지금까지 읽은 모든 것의 문제점
대부분의 AI 모드 보도는 두 가지 오류 모드 중 하나에 속합니다. 첫 번째는 기본 기계에 대한 설명 없이 기능만 설명하는 숨 막히는 제품 저널리즘입니다. 두 번째는 "표준 SEO만 있으면 된다", "양질의 콘텐츠가 이긴다", "근본적으로 달라진 것은 없다" 등 구글의 말을 그대로 받아 적는 실무자의 안일한 태도입니다.
두 가지 모두 브랜드에 손해를 끼치는 잘못된 방식입니다.
이 부분은 마케팅의 밑바닥에 깔려 있습니다. 이 글은 Google의 특허 출원, 검증된 정량적 연구, 그리고 광범위한 커뮤니티에서 눈에 띄게 심각하게 받아들이지 않은 몇 가지 결과를 바탕으로 작성되었습니다. 목표는 간단합니다. 이 글이 끝날 때쯤이면 AI 모드가 어떻게 작동하는지, 왜 기존 SEO의 정설을 깨는지, 어떻게 해야 하는지 정확히 이해할 수 있을 것입니다.
많은 부분을 다룰 예정입니다. 거의 모든 사람이 잘못 알고 있는 가장 중요한 것부터 시작하겠습니다.
AI 모드의 실제 모습(그리고 그렇지 않은 모습)
현재 업계에서 가장 큰 오해는 AI 모드가 이미 알고 있는 것을 더 똑똑하게 만든 버전이라는 생각입니다.
사실 그렇지 않습니다. 그리고 이를 익숙한 시스템과 혼동하는 것은 브랜드가 AI 오버뷰 가시성을 최적화하고 이것이 이전된다고 가정하고, SEO 팀이 ChatGPT 동작을 아날로그로 인용하고, 실무자가 AI 모드를 더 정교한 추천 스니펫처럼 취급하는 등 실제 전략적 오류를 일으키고 있습니다. 이는 카테고리의 실수입니다. 이는 잘못된 투자 결정과 잘못된 측정 프레임워크로 이어집니다.
이제 분류 체계에 대해 자세히 살펴봅시다.
클래식 검색
문서 검색 시스템. 검색어를 입력하면 순위가 매겨진 URL 목록이 반환됩니다. Google의 업무는 SERP에서 끝납니다. 파란색 링크로 무엇을 하느냐는 여러분의 비즈니스입니다. 크롤러에 권한 부여, 키워드 의도 일치, 참여 신호 획득이라는 최적화 게임은 20년 동안 안정적으로 유지되어 왔습니다. 여러분은 이 시스템을 잘 알고 있습니다.
AI 개요(AIO)
클래식 검색 위에 추가된 생성 레이어입니다. AIO는 Google의 기존 검색 결과를 가져와 요약 단락으로 합성하며, 거의 전적으로 이미 상위권에 있는 페이지에서 가져옵니다. AI 개요 인용의 76.1%가 상위 10개 결과에서 나옵니다. 이는 새로운 검색 시스템이 아니라 UI 기능입니다. 언어 모델이 카피를 작성하는 스마트 스니펫이라고 생각하면 됩니다. 그 아래의 색인은 변경되지 않으며, 그 아래의 순위 신호도 변경되지 않습니다. 클래식 SEO를 잘 적용하면 AIO 자격 요건을 충족하는 데 대부분 충분합니다.
SGE(검색 생성 경험)
죽었습니다. 2023~2024년까지 진행된 실험실 실험. 더 이상 라이브 시스템으로 참조하지 마세요.
쌍둥이자리(독립형)
LLM 어시스턴트. Google의 실시간 검색 색인에 영구적으로 연결되지 않습니다. 지식 그래프 통합이 없습니다. 쇼핑 그래프가 없습니다. 실시간 검색이 아닌 학습 데이터에서 응답을 도출합니다. 이 목록에 있는 다른 모든 것과는 완전히 다른 추론 파이프라인입니다.
Perplexity 및 ChatGPT 검색
공개 웹 인덱스에서 가져와 답변을 합성하는 검색 증강 생성(RAG) 시스템. Perplexity는 실시간 크롤링을 사용하며, ChatGPT는 런타임에 Bing API에 대해 전체 URL 콘텐츠를 가져옵니다. 영구 사용자 모델, 다중 계층 지식 인프라, 세션 전반의 상태 저장 컨텍스트가 없어 검색이 비교적 간단합니다.
AI 모드
위에 해당되지 않습니다.
