스타트업이 초기에 AI 가시성을 선점하는 법

결론부터: 스타트업이 초기에 AI 가시성을 선점하는 가장 확실한 방법은, '경쟁이 아직 비어 있는 질문'을 골라 AI가 신뢰하고 인용할 수 있는 형태(직답·구조·근거·출처)로 콘텐츠를 먼저 깔아두는 것이다. 자본도, 도메인 권위도, 백링크도 부족한 스타트업이 대기업과 정면으로 키워드 SEO 싸움을 하면 진다. 하지만 AI 검색은 다르다. AI 답변엔 1페이지에 10개의 자리가 있는 게 아니라, '한 문단을 만들기 위해 인용된 3~5개의 출처'만 존재한다. 그리고 그 출처는 도메인이 크다고 자동으로 뽑히지 않는다. 질문에 가장 정확하게, 가장 추출하기 쉽게 답한 페이지가 뽑힌다. 이 글은 그 메커니즘이 '왜' 그렇게 작동하는지부터, 시드 단계 스타트업이 이번 분기에 바로 실행할 수 있는 체크리스트까지 풀어낸다.

왜 지금이 스타트업에게 기회인가

전통 검색(SEO)에서 스타트업의 가장 큰 벽은 '도메인 권위'였다. 갓 만든 사이트는 백링크도, 검색 히스토리도 없어서 구글 1페이지에 오르기까지 수개월에서 수년이 걸린다. 그동안 이미 자리 잡은 대기업·언론사·위키가 상위를 독점한다.

그런데 AI 검색(AEO·GEO)은 게임의 규칙이 다르다. 한 대규모 인용 분석에 따르면 ChatGPT와 Perplexity가 같은 질문에 인용한 도메인의 중복률은 약 11%에 불과했고, 인용의 약 90%는 엔진마다 서로 달랐다. 즉 '모두가 똑같은 1등을 인용'하는 구조가 아니다. 엔진마다, 질문마다 인용 출처가 갈린다. 이건 후발 주자에게 빈틈이 많다는 뜻이다.

비유하자면, 전통 검색이 '이미 자리가 다 찬 대형 백화점 1층 매대 쟁탈전'이라면, AI 검색은 '아직 지도에 없는 신도시에 가게를 먼저 여는 것'에 가깝다. 사람들이 AI에게 던지는 구체적인 질문(롱테일) 상당수는 아직 좋은 답이 비어 있다. 그 질문에 가장 먼저, 가장 깔끔하게 답을 채워두는 스타트업이 인용을 가져간다.

먼저 알아야 할 것: 검색량 데이터에 속지 말 것

여기서 흔한 함정. "그럼 AI 프롬프트 검색량 많은 키워드부터 잡자"는 발상이다. 하지만 AI 프롬프트 볼륨은 실측이 불가능하다. 시중에 도는 '프롬프트 검색량' 수치는 시장 1% 미만 패널을 모델링한 추정치다. Conductor는 이를 두고 "신뢰할 수 없는 검색량 데이터는 차라리 없는 것보다 나쁘다"고 지적했다. 스타트업은 가짜 정밀도에 기대지 말고, 실제 고객이 영업·CS·커뮤니티에서 던지는 진짜 질문에서 출발해야 한다. 이게 가장 정직하고 가장 정확한 키워드 소스다.

AI는 어떻게 인용할 출처를 고르는가 — RAG 3단계

AI 답변이 어떻게 만들어지는지 모르면 최적화는 점치기가 된다. 핵심 메커니즘은 RAG(Retrieval-Augmented Generation)다. 2020년 Lewis 등이 제안한 구조(arXiv:2005.11401)로, 모델이 학습 때 외운 '파라메트릭 기억'에만 의존하지 않고, 외부 문서를 실시간으로 '검색해 와서(비파라메트릭 기억)' 답을 만든다. 이 과정은 크게 세 단계다.

1단계: 검색(Retrieval) — 후보를 모은다

질문이 들어오면 시스템은 거대한 문서 더미에서 관련 있어 보이는 후보 수십 개를 끌어온다. 이때 두 가지 방식이 섞인다.

키워드 검색(BM25): '와이드팬츠'라는 단어가 그대로 들어간 문서를 찾는다. 도서관의 단어 색인 카드와 같다.
의미 검색(Dense Retrieval): 단어가 달라도 '뜻'이 비슷한 문서를 찾는다. '키 작은 사람 바지'와 '저신장 하의 추천'을 같은 의미로 묶는다. 2020년 Karpukhin 등의 DPR 연구(arXiv:2004.04906)는 이 임베딩 기반 의미 검색이 전통 BM25를 능가함을 보였다.

