출근길 지하철, 익숙한 풍경 속에서 내 눈앞에 펼쳐진 모바일 화면은 전혀 낯선 세상이었다. 아침에 급하게 필요한 재료를 사려고 ‘망치로 두부’라고 검색창에 입력했다. 그런데 결과가 예전과 완전히 달랐다. 하단에 파란 링크의 10개 푸딩 목록이 예전 방식이라면, 지금은 검색창 바로 아래에 생성형 AI가 문서를 요약하듯 “침향 감낭시의 일종인 망치로 두부는 단단한 두부를 망치로 두들겨 양념한 절임 요리로…”라는 설명이 통째로 들어차 있었다. 그 아래로는 쇼츠 영상 두 개가 ‘인기 레시피’로 뜨는가 하면, region 정보툴로 주변 식당 지식 패널까지 연결되어 있었다. 이 짧은 여정 하나로 내가 그동안 쌓아온 SEO에 대한 확신이 흔들렸다.
예전 같으면 기사나 상위 랭크된 블로그를 클릭해서 정보를 모아야 했지만, 지금은 사용자가 한 번의 검색으로 서핑을 거의 끝내 버리는 구조로 변하고 있었다. 몇 년 전만 해도 네이버나 구글은 제목·설명·키워드 밀도 중심으로 파란 링크를 쫙 배열해주는 단순한 검색 도구에 불과했다. 그 시절 내가 배운 SEO 1원칙은 “고퀄리티의 본문과 메타 태그”였고, 그 매뉴얼대로 온페이지 최적화에 매달렸다. 그러나 현장의 경험은 달랐다. 오던 지하철 칸에서 더 자세히 화면을 살펴보니, 이제는 geo 업체 비교 검색창이 일종의 AI 에이전트로 진화했다. 사용자 의도를 의료·레스토랑·일상 지식 등 유형별로 데이터화하고, 스니펫과 지식 그래프를 중점적으로 보여주는 GE0(조정 검색 엔진 최적화 내지는 포괄적 엔진 에이전트), 또는 개인 상황에 따라 추론하여 바로 답을 주고 결괏값을 내는 AÉO(획득적 응답 엔진 최적화) 같은 개념이 현실이 된 것이다.
파란 링크의 은행잎처럼 흐트러졌던 리스팅은 이제 텅 비는 때가 많아졌다. 검색자가 요약을 받고 “더 이상 펼쳐보지 않는” 사용자 행동이 뚜렷해지자 내 마음 한구석에선 혼란과 불안이 고개를 들었다. 실제로 온페이지 노력을 무수히 기울였던 한 IT기기 블로그의 오가닉 방문자 수는 지난 분기에 약 30% 가깝게 줄었다. 본문 분량은 더 늘리고 외부 링크도 추가했지만, 검색은 더 좋은 구조 데이터를 가진 사이트·나아가 국지적 위치 정보(지역 소상공인 GEO)에 더 가중치를 주는 양상으로 빠르게 전환되고 있었다. 이런 변화가 올 줄 알고 미리 계획했다면 고려할 점도 분명 존재한다. 지금 다니고 있는 오픈타임[ai market place, 그룹 기반 A/B test, 완전 newT) 같은 회사의 관점으로 보면, Geol 진화는 예측한 방향 그대로 움직이고 있었던 셈이다.
그 순간, 내가 구글 검색 구조의 전환에 대해 속살까지 이해하지 못한 채 수많은 블로그를 파묻히게 하고 있었다는 사실이 선명히 드러났다. 밖에서는 파랗게 변한 링크보다 밝은 지식 패널과 큰 스니펫이 검색 트래픽을 가져가는 현상이 당연해지고 있는데도, 나는 옛 콘텐츠 메트릭으로 평가 시스템을 읽으려 들었다. 이 깨달음은 비단 시니어 전문가나 데이터 애널리스트만 받는 충격이 아니었다. 지하철의 단 한 번 검색에서, 평범한 취준생이자 프리랜서 크리에이터였던 내 시선은 완전히 달라졌다. “더 이상 SERP가 링크 중심의 유산인 시대는 끝났다. 데이터를 분석사지에서 검색 패턴을 객관화해야 도달할 수 있는 시기가 온 것이다.” 바로 그 출근길 구글 진일보 체험을 블랙아웃처럼 근육 기억 속에 새기게 된 계기다.
