위키백과·지식 그래프에 브랜드를 등재시키는 법 — AI가 신뢰하는 '엔티티 기반' 출처가 되는 전략

Q: Wikidata와 schema.org 구조화 데이터는 뭐가 다른가요?

둘 다 '기계가 읽는 사실'이지만 위치와 역할이 다릅니다. schema.org는 내 사이트 안에 넣는 마크업으로, 구글이 내 페이지를 엔티티로 이해하도록 돕습니다. Wikidata는 위키미디어의 공용 지식 베이스로, 구글 Knowledge Graph를 포함한 여러 시스템이 참조하는 외부 원천입니다. 이상적으로는 둘의 사실(설립연도·공식 URL 등)이 완전히 일치하고 sameAs로 서로 연결돼, 여러 신호가 '같은 하나의 개체'로 병합(reconciliation)되게 만드는 것입니다.

결론부터: AI가 브랜드를 신뢰하고 인용하는 가장 확실한 지름길은 '키워드가 많은 페이지'가 되는 게 아니라 '하나의 뚜렷한 엔티티(entity)'가 되는 것이다. 위키백과 문서와 지식 그래프(Google Knowledge Graph·Wikidata) 등재는 검색엔진과 LLM 양쪽에게 "이 대상은 실재하고, 식별 가능하며, 여러 독립 출처가 인정한 개체다"라는 기계가 읽을 수 있는 신원증명서를 발급하는 일이다. 이 글은 그 신원증명이 RAG(retrieval → reranking → generation) 파이프라인의 각 단계에서 구체적으로 어떻게 작동해 인용 확률을 끌어올리는지를, 그리고 실제로 어떻게 등재까지 가는지를 근거와 함께 뜯어본다.

왜 '엔티티'가 '키워드'를 이기는가

먼저 용어부터 정리하자. 키워드는 글자의 나열이다. "citeon", "에이이오 대행" 같은 문자열. 엔티티는 세상에 실재하는 개체 그 자체다 — 특정 회사, 특정 인물, 특정 제품. 키워드는 여러 개체를 가리킬 수 있지만(동명이인·동명 브랜드), 엔티티는 고유 ID로 못 박힌 단 하나다. Wikidata에서는 이 ID가 Q번호(예: Q95은 Google)로, Google Knowledge Graph에서는 kg:/m/... 같은 machine ID로 존재한다.

비유하자면 이렇다. 키워드 최적화는 명함을 최대한 많이 뿌리는 일이다. 이름은 알려지지만 "그 김철수가 이 김철수인지"는 아무도 보증하지 않는다. 엔티티 등록은 주민등록증을 발급받는 일이다. 국가(지식 그래프)가 "이 개체는 실재하고, 이 속성들을 가지며, 이 다른 개체들과 이렇게 연결된다"를 공적으로 확정해준다. AI 검색 시대에 브랜드가 겪는 가장 흔한 실패는 실력이 없어서가 아니라 기계가 당신을 '누구'로 못 박지 못해서 — 즉 disambiguation(중의성 해소)에 실패해서 후보에서 탈락하는 것이다.

엔티티는 RAG의 세 단계 모두에서 유리하다

왜 엔티티가 실제 인용으로 이어지는지는 RAG 파이프라인을 단계별로 따라가면 명확해진다. LLM은 방대한 파라미터에 지식을 압축해 넣지만(파라메트릭 메모리), 최신·구체 사실은 외부에서 그때그때 검색해 끌어온다(비파라메트릭 메모리). 이 결합이 RAG의 핵심이며, 원전은 Lewis 등(2020, arXiv:2005.11401)이다. AI 답변에 인용되려면 이 '외부 검색' 단계에서 뽑혀야 한다.

