워드프레스 서버 운영 시, 카카오톡 미리보기가 안 뜬다?
- 데이터 인사이트
SEO 업무에서 자동화할 수 있는 영역은 빠르게 늘고 있습니다. 크롤러는 수천 개의 URL을 점검하고, 분석 도구는 검색 노출과 클릭 변화를 찾아냅니다. 생성 AI는 키워드를 분류하고 콘텐츠 초안도 만듭니다. 그렇다면 검색 노출에 필요한 판단까지 AI에 맡기는 완전 자동화도 가능할까요?
최근 공개된 Jev는 이 질문을 다시 생각하게 만듭니다. Jev는 긴 문장을 생성하는 AI가 아니라 주어진 정보 안에서 선택하고 점수를 매기는 판단 모델이기 때문입니다. SEO 업계에서 오랫동안 컨설팅을 해온 입장에서 보면, 현재 Jev가 SEO를 완전히 자동화하기는 어렵다고 생각합니다. 지금 단계에서 더 현실적인 가치는 사람의 판단을 없애는 것이 아니라, 사람이 직접 검토해야 할 문제를 줄이는 데 있습니다.
SEO에서 수집과 계산은 이미 상당 부분 자동화됐습니다. HTTP 상태 코드, 색인 여부, 내부 링크 수, 노출과 클릭 변화처럼 관측 가능한 값은 크롤러와 API가 가져올 수 있습니다. 규칙이 명확한 기술 오류도 프로그램으로 찾을 수 있습니다. 생성 AI가 등장한 뒤에는 제목 제안, 목차 구성, 초안 작성과 같은 생산 단계까지 자동화 범위가 넓어졌습니다.
문제는 데이터를 얻은 다음입니다. 노출이 감소한 페이지를 수정해야 하는지, 기다려야 하는지, 다른 문서와 합쳐야 하는지는 숫자 하나만으로 결정할 수 없습니다. 검색 수요, 검색 의도, 경쟁 결과, 사이트 안에서 페이지가 맡은 역할을 함께 봐야 합니다. 같은 현상에도 여러 원인이 있을 수 있고, 원인에 따라 행동은 달라집니다.
결국 SEO 자동화의 병목은 실행보다 판단에 있습니다. 도구는 이상 징후를 찾을 수 있지만, 그 징후가 실제 문제인지와 무엇을 먼저 해야 하는지는 여전히 사람이 결정하는 경우가 많습니다.
실무에서 부딪힌 질문
이번에 검토한 페이지도 색인은 정상적으로 완료됐지만 SERP에는 좀처럼 노출되지 않았습니다. 색인 여부는 확인할 수 있었지만, 왜 노출되지 않는지는 하나의 데이터로 설명할 수 없었습니다. 이런 문제는 AI가 정보를 요약하는 능력만으로 해결되지 않습니다. 판단에 필요한 정보 일부가 애초에 외부에 공개되지 않기 때문입니다.
TypeSafe AI가 공개한 Jev는 문장을 생성하는 일반적인 LLM과 출발점이 다릅니다. 개발자가 가능한 답의 범위를 먼저 정하면, Jev가 주어진 상태를 읽고 그 안에서 구조화된 판단과 확률을 반환합니다. TypeSafe는 이를 빠른 판단을 위한 ‘System One Model’로 설명합니다.
판단 방식은 여러 선택지 중 하나를 고르는 Choice, 정해진 척도에 따라 수준을 평가하는 Score, 어떤 조건이 맞는지를 확률로 반환하는 Noul로 나뉩니다. 일반 LLM처럼 자유롭게 답을 만들어 내는 대신, 소프트웨어가 사용할 수 있는 제한된 결과를 내놓는 구조입니다. TypeSafe AI의 공식 소개와 워크플로 평가 문서도 좁은 질문을 나누고 그 결과를 코드로 조합하는 방식을 보여줍니다.
TypeSafe AI가 공개한 구조화 워크플로 평가 화면입니다. 성능 수치는 TypeSafe의 자체 평가 결과이며, 이미지를 누르면 평가 방법과 예시를 확인할 수 있습니다. 출처: TypeSafe AI Workflow Evals
Jev는 현재 얼리 액세스 단계입니다. 직접 사용해 보려면 TypeSafe AI 공식 홈페이지에서 Join Waitlist를 선택하거나 TypeSafe 콘솔에서 신청·접속할 수 있습니다.