비유하면 하이브리드 검색 = 도서관의 키워드 색인 + 주제를 꿰고 있는 사서다. 색인은 정확한 단어를, 사서는 맥락과 의도를 잡는다. 둘을 합치면 어느 한쪽만 쓸 때보다 훨씬 잘 찾는다. 공개 벤치마크 종합에서 recall@10(상위 10개 안에 정답이 들어올 확률)은 의미 단독 약 78%, BM25 단독 약 65%인데, 둘을 RRF로 결합한 하이브리드는 약 91%까지 올라간다.

2단계: 재정렬(Reranking) — 진짜 답을 위로 올린다

1단계가 빠르게 긁어온 후보는 거칠다. 그래서 cross-encoder라는 더 똑똑한(느린) 모델이 '질문과 각 후보를 함께 읽으며' 진짜 관련도 순으로 다시 줄을 세운다. 1차가 '제목만 보고 책을 추린 사서'라면, 재정렬은 '추려진 책을 펴서 질문과 대조하며 정독하는 사서'다. 이 단계의 효과는 크다. cross-encoder 재정렬은 NDCG를 통상 +5~15점(난도 높은 질의에선 약 20점까지) 끌어올린다.

3단계: 생성(Generation) — 답을 쓰고 출처를 단다

마지막으로 LLM이 상위 후보들을 읽고 답변을 작성하며, 근거가 된 문서를 인용으로 단다. 여기서 스타트업이 반드시 알아야 할 두 가지 함정이 있다.

중간은 묻힌다(Lost in the Middle): 2023년 Liu 등(arXiv:2307.03172)은 긴 맥락에서 정보의 위치에 따라 성능이 U자형을 그린다는 걸 보였다. 즉 모델은 맨 앞과 맨 끝은 잘 보고, 가운데 묻힌 정보는 놓친다. 그러니 핵심 답은 글 맨 앞(직답)과 명확한 구조에 둬야 한다.
맥락 없는 청크는 검색에서 탈락한다: Anthropic의 2024년 Contextual Retrieval 연구는, 각 문서 조각(청크)에 그게 무엇에 대한 내용인지 맥락을 붙여주는 것만으로 검색 실패율이 35% 감소(5.7%→3.7%)했다고 보고했다. 여기에 BM25를 더한 하이브리드는 49%, 재정렬까지 더하면 67% 감소했다. 권장 후보 수는 top-20이었다.

정리하면, AI에 인용되려면 (1) 검색에 잡히고, (2) 재정렬에서 위로 올라가고, (3) 생성 단계에서 '인용하기 좋은 문장'이어야' 한다. 이 세 관문을 모두 통과하도록 콘텐츠를 설계하는 것이 GEO다.

GEO 실증: 무엇을 더하면 인용이 늘어나는가

이건 감이 아니라 측정된 사실이다. 2023년 Aggarwal 등의 GEO 연구(arXiv:2311.09735, KDD 2024)는 콘텐츠에 무엇을 더하면 생성엔진 가시성이 오르는지 실험했다. 결과는 명확했다. 통계 수치 추가, 출처 인용, 권위자의 직접 인용문(quote) 추가가 특정 조건에서 생성엔진 가시성을 최대 약 40% 끌어올렸다. 반대로 키워드를 욱여넣는 식의 전통 SEO 잔재는 효과가 미미하거나 오히려 해로웠다.

스타트업에게 이건 희소식이다. 도메인 권위는 돈과 시간이 들지만, '문장에 수치와 출처를 붙이는 것'은 오늘 당장 할 수 있다. 약한 문장과 강한 문장을 대조해 보자.

항목	❌ 약한 예	✅ 강한 예
주장	저희 솔루션은 업무 효율을 크게 높여줍니다.	도입 고객 평균 응대 시간이 도입 전 대비 절반 수준(약 11분→5분)으로 줄었습니다(2026년 1분기 자사 30개사 집계).
근거	많은 전문가가 추천합니다.	식약처 가이드라인 3.2절에 따르면 ~ 합니다(출처: 식약처 2025 고시).
정의	저희는 혁신적인 핀테크입니다.	'간편정산'이란, 정산 주기를 영업일 기준 D+2에서 D+0으로 단축하는 결제 정산 방식을 말합니다.

