GEO Field Notes
GEO란 무엇인가 — AI가 만든 답변 안에 우리 브랜드를 넣는 일
GEO가 SEO 위에 더해진 경쟁으로서 AI 답변의 언급·추천·인용을 어떻게 진단하고 반복 측정하는지 설명합니다.
목차
요즘은 “미국 여행 갈 때 어느 항공사가 가장 낫냐”를 구글에 검색하지 않습니다. ChatGPT나 Perplexity에 그냥 물어보지요. 그러면 AI가 알아서 몇 개 항공사를 비교하고, 때로는 하나를 콕 집어 추천합니다. 구글 검색조차 이제 검색 결과 목록 위에 AI 요약을 먼저 놓습니다.
마케터 입장에선 여기서 불편한 질문이 하나 생깁니다. 그 답변에 우리 브랜드가 들어가 있나? 없다면, 왜 없나?
SEO가 검색 결과에서 위로 올라가는 경쟁이었다면, 이제 결이 다른 경쟁이 하나 더 붙었습니다. AI가 답을 만들 때 우리 브랜드와 콘텐츠를 그 근거로 끌어다 쓰게 만드는 것 — 이게 GEO(Generative Engine Optimization)입니다.
SEO는 끝나지 않았습니다. 그 위에 한 층이 더 얹혔을 뿐…
GEO가 나왔다고 SEO가 끝나는 건 아닙니다. 아니, 오히려 그 반대라고 말할 수도 있습니다. 기술적 웹 최적화, 콘텐츠, 브랜드처럼 그동안 SEO가 다져온 토대 위에 GEO가 한 층 더 올라가는 구조에 가깝습니다.
차이는 다음과 같이 정리됩니다. SEO가 검색 결과 목록에서 우리 페이지를 상위로 올리는 경쟁이라면, GEO는 AI가 만든 답변 안에 우리 브랜드가 재료로 들어가게 만드는 경쟁입니다.
이 차이 때문에 들여다봐야 할 지표가 크게 달라집니다. 누군가 “장거리 노선 서비스 좋은 항공사 알려줘”라고 물으면 AI는 후보를 몇 개 추린 뒤 비교해서 답을 내놓습니다. 여기서 “우리 페이지가 검색 3위였다”는 사실은 큰 의미가 없을 것입니다. 대신 다른 부분을 봐야합니다.
- 답변에 우리 브랜드가 나오긴 했는지 (Mention)
- 단순 언급을 넘어 추천 후보로 올라왔는지 (Recommendation)
- AI가 근거로 어떤 출처를 끌어다 썼고, 그중 우리 사이트가 있는지 (Citation)
- 여러 브랜드 중 몇 번째로 등장했는지 (Position)
- 우리 브랜드를 좋게, 밋밋하게, 아니면 나쁘게 말했는지 (Sentiment)
검색 순위를 추적하던 방식으로는 이 내용을 전혀 잡아낼 수 없습니다. 그래서 GEO는 SEO를 기반으로 하지만 접근법은 크게 다르다고 볼 수 있습니다.
AI는 무엇을 보고 브랜드를 고르는가
생성형 AI가 답을 만드는 방식은 플랫폼마다 다르고, 내부 로직이 다 공개돼 있지도 않습니다. 그러니 “이 기술을 적용하면 AI가 우리 브랜드를 더 잘 인용한다”는 식의 단정은 위험합니다. 그래서 저는 특정 알고리즘을 추측하기보다는, GEO 성과를 진단하고 개선할 영역을 찾기 위해 네 가지 관점으로 나눠서 살펴보고자 합니다. 이 중 상당수는 SEO를 해보신 분들에게 그리 낯설지 않을 것이라 생각됩니다.
Entity Authority — AI가 우리를 ’누구’로 아는가
AI가 우리 브랜드를 하나의 뚜렷한 대상(Entity)으로 인식하고 있느냐를 나타냅니다. 이름은 들어봤는데 뭐 하는 곳인지 흐릿하면 비교나 추천 후보에 잘 오르지 못하겠죠. 공식 사이트, 위키·언론·업계 사이트에서의 일관된 설명, 특정 주제에서 반복적으로 엮이는 맥락들이 쌓여야 비로소 AI가 “아, 그 회사”라고 인지할 수 있게됩니다. SEO 쪽에선 엔티티 SEO나 지식그래프 이야기로 익숙한 개념입니다.
