검색이 분기하고 있다
2024년부터 검색 시장의 구조가 바뀌기 시작했다. 변화의 축은 하나다. 사용자가 링크를 클릭하지 않고도 답을 얻을 수 있게 되었다.
ChatGPT에 검색 기능이 붙었고, Perplexity는 “answer engine”을 표방하며 빠르게 사용자를 확보했다. Google은 AI Overviews(구 SGE)를 검색 결과 최상단에 배치하기 시작했고, Bing의 Copilot은 대화형 검색을 기본 인터페이스로 밀고 있다. 검색이라는 행위의 결과물이 “링크 10개”에서 “합성된 하나의 답변”으로 이동하고 있는 것이다.
이 변화가 만들어내는 문제는 명확하다. 기존 SEO 전략은 “내 링크를 클릭하게 만드는 것”에 최적화되어 있다. 그런데 사용자가 링크를 클릭하지 않는다면? AI가 여러 출처를 종합해 하나의 응답을 만들어내고, 사용자는 그 응답만 읽고 떠난다면? 이 구조에서 “내 콘텐츠가 AI의 응답에 포함되는 것” 자체가 새로운 최적화 대상이 된다.
이 문제의식에서 출발한 개념이 GEO(Generative Engine Optimization)다. GEO는 기존 SEO를 부정하는 것이 아니라, 검색 환경의 분기에 대응하는 새로운 최적화 레이어다. 기존 검색이 사라지는 것은 아니다. 다만 검색 결과를 소비하는 방식이 두 갈래로 갈라지고 있으며, 각각의 갈래에 맞는 전략이 필요해졌다.
AI 검색의 부상은 “SEO의 종말”이 아니라 “검색 최적화의 분기”다. GEO는 그 분기된 갈래 중 하나에 대응하는 프레임워크다.
시장 신호도 이를 뒷받침한다. Gartner는 2025년까지 전통적 검색엔진 트래픽이 25% 감소할 것으로 전망했고, 실제로 여러 퍼블리셔들이 유기 트래픽 감소를 보고하고 있다. 물론 이 수치의 해석에는 주의가 필요하다. 전체 검색 볼륨이 줄어든 것인지, AI 검색으로 이동한 것인지, 아니면 zero-click 검색이 늘어난 것인지는 아직 명확히 분리되지 않는다. 그러나 방향성은 분명하다. 콘텐츠 제작자가 가시성을 확보해야 하는 채널이 늘어났다.
GEO의 정의: 학술적 기원과 범위
GEO(Generative Engine Optimization)는 2024년 ACM SIGKDD 컨퍼런스에서 Aggarwal et al.이 발표한 논문 *“GEO: Generative Engine Optimization”*에서 처음 학술적으로 정의되었다.
논문의 정의를 요약하면 다음과 같다:
GEO는 생성형 검색 엔진(Generative Engines)이 응답을 생성할 때, 특정 콘텐츠 출처의 가시성(visibility)을 체계적으로 향상시키는 최적화 전략이다.
여기서 핵심 개념은 **가시성(visibility)**이다. SEO에서의 가시성은 “검색 결과 페이지에서 몇 번째에 위치하는가”였다. GEO에서의 가시성은 “AI의 응답 안에 내 콘텐츠가 출처로 포함되어 있는가, 그리고 어떤 비중으로 언급되는가”다. 측정 대상 자체가 다르다.
Aggarwal et al.은 이 가시성을 정량적으로 측정하기 위해 GEO-Bench라는 벤치마크를 함께 제안했다. GEO-Bench는 다양한 검색 쿼리에 대해 생성형 엔진의 응답에서 각 출처가 얼마나 두드러지게(prominently) 인용되었는지를 평가하는 프레임워크다. 단순한 포함 여부가 아니라, 응답 내에서의 위치와 비중까지 반영한다.