RAG 단계	하는 일	엔티티/지식그래프가 주는 이점
Retrieval (검색)	질문과 의미가 겹치는 문서·청크를 대량 후보로 소집	위키백과·Wikidata의 정제된 문장은 임베딩 공간에서 질문과 깨끗하게 정렬됨 → 후보 진입률↑
Reranking (재정렬)	후보를 질문과 함께 다시 읽어 정밀 순위 매김	구조화된 사실·명확한 정의문은 cross-encoder가 '정답스럽다'고 판단하기 쉬움
Generation (생성)	상위 문서를 근거로 답변 작성 + 출처 인용	모델이 이미 학습 때 본 신뢰 도메인(위키)이라 보수적 필터를 통과, 인용으로 채택

핵심은 검색이 이제 '글자 매칭'이 아니라 '의미 매칭'이라는 점이다. Dense Passage Retrieval(Karpukhin 등 2020, arXiv:2004.04906)은 임베딩 기반 의미 검색이 전통적 키워드 매칭(BM25)을 능가함을 보였다. 엔티티로 잘 정의된 문장 — "Citeon은 AEO·GEO·SEO를 통합한 풀퍼널 마케팅 대행 서비스다" — 은 "AI 검색 최적화 대행 어디가 있나"라는 질문과 글자 하나 안 겹쳐도 의미 공간에서 가깝다. 반면 키워드만 나열한 랜딩 카피는 의미가 흐릿해 어느 질문과도 어정쩡하게만 가깝다.

AI 엔진들은 실제로 위키를 얼마나 신뢰하나

이건 감이 아니라 데이터로 확인된다. 대규모 인용 패턴 분석(Profound·Discovered Labs 등)에 따르면 ChatGPT의 인용 출처 중 위키백과가 약 47.9%를 차지한다. 거의 절반이다. 엔진마다 성향은 다르다 — Perplexity는 Reddit 비중이 ~46.7%로 높고, ChatGPT-Perplexity 간 인용 도메인 중복은 ~11%에 불과하며 인용의 약 90%가 엔진마다 다르다. 즉 "한 곳에서 통하는 전략"이 다른 곳에선 안 통한다. 그런데 위키백과·지식 그래프만은 거의 모든 엔진이 공통으로 신뢰한다는 게 엔티티 전략의 특별한 가치다.

엔진	성향	엔티티 전략 함의
ChatGPT	위키백과·커뮤니티 편중(위키 ~47.9%)	위키 문서 존재 자체가 인용 확률의 큰 지렛대
Gemini	구글 색인 + E-E-A-T 신호 중시	Knowledge Graph 패널·구조화 데이터가 직접 반영
Claude	근거 약한 콘텐츠를 보수적으로 걸러냄(Citations API)	독립 출처로 검증되는 엔티티만 살아남음 → 위키형이 유리
Perplexity	실시간 웹 + 인라인 인용	위키를 '앵커'로 쓰고 최신 출처를 곁들이는 경향
Grok	실시간 웹 + X 스트림, 인용 정확도 편차 큼	확립된 엔티티일수록 오인용 리스크 감소

특히 주목할 것은 Claude의 보수성이다. Claude는 근거가 약한 콘텐츠를 걸러내는 성향이 강하다. 이건 엔티티 전략의 논리를 그대로 증명한다 — 여러 독립 출처로 교차검증되는 개체는 '통과', 자기 사이트에서만 자기를 주장하는 개체는 '탈락'. 위키백과의 노터빌리티(notability) 규정 자체가 "복수의 독립적·신뢰할 수 있는 출처의 유의미한 다룸"을 요구하는데, 이건 우연히도 LLM의 신뢰 판단 로직과 판박이다. 즉 위키가 브랜드를 등재해줬다는 사실 자체가, LLM이 요구하는 '독립 검증'을 이미 한 번 통과했다는 증거로 작동한다.

구글 지식 그래프: E-E-A-T가 코드로 바뀌는 지점

Gemini는 구글 색인과 E-E-A-T(경험·전문성·권위·신뢰) 신호에 크게 의존한다. 그런데 E-E-A-T는 추상적 개념이 아니라 구조화된 데이터로 표현될 때 기계가 읽는다. Wikidata의 속성(창립연도·창립자·본사·산업분류·공식 웹사이트), 위키백과 인포박스, 그리고 사이트의 schema.org Organization 마크업이 서로 일치할 때 구글은 이들을 하나의 엔티티로 병합(reconciliation)하고 Knowledge Graph 패널을 생성한다. 이 패널이 뜨는 순간 Gemini는 당신을 '검증된 개체'로 취급한다.

