GEO를 위한 온톨로지: 브랜드 지식 설계도 3단계(최윤희 아티언스 본부장)

Editor's note

검색 마케팅의 무게중심이 생성형 AI 검색으로 옮겨 가면서, 업계의 관심은 GEO(생성형 AI 검색 최적화)에 쏠려 있습니다. 지난 9월 3일과 4일 이틀간 서울 마포의 호텔 나루 서울 엠갤러리 엠배서더에서 열린 ‘Search SEOul(서치 서울) 2026’은 이 흐름을 한자리에서 짚은 행사입니다. 올해로 2회째를 맞은 서치 서울은 스스로를 “한국 최초의 글로벌 SEO 컨퍼런스”라고 소개합니다. 그동안 미국·유럽·동남아시아에서만 열리던 글로벌 SEO 행사를 한국으로 가져와, 한국 고유의 검색 환경과 해외의 SEO·GEO 흐름을 잇겠다는 취지입니다.

요즘IT는 서치 서울 2026의 공식 미디어 파트너로 참여해 독자 대상 티켓 증정 이벤트를 진행했습니다. 그리고 행사 발표 가운데 요즘IT 독자에게 도움이 될 내용을 골라 전문으로 공개합니다. 이번 글은 행사 첫날, 디지털 마케팅 에이전시 아티언스의 최윤희 본부장이 ‘Stop Writing for AI. Start Structuring Knowledge: 다음 GEO 시대를 위한 지식 구조화와 온톨로지’라는 제목으로 발표한 내용입니다. 콘텐츠를 더 많이, 더 자주 만드는 GEO에서 벗어나 AI가 브랜드를 이해하고 판단하는 데 쓸 ‘지식 설계도’를 먼저 그려야 한다는 이야기입니다.

참고로 발표는 9월 초에 진행됐고, 이 글은 10월에 공개합니다. 생성형 AI 모델과 AI 검색 서비스는 업데이트가 잦은 만큼, 글에 나오는 LLM 모델과 서비스에 관한 설명은 지금 시점의 상황과 다소 다를 수 있습니다.

안녕하세요. 저는 디지털 마케팅 에이전시 아티언스에서 SEO·GEO 사업을 담당하고 있는 최윤희라고 합니다.

같은 날 오전 이 자리에서 발표하신 어센트코리아 박세웅 대표님도 말씀하셨는데, 2010~2011년쯤 아티언스의 장우진 대표님과 어센트코리아 대표님이 만나서 “왜 우리나라에는 SMX나 MozCon 같은 SEO 컨퍼런스가 열리지 않느냐, 아쉽다”는 이야기를 나눈 적이 있었거든요. 그 아쉬움을 해소해 준 서치 서울 팀에게 다시 한번 감사하다는 말씀을 드리고 싶습니다.

저는 지난 18년간 SEO를 해 왔습니다. 그러다 보니 SEO를 할 때 항상 ‘우리는 이 작업을 왜 해야 하는가, 무엇을 얻기 위해 해야 하는가’를 많이 고민하고 있어요. 그래서 GEO 역시 ‘우리는 GEO를 왜 하는가’라는 관점에서 설명해 보려고 합니다.

오늘 말씀드릴 내용은 크게 세 가지 파트라고 보시면 될 것 같습니다. 첫 번째는 ‘우리, 지금 뭐 하고 있어?’입니다. GEO가 모두의 관심을 받고 있는데, 우리는 과연 지금 무엇을 하고 있는지 짚어 보겠습니다. 두 번째로는 익숙하지 않으실 수도 있는데, 온톨로지 관점에서 GEO를 바라보는 이야기를 해 보려고 해요. 그리고 컨퍼런스에서 좋은 이야기를 많이 들었는데 막상 ‘그래서 나 월요일에 출근하면 뭐 해야 돼?’라는 생각이 들면 안 되겠죠. 그래서 마지막으로 온톨로지 관점에서 우리가 어떤 액션을 취할 수 있는지까지 설명드리고 마무리하겠습니다.

GEO 콘텐츠의 함정

우선 쉽게쉽게 설명드릴게요. 저는 쉬운 걸 좋아합니다.

GEO란 무엇일까요? GEO는 생성형 AI가 사용자 질문에 답할 때 자사 브랜드나 제품을 답변 안에서 인용하거나 언급하게 만드는 최적화 작업이라고 일반적으로 이야기할 수 있을 것 같습니다.

