'우리가 ChatGPT에 안 나와요.' GEO 상담에서 가장 자주 듣는 문장입니다. 그런데 이 말에는 함정이 하나 숨어 있습니다. LLM을 전부 한 덩어리로 본다는 가정이죠. 실제 데이터를 보면 같은 브랜드가 구글 AI 오버뷰에서는 1위로 인용되면서 ChatGPT에서는 그 3분의 1 수준으로 밀리는 일이 흔합니다. 같은 회사, 같은 콘텐츠인데 어디서 묻느냐에 따라 결과가 갈리는 겁니다. 왜 이런 일이 벌어지는지, 그리고 우리 브랜드는 무엇을 다르게 해야 하는지 질문에 하나씩 답해 보겠습니다.
같은 브랜드인데 왜 AI마다 노출이 다를까요?
그 LLM이 지금 웹을 검색해서 답하는가, 아니면 학습 때 익힌 기억으로 답하는가가 다르기 때문입니다. 이 차이 하나가 브랜드 노출을 세 계층으로 쪼갭니다. 1계층은 구글 AI 오버뷰와 AI 모드입니다. 이들은 사실상 구글 검색 결과를 요약하기 때문에 검색 순위가 곧 노출입니다. 전통 SEO가 가장 직접적으로 먹히는 구간이죠. 2계층은 퍼플렉시티와 제미나이로, 상대 노출이 1계층의 절반 수준입니다. 퍼플렉시티는 구글이 아니라 자체 색인을 쓰는데 구글보다 작고 어떤 문서를 띄울지 스스로 판단합니다. 그래서 구글에서 잘 나온다고 퍼플렉시티에서도 잘 나온다는 보장이 없습니다. 3계층은 ChatGPT로, 상대 노출이 3분의 1 수준까지 내려갑니다. 학습된 기억을 검색보다 우선하기 때문인데요. 웹을 뒤지지 않고도 제품을 추천하고, 검색을 하더라도 이미 가진 결론을 재확인하는 데 씁니다. 실제로 한 카테고리에서 CRM 추천을 물었더니 검색을 켜든 끄든 목록이 거의 같았습니다.
ChatGPT에 안 나오면 SEO를 더 세게 하면 되지 않나요?
아쉽지만 번지수가 틀린 대응입니다. 이게 가장 흔한 실수인데요. ChatGPT에 안 나온다고 1계층에서 통한 SEO를 그대로 더 세게 밀어붙이는 겁니다. 학습 기반 LLM에는 우리 사이트 순위보다, 세상이 우리 브랜드를 얼마나 자주 언급하느냐가 더 강한 신호로 작동합니다. 눌러야 할 버튼이 다른데 같은 버튼만 세게 누르는 셈이죠. 신규 브랜드가 단기간에 파고들기 어려운 것도 이 때문입니다. 기존 강자에게 유리한 관성, 흔히 나이키 효과라고 부르는 현상이죠. 다만 절망적인 이야기는 아닙니다. 지오랭크가 추적한 후발 브랜드들에서 외부 매체 언급과 브랜드 콘텐츠가 누적되며 ChatGPT 노출이 서서히 우상향하는 흐름이 반복 관측됐습니다. 즉 ChatGPT 공략은 단발 캠페인이 아니라 6개월 이상 자산을 쌓는 장기전에 가깝습니다. 시간이 걸린다는 사실 자체를 전략에 반영해야 합니다.
그럼 계층별로 무엇을 다르게 해야 하나요?
계층의 작동 원리에 맞춰 지렛대를 바꿔야 합니다. 1계층은 '당일 승인 사업자 대출'처럼 구매 직전 단계의 하단 키워드에서 구글 순위를 확보하는 게 정답입니다. 상단 정보성 키워드로는 아무리 글을 써도 브랜드가 잘 안 불립니다. 2계층은 두 갈래를 같이 갑니다. 구글 순위를 유지하면서, 퍼플렉시티가 실제로 인용하는 출처 사이트를 따로 조사해 그쪽에 언급을 심습니다. 제미나이는 검색 의존도가 높아 SEO에 무게를 실으면 비교적 예측 가능하게 노출이 따라옵니다. 3계층은 외부 권위 매체의 브랜드 언급과, 사용자의 구체적 문제를 깊게 다루는 토픽형 콘텐츠를 꾸준히 쌓습니다. 지오랭크가 함께 일한 한 B2B SaaS 기업은 이렇게 계층을 쪼갠 뒤 4개월 만에 퍼플렉시티 노출을 46에서 63으로, ChatGPT를 29에서 44로 끌어올렸습니다. 폭발적이진 않지만 한 방법으로 전부를 고집했다면 얻지 못했을 개선입니다. 측정도 계층별로 쪼개야 합니다. 전체 LLM 노출을 하나의 평균으로 합치면 1계층의 좋은 숫자에 가려 3계층의 구멍이 안 보이거든요. 하단 구매형 프롬프트 목록을 정한 뒤, 각 LLM에서 브랜드 언급 또는 사이트 인용이 나오는 비율을 LLM별로 따로 기록하는 게 기본입니다. 여기서 노출을 인용으로 재느냐 언급으로 재느냐에 따라 순위가 또 바뀝니다. 퍼플렉시티는 인용 기준으로는 2계층이지만 언급만으로 좁히면 3계층까지 내려갑니다. 무엇을 성과로 정의할지부터 합의하지 않으면 같은 데이터를 보고도 다른 결론에 도달합니다.
이 계층 구조, 그냥 우연 아닌가요?
같은 데이터를 세 가지 방식으로 다르게 정규화해도 형태가 무너지지 않았다는 게 답입니다. 해외 GEO 업계가 19개 고객사 데이터를 최고 성능 LLM 기준, 구글 AIO 기준, 평균 노출 기준으로 각각 정규화해도 세 계층의 형태가 일관되게 나타났습니다. 우연이 아니라 LLM의 아키텍처가 만든 구조라는 뜻이죠. 물론 경계는 고정이 아닙니다. ChatGPT도 제품 질문에서는 검색을 켜는 빈도가 늘고 있어서, 계층은 진리가 아니라 분기마다 다시 재야 하는 지도에 가깝습니다. 그래서 기억할 원칙은 딱 하나입니다. GEO는 하나의 전투가 아니라, 서로 규칙이 다른 여러 전투를 동시에 치르는 일이라는 것. 모든 LLM에 같은 전술을 밀어붙이는 순간, 잘 통하는 계층에서 얻은 자신감이 안 통하는 계층의 문제를 가려버립니다. 지금 우리 브랜드가 어느 계층에서 새고 있는지부터 계층별로 따로 재보는 것, 거기서 GEO 전략이 다시 시작됩니다.