AI 모드는 검색 색인, 지식 그래프, 쇼핑 그래프(50억 개 이상의 제품), 지도 등 Google의 전체 지식 인프라에 대해 여러 병렬 하위 쿼리를 실행하는 다단계 상태 저장 방식의 개인화된 구절 수준 검색 및 합성 엔진으로, 검색된 구절의 사용자 지정 말뭉치를 조립하고 쌍별 LLM을 사용하여 순위를 재조정하며 조각 수준 인용 검증을 통해 응답을 생성합니다.
클래식 검색을 감싸는 포장지가 아닙니다. 동일한 제품 안에 있는 병렬 검색 시스템입니다. 그리고 그 숫자는 당신을 차갑게 멈추게 할 것입니다:
AI 모드에서 인용된 URL 중 14%만이 Google의 기존 상위 10위 안에 들었습니다.
AI 개요의 경우 이 수치는 76%입니다. 이 두 수치 사이의 차이는 반올림 오차가 아닙니다. 이는 AI 모드가 기존의 랭킹 신호를 통해 콘텐츠를 찾지 않는다는 것을 알려주는 아키텍처적 발견입니다. 완전히 다른 검색 파이프라인을 통해 콘텐츠를 찾고 있으며, 페이지 1위에 오르게 한 최적화 전략은 인용 여부와는 거의 무관할 수 있습니다.
Google의 첫 페이지에 표시되는 것은 AI 개요 가시성을 위해 필요하지만 AI 모드의 경우 크게 상관없습니다.
이 시스템은 도서관과 연구 조교가 서로 연관되어 있는 것처럼 서로 연관되어 있습니다. 둘 다 책을 취급합니다. 한 쪽은 순위가 매겨진 서가를 건네줍니다. 다른 한 명은 여러분을 위해 책을 읽고, 답을 종합하고, 인용할 만한 구절을 결정합니다. 어떤 대상을 최적화하는지에 따라 업무가 근본적으로 달라지는데, 현재 대부분의 팀은 서가를 대상으로 최적화하고 있는 반면, 연구 도우미는 청중이 사용하는 서가를 대상으로 최적화하고 있습니다.
핵심 사항 AI 모드는 Google 검색과 브랜드를 공유하고, AI 오버뷰와 URL을 공유하지만 구조적으로 별개의 검색 시스템입니다. AI 모드 인용의 14%만이 기존 상위 10위 결과에서 나온 반면, AI 오버뷰의 경우 76%에 달합니다. AI 모드를 AIO의 확장으로 취급하는 것은 실질적인 전략적 결과를 초래하는 측정 오류입니다.
아키텍처: 쿼리가 답변이 되는 방법
AI 모드에 대한 대부분의 설명은 "쿼리를 더 잘 이해한다", "여러 소스를 종합한다", "대화형 답변을 제공한다" 등 외부에서 AI 모드가 하는 일을 설명합니다. 이러한 설명은 틀린 말이 아닙니다. 하지만 최적화에는 쓸모가 없습니다.
다음은 각 단계에 적용되는 특허와 함께 구성 요소별로 이름이 지정된 전체 파이프라인입니다. 이름을 지정할 수 없는 시스템은 체계적으로 개선할 수 없기 때문에 최적화가 실제로 목표로 삼는 것은 바로 이 부분입니다.
6단계 파이프라인은 실제로 최적화하는 단계입니다. 현재 대부분의 관행은 한 단계만 처리합니다.
1단계: 쿼리 수집 및 사용자 상태 인코딩
원시 쿼리는 검색에 직접 입력되지 않습니다. 먼저 사용자의 상태 저장 컨텍스트 벡터(세션 기록, 모든 세션의 이전 쿼리, 기기, 위치, 시간, Google 생태계 신호(검색, 지도, Gmail, YouTube)로 구축된 조밀한 임베딩)와 쌍을 이룹니다. 이 개인화 벡터는 검색이 시작되기 전에 ‘이 쿼리의 의미’를 수정합니다.
동일한 쿼리를 입력하는 두 명의 사용자가 사실상 서로 다른 검색 명령을 내리고 있는 것입니다. 이는 이 섹션 바로 뒤에 별도의 섹션을 마련할 만큼 중요한 의미를 지니고 있습니다.
2단계 쿼리 의도 분류 및 LLM 라우팅
검색 전에 시스템은 쿼리를 창의적, 사실/요약, 설명, 다음 단계/작업 등의 의도 카테고리로 분류합니다. 이 분류에 따라 다양한 다운스트림 언어 모델이 대기열에 대기합니다. 스테이트풀 채팅 특허(US20240289407A1)에서는 이를 명시적으로 명명하고 있습니다: 크리에이티브 텍스트 LLM, SRP 생성 LLM, 설명 LLM, 다음 단계 LLM.
