AI가 키워드를 10만 개 만들어도, 광고비는 자동으로 정리되지 않는다

AI에게 “우리 업종의 검색 키워드 1,000개를 만들어줘”라고 하면 몇 초 뒤 그럴듯한 목록이 나온다. 문제는 그다음이다. 비슷한 표현이 여러 광고그룹에 흩어지고, ‘무료’, ‘채용’, ‘연봉’처럼 전환 의도가 다른 검색어가 섞인다. 목록을 만드는 비용은 거의 0원이 됐지만, 무엇을 남기고 무엇을 제외할지 판단하는 비용은 사라지지 않았다.

오히려 검색 광고의 자동화가 강해질수록 이 판단이 더 중요해졌다. Google은 광범위 일치가 키워드와 직접 같은 단어를 포함하지 않아도 관련 검색어에 광고를 노출할 수 있다고 설명한다. 랜딩페이지 내용, 광고 애셋, 광고그룹의 다른 키워드, 사용자의 최근 검색 활동까지 의도 판단에 활용된다. 이제 키워드 문자열만 보고 안심할 수 없는 이유다.

‘시맨틱’은 거창한 AI 기능이 아니라, 검색어를 압축하는 방법이다

외부 정보(하베스터 수집)를 바탕으로 이 글의 주장을 먼저 분명히 하자. Search Engine Land의 Rémi Kerhoas는 AI가 키워드를 대량 생성할 수 있어도 PPC와 SEO를 안정적으로 운영하려면 검색어 데이터에 구조와 신호 품질을 부여해야 한다고 주장한다. 그가 제시한 도구는 새로운 생성형 AI가 아니라 엔그램(n-gram), 레벤슈타인 거리, 자카드 유사도다.

이 셋의 공통점은 ‘정답 키워드’를 대신 골라준다는 데 있지 않다. 수많은 검색어를 비교 가능한 단위로 줄여서 사람의 판단이 들어갈 자리를 만드는 것에 있다. AI가 양을 늘린다면, 시맨틱 기법은 그 양에 질서를 부여한다.

두 키워드 집합의 공통 단어와 전체 단어를 비교하는 자카드 유사도 도식 — 단어 순서가 달라도 겹치는 토큰을 비교할 수 있다. 이미지: Search Engine Land, Rémi Kerhoas

첫 번째 필터: 엔그램으로 ‘돈을 쓰는 단어’를 찾는다

엔그램은 검색어를 연속된 단어 조각으로 나누는 방식이다. “private caregiver nearby”라면 유니그램은 private·caregiver·nearby, 비그램은 private caregiver·caregiver nearby, 트라이그램은 전체 문장이다. 단순하지만, 검색어가 많아질수록 강력하다.

원문 기고자는 10만 건이 넘는 검색어를 엔그램으로 처리해 약 6,000개의 유니그램, 23,000개의 비그램, 27,000개의 트라이그램으로 줄였다고 설명한다. 이 축소된 목록에 비용·클릭·전환·전환가치를 합산하면 검색어 하나씩 볼 때 보이지 않던 패턴이 드러난다. 예를 들어 ‘free’가 포함된 조합이 비용만 쓰고 전환하지 않는지, ‘nearby’나 ‘24/7’이 높은 전환율을 만드는지 확인할 수 있다.

핵심은 ‘free는 무조건 나쁘다’가 아니다. 무료 체험을 파는 사업이라면 오히려 중요한 단어다. 엔그램은 결론을 내리는 도구가 아니라 검토 우선순위를 정하는 도구다. 단어별 성과를 합산한 뒤 사업의 고객 조건과 함께 네거티브 키워드, 별도 광고그룹, 새 랜딩페이지 중 하나를 선택해야 한다.

두 번째 필터: 레벤슈타인 거리로 중복과 오타를 걷어낸다

레벤슈타인 거리는 한 문자열을 다른 문자열로 바꾸는 데 필요한 삽입·삭제·대체 횟수다. “cat”과 “cats”의 거리는 1이고, “cat”과 “dog”의 거리는 3이다. PPC에서는 오타, 띄어쓰기, 단수·복수형, 숫자 표기처럼 거의 같은 키워드를 찾는 데 쓸 수 있다.

