순위 1위인데 클릭이 안 온다. 서치콘솔을 열면 노출수는 그대로인데 CTR이 빠지고, 트래픽 리포트에는 분명히 잘 돌아가는데 리드는 줄어든다. “우리 SEO가 문제인 건가?” 하고 의심하기 전에, 한 가지 확인할 것이 있다. 아마 당신이 측정하지 못하는 숫자가 하나 있다.

[외부 정보 (하베스터 수집)] Search Engine Journal에 실린 SequinsNsearch의 기사(“The Metric Most SEOs Are Still Not Measuring In The Age Of AI”, 2026-08-12)는 정확히 이 지점에서 출발한다. 클릭, 노출, CTR, 랭킹 — 이 모든 지표는 사용자의 ‘결정이 내려진 후’에만 찍히는 숫자다. AI가 검색 여정의 상당 부분을 웹사이트 밖에서 해소하는 지금, 결정이 왜 이루어졌는지를 측정할 수 없다면 당신의 대시보드는 반쪽짜리다.

전통 지표의 맹점: 결과만 보고 이유를 놓친다

[외부 정보 (하베스터 수집)] 기사가 지적하는 핵심은 단순하다. 랭킹과 클릭은 행동의 ‘결과(outcome)’를 기록할 뿐, 그 행동이 왜 일어났는지는 설명하지 못한다. 예를 들어, 한 사용자가 ChatGPT에게 “B2B 협업 툴 추천해줘”라고 물었을 때 모델은 검색을 실행하기도 전에 후보 명단을 꺼낸다. 사용자가 어떤 브랜드 이름도 언급하지 않았는데 모델은 이미 2~3개 업체를 정해놓는다. 이 과정에서 당신의 웹사이트에 단 하나의 페이지 요청도 도착하지 않는다.

이건 이제 흔한 일이다. ChatGPT의 네트워크 트래픽을 직접 분석한 연구에서, 27개 대화 중 21개의 첫 검색 쿼리에 사용자가 언급한 적 없는 브랜드가 포함되어 있었다. 결정은 이미 ‘검색하기 전에’ 형성되고, 당신의 콘텐츠는 그 뒤에야 개입된다. 그런데 기존 대시보드는 그 ‘이전 단계’를 보여주지 않는다.

Decision Distance: AI 시대에 정말 필요한 지표

[외부 정보 (하베스터 수집)] SequinsNsearch가 제안하는 새 지표의 이름은 Decision Distance다. 사용자의 의사결정 동기 — 기능적(이 도구가 정말 내 문제를 해결하는가), 감정적(이 브랜드를 신뢰할 수 있는가), 사회적(주변에서 이 제품을 쓰는가) — 와 브랜드가 전달하는 메시지 사이의 의미적 거리를 정량화하는 것이다.

쉽게 말하면 이렇다. 고객이 “빠르고 안정적인 AI 분석 툴”을 원하는데, 당신의 사이트와 콘텐츠에는 “업계 최고의 AI 플랫폼”이라고만 쓰여 있다면, 이 둘 사이에 보이지 않는 간극이 있다. 고객 언어의 ‘빠르다, 안정적이다’와 브랜드 메시지의 ‘업계 최고’는 같은 것을 말하지만, 검색 엔진과 AI 모델이 읽는 의미는 다르다. Decision Distance는 이 간극의 크기를 숫자로 바꿔준다.

4단계로 측정하는 법

[외부 정보 (하베스터 수집)] 기사는 네 단계의 측정 프로세스를 제시한다:

  • ① 고객 언어에서 의사결정 동기 정의 — 리뷰, 포럼, 설문, 고객 지원 티켓에서 고객이 실제로 사용하는 단어와 문장을 수집한다. “이게 왜 좋은지”를 설명할 때 고객이 꼽는 이유를 분류한다.
  • ② 브랜드 메시지 동기 프로필 매핑 — 당신의 랜딩 페이지, 메타 설명, 소셜 프로필, PR 자료에서 브랜드가 전달하는 핵심 메시지를 추출한다.
  • ③ 프로필 비교로 격차 계산 — 고객 언어와 브랜드 메시지를 문장 임베딩(sentence embedding)으로 벡터화하고, 코사인 유사도(cosine similarity)와 기타 의미적 거리 측정법으로 두 프로필 사이의 격차를 산출한다.
  • ④ 메시지/콘텐츠 변경으로 격차 축소 — 가장 큰 간극이 발견된 영역부터 랜딩 페이지, 콘텐츠, 브랜드 메시지를 조정한다.

