'인용 추적 도구를 보면 우리 콘텐츠가 거의 안 잡혀요.' 요즘 마케팅 팀에서 자주 나오는 하소연입니다. 그런데 이 말은 이미 낡은 전제를 깔고 있습니다. AI 검색이 콘텐츠를 딱 한 번 검색해서 인용한다는 전제요. 2026년의 챗GPT와 제미나이, 퍼플렉시티는 그렇게 움직이지 않습니다. 질문 하나를 그대로 검색하는 대신, 먼저 5개에서 많게는 20개의 하위 질문으로 쪼갠 뒤 각기 다른 경로로 검색하고, 결과를 읽고, 부족하면 다시 검색하고, 초안을 스스로 채점까지 한 뒤에야 답을 씁니다. 이 구조를 에이전틱 RAG라고 부릅니다. 이름은 낯설어도 원리는 사람의 리서치 과정을 자동화한 것뿐입니다.
예전 RAG와 무엇이 다른가요?
가장 큰 차이는 판단의 횟수입니다. 과거의 단발성 RAG는 '질문 한 번, 검색 한 번, 답변 한 번'이었습니다. 온페이지 키워드와 문서 유사도만 맞추면 그 한 번의 검색에 걸릴 수 있었죠. 하지만 에이전틱 RAG는 답이 충분해질 때까지 검색과 판단을 반복하는 루프 구조라서, 하나의 질문에 실제 검색이 5회에서 20회씩 일어납니다. 여기서 대부분의 마케터가 놓치는 함정이 있습니다. 인용 추적 도구는 오직 마지막 답변 단계만 봅니다. 그 앞에서 벌어진 열두 번의 검색은 화면에 안 보이죠. 그래서 실제 인용 발자국이 겉으로 드러난 수치보다 3배에서 10배까지 크다는 연구도 있습니다. 인용 수치만 보고 최적화하면 실제 영향력의 약 75퍼센트를 못 보고 지나친다는 뜻입니다.
그 다섯 개의 관문은 뭔가요?
에이전틱 RAG는 콘텐츠를 다섯 단계로 거릅니다. 첫째는 계획 단계로, 질문을 하위 질문으로 쪼갭니다. 여기서 떨어지면 그 하위 주제를 다루는 문단 자체가 없다는 뜻입니다. 둘째는 라우팅 단계로, 하위 질문마다 어떤 도구로 검색할지 고릅니다. 글만 있고 계산기나 구조화 데이터가 없으면 여기서 빠집니다. 셋째는 반복검색 단계인데, 청킹이 나쁘면 발췌 단위로 뽑히지 못합니다. 넷째는 반영 단계로, AI가 초안의 충분성과 최신성, 편향 여부를 스스로 채점합니다. 낡았거나 한쪽으로 치우친 글은 여기서 탈락합니다. 다섯째가 종합 단계로, 앞 관문을 다 통과해야 비로소 최종 답에 인용됩니다. 중요한 건 같은 '인용 안 됨'이라도 어느 관문에서 떨어졌느냐에 따라 처방이 완전히 다르다는 점입니다.
그래서 콘텐츠를 어떻게 바꿔야 하나요?
핵심은 '한 편의 완벽한 글'이 아니라 '하위 질문마다 걸리는 촘촘한 조각들'을 만드는 것입니다. 대형 글 한 편으로는 5개에서 20개의 하위 질문을 감당할 수 없으니까요. 구체적으로는 각 문단이 앞뒤 맥락 없이도 발췌되도록 첫머리에 고유명사와 결론을 먼저 두고, '직원 500명 미만 기업 기준' 같은 적용 조건을 명시하며, 표와 목록으로 근거 밀도를 높입니다. 반론과 예외도 정직하게 다뤄야 합니다. 한쪽만 파는 홍보성 글은 반영 단계에서 편향으로 걸러지거든요. 대출 금리나 세율처럼 계산이 글보다 나은 영역이라면 계산기나 구조화 데이터로 제공하고, 날짜와 버전 같은 신선도 신호도 붙입니다. 결국 이 모든 건 사람이 읽기 좋은 글과 기계가 인용하기 좋은 글의 교집합을 키우는 작업이고, 다행히 그 교집합은 정직하고 구조가 명확한 좋은 글과 대체로 겹칩니다.
실제로 효과가 있었나요?
지오랭크가 한 B2B 기업과 함께한 사례가 답을 줍니다. 이 기업은 처음에 3,000자 넘는 대형 가이드 한 편에 모든 정보를 몰아넣었습니다. 검색 순위는 괜찮았는데 AI 인용은 거의 없었죠. 원인을 추적해 보니 검색이 아니라 그 앞의 계획 단계였습니다. AI가 질문을 12개로 쪼갰는데, 그 콘텐츠는 2개에서 3개 하위 질문에만 걸렸던 겁니다. 그래서 대형 가이드를 12개의 짧고 자기완결적인 페이지로 나누고, 각 문단 첫머리에 결론과 고유명사를 배치했습니다. 석 달 뒤 하위 질문 커버리지가 25퍼센트에서 68퍼센트로 올랐고, 한 답변 안에서 평균 4회 이상 인용되기 시작했습니다. 다만 진짜 지렛대는 '인용 1회에서 4회'가 아니라 그 뒤에 숨은 '하위 질문 3개에서 8개'였습니다. 이 숨은 수치를 봐야 어디를 손볼지가 보입니다.
그럼 성과는 어떻게 측정하나요?
인용 횟수 하나만 보는 시대는 지났습니다. 대신 분해된 하위 질문 중 내 콘텐츠가 잡힌 비율인 하위 질문 커버리지, 후보로 뽑힌 횟수 대비 최종 인용된 비율, 반영 단계에서 살아남은 초안 비율, 그리고 다섯 관문 중 어디서 떨어지는지를 보여주는 단계별 탈락률을 함께 봐야 합니다. 측정을 시작하는 가장 쉬운 방법은 코딩 없이 하는 감사입니다. 값어치 높은 질문 다섯 개를 챗GPT나 제미나이의 딥리서치, 퍼플렉시티 프로에 넣고 화면에 노출되는 연구 계획과 하위 질문을 기록한 뒤, 각 하위 질문의 상위 검색 결과에 내 콘텐츠가 있는지 확인합니다. 그 커버리지와 최종 인용률의 차이가 바로 RAG 루프 안에서 새고 있는 기회입니다. 당신의 콘텐츠는 지금 다섯 관문 중 어디에서 떨어지고 있을까요. 인용 수치만 보고 있다면, 정작 새는 기회는 화면에 안 보이는 곳에 있을지 모릅니다.
