'타깃 키워드는 다 넣었는데 왜 ChatGPT 답변엔 우리가 안 나올까요?' 지난달 한 마케터에게 받은 질문입니다. 전통 검색 순위는 상위권인데 AI 답변에서는 좀처럼 인용되지 않는다는 하소연이었습니다. 저희가 함께 원인을 뜯어보니, 문제는 키워드 개수가 아니라 검색 방식 자체에 있었습니다. AI 검색은 여러분의 페이지를 글자 그대로 읽지 않습니다. 같은 고민을 안고 계신 분이 의외로 많아, 실무에서 자주 받는 질문에 하나씩 답해보겠습니다.
AI는 왜 키워드가 같은데도 우리를 못 찾을까요?
ChatGPT나 Perplexity는 사용자의 질문을 검색창에 그대로 넣지 않기 때문입니다. 오타를 고치고, 표현을 바꾸고, 하나의 질문을 여러 갈래로 쪼갠 다음, '글자가 같은' 문서가 아니라 '뜻이 가까운' 문서를 끌어옵니다. 예를 들어 누군가 'AI 검색 최적화 비용'을 물으면, AI는 이걸 그대로 찾지 않고 'GEO 대행 견적', '생성형 검색 최적화 요금', 'AI 인용을 늘리는 비용'처럼 여러 표현으로 확장한 뒤 각 갈래에 가장 잘 맞는 문서를 따로 찾습니다. 우리 페이지가 단 하나의 표현에만 걸려 있으면, 나머지 갈래는 경쟁사가 채웁니다.
퍼지 매칭과 시맨틱 검색은 무엇이 다른가요?
역할이 다른 짝꿍이라고 보시면 됩니다. 퍼지 매칭은 '비슷하게 생긴 것'을 잡아 후보를 넓게 모으는 단계입니다. 오타를 몇 번 고치면 같아지는지 재는 편집거리, 동음이의어와 외래어 표기를 잡는 발음 매칭, 부분 조각을 맞춰보는 방식 등이 여기 속합니다. 시맨틱 검색은 그 후보 중에서 '뜻이 진짜 맞는 것'을 골라내는 단계입니다. 문장을 임베딩이라는 숫자 벡터로 바꿔서, 동의어든 바꿔 쓴 문장이든 뜻이 가까우면 벡터 공간에서 가깝게 배치하죠. 요즘 AI 검색은 이 둘을 함께 쓰고 마지막에 재정렬까지 붙이는 하이브리드 방식이 기본입니다. 그래서 한쪽 표현에만 최적화하면 사용자가 조금만 다르게 물어도 그물에서 빠져나가 버립니다.
그럼 키워드를 더 많이 넣으면 되나요?
정반대일 때가 많습니다. 저희가 지원한 한 B2B SaaS 기업이 딱 그랬습니다. 인용이 안 되길래 초기엔 키워드 밀도를 더 높였는데, 결과는 오히려 인용률 하락이었습니다. 같은 표현을 반복하니 문단의 의미 벡터가 뭉개져서, 어떤 질문에도 딱 맞지 않는 애매한 덩어리가 되어버린 겁니다. 시맨틱 검색은 '이 문단이 무슨 뜻인가'를 하나의 벡터로 요약하는데, 같은 단어만 도배하면 그 요약이 흐려집니다. 키워드는 많을수록 좋다는 감각이 여기서는 통하지 않았습니다. 참고로 전통 검색과 AI 검색은 결이 다릅니다. 전통 검색은 오타 교정과 동의어 확장에 집중하지만, AI 검색은 질문 자체를 재작성하고 여러 갈래로 분해한 뒤 임베딩으로 의미를 맞춥니다. 훨씬 더 적극적으로 표현을 뜯어고쳐 접근한다는 뜻입니다.
그럼 무엇을 고쳐야 하나요?
방향을 바꾼 뒤 인용률이 12퍼센트에서 41퍼센트로, 넉 달 만에 3배 넘게 올랐습니다. 핵심은 세 가지였습니다. 첫째, 질문 변형을 묶어 소제목마다 짧고 분명한 답을 첫 문장에 먼저 배치했습니다. AI는 애매하게 긴 서술보다 짧고 또렷한 문단을 인용하기 좋아합니다. 둘째, 브랜드명과 제품명, 별칭의 표기를 하나로 통일했습니다. 페이지마다 이름이 흔들리면 AI가 같은 대상을 여러 개로 오해하는데, 구조화 데이터로 정식 명칭과 별칭을 함께 선언해두면 변형된 표기까지 하나로 묶어 인식합니다. 셋째, 문단을 하나의 완결된 뜻을 담은 크기로 잘랐습니다. 대략 100자에서 300단어 안팎의 자기완결 문단이 임베딩이 가장 다루기 좋은 크기입니다. 키워드를 더 넣은 게 아니라, 의미를 더 또렷하게 만든 것입니다.
이제 무엇을 지표로 봐야 하나요?
검색 순위만 보면 놓칩니다. 순위가 아무리 높아도, 애초에 후보로 검색되지 않으면 AI 답변에 인용될 수 없기 때문입니다. 그래서 내 콘텐츠가 실제로 후보로 검색되었는지, 그리고 AI 답변에 인용되었는지를 함께 추적해야 합니다. 인용은 검색된 다음에야 가능하니, 후보에 드는 것이 첫 관문입니다. 여기에 개인화와 음성 검색이 얹히면 그림은 더 복잡해집니다. 음성으로 물을 때는 발음 인식 오류가 섞여 발음 매칭이 더해지고, 개인화 단계에서는 사용자의 과거 대화와 관심사를 담은 임베딩이 어떤 문서를 위로 올릴지에 영향을 줍니다. 같은 질문에도 사람마다 다른 답이 나오는 이유죠. 우리가 어떤 표현으로 검색될지 미리 알 수 없으니, 표현을 다양하게 준비해두는 일이 그래서 중요합니다. 다만 솔직히 덧붙이면, 이 원리는 브랜드마다 다르게 조율돼야 하는 문제라 '무조건 이렇게 하면 된다'는 공식은 아닙니다. 시장이 실제로 던지는 질문의 지형을 먼저 진단하고, 거기에 우리 콘텐츠의 언어를 맞춰가는 과정에 가깝습니다. 오늘 할 수 있는 일은 간단합니다. 우리 브랜드가 어떤 표현에서 검색되고 어떤 표현에서 사라지는지, 그 목록부터 한번 펼쳐보세요. 거기에서 우리가 놓치고 있던 질문들이 보이기 시작합니다.
