AI 검색 시대, 브랜드는 무엇을 이해하고 준비해야 하는가
지난 2월 25일, 티타임즈가 주최한 AI Commerce & Marketing Summit에서 키노트 발표를 진행했습니다. "노출이 아니라 호출이 지배하는 AI 쇼핑의 시대"를 주제로 한 이번 서밋에서, AI 검색 환경의 구조적 변화와 브랜드가 준비해야 할 실질적인 대응 전략을 공유했습니다.
이번 글에서는 발표에서 다룬 핵심 내용을 정리합니다.
GEO(Generative Engine Optimization)의 개념부터 AI 검색의 작동 원리, 프롬프트 기반의 사용자 쿼리 분석, 그리고 브랜드가 준비해야 할 콘텐츠 전략과 성과 관리 체계까지 — AI 검색 대응을 고민하는 마케팅 실무자와 의사결정자를 위한 가이드입니다.
SEO vs. GEO: 대체가 아닌 공존
최근 "SEO 시대는 끝났다, 이제는 GEO 시대"라는 논의가 활발합니다. 그러나 데이터를 살펴보면 현실은 다릅니다. 2025년 4월 기준 Google의 월평균 순방문자 수는 7억 2,540만 명, ChatGPT는 2억 3,670만 명입니다. 주목할 점은 두 플랫폼 사용자의 98.1%가 중복 사용자라는 사실입니다(Aleyda Solis, 2025.05). Google vs. ChatGPT가 아닌 Google & ChatGPT로 봐야 하는 이유입니다.
검색의 형태는 분명 변하고 있지만, 검색 수요 자체가 사라지는 것은 아닙니다. SEO 시대에는 Trigger에서 Moment of Purchase까지의 Digital Touch Points가 주로 Google 중심이었다면, AI 검색 시대에는 Google과 ChatGPT, Gemini, Perplexity 등이 혼재된 환경에서 브랜드가 발견되어야 합니다.
SEO와 GEO는 대체 관계가 아니라 공존 관계입니다. 기존 검색 최적화를 유지하면서 AI 검색 대응을 병행하는 투트랙 접근이 필요합니다.
검색엔진은 정보의 중계자, Gen AI는 정보의 제공자라는 역할 차이를 이해하는 것이 전략 설계의 출발점입니다.
GEO란 무엇인가: 기계가 선택하도록 만드는 최적화
GEO(Generative Engine Optimization)는 전통적 검색뿐만 아니라 AI가 생성하는 요약 답변에도 우리 콘텐츠가 포함되도록 최적화하는 전략입니다. 기존 SEO가 "기계가 찾도록 만드는 최적화"였다면, GEO는 "기계가 선택하도록 만드는 최적화"까지 포괄합니다.
검색엔진과 Gen AI 모델 모두 Transformer 기반의 벡터화와 코사인 유사도를 활용해 쿼리와 문서 간 관련성을 판단합니다. 이 기술은 Google이 시멘틱 검색으로 전환하던 시점에 Word2Vec으로 이미 소개된 개념입니다. 차이점은 Gen AI 모델이 관련성 검증 이후 답변 생성(Generating Answer) 단계를 추가로 수행한다는 것입니다.
이를 종합하면, GEO는 단일 영역이 아닌 복합적 프레임워크입니다. iPullrank(SMX Advanced, 2025.06)가 제시한 프레임워크에 따르면, GEO는 Information Retrieval(콘텐츠를 찾는 기술적 메커니즘), User Experience(사용자와 AI 모두의 이해 용이성), Content Strategy(사용자 쿼리에 콘텐츠로 응답할 준비), Digital PR(신뢰성과 인용 가능성 확보, E-E-A-T), 그리고 AI 생성형 모델의 작동 방식을 고려한 설계가 통합적으로 필요합니다.
사용자 프롬프트의 구조 변화와 타겟 전략
AI 검색에서 사용자의 쿼리 방식은 근본적으로 달라집니다. 기존 검색엔진에서는 Navigational, Informational, Transactional, Conversational 키워드가 각각 분리되었지만, AI 검색에서는 이 모든 의도가 하나의 자연어 프롬프트에 복합적으로 담깁니다. Google I/O에서 언급된 Super-Long 프롬프트가 대표적입니다.
예를 들어 "I need a TV for my PS5 console, performance is important but I would like to find TVs with high display quality, matte screen, suggest 2 TVs from Samsung and LG only with best deal provider"라는 프롬프트에는 제품 카테고리, 성능 요건, 디스플레이 특성, 브랜드 지정, 구매처 요청이 모두 포함됩니다. AI는 이를 분석해 "75 inch gaming TV Samsung review", "75 inch gaming TV LG gaming review" 등의 서브 쿼리로 분해하여 검색합니다.
여기서 중요한 것은 타겟 가능한 프롬프트의 범위를 파악하는 것입니다.
ChatGPT 프롬프트 분석 결과, TV 관련 1,392개 프롬프트 중 브랜드/제품이 언급되는 비율은 38%, 모니터 관련 1,259개 프롬프트에서는 19%에 불과했습니다. 브랜드가 직접 언급되지 않는 프롬프트에서 어떻게 선택받을 것인가가 GEO 전략의 핵심 과제입니다.
