GEO에 올인하고 있다면, 지금부터 읽을 이야기가 조금 불편할 수도 있다. BrightEdge 조사에 따르면 68%의 브랜드가 AI 검색(GEO) 흐름을 잡기 위해 검색 전략을 바꾸고 있다. 그 수치 자체는 놀랍지 않다. ChatGPT가 나온 지 벌써 3년, 그 파도를 못 본 척할 사람은 이제 없다. 문제는 다른 데 있다.

문제는 “GEO가 어디까지 해주는지”를 아는 사람이 드물다는 것이다. 지금 검색 마케팅 미팅에 가면 “AI 검색 가시성이요, GEO 최적화요”라는 말이 빠지지 않는다. 그런데 정작 AI 검색이 절대 못 하는 일을 아는 B2B 마케터는 거의 없다. “AI 검색이 중요하다”와 “AI 검색에 전부 걸어도 된다”는 전혀 다른 문장인데, 너무 많은 팀이 둘을 같은 뜻으로 쓴다.

이 글은 Search Engine Land에 실린 컬럼(Adam Tanguay, 2025)을 기반으로, B2B SaaS 마케팅 관점에서 AI 검색의 세 가지 구멍과 그 구멍을 메우는 방법을 정리한 글이다. 그리고 마지막엔 — 우리가 직접 이 지점을 워크플로에 어떻게 적용했는지도 곁들였다.

경고: 아래 내용은 하베스터가 수집한 외부 기사 기반이다

이 글의 3가지 한계와 수치는 모두 Search Engine Land 기사와 그 안에 인용된 BrightEdge 데이터에서 가져온 외부 정보다. 내 경험처럼 포장하지 않기 위해, 이 섹션부터는 어디서 온 근거인지 명확히 구분해서 쓴다. 내가 실제로 부딪혀서 느낀 부분은 글 맨 끝, ‘상호작용’ 섹션에서만 다룬다.

구멍 1 — AI 검색은 ‘신규 카테고리’의 인지도를 못 키운다

전통 SEO든 PPC든, 검색 마케팅은 원래 이미 인지도가 있는 대상을 더 잘 찾게 해주는 장치다. 의도 기반(intent-based)이라서다. “이 제품이 뭔지 모르는 사람”을 유치하는 일은 원래 검색의 몫이 아니었다. AI 검색도 이 근본 한계를 그대로 물려받는데, 거기에 한 겹을 더 얹는다.

AI 검색은 콘텐츠 인덱싱 속도가 전통 검색엔진보다 느리다. AI 모델이 답을 만들려면 먼저 전통 검색엔진이 콘텐츠를 인덱싱한 결과를 기다려야 하기 때문이다. 즉, 완전히 새로운 솔루션이 AI 검색 결과에 모습을 드러내는 데 걸리는 시간은 전통 SEO보다 훨씬 더 길다.

신제품을 출시하는 B2B SaaS 팀에게 이건 뼈아픈 문장이다. “우리 신제품이 ChatGPT 답변에 나오게 하자”는 계획이, 실제로는 “우리가 전통 검색엔진에서 먼저 인덱싱될 때까지 몇 달을 기다려야 한다”는 뜻이기 때문이다.

구멍 1의 해법 — ‘트로이 목마’ 전략을 써라

원문의 해법은 전통 SEO와 똑같다. 트로이 목마(Trojan horse) 전략. 신제품을, 이미 인지도가 잡힌 기존 카테고리·쿼리·테마에 연결하는 것이다.

예를 들어 “AI 기반 이메일 분류 솔루션”을 출시했다면, “이메일 분류”라는 낯선 단어로 시작하지 말고 “이메일 관리 도구”, “받은 편지함 정리” 같은 이미 사람들이 검색하는 언어 안에 새 제품을 심는 방식이다. 인지도가 이미 존재하는 곳에 씨앗을 심어라. 그러면 AI 검색이 나중에 인덱싱하기 시작했을 때, 당신의 신제품은 낯선 카테고리 대신 익숙한 카테고리의 연장선상에서 발견된다.

구멍 2 — AI 검색은 ‘전문가용 뉘앙스’에 약하다

이커머스는 구매 경로가 짧고 직선적이다. 반면 B2B 구매는 여러 층의 맥락이 얽힌다. CFO부터 실무 담당자까지, 구매 결정에 참여하는 모든 사람이 자신 있게 동의해야 한다. 이건 AI 검색이 잘하는 영역이 아니다.

