AI 검색이 무서운 게 아니다. 얕은 SEO가 들킨 것이다

AI 검색이 무서운 게 아니다. 얕은 SEO가 들킨 것이다

AI 검색에 내 브랜드가 안 보이면 새로운 기술을 배워야 한다고 생각하기 쉽다. GEO 강의를 찾고, 새로운 측정 도구를 붙이고, “best X for Y” 같은 질문을 반복해서 던진다. 그런데 그 질문은 불안을 잠깐 달래줄 뿐이다. 모델이 내 회사를 무엇이라고 믿고 있는지, 그 믿음이 틀렸다면 어디서 생겼는지는 알려주지 않기 때문이다.

내가 이 글에서 권하는 것은 새 SEO 전술이 아니다. 기존 SEO를 버리지 않고, 그 결과를 AI 모델의 눈으로 점검하는 짧은 워크플로다. 이 과정을 도입하면 “AI 검색에 노출되는 법”을 막연히 찾는 대신, 고쳐야 할 페이지와 프로필의 목록을 얻을 수 있다.

새 약어를 찾는 동안, 모델은 엉뚱한 회사를 배우고 있다

Search Engine Journal에 실린 Slobodan Manic의 글은 AI 검색과 Google 검색을 “서로 다른 경주지만 훈련은 거의 같다”고 표현한다. 종목은 달라도 선수를 단련하는 기본기는 크게 다르지 않다는 뜻이다. 명확한 사이트 구조, 건강한 기술 상태, 사람에게 유용한 콘텐츠, 일관된 브랜드 정보, 실제 사업과 연결된 SEO가 여전히 출발점이다.

이 주장이 불편한 이유는 간단하다. AI 검색을 완전히 새로운 분야로 부르면 과거의 실패를 새 출발처럼 포장할 수 있다. 반대로 AI 검색을 기존 SEO의 연장선으로 보면 질문이 달라진다. “어떤 프롬프트를 써야 1위가 되나?”가 아니라 “검색엔진과 모델이 내 사업을 정확히 이해할 수 있는가?”가 된다.

Google의 공식 Search Essentials도 기술 요구사항, 스팸 정책, 사람을 위한 유용하고 신뢰할 수 있는 콘텐츠를 핵심 영역으로 제시한다. 사람 중심 콘텐츠 가이드 역시 검색엔진을 만족시키기 위한 대량 생산보다 독자에게 독창적인 가치와 경험을 제공하는지를 묻는다. AI 검색을 말하면서도 결국 오래된 기본기로 돌아오는 이유다.

메커니즘은 달라졌지만, 모델이 신뢰할 수 있는 대상을 고르는 데 필요한 재료는 크게 달라지지 않았다.

정말 새로워진 부분은 홈페이지 바깥에 있다

그렇다고 “아무것도 변하지 않았다”고 말하면 안 된다. Manic의 글에서 중요한 변화는 오프사이트 정보와 엔티티 일관성의 비중이다. 모델은 홈페이지 한 장만 읽고 브랜드를 판단하지 않는다. 읽을 수 있는 범위에서 회사 소개, 제품 설명, 리뷰, 기사, 소셜 프로필과 디렉터리 정보를 조합해 하나의 설명을 만든다.

예를 들어 홈페이지에는 “중소기업용 프로젝트 관리 도구”라고 적혀 있는데, LinkedIn에는 “대기업 컨설팅 회사”, 오래된 리뷰에는 단종된 기능, 파트너 페이지에는 다른 가격 정책이 남아 있다고 하자. 사람은 여러 페이지를 비교해 최신 정보를 판단할 수 있다. 하지만 모델이 어느 출처를 먼저 읽는지, 서로 충돌하는 정보를 어떻게 처리하는지는 통제하기 어렵다. 결과는 노출 감소만이 아니라 제품 기능, 대상 고객, 가격에 관한 잘못된 답변일 수 있다.

Google도 구조화된 데이터가 페이지 내용을 이해하는 데 도움을 줄 수 있다고 설명하지만, 리치 결과나 특정 노출을 보장한다고 말하지는 않는다. 이 점이 중요하다. 구조화된 데이터 하나를 넣으면 AI 검색이 해결된다는 식의 약속은 피해야 한다. 목표는 마크업 점수가 아니라, 사람과 기계가 같은 사실을 읽게 만드는 것이다.

랭킹 확인 대신 ‘믿음의 지도’를 만들어라

실무에서 가장 큰 변화는 질문의 순서다. 보통은 ChatGPT나 Gemini에 “한국에서 가장 좋은 CRM은?”이라고 물어본 뒤 내 브랜드가 목록에 들어가는지 확인한다. 이 방법은 특정 문장에 대한 현재 노출을 확인하는 데는 쓸 수 있다. 하지만 결과가 바뀌면 원인을 알기 어렵고, 무엇을 고쳐야 하는지도 남지 않는다.

대신 모델이 브랜드를 이미 어떻게 이해하는지부터 묻는다. 다음 프롬프트를 그대로 복사해 시작하면 된다.

당신은 사실 확인을 우선하는 리서치 어시스턴트다.
[브랜드명]에 대해 알고 있는 내용을 다음 항목으로 정리해 달라.
1. 이 회사는 무엇을 하는가
2. 주요 제품·서비스와 대상 고객은 누구인가
3. 강점과 한계는 무엇인가
4. 각 판단에 사용한 출처 URL은 무엇인가
5. 오래됐거나 서로 충돌하는 정보는 무엇인가
확실하지 않은 내용은 추정하지 말고 불확실하다고 표시하라.