flowchart LR
A[사용자 쿼리] --> B[생성형 AI 엔진]
B --> C[소스 검색 및 선별]
C --> D[응답 생성]
D --> E[응답 내 출처 인용]
E --> F["GEO 측정 영역<br/>- 인용 포함 여부<br/>- 응답 내 비중<br/>- 언급 맥락"]
style F fill:#f0f4ff,stroke:#4a6cf7,stroke-width:2pxGEO가 측정하는 것과 측정하지 않는 것을 명확히 구분해야 한다.
| GEO가 측정하는 것 | GEO가 측정하지 않는 것 |
|---|---|
| AI 응답에서의 출처 인용 여부 | 해당 인용으로 인한 실제 트래픽 |
| 응답 내 브랜드/콘텐츠 언급 비중 | 사용자의 구매 전환이나 행동 변화 |
| 경쟁 출처 대비 가시성 점유율(SOV) | AI 모델 내부의 출처 선정 로직 |
| 쿼리 카테고리별 가시성 분포 | AI 응답에 대한 사용자의 신뢰도 |
이 구분이 중요한 이유는, GEO가 아직 “최적화가 비즈니스 성과로 이어지는 인과 경로”를 완전히 확립하지 못했기 때문이다. GEO Score가 높아졌다고 해서 매출이 올라간다는 보장은 없다. 그러나 “AI 검색에서 아예 언급되지 않는 것”보다 “언급되는 것”이 낫다는 전제는 합리적이며, GEO는 그 전제 위에서 작동한다.
Aggarwal et al.의 실험 결과 중 주목할 만한 수치가 있다. 통계 데이터 추가(Adding Statistics), 인용 추가(Cite Sources), 유창성 최적화(Fluency Optimization) 등의 전략을 적용한 콘텐츠는 생성형 엔진 응답에서 최대 40%까지 가시성이 향상되었다. 반면 키워드 단순 반복(keyword stuffing)은 GEO에서 유의미한 효과를 보이지 않았다. 이는 GEO가 SEO와 다른 메커니즘으로 작동함을 보여주는 핵심 증거다.
SEO: 기존 패러다임 복습
비교를 위해 SEO의 작동 구조를 간략히 정리한다.
SEO(Search Engine Optimization)는 Google, Bing 등 전통적 검색엔진에서 웹페이지의 노출 순위를 높이는 최적화 전략이다. 20년 이상 검증된 프레임워크이며, 작동 메커니즘은 명확하게 정의되어 있다.
flowchart LR
A[크롤링<br/>Googlebot이 웹 탐색] --> B[인덱싱<br/>콘텐츠를 색인에 저장]
B --> C[랭킹<br/>200+ 신호로 순위 결정]
C --> D[노출<br/>SERP에 링크 목록 표시]
D --> E[클릭<br/>사용자가 링크 선택]SEO의 핵심 순위 결정 요소는 크게 세 축이다:
- 관련성(Relevance): 쿼리와 콘텐츠의 의미적 일치도. 키워드, 토픽 커버리지, 검색 의도 충족.
- 권위(Authority): 백링크 프로필, 도메인 신뢰도, E-E-A-T(경험·전문성·권위·신뢰) 신호.
- 사용자 경험(UX): 페이지 속도, 모바일 최적화, Core Web Vitals, 체류 시간.
중요한 점은, 이 모든 것이 “사용자가 링크를 클릭한다”는 전제 위에 설계되어 있다는 것이다. SEO의 성공 지표인 CTR(클릭률), 유기 트래픽, 전환율은 모두 “클릭”이라는 행위에 의존한다. AI 검색에서 이 전제가 약해지면서, 클릭 기반이 아닌 새로운 최적화 프레임워크의 필요성이 대두된 것이다.
Google Analytics와 Search Console이라는 성숙한 측정 인프라가 존재한다는 점도 SEO의 강점이다. 어떤 키워드로 유입되었는지, 클릭률이 몇 %인지, 평균 순위가 어떻게 변했는지를 정밀하게 추적할 수 있다. GEO에는 아직 이에 상응하는 표준 도구가 없다.
