← Back to list2026-08-31

GEO는 SEO의 새 이름이 아닙니다: 인용 최적화에서 AI 마케팅 운영체제로

GEOAI 검색AEO마케팅 인프라VC

2023년 11월, 연구진이 생성형 답변 안에서 웹사이트의 노출을 높이는 방법에 Generative Engine Optimization이라는 이름을 붙였습니다. 2026년 2월에는 이 문제를 푸는 Profound가 9,600만 달러를 조달하며 기업가치 10억 달러를 인정받았습니다. 같은 해 4월, 어도비는 SEO 강자 셈러시를 19억 달러에 인수 완료해 GEO 데이터를 자사 Brand Visibility 제품에 결합했습니다.

산업은 논문보다 빨리 커졌습니다. 다만 시장이 파는 문구인 "AI가 우리 브랜드를 추천하게 만든다"는 실제 파이프라인의 네 관문을 한데 묶습니다. 페이지를 읽게 하는 것, 검색 후보에 넣는 것, 답변의 근거로 인용되게 하는 것, 최종 추천과 구매로 연결하는 것은 같은 일이 아닙니다. GEO가 비교적 잘 다루는 구간은 앞의 세 단계이고, 마지막 단계의 통제력은 아직 약합니다.

출발점은 순위가 아니라 인용량을 재는 실험이었습니다

초기 논문은 생성형 엔진을 검색과 생성의 결합으로 정의했습니다. 사용자의 질문을 여러 검색어로 바꾸고, 상위 문서를 가져오고, 그 문서를 요약해 출처가 달린 답변을 만드는 구조입니다. 기존 검색에서는 몇 번째 링크인가가 노출의 대용치였지만, 생성형 답변에서는 어느 문장이 어떤 출처에 기대는지, 답변 앞부분에 나오는지, 몇 단어를 차지하는지가 노출을 결정합니다. 연구진은 이를 위치보정 단어 수와 주관적 인상으로 측정했습니다.

실험은 1만 개 질의와 각 질의의 구글 상위 5개 문서를 사용했습니다. GPT-3.5 기반 생성엔진에서 출처, 인용문, 통계를 넣은 문서는 위치보정 노출이 30~40%, 주관적 인상이 15~30% 개선됐습니다. 퍼플렉시티 실험에서는 인용문 추가가 위치보정 단어 수를 22% 높였고, 통계 추가는 주관적 인상을 최대 37% 높였습니다. 반대로 키워드를 더 집어넣는 방식은 효과가 없었고 퍼플렉시티에서는 기준선보다 10% 나빴습니다.

이 수치를 일반 법칙으로 읽으면 안 됩니다. 연구는 이미 구글 상위 5개에 들어간 문서 중 하나를 고쳐 답변 생성 단계의 변화를 측정했습니다. 검색 후보에 새로 진입하는 문제를 검증한 것이 아니고, GPT-3.5와 당시 퍼플렉시티라는 2023~2024년 시스템에 묶여 있습니다. 논문이 증명한 것은 "권위 있는 척하면 모델이 믿는다"가 아니라, 검색된 문서 안에서 검증 가능한 구체성이 인용 재료로 선택될 확률을 높인다는 좁고 유용한 사실입니다.

2026년 SIGIR 연구는 다른 통제환경에서 같은 방향의 결과를 냈습니다. 두 문서만 놓고 6개 모델에서 25만2,000회 비교하자 주제 적합성과 입력 위치가 가장 컸고, 명시적 가격과 최근 날짜가 일관되게 도움이 됐습니다. 완결성과 신뢰 단서는 작은 이득을 냈지만 서식만 바꾸는 편집은 영향이 작았습니다. 초기 논문의 후속 현장검증은 아니며, 실제 웹 전체가 아니라 두 문서 RAG 환경을 본 증거입니다.

실제 GEO는 네 개의 관문을 차례로 통과합니다

첫째는 접근과 색인입니다. 오픈AI는 검색용 OAI-SearchBot과 모델 학습용 GPTBot을 분리합니다. 검색 노출은 허용하되 학습은 거부할 수 있습니다. 구글은 AI 오버뷰와 AI 모드에 별도 기술 요건이 없다고 명시합니다. 구글 검색에 색인되고 스니펫 노출 자격이 있어야 하며, 크롤링 허용, 내부 링크, 텍스트로 된 핵심 정보, 보이는 내용과 일치하는 구조화 데이터가 기본입니다. llms.txt 하나를 넣는다고 이 관문이 열리는 구조가 아닙니다.

