제로클릭 시대의 브랜드 가치를 측정하는 법

제로클릭 시대에 브랜드 가치는 '클릭 수'가 아니라, AI가 만든 답변 안에서 우리 브랜드가 얼마나 자주·어떤 맥락으로 인용되는가(가시성·SOV)와, 그 언급이 만들어낸 후행 결과(브랜드 검색 상승·다크 트래픽·직접 유입·전환·매출)의 결합으로 측정한다. 클릭이라는 단일 화폐가 사라진 자리를, '언급의 양과 질'이라는 선행지표와 '결과'라는 후행지표 두 축으로 다시 채우는 것이다. 이 글은 그로스·퍼포먼스 관점에서, 왜 클릭이 사라지는지(메커니즘)부터 무엇을 어떻게 세는지(측정), 그리고 그 숫자를 어떻게 신뢰할지(불확실성)까지 끝까지 분해한다.

제로클릭이란 무엇이고, 왜 측정이 무너졌나

제로클릭(zero-click)은 사용자가 검색을 하고도 어떤 사이트로도 넘어가지 않고 검색 결과 화면 안에서 답을 얻고 끝나는 상태를 말한다. 과거에는 검색 → 클릭 → 방문 → 전환이라는 선형 깔때기가 있었고, 우리는 그 입구에서 '클릭 수'라는 단일 화폐로 모든 걸 셀 수 있었다. 그런데 AI 답변(ChatGPT, Perplexity, 구글 AI 개요, 네이버 AI 브리핑)이 검색 결과 위에 직접 '완성된 문단'을 띄우기 시작하면서, 사용자는 링크를 누를 이유가 줄었다.

마케터 입장에서 이건 단순한 트래픽 감소가 아니다. 측정의 기준 화폐가 사라진 사건이다. 클릭이 없으면 GA의 세션도, UTM도, 유입 키워드도 잡히지 않는다. 우리 브랜드가 100만 명의 AI 답변에 인용됐어도, 그중 클릭으로 전환된 1%만 분석 도구에 보이고 나머지 99%는 '없었던 일'처럼 사라진다. 측정 가능한 것만 관리하던 그로스 팀에게, 측정 불가능한 영역이 갑자기 자산의 대부분을 차지하게 된 것이다.

비유: 가게 앞을 지나간 사람 vs 들어온 사람

예전 검색이 '간판 보고 가게에 들어온 손님 수'를 세는 일이었다면, 제로클릭은 '가게 앞을 지나가며 점원에게 메뉴를 물어보고 답만 듣고 간 손님'이 폭증한 상황이다. 그 손님은 매출로 직결되진 않았지만, '여기 파스타가 유명하대'라는 인상을 안고 떠났다. 며칠 뒤 친구에게 추천하거나, 직접 가게 이름을 검색해 다시 찾아온다. 들어오지 않았다고 가치가 0이 아니다. 단지 '문 앞 카운터'로는 셀 수 없을 뿐이다. 제로클릭 시대의 브랜드 측정은 이 '들어오지 않은 가치'를 어떻게 숫자로 잡을 것인가의 문제다.

왜 클릭이 사라지는가 — RAG 메커니즘으로 본 근본 원리

측정 방법을 바꾸려면 먼저 'AI가 왜 답을 직접 만들어 클릭을 흡수하는가'를 메커니즘 수준에서 알아야 한다. 그래야 '무엇을 세야 가치가 잡히는지'가 따라 나온다. AI 검색 답변의 엔진은 RAG(Retrieval-Augmented Generation), 즉 검색증강생성이다.

RAG는 2020년 Lewis 등의 연구(arXiv:2005.11401)에서 제시된 구조로, 언어모델이 자기 머릿속에 통째로 외운 지식(파라메트릭 메모리)만 쓰는 대신, 외부 문서를 그때그때 찾아와(비파라메트릭 메모리) 답을 만든다. 작동은 세 단계다.

1. 검색(Retrieval): 질문과 의미가 가까운 문서 조각(청크)을 후보로 끌어온다.
2. 재정렬(Reranking): 끌어온 후보들을 질문과 함께 다시 읽고, 정말 답에 쓸 만한 순서로 다시 줄 세운다.
3. 생성(Generation): 상위 몇 개 조각을 근거로 자연어 답변을 작성하고, 그 안에 출처를 인용한다.