❌약한 예 / ✅강한 예 — 엔티티가 되는 문장 대조

추상론은 여기까지. 실제로 '검색기가 집어드는 문장'과 '흘려보내는 문장'은 어떻게 다른가. RAG 검색기 입장에서 대조해보자.

① 자기소개(정의문)

❌ 약한 예:
"업계를 선도하는 최고의 마케팅 파트너, 고객 성공을 최우선으로 합니다."

✅ 강한 예:
"Citeon은 2026년 설립된 대한민국의 AI 검색 마케팅 대행사로,
 ChatGPT·Gemini·Perplexity·Claude 4개 엔진의 브랜드 인용을 측정(SOV)하고
 AEO·GEO·SEO를 통합해 검색 가시성을 매출로 연결하는 서비스를 제공한다."

약한 예는 형용사(선도·최고)만 가득해 어떤 질문과도 의미가 겹치지 않는다. 강한 예는 [무엇] [언제] [어디] [무엇을 한다]가 명확한 정의문이다. 위키백과 첫 문장, Wikidata 설명, schema.org description이 전부 이 한 문장에서 파생된다. 검색기는 "AI 검색 인용 측정 서비스"라는 질문에 이 문장을 곧바로 매칭한다.

② 노터빌리티 근거(독립 출처)

❌ 약한 예:
"우리는 수많은 고객에게 사랑받는 검증된 서비스입니다." (자사 주장)

✅ 강한 예:
"OO경제(2026.05) '국내 AEO 대행 시장 분석' 기사에서 Citeon이
 4개 엔진 동시 인용 측정 사례로 소개됨 + △△리서치 백서 인용."

위키백과는 자기 참조를 근거로 인정하지 않는다. 노터빌리티는 오직 '독립적·신뢰할 수 있는 2차 출처'로만 성립한다. 이건 LLM의 판단 로직과 동일하다 — RAGAS의 faithfulness 지표(답변 주장이 출처에서 추적되는 정도)가 0.9 이상이면 안정, 0.7 미만이면 위험으로 보는 것과 같은 정신이다. 자기가 자기를 칭찬하는 문장은 추적 가능한 근거가 0이므로 기계에겐 신호가 아니라 잡음이다.

③ 통계·구체 수치 심기

❌ 약한 예:
"많은 브랜드가 AI 검색에서 성과를 내지 못하고 있습니다."

✅ 강한 예:
"한 인용 패턴 분석에서 ChatGPT 인용 출처의 약 47.9%가 위키백과로 나타났다."

이건 취향이 아니라 실험으로 뒷받침된다. GEO 연구(Aggarwal 등 2023, arXiv:2311.09735, KDD 2024)는 통계 인용·출처 인용·직접 인용문을 추가하면 생성엔진 가시성이 특정 조건에서 최대 약 40%까지 상승함을 보였다. 구체 숫자·출처가 붙은 문장은 검색기에게 '근거 있는 문서'로 읽히고, 생성 단계에서 인용 대상으로 채택되기 쉽다. 위키백과 편집자들이 '출처 없는 문장'을 지우는 것과, LLM이 근거 약한 문장을 흘려보내는 것은 같은 필터다.

실전: 브랜드를 엔티티로 등재하는 5단계

이제 '왜'에서 '어떻게'로 넘어가자. 순서가 중요하다. 위키백과부터 뛰어들면 십중팔구 '노터빌리티 부족'으로 삭제된다. 토대를 먼저 쌓아야 한다.

1단계 — 엔티티 지문(fingerprint)을 확정한다

브랜드의 핵심 사실 집합을 한 곳에 못 박는다. 정식 명칭, 설립연도, 창립자, 본사, 산업 분류, 공식 URL, 핵심 제품/서비스 정의. 이걸 모든 채널에서 글자 하나 안 틀리게 반복한다. 표기 흔들림(Citeon / 사이티온 / 씨티온)은 disambiguation을 깨뜨려 엔티티를 쪼갠다. 하나의 개체가 세 개의 흐릿한 유령으로 분열되는 셈이다.

2단계 — 자사 사이트를 기계가 읽게 만든다

홈페이지에 schema.org Organization(또는 LocalBusiness) 구조화 데이터를 넣는다. sameAs 배열로 링크드인·공식 SNS·향후 Wikidata를 연결하면, 구글이 흩어진 프로필을 '같은 개체'로 병합한다.