이는 검색 전에 이루어집니다. 분류는 응답을 합성하는 모델뿐만 아니라 어떤 검색 신호가 가장 중요한지를 결정합니다. 의도 분류기가 이 세션을 정보 합성이 아닌 작업 완료에 최적화된 다음 단계의 LLM으로 라우팅하는 경우 정보 쿼리에 대해 높은 순위를 차지하는 페이지가 후보 풀에 전혀 들어가지 않을 수도 있습니다.
3단계: 쿼리 팬 아웃
AI 모드가 이전의 모든 시스템과 가장 큰 차이를 보이는 부분이 바로 이 부분입니다.
이 시스템은 원본에서 동등, 관련, 암시, 비교, 설명, 시간적, 지리적, 전문적 맥락 등 8가지 문서화된 변형 유형을 포함하는 여러 개의 합성 하위 쿼리를 생성합니다. 제출 날짜에 유의하세요. Google은 7년 동안 다중 쿼리 팬아웃을 구축해 왔습니다. AI 모드는 그 긴 여정의 소비자 제품입니다.
‘암시적’ 및 ‘비교’ 변형 유형은 사용자가 묻지 않았지만 필요할 가능성이 있는 쿼리를 생성하기 때문에 특히 주의해야 합니다. 누군가 "스타트업을 위한 최고의 CRM"을 검색하는 경우, 팬아웃은 단순한 재구성뿐만 아니라 암시적 쿼리("시리즈 A를 넘어 확장 가능한 CRM은?"), 비교 쿼리("초기 단계 기업을 위한 Salesforce 대 HubSpot"), 일시적 쿼리("2025년 CRM 가격 변경") 및 조사하는 창업자와 결정하는 RevOps 관리자를 구분하는 전문적 맥락의 변형을 생성할 수 있습니다.
모든 하위 쿼리는 Google 검색 색인, 지식 그래프, 쇼핑 그래프 및 지도에서 동시에 실행됩니다. Google은 AI 모드가 하나의 복잡한 쿼리에 대해 "수백 개의 검색"을 실행할 수 있음을 확인했습니다. 주제별 검색 특허(US12158907B1)는 결과를 시맨틱 클러스터로 구성하고, 하위 테마는 반복적으로 추가 검색 라운드를 트리거하므로 팬아웃이 한 번만 터지는 것이 아니라 반복될 수 있습니다.
Google은 2018년에 기초적인 팬아웃 특허를 출원했으며, AI 모드는 7년에 걸친 아키텍처 구축의 소비자 제품입니다.
‘최고의 CRM’에 대한 권위 있는 콘텐츠가 있지만 비교 콘텐츠도 없고, 시간적 콘텐츠도 없으며, 전문적인 컨텍스트 변형을 타깃팅하는 콘텐츠도 없는 브랜드는 모든 관련 세션에서 실행되는 여러 쿼리 유형에 포함되지 않습니다. 팬아웃은 도메인 권한에 상관하지 않고 각 변형 하위 쿼리가 쌍별 비교에서 승리하는 구절을 표시하는지 여부에 관심을 갖습니다.
4단계: 사용자 지정 코퍼스 어셈블리
검색된 구절(문서나 구절이 아닌)은 사용자 정의 말뭉치로 조립됩니다. 특허 WO2024064249A1은 문맥의 일관성을 유지하기 위해 시스템이 관련 구절 주변에서 최대 5개의 인접한 청크를 검색하는 방법을 설명합니다. 이는 문서 섹션의 산문 흐름이 중요하다는 것을 의미합니다. 검색 히트를 획득하는 잘 구조화된 인수는 주변 단락을 함께 코퍼스로 끌어들입니다.
말뭉치는 사용자 정의입니다. 모든 사용자, 모든 세션, 모든 쿼리는 서로 다른 것을 생성합니다. 콘텐츠가 경쟁하는 보편적인 문서 풀은 존재하지 않으며, 필요에 따라 수백만 개의 사용자별 풀이 조합되어 있습니다.
5단계: 쌍별 LLM 재순위 지정
모든 팬 아웃 하위 쿼리의 구절이 서로 경쟁합니다. 순위 매김 메커니즘은 BM25가 아닙니다. TF-IDF도 아닙니다. LLM은 구절을 쌍으로 비교합니다. 주어진 하위 쿼리를 더 잘 충족하는 구절은 무엇인가요? - 여러 차례의 비교 라운드를 거칩니다. 승자는 진출하고 패자는 탈락합니다.
