AI 추천에서 우리 브랜드가 사라진 이유: GEO(생성형 엔진 최적화) 조사 결과

커뮤니티 반응

사용자들은 AI 답변의 불투명한 추천 로직에 공감하며, 특히 Reddit과 같은 커뮤니티 데이터가 모델 답변에 미치는 영향력에 대해 활발히 논의했다.

주요 논점

01찬성다수

AI 추천 로직은 전통적 SEO와 완전히 다르며 커뮤니티 언급량이 결정적이다.

합의점 vs 논쟁점

합의점

AI 모델의 답변은 정적인 검색 결과가 아니라 지속적으로 변하는 데이터 흐름의 결과물이다.
브랜드 노출을 위해서는 기술적 SEO보다 실제 사용자들의 대화 속에 브랜드가 어떻게 녹아드는지가 더 중요하다.

논쟁점

단순히 언급 횟수를 늘리는 것이 효과적인지, 아니면 특정 고품질 플랫폼에서의 언급이 더 중요한지에 대한 의견 차이가 존재한다.

실용적 조언

AI 추천 가시성을 테스트할 때 질문 문구를 표준화하여 변수를 통제해야 한다.
Reddit이나 전문 블로그에서 브랜드가 타겟 키워드와 함께 자연스럽게 언급되도록 유도해야 한다.
단발성 확인이 아닌 수주 이상의 기간 동안 시계열 데이터를 수집하여 노출 추이를 분석해야 한다.

섹션별 상세

실제 사용자가 질문하는 방식인 'X를 위한 최고의 도구', 'Y의 대안' 등의 프롬프트를 작성하여 여러 AI 어시스턴트를 대상으로 수주간 테스트를 진행했다. 이를 통해 브랜드가 단순히 무작위로 누락되는 것이 아니라 특정 패턴에 따라 노출도가 변한다는 사실을 발견했다.

경쟁사가 리브랜딩을 진행한 후, 기존에 자사 브랜드가 노출되던 위치를 경쟁사가 차지하기 시작했다. 제품 성능의 비약적 향상보다는 Reddit이나 블로그 등에서 사람들이 해당 브랜드를 언급하는 방식이 변화한 것이 AI 모델의 답변에 직접적인 영향을 미친 것으로 분석됐다.

전통적인 검색 엔진 최적화(SEO) 관점보다는 모델이 최근에 학습한 데이터의 내용과 공공 장소에서의 대화 인용 빈도가 더 중요하다는 점을 깨달았다. AI 답변 내 브랜드 가시성은 단순한 검색 순위가 아니라 모델이 본 훈련 데이터의 구성과 공개된 대화에서의 인용이 결합된 결과이다.

주관적인 느낌에 의존하지 않고 시간에 따른 가시성 변화를 데이터로 확인하기 위해 Karis라는 도구에 GEO 추적 기능을 추가했다. 초기 실험에서 프롬프트 문구를 표준화하지 않아 데이터의 일관성이 떨어졌던 시행착오를 거쳐 정교한 측정 체계를 구축했다.

용어 해설

생성형 엔진 최적화(GEO): — Generative Engine Optimization의 약자로, ChatGPT나 Perplexity 같은 AI 모델의 답변 결과에서 특정 브랜드나 정보가 더 잘 노출되도록 최적화하는 전략이다. 전통적인 검색 엔진 최적화(SEO)와 달리 모델의 학습 데이터와 문맥적 연관성을 관리하는 것이 핵심이다.
프롬프트 정규화(Prompt Normalization): — AI 모델의 성능이나 반응을 비교할 때 변수를 통제하기 위해 질문의 구조와 단어 선택을 일관되게 유지하는 과정이다. 미세한 문구 차이로도 AI 답변이 크게 달라질 수 있으므로 데이터의 객관성을 확보하기 위해 필수적이다.
가시성 드리프트(Visibility Drift): — 시간이 지남에 따라 AI 모델의 답변에서 특정 브랜드나 정보의 노출 빈도가 변하는 현상이다. 모델의 업데이트, 새로운 학습 데이터 반영, 또는 경쟁사의 언급량 증가 등 다양한 외부 요인에 의해 발생한다.

언급된 도구

Karis추천

AI 프롬프트에 따른 브랜드 가시성 변화 및 GEO 추적