그러면 우리는 GEO를 어떻게 하고 있나요? 모두 똑같지는 않겠지만 대부분 대화형 문맥에 맞춰 최적화를 한다거나, 신뢰성 높은 통계나 인용구를 활용해 콘텐츠를 만든다거나, FAQ처럼 명확한 구조의 포맷을 만든다거나 할 겁니다. 업무 대부분이 ‘콘텐츠’에 상당히 집중되어 있을 거예요.

왜 그렇게 할까요? 결국 우리가 만든 에셋(콘텐츠 자산)이 AI가 선호하는 콘텐츠 구조를 갖추게 하고, 그걸 통해 AI가 우리 콘텐츠를 더 잘 이해했으면 좋겠다는 목적을 가지고 하고 계실 거예요.

그러다 보니 GEO가 어느 순간부터 ‘AI 검색 가시성을 확보하기 위해서’라는 이름 아래, 업계에서 이야기하는 GEO 하입(hype)들, 그러니까 ‘이런 걸 하면 AI가 좋아합니다’, ‘이런 걸 하면 좋습니다’라는 이야기를 기반으로 콘텐츠를 더 다양하게, 더 자주, 더 많이 만드는 일이 됐어요. 그런데 이렇게 발행하는 콘텐츠들이 정말 여러분 브랜드의 목표 달성에 기여하고 있는지 한 번은 질문해 볼 때인 것 같습니다.

문제는 여기서 시작됩니다. AI 노출을 늘리겠다는 목표가 어느 순간 ‘더 많이 만들자’로 바뀌면서, GEO가 콘텐츠 생산 경쟁이 되어 버렸어요. 이 방식이 정말 우리 브랜드에 도움이 될까요? 우리가 놓치고 있는 건 없을까요?

여기서 고민해 봐야 할 게 ‘콘텐츠 함정’입니다. 콘텐츠 함정이란 노출만을 노린, 핵심이 부족한 콘텐츠를 대량 생산하면서 생기는 문제를 말합니다. 웹사이트의 방문 가치가 떨어지거나, 노출이 늘어도 전환으로 이어지지 않거나, 저품질 AI 양산형 콘텐츠로 페널티를 받는 등 여러 가지 문제를 만들어 낼 수 있어요.

GEO 형식 잘 갖춘 콘텐츠도 노출이 줄었다

이건 그럴 가능성이 있다는 이야기가 아니에요. 실제로 그런 사례가 있습니다.

B2B 커머스 기업 A사의 사례입니다. 콘텐츠 함정에 빠질 수 있는 콘텐츠라고 해서 품질이 아주 나쁜 건 아니에요. A사의 콘텐츠를 보면 일반적으로 이야기하는 GEO 원칙을 잘 따르고 있습니다. 장단점(pros and cons)을 설명해야 한다, 문맥 단위로 쪼개야 한다, 테이블을 사용해 콘텐츠를 구성해야 한다, AI가 잘 읽어 가도록 FAQ를 넣어야 한다, 신뢰도를 높이기 위해 저자 정보를 함께 추가해야 한다. 이런 것들이 일반적으로 이야기하는 방법이거든요. 그런데 이런 콘텐츠는 형식에 집중하는 양산형 콘텐츠의 한계를 명백하게 가지고 있습니다.

데이터를 보겠습니다. 저희는 디스플레이 관련 프롬프트를 국가별로 650개 정도씩 계속 모니터링하고 있습니다. 앞서 소개한 A사의 콘텐츠들은 사실 올해 연초만 해도 상당히 강세를 보였어요. 모니터링하는 프롬프트 650개 중 20% 안팎에서 인용됐고, 인용되는 URL 개수도 500개씩으로 상당히 많았습니다. 그런데 현재 시점에는 눈에 띄게 감소했어요.

이를 통해 알 수 있는 건, 정보 사이의 관계를 만들어 내거나 쌓지 못하는 콘텐츠를 많이 만드는 것만으로는 검색 가시성을 확보하기에 부족하다는 사실입니다.

GEO의 역할: 묻지 않은 것도 말하는 브랜드 대변인

이제 시선을 ‘AI 검색 노출’에서 ‘실제 AI 답변은 어떻게 구성되는가’로 조금 넓혀 보겠습니다. 프로파운드(Profound)의 자료를 인용했는데요. 7개 산업, 5가지 프롬프트 유형에 걸친 LLM 답변 5만 건을 분석한 자료입니다.

AI는 말이 많습니다. 여러분도 AI로 검색 많이 하시죠? 기본적으로 AI는 답변을 만들 때 최소 3천 자 정도로 무수히 많은 말을 하고, 내용 자체도 상당히 장황하게 표현됩니다. 이 자료에서 ChatGPT의 답변은 3,043자, Gemini는 2,921자였어요.