이 단계는 현재 대부분의 SEO 투자가 실패하는 곳입니다. 첫 문장에서 특정 하위 질문에 명확하게 답하는 밀도 있고 직접적이며 사실적인 구절이 쌍별 비교에서 승리합니다. 내러티브, 담론, 의견이 많은 콘텐츠(긴 형식의 에디토리얼 SEO에서 잘 작동하는 유형)는 LLM이 관련 주장을 추출하는 데 더 많은 노력을 기울이기 때문에 패배하는 경향이 있습니다. 틈새 질문에 대한 직접적인 답변으로 시작하는 Reddit 스레드는 8단락에 답변을 묻어두는 3,000단어짜리 권위 있는 가이드보다 더 나은 성과를 거둘 수 있습니다. 쌍방향 메커니즘은 누적된 신뢰도가 아니라 즉각적인 보상을 제공합니다.
6단계: 응답 합성 및 인용 확인
살아남은 구절은 쌍둥이자리에게 전달됩니다. Gemini는 자연어 응답을 생성합니다. 그런 다음 응답 연결 엔진이 조각 수준 검증을 수행합니다. 생성된 응답의 각 조각을 특정 코퍼스 구절과 대조하고 인용을 인라인으로 삽입합니다.
이는 페이지 수준 어트리뷰션이 아닙니다. 블로그의 구절과 일치하는 응답의 문장은 인용을 얻습니다. 페이지의 나머지 부분은 전혀 참조되지 않을 수 있습니다. 사실 밀도가 높은 400단어짜리 글은 텍스트 단위당 더 많은 검증 가능한 조각을 생성하기 때문에 3,000단어짜리 권위 있는 가이드보다 더 많이 인용될 수 있습니다. 이 메커니즘은 포괄적인 범위보다 주장 밀도를 구조적으로 보상합니다. 이는 기존의 긴 형식의 SEO가 최적화하는 것과는 정반대입니다.
핵심 사항 AI 모드는 6단계 파이프라인입니다. 기존 SEO는 주로 3단계(검색 적격성)를 처리합니다. 인용은 4~6단계(구절 수준의 밀도, 쌍별 LLM 경쟁, 조각 수준의 사실적 근거)에서 승패가 결정되는데, 이 중 어느 것도 표준 최적화 관행에서 다루지 않습니다.
개인화 레이어: 순위 추적이 허구적인 측정인 이유
AI SEO 업계가 충분히 고려하지 않은 사실이 AI 모드 아키텍처에 내재되어 있습니다. 명확하게 말씀드리겠습니다:
두 명의 다른 사용자가 동일한 쿼리를 실행하면 서로 다른 검색 집합이 생성됩니다. 같은 문서의 순위가 달라지는 것이 아닙니다. 완전히 다른 문서가 생성됩니다.
사용자 임베딩 모델 특허는 Google이 검색어, 클릭, 체류 시간, 위치 기록, 지도 활동, YouTube 시청 기록, Gmail 콘텐츠 등의 행동 신호를 들어오는 모든 검색어와 짝을 이루는 고밀도 벡터로 인코딩하는 방법을 설명합니다. 개인화 벡터는 기존의 순위 신호가 적용되기 전에 검색 결과를 수정합니다.
귀하는 보편적인 순위를 차지하기 위해 경쟁업체와 경쟁하는 것이 아닙니다. 직접 관찰할 수 없고, 직접 측정할 수 없으며, 순위 추적 도구에서 복제할 수 없는 특정 사용자 페르소나 쿼리 컨텍스트 내에서 관련성 경쟁을 벌이고 있는 것입니다.
사용자 임베딩 피드
스테이트풀 채팅 특허(US20240289407A1)와 사용자 임베딩 모델 특허는 함께 개인화 스택을 설명합니다:
- 모든 Google 검색 세션의 전체 검색어 기록(로그인한 사용자의 경우)
- 총체적인 행동 규모에서 클릭, 마우스오버, 체류 패턴 살펴보기
- 디바이스 유형 및 위치 신호
- Google 에코시스템 데이터: 지도 체크인, 주제별 YouTube 시청 시간, Gmail 콘텐츠
마지막 카테고리에 대해 자세히 알아볼 필요가 있습니다. Google I/O 2025에서 미리 공개되어 2026년 초부터 부분적으로 배포되는 ‘개인 컨텍스트’ 기능은 Gmail, 캘린더, Google 계정 데이터를 검색에 직접 통합합니다. 이 기능이 완전히 출시되면 지난주에 스키 여행에 대해 이메일을 보낸 사용자와 최근 Google 쇼핑에서 운동화를 구매한 사용자가 ‘아웃도어 겨울 장비’에 대해 서로 다른 AI 모드 응답을 받게 될 것입니다. 모든 쿼리에 대한 표준 검색 결과의 개념은 기능적으로 사라질 것입니다. 모든 결과는 검색어뿐만 아니라 전체 Google 에코시스템에 걸친 사용자의 행동 기록의 산물이 될 것입니다.