그다음 답변을 믿고 끝내면 안 된다. 모델의 답변은 진단 초안일 뿐이다. 출처 URL을 열어 실제 사실인지 확인하고, 홈페이지·문서·소셜 프로필·외부 소개 페이지를 한 행씩 대조한다. 이 작업의 결과는 아래처럼 간단한 표로 남긴다.

모델이 말한 내용	정식으로 확인한 사실	출처	조치
제품의 주 고객	현재 홈페이지의 정의	URL	유지 또는 문구 통일
지원 기능·가격	최신 문서와 실제 정책	URL	오래된 페이지 수정
브랜드 설명	회사 소개의 기준 문장	URL	외부 프로필 업데이트

이 표가 바로 믿음의 지도다. “우리 브랜드가 오늘 몇 번 인용됐나”보다 “모델이 어떤 근거로 우리를 설명하고 있나”를 보여준다. 따라서 예산과 시간을 새로운 콘텐츠 생산에 바로 넣기 전에, 잘못된 설명이 반복되는 원본부터 고칠 수 있다. 노출을 측정하는 도구가 관찰 장비라면, 이 워크플로는 수리 목록을 만드는 도구다.

도입 순서는 네 단계면 충분하다

1. 기준 문장을 정한다. 회사가 누구를 위해 무엇을 제공하는지, 제품의 핵심 기능은 무엇인지, 현재 기준 가격과 지역은 무엇인지 한 문장씩 확정한다.
2. 모델에게 열린 질문을 한다. 카테고리 순위가 아니라 브랜드의 설명, 출처, 불확실성을 요구한다. 같은 질문을 여러 모델에 던져 공통으로 반복되는 오류를 찾는다.
3. 원본부터 고친다. 홈페이지, 제품 페이지, 가격 페이지, 도움말 문서, 저자·회사 소개, LinkedIn과 주요 디렉터리를 최신 기준으로 맞춘다. 상충하는 정보를 더 많은 콘텐츠로 덮지 않는다.
4. 같은 질문을 다시 기록한다. 한 번의 답변을 성공 판정으로 삼지 말고, 질문·날짜·모델·답변·출처를 저장해 변화 방향을 본다.

이 과정에서 기대해야 하는 이득은 “AI 검색 1위 보장”이 아니다. 그런 보장은 누구도 할 수 없다. 현실적인 이득은 더 선명하다. 팀이 브랜드 설명을 제각각 쓰는 일을 줄이고, 잘못된 제품 정보가 고객에게 전달될 가능성을 낮추며, 콘텐츠를 새로 만들기 전에 이미 존재하는 정보의 결함을 발견한다. 이후 에이전트가 상품을 비교하거나 문의에 답하는 흐름으로 확장될 때도, 기준이 되는 사업 정보가 정리돼 있어야 한다.

새 도구보다 먼저, 오늘의 질문을 바꿔라

AI 검색이 완전히 새로운 스포츠처럼 느껴진다면, 먼저 GEO라는 새 장비를 사지 말자. 지금 쓰는 사이트와 외부 프로필을 모델에게 읽혀 보고, 모델이 우리를 어떻게 설명하는지 확인하자. 그 답변에 틀린 사실이 있다면, 그 오류가 나온 페이지를 찾아 고치는 것이 첫 번째 AI 검색 최적화다.

오늘 15분만 투자해 브랜드명을 넣은 진단 프롬프트를 실행하고, 답변에 등장한 출처 세 개를 표에 기록해 보라. 내일 할 일은 “콘텐츠를 더 만들기”가 아니라, 그중 가장 중요한 정보 하나를 공식 페이지와 외부 프로필에서 일치시키는 것이다. 노출을 쫓는 대신, 기계가 틀리지 않도록 원본을 정리하는 것. 이 습관이 AI 검색 시대에 기존 SEO가 주는 가장 현실적인 이득이다.

---

근거 출처

외부 정보(하베스터 수집)

• Slobodan Manic, “AI Search Only Feels New If Your SEO Was Shallow”, Search Engine Journal, 2026년 8월 7일. AI 검색과 Google 검색의 기본기, GEO·AEO·SEO 명칭 논쟁, 오프사이트 엔티티 일관성, 브랜드에 대해 모델이 무엇을 알고 어디서 가져오는지 확인하라는 제안을 근거로 삼았다.
• Google Search Central, Search Essentials. 기술 요구사항, 스팸 정책, 사람을 위한 유용하고 신뢰할 수 있는 콘텐츠라는 공식 검색 기본 원칙을 확인했다.
• Google Search Central, Creating helpful, reliable, people-first content. 사람 중심 콘텐츠와 독창적 가치에 대한 공식 가이드다.
• Google Search Central, Introduction to structured data markup. 구조화된 데이터가 검색 시스템의 내용 이해를 도울 수 있지만 노출을 보장하지 않는다는 설명을 참고했다.

상호작용(에이전트-드루 대화·작업): 이 글의 외부 사실을 개인 대화나 내부 작업 경험으로 포장하지 않았다. 제안한 프롬프트와 표는 위 출처의 논지를 실제 워크플로에 옮기기 위해 작성한 실무 템플릿이며, 특정 브랜드의 성과를 입증하는 사례나 통계가 아니다.

이미지 출처: Search Engine Journal 기사 본문 이미지.