왜 AI는 우리 콘텐츠를 인용하지 않을까?
Insight
목차 14
왜 AI는 우리 콘텐츠를 인용하지 않을까?
AI에 대한 관심이 점점 더 뜨거워지고 있습니다. ChatGPT와 Claude 등 AI 서비스들이 경쟁적으로 신규 모델을 출시하고 있습니다. 빠르게 발전하는 LLM만큼, 생성형 AI를 하나의 검색으로 보고 이에 대응하기 위한 브랜드들의 움직임도 많아지는 것 같습니다.
AI 검색에 대응하기 위해서는 AI가 정보를 수집하고 인용하는 구조에 대해서 아는 것이 가장 중요합니다. 이번 콘텐츠에서는 AI 검색 최적화(GEO)를 위한 기초, 즉 AI가 사용자의 요청에 답하기 위해 특정 콘텐츠를 인용하는 원리와 이를 실제로 GEO에 적용하는 구체적인 방법에 대해 소개합니다.
AI는 어떻게 콘텐츠를 인용할까?
AI는 정보를 어떻게 선별하고 인용할까요? 이걸 이해하려면 먼저 AI가 답변을 만드는 3단계를 알아야 합니다.
1. 질문 확장
사용자가 AI에게 “ETF 투자 어떻게 하는 거야?”라고 물어봤을 때, AI는 이 질문을 여러 개의 세부 질문으로 분해합니다. 이걸 팬아웃 쿼리(Fan-Out Query)라고 합니다. “ETF 투자 어떻게 하는 거야?”라는 질문은 ‘ETF 투자 증권 계좌 개설 방법’, ‘ETF 첫 종목 고르는 기준’ 같은 형태의 세부 질문 또는 연관 질문으로 확장될 수 있습니다. 그래서 GEO에 대응하기 위해 콘텐츠를 쓸 때, 중심 주제 외에도 연관된 세부 주제들을 함께 다루면 AI가 인용할 가능성을 높일 수 있습니다.
*팬아웃 쿼리: AI 검색 시스템이 사용자의 복잡하고 모호한 단일 질문을 여러 개의 세부 하위 쿼리로 쪼개서 병렬로 검색한 뒤, 가장 정확하고 종합적인 답변을 구성하기 위해 활용하는 기술
2. 정보 수집
AI는 팬아웃 쿼리를 통해 얻은 세부 질문들을 웹에 검색하고 적절한 콘텐츠를 수집합니다. 이 과정을 보통 RAG(Retrieval-Augmented Generation, 검색 증강 생성)라고 합니다. 쉽게 말해서 우리가 궁금한 걸 네이버에 검색해보는 것과 비슷합니다. 할루시네이션(환각)을 줄이고 최신 지식을 보완하기 위해서 ChatGPT나 Claude 같은 상용 LLM에도 이런 RAG가 적극적으로 적용되어 있습니다.
이 과정에서 중요한 건 AI는 RAG로 정보를 파악할 때 콘텐츠를 처음부터 끝까지 다 읽지 않는다는 점입니다. AI는 섹션, 단락 단위로 정보를 빠르게 추출, 파악하면서 사용자가 질문, 요청한 의도와 연관성이 높은 걸 찾습니다. 그래서 각 단락의 의미적 구분이 명확한 콘텐츠가 AI에게 인용될 가능성이 높다고 볼 수 있습니다.
*RAG: 답변을 만들기 전에 외부 문서나 데이터베이스에서 관련 정보를 먼저 검색하고, 그 내용을 바탕으로 정확한 답변을 생성하는 기술
3. 답변 생성
AI는 수집한 단락들을 조합해 최종 답변을 만들기 전, 자가 검증(Self-Verification) 기술 등 답변의 질을 높이기 위한 다양한 알고리즘 장치를 활용합니다. AI 스스로 ‘내가 수집한 원문의 수치나 출처가 작성 중인 답변과 완벽히 일치하는가?’, ‘논리적 비약이나 왜곡은 없는가?’를 실시간으로 대조하며 팩트를 체크하는 겁니다. 이런 검증 레이어를 통과하지 못한 정보는 신뢰도가 낮다고 판단되어 최종 답변에서 제외됩니다.
그래서 GEO 콘텐츠를 쓸 때는, 사용자의 질문에서 파생되는 하위 질문들을 소제목으로 잡아 연관 주제를 촘촘히 녹여내고, AI가 처음부터 끝까지 읽지 않아도 특정 단락만 떼어 추출할 수 있도록 한 단락 내에서 하나의 완성된 정보를 제공하며, 자가 검증 기술을 쉽게 통과할 수 있도록 구체적인 수치 데이터와 신뢰할 수 있는 출처를 함께 명시해 주는 전체 작동 메커니즘에 맞춘 전략적인 작성이 필요합니다.
AI가 인용하는 콘텐츠의 5가지 공통점
그럼 AI가 인용하는 콘텐츠들은 어떤 공통점이 있을까요? 이번 콘텐츠에서는 이 5가지 구조를 중심으로 AI가 인용하는 콘텐츠의 특징을 알아 보겠습니다.