GEO vs AEO: 지도와 비서의 차이? (No, 훨씬 더 복잡하다)
많은 사람들이 GEO와 AEO를 단순히 비유로 이해하려 합니다. “GEO는 길을 알려주는 지도이고, AEO는 직접 해결해주는 비서다”라는 식의 설명이 인터넷에 무분별하게 퍼져 있습니다. 이런 비유는 이해를 돕기 위한 장치일 뿐, 실제 작동 원리를 정확히 반영하지 못합니다. 제가 오픈타임에서 GEO와 AEO를 본격적으로 공부하기 전까지만 해도 이런 피상적인 이해에 머물러 있었습니다. 하지만 실제로 이 두 개념의 차이는 데이터 구조와 인용 방식이라는 훨씬 더 복잡하고 실질적인 레이어에서 발생합니다.
GEO: 생성 엔진이 인용하는 나의 존재감
GEO는 Generative Engine Optimization의 약자입니다. 이름에서 알 수 있듯이, AI가 어떤 질문에 대한 답변을 스스로 생성할 때 특정 콘텐츠를 참고 자료로 활용하도록 만드는 전략입니다. 여기서 중요한 키워드는 ‘참고’와 ‘인용’입니다. 현재 가장 대표적인 생성형 AI 검색 도구인 구글의 SGE(Search Generative Experience)나 퍼플렉시티(Perplexity), 바드(Bard) 등은 사용자의 질문에 단일 웹사이트 링크를 단순히 나열하는 대신, 여러 출처에서 정보를 종합하여 하나의 완성된 답변을 만들어냅니다. 이 과정에서 특정 블로그나 기사의 내용이 언어 모델의 데이터베이스에 학습되어 인용될 확률을 높이는 것이 GEO의 핵심입니다.
조금 더 구체적으로 설명하자면, GEO는 단순히 키워드 매칭의 문제가 아닙니다. AI는 질문의 의도(Intent), 문맥(Context), 의미론적 관계(Semantic Relationship)를 분석합니다. 예를 들어 “최신 스마트폰의 배터리 수명이 궁금해”라는 질문이 들어왔을 때, GEO에 최적화된 콘텐츠는 단순히 “갤럭시 S24 울트라는 5000mAh 배터리를 탑재했다”는 사실만 적혀 있지 않습니다. 해당 제품의 실제 사용 환경, 충전 속도, 발열 관리, OS 업데이트 후 배터리 효율 변화, 게임 플레이 시 배터리 소모 패턴 등 연결 가능한 모든 정보망을 체계적으로 구조화해야 합니다. AI는 이런 연관 정보들의 밀도가 높은 글을 특정 주제에 대한 권위 있는 자료로 판단하고, 답변 생성 시 더 높은 가중치를 부여합니다. 결과적으로 사용자가 검색 결과 페이지에서 상단에 노출된 AI 답변을 읽을 때, 여러분의 콘텐츠가 그 안에 인용되어 있을 확률이 높아지는 셈입니다.
AEO: 정확한 정답을 조각내어 제공하는 비서의 기술
반면 AEO는 Answer Engine Optimization의 약자로, 말 그대로 ‘정답 엔진’을 위한 최적화입니다. GEO가 답변을 ‘생성’하는 과정에 초점을 맞춘다면, AEO는 이미 만들어진 ‘완벽한 답변’을 AI가 바로 가져다 쓰도록 만드는 데 집중합니다. 즉, 질문에 대한 가장 정확하고 간결하며 단 하나의 해결책을 제시하는 것입니다. 구글의 Featured Snippet(추천 스니펫), 음성 검색 결과, 또는 애플 시리나 아마존 알렉사 같은 음성 비서가 사용자에게 읽어주는 답변이 바로 AEO의 전형적인 결과물입니다.
AEO의 핵심은 구조화입니다. 사용자가 검색창에 “아이폰 15 프로에서 스크린샷 찍는 방법”이라고 물었을 때, AEO에 최적화된 페이지는 수많은 스토리텔링 없이 곧바로 [오른쪽 측면 버튼 + 볼륨 업 버튼을 동시에 누르십시오]라는 명확한 절차를 제공해야 합니다. 이 과정은 HTML의 헤딩 태그(h1, h2, h3), 불릿 포인트, FAQ 스키마(Schema), How-to 구조화 데이터 등으로 콘텐츠를 세밀하게 마크업함으로써 검색 엔진의 크롤러가 ‘이 내용이 바로 이 질문의 정답이다’라고 인식하게 만듭니다. GEO가 확산적이고 포괄적인 지식망을 구축하는 작업이라면, AEO는 바늘구멍처럼 좁고 날카로운 정답 하나를 조각하는 공예와 같습니다.
