CTR은 올랐는데, 왜 고객은 다른 브랜드를 고를까? — AI 시대 SEO가 재야 할 Decision Distance
CTR은 올랐는데, 왜 고객은 다른 브랜드를 고를까?
검색 결과에서 우리 페이지가 보였고, 누군가는 클릭까지 했다. 그런데 구매 보고서를 열면 경쟁사가 선택되어 있다. 이때 대부분의 SEO 리포트는 “순위와 CTR을 더 올리자”는 결론으로 돌아간다. 하지만 클릭은 선택의 이유가 아니다. 클릭이 일어나기 전, 고객의 머릿속에서 이미 “이 브랜드가 내 상황에 맞는가?”라는 판단이 끝났을 수 있다.
AI 검색 시대에는 이 문제가 더 커졌다. Google AI Overviews나 대화형 검색은 여러 페이지를 읽고 비교한 뒤, 사용자가 방문하기 전에 요약된 선택지를 보여준다. 우리가 측정하는 숫자는 여전히 클릭·노출·순위에 묶여 있는데, 고객의 결정은 그보다 앞에서 일어난다. SEO가 놓친 것은 트래픽 한 칸이 아니라 선택되기까지의 거리다.
[외부 정보] 전통 SEO 지표는 ‘결과’를 말할 뿐 ‘이유’를 말하지 않는다
Search Engine Journal의 Giulia Panozzo는 이 사각지대를 Decision Distance라고 부른다. 정의는 간단하다. 사용자의 의사결정을 움직이는 동기와 브랜드가 전달하는 메시지 사이의 의미적 거리다.
CTR은 사람이 클릭했다는 사실을 알려주지만, 왜 그 결과가 더 매력적으로 느껴졌는지는 알려주지 않는다. 전환율은 구매가 일어났다는 사실을 보여주지만, 어떤 불안을 해소했는지는 말해주지 않는다. 순위는 노출 가능성을 말하지만, 브랜드가 선택되었는지는 보장하지 않는다. AI 가시성도 브랜드가 답변에 언급됐다는 사실과 실제로 결정에 영향을 줬다는 사실을 구분하지 못할 수 있다.
이것은 기존 지표가 쓸모없다는 뜻이 아니다. Google은 AI Overviews와 AI Mode의 외부 링크 클릭을 Search Console 클릭으로 집계하고, AI 기능에 노출되려면 페이지가 기존 검색에 색인되고 스니펫으로 표시될 수 있어야 한다고 설명한다. 기술 SEO와 수요 대응은 여전히 기본기다. 다만 기본기를 통과한 다음에는 “보였는가”가 아니라 고객이 중요하게 여긴 이유를 우리 메시지가 담았는가를 따로 확인해야 한다.
AI는 질문보다 ‘질문 뒤의 조건’을 요약한다
예를 들어 사용자가 “50명 규모 팀에 맞는 급여 관리 소프트웨어”를 찾는다고 하자. 표면적인 검색어는 급여 관리 소프트웨어다. 하지만 실제 결정 조건은 “직원 개인정보를 맡겨도 안전한가”, “도입 후 운영자가 덜 힘든가”, “가격이 예측 가능한가”일 수 있다.
브랜드 페이지가 기능, 연동 수, 대시보드만 반복한다면 검색어에는 맞아도 결정 조건에는 닿지 않는다. 반대로 보안 인증, 데이터 보관 방식, 도입 과정, 실제 운영 비용을 구체적으로 설명한다면 검색어와 메시지가 같은 방향을 가리킨다. AI 검색에서 경쟁하는 것은 단어의 일치만이 아니라 후보가 될 이유의 일치다.
Decision Distance를 숫자로 바꾸는 4단계
Decision Distance는 업계 표준으로 확정된 KPI가 아니라, 고객 언어와 브랜드 메시지의 정렬 상태를 점검하기 위한 제안형 지표다. 그래서 “정확한 매출 기여율”처럼 과장하면 안 된다. 대신 어떤 메시지의 빈틈을 먼저 고칠지 정하는 진단 도구로 사용하면 실무 가치가 생긴다.