둘째는 검색 후보 진입입니다. 구글 AI 모드와 AI 오버뷰는 질문을 여러 하위 검색으로 펼치는 query fan-out을 사용합니다. 한 개 대표 키워드보다 사용자의 비교 기준, 사용 사례, 지역, 가격, 제약조건을 각각 정확히 다루는 페이지 묶음이 유리합니다. 이 단계까지는 SEO의 색인·권위·신선도 자산을 대부분 공유합니다. GEO가 SEO를 대체하는 것이 아니라 그 위에 인용 선택과 모델 관측이 추가되는 이유입니다.

셋째는 답변 인용입니다. 원자료, 수치, 가격, 날짜, 정의, 비교표처럼 문장에서 떼어 써도 의미가 보존되는 정보가 강합니다. 마이크로소프트는 2026년 2월 Bing Webmaster Tools에 AI Performance를 공개하며 명료한 제목, 표, FAQ, 근거가 달린 주장, 최신 정보, 형식 간 엔티티 일관성을 권했습니다. 이 가이드는 초기 GEO 논문과 2026년 통제실험의 결과와 방향이 같습니다.

넷째는 추천과 행동입니다. 여기서는 좋은 문서만으로 부족합니다. 사용자의 이전 대화, 지역과 예산, 제품 재고, 리뷰, 모델의 학습된 브랜드 표상, 안전정책이 함께 작동합니다. 특정 답변에 인용됐다는 사실은 구매 후보로 추천됐다는 뜻이 아니고, 추천됐다는 사실도 클릭이나 매출을 보장하지 않습니다.

지금 작동하는 기법은 화려하지 않습니다

아래 방법은 연구 결과와 검색 사업자의 공식 가이드가 겹치는 구간입니다. 각 엔진의 인용을 보장하는 공식은 아니고, 후보 진입과 인용 선택의 확률을 높이기 위한 운영 원칙에 가깝습니다.

기술 기반을 먼저 고칩니다. 검색용 크롤러를 막지 않았는지, CDN이 봇을 차단하지 않는지, 중요한 정보가 자바스크립트 뒤에만 있지 않은지 확인합니다. 사이트맵과 정확한 lastmod, IndexNow 같은 신선도 신호는 새 정보가 반영되는 시간을 줄입니다. 상품 피드와 비즈니스 프로필도 웹페이지와 같은 가격·재고·회사명을 말해야 합니다.

재사용 가능한 사실 단위를 만듭니다. 자체 조사, 벤치마크, 제품 사양, 가격, 적용 조건, 업데이트 날짜를 출처와 함께 짧은 문단이나 표로 제공합니다. 문장만 그럴듯하게 바꾸는 것이 아니라 다른 답변이 근거로 가져갈 수 있는 원자료를 만드는 일입니다. 이 자산은 검색과 PR, 세일즈 자료에도 재사용됩니다.

자사 사이트 밖의 출처 지도를 봅니다. 생성형 엔진은 회사의 주장보다 리뷰, 미디어, 커뮤니티, 기관 자료를 함께 읽습니다. 따라서 GEO의 실행 단위는 웹페이지 한 장이 아니라 브랜드를 설명하는 출처 그래프입니다. 소유 채널, 언론·리뷰 같은 획득 채널, 판매 파트너의 상품정보가 같은 사실을 말하게 만드는 작업이 필요합니다.

한 번 묻지 않고 분포를 잽니다. 같은 질문도 시점, 지역, 모델 버전, 검색 결과, 샘플링에 따라 답과 인용이 달라집니다. 2026년 두 연구는 단일 실행의 인용 순위가 노이즈를 정밀한 값처럼 보이게 한다고 지적했습니다. 같은 프롬프트를 반복하고 신뢰구간을 붙이며, 모델과 지역별로 나눠야 합니다. Evertune이 프롬프트당 최대 100회 샘플링을 전면에 내세우는 이유도 여기에 있습니다.

측정에서 수정과 배포까지 닫습니다. 어떤 질문에서 경쟁사가 인용되는지 찾고, 빠진 사실을 보강하고, CMS와 상품 피드에 배포하고, 이후 인용과 전환을 다시 측정해야 합니다. 2025년 도구가 대시보드를 팔았다면 2026년 제품은 이 루프를 에이전트와 워크플로로 묶는 중입니다.