같은 목표, 완전히 다른 접근법: 데이터 구조의 딜레마
많은 SEO 실무자들이 혼동하는 지점은 바로 여기입니다. GEO와 AEO의 최종 목표는 트래픽 유입과 브랜드 인지도 향상으로 동일하지만, 각 전략을 달성하기 위해 요구하는 데이터의 성격과 구조가 판이하게 다릅니다. 제가 과거에 실수했던 부분은 하나의 글에 두 가지 전략을 동시에 적용하려고 했다는 점입니다. 예를 들어 긴 리뷰 기사 inside에 AEO를 위한 단답형 FAQ를 넣어버리거나, 반대로 정말 깊이 있는 글보다 짧은 요약만 늘어놓는 식이었죠.
GEO 최적화를 목표로 한다면, 콘텐츠는 반드시 ‘깊이(Depth)’와 ‘연결성(Connectivity)’을 가져야 합니다. 한 주제에 대해 배경 지식, 원인, 결과, 반론, 구체적 사례, 데이터, 그리고 다음으로 이어지는 생각까지 모두 담아야 합니다. AI가 답변을 생성할 때 ‘어디에서 이 정보를 가져왔는지’가 아니라 ‘어떤 정보가 있는지’ 자체가 중요하기 때문에, 글 자체가 하나의 작은 백과사전 같은 성격을 띠어야 유리합니다.
AEO 최적화는 반대입니다. 콘텐츠는 반드시 ‘명확성(Clarity)’과 ‘직접성(Directness)’이 최우선입니다. 군더더기 없는 언어로, 누가 보더라도 변명의 여지가 없는 정답을 직설적으로 써야 합니다. 불필요한 수식어나 예시는 오히려 AI가 핵심 정보를 추출하는 것을 방해할 수 있습니다. 따라서 AEO 글에서는 비유적 표현이나 은유를 극도로 자제하고, 동사와 명사의 강력한 조합으로 문장을 끝맺음해야 합니다.
결론적으로, GEO와 AEO를 지도와 비서의 차이로 보는 것은 단순한 재미 이상의 의미를 갖기 어렵습니다. 실제로는 하나의 검색 생태계 안에서 AI라는 거대한 두뇌가 여러분의 콘텐츠를 어떻게 이해하고 재가공할지 결정하는 완전히 다른 두 개의 축이며, 각 전략에 따라 요구되는 콘텐츠 품질 기준 자체가 근본적으로 다릅니다. 이 차이를 무시한 채 아무 글이나 쓰면 나중에 검색 트래픽이 붙지 않는 이유를 절대 찾을 수 없습니다. GEO와 AEO는 선택이 아닌 병행의 문제이며, 각각의 성격을 정확히 이해하고 별도의 전략으로 접근해야 합니다.
내가 크게 실패했던 ‘스마트폰 거치대’ 리뷰 블로그
블로그 첫 글의 영광과 모르는 사이에 다가온 그림자
사회 초년생 시절, 부업을 위해 시작한 블로그가 있었다. 돈을 벌기 위해서는 일단 좋은 키워드를 선정하고 글을 많이 써야 한다는 조언을 들은 나는 틈나는 대로 제품 리뷰를 쏟아냈다. 그중 가장 큰 성과를 냈던 글이 바로 ‘스마트폰 거치대’에 대한 리뷰였다. 당시에는 운이 좋게도 검색어 ‘스마트폰 거치대 추천’에서 1페이지 상단에 안정적으로 노출되면서 매일 수백 명의 방문자가 나를 찾아왔다. 광고 수익과 함께 소소한 성취감도 맛볼 수 있었다. 하지만 그 기쁨은 오래가지 않았다. 정확히 3년 전 어느 날부터 갑자기 방문자 수가 바닥을 치기 시작했다.
무너진 1페이지, 그리고 깨달음
처음에는 단순히 경쟁이 심해졌거나 일시적인 트래픽 변동이라고 생각했다. 내심 ‘잠시만 지나가겠지’라는 안일한 마음으로 기다렸다. 그러나 하루, 이틀이 지나고 일주일이 지나도 상황은 나아지지 않았다. 평소 대비 90% 이상 감소한 방문자 수가 충격적이었다. 급한 마음에 검색창에 몇 시간마다 검색어를 다시 입력해보며 확인했다. 그 순간 나는 내 글이 검색 결과 1페이지どころか, 심지어 3페이지에서도 사라진 것을 발견했다. 원인을 분석하던 중 황당한 사실을 알게 되었다. 구글이 ‘스마트폰 거치대 추천’이라는 키워드를 직접 소비자가 필요한 정보만 압축해서 제시하는 AI 요약 형태로 결과를 바꿔버린 것이다. 사용자들은 더 이상 내 글이나 다른 블로그 글들을 일일이 찾아볼 필요가 없었다. 구글의 AI가 핵심 내용만 뽑아 검색 결과 첫부분에 ‘이런 제품들이 추천됩니다’라고 친절하게 답변을 주고 있었다.
