양용준SEO/GEO 전략 컨설턴트
업데이트 · 최초 게시
GEO(Generative Engine Optimization, 생성형 엔진 최적화)는 ChatGPT·Perplexity·구글 AI 오버뷰처럼 답을 직접 생성하는 검색에서 내 콘텐츠가 근거로 인용되도록 최적화하는 일입니다. 검색 결과 10개 링크 중 몇 번째에 놓이느냐를 다투는 기존 SEO와 달리, GEO는 생성된 답변 안에 문장과 출처로 들어가는 것을 목표로 합니다.
GEO는 2023년 프린스턴대·조지아공대 연구진이 발표한 논문 “GEO: Generative Engine Optimization”에서 처음 제시된 용어입니다. 마케팅 업계가 만든 유행어가 아니라 학술 논문에서 정의된 개념이고, 이 논문은 2024년 데이터 마이닝 분야 학회인 KDD에 채택됐습니다.
논문은 GEO를 “생성형 엔진의 답변에서 콘텐츠 가시성을 높이도록 돕는 최초의 패러다임”으로 규정합니다. 여기서 말하는 생성형 엔진은 검색 결과를 나열하는 대신 여러 출처를 읽고 하나의 답을 써 주는 시스템을 뜻합니다.
비슷한 말로 AEO(답변 엔진 최적화), AI 검색 최적화, LLMO 등이 쓰이지만, 학술적 출처가 분명하고 국내외에서 가장 널리 쓰이는 표기는 GEO입니다.
검색 결과 화면이 바뀌었기 때문입니다. 예전에는 사용자가 파란 링크를 눌러 사이트로 들어왔습니다. 지금은 검색 결과 맨 위에서 AI가 답을 먼저 요약해 보여주고, 근거가 된 페이지 몇 개를 출처로 답니다. 사용자가 링크를 누르지 않고 답만 읽고 떠나는 경우도 늘었습니다.
이 화면에서는 순위표가 의미를 잃습니다. 3위에 있어도 답변에 인용되지 않으면 아무 일도 일어나지 않고, 8위에 있어도 AI가 근거로 고르면 브랜드가 노출됩니다. “몇 위인가” 대신 “인용되는가”를 다루는 최적화가 따로 필요해진 이유입니다.
GEO는 SEO를 대체하는 것이 아니라 그 위에 얹힙니다. 크롤링과 색인이 안 되는 페이지는 AI도 읽지 못하므로 기술적 토대는 양쪽이 같습니다. 달라지는 것은 목표와 평가 지표입니다.
| SEO | GEO | |
|---|---|---|
| 목표 | 검색 결과에서 높은 순위 | 생성된 답변 안의 인용 |
| 경쟁 단위 | 페이지 | 문단·문장 |
| 핵심 지표 | 순위, 노출수, 클릭수 | 인용 횟수, 브랜드 언급, 인용 점유율 |
| 크롤러 | Googlebot, 네이버 검색로봇 | GPTBot, ClaudeBot, PerplexityBot 등 |
| 성과 확인 | 서치 콘솔 보고서 | 직접 질문해 답변을 수집·기록 |
GEO에는 아직 서치 콘솔 같은 표준 보고서가 없습니다. 지금으로서는 고객이 실제로 던질 법한 질문을 목록으로 만들어 각 AI 서비스에 직접 물어보고, 답변에 우리가 인용됐는지·경쟁사가 인용됐는지를 주기적으로 기록하는 방식이 가장 확실합니다.
GEO가 다른 마케팅 유행어와 구별되는 점은 효과를 실제로 측정한 데이터가 있다는 것입니다. 위 논문은 여러 분야에 걸친 쿼리 1만 개로 GEO-bench라는 벤치마크를 만들고, 아홉 가지 최적화 방법을 적용해 생성형 엔진의 답변이 어떻게 달라지는지 비교했습니다.
실험한 아홉 가지는 이렇습니다. 권위적 표현 강화, 통계 수치 추가, 키워드 반복, 출처 인용, 인용문 추가, 쉬운 표현, 문장 유창성 개선, 희귀 단어 사용, 전문 용어 사용.
