스마트스토어 상세페이지를 AI 친화적으로 쓰는 첫 번째 원칙은 단 하나입니다: AI가 읽을 수 있는 '텍스트'를 페이지 위에 실제로 존재하게 하라. 대부분의 스마트스토어 상세페이지는 디자이너가 만든 길고 예쁜 이미지 한 장(혹은 수십 장)으로 채워져 있고, 그 안에 제품 스펙·후기·배송 정보가 전부 '그림으로' 박혀 있습니다. 사람 눈에는 완벽하지만, ChatGPT·Perplexity·네이버 AI 브리핑이 그 페이지를 인용 후보로 삼을 때는 거의 빈 페이지로 보입니다. 글자가 픽셀 안에 갇혀 있기 때문입니다. 이 글에서는 '왜 그런지'를 AI 검색의 작동 원리(RAG)까지 내려가 설명하고, 이미지 의존형 상세페이지를 인용되는 페이지로 바꾸는 실무 단계를 약한 예/강한 예로 보여드리겠습니다.
왜 이미지로 꽉 찬 상세페이지는 AI에게 '백지'인가
AI 검색이 어떤 문서를 답변에 인용할지 고르는 과정은 마법이 아니라 RAG(Retrieval-Augmented Generation)라는 파이프라인입니다. 2020년 Lewis 등이 제안한 이 구조(arXiv:2005.11401)는 모델이 학습 때 외운 지식(파라메트릭 메모리)에만 의존하지 않고, 질문이 들어오는 순간 외부 문서를 검색해 와서(비파라메트릭 메모리) 그걸 근거로 답을 생성합니다. 즉 AI는 '아는 걸 말하는' 게 아니라 '찾아온 걸 읽고 말하는' 시스템입니다.
여기서 핵심은 검색(retrieval) 단계입니다. AI가 답변을 만들기 전에, 후보 문서들을 텍스트로 읽어 들여 잘게 쪼갠 '청크(chunk)'를 만들고, 그 청크를 의미 벡터로 바꿔 질문과 비교합니다. 이 모든 과정의 입력은 오직 텍스트입니다. 상세페이지가 통이미지 한 장이면, 검색 엔진이 추출할 텍스트는 사실상 제목·가격 정도뿐이고, 정작 '이 제품이 무엇이고 누구에게 좋은지'를 설명하는 본문은 픽셀 속에 갇혀 retrieval 단계에 아예 진입하지 못합니다.
비유하자면 이렇습니다. 도서관 사서(AI)가 질문에 답할 책을 고를 때, 표지가 아무리 멋져도 펼쳐서 글자를 읽을 수 없는 책은 추천 목록에 올리지 않습니다. 당신의 상세페이지는 표지(이미지)는 화려하지만 속지가 백지인 책일 수 있습니다.
텍스트가 있어야 하는 이유 — 두 갈래 검색
현대 RAG의 검색은 보통 두 방식을 섞은 하이브리드 검색입니다. 비유하면 도서관의 키워드 색인 카드(BM25)와, 책의 주제를 이해하는 사서(의미 임베딩)를 동시에 쓰는 것입니다.
- 키워드 검색(BM25): '무선 이어폰 노이즈캔슬링' 같은 정확한 단어가 페이지 텍스트에 있는지 봅니다. 이미지 안의 글자는 여기서 0점입니다.
- 의미 검색(Dense Retrieval): 2020년 Karpukhin 등(arXiv:2004.04906)이 보였듯, 단어가 정확히 일치하지 않아도 '뜻이 가까운' 문서를 찾아냅니다. '귀가 안 아픈 이어폰'이라는 질문에 '장시간 착용 편안한 오픈형'을 매칭하죠. 그런데 이 의미 매칭도 결국 텍스트를 벡터로 변환해야 작동합니다. 읽을 텍스트가 없으면 벡터도 없습니다.