구조적 차이: 6가지 차원
SEO와 GEO는 같은 “검색 최적화”라는 범주에 속하지만, 작동 원리가 근본적으로 다르다. 아래 6가지 차원에서 그 차이를 분석한다.
1. 노출 방식: 링크 목록 vs 응답 내 인라인 언급
SEO와 GEO의 가장 직관적인 차이는 사용자에게 콘텐츠가 “보이는 방식”이다.
SEO의 노출: 사용자가 “프로젝트 관리 도구 비교”를 검색하면, Google은 관련 웹페이지의 링크 10개를 순위별로 나열한다. 각 링크에는 제목, URL, 메타 설명이 표시된다. 사용자는 이 중 하나를 선택해 클릭하고, 해당 사이트에 방문한 뒤 정보를 소비한다.
GEO의 노출: 같은 질문을 Perplexity에 하면, AI가 여러 출처를 종합하여 “Notion은 올인원 워크스페이스로 강점이 있고, Asana는 태스크 관리에 특화되어 있으며, Linear는 개발팀에 최적화되어 있다”와 같은 합성 응답을 생성한다. 각 도구 이름 옆에 출처 번호가 붙을 수 있지만, 사용자가 그 출처를 클릭할 확률은 전통적 검색보다 현저히 낮다.
| 차원 | SEO | GEO |
|---|---|---|
| 노출 형태 | SERP의 링크 목록 (제목 + URL + 설명) | AI 응답 본문 내 인라인 언급 또는 각주 인용 |
| 사용자 행동 | 링크 클릭 → 사이트 방문 → 정보 소비 | 응답 내에서 정보 소비 완료. 클릭 없이 종료 가능 |
| 노출의 가치 | 클릭을 유도하는 진입점 | 브랜드 인지 및 신뢰 구축의 접점 |
| 실패의 의미 | 1페이지 밖으로 밀림 = 사실상 비노출 | AI 응답에서 제외 = 해당 쿼리에서 존재감 zero |
이 차이가 만드는 실무적 함의는 크다. SEO에서는 메타 타이틀과 설명을 최적화해 CTR을 높이는 것이 중요한 전술이었다. GEO에서는 메타 태그가 아니라, 콘텐츠 본문이 AI가 인용하기 좋은 형태로 구조화되어 있는지가 핵심이다. 최적화의 대상이 “검색 결과 스니펫”에서 “콘텐츠 본문 자체”로 이동한다.
2. 측정 지표: 순위와 클릭 vs 가시성 점수와 언급률
측정할 수 없으면 최적화할 수 없다. SEO와 GEO는 “무엇을 측정하는가”부터 다르다.
| 지표 유형 | SEO | GEO |
|---|---|---|
| 핵심 성과 지표 | 키워드 순위, CTR, 유기 트래픽, 전환율 | GEO Score, Share of Voice(SOV), Mention Rate |
| 권위 지표 | Domain Authority(DA), Page Authority | 인용 빈도, 출처 선택률 |
| 콘텐츠 품질 지표 | 체류 시간, 이탈률, 페이지뷰 | PAWC(Position-Adjusted Word Count), 응답 내 비중 |
| 경쟁 분석 지표 | SERP 점유율, 키워드 갭 | 브랜드별 SOV 비교, 쿼리별 언급 패턴 |
| 측정 도구 | GA, GSC, Ahrefs, SEMrush (20년+ 성숙) | 전용 GEO 트래킹 도구 (초기 단계, 표준 미확립) |
GEO 고유 지표를 좀 더 구체적으로 살펴보면:
- GEO Score: Aggarwal et al.이 GEO-Bench에서 제안한 가시성 종합 점수. 특정 쿼리 세트에 대해 AI 응답에서 해당 출처가 얼마나 두드러지게 인용되는지를 수치화한다.
- Share of Voice(SOV): 특정 쿼리 카테고리에서 내 브랜드가 AI 응답에 언급되는 비율. 경쟁사 대비 상대적 가시성을 비교하는 데 유용하다.
