

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