오른쪽 문장들의 공통점은, AI가 답변의 한 문장으로 그대로 떼어 인용하기 쉽다는 것이다. 수치가 있고, 출처가 붙어 있고, 정의가 자족적이다. AI는 검증 가능한 문장을 선호한다(Claude 계열은 특히 근거가 약한 콘텐츠를 보수적으로 걸러낸다).

구조: 답변형 첫 문장 + 추출 가능한 형태

RAG의 3단계를 통과하려면 형태가 중요하다. 다음 패턴을 표준으로 삼아라.

[H2] 질문 그대로의 제목  (예: "시드 단계에 CAC는 얼마가 적정한가?")
  → 첫 문장: 직답 1~2문장 (수치 포함)
  → 근거: 출처/통계/계산식
  → 표 또는 불릿: 비교·조건별 분기
  → FAQ: 파생 질문 직답

이렇게 하면 청크 단위로 잘려도 각 조각이 '무엇에 대한 답인지' 스스로 설명한다. Anthropic 연구가 말한 '맥락 있는 청크'가 글 구조에서 자연히 만들어지는 것이다.

엔진마다 성향이 다르다 — 스타트업의 분산 전략

인용의 90%가 엔진마다 다르다는 건, 한 엔진만 노리면 안 된다는 뜻이기도 하다. 각 엔진의 성향을 알고 콘텐츠를 분산 배치해야 한다.

엔진	성향	스타트업 공략 포인트
ChatGPT	위키백과·커뮤니티 의존 높음(한 분석에서 위키백과 인용 약 47.9%)	위키 등재 가능한 객관적 사실 확보, 커뮤니티(레딧 등) 진정성 있는 언급
Perplexity	실시간 웹 + 인라인 인용, 커뮤니티 비중 높음(레딧 약 46.7%)	최신성 유지, 실제 사용자 토론·후기 확보
Gemini	구글 색인 + E-E-A-T(경험·전문성·권위·신뢰)	구글 SEO 기본기, 저자 정보·1차 경험 콘텐츠
Claude	근거 약한 콘텐츠를 보수적으로 걸러냄, Citations API	출처·수치 기반 검증 가능한 글 (GEO 원칙 충실)
Grok	실시간 웹 + X 스트림, 인용 정확도 편차	X(트위터)에서의 실시간 존재감

스타트업이라면 우선순위를 둬라. 검증 가능한 콘텐츠(수치·출처)는 모든 엔진에 공통으로 먹히는 기반 투자다. 거기에 더해 '우리 고객이 실제로 어떤 엔진을 쓰는가'를 보고 한두 곳에 집중한다. B2B SaaS라면 Gemini·Claude, 소비자 제품이라면 커뮤니티 기반의 ChatGPT·Perplexity가 출발점이 된다.

국내 스타트업이라면: 네이버를 빼놓을 수 없다

한국 시장을 노린다면 네이버 대응이 별도 트랙이다. 지형이 빠르게 바뀌고 있다. 네이버의 큐:(Cue:)와 클로바X는 2026-04-09 종료됐고, 통합 AI 검색 경험인 'AI 탭'이 2026-06-25~26 전체 정식 출시됐다(대화형·에이전틱). 요약 기능인 'AI 브리핑'은 통합검색 쿼리의 20% 이상에 적용되고 있으며, 2026년 4월 기준 AI 브리핑 인용은 월 약 3.558억 건에 달했다.

스타트업에 결정적인 데이터가 있다. 한 표본 분석(272건)에서 AI 브리핑 인용 출처의 약 58%가 블로그였고, 인용된 출처의 약 49%는 기존 통합검색 Top10 바깥에서 나왔다. 즉 네이버 상위 노출에 실패한 스타트업도 AI 브리핑에는 인용될 수 있다. 이게 후발 주자의 우회로다.

네이버 알고리즘은 출처 신뢰·전문성을 보는 C-Rank, 문서 의도를 보는 D.I.A.+를 쓴다. 네이버가 공식적으로 강조하는 콘텐츠 5원칙을 그대로 체크리스트로 삼아라.

직접 경험: 직접 써보고 쓴 글(체험·실측 데이터)
일관된 주제: 한 분야를 꾸준히 파는 블로그
진정성: 광고성 과장 배제, 솔직한 장단점
읽기 쉬운 구조: 소제목·표·단계
최신성: 갱신 날짜 관리

참고로 네이버는 '네이버 메이트' 창작자 보상을 운영해(기본 월 30만 원 수준, 분야 1위는 월 1,000만 원 수준) 양질의 콘텐츠를 끌어들이고 있다. 또 하나 중요한 사실: 네이버는 외부 크롤러를 차단하기 때문에, 글로벌 AI(ChatGPT 등)는 네이버 본문 대신 나무위키·위키백과·티스토리를 통해 한국어 정보를 우회 수집한다. 그래서 국내 스타트업은 '네이버 블로그' 트랙과 '글로벌 AI가 읽을 수 있는 외부 자산(자체 도메인·티스토리·위키)' 트랙을 동시에 깔아야 한다.