뿐만 아니라 내가 묻지 않은 질문에 대한 추가 정보도 상당히 많이 제공해요. 3천 자 정도 되는 이 답변을 분석해 보면, 대부분 절반 정도만 사용자가 실제로 질문한 것에 대한 답이고, 나머지는 사용자에게 필요하다고 AI가 판단한 정보를 답변에 포함해서 줍니다.

그러면 어떤 내용이 들어갈까요? 질문에 따라 다를 수는 있겠지만, 답변 근거를 제시한다거나, ‘A와 B 제품을 비교해 줄게’ 같은 방식으로 비교 요약을 보여 준다거나, 순위나 우선순위를 추천한다거나 하는 식입니다. ‘어떤 목적이라면 A를 추천합니다, B를 추천합니다’ 같은 거죠. AI는 우리가 물어본 것만 전달해 주는 게 아니에요. 답변 안에서 비교하고, 조건을 붙이고, 선택의 이유를 설명하면서 사용자의 다음 판단에 계속 개입하고 있습니다.

그렇다면 다시 처음 질문으로 돌아가 볼게요. 앞서 ‘GEO가 뭐냐’는 질문을 드렸는데요. 이런 상황에서 GEO를 단순히 ‘생성형 AI가 질문에 답할 때 우리 브랜드나 제품을 인용하거나 언급하게 하는 것’이라고만 정의할 수 있을까요? AI 모델은 우리 질문에 장황하게, 그리고 묻지도 않은 사실로 검색자의 다음 선택에 계속 영향을 주고 있습니다.

AI가 하는 이런 말들을 우리가 막을 수는 없어요. 막을 수 없다면 맡겨야 합니다. 즉 GEO는 콘텐츠를 통해 우리 브랜드와 제품의 검색 노출 가시성을 높이는 데서 멈춰서는 안 됩니다. GEO의 역할은 AI를 자사 브랜드와 제품의 대변인으로 만들어, AI가 우리 브랜드를 대신해 우리 브랜드와 제품에 대해 이야기해 줄 수 있게 하는 것으로 변화해야 합니다.

GEO 형식은 기본, 이제 브랜드 설계도가 필요하다

자, 그럼 대변인을 만들기 위해 우리는 무엇을 준비해야 할까요? 바로 대변인이 참고할 수 있는 설계도를 준비해야 합니다. 즉 AI가 참고할 수 있는 ‘브랜드 설계도’예요.

여기서 한 가지 짚고 넘어가고 싶은 게 있습니다. 앞서 본 청크(문맥) 단위 구성이나 FAQ 같은 명확한 포맷처럼 형식을 맞추는 일이 무의미하다는 말씀을 드리는 게 절대 아닙니다. 콘텐츠의 형식은 AI가 콘텐츠를 읽을 수 있게 하는 최소한의 조건을 만들어 주는 기본이에요. 말하자면 GEO라는 경기의 입장권인 거죠. 그런데 입장권이 있다고 경기에서 이기는 건 아니거든요.

지금까지 우리의 질문은 입장권에 대한 질문이 상당히 많았어요. 어떤 콘텐츠를, 어떤 형식으로, 얼마나 자주 만들어 낼 것인가. 하지만 지금부터 우리가 던져야 할 질문은 ‘AI가 우리 브랜드와 제품에 대해 무엇을 알아야 하고, 그 지식은 서로 어떻게 연결되는가’입니다. 즉 콘텐츠를 한 번 노출되고 버려지는 조각이 아니라, AI가 우리를 이해하고 기억하고 추론하는 데 쓰이는 지식의 재료로 만들어야 합니다. 이 질문에 답해 나가는 과정이 곧 대변인의 설계도를 그리는 일이라고 할 수 있을 것 같습니다.

결국 설계도란 AI가 알아야 할 개념이 무엇인지, 그리고 그 개념들이 서로 어떻게 관련되고 연결되어 있는지를 정의하는 것입니다. 사실 이런 접근은 AI 시대에 갑자기 등장한 게 아니에요. 오래전부터 대상과 관계를 체계적으로 정의해 온 지식 모델이 있습니다. 바로 온톨로지(Ontology)입니다.