사용자가 보는 건 마지막 '생성된 답변'뿐이다. 클릭이 사라진 게 아니라, 클릭이 RAG 파이프라인 내부로 들어가 버린 것이다. 그러니 브랜드 가치는 '사용자가 우리 링크를 눌렀는가'가 아니라 'RAG의 1~3단계를 우리 콘텐츠가 통과해 최종 답변에 인용됐는가'로 옮겨가야 측정이 성립한다.

1단계 검색: 의미로 찾는다 — 그래서 키워드만으론 안 잡힌다

초기 검색은 단어가 정확히 일치하는지(BM25 같은 키워드 색인)로 문서를 찾았다. 그런데 2020년 Dense Passage Retrieval 연구(Karpukhin 등, arXiv:2004.04906)는 문장을 의미 벡터(임베딩)로 바꿔 '뜻이 가까운' 문서를 찾는 방식이 키워드 매칭(BM25)을 능가함을 보였다. 즉 사용자가 '환불 언제 돼요'라고 물어도, 우리 페이지에 '반품 처리 기간'이라고만 적혀 있어도 의미가 가까우면 후보로 잡힌다.

비유하자면 하이브리드 검색은 '도서관 키워드 색인'과 '주제를 아는 사서'를 같이 쓰는 것이다. 키워드 색인(BM25)은 '환불'이라는 단어가 박힌 책만 정확히 집어내고, 사서(임베딩)는 '환불=반품=교환'이 같은 주제임을 알고 관련 책까지 가져온다. 실제로 공개 벤치마크들을 종합하면 recall@10(상위 10개 안에 정답을 담아오는 비율)이 의미 검색 단독 약 78%, BM25 단독 약 65%인 데 비해, 둘을 RRF로 결합한 하이브리드는 약 91%까지 올라간다. 한쪽만으로는 정답의 5분의 1 이상을 놓친다는 뜻이다.

측정 관점의 함의: 우리 브랜드가 '특정 키워드 1위'여도, 의미 검색에서 후보로 안 잡히면 AI 답변에는 한 줄도 안 나온다. 순위(SEO)와 인용(AEO/GEO)은 다른 화폐다.

2단계 재정렬: 후보를 다시 줄 세운다

검색이 데려온 수십 개 후보 전부가 답에 쓰이진 않는다. 재정렬(cross-encoder reranking)은 질문과 각 후보를 '함께' 읽어 진짜 관련도를 다시 매긴다. 이 단계의 효과는 작지 않다 — 실무 벤치마크에서 NDCG가 5~15포인트, 난도 높은 질의에선 약 20포인트까지 오른다.

Anthropic이 2024년 공개한 Contextual Retrieval 실험은 이 파이프라인의 누적 효과를 깔끔하게 보여준다. 각 청크에 맥락 한 줄을 덧붙이자 검색 실패율이 35% 줄었고(5.7%→3.7%), 여기에 BM25 하이브리드를 더하니 49%, 다시 재정렬을 얹으니 67%까지 실패율이 떨어졌다. 즉 우리 콘텐츠가 후보에 '들어가는 것'과, 재정렬을 '통과하는 것'은 별개의 관문이다.

3단계 생성: 앞과 끝에 있어야 인용된다

마지막 생성 단계에도 측정에 중요한 편향이 있다. 2023년 'Lost in the Middle' 연구(Liu 등, arXiv:2307.03172)는 긴 맥락을 받은 모델이 중간에 있는 정보를 잘 잃어버리고, 맨 앞과 맨 끝 정보를 더 잘 쓴다(U자형 곡선)는 걸 보였다. 우리 콘텐츠가 후보 묶음의 한가운데 묻히면, 검색·재정렬을 통과하고도 최종 답변에선 빠질 수 있다.

정리하면, 제로클릭 시대 브랜드 가치의 '입구'는 클릭이 아니라 RAG 3단계 통과율이다. 그리고 이 통과는 한 번 측정으로 끝나지 않는다 — 다음 장의 비결정성 때문이다.

측정의 두 축: 선행지표(가시성)와 후행지표(결과)

제로클릭 브랜드 측정을 한 줄로 요약하면 이렇다: 가시성은 원인을 설명하는 선행지표, 매출·리드는 결과를 설명하는 후행지표. 둘을 한 화면에 같이 놓아야 'AI 검색이 돈이 됐다'는 인과를 말할 수 있다. 가시성만 보면 허영지표(vanity metric)가 되고, 매출만 보면 무엇을 고쳐야 오르는지 모른다.