- Mention Rate: 관련 쿼리 N개 중 내 브랜드가 언급된 응답의 비율. 절대적 가시성 지표.
- PAWC(Position-Adjusted Word Count): AI 응답 내에서 내 브랜드 관련 서술의 분량을, 응답 내 위치에 따라 가중치를 적용하여 산출한 지표. 응답 초반에 언급되는 것이 후반에 언급되는 것보다 높은 가중치를 받는다.
현재 GEO 측정의 가장 큰 난제는 도구의 부재와 표준의 미확립이다. SEO에서는 Search Console 하나만 있어도 기본적인 성과 추적이 가능하지만, GEO에서는 각 AI 검색 엔진의 응답을 개별적으로 수집하고 분석해야 한다. API가 제한적이거나 아예 없는 경우도 많다.
3. 콘텐츠 전략: 키워드 중심 vs 인용 적합성 중심
SEO 콘텐츠 전략의 핵심은 키워드와 검색 의도의 정합이다. 타겟 키워드를 제목, H1, 본문에 자연스럽게 배치하고, 검색 의도(정보형/탐색형/거래형)에 맞는 콘텐츠 구조를 설계하며, 내부 링크와 백링크를 통해 권위를 쌓는다. 이 전략은 검색엔진의 랭킹 알고리즘이 이런 신호들을 사용한다는 전제 위에 작동한다.
GEO 콘텐츠 전략의 핵심은 **인용 적합성(citation-worthiness)**이다. AI가 응답을 생성할 때, “이 출처를 인용하면 응답의 품질이 높아지겠다”고 판단하게 만드는 것이다.
| 전략 차원 | SEO | GEO |
|---|---|---|
| 콘텐츠 설계 기준 | 키워드 밀도, 메타 태그, 내부 링크 | 구조화된 답변, 사실 정확성, 인용 가능한 문장 |
| 품질 평가 기준 | E-E-A-T (경험, 전문성, 권위, 신뢰) | 팩트 밀도, 통계 포함, 명확한 주장-근거 구조 |
| 콘텐츠 포맷 | 장문 가이드, 리스트형, 비교 리뷰 | 간결한 팩트 단위, 정의형 문장, 수치 포함 서술 |
| 키워드 전략 | 타겟 키워드 + LSI 키워드 체계적 배치 | 키워드보다 토픽 커버리지와 답변 완결성 |
Aggarwal et al.의 실험에서 확인된 GEO 효과적 전략을 구체적으로 보면:
효과적인 전략:
- 통계 데이터 추가(Adding Statistics): “시장 규모는 약 50억 달러다”와 같은 정량적 데이터를 포함하면 AI가 해당 출처를 인용할 확률이 높아진다.
- 인용 추가(Cite Sources): 콘텐츠 내에서 다른 신뢰할 수 있는 출처를 인용하면, AI가 해당 콘텐츠 자체를 더 신뢰할 수 있는 출처로 간주한다.
- 유창성 최적화(Fluency Optimization): 문장이 명확하고 읽기 쉬울수록, AI가 응답에 직접 통합하기 용이하다.
효과 없는 전략:
- 키워드 반복(Keyword Stuffing): SEO에서도 이미 패널티 대상이었지만, GEO에서는 아예 유의미한 효과가 없다.
실무적으로 가장 중요한 시사점은 이것이다: GEO에서는 “AI가 복사-붙여넣기 하고 싶은 문장”을 쓰는 것이 핵심이다. 명확한 정의, 구체적인 수치, 논리적인 인과관계를 담은 문장이 인용될 확률이 높다. 장황한 서론이나 감성적 표현은 AI 인용에 기여하지 않는다.
4. 경쟁 구도: 10개 링크 경쟁 vs 하나의 응답 안에서의 공존
SEO에서의 경쟁은 직관적이다. Google 1페이지에는 통상 10개의 유기 링크가 표시된다. 1위의 CTR은 평균 약 27%, 10위는 약 2.5%다. 순위 하나 차이가 트래픽에 직접적 영향을 준다. 구조적으로 제로섬(zero-sum)에 가까운 경쟁이다.
flowchart TB
subgraph SEO["SEO: 순위 기반 제로섬 경쟁"]
direction TB
S1["1위: Brand A ← CTR ~27%"]
S2["2위: Brand B ← CTR ~15%"]
S3["3위: Brand C ← CTR ~11%"]
S4["..."]
