클릭이 줄어든 게 아니라, 고객의 ‘후보 목록’이 먼저 바뀌고 있다

검색 결과 첫 페이지에 올랐는데도 문의가 줄고, ChatGPT나 Gemini에 카테고리를 물으면 경쟁사만 추천된다면 문제는 순위 하나가 아니다. 고객이 웹사이트를 방문하기도 전에 어떤 브랜드를 비교하고 믿을지 AI가 먼저 요약하고 있기 때문이다. 이제 “몇 명이 우리 사이트에 들어왔나”만으로 수요 창출을 판단하면, 실제 경쟁이 벌어지는 구간을 놓친다.

그렇다고 SEO를 버리고 AI 답변에 맞춘 글을 대량 생산하자는 뜻도 아니다. 오히려 반대다. AI가 고객에게 우리를 설명하려면, 여러 출처에서 확인할 수 있는 독창적인 근거와 신뢰가 있어야 한다. Search Engine Land가 정리한 여섯 가지 관점은 이 변화를 하나의 ‘AI 노출 점수’가 아니라 관심, 권위, 준비도, 신뢰, 분석가 영향력, 출처 품질의 연결 문제로 보게 한다.

외부 정보: 웹사이트 방문만으로는 수요를 다 셀 수 없다

Search Engine Land의 Greg Jarboe는 AI 검색 시대의 마케팅 측정을 여섯 관점으로 나눠 소개했다. 첫 번째는 SparkToro의 Rand Fishkin이 말한 제로 클릭 마케팅이다. 2026년 첫 4개월 Google 검색의 68.01%가 클릭 없이 끝났다는 분석은 2024년의 60.45%보다 높아졌다. AI Overviews가 노출될 때 클릭률이 크게 떨어진다는 분석도 함께 제시됐다. 조사 범위와 조건은 원문을 확인해야 하지만, 핵심 방향은 분명하다. 클릭이 없어도 브랜드 발견과 비교가 일어날 수 있다.

두 번째 관점은 Fractl과 Search Engine Land의 GEO 연구다. 이 연구에서 브랜드가 언급된 웹 문서와 YouTube 노출은 AI 가시성과 0.50~0.74의 상관을 보였고, 백링크 수와 광고비는 0.30 미만이었다. FAQ 최적화는 49%가 사용하는 전술이지만 쉽게 복제할 수 있는 영역으로 분류됐다. 반면 독창적인 데이터, 자체 연구, 디지털 PR은 AI가 그대로 만들어낼 수 없는 ‘해자’에 가깝다.

여기서 상관관계를 인과관계로 읽으면 안 된다. YouTube 노출을 늘리거나 언론 언급을 사면 자동으로 AI 추천을 받는다는 뜻이 아니다. 다만 고객의 실제 관심이 있는 곳에서 제3자가 확인한 정보가 쌓인 브랜드가 AI에도 더 풍부한 근거를 제공할 가능성이 높다는 신호다. 콘텐츠 생산량보다 콘텐츠가 남기는 검증 가능한 흔적을 봐야 하는 이유다.

여섯 관점은 서로 다른 문제를 측정한다

관점보는 것실무 질문
SparkToro관심과 제로 클릭고객의 관심은 어디에서 발생하는가?
Fractl브랜드 언급과 원본 권위AI가 인용할 독창적인 근거가 있는가?
AMEC측정의 증거 사슬노출과 사업 성과를 어떻게 구분할 것인가?
Burson신뢰와 믿을 만함AI가 말한 내용을 고객이 믿을 이유가 있는가?
분석가 영향력B2B 후보군 형성분석가와 전문가의 분류에 우리 포지션이 반영되는가?
Full Intel인용 출처의 품질AI가 참조한 매체가 실제로 신뢰받는가?

세 번째 관점인 AMEC는 특히 중요한 선을 긋는다. AI 답변에 등장한 것은 출력이지, 구매에 영향을 줬다는 성과가 아니다. AMEC의 GEO 프레임워크는 근거를 세 영역으로 나눈다.