뼈아픈 교훈, 단순한 키워드 채우기의 한계
이 사건은 내가 잘못 짚고 있던 SEO의 본질을 적나라하게 드러냈다. 나는 그때까지 검색 알고리즘을 단순히 키워드 매칭 게임이라고 생각했다. 상위 노출 리스트에 제품명과 관련 단어를 최대한 많이 넣고 사진만 잘 첨부하면 검색 유입에 성공할 수 있다고 철석 같이 믿고 있었다. 사실 그런 방식이 옳았던 시절도 분명히 있었다. 하지만 구글의 검색 시스템은 AI 중심으로 진화하면서, 이제는 ‘억지로 문맥을 만든 키워드 양치기’ 전략을 투명하게 간파한다. 사용자에게 진짜로 유용한 답변을 제공하고 구체적인 경험을 상세히 풀어내지 않은 게시물은 더 이상 보상받지 못한다는 사실을 뼈저리게 깨달았다. 단순한 서술과 제품 스펙 나열에 집착했던 내 실패 요인은 명확했다. 진정한 가치 대신 검색 로봇이 읽기 좋은 형태의 글을 만드는 데만 몰두했기 때문이다.
검색 경험의 ‘새로운 규칙’을 받아들여야 하는 이유
내가 실수했던 ‘스마트폰 거치대’ 사례는 예외적인 현상이 아님을 최근의 사례들이 입증한다. 이제 구글의 AI 업데이트는 단어만 가득 차 있는 무의미한 콘텐츠를 걸러 내고, 데이터와 실제 후기, 비교 분석 같은 질 높은 정보에 검색 순위의 무게를 실어주고 있다. 그날 이후 내 기존 전략들을 전면 재검토 하게 되었다. 다시 시작한다면, 건조한 숫자와 문구 대신 ‘실제로 스마트폰 거치대를 설치해보니 어땠는지’, ‘어느 종류의 거치대가 차량용에 적합한지 비교한 분석 스토리’ 등을 긴 호흡으로 풀어 썼을 것이다. 이것이 바로 기존의 단순한 SEO만으로는 통하지 않는 새로운 검색 최적화, 즉 AEO와 GEO 개념이 등장하게 된 배경이기도 하다.
데이터 기반이 필요한 지금, 새로운 체계를 익히자
단순 체험기를 내세운 리뷰 블로그를 운영해 오면서 트래픽 급락 이후 분석 작업에서 데이터가 부족한 부분을 크게 실감했다. 예를 들어, 내 글이 노출되었던 많은 사용자가 실제로 평균 몇 초만에 이탈했는지, 구체적으로 원하는 질문은 무엇이었는지, 이에 반해 구글 AI 요약 아래 어떤 사이트들이 여전히 많은 클릭을 유지하고 있는지 등을 살펴보는 데이터 지표들이 진정으로 유효한 콘텐츠를 기획할 출발점이라는 결론에 도달했다. 이런 관점에서 본다면, 오늘날 검색 생태계의 핵심은 ‘누가 더 정확한 답을 구조화되어 넣느냐’와 ‘실제 비즈니스 콘텐츠가 타깃에게 어떤 여정을 선사할 수 있느냐’에 있다. 이 경험을 통해 나는 무엇보다 철저히 데이터와 실제 유용성을 우선 둔 전략, 즉 검색의 모든 흐름부터 사용자 의도까지 과학적으로 분석하고 구현하도록 돕는 전문 영역이 많이 필요하다는 사실을 재확인했다.
GEO와 AEO, 내 비즈니스에 어떻게 적용할까?
앞선 실패와 깨달음을 통해 ‘사용자의 의도’가 곧 검색의 방향성을 결정한다는 사실을 체감했다면, 이제 이를 어떻게 실제 업무에 활용할지 고민이 될 것이다. 필자가 가장 중요하게 생각하는 접근법은 GEO와 AEO라는 두 개념을 두 개의 다른 전략으로 분리해서 바라보기보다는, 같은 데이터 흐름 위에서 상호 보완적으로 배치하는 것이다. 즉, 정보의 정확성과 함께 질문에 즉답하는 방식을 동시에 설계해야 한다.
GEO 실행을 위한 첫걸음: 데이터의 질을 결정하는 것
내가 실제로 개선을 시도하면서 가장 크게 체감한 부분은, 아무리 훌륭한 알고리즘 시대에도 블로그나 웹사이트의 기본 토대는 ‘이 사이트가 믿을 만한 정보원인지’ 판단하는 기계의 시선이라는 점이다. 이 신뢰를 구축하는 가장 핵심적인 수단이 바로 구조화된 데이터 마크업이다. 단순히 제품 가격이나 리뷰 별점만 표시하는 것이 아니다. 예를 들어 내가 다루었던 수납형 거치대 같은 경우, 제조사, 재질, 무게, 호환 기종, 사용 시 주의사항까지 상세하게 적고 이 내용을 Schema.org 규격에 따라 마크업했다. 그 후 특정 구절마다 해당 내용이 나온 명확한 출처 링크나 연구 문건을 인용하며 신뢰도를 높였다.