기술적 진입 조건: AI 크롤러를 막고 있지 않은가

아무리 좋은 글을 써도, AI 크롤러가 우리 사이트에 들어오지 못하면 후보군에 진입조차 못 한다. 스타트업이 의외로 자주 놓치는 부분이다(개발 단계에서 robots.txt를 막아둔 채 출시하는 사고). 다음 봇들을 robots.txt에서 허용하라.

User-agent: GPTBot          # OpenAI 학습
User-agent: OAI-SearchBot   # ChatGPT 검색
User-agent: PerplexityBot   # Perplexity
User-agent: ClaudeBot       # Anthropic
User-agent: anthropic-ai    # Anthropic
User-agent: Google-Extended # Gemini
Allow: /

비유하면 robots.txt 차단은 '가게 문은 열었는데 셔터를 내려둔' 상태다. 손님(크롤러)이 들어와야 메뉴(콘텐츠)를 본다. 출시 체크리스트에 'AI 크롤러 허용 확인'을 반드시 넣어라.

측정: 한 번 본 숫자를 믿지 마라

여기서 많은 스타트업이 또 한 번 헛발질을 한다. "ChatGPT에 우리 제품 물어봤더니 안 나오던데?" 한 번 던져보고 결론 내리는 것이다. 이건 노이즈를 측정하는 것이다.

LLM의 출력은 본질적으로 비결정적이다. temperature=0으로 고정해도 GPU 연산 순서·배치 처리 때문에 결과가 흔들린다. 한 실험에서 2,350억 파라미터 모델에 같은 질문을 1,000번 던졌더니 80가지 다른 출력이 나왔다. 그래서 AI 가시성 측정의 핵심은 '여러 번 돌려서 분포를 보는 것'이다. 한 연구는 인용이 멱법칙(power law)으로 출렁이므로 다중 실행 + 부트스트랩 신뢰구간으로 불확실성을 정량화할 것을 권한다. 단일 측정은 데이터가 아니라 노이즈다.

측정의 단위로는 SOV(Share of Voice, 카테고리 AI 답변 중 우리 브랜드가 언급되는 비율)를 쓴다. 주의할 점 두 가지: (1) 질문 세트를 어떻게 고르느냐가 결과를 좌우하므로, 우리 고객의 진짜 질문으로 세트를 구성해야 한다. (2) 여러 엔진 점수를 하나로 합산하면 엔진별 메커니즘 차이가 가려지므로 엔진별로 따로 본다.

그리고 마지막 정직한 경고. 가시성은 그 자체가 목적이 아니다. CFO 관점(Overdrive 식)에서 보면 가시성은 매출·리드라는 '결과'를 설명하는 2차 지표다. 스타트업은 자원이 한정적이므로, AI 가시성 → 사이트 유입 → 전환 → 매출의 풀퍼널로 연결해 측정해야 한다. 참고로 일부 분석에서는 AI 검색을 통한 유입의 전환율이 일반 검색보다 몇 배 높게 나타나기도 한다(이미 'AI가 추천한' 신뢰가 실린 상태로 들어오기 때문). 단, 구체 수치는 사례마다 다르니 단정하지 말고 자사 데이터로 확인하라.

스타트업을 위한 90일 선점 로드맵

기간	할 일	왜
~2주	크롤러 허용 점검 + 영업/CS에서 진짜 고객 질문 30개 수집	후보 진입 보장 + 가짜 검색량 대신 진짜 키워드 확보
~4주	질문 30개 중 '경쟁 비어 있는' 10개에 직답형 콘텐츠 작성(수치·출처·정의 포함)	GEO 효과(최대 약 40%)는 수치·인용에서 나온다
~8주	네이버 블로그 트랙 + 외부 자산(티스토리·자체 도메인) 동시 운영	네이버 AI 브리핑 + 글로벌 AI 우회 수집 동시 공략
~12주	엔진별 SOV를 다중 실행으로 측정, 유입·전환까지 연결	노이즈가 아닌 추세로 의사결정

Citeon은 이 원리를 제품에 담았다

여기까지 읽었다면, 스타트업의 진짜 어려움이 '원리를 모르는 것'이 아니라 '한정된 인력으로 이 모든 트랙을 실행·측정할 시간이 없는 것'임을 느꼈을 것이다. Citeon은 바로 그 지점을 대행한다.