온톨로지는 그리스어로 존재·실재를 뜻하는 ‘온토(onto)’와 학문·논의를 뜻하는 ‘로지아(logia)’의 합성어로, ‘존재에 대한 학문’이라는 뜻입니다. 철학에서는 원래 사물의 존재와 의미, 본질, 그리고 그들 사이의 관계를 탐구하는 학문이죠. 현대 컴퓨터 과학과 AI 분야에서는 특정 영역 안에 어떤 대상과 속성이 존재하는지, 그리고 그것들이 서로 어떤 관계를 맺는지를 정의한 것을 온톨로지라고 설명합니다.

그러면 GEO에서는 어떤 의미를 가질까요? GEO에서 온톨로지는 브랜드, 제품, 주제, 그리고 사용자가 정보를 찾을 때 품고 있는 목적·니즈·문제 같은 것들 사이의 관계를 설계하는 지식 구조화 프레임워크라고 보시면 될 것 같아요. 즉 우리 브랜드가 무엇이고, 사용자가 어떤 문제와 어떤 상황에서 우리를 찾는지 AI가 이해하도록 만드는 지식 설계도라고 보시면 될 것 같습니다.

GEO에서 브랜드 설계도가 중요한 이유: 인용에서 추천으로

앞서 말씀드렸듯이 온톨로지는 사실 새로운 개념이 아니거든요. 그런데 온톨로지가 왜 지금 GEO 시장에서 다시 중요하게 이야기되는 걸까요? 그 이유는 GEO의 지난 4년을 돌아보면 이해하기 쉬울 거라고 생각합니다. 물론 지난 4년이 연도별로 딱 잘라 구분되는 건 아니에요. 다만 GEO에서 무엇을 중요하게 봐 왔는가라는 관점에서 단순화해 보면, 크게 세 단계로 확장되어 왔다고 볼 수 있습니다.

첫 번째는 인용입니다. GPT가 처음 나왔을 때 우리는 모두 놀랐어요. 그리고 마케팅하시는 분들은 GPT를 어떻게 활용할 수 있을지 고민하셨죠. 그래서 초기에는 인용에 많이 집중했습니다. AI가 답변을 만들 때 우리를 근거로 삼는지, 그리고 그 근거가 되는 출처를 우리 사이트로 유입되는 또 다른 트래픽 채널로 생각했던 거예요. 즉 이 시기의 고민은 ‘AI가 우리를 찾을 수 있는가’였습니다.

그런데 시간이 지나면서 이게 변해요. 제로 클릭이라는 상황이 생깁니다. 기대했던 것과 달리 사용자가 인용 링크를 타고 우리 사이트로 유입되지 않는 거예요. 그러다 보니 시각이 확장되어, 인용보다는 AI 답변에서 우리 브랜드나 제품이 어떻게 노출되는가에 관심을 갖게 되고, 여기서 AI 가시성이 상당히 중요해졌습니다. 즉 언급, ‘AI가 우리 브랜드나 제품을 알고 있는가’라는 개념이죠.

그리고 지금은 한 단계 더 나아가고 있습니다. 사용자는 AI에게 단순히 정보를 찾아 달라고만 하지 않아요. ‘내 상황에서는 어떤 제품이 좋아?’, ‘이 두 브랜드 중에서 나는 뭘 사야 하지?’라고 묻습니다. 이때부터 GEO의 경쟁은 인용되느냐, 언급되느냐를 넘어 사용자의 선택 과정에서 우리 브랜드가 추천될 수 있느냐의 문제로 확장됩니다.

그런데 추천은 단순한 멘션(언급)보다 쉽지 않습니다. AI가 우리 브랜드 이름을 안다고 해서 우리를 추천해 주지는 않거든요. 우리가 어떤 제품을 가지고 있고, 그 제품이 어떤 특징과 강점을 가지고 있으며, 사용자의 어떤 상황과 문제를 해결할 수 있는지를 연결할 수 있어야 합니다. 이것이 바로 GEO에서 온톨로지, 즉 AI 대변인을 위한 설계도가 중요한 이유예요. 추천에서는 브랜드를 아는 것만으로는 충분하지 않습니다. 이 브랜드가 누구에게, 왜 적합한지를 연결할 수 있어야 합니다.

GEO를 위한 온톨로지: 브랜드 인식이 만들어지는 길

앞서 GEO에서 온톨로지란 AI가 우리 브랜드에 대해 참고할 수 있는 지식의 설계도라고 표현했습니다. 인식이 생기는 과정을 간단히 설명드려 볼게요.