S5["10위: Brand J ← CTR ~2.5%"]
end
subgraph GEO["GEO: 하나의 응답 내 동시 언급"]
direction TB
G1["AI 응답 본문"]
G2["'Brand A는 ~에 강점이 있고,<br/>Brand C는 ~에서 높은 평가를 받으며,<br/>Brand F도 ~를 제공한다.'"]
G1 --> G2
endGEO에서의 경쟁은 다른 구조를 갖는다. 하나의 AI 응답 안에 여러 브랜드가 동시에 언급될 수 있다. “프로젝트 관리 도구 추천해줘”라는 쿼리에 대해 AI는 3~5개의 도구를 함께 소개할 수 있다. 이 구조에서 경쟁은 두 단계로 나뉜다:
- 1차 경쟁: 언급되었는가 vs 언급되지 않았는가. AI 응답에 포함되지 않으면 가시성은 zero다.
- 2차 경쟁: 어떤 맥락에서 언급되었는가. “가장 먼저 소개되었는가”, “긍정적 맥락인가”, “구체적 장점과 함께 언급되었는가”가 경쟁 포인트다.
이 구조적 차이는 전략에도 영향을 준다. SEO에서는 “경쟁 키워드에서 순위를 한 칸이라도 올리는 것”이 명확한 목표였다. GEO에서는 “AI가 해당 카테고리를 설명할 때 반드시 언급하는 브랜드가 되는 것”이 목표다. 순위라는 개념이 약해지고, 존재감(presence) 확보가 핵심이 된다.
5. 출처의 역할: 백링크=권위 vs 인용=AI의 증거
SEO에서 백링크(backlink)는 권위의 핵심 지표다. 다른 사이트가 내 콘텐츠를 링크하는 것은 “이 콘텐츠가 참고할 가치가 있다”는 외부 투표(external vote)로 간주된다. Google의 PageRank 알고리즘이 이 원리 위에 설계되어 있으며, Domain Authority, Page Authority 같은 파생 지표가 이를 수치화한다.
GEO에서 출처의 역할은 다르다. AI가 응답에 붙이는 인용(citation)은 **“내 응답이 정확하다는 근거”**로서 기능한다. Perplexity의 응답을 예로 들면, 응답 하단에 [1], [2], [3]과 같은 숫자가 붙고, 각 숫자는 AI가 해당 서술의 근거로 사용한 출처를 가리킨다.
| 차원 | SEO의 백링크 | GEO의 인용 |
|---|---|---|
| 본질 | 외부 사이트의 추천 (사람이 판단) | AI 모델의 근거 제시 (알고리즘이 선택) |
| 축적 방식 | 링크 빌딩, 아웃리치, PR 활동 | 콘텐츠 품질, 사실 정확성, 구조화 |
| 통제 가능성 | 부분적 통제 가능 (아웃리치, 게스트 포스팅) | 직접 통제 어려움, 간접적 영향만 가능 |
| 평가 주체 | 검색엔진 알고리즘 (PageRank 계열) | AI 모델의 출처 선택 로직 (비공개) |
| 투명성 | 백링크 프로필 확인 가능 (Ahrefs 등) | AI의 출처 선택 기준 불투명 |
Chen et al.(2025)의 연구는 여기서 중요한 발견을 제시한다. AI 검색 엔진은 브랜드가 직접 운영하는 채널(brand-owned media)보다 제3자 미디어(earned media)를 출처로 선호하는 경향을 보인다. 예를 들어, “Brand A가 최고다”라는 Brand A의 자사 블로그 글보다, “Brand A가 시장을 리드하고 있다”라는 업계 분석 리포트가 AI에 인용될 확률이 높다.