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "Citeon",
  "url": "https://citeon.cloud",
  "description": "AEO·GEO·SEO 통합 AI 검색 마케팅 대행",
  "foundingDate": "2026",
  "sameAs": [
    "https://www.linkedin.com/company/...",
    "https://www.wikidata.org/wiki/Q..."
  ]
}

이때 AI 크롤러가 사이트에 들어올 수 있어야 한다. robots.txt에서 GPTBot·OAI-SearchBot(OpenAI), PerplexityBot, ClaudeBot·anthropic-ai(Anthropic), Google-Extended(구글)를 허용해야 후보 진입 자체가 가능하다. 아무리 잘 만든 엔티티도 크롤러가 문 앞에서 막히면 인용 후보에 오르지 못한다.

3단계 — 독립 출처(노터빌리티)를 축적한다

이게 가장 어렵고 가장 중요하다. 위키백과가 요구하는 것도, LLM이 신뢰하는 것도 결국 제3자의 유의미한 다룸이다. 언론 보도, 업계 리서치 인용, 수상, 공신력 있는 인터뷰. 보도자료 재탕(신디케이션)은 '독립 출처'로 쳐주지 않는다는 점에 주의. 각 출처는 나중에 위키 문서의 각주가 되고, 동시에 웹 곳곳에 흩어져 검색기가 교차검증할 신호가 된다.

4단계 — Wikidata 항목을 먼저 만든다

위키백과 문서보다 Wikidata 항목이 문턱이 낮다. Wikidata는 서술형 문서가 아니라 속성-값 구조라 노터빌리티 기준이 상대적으로 완화적이며(참조 출처는 여전히 필수), 구글 Knowledge Graph가 Wikidata를 직접 참조한다. 여기서 instance of(회사), industry, inception, official website, founded by 같은 속성을 채우고 각각에 출처를 붙인다. 이 구조화 데이터가 지식 그래프의 원재료다.

5단계 — 위키백과는 마지막에, 규칙을 지켜서

3단계에서 쌓은 독립 출처가 충분해졌을 때 문서를 작성한다. 중립적 어조(NPOV), 모든 주장에 각주, 홍보성 형용사 배제. 이해관계자(COI) 직접 편집은 지양하고 초안(Draft) 절차를 밟는 게 안전하다. 중요한 정직성 원칙: 없는 사실을 지어 넣으면 안 된다. 위키백과 검증도, LLM 검증도 결국 근거 추적이다. 근거 없는 문장은 지워지고, 지어낸 사실은 오히려 엔티티 신뢰를 무너뜨린다.

등재 이후 — 검색기가 '잘 집도록' 문서를 배치한다

문서가 생겼다고 끝이 아니다. RAG 검색기가 실제로 잘 뽑아 쓰도록 텍스트를 배치하는 후속 최적화가 있다.

핵심 정의는 앞과 끝에. Liu 등(2023, arXiv:2307.03172)의 'Lost in the Middle' 연구는 LLM이 긴 맥락의 중간에 있는 정보를 놓치는 U자형 성능 곡선을 보였다. 가장 중요한 엔티티 정의문은 문서 첫 문단과 마지막에 배치하는 게 유리하다.

청크에 맥락을 얹어라. Anthropic의 Contextual Retrieval(2024) 연구는 각 청크 앞에 짧은 맥락 설명을 붙이면 검색 실패율이 35% 감소(5.7%→3.7%)하고, BM25 하이브리드를 더하면 49%, reranking까지 얹으면 67% 개선됨을 보였다. 실무 함의: 브랜드를 언급하는 모든 문서에서 "Citeon(AI 검색 마케팅 대행)은…"처럼 엔티티에 짧은 정체 태그를 매번 붙이면, 그 문단이 독립적으로 검색돼도 무엇에 관한 것인지 자족적으로 읽힌다.

하이브리드 검색을 의식하라. 도서관에 비유하면, BM25 키워드 색인은 '제목 색인 카드'이고 의미(임베딩) 검색은 '주제를 아는 사서'다. 공개 벤치마크 종합에서 recall@10은 의미 단독 ~78%, BM25 단독 ~65%인데 둘을 합친 하이브리드(RRF)는 ~91%까지 오른다. 즉 실제 검색기는 정확한 브랜드명(키워드)과 의미(정의문) 둘 다를 본다. 그래서 엔티티 지문의 '정확한 표기'와 정의문의 '풍부한 의미'가 모두 필요하다.