Citation Readiness — AI가 근거로 활용하기 좋은가
콘텐츠가 ‘AI가 근거로 끌어다 쓰기’ 좋은 콘텐츠 인지를 봅니다. 주장만 있고 근거가 없거나, 언제 적 정보인지 모를 페이지는 AI가 가져다 쓰기 어렵습니다. 반대로 구체적인 수치, 출처, 최신 업데이트, 분명한 결론이 붙어 있으면 인용될 확률이 올라가게 되겠죠. 검색에서 이야기하는 신뢰성이나 출처의 품질과 맞닿는 부분도 있지만, GEO에서는 특히 AI가 답변의 근거로 직접 재사용하기 좋은 정보인가에 초점을 둡니다.
Semantic Fitness — AI 시스템이 읽기 용이한가
페이지의 의미와 구조가 또렷한지입니다. 제목 위계가 엉켜 있거나 문맥이 흩어져 있으면, 사람은 대충 읽어낼 수 있을지 몰라도 AI시스템은 한번에 파악하기 어렵습니다. 제목 구조, 콘텐츠 간 관계, 엔티티를 분명히 드러내는 서술, 구조화된 데이터가 여기서 훨씬 더 위력을 발휘합니다.
Technical Accessibility — 애초에 들어올 수 있는가
앞의 세 측면이 아무리 좋아도 AI 크롤러가 콘텐츠에 접근조차 하지 못 하면 무의미하겠죠? robots 설정, 브라우저 렌더링 방식(자바스크립트로만 그려지는 콘텐츠는 특히 위험합니다), canonical, hreflang 같은 기술 요건들이 여기에 속합니다. 아주 기본적이고 사소해 보이지만 위 세가지 요소들을 지탱하고 있는 근간이라고 볼 수 있습니다.
정리하자면 이 네 영역은 서로 독립적으로 움직이기보다 함께 작동합니다. 브랜드와 콘텐츠가 충분한 권위와 근거를 갖추고 있어도 기계가 이를 제대로 발견하고 이해하지 못하면 활용되기 어렵고, 반대로 기술적으로 완벽하게 접근 가능한 페이지라도 충분한 정보와 외부 신뢰가 없다면 좋은 GEO 성과로 이어지기 어렵습니다.
이제는 키워드가 아니라 프롬프트다!
SEO 시절엔 “XXXX항공” 같은 키워드 단위로 순위를 셌습니다. 그런데 사람들이 AI에게 물어보는 방식은 이와 다릅니다.
“장거리 노선에서 좌석하고 서비스 괜찮은 항공사 어디야?” “미국에서 한국으로 가족여행 가는데 어느 항공사가 나아?”
이런 질문엔 브랜드 이름이 없습니다. AI가 알아서 후보를 찾아내고, 그 중에서 골라 답해야 합니다. 그래서 GEO에서는 기존 Keyword에 더해 Prompt가 중요한 측정 단위가 됩니다.
여기서 기본적으로 프롬프트를 두 종류로 나눠볼 수 있습니다. 브랜드 이름이 이미 들어간 질문(Brand-Explicit)과, 들어가지 않은 질문(Brand-Agnostic)입니다. “XXXX항공 기내식 어때?“는 전자, 위의 예제 질문 두 개는 후자에 속합니다.
이 구분이 GEO 실무에서 중요한 이유는 — 브랜드이름이 포함된 질문으로만 측정하면 당연히 그 결과 부풀려지기 때문이지요. 브랜드 이름을 넣고 물었으니 AI가 그 브랜드를 언급하는 건 어찌 보면 당연한 일입니다. 정작 알고 싶은 건 “브랜드에 대한 아무런 언급이 없었음에도 AI가 우리를 추천 후보로 떠올리는가”일 텐데, 이것은 Brand-Agnostic 질문에서 드러나게 됩니다. AI가 우리 브랜드를 알고 있느냐는 여기에서 판가름난다고 할 수 있겠지요.
또한, 이에 대한 질문 몇 개만 만들어 놓고 끝나서도 안 됩니다. 어떤 사용자(Persona)가 어떤 의도(Intent)로, 구매 여정의 어느 단계(Journey Stage)에서 묻는지까지 따져서, 브랜드를 넣은 질문과 넣지 않은 질문들을 체계적으로 모아 프롬프트 세트(Prompt Library)를 만들어 두어야 합니다.