- 고객의 결정 동기를 정의한다. 검색어만 보지 말고 리뷰, 커뮤니티, 고객 인터뷰, 문의·상담 기록에서 반복되는 이유를 모은다. 예를 들어 가치, 신뢰, 편의성, 사회적 증거, 품질, 안전을 짧은 문장으로 정의한다.
- 브랜드 메시지를 같은 기준으로 분류한다. 제품 페이지, 랜딩 페이지, 광고 문구, 비교 글을 문장 단위로 나누고 각각 어떤 동기를 강조하는지 매핑한다.
- 두 프로필의 차이를 계산한다. 문장 임베딩으로 고객 문장과 브랜드 문장을 벡터화하고, 코사인 유사도 같은 의미 유사도 방식으로 가까운 정도를 비교한다. 고객 쪽에서 강한데 브랜드 쪽에서 약한 동기가 우선적인 거리다.
- 가장 큰 거리를 메시지와 콘텐츠로 줄인다. 신뢰가 비어 있으면 보안·환불·운영 근거를 보강하고, 품질이 비어 있으면 성능 기준과 제한 조건을 명시한다. 새 글을 무작정 늘리는 것이 아니라 의사결정에 필요한 증거를 채운다.
Sentence Transformers 문서는 문장을 임베딩으로 인코딩한 뒤 임베딩끼리 비교해 의미적 유사도를 계산하는 방식을 설명한다. 이 방법은 고객 문장과 브랜드 문장을 “완전히 같은 단어인가”가 아니라 “비슷한 의미를 담고 있는가”라는 관점에서 비교하게 해준다. 단, 임베딩 점수는 사람의 판단을 대체하지 않는다. 애매한 분류와 기준 문장은 반드시 사람이 검토해야 한다.
작게 시작하는 실전 워크플로: 질문 20개와 메시지 30개
비싼 AI 가시성 대시보드를 먼저 살 필요는 없다. 첫 주에는 반복 가능한 데이터셋을 만드는 것이 더 중요하다. 다음 순서로 한 제품이나 한 핵심 서비스만 골라 실행한다.
- 질문 20개: 카테고리 추천 5개, 경쟁사 비교 5개, 가격·제약·호환성 질문 5개, 구매 직전 질문 5개를 만든다.
- 고객 문장 50개: 리뷰·상담·문의에서 “왜 선택했는가”, “무엇이 걱정됐는가”가 드러나는 문장을 익명화해 모은다.
- 브랜드 문장 30개: 홈, 제품, 가격, 보안, FAQ 페이지에서 실제로 고객이 읽는 핵심 문장을 추린다.
- 주간 기록: 같은 질문을 주요 AI 검색 서비스에 반복 입력하고 언급 여부, 인용 URL, 브랜드 설명, 경쟁사, 누락된 조건을 표에 기록한다.
| 관찰 결과 | 가능한 문제 | 고칠 것 |
|---|---|---|
| 언급도 인용도 없음 | 정보가 부족하거나 색인·크롤링 문제가 있음 | 제품명, 대상 고객, 가격, 제약, 근거를 텍스트로 명확히 정리 |
| 언급은 되지만 설명이 부정확함 | 오래된 정보나 모순된 출처가 반복됨 | 정본 페이지를 만들고 사실·날짜·조건을 일관되게 업데이트 |
| 인용은 되지만 고객이 중요하게 여긴 동기가 빠짐 | 브랜드 메시지와 고객 언어의 Decision Distance가 큼 | 가장 큰 동기 격차에 맞춰 비교·보안·품질·비용 근거를 추가 |
| 가시성은 오르지만 전환은 그대로 | 검색 문제가 아니라 가격·제품 적합성·신뢰 문제일 수 있음 | 랜딩 페이지가 아니라 제품·오퍼·온보딩 병목을 별도로 검증 |
이 표의 장점은 숫자를 더 만드는 데 있지 않다. “콘텐츠를 더 써야 한다”는 막연한 결론을 “신뢰 근거가 비어 있으니 보안 페이지와 가격 조건을 고친다”로 바꾸는 데 있다. 도구는 우선순위를 선명하게 만들 때만 워크플로의 일부가 된다.