4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude에서 우리 브랜드가 실제로 인용되는 비율을 엔진별로 측정한다. 위에서 말한 '엔진마다 90% 다른 인용'을 한곳에서 본다.
사이트 진단 엔진: URL만 넣으면 SEO/AEO/GEO 관점에서 점수와 한국어 처방을 준다. 크롤러 허용 여부, 직답 구조, 수치·출처 밀도 같은 RAG 통과 조건을 점검한다.
경쟁사 역추적: 같은 카테고리에서 누가, 왜 인용되는지 역설계해 스타트업이 비집고 들어갈 '비어 있는 질문'을 찾아준다.
주간 모니터 추이: 단일 측정의 노이즈를 피하고, 인용·가시성을 추세로 추적한다.

지금 우리 스타트업이 AI 답변에서 어디에 서 있는지부터 확인하고 싶다면, 무료 진단(₩0)으로 시작하면 된다. URL 하나면 SEO·AEO·GEO 점수와 처방 리포트를 받아볼 수 있다.

→ Citeon 무료 AI 가시성 진단 받기 (₩0)

자주 묻는 질문

도메인 권위도 백링크도 없는데 정말 대기업보다 먼저 인용될 수 있나요?

네, 충분히 가능합니다. AI 인용은 도메인 크기보다 '질문에 정확히, 추출하기 쉽게 답했는가'를 봅니다. 한 분석에서 ChatGPT·Perplexity의 인용 도메인 중복은 약 11%뿐이고 인용의 약 90%가 엔진마다 달랐습니다. 네이버 AI 브리핑 표본에서는 인용의 약 49%가 통합검색 Top10 바깥에서 나왔습니다. 경쟁이 비어 있는 구체적 질문을 골라 수치·출처가 담긴 직답을 먼저 깔면 후발 주자도 자리를 가져갈 수 있습니다.

AI 프롬프트 검색량 데이터를 사서 키워드를 정해도 되나요?

권하지 않습니다. AI 프롬프트 볼륨은 실측이 불가능하고, 시중 수치는 시장 1% 미만 패널을 모델링한 추정치입니다. Conductor도 "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다"고 지적했습니다. 스타트업은 영업·CS·커뮤니티에서 고객이 실제로 던지는 질문에서 키워드를 뽑는 것이 더 정확하고 정직합니다.

글 하나에 무엇을 넣어야 AI가 인용하나요?

핵심은 세 가지입니다. (1) 첫 문장에 직답(수치 포함)을 둘 것 — 모델은 맥락 가운데를 놓치고 앞·끝을 잘 봅니다(Lost in the Middle). (2) 통계·출처·전문가 직접 인용문을 더할 것 — GEO 연구에서 이 요소들이 생성엔진 가시성을 최대 약 40% 올렸습니다. (3) 소제목·표·FAQ로 청크가 스스로 설명되게 구조화할 것 — 맥락 있는 청크는 검색 실패율을 크게 낮춥니다.

한국 스타트업인데 네이버와 글로벌 AI 중 어디부터 해야 하나요?

둘 다, 단 트랙을 나눠서 합니다. 네이버는 외부 크롤러를 막기 때문에 네이버 AI 브리핑은 '네이버 블로그(콘텐츠 5원칙: 직접경험·일관주제·진정성·읽기쉬운구조·최신성)'로 공략하고, ChatGPT 같은 글로벌 AI는 나무위키·위키백과·티스토리·자체 도메인 같은 외부 자산을 통해 한국어 정보를 우회 수집하므로 그쪽을 따로 채워야 합니다. 타깃 고객이 주로 어디서 검색하는지로 우선순위를 정하세요.

ChatGPT에 한 번 물어봤더니 안 나오던데, 우리는 인용이 안 되는 건가요?

한 번의 측정으로 단정하면 안 됩니다. LLM은 temperature=0에서도 결과가 흔들립니다(한 실험에서 같은 질문 1,000회에 80가지 출력). 인용은 멱법칙으로 출렁이므로 같은 질문을 여러 번 돌려 분포로 보고, 부트스트랩 신뢰구간으로 추세를 봐야 합니다. 단일 측정은 데이터가 아니라 노이즈입니다.