AI 플랫폼별 인용 소스도 다릅니다. Search Engine Land의 8,000개 AI 인용 분석에 따르면, ChatGPT는 Wikipedia, 글로벌 뉴스, 블로그를 주로 인용하고, Gemini는 YouTube, 블로그, 뉴스를, Perplexity는 블로그/에디토리얼, 뉴스, 전문가 리뷰를 선호합니다. TV 카테고리에서 ChatGPT는 Tech Review 사이트를, Gemini는 Brand 공식 사이트를 가장 많이 인용하는 등 플랫폼별 차이가 뚜렷합니다.
적용 가이드:
사용자의 검색 프롬프트 대응을 위해 서브 쿼리를 이해하고 함께 관리하는 것이 중요합니다.
타겟 가능한 프롬프트 범위를 확인하여 관리 가능한 프롬프트 풀을 세팅해야 합니다.
Gen AI 플랫폼별 소스 타입(콘텐츠 타입) 분석에 기반한 콘텐츠 전략 수립이 필요합니다.
AI 검색 대비: 진단에서 콘텐츠 최적화까지
GEO를 실행한다는 것은 곧 AI 검색 결과 내에서 브랜드와 제품이 언급(Mention) 혹은 인용(Citation) 되는 것을 의미합니다. 이를 위해서는 체계적인 진단이 선행되어야 합니다.
진단은 네 가지 영역으로 구성됩니다. AI Visibility Check(타겟 프롬프트 및 콘텐츠 컨셉 점검), Site Tech Audit(접근성, 렌더링 가능 여부, 중복 콘텐츠 관리), Site Content Audit(Chunk-ability, Entity Clarity, Contents Structure), Earned Media Check(MPR, Social Listening)입니다. 진단 결과에 따라 콘텐츠 관련성 최적화, PR 집중, SEO 최적화 등 우선순위가 달라집니다.
콘텐츠 최적화의 핵심은 "우리 것을 인용해도 괜찮다"는 시그널을 주는 설계입니다. Princeton 대학과 IIT Delhi의 공동 연구(ACM SIGKDD 2024)에 따르면, AI가 인용하는 콘텐츠의 주요 특성은 구조화된 데이터(JSON-LD, Microdata), 짧고 명확한 문장과 문단, 통계와 출처 인용, 전문 용어의 적절한 사용, FAQ 및 요약글 포함 등입니다.
플랫폼별로는 ChatGPT가 최신 콘텐츠와 백과사전식 어조(평균 2,800단어)를, Perplexity가 90일 이내 콘텐츠와 커뮤니티 톤을, Google AI Overviews가 E-E-A-T 기반의 구조화된 콘텐츠를 선호하는 경향이 있습니다.
성과 관리: Rank에서 Retrieval로의 전환
기존의 Organic Traffic, CTR, KW Ranking 등의 지표만으로는 AI 검색 환경에서의 최적화 성과를 온전히 반영하기 어렵습니다. Zero-click 검색 증가, 다양한 SERP Feature로 인해 1등이 실질적 1등이 아닌 상황, 낮은 Cookie 동의율(평균 30%) 등이 전체 성과 해석을 어렵게 합니다.
AI 모델의 Retrieve & Grounding 과정에 기반한 새로운 지표 체계가 필요합니다. Content Preparation 단계의 AI Model Crawl Success Rate, Indexing & Embedding 단계의 Vector Index Presence Rate와 Embedding Relevance Score, Retrieval Pipeline 단계의 Chunk Retrieval Frequency, 그리고 Attribution/Output 단계의 AI Attribution Rate와 AI Citation Count 등이 그것입니다.
특히 Gen AI 검색 결과는 변동성이 높아 "노출 → 유지" 구조를 띠지 않습니다. Search Engine Land의 분석에 따르면, Claude에 동일 질문을 했을 때 같은 브랜드 목록이 2회 이상 동일하게 나올 확률은 1,429분의 1, Google AI에서도 124분의 1 수준입니다. 따라서 특정 시점의 순위가 아닌, 짧은 기간 단위의 지속적인 노출 누적 비율(Visibility Rate)로 성과를 판단해야 합니다.
현 시점에서 단일 상용 모니터링 툴만으로 브랜드에 최적화된 AI Monitoring 환경을 구축하기에는 제한적입니다. 프롬프트 리서치, AI 검색 모니터링, AI 답변 분석을 아우르는 단계적 고도화 전략이 필요합니다.
결론: 유행하는 옷이 나에게 맞는 옷은 아니다
GEO는 새로운 유행어가 아닌, 검색 환경 변화에 대한 구조적 대응입니다. 모든 브랜드에 동일한 GEO 전략이 적용되는 것은 아닙니다. 이번 발표에서 강조한 세 가지 핵심은 다음과 같습니다.
- 관리 가능한 프롬프트 풀 준비: 브랜드와 관련된 타겟 프롬프트를 체계적으로 수집하고 관리하는 것이 GEO의 출발점입니다.
- 진단 기반의 Weak Area 정의: 현재 브랜드의 AI 검색 수준을 파악하고, 결과에 맞는 실행 가능한 액션 아이템을 수립해야 합니다.
- 브랜드에 맞는 성과관리 플랫폼 설계: 범용적 툴에 의존하기보다, 비즈니스 가치와 Gen AI 구조를 고려한 자체 성과 지표 체계가 필요합니다.
검색의 형태는 변하고 있지만, 사용자가 정보를 찾고 의사결정을 내리는 본질은 변하지 않습니다. SEO를 기반으로 하되, AI가 선택하는 콘텐츠가 되기 위한 전략적 확장 — 그것이 GEO의 본질입니다.
