제로클릭 시대, 브랜드는 어떻게 기억되는가

제로클릭 시대에 브랜드가 기억되는 방법은 단 하나입니다. 사용자가 링크를 누르지 않아도 AI가 답변을 생성하는 그 순간, 당신의 브랜드가 '근거 문장'으로 인용되도록 콘텐츠를 설계하는 것입니다. 클릭이 사라진 게 아니라, 클릭 이전 단계인 '검색 결과 화면'이 곧 '최종 답변'이 되어버렸기 때문입니다. 이 글에서는 왜 그런 변화가 일어났는지를 AI 검색의 내부 동작(RAG: 검색→재정렬→생성)으로 끝까지 파고들고, 브랜드가 그 답변 안에 남기 위해 실제로 무엇을 바꿔야 하는지를 약한 예와 강한 예로 대조해 보여드리겠습니다.

제로클릭은 '트래픽의 죽음'이 아니라 '기억 장소의 이동'이다

제로클릭(zero-click)이란 사용자가 검색을 하고도 어떤 링크도 클릭하지 않고 화면 위에서 바로 답을 얻는 현상을 말합니다. 예전에는 '서울 강남 치과 추천'을 검색하면 파란 링크 열 개가 떴고, 사용자는 그중 하나를 눌러 우리 사이트로 들어왔습니다. 지금은 ChatGPT나 Perplexity, 구글 AI 개요, 네이버 AI 브리핑이 "강남에서 평이 좋은 치과로는 A, B, C가 있습니다"라고 문장으로 답해버립니다. 사용자는 만족하고, 클릭은 일어나지 않습니다.

많은 마케터가 여기서 "그럼 우리 트래픽은 어떻게 되나"라고 절망합니다. 하지만 관점을 바꿔야 합니다. 클릭이 사라진 게 아니라, 브랜드가 기억되는 '장소'가 우리 사이트 방문에서 AI의 답변 문장 속으로 옮겨간 것입니다. 옛날에는 사람이 우리 가게에 직접 와봐야 우리를 기억했다면, 이제는 동네에서 가장 신뢰받는 사람(AI)이 "거기 괜찮더라"라고 한마디 해주는 것이 곧 기억의 시작입니다.

실제로 네이버의 경우 AI 브리핑(검색 결과 요약)이 통합검색 쿼리의 20% 이상에 이미 적용되고 있고, 2026년 4월 한 달 동안 AI 브리핑이 출처를 인용한 횟수만 약 3억 5,580만 건에 달했습니다. 한 표본 분석(272건)에서는 이 인용 출처의 약 58%가 블로그였고, 흥미롭게도 인용된 출처의 약 49%가 기존 검색 상위 10위 '밖'에 있던 문서였습니다. 즉, 검색 1페이지에 없어도 AI는 당신을 인용할 수 있다는 뜻이며, 동시에 1페이지에 있어도 인용 안 될 수 있다는 뜻이기도 합니다. 게임의 규칙이 '순위'에서 '인용 적합성'으로 바뀐 것입니다.

왜 AI는 특정 브랜드만 답변에 넣는가 — RAG의 3단계를 열어보자

핵심 질문은 이것입니다. "수많은 콘텐츠 중에서 AI는 왜 하필 그 브랜드를 골라 답변에 넣을까?" 이 답을 알려면 AI 검색의 엔진룸인 RAG(Retrieval-Augmented Generation)를 이해해야 합니다. RAG는 2020년 Lewis 등의 연구(arXiv:2005.11401)에서 정식화된 개념으로, 모델이 자기 머릿속 지식(파라메트릭 메모리)만 쓰는 게 아니라 외부 문서를 실시간으로 찾아와(비파라메트릭 메모리) 그 근거 위에서 답을 만든다는 구조입니다. 이 구조 때문에 '어떤 문서가 근거로 뽑히느냐'가 브랜드 운명을 가릅니다.

RAG는 크게 세 단계로 움직입니다. 비유하자면 거대한 도서관에서 질문에 답하는 과정과 같습니다.