인식은 정보를 접한다고 무조건 생기는 게 아닙니다. 판단의 기준이 있어야 하거든요. 예를 들어 어떤 자동차 브랜드가 ‘합리적인 하이엔드 오너드리븐 세단(차주가 직접 운전하는 세단)’이라는 이미지로 사용자에게 각인되고 싶다고 해 볼게요. 브랜드가 그렇게 생각하고 가만히 있는다고 해서, 우리 모두가 갑자기 그 브랜드를 ‘대단히 합리적인 하이엔드 브랜드’라고 생각하지는 않는다는 거예요.

그러면 무엇이 필요할까요? 사실의 조각이 필요합니다. 나파 가죽, 실내 소음 64데시벨, 4존 공조, 가격 정보, 와이드 디스플레이 같은 사실의 조각들이 필요하고, 이 조각들이 모여 정보나 주장이 됩니다. ‘실내 소음을 64데시벨 아래로 유지하기 때문에 우리 차는 매우 쾌적하고 조용하다’, ‘동일 시장 혹은 동일 트림 안에서 진입 가격이 경쟁군보다 일정 비율 낮다’ 같은 정보가 되는 거죠. 그리고 이런 정보가 쌓이면 판단을 할 수 있습니다. ‘실내 소재를 좋은 걸 쓰고, 정숙성이 좋고, 기본 사양까지 종합하면 프리미엄 실내 경험이 성립한다’는 판단이요.

마찬가지로 이 브랜드가 갖고 싶어 하는 ‘합리적’이라는 인식도 단순히 그렇게 생각해 주기를 바라는 게 아닙니다. 관련된 사실의 조각이 모여 정보가 되고, 그걸 판단할 수 있는 명제가 생기고, 이것들이 쌓이면 궁극적으로 ‘이 브랜드의 자동차는 합리적인 하이엔드 오너드리븐 세단이다’라고 생각하게 되는 겁니다. 이게 인식이 생기는 구조라고 이해하시면 될 것 같아요.

여기서 지식의 설계도, 즉 온톨로지의 역할은 이 지식을 어떤 근거와 정보로 이을 것인지 미리 정리해 둔 설계도라고 보시면 됩니다. 예를 들어 브랜드가 ‘합리적인 하이엔드 오너드리븐 세단’으로 소통하고 싶다면, 갖춰야 할 조건들이 생겨요. 하이엔드라는 조건, 합리적이라는 조건, 그리고 사용자가 직접 운전했을 때 좋다는 조건을 갖춰야 한다는 지점들이 생기는 거죠.

그렇다면 하이엔드는 어떻게 정의할 것인가. 하나로만 정의되지는 않겠지만 ‘프리미엄 실내 경험을 제공한다’로, 합리성은 ‘비용 대비 가치가 높다’로 정의할 수 있을 겁니다. 이렇게 우리가 정의한 판단의 축을 갖추기 위해 조건들을 하나씩 연결해 나가는 과정이 바로 설계도의 역할이라고 보시면 됩니다.

그러면 이 설계도가 GEO에서 실제로 어느 위치에서 작동하는지 설명드려 볼게요. 여러분이 너무 잘 아시는 영역입니다. 사용자가 질의를 하면 AI가 질의를 해석하고, 필요한 정보를 찾기 위해 검색을 합니다. 근거를 선택하고 비교를 해요. 필요한 정보를 찾았다고 판단되면 답변과 인용으로 가고, 그렇지 않으면 다시 돌아가서 검색하고, 정보를 찾고, 판단합니다.

이렇게 정보를 찾는 과정에서 아주 중요한 게 바로 인덱스예요. 인덱스 안에 우리 정보가 들어가 있느냐, AI가 찾는 데이터 풀에 우리가 들어가 있느냐가 상당히 중요합니다. 그리고 인덱스에 들어가는 건 브랜드나 외부에서 다양한 에셋을 발행하면서 지속적으로 쌓이는 영역이에요.

그러면 설계도는 어디에 위치해야 할까요? 바로 이 과정의 첫 단, 즉 내가 어떤 에셋들을 웹에 풀어놓을 것인지를 정하는 단계에 있어야 합니다. ‘어제 대표님을 만나고 왔는데 대표님이 SUV보다 세단에 관심이 더 많으신 것 같아. 그러니 세단 콘텐츠를 만들고 GEO를 해야 돼.’ 이게 아니라는 거죠.

우리 브랜드가 어떤 인식으로 소통해야 하는지, 그 인식을 갖기 위해서는 무엇이 사실이어야 하는지, 그 의미와 관계는 어떻게 정의돼야 하는지, 그걸 뒷받침할 실질적인 증거 데이터는 무엇인지를 먼저 설계해야 합니다. 그다음 이걸 기반으로 웹 프레즌스(웹상의 존재감)를 만들고, AI가 그 웹 프레즌스를 읽어 가고 판단해서 최종적으로 답변 안에 들어가게 한다는 것이죠.