공개 벤치마크를 종합하면 검색 정확도(recall@10)는 의미 검색 단독 약 78%, 키워드 단독 약 65%, 둘을 결합한 하이브리드(RRF)가 약 91% 수준으로 가장 높습니다. 두 방식 모두 텍스트를 먹고 삽니다. 상세페이지에 텍스트가 없으면, 가장 강력한 91%짜리 검색기 앞에서도 당신 제품은 후보에 없습니다.
| 상세페이지 형태 | AI가 추출 가능한 텍스트 | 검색 후보 진입 |
|---|---|---|
| 통이미지 1장(스펙·후기 모두 그림) | 제목·가격뿐 | 거의 불가 |
| 이미지 + 짧은 텍스트 요약 | 요약 일부 | 부분 가능 |
| 이미지 + 충분한 HTML 텍스트 본문 | 본문 전체 | 가능 |
네이버 생태계의 특수성 — 우회 경로까지 계산하라
여기서 한국 셀러에게 중요한 변수가 하나 더 있습니다. 네이버는 외부 AI 크롤러를 차단합니다. 그래서 ChatGPT·Perplexity 같은 글로벌 AI는 네이버 안의 콘텐츠를 직접 읽지 못하고, 대신 나무위키·위키백과·티스토리 같은 열려 있는 곳을 우회 경로로 인용하는 경향이 있습니다. 즉 스마트스토어 상세페이지 자체는 글로벌 AI의 직접 인용 후보에서 구조적으로 불리합니다.
그렇다면 두 갈래 전략이 필요합니다.
- 네이버 내부 AI를 노린다: 네이버는 자사 콘텐츠를 직접 읽습니다. 2026년 4월 9일 큐:(Cue:)·클로바X가 종료되고, AI탭이 2026년 6월 25~26일 대화형·에이전틱 형태로 정식 출시됩니다. AI 브리핑(요약)은 이미 통합검색 쿼리의 20% 이상에 적용되고, 2026년 4월 기준 AI 브리핑 인용이 월 약 3.558억 건에 달합니다. 한 표본 분석(272건)에서는 인용 출처의 약 58%가 블로그였고, 인용의 약 49%가 검색 결과 Top10 밖에서 나왔습니다. 네이버 내부에서는 상세페이지의 텍스트 품질이 직접 영향을 줍니다.
- 외부 우회 자산을 만든다: 글로벌 AI를 노린다면, 상세페이지에만 의존하지 말고 같은 제품 정보를 블로그·열린 웹에 텍스트로 풀어 두어야 합니다. 후술합니다.
네이버의 평가 알고리즘은 C-Rank(출처의 신뢰·전문성)와 D.I.A.+(문서의 의도·경험)를 씁니다. 네이버가 공식적으로 강조하는 콘텐츠 5원칙 — 직접경험·일관된 주제·진정성·읽기 쉬운 구조·최신성 — 은 그대로 상세페이지에도 적용됩니다. '읽기 쉬운 구조'는 곧 '기계가 파싱하기 쉬운 텍스트 구조'와 맞닿아 있습니다.
크롤러가 들어와야 시작된다 — robots.txt와 alt 텍스트
RAG의 검색 후보가 되려면 그 전에 크롤러가 페이지를 가져갈 수 있어야 합니다. 글로벌 AI 후보 진입을 노린다면(주로 외부 블로그·자사몰), robots.txt에서 주요 AI 크롤러를 허용해야 합니다.
# AI 검색 크롤러 허용 예시 (자사 도메인 robots.txt)
User-agent: GPTBot # OpenAI 학습
Allow: /
User-agent: OAI-SearchBot # ChatGPT 검색
Allow: /
User-agent: PerplexityBot # Perplexity
Allow: /
User-agent: ClaudeBot # Anthropic
Allow: /
User-agent: Google-Extended # 구글 Gemini
Allow: /(스마트스토어 도메인 자체의 robots.txt는 셀러가 제어할 수 없지만, 자사몰·블로그 등 직접 운영하는 채널에서는 반드시 점검할 항목입니다.)
이미지를 쓰더라도 alt 텍스트는 기계가 읽는 유일한 통로입니다. 상세페이지를 이미지로 만들 수밖에 없다면, 최소한 핵심 이미지에 의미 있는 대체 텍스트를 넣으세요.
❌ 약한 예: <img src="detail_01.jpg" alt="상세이미지1">
✅ 강한 예: <img src="detail_01.jpg" alt="무선 노이즈캔슬링 이어폰 — 35dB 소음 차단, 8시간 연속 재생, IPX5 생활방수">
약한 예의 alt는 검색에 아무 정보도 주지 못하지만, 강한 예의 alt는 '소음 차단', '연속 재생', '생활방수'라는 검색 가능한 키워드와 의미를 페이지에 심어 줍니다.
핵심은 앞과 끝에 — 'Lost in the Middle'이 가르쳐 준 것
텍스트를 충분히 넣었다고 끝이 아닙니다. 어디에 넣느냐가 인용률을 가릅니다. 2023년 Liu 등의 'Lost in the Middle' 연구(arXiv:2307.03172)는 LLM이 긴 맥락을 받을 때 앞부분과 끝부분의 정보는 잘 활용하지만 중간에 묻힌 정보는 놓치는 U자형 경향이 있음을 보였습니다.