1단계 — 검색(Retrieval): 사서가 후보 책을 한 아름 뽑아온다

사용자가 질문하면 시스템은 먼저 수많은 문서 중 관련 있어 보이는 후보를 수십 개 끌어옵니다. 이때 두 가지 방식이 섞입니다. 하나는 키워드가 정확히 겹치는 문서를 찾는 BM25(어휘 검색)이고, 다른 하나는 단어가 달라도 의미가 통하는 문서를 찾는 임베딩 기반 의미 검색(Dense Retrieval)입니다. 2020년 Karpukhin 등의 Dense Passage Retrieval 연구(arXiv:2004.04906)는 의미 검색이 전통적 키워드 검색을 능가할 수 있음을 보였습니다.

비유하자면 이렇습니다. BM25는 책 뒤편의 '색인(index)'을 보고 정확한 단어가 적힌 페이지를 찾는 사서입니다. 의미 검색은 그 주제가 무엇인지 '이해하고' 단어가 달라도 관련된 책을 가져오는 사서입니다. 둘 중 하나만 쓰면 한쪽 눈이 멉니다. 그래서 둘을 합친 하이브리드 검색이 표준이 되었습니다. 공개 벤치마크들을 종합하면 의미 검색 단독의 recall@10(상위 10개 안에 정답이 들어올 확률)은 약 78%, BM25 단독은 약 65%인 반면, 둘을 합친 하이브리드(RRF 방식)는 약 91%까지 올라갑니다. 도서관 색인과 주제를 아는 사서를 함께 쓰면 원하는 책을 놓칠 확률이 확 줄어드는 것과 같습니다.

여기서 브랜드에게 주는 교훈은 명확합니다. AI가 우리 문서를 '후보'로조차 뽑지 못하면 그 뒤 단계는 의미가 없습니다. 그리고 후보로 뽑히려면 일단 AI 크롤러가 우리 사이트를 읽을 수 있어야 합니다.

# robots.txt — 이 봇들을 막아두면 후보 진입 자체가 불가능
User-agent: GPTBot          # OpenAI 학습/검색
User-agent: OAI-SearchBot   # ChatGPT 검색
User-agent: PerplexityBot   # Perplexity
User-agent: ClaudeBot       # Anthropic
User-agent: anthropic-ai    # Anthropic
User-agent: Google-Extended # 구글 Gemini/AI 개요
Allow: /

의외로 많은 기업이 보안이나 트래픽 우려로 이 봇들을 막아둔 채 "우리는 왜 AI에 안 나오죠?"라고 묻습니다. 문을 잠가놓고 손님이 안 온다고 하는 격입니다.

2단계 — 재정렬(Reranking): 가져온 책을 질문과 나란히 놓고 다시 줄 세운다

1단계에서 뽑은 수십 개 후보는 아직 거칠게 추려진 상태입니다. 2단계 재정렬은 각 후보를 '질문과 함께' 정밀하게 읽어서 진짜 관련 높은 순서로 다시 줄을 세웁니다. 이를 담당하는 cross-encoder는 질문과 문서를 한 쌍으로 통째로 읽기 때문에 1단계보다 훨씬 정확합니다. 실무 측정에서 재정렬은 검색 품질 지표 NDCG를 5~15포인트(난도가 높으면 20포인트 가까이) 끌어올립니다.

비유하자면, 사서가 일단 관련 있어 보이는 책 30권을 책상에 쌓아두면(1단계), 전문가가 질문을 손에 들고 한 권씩 펼쳐보며 "이건 질문에 직접 답하네, 이건 변죽만 울리네" 하고 다시 순위를 매기는 것(2단계)입니다. Anthropic이 2024년 공개한 Contextual Retrieval 연구는 이 효과를 정량적으로 보여줍니다. 청크에 맥락을 덧붙이면 검색 실패율이 35% 줄고(5.7%→3.7%), 여기에 BM25 하이브리드를 더하면 49%, 재정렬까지 얹으면 실패율이 67% 감소했습니다. 그리고 이들은 최종적으로 상위 20개(top-20)를 모델에 넘기는 것을 권장합니다.