이 발견의 실무적 함의는 크다. SEO에서는 자사 사이트를 중심으로 콘텐츠를 축적하고, 거기에 백링크를 쌓는 것이 표준 전략이었다. GEO에서는 자사 사이트 외에도, 제3자 매체에서 자사가 긍정적으로 언급되는 것이 중요하다. PR, 기고, 업계 리포트 참여, 리뷰 확보 등이 GEO 관점에서 새로운 가치를 갖게 된다.
6. ROI 측정: 확립된 퍼널 vs 미지의 영역
SEO의 ROI 측정 체계는 20년 이상 축적되어 왔다. 퍼널이 명확하다:
유기 검색 유입 → 페이지 조회 → 전환(가입, 구매, 문의) → 매출각 단계를 Google Analytics와 Search Console로 추적할 수 있고, 어떤 키워드가 얼마나 매출에 기여했는지를 역추적할 수 있다. 물론 attribution 문제가 완전히 해결된 것은 아니지만, 적어도 업계 표준이 존재한다.
GEO의 ROI 측정은 아직 표준이 없다. 근본적인 문제가 두 가지 있다:
첫째, AI 응답에서의 언급이 실제 비즈니스 성과로 이어지는 인과 경로가 불명확하다. AI 응답에서 내 브랜드가 언급되었다고 해서, 사용자가 그 브랜드를 기억하는지, 나중에 검색하는지, 구매로 이어지는지를 추적하기 어렵다. 특히 AI 응답 내 출처 링크를 클릭하지 않는 경우, 기존 분석 도구로는 해당 접점 자체가 포착되지 않는다.
둘째, 데이터 수집 인프라가 미성숙하다. 각 AI 검색 엔진이 내 브랜드를 몇 번 언급했는지를 체계적으로 추적하려면, 각 엔진에 동일한 쿼리를 반복 입력하고 응답을 수집·분석해야 한다. 이를 자동화하는 상용 도구가 아직 초기 단계에 있으며, 비용과 정확도 모두 과제가 남아 있다.
| 차원 | SEO ROI | GEO ROI |
|---|---|---|
| 퍼널 | 유입→조회→전환→매출 (확립됨) | 언급→인지→행동(?) (미확립) |
| 표준 도구 | GA, GSC, Ahrefs, SEMrush | 전용 도구 초기 단계 |
| 데이터 수집 | 자동화, 실시간 | 반자동, 주기적 수집 필요 |
| 벤치마크 | 산업별 평균 CTR, DA 기준 풍부 | 기준선 자체가 없음 |
| 인과 관계 | 부분적으로 확립 | 상관은 추정 가능, 인과 미확립 |
현재 가능한 GEO ROI 측정 접근법은 다음과 같다:
- GEO Score 추이 추적: 타겟 쿼리 세트에 대해 주기적으로 GEO Score를 측정하고, 시간에 따른 변화를 관찰.
- SOV 비교: 경쟁사 대비 내 브랜드의 AI 응답 점유율을 비교. 상대적 성과 파악.
- 브랜드 검색량 상관 분석: GEO Score 변화와 Google에서의 브랜드명 검색량 변화를 비교. 간접적 상관 파악.
- Referral 분석: AI 검색 엔진에서 유입되는 트래픽을 GA에서 분리 추적. (가능한 범위 내에서)
전체 비교 요약
| 비교 차원 | SEO | GEO |
|---|---|---|
| 최적화 대상 | 검색 결과 페이지의 링크 순위 | AI 응답 내 출처 인용 |
| 노출 형태 | 링크 목록 | 인라인 언급 / 각주 인용 |
| 핵심 지표 | 순위, CTR, 유기 트래픽 | GEO Score, SOV, Mention Rate |
| 콘텐츠 전략 | 키워드 + 백링크 + UX | 인용 적합성 + 사실 정확성 + 구조화 |
| 경쟁 구조 | 10개 링크 제로섬 | 하나의 응답 내 공존 가능 |
| 출처 역할 | 백링크 = 외부 투표 | 인용 = AI의 증거 |
| ROI 측정 | 확립된 퍼널 + 표준 도구 | 미확립, 초기 단계 |
| 기술 성숙도 | 20년+ | 2년 미만 |
| Earned Media 가치 | 높음 (백링크 소스) | 더 높음 (AI 선호 출처) |
SEO와 GEO의 관계: 대체가 아닌 보완
6가지 차이를 분석했지만, 결론은 “SEO를 버리고 GEO로 갈아타라”가 아니다. 구조적 차이가 있다는 것이 상호 배타적이라는 뜻은 아니다.