비유하면, 긴 회의록을 받은 사람이 첫 안건과 마지막 결론은 기억하지만 중간의 세부 토론은 흐릿하게 기억하는 것과 같습니다. 그래서 상세페이지에서 가장 인용되길 바라는 핵심 문장(이 제품이 무엇이고 누구에게 왜 좋은가)은 맨 앞에 직답형으로 배치해야 합니다.
❌ 약한 예 (핵심이 중간에 묻힘): "안녕하세요 고객님! 저희 브랜드를 찾아주셔서 감사합니다. 저희는 2019년부터… (스크롤 한참) …그래서 이 이어폰은 35dB 노이즈캔슬링을 지원합니다."
✅ 강한 예 (직답이 맨 앞): "이 무선 이어폰은 35dB 노이즈캔슬링과 8시간 연속 재생을 지원하는, 출퇴근·재택근무용 오픈형 이어폰입니다. 아래에서 소음 차단 성능과 착용감을 자세히 설명합니다."
강한 예의 첫 문장은 그 자체로 완결된 답입니다. AI가 '출퇴근용 노이즈캔슬링 이어폰 추천'이라는 질문에 이 문장 하나만 떼어 인용해도 말이 됩니다. 바로 이것이 인용되는 문장의 형태입니다.
청크 단위로 자족적이게 — 맥락을 잃지 않는 문장
검색기는 페이지 전체가 아니라 잘게 쪼갠 청크를 인용합니다. 문제는, 청크가 떨어져 나가면 '그것', '이 제품', '위에서 말한' 같은 지시어가 가리킬 대상을 잃어버린다는 것입니다.
Anthropic이 2024년 공개한 Contextual Retrieval 연구(anthropic.com/news/contextual-retrieval)는 이 문제를 정면으로 다룹니다. 각 청크 앞에 '이 청크가 무엇에 관한 것인지' 맥락 한두 줄을 덧붙였더니 검색 실패율이 35% 감소(5.7%→3.7%)했고, 여기에 BM25 하이브리드를 더하니 49%, 재정렬(reranking)까지 더하니 67% 감소했습니다. 교훈은 명확합니다. 각 문단이 그 자체로 맥락을 품게 쓰면 검색이 훨씬 잘 된다.
❌ 약한 예: "그리고 이것도 방수가 됩니다." (떼어 내면 '이것'이 뭔지 모름)
✅ 강한 예: "이 무선 이어폰은 IPX5 생활방수를 지원해 운동 중 땀이나 가벼운 빗물에도 안전합니다." (한 문장이 독립적으로 완결)
실무 규칙: 상세페이지의 각 섹션 첫 문장에 제품명/카테고리를 한 번씩 다시 명시하세요. 반복이 사람에겐 약간 장황해 보여도, 청크 단위로 흩어지는 AI 검색에는 '맥락이 끊기지 않는 다리'가 됩니다.
인용을 끌어당기는 글쓰기 — GEO 연구가 검증한 것
그럼 어떤 문장이 실제로 더 잘 인용될까요? 2023년 Aggarwal 등의 GEO(Generative Engine Optimization) 연구(arXiv:2311.09735, KDD 2024)는 이걸 실험으로 측정했습니다. 생성 엔진에서의 가시성을 높이는 데 가장 효과적인 콘텐츠 조작은 통계·수치 추가, 출처 인용, 전문가 직접 인용문 추가였고, 특정 조건에서 가시성을 최대 약 40%까지 끌어올렸습니다. 반대로 단순한 키워드 욱여넣기는 효과가 미미했습니다.
상세페이지에 적용하면:
| GEO 전술 | 상세페이지 적용 |
|---|---|
| 구체적 수치 | "가볍다" → "한쪽 4.2g, 케이스 포함 38g" |
| 출처·근거 | "KC 인증", "자체 시험성적서 35dB 측정" |
| 직접 인용·후기 | "실사용 후기: '지하철에서 안내방송이 안 들릴 정도'" |
❌ 약한 예: "이 이어폰은 음질이 정말 좋고 가볍고 오래 갑니다."
✅ 강한 예: "이 이어폰은 한쪽 4.2g으로 가볍고, 1회 충전 8시간·케이스 포함 32시간 재생되며, 자체 시험에서 35dB 소음 차단을 기록했습니다."