이건 기존 지표를 대체하는 게 아니라 보완하는 것이다. CTR과 랭킹은 여전히 보되, 여기에 “왜 우리의 메시지가 고객의 언어와 맞닿지 못하는가”를 덧붙이는 작업이다.

그 전에 해야 할 것: 브랜드 정확도 감사

[외부 정보 (하베스터 수집)] 그런데 Decision Distance를 측정하기 전에, 더 기초적인 질문이 있다. AI가 당신에 대해 제대로 알고 있는가?

[외부 정보 (하베스터 수집)] 기사에서 Duane Forrester(Schema.org 창립 멤버, 전 Bing Webmaster Tools 구축자)는 이렇게 말한다. “당신의 목표는 순위가 아니라, 질문에 대한 정본(canonical) 소스가 되는 것이다.” 모델은 신뢰를 구축하는 데 비용과 토큰이 든다. 한번 신뢰하면, 소비자가 그 답에 만족하면, 굳이 바꾸려 하지 않는다.

[외부 정보 (하베스터 수집)] Alisa Scharf는 이것을 실제로 실행 가능한 ‘브랜드 정확도 감사(brand accuracy audit)’로 전환한다. “창립 연도, 본사 위치, 판매 제품, 경쟁사를 나열하라. 각 모델에 이 사실들을 넣고, 뭘 제대로 알고 있고 뭘 틀렸는지 점검하라.” 모델이 당신의 엔티티에 대해 잘못된 사실을 가지고 있다면, 어떤 메시지 최적화도 모래 위에 지은 집이다.

랜덤 측정은 사실상 무의미하다

[외부 정보 (하베스터 수집)] SparkToro의 Rand Fishkin은 AI 검색 측정의 가장 큰 함정을 이렇게 요약한다. “단 한 번 물어보면 하나의 답을 받는다. 그런데 그건 수천 개의 답 중 하나다. 1,500번 물어봐야 같은 브랜드 리스트가 같은 순서로 나오는 경우가 생긴다.”

[외부 정보 (하베스터 수집)] AI 검색에서 “우리가 몇 번 노출됐나?”를 한 번 확인하고 끝내는 건, 여론조사를 딱 한 명에게만 하고 “이게 국민 여론이다”라고 선언하는 것과 같다. 올바른 측정은 존재감(presence) — 여러 프롬프트, 여러 모델, 여러 번 반복해서 “얼마나 자주 언급되는가” — 그리고 존재감이 실제 추천(recommendation)과 행동(action)으로 연결되는지를 봐야 한다.

vanity metric의 유령이 다시 살아났다

[외부 정보 (하베스터 수집)] Seer Interactive의 Wil Reynolds는 이 상황을 이렇게 정의한다. “초기의 vanity metric은 순위였다. 그 다음 트래픽이었다. 그 다음 그 트래픽이 실제 매출로 이어지는가였다. 지금 AI 가시성도 같은 함정에 빠지고 있다.”

[외부 정보 (하베스터 수집)] Jono Alderson은 더 직설적이다. “지난 10년간 우리가 스스로에게 한 거짓말 — 노출에서 클릭으로, 클릭에서 행동으로, 행동에서 매출로 깔끔하게 귀속된다는 것. 그건 결코 진실이 아니었고, 지금은 더더욱 아니다.”