측정 시장에는 구조적인 함정이 있습니다

가장 큰 문제는 정답표가 없다는 점입니다. 구글 Search Console은 AI 오버뷰와 AI 모드를 일반 웹 검색에 합쳐 보고합니다. Bing AI Performance는 총 인용과 인용된 페이지를 보여주지만 개별 답변에서의 위치나 권위를 뜻하지 않는다고 선을 긋습니다. 외부 도구는 자체 프롬프트 표본을 사용하므로 같은 브랜드를 두고도 서로 다른 점수를 낼 수 있습니다.

측정 비용도 작지 않습니다. 여러 국가에서 여러 모델에 같은 프롬프트를 반복하면 추론비와 브라우저 자동화 비용이 늘어납니다. 표본을 줄이면 노이즈가 커지고, 늘리면 SaaS 총마진이 나빠집니다. 소비자 화면을 직접 수집하는 방식은 실제 경험과 가깝지만 레이아웃 변경과 이용정책에 취약하고, API 응답은 안정적이지만 소비자 화면과 다를 수 있습니다.

인과관계는 더 어렵습니다. 콘텐츠를 바꾼 뒤 인용률이 올라도 같은 시점의 모델 업데이트, 검색 색인 변화, PR 캠페인을 분리하기 어렵습니다. 브랜드 언급과 인용, AI 유입, 전환매출을 한 퍼널로 연결하지 못하면 GEO 예산은 경기 둔화 때 먼저 잘릴 실험비로 남습니다.

스팸과 정책 위험도 있습니다. 초기 연구에서 키워드 채우기는 효과가 없었고, 사람에게 보이는 내용과 봇에게 주는 내용을 다르게 만드는 방식은 클로킹 판정을 받을 수 있습니다. 답변을 조작하는 숨은 문장이나 가짜 통계는 짧게는 노출을 올릴 수 있어도 소스 신뢰와 검색 자격을 함께 잃는 전략입니다.

마지막 한계는 모델 내부 기억입니다. 검색 기반 답변은 최신 웹문서를 바꾸면 영향을 관찰할 수 있지만, 검색 없이 나오는 답은 학습 데이터와 모델 업데이트 주기에 묶입니다. 오픈AI가 검색 크롤러와 학습 크롤러를 분리해 둔 사실 자체가 두 경로가 다름을 보여줍니다. GEO 업체가 "모델이 우리 브랜드를 이해하게 만든다"고 말할 때 검색 결과를 바꾼 것인지, 장기 브랜드 표상을 바꾼 것인지 구분해야 합니다.

주요 사업자는 같은 시장에서 다른 층을 차지합니다

사업자	2026년의 자리	제품의 중심	공개된 자본·성장 신호
Profound	엔터프라이즈 운영체제	소비자 화면 기반 가시성·인용·크롤 로그에서 CMS 배포 에이전트까지	2026년 2월 9,600만 달러 Series C, 기업가치 10억 달러. 회사 발표 기준
Peec AI	중견·에이전시 분석	프롬프트, 경쟁사, 출처, 감성을 여러 엔진에서 추적	2025년 11월 2,100만 달러 Series A, 누적 2,900만 달러. 회사 발표 당시 1,300개 고객, ARR 400만 달러 이상
Scrunch AI	에이전트용 웹 계층	모니터링과 함께 크롤러가 읽는 구조화된 Agent Experience Platform 제공	2025년 7월 1,500만 달러 Series A. 회사 발표 당시 500개 이상 브랜드 사용
Evertune	통계·광고 결합	프롬프트 반복 표본, 가시성 분석, 콘텐츠와 광고 실행	2025년 8월 1,500만 달러 Series A, 누적 2,000만 달러. 회사 발표 기준
Adobe·Semrush	기존 마케팅 스택의 통합	Brand Visibility, AEM, Analytics, SEO·GEO 데이터를 한 제품군에 결합	어도비가 2026년 4월 셈러시 19억 달러 인수 완료
Ahrefs·Similarweb·Bing	데이터·네이티브 계측	대규모 검색 기반 프롬프트, 웹 트래픽, 자사 엔진 인용 데이터	기존 데이터 자산을 GEO 기능으로 확장

숫자는 각 회사 발표와 공식 보도자료 기준이며 감사를 거친 실적이 아닙니다. 그럼에도 Profound의 10억 달러 가치와 어도비의 셈러시 인수는 수요가 존재한다는 강한 신호입니다. 동시에 신규 회사가 마주할 경쟁자가 다른 스타트업만이 아니라 검색 데이터 기업, CMS, 마케팅 클라우드, 답변 엔진 자신이라는 뜻이기도 합니다.