브랜드 입장에서 재정렬을 통과하려면, 우리 문서가 '특정 질문에 직접 답하는' 형태여야 합니다. 두루뭉술한 회사 소개문은 어떤 질문과도 강하게 매칭되지 않아 재정렬에서 밀려납니다.

3단계 — 생성(Generation): 작가가 상위 책만 보고 답을 쓴다

마지막으로 LLM은 재정렬을 통과해 넘어온 상위 문서들만 읽고 답변을 씁니다. 이때 결정적으로 중요한 함정이 하나 있습니다. 2023년 Liu 등의 'Lost in the Middle' 연구(arXiv:2307.03172)는, 긴 맥락을 받은 모델이 앞부분과 끝부분의 정보는 잘 기억하지만 중간에 낀 정보는 성능이 U자 곡선처럼 뚝 떨어진다는 사실을 밝혔습니다.

이건 사람과 똑같습니다. 회의에서 20명이 발언하면 우리는 첫 발언자와 마지막 발언자만 또렷이 기억하고 중간은 흐릿하죠. 그래서 콘텐츠는 핵심 결론을 문서 맨 앞(또는 각 단락 첫 문장)에 두는 '직답 구조'가 유리합니다. 이 글이 첫 문장에서 결론부터 말한 이유도 바로 이것입니다.

정리하면, 브랜드가 AI 답변에 인용되려면 세 관문을 모두 통과해야 합니다.

RAG 단계	도서관 비유	브랜드가 탈락하는 이유	통과 조건
검색 (Retrieval)	사서가 후보 책을 뽑아옴	크롤러 차단, 의미·키워드 매칭 약함	크롤러 허용 + 하이브리드 매칭되는 명확한 주제
재정렬 (Reranking)	질문과 책을 나란히 놓고 재배열	질문에 직접 답하지 않는 두루뭉술한 글	구체적 질문에 1:1로 답하는 구조
생성 (Generation)	상위 책만 보고 답 작성	핵심이 글 중간에 묻힘(Lost in the Middle)	결론을 앞·끝에 배치한 직답형 문장

그래서 '인용되는 문장'은 어떻게 쓰는가 — 약한 예 vs 강한 예

이론을 실전으로 옮겨봅시다. 2023년 Aggarwal 등의 GEO 연구(arXiv:2311.09735, KDD 2024)는 생성 엔진에서의 콘텐츠 가시성을 끌어올리는 구체적 방법을 실험했습니다. 통계 수치 추가, 출처 인용, 전문가의 직접 인용문 추가 같은 기법이 특정 조건에서 생성 엔진 가시성을 최대 약 40%까지 높였습니다. 핵심은 'AI가 그대로 가져다 쓰기 좋은 문장'을 만드는 것입니다. AI는 검증 가능하고 구체적인 문장을 신뢰하고 인용합니다.

① 수치로 못 박기

❌ 약한 예: "저희 제품은 많은 고객에게 좋은 반응을 얻고 있습니다."
✅ 강한 예: "2026년 1분기 재구매율은 38%로, 도입 전(21%) 대비 17%포인트 상승했습니다."

약한 문장은 어떤 질문과도 강하게 매칭되지 않고, 매칭돼도 AI가 인용할 '사실'이 없습니다. 강한 문장은 "이 제품 재구매율 얼마나 돼?"라는 질문에 그대로 답이 됩니다.

② 질문을 제목으로, 답을 첫 문장으로

❌ 약한 예: 제목 "혁신적인 솔루션의 새로운 패러다임" → 본문이 회사 비전부터 장황하게 시작.
✅ 강한 예: 제목 "전기차 배터리 교체 비용은 얼마인가?" → 첫 문장 "국산 전기차 배터리 교체 비용은 2026년 기준 약 1,200만~2,000만 원입니다."

사용자의 실제 질문(쿼리)과 제목이 일치하면 검색 단계에서 강하게 잡히고, 첫 문장 직답은 생성 단계의 'Lost in the Middle'을 정면으로 피합니다.

③ 출처와 인용문으로 신뢰 신호 주기

❌ 약한 예: "업계에서는 이 방식이 효과적이라고 알려져 있습니다."
✅ 강한 예: "한국소비자원 2025년 조사에 따르면 응답자의 64%가 이 방식을 선호했으며, 식품영양학과 김OO 교수는 '단기 효과는 분명하다'고 평가했다."