한 마케팅 측정 진영(Overdrive 등)이 'CFO식 측정'이라 부르는 원칙이 여기에 정확히 들어맞는다: 가시성은 그 자체가 목표가 아니라, 매출·리드라는 결과를 설명하는 2차 지표다. 그로스 리드라면 가시성 그래프가 올랐다고 보고하지 말고, '가시성 상승 → 브랜드 검색 상승 → 전환 상승'이라는 연쇄를 보여줘야 한다.

선행지표 측정 — SOV(Share of Voice)를 제대로 세는 법

제로클릭의 핵심 선행지표는 SOV, 즉 특정 카테고리의 AI 답변들 중에서 우리 브랜드가 언급되는 비율이다. 예를 들어 '서울 강남 임플란트 잘하는 곳'류 질문 100개를 4개 엔진에 던졌을 때, 우리 치과가 언급된 답변이 23개면 SOV는 23%다.

여기서 그로스 팀이 반드시 통제해야 할 변수가 질문 세트(prompt set)다. 같은 브랜드라도 질문을 어떻게 고르느냐에 따라 SOV가 통째로 달라진다. 유리한 질문만 골라 담으면 SOV는 얼마든지 부풀려진다.

• ❌ 약한 SOV 설계: "Citeon AEO 대행 어때?" 같은 브랜드 지명 질문만 20개 → 당연히 우리만 나옴 → SOV 95% (의미 없음)
• ✅ 강한 SOV 설계: 실제 잠재고객이 던질 비지명 질문 — "AI 검색에서 우리 회사 안 나오는데 어떻게 해야 하나", "GEO 대행사 어디가 잘하나", "ChatGPT 인용 늘리는 방법" — 을 구매 깔때기 단계별로 균형 있게 구성

엔진별로 따로 세야 하는 이유

엔진을 합산하면 메커니즘이 가려진다. 대규모 인용 분석(Profound·Discovered Labs 등)에 따르면 ChatGPT와 Perplexity가 같은 질문에 인용하는 도메인의 중복은 약 11%에 불과하고, 인용의 약 90%가 엔진마다 다르다. 엔진마다 '신뢰하는 출처'의 성향이 다르기 때문이다.

그러니 'AI 검색 SOV 30%'라는 단일 숫자는 의미가 약하다. ChatGPT 45% / Perplexity 12% / Gemini 28% / Claude 8%처럼 쪼개야, '우리는 위키 기반 노출은 강한데 커뮤니티(Reddit)·1차 근거가 약하다'는 처방이 나온다. 엔진 합산 SOV는 보고용일 뿐, 처방은 엔진별 분해에서 나온다.

측정의 함정 ① 비결정성 — 단일 측정은 노이즈다

여기서 제로클릭 측정을 가장 많이 망치는 함정을 짚어야 한다. AI 가시성은 같은 질문을 같은 날 던져도 결과가 흔들린다. 이건 측정 버그가 아니라 LLM의 본질이다. temperature=0(가장 결정적인 설정)으로 맞춰도 GPU 부동소수점 연산 순서와 배치 처리 때문에 출력이 미세하게 달라진다. 한 실험에서는 2,350억 파라미터급 모델에 같은 입력을 1,000번 넣었더니 80가지 서로 다른 출력이 나왔다(6개 모델 480회 실험, arXiv:2602.14349 보고).

측정 관점에서 이게 왜 치명적이냐면, '월요일에 SOV 측정했더니 25%, 화요일에 18%'를 보고 '하루 만에 28% 폭락했다'고 오판하기 때문이다. 실제로는 측정 노이즈 범위 안일 수 있다. AI 가시성의 불확실성을 정량화한 연구(arXiv:2603.08924)는 인용 빈도가 멱법칙(power-law)을 따라 크게 출렁이며, 다중 실행 + 부트스트랩으로 신뢰구간을 잡으라고 권한다.

• ❌ 약한 보고: "이번 주 ChatGPT SOV 22%" (단일 측정 — 노이즈인지 신호인지 알 수 없음)
• ✅ 강한 보고: "ChatGPT SOV 22% ± 4%p (질문 50개 × 3회 실행, 95% 신뢰구간). 지난주 18% ± 4%p와 구간이 겹쳐, 상승은 아직 유의하지 않음"

그로스 팀의 규율: 점(point)이 아니라 구간(interval)으로 말하고, 추세는 여러 주에 걸친 이동평균으로 본다. 단일 측정으로 일희일비하면 노이즈를 쫓다가 진짜 신호를 놓친다.