원문에 나온 예처럼 “24/7 plumber”, “24 7 plumber”, “247 plumber”는 서로 거리가 1이다. 이들을 별도의 광고그룹으로 만들면 보고서와 입찰 관리만 복잡해질 수 있다. 반대로 브랜드 오타를 별도 감시하거나 제외해야 한다면, 가까운 변형을 모아 확인할 수 있다. 원문은 초기 통합 기준으로 거리 3을 예시로 든다.

단, 레벤슈타인 거리를 의미 유사도로 착각하면 안 된다. “car”와 “cat”은 철자상 가깝지만 의도는 다를 수 있다. 그러므로 이 필터의 역할은 “같은 뜻”을 확정하는 것이 아니라, 사람이 함께 검토할 후보를 줄이는 것이다.

세 번째 필터: 자카드 유사도로 단어 순서의 속임수를 제거한다

자카드 유사도는 두 집합의 교집합을 합집합으로 나눈 값이다. “new york plumber”와 “plumber new york”는 순서만 다르고 단어 세 개가 모두 같으므로 1이다. 반면 “new york plumber”와 “NYC plumber”는 공통 단어가 plumber 하나뿐이라 0.25다.

이 방식은 키워드 목록을 부풀리는 가장 흔한 착시를 잡는다. “cybersecurity courses online”과 “online cybersecurity courses”를 서로 다른 전략이라고 부르기 전에 같은 광고그룹이나 같은 콘텐츠 페이지를 가리키는지 확인하게 만든다. SEO에서도 같은 검색 의도를 겨냥한 페이지를 여러 개 만들어 자기잠식(cannibalization)을 일으키는 일을 줄일 수 있다.

여기에도 한계는 있다. 자카드는 NYC와 New York처럼 동의어를 모른다. 단어가 많이 겹쳐도 검색 의도가 다른 경우를 구분하지 못한다. 따라서 정규화, 엔티티 매핑, 실제 SERP 비교, 전환 데이터와 함께 써야 한다. 오래된 알고리즘을 만능으로 포장하는 것이 아니라, 각 알고리즘이 어디까지 볼 수 있는지 아는 것이 중요하다.

세 기법을 연결하면, 키워드 목록이 캠페인 구조가 된다

가장 현실적인 순서는 다음과 같다. 먼저 레벤슈타인 거리로 오타와 거의 같은 변형을 합친다. 그다음 자카드 유사도로 단어 순서만 바뀐 검색어를 묶는다. 마지막으로 엔그램을 이용해 클러스터 안에서 반복되는 고성과·저성과 패턴을 찾는다. 어느 단계에서든 비용, 클릭, 전환, 전환가치를 함께 합산한다.

문제	기법	결정으로 바꾸는 질문
오타·띄어쓰기·단복수 변형	레벤슈타인 거리	같은 관리 단위로 합칠 후보인가?
단어 순서만 다른 중복	자카드 유사도	같은 검색 의도와 페이지를 가리키는가?
대량 검색어의 반복 테마	엔그램	어떤 단어군이 비용과 전환을 움직이는가?

Search Engine Land의 사례에서는 ‘cybersecurity courses’ 관련 상위 10개 키워드를 단수·복수형과 단어 순서 변형으로 통합해 더 실행 가능한 네 개의 그룹으로 줄였다. 중요한 것은 숫자 자체가 아니라, 그 결과가 광고그룹·랜딩페이지·콘텐츠 주제라는 운영 단위로 이어졌다는 점이다.

AI 시대의 시맨틱 분석은 ‘자동화를 거부하는 일’이 아니다

AI가 키워드 생성과 초기 요약을 맡는 것은 합리적이다. 사람이 10만 건의 검색어를 눈으로 읽을 이유는 없다. 다만 AI가 “관련 있다”고 묶은 결과를 그대로 캠페인에 넣는 순간, 관련성·전환의도·브랜드 정책이 한 덩어리로 섞인다.

특히 Google의 광범위 일치는 랜딩페이지와 광고그룹 신호까지 사용해 검색 의도를 확장한다. 운영자가 해야 할 일은 모든 확장을 막는 것이 아니라, 확장된 결과가 사업 목표에 맞는지 점검할 수 있는 구조를 갖추는 것이다. 시맨틱 기법은 자동화를 멈추는 브레이크가 아니라, 자동화가 어디까지 허용되는지 측정하는 계기판에 가깝다.