원문의 비유가 정확하다. AI 검색 모델은 바늘 찾기(needle-in-a-haystack)에는 강하지만, 건초더미 설계(haystack)에는 약하다. “저금리 모기지를 재융자하지 않고 주택 지분을 활용하려면?” 같은 정밀한 질문에는 딱 맞는 상품 유형을 골라준다. 그런데 “창고를 현대화하는 최선의 방법은?” 같은 전략적 질문에는 답이 뭉개지고 일반화된다. 회사의 규모, 예산, 목표라는 고유한 맥락을 모델이 반영하지 못하기 때문이다.

여기에 환각(hallucination) 문제까지 겹친다. 최신 모델도 여전히 “정확성 개선”을 목표로 하고 있을 정도로, AI 검색 결과는 걸러서 받아들여야 하는 수준이다. B2B처럼 깊이가 중요한 구매에서는 이 리스크가 배가된다. 다중 구매 위원회를 설득해야 하는 자리에서 한 줄의 오류가 통째로 신뢰를 깎는다.

구멍 2의 해법 — ‘삼각측량’으로 분산 배치하라

원문 저자가 클라이언트에게 쓰는 단어는 삼각측량(triangulation)이다. 전문가가 필요한 깊이를, 사용자가 실제로 정보를 얻으러 가는 모든 곳에 미리 깔아두는 것. LLM뿐 아니라 구글, 레딧, 업계 리스팅, 그리고 무엇보다 오운드 미디어(owned media)까지.

화이트페이퍼, 사용자 가이드, 케이스 스터디. AI 검색이 “뭉갠” 부분을, 당신의 콘텐츠가 층이 쌓인 답변으로 보충하는 구조다. “ChatGPT가 일반화된 답을 주면, 어디로 가야 정교한 답을 얻지?”라는 질문에 대한 답을 당신의 사이트가 되게 하라.

구멍 3 — AI 검색에는 ‘진짜 객관성’도, ‘그럴듯한 객관성’도 없다

AI 검색의 신뢰도 문제는 아이러니하게도 구글 자신이 증명했다. 구글의 AI Overviews는 “자신(구글)의 결과가 ChatGPT보다 더 신뢰받는다”는 답을 내놓는다. 그런데 그 답이 구글이 만든 제품에서 나온 것이다. 그 자체가 객관성 문제의 표본이다.

더 근본적인 문제는 AI 검색이 출처를 인용하지 않을 때가 많다는 것. “우리 업계 상위 제공자 목록을 줘” 같은 질문에 대한 답변은, 사실은 목록에 이름을 올린 제공자들의 콘텐츠를 그대로 끌어온 결과일 수 있다. 즉 그 답변은 “업계에서 검증된 순위”가 아니라 “GEO를 잘 해둔 브랜드 목록”일 가능성이 높다.

물론 사용자가 “출처를 밝혀줘”라고 물으면 링크를 주긴 한다. 그런데 이 행동 자체가 LLM을 쓰는 이유와 모순된다. 사람이 LLM을 쓰는 건 빠르고 소화 가능한 답 하나를 얻기 위해서지, 링크 디렉토리를 받아서 일일이 교차 검증하기 위해서가 아니다.

결과적으로 AI 검색이 주는 “고려 대상 목록(consideration set)”은 깔끔하고 읽기 쉽다. 다만 그 안에는 검증도, 사회적 증거(social proof)도 없다. 그게 빠진 답변을 받은 사용자는, 그리고 그 답변에서 이름이 빠진 브랜드는, 어딘가에서 보충 단계가 필요해진다.

구멍 3의 해법 — 검증은 여전히 ‘전통 SERP’로 흐른다

원문 저자의 팀 데이터에 따르면, ChatGPT 출시 이후에도 B2B/SaaS의 하위 퍼널(bottom-of-funnel) 리서치는 여전히 구글 리뷰, G2·Capterra 리스팅, 브랜드 케이스 스터디에 의존한다. AI 검색 결과에 의존하지 않는다. 저자 자신도 도구를 고를 때 AI 검색으로 후보를 좁히고, 그다음 구글로 각 브랜드를 깊게 조사한다고 한다. 케이스 스터디, 유스 케이스, 리뷰는 LLM 결과보다 전통 SERP에서 훨씬 찾기 쉽다는 이유에서다.

여기서 권하는 행동은 두 가지다. 하나, 사용자처럼 생각하라. LLM이 한계에 부딪히면 사람들은 어디로 가서 검증을 받을까? 영업팀과 협업해 고객이 실제로 정보를 모으는 경로를 파악하라. 둘, 오운드 미디어가 ChatGPT가 답하지 못하는 질문에 답하게 하고, 서드파티 리뷰와 리스팅 전략을 병행하라. 이 두 조각이 없으면 중간 퍼널과 하위 퍼널 사이에서 전환을 흘린다.