강한 예는 AI가 '근거 있는 사실'로 인식하기 쉽고, 그래서 답변에 그대로 옮겨 적기 좋습니다. 막연한 형용사는 어느 제품에나 붙으므로 변별력이 없습니다.
거짓 수치는 역효과 — faithfulness가 걸러낸다
단, 수치를 넣으라는 말이 '지어내라'는 뜻은 절대 아닙니다. RAG 품질 평가에서 쓰이는 RAGAS faithfulness는 '답변의 주장이 실제 출처 문서에서 추적되는 정도'를 잽니다. 실무에서는 흔히 0.9 이상이면 안정적, 0.7 미만이면 위험으로 봅니다(팀마다 기준은 다릅니다). 또한 엔진 성향상 Claude는 근거가 약한 콘텐츠를 보수적으로 걸러내는 경향이 있습니다. 과장된 수치는 단기적으로 잡혀도, 교차 검증 단계에서 신뢰를 잃습니다. 검증 가능한 사실만 적는 것이 장기 인용률을 지키는 길입니다.
재정렬(reranking)을 통과하는 페이지
검색이 후보 100개를 1차로 추려도, 그 다음 재정렬(cross-encoder reranking) 단계가 질문과 각 후보를 '함께 읽어' 다시 순위를 매깁니다. 이 과정은 검색 품질을 크게 끌어올려서, 난도 높은 질의에서 NDCG가 5~15(어려우면 약 20)까지 개선됩니다. Anthropic 실험에서도 reranking을 더했을 때 실패율이 67%까지 줄었고, 상위 20개(top-20)를 후보로 넘기는 구성이 권장됐습니다.
재정렬기는 '질문에 직접 답하는 문장'을 좋아합니다. 그래서 상세페이지를 예상 질문 → 직답 형태로 구성하면 재정렬 점수가 올라갑니다. "이 이어폰 통화 품질 어때요?"라는 질문을 미리 떠올리고, 본문에 "통화 시 ENC 듀얼 마이크로 주변 소음을 억제해, 시끄러운 거리에서도 상대가 또렷하게 듣습니다"라는 직답을 심어 두는 식입니다.
이미지를 못 버리는 셀러를 위한 현실 타협안
현실적으로 상세페이지의 비주얼은 전환율의 핵심이라 이미지를 완전히 포기하긴 어렵습니다. 다음 3중 구조를 권합니다.
- 이미지(전환용): 기존의 예쁜 상세 이미지는 그대로 둡니다. 사람을 설득하는 건 여전히 이미지입니다.
- HTML 텍스트 요약 블록(AI용): 이미지 위/아래에 핵심 사양·용도·차별점을 실제 텍스트로 한 번 더 풀어 씁니다. 이게 검색 후보로 들어가는 본체입니다.
- 외부 우회 자산(글로벌 AI용): 같은 제품 설명을 블로그·자사몰 등 열린 웹에 텍스트로 발행합니다. 네이버가 외부 크롤러를 막아도, 이 자산은 글로벌 AI가 직접 읽습니다.
요약 블록 한 덩어리만 추가해도 효과가 큽니다. AI는 '예쁨'을 평가하지 않고 '읽힘'을 평가하기 때문입니다.
측정 — 한 번 봐서는 모른다
개선했다면 인용되는지 측정해야 합니다. 그런데 여기엔 함정이 있습니다. AI 답변은 같은 질문에도 매번 흔들립니다. 온도(temperature)를 0으로 둬도 GPU 연산·배치 차이로 결과가 달라집니다. 한 분석에서는 대형 모델을 1,000번 돌렸더니 80가지 출력이 나왔다고 보고됐습니다. AI 가시성의 불확실성을 정량화한 연구들은 인용이 멱법칙으로 출렁이므로, 단일 측정이 아니라 여러 번 실행 + 부트스트랩 신뢰구간으로 봐야 한다고 권합니다. 단일 측정은 노이즈입니다.
또 하나, AI 검색 '프롬프트 검색량' 같은 숫자는 실측이 아니라 패널(시장 1% 미만) 기반 모델링 추정치인 경우가 많습니다. Conductor도 "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다"고 지적합니다. 측정의 핵심 지표는 SOV(Share of Voice) — 우리 카테고리 질문들에 대한 AI 답변 중 우리 브랜드가 언급된 비율 — 이고, 어떤 질문 세트를 고르느냐가 결과를 좌우합니다. 그리고 엔진마다 인용 출처가 크게 다릅니다. 한 대규모 분석에서 ChatGPT와 Perplexity의 인용 도메인 중복은 약 11%에 불과했고, 인용의 약 90%가 엔진별로 달랐습니다(ChatGPT는 위키백과 약 47.9%, Perplexity는 Reddit 약 46.7% 비중). 엔진을 합산하면 메커니즘이 가려지므로, 엔진별로 따로 봐야 합니다.