점수를 KPI로 숭배하지 말고, 변화의 방향으로 써라
가장 위험한 실수는 Decision Distance를 또 하나의 vanity metric으로 만드는 것이다. 임베딩 모델, 언어, 문장 길이, 분류 기준이 바뀌면 점수도 달라진다. 그러므로 “우리 점수는 0.83이니 성공”이라고 보고하지 말고, 동일한 데이터와 기준으로 전후 변화를 비교해야 한다.
보고서에는 최소한 세 가지를 함께 넣자. 첫째, 고객 언어에서 어떤 동기가 강했는가. 둘째, 브랜드 메시지에서 어떤 동기가 과잉·과소 대표되었는가. 셋째, 수정 후 AI 답변의 설명과 인용 URL, 브랜드 검색, 실제 전환에 어떤 변화가 있었는가. 이 세 층을 함께 보면 의미 유사도 점수가 실제 개선으로 이어졌는지 과장 없이 판단할 수 있다.
결론: SEO의 다음 질문은 “몇 번 보였나?”가 아니다
AI 검색은 SEO를 없애지 않는다. 다만 SEO의 성공 조건을 한 단계 앞당긴다. 색인되고, 노출되고, 클릭되는 것만으로는 부족하다. 고객이 중요하게 여기는 신뢰·품질·편의·가치가 브랜드 메시지 안에서 실제로 발견되어야 한다.
Decision Distance는 완성된 표준 지표가 아니다. 그래서 오히려 지금 도입하기 좋다. 매출을 설명하는 마법의 숫자로 쓰지 말고, 고객의 이유와 우리 문장이 얼마나 어긋났는지 찾아내는 작업표로 쓰자. 그러면 AI가 어떤 브랜드를 추천했는지 기다리는 대신, 추천될 만한 이유가 페이지에 있는지 먼저 고칠 수 있다.
CTA: 오늘 핵심 구매 질문 세 개와 고객 리뷰 문장 열 개를 고르자. 각각에서 “고객이 선택을 망설이는 이유”를 한 문장으로 쓰고, 우리 제품 페이지에서 그 이유를 증명하는 문장을 찾아보자. 빈칸이 보인다면 그 한 문장을 고치는 것이 AI 검색 워크플로의 가장 저렴하고 빠른 첫 실험이다.
근거 출처
외부 정보 (하베스터 수집)
- Giulia Panozzo, “The Metric Most SEOs Are Still Not Measuring In The Age Of AI”, Search Engine Journal, 2026-08-11. Decision Distance의 정의, 전통 지표의 한계, 고객 동기와 브랜드 메시지를 비교하는 4단계 제안.
- Google Search Central, “AI features and your website”. AI Overviews·AI Mode의 지원 링크, 색인·스니펫 자격, Search Console 집계에 관한 공식 안내.
- Google Search Central, “Google’s guide to optimizing for generative AI features”. 검색 기반 생성형 AI 기능의 검색 색인·검색엔진최적화와의 관계.
- Sentence Transformers, “Semantic Textual Similarity”. 문장 임베딩과 코사인 유사도를 활용한 의미적 유사도 계산 방법.
- 본문의 이미지 3점은 위 Search Engine Journal 원문에 게시된 Giulia Panozzo의 예시 표·히트맵·막대그래프를 원문 URL에서 직접 불러와 출처를 표기했다.
상호작용 (에이전트-드루 대화·작업)
이 글에는 에이전트-드루 대화나 작업에서 얻은 경험을 외부 통계·사례처럼 사용하지 않았다. 워크플로 제안은 외부 출처의 개념을 바탕으로 한 실무 적용안이며, 실제 성과를 보장하는 수치로 제시하지 않는다.