GEO..한 번 봐서는 모른다.
앞서 답변 하나에 대해 다섯 가지 항목을 본다고 말씀드렸습니다 — 언급됐나, 추천됐나, 뭘 인용했나, 몇 번째였나, 어떤 톤이었나.
하지만 이 결과들은 여러 가지 상황에 따라 달라집니다. 같은 질문도 ChatGPT와 Perplexity가 다르게 답하고, 어제의 응답과 오늘의 응답이 다릅니다. 한 번 질의해보고 “우리 브랜드가 언급되었다” 혹은 “언급되지 않았다” 를 단정 짓는 것은 동전 한 번 던져놓고 앞면이 나올 확률을 논하는 것과 같습니다.
그래서 반복 가능한 측정 체계를 만들어 여러 플랫폼에 반복 테스트한 후 그 결과를 정량화해야합니다. 정량화를 위한 KPI들은 아래와 같습니다.
얼마나 자주 무대에 오르는가 — 브랜드가 답변에 등장한 비율(Brand Presence), 추천까지 간 비율(Recommendation Rate), 경쟁사 대비 우리의 비중(Share of Voice).
근거로 쓰이는가 — AI가 우리를 인용한 비율(Citation Rate), 그중 우리 공식 도메인이 인용된 비율(Owned-domain Citation). 이 둘은 꼭 구분해야 합니다. 제3자들이 우리 얘기를 해주는 것과, AI가 우리 사이트를 직접 펼쳐보는 건 전혀 다른 이야기니까요.
어떻게 다뤄지는가 — 여러 브랜드 중 몇 번째로 나오는지(Position), 긍정·중립·부정 중 어디인지(Sentiment), 우리가 다뤄지길 원하는 주제들을 실제로 얼마나 커버하는지(Topic Coverage).
동일 프롬프트 세트로 여러 AI 플랫폼에 주기적으로 테스트하여 이 지표들을 측정하면 추세가 보이기 시작합니다.
구조적으로 보면 다음과 같은 흐름입니다.
프롬프트 설계 → 여러 LLM에서 측정 → 격차 분석 → 개선 → 재측정 (Prompt Universe → Multi-LLM Measurement → Gap Analysis → Optimization → Re-measurement)
결국 GEO는 일회성 최적화 작업이라기보다 지속적인 측정과 개선을 반복하는 과정에 가깝다고 할 수 있겠습니다.
그래서 어쩌라고?
GEO가 빠르게 관심을 받으면서 몇 가지 기술적인 접근법들이 자주 거론되곤 합니다.
대표적으로 “JSON-LD를 추가하면 AI에 잘 노출된다”, “특정 파일 하나를 만들면 LLM이 사이트를 더 잘 학습한다”와 같은 내용들이죠.
GEO 전체를 하나의 기술 요소로 설명하기는 굉장히 어렵습니다만, 이러한 기술적 요소들이 GEO의 발판이 되는 것은 사실이므로 기본에 충실한다는 생각으로 접근하시는 것이 좋습니다.
그리고, 브랜드가 AI 답변에 등장하기 위해서는 사이트 내부뿐 아니라 외부의 Source Ecosystem도 중요하기 때문에 공식 웹사이트와 더불어 미디어, 전문 사이트, 커뮤니티, 리뷰, 영상 등 다양한 출처에서 브랜드와 주제에 관한 정보가 잘 형성될 수 있도록 노력하여야 합니다.
결론적으로, GEO는 ’기술 SEO의 확장판’만으로 보기보다는 Entity Authority, Citation Readiness, Semantic Fitness, Technical Accessibility 이라는 여러 관점에서 접근하는 것이 더 적절합니다.
그 외에 사전 전략을 잘 세우는 것, 개선 이후 지속적으로 측정하고 관리하는 것이 더 필요하다고 하겠습니다.
Summary / 01
핵심 요약
- GEO는 SEO를 기반으로 하되 AI 답변 안에 브랜드와 콘텐츠가 포함되는 것을 목표로 합니다.
- Entity Authority, Citation Readiness, Semantic Fitness, Technical Accessibility를 함께 진단합니다.
- 브랜드 이름이 없는 프롬프트를 여러 LLM에서 반복 측정합니다.
- 프롬프트 설계 → 측정 → 격차 분석 → 개선 → 재측정의 과정을 반복합니다.