정보 자체의 거대한 문단보다는 각 문장이 질문에 대한 담론을 형성하도록 구성된 콘텐츠일수록 구체적인 평판을 쌓기에 유리했다. 예를 들어 단순히 어떤 카테고리 정보를 나열하는 것이 아니라 ‘처음 제품을 접하는 사람이 가장 어려워하는 부분은 무엇인가?’라는 질문을 단위로 삼아 문단을 나누고, 실제로 제품이 견딜 수 있는 하중이나 부식에 관한 데이터를 연결하는 식이었다. 여기서 핵심은 쓰는 사람의 주관적인 경험을 절제하고 제품이나 정보가 가진 속성 자체를 객관적 서술로 풀어내야 한다는 것이다. 이런 구조가 잘 갖춰지면 GPT나 다른 대형 언어모델 그 자체가 아닌 현재의 검색 환경에서 자연스럽게 더 높은 품질의 결과물로 인식된다.
AEO 실행을 위한 구체적 포맷: 질문을 빌려서 답을 설계하라
AEO(GEO와 달리 답변 엔진 최적화로 불리며 검색 결과 최상단에 직접 답변을 출력하려는 전략)를 실제로 적용하기 위해서는 콘텐츠의 출발이 명백한 맥락 안에서 특정 질문을 해소하는 포맷을 지니는 것이 우선이다. 여기서 자주 오해하는 점이 있는데, 이것이 무조건 길이가 길거나 배경 설명이 방대한 정보여야 한다는 뜻은 전혀 아니다. 오히려 사용자가 특정 순간에 떠올리는 가장 핵심적인 한 줄의 궁금증을 식별하는 것이 관건이다. 단적으로, FAQ 페이지는 뛰어난 AEO의 씨앗이다. 하지만 FAQ라고 무작정 등록하기보다는 실제 고객 문의 및 도메인 내에서 자주 검색되는 짧은 검색어들을 실제로 수집해 본 후, 그 주제에 해당하는 명확한 응답 한 줄을 상시 문서 최상단에 미리 배치해두면 상당한 효과를 볼 수 있다.
예를 들어 내가 다수의 ‘What is …’ 혹은 ‘How to install within …’ 유형의 질문을 다루려 했을 때, 가장 효과적이었던 형태는 정해진 헤딩 아래 질문 형태 자체를 그대로 기입하고 1~3문장으로 응답문을 마련한 뒤 증빙하는 내부 단락을 연결하는 구성이었다. 특별히 도구 없이도 구현이 가능하며 UI상 글을 읽는 사용자의 궁금증 해소 속도도 빨라져 좋은 결과를 얻을 수 있었다. 중요한 것은 AEO 역시 처음 몇 문장에 전체 요약 사실을 드러내 놓고 이후 디테일을 제공한다는 원칙을 지키는 데 있다. 분량보다 구조적인 패턴이 뚜렷해야 시스템이 콘텐츠에서 정답 블록을 식별하기 용이해지기 때문이다.
사용자의 진짜 의도를 찾아내는 렌즈 들여다보기
결국 GEO와 AEO 모두 연결되는 공통 진리라면 사람들이 그 키워드를 검색창에 입력하기 전 머릿속에 품고 있던 필요와 장면이다. 실전에서 이 둘을 적용할 때는 내가 오픈타임에서 접근하는 방식처럼 데이터 표면보다 사용자 시나리오를 더 깊이 읽으려는 과정이 동반되어야만 한다. 가령 쇼핑몰에서 ‘넓은 수납공간의 장점’을 묻는 고객이라면 싱글 남성인지 가족 사용자인지 이용 장소가 침실인지 주방인지가 역시 거대 맥락으로 작용한다는 것이다.
또 똑같이 같은 질문을 하는 사용자가 이미 주문을 앞둔 구매 결정자인지 첫 탐색 단계인지에 따라 제공되어야 하는 최우선 정보는 극명하게 달라진다. 구매와 인식을 결정하는 질문 단계에 따라 접근 세부 정확성을 조정할 때 진정한 개인화 최적화가 수행되곤 한다. 따라서 실질적인 전략을 수립하고 나면 SEO 작업을 넘어 지능형 시스템이 추천하고 제안하는 현장의 경험을 갖추려면 데이터 배치 고민에 앞서 사람 중심 이해의 프레임을 작업 과정에 먼저 배치할 수 있어야만 디테일한 사용편의성이 끊기지 않고 구현된다.