측정: 등재 효과를 어떻게 확인하나 (그리고 함정)

여기서 david로서 반드시 짚어야 할 것 — 단일 측정을 믿지 마라. LLM은 temperature=0에서도 결과가 흔들린다(GPU 연산·배치 비결정성). 한 연구에서 2,350억 파라미터급 모델을 1,000회 돌리자 80가지 출력이 나왔다. AI 가시성의 불확실성은 멱법칙으로 출렁이며(관련 분석은 다중 실행 + 부트스트랩 신뢰구간을 권한다), "오늘 ChatGPT에 물어보니 우리가 인용됐다"는 노이즈 한 점일 뿐이다.

따라서 엔티티 등재의 효과는 여러 번·여러 엔진·여러 질문으로 반복 측정해 인용 비율(SOV, Share of Voice)의 추세를 봐야 한다. SOV는 특정 카테고리의 AI 답변 중 브랜드가 언급되는 비율이다. 단, 질문 세트 선정이 결과를 좌우하고 엔진을 뭉뚱그려 합산하면 메커니즘이 가려지므로, 엔진별로 분리해 봐야 한다. 그리고 프롬프트 '검색량' 같은 지표는 실측이 불가능한 패널 모델링 추정치임을 잊지 말자 — Conductor의 표현대로 "신뢰할 수 없는 검색량 데이터는 없느니만 못하다".

네이버 생태계에서의 엔티티 — 별도 전선

한국 시장엔 특수 변수가 있다. 네이버는 외부 크롤러를 차단하기 때문에 글로벌 AI(ChatGPT·Perplexity 등)는 네이버 블로그 대신 나무위키·위키백과·티스토리를 우회 참조한다. 즉 네이버 안에서 아무리 잘해도 글로벌 AI엔 안 보일 수 있다. 반대로 네이버 자체 AI(AI 브리핑·2026년 정식 출시된 AI탭)는 C-Rank(출처 신뢰·전문성)와 D.I.A.+(문서 의도)로 신뢰 출처를 판별한다. 한 표본분석(272건)에서 네이버 AI 브리핑 인용 출처의 약 58%가 블로그였고, Top10 밖에서 인용된 비율도 ~49%였다. 결론: 글로벌 AI용 엔티티(위키·나무위키)와 네이버용 신뢰 출처(C-Rank 축적)는 서로 다른 두 전선이며, 브랜드 엔티티가 양쪽 지식 소스에 모두 존재해야 커버리지가 완성된다.

Citeon은 이 원리를 제품에 담았다

엔티티 전략의 가장 큰 어려움은 '했는데 효과가 있는지'를 정직하게 확인하는 일이다. 위키 문서를 만들고 Wikidata를 채워도, 그것이 실제 AI 답변의 인용으로 이어졌는지는 여러 엔진에서 반복 측정해야만 알 수 있다. Citeon은 바로 이 지점을 다룬다.

4개 엔진 인용 측정(SOV) — ChatGPT·Gemini·Perplexity·Claude에서 브랜드가 실제로 인용되는 비율을 엔진별로 분리해 추적한다. 위키·지식그래프 등재 전후를 비교할 근거가 된다.
사이트 진단 엔진 — schema.org 마크업, AI 크롤러 허용(robots.txt), 엔티티 정의문의 명확성 등 '기계가 읽을 수 있는 상태'를 점수화하고 한국어 처방을 준다.
경쟁사 역추적 — 같은 카테고리에서 어떤 브랜드가 어떤 출처로 인용되는지 되짚어, 우리가 확보해야 할 엔티티 격차를 드러낸다.
주간 모니터링 — 단발 측정의 노이즈를 피하기 위해 추이로 본다.

지금 내 브랜드가 AI 답변에서 '누구'로 인식되는지 — 혹은 아예 인식되지 못하는지 — 궁금하다면 Citeon 무료 진단(₩0)으로 현재 상태부터 확인해보길 권한다. 엔티티 전략은 진단에서 시작한다.