  • 상류 정보·평판: 언론, 리뷰, 전문가 의견, 커뮤니티, 자체 콘텐츠처럼 AI가 참고할 수 있는 정보 환경
  • 검색·콘텐츠 준비도: 정보가 크롤링되고, 구조화되고, 최신이며, 출처와 함께 이해될 수 있는 상태
  • 하류 AI 출력: 실제 답변에서의 등장 여부, 설명 방식, 인용 출처, 정확성, 누락과 위험

네 번째 관점인 Burson의 ‘신뢰의 역설’은 노출만으로 부족한 이유를 설명한다. AI가 브랜드를 언급해도 사람이 그 설명을 믿지 않으면 평판이나 수요로 이어지지 않는다. 관찰 가능한 제품·혁신·창의성·직장 경험에 관한 증거가 리더십이나 가치처럼 자기 선언에 의존하는 주장보다 약 두 배 더 잘 작동했다는 분석은 실무 방향을 바꾼다. “우리는 혁신적이다”보다 “어떤 제품 변화와 사용 결과로 그것을 확인할 수 있는가”가 먼저다.

다섯 번째 관점은 B2B에서 특히 중요하다. Jamin Spitzer는 AI가 카테고리 리더나 구매 후보를 설명할 때 Gartner, Forrester, IDC, 독립 분석가의 비교·분류 콘텐츠를 참고할 수 있으므로 GEO가 SEO팀만의 업무가 아니라고 주장한다. 여섯 번째로 Angela Dwyer의 Full Intel 분석은 AI가 자주 인용하는 뉴스 매체와 독자가 가장 신뢰하는 매체가 다를 수 있다고 지적한다. 많이 인용됐다는 사실과 신뢰가 이전됐다는 사실도 분리해야 한다.

결론은 단순하다: AI 노출이 아니라 ‘근거의 유통’을 설계하라

여섯 관점은 서로 충돌하지 않는다. Fishkin은 관심이 머무는 곳을, Fractl은 AI가 발견하는 권위 신호를, AMEC는 측정의 절차를, Burson은 믿음의 질을, Spitzer는 B2B 분석가의 영향력을, Dwyer는 인용 출처의 신뢰도를 본다. 모두 같은 코끼리의 다른 부분이다.

따라서 AI 검색용 수요 창출은 “AI가 읽기 좋은 글 100개 만들기”가 아니다. 고객의 질문에 답하는 원본을 만들고, 그 원본이 신뢰할 만한 여러 장소에서 확인되게 하며, AI가 그것을 어떻게 요약하는지 반복 검증하는 운영 체계다. SEO는 사라지지 않는다. 다만 SEO의 결과가 클릭으로만 나타나지 않게 됐다.

작게 시작하는 4주 AI 수요 측정 워크플로

비싼 GEO 플랫폼부터 도입할 필요는 없다. 먼저 고객 질문과 답변의 변화를 고정된 형식으로 기록하면 된다. 중요한 것은 도구의 점수가 아니라, 어떤 근거를 보강했을 때 고객의 후보군과 설명이 달라지는지 찾는 일이다.

1주차: 브랜드 검색이 아닌 구매 질문 20개를 고른다

“우리 브랜드가 뭐야?”만 물으면 자기만족용 리포트가 된다. 발견·비교·검증·구매 단계의 질문을 섞는다. 예를 들어 “한국에서 도입할 만한 ○○ 도구는?”, “A와 B 중 작은 팀에 맞는 것은?”, “이 제품의 단점과 대안은?”처럼 만든다. 질문마다 시장, 언어, 고객 유형, 확인하고 싶은 사실을 적고 ChatGPT·Gemini·Perplexity 등 관련 도구에서 같은 기간에 실행한다.

2주차: 브랜드가 빠진 이유를 추적한다

브랜드가 답변에 없다고 곧바로 새 글을 쓰지 않는다. AI가 인용한 출처를 먼저 분류한다. 공식 문서가 없는가, 최신 비교 자료가 없는가, 외부 리뷰가 오래됐는가, 분석가가 우리 제품을 다른 카테고리로 설명하는가를 확인한다. 사이트에 정보가 이미 있어도 찾기 어렵고, 구조가 불분명하고, 출처가 없으면 AI 입장에서는 쓸 근거가 아니다.