두 전략의 관계를 계층 구조로 이해하는 것이 현실적이다.
flowchart TB
subgraph LAYER3["GEO 확장 레이어"]
direction TB
G1["인용 적합성 최적화"]
G2["통계·팩트 밀도 강화"]
G3["Earned Media 전략"]
G4["GEO Score 모니터링"]
end
subgraph LAYER2["SEO + GEO 공유 영역"]
direction TB
S1["사실 정확성"]
S2["구조화된 콘텐츠"]
S3["E-E-A-T 신호"]
S4["토픽 권위"]
end
subgraph LAYER1["SEO 기반 레이어"]
direction TB
B1["기술적 SEO: 크롤링, 인덱싱, 사이트맵"]
B2["키워드 리서치 + 검색 의도 분석"]
B3["백링크 프로필 구축"]
B4["GA/GSC 측정 인프라"]
end
LAYER1 --> LAYER2 --> LAYER3이 계층 구조에서 몇 가지 사실이 명확해진다:
1. SEO 기반이 탄탄한 콘텐츠가 GEO에서도 유리하다. 사실 정확성, 구조화된 정보, 권위 있는 출처 인용은 SEO와 GEO 모두에서 유효한 품질 신호다. SEO를 잘 하고 있었다면, GEO를 위해 추가로 해야 할 것은 생각보다 적을 수 있다.
2. 그러나 GEO에서만 중요한 영역이 존재한다. Earned media 확보, AI 인용에 최적화된 문장 구조(정의형·수치 포함 서술), GEO Score 모니터링은 SEO 프레임워크에는 없는 것이다. 이 부분이 GEO 고유의 최적화 영역이다.
3. SEO 없이 GEO만 하는 것은 비현실적이다. AI 검색 사용자 비율이 빠르게 증가하고 있지만, 전체 검색 볼륨에서 전통적 검색이 차지하는 비중이 여전히 압도적이다. GEO에만 집중하고 SEO를 무시하면, 더 큰 트래픽 채널을 포기하는 셈이다.
Chen et al.(2025)의 연구는 이 보완 관계에 대한 추가 근거를 제공한다. 이들의 분석에 따르면, AI 검색 엔진이 출처로 선호하는 earned media(리뷰, 업계 분석, 기고문 등)는 동시에 SEO에서도 백링크 소스로서 가치가 있다. 즉, earned media 확보 전략은 SEO와 GEO 모두에 기여하는 공통 투자다.
| 영역 | SEO 가치 | GEO 가치 | 우선순위 |
|---|---|---|---|
| 기술적 SEO (크롤링, 사이트맵) | 높음 | 간접적 (인덱싱이 AI 학습 데이터에 영향) | SEO 기반으로 선행 |
| 키워드 리서치 | 높음 | 낮음 (GEO는 키워드 기반이 아님) | SEO에서 주로 활용 |
| 구조화된 콘텐츠 | 높음 | 높음 | 공유 영역, 동시 투자 |
| 사실 정확성 + 통계 | 중간 | 높음 | GEO에서 특히 중요 |
| 백링크 빌딩 | 높음 | 간접적 | SEO에서 주로 활용 |
| Earned Media 확보 | 중간 | 높음 | GEO에서 특히 중요 |
| 인용 가능한 문장 구조 | 낮음 | 높음 | GEO 고유 영역 |
실무 시사점: GEO를 시작하려는 실무자를 위한 체크리스트
GEO는 아직 초기 단계의 분야다. 학술적 정의가 확립된 지 2년이 채 되지 않았고, 측정 도구도 표준화되지 않았다. 이 상황에서 “무엇부터 해야 하는가”는 중요한 실무 질문이다.