SEO에서는 검색어의 의도를 정보 탐색·비교·구매 중 하나로 분류하거나, 키워드와 가장 잘 맞는 기존 페이지를 고르게 할 수 있습니다. 두 페이지가 같은 의도를 겨냥하는지 점수화하고, 내부 링크 후보 중 문맥상 가장 적합한 목적지를 선택하게 하는 것도 가능합니다. 콘텐츠 검수에서는 제목과 본문의 의도가 일치하는지, 필수 정보가 빠졌는지, 사람이 다시 봐야 할 위험한 주장이 있는지를 각각 물을 수 있습니다.
여기서 핵심은 Jev가 SEO 문제를 해결한다는 것이 아닙니다. 수백·수천 개의 검색어나 페이지를 같은 기준으로 1차 분류해 사람이 볼 후보를 좁히는 것에 가깝습니다. 예를 들어 노출이 없는 URL 1,000개를 검색 의도 불일치, 유사 문서 존재, 내부 링크 검토 필요, 관찰 필요 등의 범주로 나누면 담당자는 처음부터 1,000개를 모두 읽지 않아도 됩니다.
실무에서는 Jev가 잘하는 판단과 사람이 맡아야 할 판단을 나란히 놓으면 활용 범위가 더 분명해집니다.
| Jev가 활용되기 좋은 영역 | 사람이 판단해야 하는 영역 |
|---|---|
| 대량 분류 검색 의도, 키워드 군집과 SERP 유형을 같은 기준으로 나누기 | 목표와 기준 설계 어떤 분류가 사업과 SEO 전략에 실제로 필요한지 정하기 |
| 후보 비교와 점수화 키워드·페이지 매칭, 내부 링크와 유사 콘텐츠 후보 평가 | 관측되지 않는 원인 추론 색인된 페이지가 왜 노출되지 않는지 여러 증거와 맥락을 종합하기 |
| 반복적인 품질 검사 필수 항목 누락, 의도 불일치와 근거 확인 필요 여부 점검 | 예외와 새로운 문제 발견 기존 체크리스트로 설명되지 않는 상황에서 기준 자체를 의심하기 |
| 검토 우선순위 선정 수천 개 URL 가운데 사람이 먼저 볼 대상을 좁히기 | 영향이 큰 최종 결정 페이지 삭제·통합·리디렉션과 사업 우선순위에 책임지기 |
카니벌라이제이션 진단이나 콘텐츠 통합 후보 선정처럼 가운데에 놓인 업무도 있습니다. Jev가 유사성과 의도 중복을 찾을 수는 있지만, 트래픽·전환·백링크와 페이지 역할을 함께 제공해야 판단의 질이 높아집니다. 즉 정답 후보를 미리 정의하고 같은 판단을 대량으로 반복하는 일은 Jev와 잘 맞지만, 무엇을 목표로 삼을지부터 정해야 하거나 관측되지 않은 맥락과 책임이 개입하는 결정은 사람의 판단 비중이 커집니다.
색인됐지만 SERP에 노출되지 않는 페이지는 AI 판단의 한계를 잘 보여줍니다. 색인은 Google이 해당 URL을 알고 검색에 사용할 수 있는 상태로 저장했다는 뜻입니다. 그러나 색인됐다는 사실만으로 특정 검색어에 노출되는 것은 아닙니다. 검색 결과에 실제로 나타나려면 쿼리와의 관련성, 문서의 품질과 독창성, 경쟁 페이지, 사이트 내부 구조 등 여러 조건이 함께 작용합니다.
노출이 없는 이유는 검색 수요가 거의 없어서일 수도 있고, 페이지가 목표로 한 검색 의도와 실제 SERP가 달라서일 수도 있습니다. 비슷한 자사 페이지가 더 적합한 대표 URL로 선택됐거나, 경쟁 문서와 비교해 새로운 정보가 부족할 가능성도 있습니다. 신규 페이지라 평가에 시간이 필요한 상황도 배제할 수 없습니다.
AI는 이러한 가설을 정리하고 주어진 자료를 기준으로 가능성을 평가할 수 있습니다. 하지만 Google의 내부 평가 근거는 외부에 모두 공개되지 않습니다. Search Console, 서버 로그, 사이트 크롤링 결과와 실제 SERP를 함께 제공하더라도 어느 한 요인이 노출을 막았다고 확정하기 어려운 이유입니다.