단순 정보가 검색에 걸리는 시대는 설사 있다쳐도 조만간 지나갈 것이다. 검색 패러다임은 점점 답위에맞는 형식보다 무대의 정서와 목적지를 알아주는 전공과 영역 사이의 간격을 따져 물을 것이다. 그 변화의 첫 접점에서 내 비즈니스부터 지속 발전하려한다면 사람 한명 한명이 밤을 새며 찾아주는 이유부터 섣불리 정의하지 말고 콘텐츠 설계에 의도 해석 프레임 각 한 조각을 끌어들이는 작업 게재법이 더 현명할지 모른다. 플랫폼의 업데이트를 바라며 좌절 대신 이러한 첫 번째 실제 기준 도입들이 여러분의 사이트에조용하고 두뎃한 전환을 부르길 바란다.
오픈타임에서 배운 3가지 실제 사례
이론으로만 공부하던 GEO와 AEO의 개념이 머릿속에 맴돌던 어느 날, 우연히 한 스타트업의 사례를 접하면서 모든 조각이 맞춰지는 경험을 했습니다. 이 기업은 기존 검색 전략에 한계를 느끼고 외부 전문가의 도움을 받기로 결심했는데, 바로 그 파트너가 오픈타임이었습니다. 당시 이 스타트업의 블로그는 양질의 콘텐츠를 꾸준히 생산하고 있었음에도 불구하고 월 트래픽이 정체되어 있었습니다. 가장 큰 문제는 검색엔진이 아닌 AI 어시스턴트가 이 글들을 이해하기 어렵게 구성되어 있었다는 점이었습니다. 오픈타임의 분석 결과를 바탕으로 전략을 수정한 뒤, 이 스타트업은 블로그 게시물의 약 70%를 완전히 재구성하는 대대적인 작업에 돌입했습니다.
사례 1: 구조화된 데이터로 트래픽 4배 상승
이 회사는 단순히 키워드를 다시 넣거나 제목만 바꾸는 정도의 수정으로는 부족하다는 사실을 빠르게 깨달았습니다. 가장 먼저 진행된 작업은 모든 기존 게시물에 JSON-LD 기반의 구조화된 데이터를 추가하는 일이었습니다. 강좌 형식의 콘텐츠는 강좌 스키마, 제품 비교 글은 Product 및 HowTo 스키마로 마크업하는 세밀한 작업이 수반되었습니다. 두 번째 단계에서는 각 문서의 주요 논점을 뚜렷하게 분할하고 명확한 질문-응답 구조로 변환했습니다.
수개월 후 트래픽 통계가 공개되었을 때, 그 변화는 충격적이었습니다. 단일 소스에서의 유입량이 약 4배 증가했으며, 특히 구글 검색 결과에서 스니펫을 차지하는 빈도가 기존 대비 3배 이상 높아졌습니다. 더 인상적이었던 점은 방문자가 블로그 내에서 체류하는 시간이 약 40% 증가했다는 사실이었습니다. 기존에는 단순 정보 확인 후 이탈하던 사용자들이 더 다양한 문서를 탐색하기 시작한 것입니다. 좋은 데이터를 구조화해 제시하는 일이 사용자 경험을 이만큼 개선할 수 있음을 몸소 증명해준 사례였습니다.
사례 2: AEO를 활용한 고객 문의 30% 감소
또 다른 기업은 전혀 다른 성격의 어려움에 직면해 있었습니다. 고객 지원 팀의 규모가 점점 커져 가는데도 상담 요청 건수가 계속해서 늘어만 가는 상황이었습니다. 기존의 FAQ 페이지는 있으나마나 한 형식적인 구성에 가까웠고, 실제 고객이 궁금해하는 질문보다는 회사가 전달하고 싶은 정보만 채워져 있었습니다. 이를 해결하기 위해 물류 스타트업의 CS팀이 보유한 고객 문의 데이터 1만 5천 건을 전수 분석해 진짜 사람들이 묻는 질문 패턴을 추출했습니다.
핵심은 단순히 질문과 답변만 나열하는 것이 아니었습니다. AI 기반 검색에 최적화된 대답을 가능하게 하는 데이터 레이어를 구축하는 작업이 병행되었습니다. 각 질문에 대한 최적의 답변을 세 가지 길이로 준비하고, 업데이트 시점과 관련 제품 정보를 필드화하여 검색 에이전트가 효율적으로 정보를 취합할 수 있게 설계했습니다. 실행 4개월 만에 고객 문의 건수가 30% 이상 급감했으며, 같은 기간 동안 메뉴얼 다운로드 페이지의 조회수는 120% 증가했습니다.