아래 체크리스트는 SEO 기반이 어느 정도 갖춰진 상태에서, GEO 레이어를 추가하려는 실무자를 위한 것이다.
Phase 1: 현황 파악
- 내 브랜드명 + 핵심 키워드를 ChatGPT Search, Perplexity, Google AI Overviews에 각각 입력. 현재 AI 응답에서 내 브랜드가 언급되는지 확인.
- 경쟁사에 대해서도 동일 작업 수행. 누가 언급되고 누가 빠져 있는지 파악.
- AI 응답에서 인용되는 출처의 패턴 분석. 어떤 유형의 콘텐츠가 인용되고 있는가 (자사 사이트? 리뷰 사이트? 위키피디아?).
Phase 2: 콘텐츠 최적화
- 기존 핵심 콘텐츠를 리뷰하고, 인용 가능한 팩트 단위 문장이 있는지 점검. 없으면 추가.
- 주요 콘텐츠에 구체적 통계, 수치, 날짜를 포함. “시장이 성장하고 있다” → “시장 규모가 2024년 X억 달러에서 2025년 Y억 달러로 성장했다”로 변경.
- 콘텐츠 내에서 신뢰할 수 있는 외부 출처를 인용. AI가 “이 콘텐츠 자체가 인용할 만하다”고 판단할 근거를 만든다.
- 정의형 문장 확보. “X란 Y하는 Z이다”와 같은 명확한 정의가 AI에 인용되기 쉽다.
Phase 3: Earned Media 전략
- 업계 리포트, 비교 리뷰 사이트, 전문 매체에서 내 브랜드가 언급되도록 PR 활동 강화.
- 기고, 인터뷰, 팟캐스트 출연 등을 통해 제3자 매체에서의 언급 빈도를 높인다.
- Chen et al.의 발견에 근거하여, brand-owned 콘텐츠뿐 아니라 earned media 확보에 리소스를 배분.
Phase 4: 측정 체계 구축
- 타겟 쿼리 세트를 정의하고, 주기적으로 AI 검색 엔진의 응답에서 내 브랜드 언급 여부를 확인하는 프로세스를 수립.
- 가능하다면, GEO Score 추적 도구를 도입하거나 직접 구축. (규모에 따라 수동 추적도 가능)
- 브랜드 검색량, referral 트래픽 등 간접 지표와 GEO 가시성의 상관관계를 정기적으로 분석.
GEO의 시작은 “AI에게 내 브랜드를 검색해보는 것”이다. 현재 상태를 모르면 최적화도 불가능하다.
References
- Aggarwal, P. et al. (2024). GEO: Generative Engine Optimization. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD 2024).
- Chen, Y. et al. (2025). Generative Engine Optimization: How to Dominate AI Search. Working Paper.
Related Posts
AI 검색 엔진 비교: ChatGPT Search, Perplexity, AI Overviews
ChatGPT Search, Perplexity, Google AI Overviews 3개 엔진의 정확도·속도·비용 비교. 쿼리 유형별 최적 엔진 추천 포함.
n8n의 Fair-code 실험 — 오픈소스도 아니고 클로즈드도 아닌
n8n의 Fair-code 라이선스 전략을 통해 오픈소스 사업화의 AWS 리스크 대응 방안과 라이선스가 사업 모델의 가능 범위를 결정하는 메커니즘 분석
오픈소스 라이선스 선택 가이드 — MIT vs Apache vs Fair-code vs 추가조건
MIT, Apache 2.0, BSL 등 오픈소스 라이선스별 특징을 비교하고, 프로젝트 규모와 수익 모델에 따른 선택 프레임워크 및 MMU의 MIT 채택 사례 분석