결론 — GEO는 전부가 아니라 ‘한 축’이다

정리하면, AI 검색은 세 가지 일을 하지 못한다. 새로운 카테고리의 인지도를 만들지 못하고, 전문가가 원하는 뉘앙스를 주지 못하고, 검증과 사회적 증거를 제공하지 못한다. 이건 AI 검색이 실패했다는 말이 아니다. 도구가 본래 강한 일과 약한 일이 분명하다는 말이다.

지금 당장은 이것으로 충분하다. AI 검색 결과가 고정된 것이 아니고, 언젠가 모델 엔지니어들이 리뷰와 서드파티 순위를 답변에 반영할 수도 있다. 하지만 그날까지, B2B 마케터는 AI 검색이 하지 못하는 일을 전통 SEO가 보강하는 균형 전략을 가져가야 한다. 한쪽에 올인하면, 그 구멍을 경쟁자가 exploit한다.

우리는 이걸 워크플로에 이렇게 넣었다

여기부터는 외부 기사가 아니라, 이 글을 준비하면서 우리가 실제로 한 일이다. 이 글은 외부 기사 하베스터가 이 주제를 수집·분석해 큐레이션한 것에서 시작했는데, 그 과정에서 이 글의 논리가 우리 시스템에 그대로 적용됐다.

우리 시스템은 외부 SEO 기사를 수집해 분석하는데, AI 검색 관련 기사를 “AI 검색이 뭐가 중요하냐”는 단일 프레임으로만 평가하고 있었다. 이 컬럼을 분석하면서 “AI 검색의 한계”라는 반대 프레임이 통째로 빠져 있다는 걸 깨달았다. 그래서 지금은 수집·분석 프레임에 “AI 검색의 한계·보완 전략” 태그를 추가했고, GEO 최적화를 할 때도 전통 SEO 자산(케이스 스터디, 오운드 미디어 깊이)을 함께 점검하도록 했다. 이 글을 쓰는 행동 자체가, 글 속에서 말한 “균형”을 우리가 먼저 적용한 것이다.

이제 당신 차례다. 이번 주, 다음 GEO 콘텐츠를 기획하기 전에 세 가지를 자문해보라. ① 신제품이라면, 어떤 익숙한 카테고리에 연결할 것인가(트로이 목마)? ② 전문가가 찾는 깊이가 오운드 미디어에 이미 쌓여 있는가(삼각측량)? ③ 후보 목록을 받은 고객이 어디서 검증을 받게 할 것인가(G2·리뷰·케이스)? 셋 다 “예”여야 GEO가 비로소 완성된다. 어떤 팀은 이 체크리스트를 댓글로 공유해주면, 다음 글에서 실제 사례로 다뤄보겠다.

근거 출처

외부 정보 (하베스터 수집):

  • Adam Tanguay, “3 key AI search limitations for B2B SaaS marketing”, Search Engine Land, 2025년 10월 16일 — 3가지 한계(신규 버티컬 인지도 성장 불가 / 전문가용 뉘앙스 부족 / 객관성 부족)와 각각의 해법(트로이 목마, 삼각측량, SERP 기반 검증), “AI search can find the needle but it can’t design the haystack” 비유, B2B 하위 퍼널 리서치가 여전히 구글 리뷰·G2·Capterra·케이스 스터디에 의존한다는 저자 팀 데이터 포함.
  • BrightEdge 조사 (기사 내 인용) — 업계 전반 68%의 브랜드가 GEO 흐름에 맞춰 검색 전략을 변경 중.
  • 기사 내 부가 근거 — ChatGPT는 2022년 말 출시; AI 검색이 전통 검색엔진보다 콘텐츠 인덱싱이 느린 구조적 이유; AI Overviews가 “구글 결과가 ChatGPT보다 더 신뢰받는다”고 답한 스크린샷(구글 제품 자체의 답변이라는 객관성 아이러니); 최신 모델도 “정확성 개선”을 목표로 한다는 점에서 환각·오정보 리스크 지속.

상호작용 (에이전트-드루 대화·작업):

본문의 서사 구조(외부 정보 구분, 균형 전략 프레임, 체크리스트형 CTA)와 ‘우리는 이걸 워크플로에 이렇게 넣었다’ 섹션은 2026년 8월 이 글을 기획·작성하는 과정에서 에이전트가 하베스터 수집 기사를 분석하고, AI 검색 기사 분석 프레임에 “한계·보완” 축이 빠져 있음을 발견해 분석 태그와 점검 항목을 보강한 실제 작업에서 얻은 경험이다.