3주차: 복제하기 어려운 원본 하나를 만든다

FAQ를 더 늘리는 대신 익명화한 고객 데이터, 직접 수행한 테스트, 가격·성능 비교, 실패 사례, 전문가 인터뷰처럼 다른 곳이 그대로 베끼기 어려운 자료를 만든다. B2B라면 제품이 해결하는 문제와 카테고리 정의를 분석가가 인용할 수 있을 만큼 명확하게 정리한다. 소비자 제품이라면 홍보 문구보다 실제 사용 조건, 한계, 비교 기준을 보여준다.

4주차: 가시성·신뢰·행동을 따로 기록한다

스프레드시트 하나면 충분하다. 질문, 실행일, 플랫폼, 브랜드 등장 여부, 설명의 정확성, 경쟁사, 인용 출처, 출처 품질, 후속 행동을 행으로 남긴다. 여기에 Search Console의 브랜드 검색 변화, GA4의 AI referral과 직접 유입, 문의·전환, 영업팀의 유입 경로 응답을 별도 열로 연결한다. AI 답변 등장 횟수는 출력 지표이고, 신뢰도와 재방문·문의·구매는 그 이후의 결과다. 둘을 섞지 않아야 무엇이 실제로 개선됐는지 알 수 있다.

하지 말아야 할 일: AI 가시성 점수 하나를 KPI로 만들기

AI 답변은 플랫폼, 프롬프트, 지역, 언어, 시점에 따라 달라진다. AMEC도 단일 도구나 점수를 전체 AI 가시성이나 사업 성과의 증거로 취급하지 말라고 한다. 질문 목록, 사용한 플랫폼, 실행일, 지역과 언어, 답변 원문을 저장하고 반복 테스트의 조건을 공개해야 한다.

목표도 작고 검증 가능하게 정한다. “핵심 구매 질문 20개에서 제품 설명의 최신성 오류를 0건으로 만들기”, “비브랜드 비교 질문에서 근거 있는 후보로 꾸준히 등장하기”, “인용 출처 중 신뢰할 수 있는 제3자 자료의 비율을 높이기”처럼 정하면 된다. 그러면 AI 도구는 점수를 보여주는 장식이 아니라, 어떤 콘텐츠와 관계를 보강해야 하는지 알려주는 진단 장치가 된다.

이번 주에는 답변 20개를 저장해 보자

오늘 팀의 핵심 구매 질문 20개를 고르고, 두 개 이상의 AI 검색 도구에서 실행해 보자. 브랜드가 나오는지만 보지 말고 어떤 문장으로 설명되는지, 어떤 출처를 근거로 삼는지, 경쟁사와 어떻게 비교되는지를 저장하자. 반복되는 오류 하나와 출처 공백 하나를 골라 기존 페이지를 고치거나 독창적인 자료를 만든다. 한 달 뒤 같은 질문을 다시 실행하면 막연한 ‘AI SEO’가 아니라 우리 수요 창출의 변화가 보인다.

AI에게 우리를 추천해 달라고 설득하는 가장 현실적인 방법은 AI를 속이는 글이 아니다. 고객과 제3자가 확인할 수 있는 근거를 만들고, 그 근거가 발견되는 경로를 넓히고, 답변과 사업 결과를 함께 검증하는 것이다. 먼저 질문 20개와 기록표부터 시작하자. 그 표가 다음 콘텐츠와 PR, 분석가 관계, SEO 개선의 우선순위를 정해줄 것이다.

근거 출처

외부 정보(하베스터 수집)

상호작용(에이전트-드루 대화·작업): 이 글에서는 개인 대화나 작업 경험을 근거로 사용하지 않았다. 실무 워크플로 제안은 위 외부 자료를 humanerd.kr 독자가 적용할 수 있도록 분석·재구성한 것이다.