특히 Anthropic의 Claude는 근거가 약한 콘텐츠를 보수적으로 걸러내는 성향이 있고 Citations API로 출처를 명시하는 구조를 갖췄습니다. 출처 없는 주장은 보수적인 엔진에서 통째로 탈락할 수 있습니다.

엔진마다 '기억하는 방식'이 다르다 — 한 우물만 파면 안 되는 이유

여기서 많은 브랜드가 놓치는 진실이 있습니다. AI 검색은 하나가 아니라 여럿이고, 각자 기억하는 출처가 다릅니다. 대규모 인용 분석에 따르면 ChatGPT와 Perplexity가 인용하는 도메인의 중복은 약 11%에 불과하고, 인용의 약 90%가 엔진마다 서로 다릅니다. ChatGPT는 위키백과를 약 47.9% 비중으로 인용하는 반면, Perplexity는 Reddit을 약 46.7% 비중으로 인용합니다(출처: Profound/Discovered Labs 등 분석).

비유하자면, 한 동네에 다섯 명의 '소문 전달자'가 있는데 각자 정보를 얻는 곳이 다른 셈입니다. 한 사람은 도서관(위키)만 믿고, 한 사람은 동네 카페 수다(커뮤니티)를 믿습니다. 한 곳에서만 평판을 쌓으면 나머지 네 명의 입에는 오르지 못합니다.

엔진	기억하는 곳(성향)	브랜드 시사점
ChatGPT	위키백과·커뮤니티 비중 높음	구조적·백과사전형 정보, 엔티티 정리
Gemini	구글 색인 + E-E-A-T(경험·전문성·권위·신뢰)	구글 SEO 자산과 저자 권위가 그대로 영향
Claude	근거 약한 콘텐츠 보수적 필터링, Citations	출처·검증 가능한 사실 필수
Perplexity	실시간 웹 + 인라인 인용, 커뮤니티	최신성과 실사용 후기·토론
Grok	실시간 웹 + X 스트림	실시간성·소셜 화제성(인용 정확도 편차 있음)

한국 시장의 특수 전선 — 네이버라는 별도 우주

글로벌 엔진 전략만으로는 한국 시장의 절반을 놓칩니다. 네이버는 2026년 4월 9일 큐:(Cue:)와 클로바X를 종료하고, 2026년 6월 25~26일 대화형·에이전틱 'AI탭'을 전체 정식 출시하며 검색 경험을 다시 짰습니다. 네이버는 외부 AI 크롤러를 차단하기 때문에, 글로벌 AI들은 네이버 본문 대신 나무위키·위키백과·티스토리 같은 우회 경로로 한국 정보를 학습합니다. 즉 네이버용 전략과 글로벌용 전략을 따로 짜야 한다는 뜻입니다.

네이버의 알고리즘은 출처의 신뢰·전문성을 보는 C-Rank와 문서의 의도를 보는 D.I.A.+ 위에서 작동합니다. 네이버가 공식적으로 강조하는 좋은 콘텐츠 5원칙은 명확합니다.

직접 경험: 실제 해보고 쓴 글(체험·후기·과정)
일관된 주제: 한 블로그가 한 분야를 꾸준히 다룸
진정성: 광고성 복붙이 아닌 솔직한 정보
읽기 쉬운 구조: 소제목·목록·핵심 강조
최신성: 오래된 정보의 갱신

네이버는 이 방향을 보상으로도 밀고 있습니다. '네이버 메이트' 창작자 보상은 기본 월 30만 원 수준에서 분야 1위권은 월 1,000만 원 수준까지 책정됩니다. 양질의 1차 콘텐츠를 가진 브랜드에게는 큰 기회입니다.