1. 즉답형 구조: 핵심 답변을 첫 문장에 두기
즉답형 구조는 단락 첫 문장에서 질문에 대한 답을 바로 제시하는 방식입니다. AI는 RAG 과정에서 단락 단위로 정보를 추출하기 때문에, 핵심 답변이 첫 문장에 있는 콘텐츠를 인용할 가능성이 높습니다. AI가 인용한 URL 30만여 개를 분석한 조사에서도 핵심 내용을 명확하게 요약해 제시하는 콘텐츠가 AI 인용과 가장 높은 연관성을 보였습니다[3].
즉답형 구조는 질문의 답이 하나로 명확하게 떨어질 때 특히 효과적입니다. “A란 무엇인가”, “A의 특징은 무엇인가”, “A와 B의 차이는 무엇인가”처럼 한 문장이나 한 문단으로 답이 완결되는 질문이 여기에 해당합니다.
콘텐츠를 쓰다 보면 미적용 예시처럼 본론 앞에 자연스러운 도입부를 넣게 됩니다. 하지만 AI 입장에서는 핵심 정보가 뒤로 밀려 있어 답을 찾는 데 시간이 오래 걸릴 수 있는 구조입니다. 반면 적용 예시는 첫 문장에 ETF의 정의와 특징이 정리되어 있어 그대로 인용하기 쉽습니다. 섹션을 시작할 때 '이 섹션에서 독자가 가장 먼저 알고 싶은 것은 무엇인가?'를 먼저 떠올리고 그 답을 첫 문장에 두면, 즉답형 구조를 쉽게 적용할 수 있습니다.
2. 리스트형 구조: 나열할 정보는 항목으로 쪼개기
리스트형 구조는 여러 정보를 항목별로 나누어 제시하는 방식입니다. 한 문단에 여러 정보가 섞여 있으면 AI가 필요한 정보만 골라내기 어려울 수 있지만, 기준에 따라 항목이 나뉘어 있으면 각 항목을 독립된 정보로 인식해 필요한 부분만 정확하게 인용할 수 있습니다. “ETF 선택 기준은 무엇인가”, "초보자가 확인해야 할 투자 지표는 무엇인가"처럼 답이 여러 항목으로 이루어진 질문이라면, 줄글보다 리스트로 나누어 설명하는 것이 좋습니다.
이처럼 리스트형 구조는 다양한 내용을 다룰 때 적합합니다. 특히 각 항목을 '항목명: 설명' 형태로 쓰고, 항목 하나만 떼어 읽어도 의미가 통하도록 작성하면 더욱 효과적일 수 있습니다.
3. 정의형 구조: 한 문장에 하나의 정보만 담기
정의형 구조는 한 문장에 하나의 정보만 담아 개념을 명확하게 끊어 설명하는 방식입니다. AI는 콘텐츠를 글 전체가 아니라 청크(Chunk)라는 정보 단위로 나누어 평가합니다. 이때 한 문장에 여러 정보가 섞여 있으면 청크의 의미가 흐려져, AI가 필요한 정보만 추출하기 어려워질 수 있습니다.
*청크(Chunk): AI가 긴 문서를 처리하기 위해 일정 길이로 나눈 텍스트 조각. AI는 청크 단위로 질문과의 관련성을 평가하고 필요한 부분을 가져옵니다.
미적용 예시는 PER의 정의, 계산 방식, 해석 기준이 하나의 긴 문장에 섞여 있습니다. 반면 적용 예시는 정의, 의미, 해석 기준이 각각 한 문장으로 나뉘어 있습니다. ‘A는 B입니다' 형태로 한 문장에 하나의 정보만 담는 방식은 개념 설명뿐 아니라 결론 제시, 조건 서술, 원칙 설명 등 콘텐츠 전반에 적용할 수 있습니다.
4. 데이터 기반 구조: 수치와 출처를 함께 제시하기
데이터 기반 구조는 주장을 구체적인 수치와 출처로 뒷받침하는 방식입니다. AI는 수집한 자료를 근거로 답변을 만들기 때문에, '많은 사람들이 이용합니다'처럼 두루뭉술한 표현보다 수치와 출처가 명시된 문장을 근거로 인용할 가능성이 높습니다. GEO 개념을 처음 제시한 연구에서도 콘텐츠에 통계 수치를 추가하자 AI 답변 내 노출(가시성)이 약 31% 높아졌습니다[1].
미적용 예시처럼 '가장 신뢰받는', '업계 최고 수준' 같은 홍보성 표현만 나열하면 AI가 답변의 근거로 쓸 정보가 부족합니다. 같은 연구에서 문장을 권위적이고 설득적인 어조로 바꾸는 방법은 가시성 개선 효과가 약 10%에 그친 반면, 통계 추가(약 31%)와 출처 인용(약 28%)은 두 배 이상 높은 효과를 보였습니다. 브랜드의 USP(고유 판매 제안)나 성과를 강조하는 콘텐츠일수록 수치, 비교 기준, 출처, 조사 시점 같은 근거를 함께 제시하면 AI 인용에 효과적으로 대응할 수 있습니다.