[외부 정보 (하베스터 수집)] Wil Reynolds가 짚은 또 하나의 세밀한 사각지대: AI 답변의 길이가 변할 때 진짜 가시성이 올라간 것처럼 보일 수 있다. “ChatGPT가 11월에 답변 길이를 두 배로 늘렸다면, 당신의 원시 노출 수는 올라가지만 실질적으로 달라진 건 없다. 같은 사람이 더 많은 단어를 보게 된 것뿐이다.” 존재감을 추적할 때 답변당 브랜드 언급 수와 단어 수를 시간에 따라 같이 봐야 한다는 뜻이다.

그래서 뭘 해야 하는가 — 실무 체크리스트

[외부 정보 (하베스터 수집)] 이 모든 논의를 실무로 옮기면, 네 가지 행동으로 압축된다:

  • 브랜드 정확도 감사부터 하라. 창립 연도, 본사, 제품, 경쟁사를 정의하고, ChatGPT, Claude, Gemini, Perplexity에 각각 물어보라. 틀린 부분이 있으면 소스를 일관되게 업데이트하라.
  • 고객 언어를 수집하라. 리뷰, 포럼, SNS 댓글, 고객 지원 티켓에서 “왜 이 제품을 쓰는가”에 대한 실제 문장을 모아라.
  • Decision Distance를 추정하라. 문장 임베딩 도구(Sentence Transformers, OpenAI Embeddings 등)를 활용해 고객 언어와 브랜드 메시지의 유사도를 측정하라. 격차가 가장 큰 영역부터 랜딩 페이지를 수정하라.
  • AI 존재감을 상시 측정하라. 프롬프트 트래킹 대시보드를 쓸 거라면, 최소 10~15개 프롬프트를 매주 반복 측정하고, 답변당 브랜드 언급 수와 답변 길이도 같이 기록하라.

결론: 순위는 조건이 됐고, 선택은 별도의 게임이다

이 글이 말하고 싶은 건 단 하나다. AI 시대에 당신이 측정해야 할 건 “몇 번 보였는가”가 아니라 “왜 선택되었는가”다. Decision Distance는 그 간극을 가시화하는 도구이고, 브랜드 정확도는 그 위에 서야 하는 기초다. 순위를 올리는 것과 AI가 당신을 제대로 인식하게 하는 것은 이제 완전히 다른 작업이다.

서치콘솔만 열어보고 “우리는 괜찮다”고 말할 수 있는 시대는 끝났다. 당신의 메시지가 고객의 언어와 얼마나 가까운지, AI가 당신에 대해 얼마나 정확하게 알고 있는지 — 이 두 숫자를 먼저 잡아라. 그게 2026년 SEO의 새 기본기다.

근거 출처

외부 정보 (하베스터 수집)

  • SequinsNsearch, “The Metric Most SEOs Are Still Not Measuring In The Age Of AI”, Search Engine Journal, 2026-08-12 — 원문 보기
  • Rand Fishkin (SparkToro) — AI 검색 답변의 변동성 및 single-shot 측정의 한계에 대한 인터뷰 발언
  • Wil Reynolds (Seer Interactive) — AI 가시성 vanity metric, 답변 길이 변화의 함정에 대한 인터뷰 발언
  • Jono Alderson — 귀속(attribution)의 허구성에 대한 인터뷰 발언
  • Duane Forrester (Schema.org 공동 창립, 전 Bing Webmaster Tools) — ‘정본 소스’로서의 브랜드 전략 발언
  • Alisa Scharf — 브랜드 정확도 감사(brand accuracy audit) 방법론

참고 자료

  • Suganthan Mohanadasan, “ChatGPT’s Search Index Serves Small Sites Too, Data Shows”, Search Engine Journal, 2026-08-12 — ChatGPT 네트워크 트래픽 분석 연구
  • Google, Search Console AI 검색 노출 데이터 보고 — “Google Now Reports AI Search Impressions. Here’s How To Read Them”, SEJ, 2026-08-10
  • Duane Forrester, “Rank And AI Citation Aren’t The Same Number”, Search Engine Journal, 2026-06-23 — 랭킹과 AI 인용의 메커니즘 차이