그런데 '기억됐는지' 어떻게 측정하나 — 가장 위험한 함정

여기서 냉정해져야 합니다. AI 가시성 측정은 생각보다 훨씬 불안정합니다. 같은 질문을 같은 모델에 던져도 답이 매번 다릅니다. temperature=0(가장 결정적인 설정)에서도 GPU 연산·배치 처리 특성 때문에 출력이 흔들립니다. 한 실험에서는 2,350억 파라미터 규모 모델에 동일 입력을 1,000번 넣었더니 80가지 출력이 나왔습니다. 별도의 AI 가시성 불확실성 연구(arXiv:2603.08924)는 인용 빈도가 멱법칙(power law)처럼 크게 출렁이므로, 다중 실행과 부트스트랩 신뢰구간으로 측정해야 한다고 권고합니다. 단일 측정값은 사실상 노이즈입니다.

비유하자면, 한 번 주사위를 던져 5가 나왔다고 "이 주사위는 5가 나오는 주사위"라고 말하면 안 되는 것과 같습니다. 여러 번 던져 분포를 봐야 합니다.

❌ 약한 측정: "어제 ChatGPT에 물어보니 우리가 1등으로 나왔어요. 우리가 1위입니다!"
✅ 강한 측정: "같은 질문 세트를 여러 차례 반복 측정한 결과, 우리 브랜드 언급 비율(SOV)은 4개 엔진 평균 31%였고 주별 추이는 상승세입니다."

또 하나 경계할 것이 있습니다. 일부 도구가 파는 'AI 프롬프트 검색량' 수치입니다. 실제 프롬프트 볼륨은 측정 불가능하며, 시장의 1% 미만 패널을 모델링한 추정치입니다. Conductor는 "신뢰할 수 없는 검색량 데이터는 없는 것보다 나쁘다"고 단언합니다. 측정의 정직함이 전략의 정직함을 결정합니다.

그래서 의미 있는 지표는 SOV(Share of Voice, 카테고리 AI 답변 중 우리 브랜드가 언급된 비율)입니다. 단, 질문 세트(어떤 질문들로 측정하느냐)가 결과를 좌우하므로 질문 선정이 곧 측정의 신뢰도입니다. 그리고 엔진별 점수를 하나로 뭉뚱그리면 "어느 엔진에서 왜 졌는지"라는 메커니즘이 가려지므로, 엔진별로 쪼개 봐야 합니다. 궁극적으로 가시성은 그 자체가 목적이 아니라 매출·리드라는 결과를 설명하는 2차 지표(선행 지표)로 다뤄야 합니다.

제로클릭 시대의 풀퍼널 — 인용에서 매출까지

"클릭이 없으면 매출도 없는 것 아닌가?"라는 의문은 자연스럽습니다. 그러나 일부 분석에서는 AI 검색을 거쳐 들어온 유입의 전환율이 일반 검색 유입보다 몇 배 높게 나타나기도 합니다(구체 수치는 케이스마다 다릅니다). 왜일까요? AI가 이미 비교·검증을 끝낸 '추천'을 받고 오는 사람은, 막연히 검색하다 들른 사람보다 구매 의사가 훨씬 무르익은 상태이기 때문입니다. 친구가 "거기 진짜 좋아"라고 강하게 추천한 가게에 가는 사람과, 지나가다 우연히 본 가게에 들른 사람의 구매 확률 차이를 떠올리면 됩니다.

그래서 제로클릭 전략은 단계로 나뉩니다. ① AI 답변에 인용되게 만들고(가시성), ② 그중 일부가 실제로 방문하게 하고, ③ 그 방문을 전환·매출로 연결합니다. 가시성만 측정하고 끝내면 '기억됐는데 안 팔리는' 함정에 빠집니다.

Citeon은 이 원리를 제품에 담았다

지금까지의 이야기를 실행으로 옮기려면 두 가지가 필요합니다. 첫째, 내 사이트가 RAG의 세 관문(검색·재정렬·생성)을 통과할 상태인지 진단하는 것. 둘째, 여러 엔진에서 내가 실제로 인용되는지를 노이즈를 걷어내고 추적하는 것입니다. Citeon은 바로 이 두 가지를 제품으로 만들었습니다.