자주 묻는 질문 (FAQ)

작은 스타트업도 위키백과에 등재될 수 있나요?

노터빌리티(복수의 독립적·신뢰할 수 있는 2차 출처의 유의미한 다룸)를 충족하지 못하면 규모와 무관하게 삭제됩니다. 그래서 순서가 중요합니다 — 위키백과는 마지막 단계이고, 그 전에 언론 보도·업계 리서치 인용 같은 독립 출처를 먼저 쌓아야 합니다. 다만 Wikidata 항목은 문턱이 상대적으로 낮아 먼저 시도할 수 있고, 구글 Knowledge Graph가 이를 참조하므로 소규모 브랜드에게도 실익이 있습니다.

위키백과 문서만 있으면 AI가 무조건 인용하나요?

확률을 크게 높이지만 보장은 아닙니다. 한 인용 패턴 분석에서 ChatGPT 인용의 약 47.9%가 위키백과였을 만큼 강력한 지렛대지만, 엔진마다 성향이 달라(Perplexity는 Reddit 비중이 높음) 위키 하나로 모든 엔진을 커버하진 못합니다. 또 LLM 측정은 비결정적이라 단일 조회로 '인용된다/안 된다'를 단정할 수 없습니다. 여러 엔진·질문으로 반복 측정한 인용 비율(SOV)의 추세로 판단해야 합니다.

이해관계자가 직접 자사 위키 문서를 써도 되나요?

가능하지만 권장되지 않습니다. 위키백과는 이해충돌(COI) 편집을 엄격히 보고, 홍보성 어조나 근거 없는 자화자찬은 빠르게 삭제·되돌림됩니다. 초안(Draft) 절차를 통해 중립적 어조와 각주를 갖춰 제출하는 편이 안전합니다. 핵심은 '광고'가 아니라 '검증 가능한 사실의 중립적 서술'이라는 점 — 이는 LLM이 근거 약한 콘텐츠를 걸러내는 로직과 정확히 같은 방향입니다.

Wikidata와 schema.org 구조화 데이터는 뭐가 다른가요?

둘 다 '기계가 읽는 사실'이지만 위치와 역할이 다릅니다. schema.org는 내 사이트 안에 넣는 마크업으로, 구글이 내 페이지를 엔티티로 이해하도록 돕습니다. Wikidata는 위키미디어의 공용 지식 베이스로, 구글 Knowledge Graph를 포함한 여러 시스템이 참조하는 외부 원천입니다. 이상적으로는 둘의 사실(설립연도·공식 URL 등)이 완전히 일치하고 sameAs로 서로 연결돼, 여러 신호가 '같은 하나의 개체'로 병합(reconciliation)되게 만드는 것입니다.

등재 후 효과가 나타나기까지 얼마나 걸리나요?

단정적 수치를 말하는 건 정직하지 않습니다. AI 엔진의 색인 주기, 크롤러 재방문, 각 엔진의 캐시 갱신이 제각각이기 때문입니다. 다만 메커니즘상 순서는 예측 가능합니다 — 먼저 구글 Knowledge Graph 반영(구조화 데이터 병합), 이후 검색 색인을 참조하는 엔진(예: Gemini)에 반영, 그다음 위키를 학습·검색에 쓰는 엔진들로 확산됩니다. 그래서 '한 번 확인'이 아니라 주간 단위로 여러 엔진의 인용 추이를 모니터링하며 반영 여부를 관찰하는 것이 정확합니다.

이미 부정적·부정확한 정보가 AI 답변에 인용되면 어떻게 하나요?

정보의 '원천'을 고쳐야 합니다. LLM은 자기가 참조하는 출처를 그대로 반영하므로, 부정확한 위키/나무위키 서술이나 오래된 기사가 근거라면 그 원천 문서를 규칙에 맞게(각주·중립성) 정정하는 게 근본 대응입니다. 동시에 정확한 정보를 담은 신뢰 출처를 새로 축적해 검색기가 교차검증할 신호의 균형을 바꿔야 합니다. 자사 사이트에서만 반박하는 것은 '독립 출처'가 아니라 효과가 약합니다 — 여기서도 엔티티 신뢰의 원리(제3자 검증)가 그대로 작동합니다.