이 가운데 성과가 가장 좋았던 세 가지는 다음과 같습니다.
| 방법 | 무엇을 하는가 | 향상 폭 |
|---|---|---|
| 출처 인용 (Cite Sources) | 주장에 근거가 되는 출처를 함께 적는다 | 30~40% |
| 인용문 추가 (Quotation Addition) | 관련 인용문을 본문에 넣는다 | 30~40% |
| 통계 수치 추가 (Statistics Addition) | 서술을 구체적인 숫자로 바꾼다 | 30~40% |
수치를 읽을 때 조건을 같이 봐야 합니다. 이 30~40%는 Position-Adjusted Word Count라는 지표 기준입니다. AI가 쓴 답변에서 내 콘텐츠가 차지한 분량을, 답변의 앞쪽일수록 높게 쳐서 계산한 값입니다. 사람이 읽었을 때 그 출처가 얼마나 눈에 띄는지를 따로 평가한 주관적 인상 지표에서는 15~30% 향상으로 나타났습니다.
주목할 것은 키워드 반복이 실험 대상 아홉 가지에 포함돼 있었는데도 상위 세 가지에 들지 못했다는 점입니다. 검색엔진 시대에 쓰이던 키워드 중심 전략이 생성형 엔진에서는 같은 방식으로 통하지 않는다는 뜻입니다.
컨설턴트의 실전 팁
이 결과를 “인용문과 숫자를 많이 넣으면 된다”로 읽으면 곤란합니다. 실제로 효과를 내는 것은 개수가 아니라 검증 가능성입니다. 출처가 확인되는 숫자와 확인되지 않는 숫자는 AI 입장에서 전혀 다른 정보이고, 근거 없는 수치를 늘리면 오히려 신뢰를 잃습니다.
실무에서는 이 순서로 봅니다. 먼저 이미 쓴 글에서 근거 없이 단정한 문장을 찾습니다. “대부분의 사용자는”, “일반적으로 알려져 있듯” 같은 표현입니다. 그다음 그 문장에 출처와 숫자를 붙일 수 있는지 확인합니다. 붙일 수 없으면 주장을 약화시키거나 문장을 뺍니다. 새 글을 쓰는 것보다 이 작업이 먼저입니다.
한 가지 덧붙이면, 이 논문은 영어권 생성형 엔진을 대상으로 한 실험입니다. 네이버나 카카오의 AI 검색을 대상으로 한 공개 연구는 아직 없습니다. 방향성은 참고하되 국내 검색 환경에는 그대로 적용되지 않을 수 있습니다.
실무에서 챙기는 일은 다음 네 가지입니다.
AI 크롤러는 검색엔진 크롤러와 별개의 이름으로 다닙니다. robots.txt에서 GPTBot이나 ClaudeBot이 막혀 있으면 콘텐츠가 아무리 좋아도 인용 후보에 오르지 못합니다. 크롤러별로 허용 범위를 다르게 가져갈 수 있으므로, 무엇을 열고 무엇을 닫을지 먼저 정해야 합니다.
AI는 페이지 전체가 아니라 답에 필요한 한두 문단을 가져갑니다. 질문에 대한 답을 문단 첫 문장에 두고, 근거가 되는 숫자와 출처를 문장 안에 함께 적는 편이 유리합니다. 결론이 글 마지막에 숨어 있으면 인용 대상이 되기 어렵습니다.
회사, 사람, 제품, 용어 같은 실체를 스키마 마크업으로 명시하면 AI가 “이 페이지가 무엇에 대한 것인지”를 추측하지 않아도 됩니다. 이 용어사전도 각 문서에 DefinedTerm 스키마를 붙여 정의 페이지임을 직접 선언하고 있습니다.
AI는 자사 사이트만 보고 답하지 않습니다. 비교 글, 커뮤니티 글, 보도자료처럼 제3자가 쓴 문서를 근거로 삼는 경우가 많습니다. 내 브랜드가 그런 문서에 어떤 맥락으로 등장하는지가 인용 여부를 좌우합니다.