Citeon은 이 원리를 제품에 담았다
여기까지가 '왜'와 '어떻게'였다면, 문제는 내 스마트스토어가 지금 AI에게 어떻게 보이는지를 어떻게 확인하느냐입니다. Citeon은 위에서 설명한 원리를 그대로 제품에 옮겼습니다.
- 사이트 진단엔진: 상세페이지·자사몰 URL을 넣으면 AI가 추출 가능한 텍스트가 충분한지, SEO·AEO·GEO 관점에서 무엇이 비어 있는지를 0~100 점수와 한국어 처방으로 돌려줍니다. '이미지만 있고 본문 텍스트가 없다'는 바로 이 진단에서 드러납니다.
- 4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude 네 엔진에서 우리 브랜드가 카테고리 질문에 얼마나 인용되는지를 엔진별로 따로 측정합니다. 위에서 본 '엔진 합산은 메커니즘을 가린다'는 원칙을 그대로 따릅니다.
- 경쟁사 역추적: 같은 질문에서 경쟁 셀러가 왜 인용되는지를 역으로 분석합니다.
- 주간 모니터 추이: 단일 측정의 노이즈를 줄이려고 주간 추이로 변화를 추적합니다.
시작은 무료 진단(₩0)입니다. 내 상세페이지가 AI에게 '백지'로 보이는지부터 확인하세요. citeon.cloud에서 무료 AI 가시성 진단 받기.
자주 묻는 질문
상세페이지를 이미지로 만들면 AI 검색에서 정말 불리한가요?
네. AI 검색의 retrieval 단계는 텍스트만 읽습니다. 이미지 안에 박힌 글자는 키워드 검색에도, 의미 검색에도 잡히지 않아 인용 후보에 거의 진입하지 못합니다. 이미지를 유지하되, 핵심 정보를 HTML 텍스트로 한 번 더 풀어 쓰는 3중 구조를 권합니다.
네이버 스마트스토어는 어차피 외부 AI가 못 읽는다는데 의미가 있나요?
두 시장을 분리해 보세요. 네이버 내부 AI(AI 브리핑·AI탭)는 자사 콘텐츠를 직접 읽으므로 상세페이지 텍스트가 직접 효과를 냅니다. 글로벌 AI는 네이버 차단 때문에 우회 경로(블로그·열린 웹)를 인용하므로, 같은 제품 정보를 외부 텍스트 자산으로도 발행하는 전략이 필요합니다.
수치를 많이 넣으면 인용이 잘 된다고 해서 좀 부풀려도 될까요?
안 됩니다. 구체적 수치·출처가 인용에 유리한 건 맞지만(GEO 연구에서 확인), 검증되지 않은 과장은 위험합니다. RAG 품질은 faithfulness(주장이 출처에서 추적되는 정도)로 평가되고, 일부 엔진(예: Claude)은 근거 약한 콘텐츠를 보수적으로 거릅니다. 검증 가능한 사실만 적는 것이 장기 인용률을 지킵니다.
핵심 문장을 왜 맨 앞에 둬야 하나요?
LLM은 긴 맥락에서 앞·끝 정보를 잘 쓰고 중간은 놓치는 U자형 경향이 있습니다(Lost in the Middle 연구). 그래서 '이 제품이 무엇이고 누구에게 왜 좋은가'를 첫 문장에 직답형으로 두면, 그 문장 하나가 그대로 인용되기 좋은 형태가 됩니다.
개선했는지 어떻게 측정하나요?
AI 답변은 같은 질문에도 매번 흔들리므로 한 번 봐서는 모릅니다. 여러 번 실행해 추이로 보고, 엔진별로 따로 봐야 합니다. 핵심 지표는 우리 카테고리 질문 중 브랜드 언급 비율인 SOV이며, 질문 세트 선정이 결과를 좌우합니다.
참고자료
- Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks
- Karpukhin et al. (2020), Dense Passage Retrieval for Open-Domain QA
- Liu et al. (2023), Lost in the Middle: How Language Models Use Long Contexts
- Aggarwal et al. (2023), GEO: Generative Engine Optimization (KDD 2024)
- Anthropic (2024), Introducing Contextual Retrieval
- Conductor, Debunking AI Prompt Volume