티스토리 vs 네이버 블로그 — AI 인용 채널 선택

결론부터 말하면, '둘 중 하나'가 아니라 '어느 AI에 인용되고 싶은가'로 갈라야 한다. ChatGPT·Perplexity·Claude·구글 같은 글로벌 AI의 답변에 잡히고 싶다면 티스토리가, 네이버 AI 브리핑·AI탭 같은 네이버 생태계 안에서 인용되고 싶다면 네이버 블로그가 유리하다. 이유는 콘텐츠 품질이 아니라 크롤러가 그 글에 닿을 수 있느냐라는, 의외로 기계적인 문제에서 갈린다. 이 글에서는 왜 같은 글을 써도 채널에 따라 AI 인용 결과가 정반대로 나오는지를 RAG(검색→재정렬→생성) 메커니즘으로 풀어내고, 채널별로 어떻게 써야 하는지까지 짚는다.

왜 '품질'이 아니라 '채널'이 먼저 갈리는가

많은 사람이 'AI에 인용되려면 좋은 글을 쓰면 된다'고 생각한다. 절반만 맞다. AI가 답변을 만드는 과정을 알면, 좋은 글이라도 애초에 후보 목록에 들어가지 못하면 인용은 0이 된다는 걸 알 수 있다.

생성형 AI는 어떻게 답을 만드나 — RAG 3단계

ChatGPT, Perplexity, 네이버 AI 브리핑 같은 생성형 검색은 대부분 RAG(Retrieval-Augmented Generation, 검색 증강 생성) 구조를 쓴다. 2020년 Lewis 등이 제안한(arXiv:2005.11401) 이 방식은 '모델이 외운 지식(파라메트릭 메모리)'에 '바깥에서 그때그때 찾아온 문서(비파라메트릭 메모리)'를 결합한다. 풀어 쓰면 답을 만들 때마다 세 단계를 거친다.

1. Retrieval(검색): 질문과 관련된 문서 후보 수십 개를 끌어온다.
2. Reranking(재정렬): 그 후보를 질문과 함께 다시 읽어 가장 적합한 순서로 줄 세운다.
3. Generation(생성): 상위 몇 개 문서를 근거로 답변을 쓰고, 그 문서를 인용한다.

비유하면 이렇다. 도서관에 들어온 손님이 질문을 던지면, 사서가 먼저 서가에서 관련 책 한 무더기를 뽑아오고(검색), 그중 질문에 정말 맞는 책을 골라 순서대로 책상에 놓고(재정렬), 그 책들을 펼쳐 읽으며 답을 정리해 들려준다(생성). 여기서 핵심은 1단계다. 서가에 꽂혀 있지 않은 책은 아무리 명저여도 손님에게 도달할 수 없다. 채널 선택은 바로 이 '서가에 꽂히느냐' 문제다.

서가에 꽂히는 첫 관문 — 크롤러와 robots.txt

AI가 외부 웹을 '서가'로 쓰려면 크롤러(crawler)가 그 페이지를 읽어 색인해 둬야 한다. 크롤러는 사이트의 robots.txt 규칙을 따른다. 즉 사이트가 'AI 크롤러 출입 금지'를 걸어두면, 그 안의 글은 글로벌 AI의 서가에 아예 꽂히지 않는다. 대표적인 AI 크롤러는 다음과 같다.

이 표가 채널 논쟁의 전부라고 해도 과언이 아니다. 네이버는 외부 크롤러를 광범위하게 차단한다. 그래서 네이버 블로그 글은 글로벌 AI의 서가에 잘 꽂히지 않는다. 흥미로운 건, 글로벌 AI들이 이 빈자리를 '한국어 콘텐츠가 모이는 다른 열린 공간'으로 메운다는 점이다. 실제로 ChatGPT·Perplexity 같은 엔진이 한국 주제를 다룰 때 나무위키·위키백과·티스토리를 우회 경로로 자주 인용하는 패턴이 관찰된다. 티스토리가 'AI 인용 채널'로 거론되는 근본 이유가 여기 있다.

티스토리 — 글로벌 AI의 '열린 서가'

티스토리(카카오)는 일반 웹처럼 외부에 열려 있는 구조다. robots.txt에서 AI 크롤러를 허용하면 GPTBot·PerplexityBot·ClaudeBot이 글을 읽어 색인할 수 있고, 그 순간 글로벌 AI의 RAG 1단계(검색) 후보로 진입한다. 이것이 티스토리의 가장 큰 전략적 가치다.

왜 '열린 것'만으로 부족한가 — 2·3단계를 넘어야 인용된다

서가에 꽂혔다고 인용되는 게 아니다. 후보로 들어온 뒤에도 재정렬(reranking)에서 살아남고, 생성 단계에서 '근거로 쓸 만한 문장'을 제공해야 비로소 인용된다. 여기서 두 가지 연구가 결정적이다.