그리고 이렇게 만들어 낸 목표 인식이 사용자에게 지속적으로 노출되면, 결국 검색자나 시장에 누적된 인식이 생깁니다. ‘여기는 정말 하이엔드인데 가격이 합리적이야’ 같은 인식이 되겠죠.

브랜드 해석을 AI에 맡기지 마라 

그런데 만약 이런 브랜드 지식 설계도가 없다면 어떤 일이 벌어질까요? 지금부터 소개할 내용은 저희가 실제로 작업하고 찾는 과정에서 얻은 인사이트들입니다.

앞의 세단 예시에 이어서 이야기해 볼게요. 실제로 검색을 해 봤습니다. ‘나는 미국 시장에서 미드사이즈 럭셔리 세단을 찾고 있어. 우선 시장 전체를 조망한 다음, 베스트 밸류, 주행 경험과 마감 수준, 브랜드 가치 기준으로 각각 하나씩 추천해 줘’라고 입력했어요.

그러자 ChatGPT가 이 요청을 해결하기 위해 10개 이상의 서브 쿼리를 만들어 냈고, 그 과정에서 AI에게 노출된 문서가 267개, 추천되거나 검색에 한 번이라도 걸렸던 브랜드·모델이 16개였습니다. 그리고 AI는 찾은 정보로 48회 이상 판단해서 최종적으로 저에게 답변을 줬어요.

브랜드 이름을 직접 쓰고 싶었는데 그러면 안 된다고 해서, 어쩔 수 없이 마스킹을 했습니다. 최종 추천을 받기까지 무수히 많은 브랜드가 후보에 포함됐다가 빠지는 단계를 반복했어요. 그리고 결론적으로 저에게 추천된 건 브랜드 L, B, P 세 가지였습니다.

그러면 나머지 브랜드들은 왜, 어디로 갔을까요? 살펴보니 초반에 사실을 확인하는 자료 검색 단계에서 실패해 아예 답변에 들어가지 못했거나, 중간까지 살아남았지만 사용자가 찾는 자동차 타입과 맞지 않는다고 판단돼 빠졌거나, 아니면 마지막 단계까지 왔지만 럭셔리 속성을 충족하지 못하는 등의 이유로 걸려서 빠지게 된 거예요.

좀 더 자세히 보겠습니다. 첫 번째는 검색되지 않아서 검토 자체가 불가능했던 경우입니다. 실제로 AI가 사용한 검색을 보면, SEO 다들 하시니까 아시는 site: 연산자로 특정 브랜드의 URL을 지정하고 ‘세단 2026 가격’이라고 검색합니다. 그리고 ‘특정 브랜드의 2026년형 특정 모델 상위 트림 세단’이라고도 검색합니다. 거기서 AI가 찾아낸 자료들이 있어요. 크롤링된 지 1.2년 된 페이지, 그리고 제조사 권장 소비자 가격(MSRP)이 6만 달러라는 정보 같은 것들을 찾아냈습니다.

이렇게 찾은 정보를 가지고 AI는 판단하기 시작해요. ‘특정 브랜드에 대해 서칭을 시작했는데 작동하지 않았다. 더 이상 쿼리를 쳐서 정보를 찾아낼 수 없다.’ 이건 제가 쓴 게 아니라, AI가 실제로 어떻게 판단하는지를 보고 말씀드리는 거예요. 세 번 이상 찾았지만 결국 AI가 찾은 건 1.2년 전의 페이지 구성과 예시밖에 없었던 거죠. 결국 끝내 확정 가격을 얻어 내지 못했기 때문에 다른 브랜드와 비교할 정보가 없어서 탈락했습니다.

두 번째 브랜드는 후보 명단에 들어갈 자격에서 걸렸어요. 저는 분명히 처음에 세단을 찾아 달라고 했죠. 그런데 AI가 획득한 자료를 보니, 세단인 줄 알고 찾았는데 보통은 리프트백으로 여겨진다는 거예요. 브랜드 스스로는 세단이라고 하지만 시장에서는 리프트백으로 판단한다는 거죠. 이 정보를 가지고 AI는 ‘이 모델은 우리가 찾는 모델이 아니다’라고 판단합니다. 그래서 세단이 아니라는 이유로, 혹은 단종됐다는 이유로 평가나 판단 없이 바로 후보에서 제외됩니다.