5. 비교형 구조: 두 대상을 같은 기준으로 나란히 비교하기
비교형 구조는 두 대상을 공통된 기준에 따라 표로 나란히 정리하는 방식입니다. 사용자가 AI에게 “ETF 상품 중에서 A랑 B 중에 뭐가 더 좋아?”처럼 비교를 요청하면, AI는 두 대상을 같은 기준으로 한 페이지 안에 정리한 콘텐츠를 우선적으로 활용하는 경향이 있습니다.
표 형태의 비교 구조는 AI가 두 대상의 차이를 한 번에 추출하기 좋은 형식입니다. 표가 포함된 콘텐츠는 그렇지 않은 콘텐츠보다 AI에게 2.5배 더 자주 인용된다는 분석 결과도 있습니다[2]. 다만 AI는 텍스트를 기반으로 답변을 만들기 때문에, 표만 두기보다 표 내용을 정리한 요약 문장을 함께 제공하는 것이 좋습니다.
위 적용 예시처럼 공통된 기준으로 정리한 표와 명확한 요약 문장을 함께 제시하면, 두 ETF 브랜드의 차이를 묻는 질문에 AI가 이 콘텐츠를 바로 활용할 가능성이 높아질 수 있습니다.
마치며
지금까지 살펴본 5가지 구조를 정리하면 다음과 같습니다.
구조 | 핵심 원칙 | 적합한 경우 |
|---|---|---|
즉답형 | 첫 문장에 답을 배치한다 | 하나의 명확한 답이 있는 내용 |
리스트형 | 나열할 정보는 항목으로 분리한다 | 서로 다른 내용을 여러 개 설명할 때 |
정의형 | 한 문장에 하나의 정보만 담는다 | 개념 설명, 결론 제시, 원칙 등 콘텐츠 내 전반적인 내용 |
데이터 기반 | 수치, 비교 기준, 출처, 조사 시점을 함께 제시한다 | 주장을 수치로 뒷받침해야 할 때 |
비교형 | 공통된 기준으로 표를 만들고 요약 문장을 붙인다 | 두 대상을 견줘야 하는 질문 |
5가지 구조는 서로 독립적인 요소가 아닙니다. 하나의 콘텐츠 안에 여러 구조가 함께 담길수록 AI가 다양한 질문에 걸쳐 해당 페이지를 반복적으로 인용할 가능성이 높아질 수 있습니다. 즉답형으로 핵심을 먼저 제시하고, 리스트로 항목을 나누고, 정의형으로 개념을 끊어 설명하고, 데이터로 주장을 뒷받침하고, 비교표로 선택 기준을 제공하는 방식입니다.
다만 구조를 이해하는 것과 실제 콘텐츠에 적용하는 것은 별개의 문제입니다. 키워드를 팬아웃 쿼리에 대응하는 질문으로 바꾸는 방법, 5가지 구조를 한 편의 글 안에 배치하는 순서, FAQ 구성법, 발행 후 AI 인용 여부를 확인하는 방법까지 알아야 실제 성과로 이어질 수 있습니다. 다음 콘텐츠에서는 오늘 소개한 구조를 실제 콘텐츠에 적용하는 실전 설계법을 다루겠습니다.
FAQ
Q. 기존에 발행한 콘텐츠도 구조를 바꾸면 AI 인용 가능성이 올라가나요?
A. 네, 개선할 수 있습니다. AI 검색엔진은 웹 콘텐츠를 지속적으로 크롤링하기 때문에 기존 페이지도 구조를 개선하면 다시 평가받을 수 있습니다. 실제로 ChatGPT가 가장 많이 인용한 페이지 1,000개를 분석한 결과, 업데이트 날짜를 확인할 수 있는 페이지의 76.4%가 최근 30일 이내에 업데이트된 콘텐츠였다는 조사 결과도 있습니다[4]. 그래서 새 글을 발행하는 것보다 이미 색인된 기존 페이지를 GEO 관점에서 보강하는 편이 더 빠르게 효과를 볼 수 있습니다.
Q. AI가 인용하는 5가지 콘텐츠 구조, 한 글에 모두 넣어야 하나요?
A. 그렇지 않습니다. 즉답형, 리스트형, 정의형, 데이터 기반, 비교형 구조는 주제와 내용에 따라 자연스럽게 적용할 수 있는 구조가 다르고, 모든 구조를 억지로 넣으면 오히려 글의 흐름이 어색해질 수 있습니다. 중요한 것은 모든 구조를 넣었는지가 아니라 내용에 맞는 구조를 골라 잘 표현했는지입니다.
Q. 인용할 데이터나 수치가 없는 주제는 어떻게 작성해야 하나요?
A. 반드시 공식 통계가 있어야 하는 것은 아닙니다. 자체 수집 데이터, 고객 사례의 구체적인 수치, 실험 결과 등도 출처와 조사 시점을 함께 밝히면 AI가 근거로 인용할 수 있습니다. 수치가 전혀 없다면 즉답형, 정의형, 리스트형 구조를 조합해 정보의 명확성을 높이는 방식으로 보완할 수 있습니다.