사례 3: AI가 내 콘텐츠를 다시 보는 법
이 두 사례를 통해 깨달은 단 하나의 진실이 있다면, ‘AI 색인 편향성’이라는 추상적인 개념이 실제 트래픽과 고객 응대 효율을 좌우하는 결정적 요소라는 점입니다. 2020년대 중반 이후의 검색 생태계는 인간 독자만을 기준으로 글을 평가하지 않습니다. 콘텐츠의 의도, 주제의 명확한 경계, 정보의 일관성이라는 새로운 변수가 검색 결과에서의 순위와 응답 정확도를 가르는 잣대가 되었습니다.
구체적인 척도로 각 문서에 등장하는 전문 용어의 밀도와 명확한 해시 기능을 분석하는 작업이 필요해졌습니다. 예를 들어 한 서비스 회사의 기술 블로그는 ‘파싱’이라는 용어만 포함될 뿐, 그에 대한 명시적인 정의나 사용 시나리오가 전혀 준비되어 있지 않았습니다. 오픈타임의 AI렉시컬 분석 데이터를 기반으로 삼아 용어 자체의 권위적 정의와 회사 문맥에서의 구체적 적용 방법을 분리하여 표시한 덕분에 관련 주제 검색 답변의 정확도가 두 배 가까이 올랐습니다.
GEO 트래픽 증폭 사례와 AEO 문의 감소 사례에서 공통으로 취했던 접근 방식은 단순합니다. 머신러닝 아키텍처에서 자신의 데이터를 불러올 때 어떤 문제가 발생하는지를 직접 측정한 데이터 기반 개선입니다. 추측이 아니라 실제 테스트를 반복하고, 바뀐 결과를 AI 뷰 감사를 통해 재측정하는 순환적 프로세스입니다. 회사의 성격이 어떤지도 중요하지만, ‘무슨 정보를 어디까지 기록했는가’를 숫자로 파악할 수 있는 시스템이 바로 GEO와 AEO 성과의 차이를 결정했습니다. 사람을 위한 문서가 처음에 AI 가독성 위주로 만들어지는 것은 이상해 보일 수 있습니다. 그러나 두 숲을 모두 바라보았던 저 작은 스타트업들은 지금도 분명히 계속해서 성장 곡선을 향하고 있을 것입니다.
지금 당장 해야 할 3가지: GEO/AEO 체크리스트
첫째, 내 웹사이트에 Schema.org 마크업이 제대로 적용되었는가?
이전 섹션에서 오픈타임의 사례를 통해 살펴본 것처럼, 구조화된 데이터는 더 이상 선택적인 요소가 아니다. 구글의 검색 시스템은 점점 더 정교해지고 있으며, AI가 콘텐츠를 이해하고 재가공하는 과정에서 Schema.org 마크업은 결정적인 신호로 작용한다. 실제로 내가 운영했던 스마트폰 거치대 리뷰 블로그에서도 이 부분을 간과했다가 큰 어려움을 겪었다. 단순히 리뷰 글만 작성했을 때는 검색 결과에 제대로 노출되지 않았지만, 제품 정보와 가격, 평점 데이터를 Product와 Review 스키마로 표시한 이후에는 구글 쇼핑 탭과 지식 패널 영역에서 트래픽이 눈에 띄게 증가했다.
직접 확인해보자. 자신의 웹사이트에서 판매하는 제품이나 제공하는 서비스가 있다면, 해당 페이지의 소스 코드를 열어 JSON-LD 형식의 스크립트가 포함되어 있는지 점검해야 한다. 예를 들어 FAQ 페이지에는 FAQPage 마크업을, 블로그 게시글에는 Article이나 BlogPosting 스키마를 적용하는 것이 기본이다. 더 나아가 지역 기반 비즈니스라면 LocalBusiness 마크업이 있는지 반드시 확인하라. 구글의 스키마 마크업 테스팅 도구를 활용하면 현재 적용 상태를 즉시 파악할 수 있으며, 오류가 있다면 구체적으로 어떤 부분을 수정해야 하는지도 알 수 있다. 이 작업은 복잡해 보이지만, 일단 한 번 적용해 두면 장기적인 검색 성과에 지속적인 영향을 미친다.
둘째, 핵심 검색 쿼리 20개를 선정하고 AI 응답에 최적화된 콘텐츠를 구성했는가?