세 번째는 AI가 정의한 평가 기준에 부합하지 못한 경우예요. 이게 아주 중요하거든요. AI가 정의한 기준과 브랜드가 제시한 사실 정보가 맞지 않았다는 겁니다. AI는 가성비를 기본 트림에 어떤 기능들이 들어가 있는지로 봤어요. 그런데 브랜드 G는 차는 아주 좋지만, 더 높은 성능을 갖추려면 가격이 올라가야 했습니다. 즉 브랜드 G는 돈을 더 투자해야만 좋아지는 차로 보였고, 이게 해당 평가 관점에서 불리하게 작용해 마지막 단계에서 답변에서 제외됐습니다.

우리가 가진 정보가 어떤 판단으로 연결되는지를 브랜드가 가장 먼저 정의해야 합니다.브랜드가 그걸 정의하지 않으면, AI는 브랜드가 원하는 인식이 아니라 AI가 찾은 정보로 브랜드를 해석하고 결정해 버리게 됩니다.

브랜드 지식 설계도를 그리는 3단계

자, 그러면 이런 상황에서 우리는 무엇을 해야 할까요? 온톨로지 관점에서 우리가 해야 할 일은 브랜드 지식 설계도를 그리는 것입니다. 그게 가장 먼저 진행하셔야 하는 일이에요.

STEP 1. 우리는 무엇으로 인식되고 싶은가

첫 번째로 우리는 무엇으로 인식되고 싶은지를 찾고, 그려 보셔야 합니다. 즉 어떤 사용자가 어떤 문제를 가지고 어떤 상황에서 우리 제품을 찾으려 하는지, AI가 우리를 그렇게 판단하려면 어떤 기준이 성립해야 하는지, 그 기준을 성립시키기 위해 우리가 가지고 있는 사실은 무엇인지를 정의해야 합니다.

자동차 브랜드로 예를 들면 이렇습니다. 사용자는 프리미엄 세단 구매자, 니즈는 정숙하고 편안한 주행 경험, 상황은 장거리 출퇴근입니다. 그래서 결국 원하는 인식, 즉 디자이어드 퍼셉션(desired perception)은 ‘합리적 하이엔드 오너드리븐 세단’이고, 이를 판단하는 기준은 정숙성, 승차감, 고급 소재, 가격 대비 가치입니다. 이렇게 한번 모두 정의해 보셔야 해요.

또 다른 예시로, 사용자가 콘솔 게임을 즐기는 사람이고 차세대 오픈월드 게임을 위한 최고 화질의 TV가 필요한 상황이라고 해 볼게요. 모두가 기다리는 게임인 GTA6가 출시되는 상황에서, 이 사람은 TV를 바꿔야 할지 고민합니다. 그러면 이 사람들에게 우리 브랜드가 인식되어야 하는 목표 인식은 ‘콘솔 플레이에 최적화된 게이밍 TV’입니다. 그러면 그걸 무엇으로 판단할 것인가, 화질과 반응성, 콘솔 호환성입니다. 그리고 그걸 충족할 수 있는 조건으로 우리가 무엇을 가지고 있는가, 4K, 높은 주사율 등입니다. 이걸 계속 매칭해 보셔야 해요.

STEP 2. 우리는 무엇으로 인식되는가

첫 번째로 브랜드가 AI에게 인식되고 싶은 목표 인식을 정의했다면, 두 번째로는 우리가 실제로 무엇으로 인식되는지를 찾아보셔야 해요. 즉 브랜드가 원하는 인식(desired perception)과 AI가 실제로 나에 대해 이해하고 있는 인식(AI perception) 사이에서, 퍼셉션 갭, 즉 인식의 차이를 찾으셔야 합니다.

인식의 차이는 어떻게 찾을까요? STEP 1에서 정의한 목표 인식, ‘합리적 하이엔드 오너드리븐 세단’을 실제로 테스트할 수 있는 프롬프트를 설계하셔야 해요. ‘제일 좋은 세단이 뭐야’ 같은, 사용자가 이걸 검색했을 때 우리가 나왔으면 하는 프롬프트가 아닙니다. 우리가 원하는 인식을 채울 수 있는 요소들을 우리가 정말 갖고 있는지 확인할 수 있게 설계하셔야 합니다.

예를 들어 ‘프리미엄 세단에 도전하고 싶은데, 출퇴근이 길어. 그래서 운전할 때 차가 너무 꿀렁이지 않았으면 좋겠어. 국내외 브랜드로 추천해 줘’ 같은 프롬프트입니다. 그리고 여기서 나온 답변을 가지고 실제로 우리가 어떤 상황에서 추천되거나 제외되는지, 어떤 속성과 연결되는지, 누구와 어떤 기준으로 비교되는지를 낱낱이 찾으셔야 해요.