첫째, 의미 검색(임베딩 기반)이 키워드 검색을 능가한다. Karpukhin 등의 Dense Passage Retrieval 연구(arXiv:2004.04906)는 단순 단어 매칭(BM25)보다 '문장의 뜻'을 벡터로 비교하는 방식이 더 정확하게 관련 문서를 찾는다는 걸 보였다. 그래서 키워드만 욱여넣은 글보다 질문의 의도에 정확히 답하는 문장이 후보로 잘 잡힌다.

둘째, 생성 단계에서 어떻게 써야 인용되는가를 직접 다룬 GEO 연구(Aggarwal 등, arXiv:2311.09735, KDD 2024)는 통계·출처 인용·직접 인용문을 더한 콘텐츠가 생성엔진 가시성을 특정 조건에서 최대 약 40%까지 끌어올렸다고 보고한다. 즉 티스토리에 글을 쓰되, AI가 '그대로 떠다 쓰기 좋은' 형태로 써야 한다는 뜻이다.

약한 예 / 강한 예 — 티스토리 글 한 문장의 차이

같은 정보를 담아도 AI가 근거로 집어 들 확률은 문장 형태에서 갈린다.

약한 예는 주장만 있고 추적할 근거가 없어 reranking에서 밀린다. 강한 예는 구체 수치·기간·표본·조건을 담아 AI가 그대로 인용해도 다룰 수 있는 형태다. 이것이 GEO 연구가 말하는 '통계·출처 추가' 효과의 실제 모습이다.

맥락 없는 청크의 함정

AI는 글 전체가 아니라 잘게 자른 '청크(chunk)' 단위로 문서를 다룬다. 그런데 청크 하나만 떼어 놓으면 맥락이 사라진다. 예컨대 "이 방식은 비용을 절반으로 줄인다"라는 문장만 보면, AI는 '무슨 방식'인지 몰라 그 청크를 버린다. Anthropic의 Contextual Retrieval 연구(2024)는 각 청크에 맥락을 덧붙이는 것만으로 검색 실패율이 35% 줄었고(5.7%→3.7%), 여기에 키워드 검색(BM25)을 더한 하이브리드로 49%, 재정렬까지 더하면 67%까지 실패가 줄었다고 보고한다. 실무 시사점은 분명하다. 각 문단을 '그것만 떼어 읽어도 무슨 얘긴지 아는' 자족적 단위로 써라. 티스토리처럼 외부 AI가 통째로 긁어가는 채널일수록 이 원칙이 인용률을 직접 좌우한다.

네이버 블로그 — 네이버 생태계의 '내부 서가'

네이버 블로그는 글로벌 AI에는 잘 안 닿지만, 네이버 자체 AI에는 정반대로 강력하다. 네이버는 외부 크롤러를 막은 대신 자기 색인 안의 콘텐츠로 AI 답변을 만들기 때문이다. 그리고 한국 사용자의 검색 트래픽 상당량은 여전히 네이버 안에서 일어난다.

네이버 AI의 두 출구 — AI 브리핑과 AI탭

네이버에는 AI가 글을 인용하는 두 통로가 있다.

• AI 브리핑: 통합검색 결과 위에 뜨는 요약. 통합검색 쿼리의 20% 이상에 적용되고 있으며, 한 집계에서 인용은 월 약 3.558억 건(2026-04) 규모로 나타났다. 한 표본 분석(272건)에서는 인용 출처의 약 58%가 블로그였고, 약 49%는 검색결과 Top10 밖에서 인용됐다. 즉 1페이지에 못 들어도 AI 브리핑엔 인용될 수 있다.
• AI탭: 대화형·에이전틱 검색 탭. 2026-06-25~26 전체 정식 출시 예정이다. (참고로 별도 서비스였던 큐:(Cue:)·클로바X는 2026-04-09 종료된다.)

네이버 알고리즘의 두 축 — C-Rank와 D.I.A.+

네이버가 어떤 블로그 글을 신뢰하고 인용할지는 두 알고리즘이 결정한다. 비유하면 C-Rank는 '누가 말하는가'를, D.I.A.+는 '무엇을 말하는가'를 본다.

네이버가 공개적으로 강조하는 좋은 콘텐츠 5원칙은 이 알고리즘의 사람 언어 버전이다: ① 직접 경험, ② 일관된 주제, ③ 진정성, ④ 읽기 쉬운 구조, ⑤ 최신성. 글로벌 AI가 중시하는 'E-E-A-T'(경험·전문성·권위·신뢰)와 결이 거의 같다는 점에 주목할 만하다.

네이버 메이트 — 인용을 보상으로 연결하는 구조

네이버는 '네이버 메이트'라는 창작자 보상 프로그램을 운영한다. 기본 월 30만 원 수준, 분야 1위 창작자는 월 1,000만 원 수준까지 보상받는 구조로 알려져 있다. 이는 네이버가 자기 생태계 안에 양질의 인용 후보를 묶어 두려는 분명한 신호다. 네이버 블로그에 투자할 가치가 있는지를 가늠할 때 이 보상 구조를 함께 봐야 한다.