4개 엔진 인용 측정(SOV): ChatGPT·Gemini·Perplexity·Claude 각각에서 브랜드 언급 비율을 측정합니다. 앞서 본 대로 엔진마다 인용 출처가 90% 가까이 다르기 때문에, 합산이 아니라 엔진별로 따로 봐야 어디서 왜 졌는지가 드러납니다.
사이트 진단 엔진: URL을 넣으면 SEO·AEO·GEO 관점에서 점수를 내고, 크롤러 허용 여부·직답 구조·신뢰 신호 같은 항목을 한국어 처방으로 돌려줍니다.
경쟁사 역추적: AI 답변에서 나 대신 인용되는 경쟁사가 무엇을 잘하고 있는지 역으로 분석합니다.
주간 모니터 추이: 단일 측정은 노이즈이므로, 주 단위로 반복 측정해 추세선으로 봅니다. "오늘 1등"이 아니라 "4주간 우상향"을 봅니다.

가장 먼저 할 일은 내 사이트가 지금 AI에게 어떻게 보이는지 아는 것입니다. Citeon 무료 진단(₩0)으로 내 URL의 SEO·AEO·GEO 점수와 한국어 처방 리포트를 받아보세요. 제로클릭 시대에 기억되는 브랜드의 첫 페이지가 거기서 열립니다.

자주 묻는 질문 (FAQ)

제로클릭이 늘면 우리 웹사이트 트래픽은 그냥 사라지나요?

트래픽의 절대량은 줄 수 있지만, 남는 트래픽의 '질'은 올라가는 경향이 있습니다. AI가 이미 비교·추천을 끝낸 뒤 방문하는 사용자는 구매 의사가 높아, 일부 분석에서는 AI 검색 유입의 전환율이 일반 검색보다 몇 배 높게 나타나기도 합니다. 핵심은 '방문 수'에서 'AI 답변 속 인용'으로 측정 대상을 옮기고, 인용→방문→매출의 풀퍼널로 보는 것입니다.

검색 순위 1페이지에 있는데도 AI 답변에 인용이 안 됩니다. 왜인가요?

AI 인용은 '순위'가 아니라 RAG의 재정렬·생성 단계를 통과하는 '인용 적합성'으로 결정되기 때문입니다. 한 네이버 표본 분석에서는 AI가 인용한 출처의 약 49%가 검색 상위 10위 밖이었습니다. 두루뭉술한 글은 순위가 높아도 특정 질문에 직접 답하지 못해 재정렬에서 밀립니다. 제목을 실제 질문으로, 첫 문장을 직답으로 바꾸고 수치·출처를 더하면 인용 확률이 올라갑니다.

ChatGPT에서만 잘 나오면 충분하지 않나요?

충분하지 않습니다. 대규모 분석에서 ChatGPT와 Perplexity가 인용하는 도메인의 중복은 약 11%에 불과하고, 인용의 약 90%가 엔진마다 다릅니다. ChatGPT는 위키백과를, Perplexity는 Reddit을 높은 비중으로 인용하는 등 '기억하는 곳'이 제각각입니다. 엔진별로 전략을 나눠야 하고, 측정도 엔진별로 쪼개 봐야 합니다.

'AI에 한 번 검색해보니 우리가 1등'이면 1위 맞나요?

아닙니다. temperature=0에서도 결과가 흔들리며, 한 실험에서는 동일 입력 1,000회에 80가지 출력이 나왔습니다. 단일 측정은 노이즈에 가깝습니다. 같은 질문 세트를 여러 차례 반복 측정하고 추세로 봐야 합니다. 또 '프롬프트 검색량' 같은 추정 수치는 시장 1% 미만 패널 모델링이라 과신하면 위험합니다.

네이버 전략과 글로벌 AI 전략을 따로 짜야 하나요?

네. 네이버는 외부 AI 크롤러를 차단하고 C-Rank·D.I.A.+ 기반으로 직접경험·일관주제·진정성·읽기쉬운구조·최신성의 5원칙을 봅니다. 반면 글로벌 엔진은 robots.txt 허용과 RAG 적합성을 봅니다. 글로벌 AI는 네이버 본문을 못 읽어 나무위키·위키백과·티스토리로 우회 학습하므로, 두 전선을 별도로 관리해야 합니다.