도입 순서: 내일 아침 검색어 리포트에서 시작하라

검색어 원본을 내보낸다. 검색어, 비용, 노출, 클릭, 전환, 전환가치를 함께 가져온다. 키워드 목록만으로는 성과 클러스터를 만들 수 없다.
문자열을 정규화한다. 소문자화, 구두점·불필요한 공백 정리, 브랜드명과 지역명 표기를 통일한다. “NYC”와 “New York”처럼 사전에 정할 수 있는 동의어는 별도로 매핑한다.
레벤슈타인과 자카드를 순서대로 적용한다. 가까운 변형을 먼저 줄이고, 순서만 바뀐 변형을 그다음 합친다. 임계값은 업종과 데이터로 검증하며 고정된 마법의 숫자로 취급하지 않는다.
엔그램별 KPI를 합산한다. 비용만 높은 단어와 전환가치가 높은 단어를 분리해 네거티브, 확장, 별도 랜딩페이지 후보로 표시한다.
사람이 마지막 예외를 승인한다. “무료”, “브랜드”, “경쟁사”, “채용” 같은 단어는 업종에 따라 완전히 다른 결론을 만든다. 자동 분류 결과를 바로 적용하지 말고 예외 목록을 남긴다.

처음부터 임베딩 기반 클러스터링 플랫폼을 살 필요는 없다. 작은 데이터라면 스프레드시트와 간단한 스크립트로도 세 기법의 효과를 확인할 수 있다. 중요한 것은 최신 도구를 추가하는 일이 아니라, 검색어가 실제 비용과 전환으로 어떻게 연결되는지 한 화면에서 보이게 만드는 것이다.

결론: AI가 커질수록, 오래된 알고리즘이 판단의 손잡이가 된다

엔그램은 대량 데이터를 테마로 압축한다. 레벤슈타인 거리는 가까운 변형을 발견한다. 자카드 유사도는 단어 순서가 만든 중복을 줄인다. 어느 것도 인간의 맥락 판단을 대체하지 않지만, 인간이 봐야 할 데이터의 양을 줄여 더 나은 판단을 가능하게 한다.

그래서 이 기술들이 지금 더 중요하다. AI는 키워드를 만드는 속도를 폭발적으로 높였고, 광고 플랫폼은 문자 그대로 일치하지 않는 검색어까지 자동으로 확장한다. 생성과 확장이 빨라질수록, 무엇이 같은 의도인지 무엇이 돈을 낭비하는지 검증하는 구조가 필요하다. AI를 더 사는 것보다 먼저 시맨틱 필터를 워크플로에 넣어야 하는 이유다.

이번 주 검색어 리포트에서 비용이 큰 검색어 100개만 골라보자. 레벤슈타인 거리로 오타·중복 후보를 줄이고, 자카드 유사도로 순서 변형을 묶은 뒤, 엔그램별 전환 데이터를 합산해보면 된다. 마지막에는 반드시 세 가지 결정을 남겨라. 제외할 것, 키울 것, 사람이 다시 볼 것. 그 세 칸이 채워지는 순간 AI가 만든 키워드 목록은 목록이 아니라 운영 가능한 캠페인 구조가 된다.

근거 출처

외부 정보 (하베스터 수집) — 핵심 사례와 수치는 Rémi Kerhoas, “Why advanced semantic techniques still matter in PPC and SEO”, Search Engine Land, 2025-12-02를 바탕으로 했다. 10만 건 이상 검색어의 엔그램 축소 사례, 레벤슈타인 거리와 자카드 유사도의 PPC·SEO 적용, 사이버보안 강좌 키워드 통합 사례가 여기에 해당한다.

외부 정보 (공식 문서 대조) — Google Ads의 광범위 일치가 관련 검색어와 랜딩페이지·애셋·광고그룹 신호를 활용한다는 설명은 Google Ads Help, About keyword matching options를 확인했다. 자카드 유사도 도식의 이미지는 원문 Search Engine Land에서 제공한 자료를 사용했으며 이미지 캡션에 출처를 표시했다.

상호작용 (에이전트-드루 대화·작업) — 이 글에서는 특정 광고 계정의 실제 성과나 에이전트-드루 간 작업 결과를 근거로 사용하지 않았다. 도입 순서와 최종 권장안은 위 외부 자료를 바탕으로 재구성한 편집 의견이다.

이 글은 외부 자료를 검증·재구성한 초안이다. 임계값과 네거티브 키워드 적용 전에는 업종의 전환 정의와 실제 검색어 데이터를 확인해야 한다.