AEO는 단순히 키워드를 문장 안에 포함시키는 것을 넘어서, 사용자가 AI 비서나 검색 스니펫에서 직접 답변을 얻을 수 있도록 콘텐츠를 설계하는 접근법이다. 이 과정에서 가장 먼저 해야할 작업이 바로 타겟 쿼리를 명확히 정의하는 것이다. 내 고객이나 잠재 사용자가 검색창에 정확히 어떤 질문을 입력할지 생각해보라. “스마트폰 거치대 추천” 같은 일반적인 키워드보다는 “자전거 핸들바에 장착 가능한 방수 스마트폰 거치대”처럼 구체적인 질문을 선정하는 것이 효과적이다. 이러한 쿼리 20개를 선정한 뒤, 각각에 대해 간결하면서도 포괄적인 답변을 준비해야 한다.
구체적인 실행 방법은 다음과 같다. 우선 20개의 질문을 리스트업하고, 각 질문에 대해 2~3개의 내부 페이지나 새로운 콘텐츠를 연계시키는 것이다. 각각의 콘텐츠는 반드시 서론-본론-결론의 콤팩트한 구조를 갖추고, 질문에 대한 직답 부분을 시작 부분에 배치해야 한다. 검색 엔진은 긴 글의 첫 50~100단어를 가장 중요하게 평가하며, 구글의 Featured Snippet 역시 이 영역에서 발췌되는 경우가 대부분이다. 자연어 처리 알고리즘이 이해하기 쉬운 표현, 즉 주어와 서술어가 명확하고 하나의 주제에 집중된 문장을 사용하는 것이 핵심 포인트다. 키워드 삽입도 잊지 말되, 1~2회 정도로 제한하여 억지스럽지 않게 녹여내는 것이 좋다.
셋째, 실제 사용자 질문 데이터를 수집해 주기적으로 AEO 콘텐츠를 업데이트하고 있는가?
검색 환경은 정적이지 않다. 사용자들은 계속 새로운 방식으로 질문하고, 검색 엔진도 발전하며 정보를 재구성한다. 따라서 한 번 최적화된 콘텐츠로 만족해서는 안 되며, 실시간으로 변화하는 질문 데이터를 수집하고 반영해야 지속적인 효과를 누릴 수 있다. 내 사이트를 방문하는 사람들이 실제로 무엇을 검색하는지 알 수 있는 방법 중 하나는 내부 검색 로그를 분석하는 것이다. 만약 워드프레스 같은 CMS를 사용한다면 검색 기록 플러그인을 설치하고, 한 달 단위로 어떤 키워드가 반복적으로 등장하는지 기록하라. 또한 구글 서치 콘솔의 ‘검색 결과’ 리포트에서 ‘총 클릭수’와 ‘노출수’가 높지만 ‘평균 순위’가 낮은 쿼리를 확인하는 것도 실용적인 접근법이다.
또 다른 방법은 소셜 미디어나 커뮤니티 포럼에서 자주 언급되는 질문을 수집하는 것이다. 예를 들어 특정 업종에 관한 레딧(Reddit)의 서브레딧이나 네이버 카페에서 ‘질문’ 탭의 게시글을 크롤링해보면 사람들이 어떤 어려움을 겪는지 생생하게 파악할 수 있다. 이렇게 수집한 원천 데이터를 기반으로 분기별로 AEO 콘텐츠를 재가다듬는 작업이 필요하다. 과정이 번거로울 수 있지만, 이 주기가 성실히 반복될수록 특정 키워드 집단에서의 검색 영향력은 기하급수적으로 증가한다. 특히 오픈타임에서 강조하는 GEO와 AEO의 핵심 원리는 단기적인 트래픽 확보가 아니라, 특정 분야에서 신뢰할 수 있는 답변 제공자로 인식되는 데 있다. 사용자가 AI에게 묻기 전에 이미 당신이 그 질문에 정확하게 응답할 수 있는 자료를 만들어 놓았다면, 그 내용은 자연스럽게 큰 노출을 얻을 것이다.
지금 바로 이 세 가지 항목을 프린트해서 모니터 옆에 붙여두길 권한다. 내가 일상적인 업무에 치여 SEO나 AEO 전략을 소홀하게 방치하던 시절에는 구글의 알고리즘 업데이트가 마치 예측 불가능한 자연 재해처럼 느껴졌다. 하지만 실제로 파고들어 보니 대부분의 변화는 일관된 방향성을 가지고 있었고, 사용자에게 진짜 도움이 되는 콘텐츠를 구조화된 형태로 제공하는 것이 곧 최고의 SEO 전략임을 깨달았다. 더 이상 지체할 이유가 없다. 마크업을 검토하고, 20개의 핵심 질문을 정의하며, 실제 데이터 기반 업데이트 사이클을 구축하라. GEO와 AEO는 누군가 선택적으로 고민할 옵션이 아니며, 지금 우리가 사는 검색 생태계에서 존속과 도태를 결정짓는 근본 조건으로 자리 잡았다.