예를 들면 이런 거죠. 검색을 하면 AI가 제가 요청한 기준으로 브랜드마다 점수를 줍니다. 그게 4점이냐 5점이냐는 중요하지 않아요. 여기서 중요한 건, AI가 왜 우리 브랜드를 ‘차체 움직임 억제에서 약하다’고 판단했는지를 찾는 거예요. 그게 가장 핵심입니다. 그래서 이런 건 답변을 다 분석해 주셔야 합니다. 예를 들어 ‘어떤 브랜드는 노면이 불안정할 때 차체가 살짝 기운다’, ‘어떤 브랜드는 노면이 불안정하더라도 자체 기술로 그 꿀렁임을 바로 정리한다’ 같은 정보들이요. 이런 정보를 찾으셔야 내가 어디서 부족한지를 아실 수 있어요.

STEP 3. 모든 것을 잘할 수는 없다

그리고 세 번째 스텝입니다. 모든 것을 잘하실 수는 없습니다. 힘들어요. STEP 1과 2에서 디자이어드 퍼셉션과 커런트 AI 퍼셉션(current AI perception)을 비교해 퍼셉션 갭을 찾았어요. 그러면 우리가 지금 부족하다고 나오는 이 갭 안에서 전략적으로 필터를 설정하셔야 해요.

첫 번째는 사용자 선택에 실질적으로 중요한 영향을 주는가, 두 번째는 진짜 우리가 잘할 수 있는 영역인가, 세 번째는 혹시 AI가 아직 우리를 충분히 인식하지 못하고 있는가입니다. 이 세 가지 필터를 적용해서, 중요하거나, 잘 증명할 수 있거나, 혹은 아직 제대로 인식되지 않은 관계를 찾고, 그 관계를 AI가 이해하고 판단할 수 있는 이유를 구축하셔야 하는 겁니다.

즉 전략이란 더 많은 관계를 무조건 만들어 내는 게 아니라, 어떤 관계를 AI가 명확하게 발견하고 판단할 수 있게 만들지를 그리는 거예요.

5Q 프레임워크: AI가 내릴 결론을 설계하라

마지막 장입니다. 이걸 하기 위해 활용하실 수 있는 게 ‘5Q 프레임워크’입니다. 순서대로 답해야 할 다섯 가지 질문이에요.

• 타깃: 우리는 AI에게 무엇으로 인식되고 싶은가? 먼저 타깃을 잡으셔야 해요. 우리가 AI에게 어떤 인식으로, 어떤 이미지로 각인되고 싶은지를 정해야 하고, 그러기 위해서는 사용자 니즈와 목표 같은 것들을 고려하셔야 합니다.
• 판단 기준: AI가 그렇게 판단하려면 어떤 기준이 필요한가? 그다음에는 AI가 우리를 그렇게 판단하는 데 필요한 기준을 정의하셔야 합니다.
• 근거: 그 기준을 뒷받침할 근거는 무엇인가? 그다음에는 그 기준을 뒷받침할 근거를 찾아야 합니다.
• 발견 가능성: AI가 그 관계와 근거를 실제로 찾을 수 있는가? 그리고 그 관계와 근거를 AI가 실제로 찾을 수 있는지 확인해야 합니다.
• 검증: 이게 실제로 작동하는가? 최종적으로는 이게 실제로 작동하는지에 대한 검증(validation)도 해 주셔야 합니다.

즉 원하는 인식을 만들고, 그걸 판단할 수 있는 기준을 세워 근거를 보완하고, 그걸 웹상에 정보로 퍼뜨려서 실제 AI의 인식을 변화시켜야 하는 겁니다.

무엇을 말할지보다 AI가 어떤 결론을 내릴 수 있어야 하는지를 설계하는 게 우선입니다. 어떻게 보면 우리는 지금까지 AI가 어떤 결론을 내려야 하는지보다는 AI에게 무엇을 이야기해 줘야 하는지에 대해 많이 고민해 왔던 것 같아요. 앞서 말씀드린 것처럼, 앞으로의 GEO는 단순히 AI가 나를 고르느냐, 선택하느냐의 문제가 아닙니다.

오늘 제가 설명드린 내용이 여러분의 GEO에 도움이 되기를 바랍니다. 감사합니다.

ⓒ요즘IT의 모든 콘텐츠는 저작권법의 보호를 받는 바, 무단 전재와 복사, 배포 등을 금합니다.