투자자에게 중요한 것은 대시보드 다음에 남는 것입니다

가장 강한 약세 논리는 분명합니다. 브랜드 언급, 인용, 감성, 경쟁사 점유율은 구현 난도가 빠르게 낮아지고 있습니다. Bing은 이미 자사 엔진의 인용 데이터를 무료 Webmaster Tools에 넣었고, Ahrefs는 기존 키워드 데이터에서 수억 개 검색 기반 프롬프트를 만들며, 어도비는 CMS·분석·셈러시를 한 계정에 묶습니다. 독립 GEO 대시보드는 기존 마케팅 소프트웨어의 기능 하나로 압축될 수 있습니다.

중립 계층이 필요한 이유도 있습니다. 한 브랜드는 챗GPT, 구글 AI 모드, 퍼플렉시티, 코파일럿, 클로드, 쇼핑 에이전트를 동시에 봐야 합니다. 각 플랫폼의 자체 지표는 경쟁 엔진을 보여주지 않고, 프롬프트와 인용의 정의도 다릅니다. 여러 엔진의 소비자 경험을 같은 기준으로 오래 관측한 데이터는 여전히 값이 있습니다.

따라서 해자는 네 곳에서 생깁니다.

측정의 신뢰성: 실제 사용자 질문을 대표하는 프롬프트 패널, 반복 표본, 지역·개인화 통제, 신뢰구간을 갖췄는가.
출처 그래프: 어떤 제3자 출처와 문단이 추천에 영향을 주는지 장기간 누적해 경쟁사가 복제하기 어려운가.
실행 폐루프: 관측에서 끝나지 않고 CMS, 상품 카탈로그, PR, 광고, 세일즈 자료를 고친 뒤 결과를 다시 회수하는가.
매출 연결: 인용 점유율이 아니라 AI 유입의 파이프라인·구매·반복매출을 고객 시스템에서 증명하는가.

DD에서는 모델 수나 대시보드 화면보다 다섯 숫자를 먼저 받아야 합니다. 고객당 월간 프롬프트 실행 수와 원가, 같은 프롬프트의 반복 측정 분산, 파일럿에서 전사 계약으로 전환되는 비율, AI 유입이 확인된 전환매출, 고객이 실제로 실행한 권고안 비율입니다. 마지막 수치는 분석이 고객의 CMS·PR·상품정보 변경으로 이어졌는지를 보여줍니다. 이 비율이 낮으면 제품은 운영체제가 아니라 리포트입니다.

12~30개월 안의 재평가 사건도 비교적 명확합니다. 독립 사업자가 가시성 점수와 전환매출의 관계를 반복적으로 증명하거나, 대형 CMS·광고 플랫폼이 중립 데이터 계층을 인수하거나, 쇼핑 에이전트가 실제 거래 점유율을 만들면 시장의 가치가 다시 매겨집니다. 반대로 답변 엔진이 교차 플랫폼 측정 API를 표준화하고 기존 SEO 도구가 기능을 무료로 묶어도 독립 제품의 순매출 유지율이 버티지 못하면 단독 카테고리 논리는 깨집니다.

GEO의 끝은 콘텐츠 최적화가 아니라 에이전트 유통입니다

GEO라는 이름은 콘텐츠를 고치는 기술에서 시작했지만 시장은 이미 그 바깥으로 움직였습니다. 제품은 크롤러 접근을 관리하고, 질문 분포를 관측하고, 출처 그래프를 찾고, 콘텐츠와 상품정보를 배포하고, 광고와 전환을 회수하는 쪽으로 넓어졌습니다. SEO의 새 이름이 아니라 사람 대신 에이전트가 후보를 만드는 유통 채널의 운영체제에 가까워지고 있습니다.

그 과정에서 가장 먼저 범용화되는 것은 모니터링 화면입니다. 오래 남는 회사는 "AI가 우리를 몇 번 말했는가"를 보여주는 곳이 아니라, 왜 말했는지 설명하고 무엇을 고쳐야 하는지 실행하며 그 변화가 매출로 돌아왔는지 검증하는 곳일 것입니다. 이 시장의 승부는 인용을 늘리는 문장 기술이 아니라, 불확실한 모델 출력을 학습 가능한 업무 루프로 바꾸는 데서 납니다.