측정의 함정 ② 프롬프트 볼륨은 실측 불가다

SEO 시대의 키워드 검색량처럼, 'AI에 이 질문이 월 몇 번 입력되나(프롬프트 볼륨)'를 알고 싶은 욕구는 자연스럽다. 하지만 이건 현재 누구도 실측할 수 없다. 시장에 나온 '프롬프트 볼륨' 숫자들은 전체 사용자의 1% 미만 패널을 관찰해 모델링한 추정치다. 검색엔진 회사가 키워드 검색량을 직접 집계하던 것과는 신뢰도 차원이 다르다.

Conductor의 분석은 이를 단호하게 정리한다: "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다(unreliable data is worse than no data)." 가짜 정밀도(false precision)에 예산을 배분하면, 차라리 데이터 없이 직관으로 정했을 때보다 더 나쁜 결정을 하게 된다는 것이다. 제로클릭 측정에서 프롬프트 볼륨은 '참고용 방향성'으로만 쓰고, 의사결정 근거로는 SOV(실제 측정)와 후행지표(실제 결과)를 쓰는 게 정석이다.

후행지표 측정 — 클릭 없이 들어온 가치 잡기

이제 진짜 어려운 쪽, '들어오지 않은 가치'를 결과로 환산하는 법이다. AI 답변에서 인용을 본 사람이 클릭은 안 했지만, 그 인상이 며칠 뒤 행동으로 나타난다. 이걸 잡는 신호는 세 가지다.

1) 브랜드 검색량 상승 (가장 신뢰할 만한 후행지표)

AI 답변에서 'Citeon이 AEO 대행을 한다'를 본 사람은, 나중에 네이버·구글에 직접 'Citeon'을 검색한다. 즉 비지명 AI 노출이 브랜드 지명 검색으로 전환된다. SOV가 오른 주의 2~4주 뒤 브랜드 검색량이 따라 오르는 패턴이 보이면, 그게 AI 가시성이 가치를 만들고 있다는 가장 깨끗한 증거다. 이 지표는 검색엔진이 직접 집계하므로 비결정성도 없다.

2) 다크 트래픽(dark traffic) 분리

AI 답변을 보고 주소창에 직접 타이핑하거나 출처 링크를 눌러 들어오면, GA에는 '직접 유입(direct)' 또는 referrer 없음으로 뭉뚱그려진다. 이게 다크 트래픽이다. 완벽히 분리할 순 없지만, 근사하는 방법이 있다.

• AI 엔진 referrer 추적: chat.openai.com, perplexity.ai, gemini.google.com 등에서 오는 유입을 별도 세그먼트로 분리
• 직접 유입 중 '신규 + 특정 깊은 페이지 첫 진입' 비중 추적(북마크 재방문과 구분)
• AEO 캠페인 전/후의 직접 유입 베이스라인 차이를 증분(incremental)으로 귀인

3) 자기보고형 어트리뷰션 (설문 한 줄)

측정이 안 되는 곳은 직접 물으면 된다. 리드 폼이나 결제 직후에 '어디서 저희를 처음 알게 되셨나요?'를 넣고 'ChatGPT/Perplexity 등 AI 답변' 선택지를 추가한다. 디지털 어트리뷰션이 닿지 못하는 다크 트래픽 영역을, 사람의 기억으로 메우는 보정선이다. 정밀하진 않아도, 0보다 압도적으로 낫다.

전환율은 일반 검색보다 높을 수 있다

한 가지 희소식. 일부 분석에서는 AI 검색을 거쳐 들어온 유입의 전환율이 일반 검색 유입보다 몇 배 높게 나타나기도 한다(구체 수치는 사례마다 편차가 커 단정은 금물). 직관적으로도 그럴듯하다 — AI가 이미 비교·설명을 마친 뒤 '이 브랜드'를 추천받아 온 사람은, 검색 결과 10개 중 하나를 막 누른 사람보다 구매 의도가 무르익어 있다. 그래서 제로클릭 시대엔 '유입량 감소'와 '유입 질 상승'을 같이 봐야 한다. 트래픽은 줄어도 매출 기여는 오를 수 있다.

네이버 제로클릭 — 한국 시장의 별도 전선

한국 그로스 팀은 글로벌 엔진만 봐선 안 된다. 네이버가 빠르게 제로클릭으로 전환 중이기 때문이다. 네이버는 큐:(Cue:)와 클로바X를 2026년 4월 9일 종료하고, AI탭을 2026년 6월 25~26일 전체 정식 출시하며 대화형·에이전틱 검색으로 넘어갔다. 통합검색 결과 위에 요약을 띄우는 'AI 브리핑'은 이미 통합검색 쿼리의 20% 이상에 적용되고 있고, AI 브리핑 인용은 2026년 4월 기준 월 약 3.558억 건에 달한다.