약한 예 / 강한 예 — 네이버 블로그 글의 차이

강한 예는 D.I.A.+가 중시하는 '직접 경험'과 '정보성'을 동시에 만족시킨다. 방문 시점, 가격, 좌석 수, 조건 같은 구체 정보는 AI가 답변에 그대로 옮겨 적기 좋은 형태다.

한눈에 보는 채널 비교

그래서 어떻게 결정하나 — 의사결정 흐름

채널은 '내 고객이 어느 AI에게 질문하는가'로 정한다. 아래 순서로 따져 보면 대부분 답이 나온다.

1. 고객이 묻는 곳은?
   ├─ ChatGPT·Perplexity·Claude로 검색 → 티스토리(또는 자체 도메인)
   └─ 네이버 통합검색·AI 브리핑·AI탭 → 네이버 블로그

2. 검색 의도는?
   ├─ 기술·B2B·비교·해외 정보 → 글로벌 AI 비중 ↑ → 티스토리
   └─ 로컬·후기·생활·쇼핑 → 네이버 비중 ↑ → 네이버 블로그

3. 자원이 둘 다 감당되나?
   ├─ 예 → 양쪽 발행 + 채널별로 문장 형태를 다르게 최적화
   └─ 아니오 → 위 1·2의 우세 채널 하나에 집중

현실적으로 가장 강한 전략은 '자체 도메인을 본진으로, 채널을 위성으로' 두는 것이다. robots.txt·구조화 데이터·내부 링크를 100% 제어할 수 있는 자체 도메인이 글로벌 AI 인용에 가장 유리하고, 티스토리·네이버 블로그는 각 생태계로 가는 보조 진입로로 쓰는 방식이다.

측정의 함정 — '한 번 봤더니 인용되더라'를 믿지 마라

채널을 정하고 글을 올렸다면, 다음은 '정말 인용되는가'를 재는 일이다. 그런데 여기엔 함정이 있다. AI 인용은 한 번 측정으로 판단하면 안 된다.

LLM은 temperature=0으로 설정해도 결과가 흔들린다. GPU 연산 순서·배치 처리 같은 하부 요인 때문이다. 한 실험에서는 같은 질문 1,000회에 80가지 출력이 나오기도 했다. AI 가시성의 불확실성을 정량화한 연구들은 인용 빈도가 멱법칙(power law)처럼 출렁이므로, 여러 번 측정해 부트스트랩 신뢰구간으로 보라고 권한다. 단일 측정은 사실상 노이즈다.

또 흔히 쓰는 '프롬프트 검색량'은 실측이 거의 불가능하다. 패널(시장 1% 미만) 기반 모델링 추정치일 뿐이다. 마케팅 분석 업체 Conductor도 "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다"고 못 박았다. 채널 성과를 잴 때는 추정 검색량이 아니라 실제 인용 여부와 그 안정성을 봐야 한다.

Citeon은 이 원리를 제품에 담았다

지금까지의 이야기는 결국 한 문장으로 모인다. "내 글이 어느 AI의 답변에, 얼마나 안정적으로 인용되는가"를 채널별로 측정하지 못하면 전략은 추측에 머문다. Citeon은 바로 이 측정을 제품으로 만든다.

• 4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude 네 엔진에서 브랜드가 실제로 인용되는 비율(Share of Voice)을 잰다. 티스토리/자체 도메인에 쓴 글이 글로벌 AI에 잡히는지를 한 화면에서 확인할 수 있다.
• 사이트 진단엔진: URL을 넣으면 SEO·AEO·GEO 점수와 한국어 처방을 돌려준다. 크롤러 허용·구조·자족 문단 같은 RAG 친화 요소를 점검한다.
• 경쟁사 역추적: 같은 카테고리에서 경쟁 브랜드가 어떤 글로 인용을 가져가는지 거꾸로 분석한다.
• 주간 모니터 추이: 단일 측정의 노이즈 문제를 피하기 위해 인용을 주간으로 추적해 추세로 보여준다.

채널을 티스토리로 갈지 네이버로 갈지 정하기 전에, 지금 내 사이트가 AI에 어떻게 보이는지부터 확인하는 게 순서다. 무료 AI 가시성 진단(₩0)으로 시작하기 →

자주 묻는 질문

참고자료

• Lewis et al. (2020), Retrieval-Augmented Generation — RAG 원전
• Karpukhin et al. (2020), Dense Passage Retrieval
• Aggarwal et al. (2023, KDD 2024), GEO: Generative Engine Optimization
• Anthropic (2024), Introducing Contextual Retrieval
• Conductor, Debunking AI Prompt Volume