Search Console 조회, 사이트 크롤링과 경쟁 SERP 수집은 Jev를 둘러싼 스킬이나 에이전트 워크플로우로 연결할 수 있습니다. 클릭률과 링크 수는 코드로 계산하고, 수정 문안은 생성 AI가 작성하게 구성하면 수집부터 분류, 실행까지 상당 부분 자동화할 수 있습니다.
다만, 더 본질적인 한계는 수집 가능한 데이터와 실제 원인이 같지 않다는 점입니다. Search Console과 서버 로그, 크롤링 결과와 SERP를 모두 모아도 Google이 특정 페이지를 노출하지 않은 내부 판단을 그대로 확인할 수는 없습니다. 관측된 신호를 바탕으로 가장 가능성 높은 가설을 고를 수 있을 뿐, 수정하지 않았을 때와 수정했을 때의 결과를 동시에 비교할 수도 없습니다. 이 때문에 SEO 판단에는 추론과 실험, 결과에 따른 기준 수정이 계속 필요합니다.
또한 출력 형식이 안정적이라고 판단까지 항상 옳은 것은 아닙니다. 어떤 선택지를 만들고 무엇을 좋은 결과로 볼지, 어느 확률부터 자동 실행할지는 사람이 정합니다. 기준을 잘못 설계하면 Jev는 잘못된 판단을 대량으로 일관되게 적용할 수 있습니다. 페이지 삭제, 통합, 리디렉션처럼 영향이 크거나 되돌리기 어려운 결정에는 여전히 사람이 책임져야 합니다.
Jev로 SEO를 완전히 자동화할 수 있느냐고 묻는다면, 현재 저는 어렵다는 쪽에 가깝다고 생각합니다. SEO에는 객관적으로 관측할 수 있는 값뿐 아니라 공개되지 않은 정보와 계속 변하는 검색 환경을 바탕으로 추론해야 하는 문제가 포함돼 있습니다. 무엇을 자동화할지 정하는 기준도 결국 사람이 만들어야 합니다.
그렇다고 Jev의 의미가 작지는 않습니다. 1,000개 URL의 문제를 모두 해결하지는 못해도, 사람이 자세히 검토해야 할 대상을 100개로 줄일 수 있다면 상당한 리소스를 절약할 수 있습니다. 신뢰도가 높고 영향이 작은 분류는 자동 처리하고, 애매하거나 중요한 결정만 담당자에게 보내는 조건부 자동화도 가능합니다.
현재 제가 생각하는 현실적인 구조는 크롤러와 API가 데이터를 수집하고, 코드가 정확한 값을 계산하며, Jev가 제한된 판단을 내리고, 생성 AI가 필요한 문안을 만들고, 사람이 중요한 결정에 책임지는 형태입니다. Jev는 이 과정에서 사람을 제거하는 도구라기보다 사람이 판단에 도달하기까지 반복하는 읽기와 비교, 분류 작업을 줄이는 레이어에 가깝습니다.
Jev의 활용이 늘어나면 테크니컬 SEO와 콘텐츠 기획에서 반복되던 일반적인 판단의 가치는 낮아질 가능성이 있습니다. 체크리스트를 적용하고 익숙한 사례를 분류하는 수준의 업무는 AI가 더 빠르고 저렴하게 수행할 수 있기 때문입니다. 다만 이것이 모든 전문가의 가치가 함께 낮아진다는 뜻은 아닙니다.
현재 저는 오히려 전문가를 구분하는 기준이 높아질 가능성이 크다고 생각합니다. 무엇을 판단할지 정의하고, 평가 기준 자체를 의심하며, 관측되지 않는 맥락과 예외를 읽고, 결과에 책임지는 역량은 여전히 사람에게 남습니다. 단편적인 지식을 반복 적용하는 사람은 Jev와 경쟁해야 하지만, 더 높은 판단 기준을 설계할 수 있는 사람은 Jev를 이용해 더 많은 문제를 다룰 수 있습니다.
따라서 지금 제가 보는 SEO 자동화의 미래는 사람 없는 자율 운영보다 조건부 자동화에 가깝습니다. AI는 검토해야 할 가능성을 정리하고, 사람은 관측되지 않는 맥락과 결과의 책임을 맡습니다. 현재로서는 Jev의 가치가 SEO 판단을 완전히 없애는 데 있기보다, 사람이 판단할 가치가 있는 문제만 남기는 데 있다고 생각합니다.