측정 관점에서 흥미로운 건 인용 분포다. 한 표본 분석(272건)에서 AI 브리핑이 인용한 출처의 약 58%가 블로그였고, 약 49%는 통합검색 Top10 밖에 있던 문서였다. 즉 네이버에서도 '검색 순위 1위'와 'AI 인용'은 다른 게임이라는 뜻 — 순위 밖 문서도 절반 가까이 인용된다.

네이버의 인용 로직은 C-Rank(출처 신뢰·전문성), D.I.A.+(문서 의도) 위에 콘텐츠 5원칙(직접 경험·일관된 주제·진정성·읽기 쉬운 구조·최신성)이 얹혀 있다. 또 하나 측정에 중요한 구조적 사실: 네이버는 외부 크롤러를 차단하므로, 글로벌 AI(ChatGPT 등)는 네이버 본문을 직접 못 읽고 나무위키·위키백과·티스토리를 우회해 한국 정보를 가져온다. 그래서 한국 브랜드는 '네이버 내부 가시성'과 '글로벌 AI가 보는 우회 경로 가시성'을 별도로 측정해야 한다.

크롤러 접근 — 측정 이전의 전제 조건

아무리 좋은 측정 체계를 짜도, AI 크롤러가 우리 사이트에 못 들어오면 SOV는 구조적으로 0이다. RAG의 1단계 후보군에 아예 진입하지 못하기 때문이다. 그래서 측정 점검의 0순위는 robots.txt다.

# 주요 AI 크롤러 — 허용해야 RAG 후보 진입 가능
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 # 구글 AI
Allow: /

측정 대시보드에서 SOV가 유독 낮은 엔진이 있으면, 처방을 짜기 전에 그 엔진의 크롤러가 robots.txt에서 막혀 있는지부터 본다. 이건 콘텐츠 품질 문제가 아니라 출입문이 잠긴 문제다.

제로클릭 브랜드 측정 — 그로스 팀 운영 체크리스트

• 선행지표: 엔진별 SOV를 분리 측정(합산 금지). 비지명 질문 세트로, 다중 실행 + 신뢰구간.
• 인용 맥락: 단순 언급 횟수만 세지 말고, 추천/비교/경고 등 '어떤 맥락'으로 인용됐는지 질을 분류.
• 경쟁 대비: 우리 SOV를 절대값이 아니라 카테고리 내 점유율(경쟁사 대비)로 본다.
• 후행지표: 브랜드 검색량(주력) + AI referrer 유입 + 직접 유입 증분 + 설문 자기보고.
• 연쇄 검증: 'SOV 상승 → 2~4주 후 브랜드 검색 상승 → 전환 상승'의 시차 상관을 본다.
• 전제 점검: robots.txt에서 AI 크롤러 허용 여부를 정기 점검(측정 0순위).
• 비결정성 규율: 단일 측정으로 보고하지 않는다. 추세는 이동평균.

Citeon은 이 원리를 제품에 담았다

지금까지의 측정 프레임은 도구 하나로 끝나지 않는다 — 측정만 하고 멈추면 SOV 그래프는 허영지표가 된다. Citeon은 측정에서 처방, 실행, 매출 어트리뷰션까지를 하나로 잇는다.

• 4엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude를 엔진별로 분리 측정한다. 앞서 본 대로 엔진마다 인용 성향(위키 vs Reddit vs 1차 근거)이 달라, 합산이 아니라 분해해야 처방이 나오기 때문이다.
• 주간 모니터 추이: 단일 측정의 노이즈를 피하려 추이로 본다. 비결정성을 점이 아닌 흐름으로 다루는 설계다.
• 사이트 진단엔진: URL을 넣으면 SEO·AEO·GEO 점수와 한국어 처방을 내놓는다. 크롤러 접근·콘텐츠 구조 등 RAG 후보 진입의 전제 조건부터 점검한다.
• 경쟁사 역추적: 우리 SOV를 카테고리 내 점유율로 보기 위해, 경쟁사가 어떤 콘텐츠로 인용을 가져가는지 역설계한다.

제로클릭 시대에 '들어오지 않은 가치'를 방치할지, 숫자로 잡아 매출까지 이을지는 측정 체계가 가른다. Citeon 무료 AI 가시성 진단(₩0)으로 우리 브랜드가 4개 엔진에서 지금 어떻게 인용되고 있는지부터 확인해보길 권한다.

자주 묻는 질문 (FAQ)

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