측정 결과
순위 추적 도구는 컨텍스트가 없는 클린룸 환경에서 쿼리합니다. 실제 사용자는 맥락에 깊이 관여합니다. 이 도구는 실제 사용자가 볼 수 없는 가상의 위치를 측정합니다.
이것은 정확성 불만이 아닙니다. 유효성 불만입니다. 측정이 부정확한 것이 아니라 완전히 잘못된 것을 측정하고 있는 것입니다. AI 모드에서 실행되는 순위 추적기의 위치 추적 번호는 검색 기록, 위치 신호, 에코시스템 데이터, 세션 컨텍스트가 없는 사용자의 경험을 나타냅니다. 해당 사용자는 의미 있는 규모로 존재하지 않습니다.
이번 반독점 판결은 아이러니하게도 이 점을 명확히 보여줍니다. 2025년 12월 구제책에 따라 Google은 5년 동안 두 차례에 걸쳐 경쟁업체와 검색 색인을 공유해야 합니다. 하지만 사용자 임베딩 모델은 공유할 수 없습니다. 이제 상품이 되어버린 색인 데이터는 AI 모드 개인화의 원동력이 아닙니다. 학습 플라이휠이 그 원동력입니다: 매일 140억 건의 쿼리를 통해 경쟁업체가 복제할 수 없는 업데이트된 사용자 임베딩을 지속적으로 제공합니다. 경쟁업체는 서가의 스냅샷을 얻습니다. Google은 모든 고객의 얼굴을 읽은 사서를 유지합니다.
실제로 측정에 효과가 있는 것
이러한 상황을 가장 잘 헤쳐나갈 수 있는 브랜드는 순위 추적 정확도가 가장 높은 브랜드가 아닙니다. 개인화된 AI 검색에는 다른 측정 패러다임이 필요하다는 사실을 받아들이고 이를 위해 구축한 브랜드입니다. 실제 신호가 있는 네 개의 프록시:
타사 도구(Profound, ZipTie, Ahrefs Brand Radar)를 통해 추적한 AI 응답에서의 브랜드 점유율. 완전한 커버리지가 아닌 샘플링 기반 근사치이지만, 정확한 출력 변수인 인용 존재를 측정합니다. 절대적인 점수가 아닌 경쟁사와 비교하여 추적합니다.
쿼리 세그먼트 수준에서 GSC 노출/클릭 디커플링. 정보성 쿼리에서 노출 수가 증가하면서 CTR이 감소하는 것은 AI 모드 식인화의 주요 가시적 징후입니다. 인텐트 유형별로 세분화하여 시간이 지남에 따라 차이가 더 커지는 것을 확인하세요.
상업적으로 가장 중요한 20개의 쿼리에 대한 수동 AI 모드 인용 감사를 수행합니다. 어떤 페이지가 인용되었는지, 응답에 어떤 구절이 나타나는지, 경쟁사 중심의 팬아웃 하위 쿼리에 내 브랜드가 나타나는지(가끔씩 나타나기도 하므로) 주목하세요. AI 모드는 평균적으로 응답당 3.3개의 엔티티 멘션을 생성하는 반면, AI 개요의 경우 1.3개의 엔티티 멘션을 생성합니다. 도메인이 클릭되지 않은 세션에 브랜드가 표시될 수도 있습니다.
브랜드 검색량을 다운스트림 신호로 사용합니다. AI 모드가 직접 클릭을 유도하지 않고 브랜드 인지도를 높이는 경우(아키텍처에 따르면 점점 더 많이 발생하고 있습니다), 브랜드 검색량은 60~90일 동안 후행 지표로 움직여야 합니다.
유료 검색과 자연 검색 간의 측정 격차는 수년 동안 존재해 왔습니다. AI 모드는 그 격차를 구조적인 틈새로까지 확대했습니다.
이 중 어느 것도 완벽한 것은 없습니다. 유료 검색 팀과의 비대칭성은 구조적이고 중요한 문제입니다. 유료 팀은 쿼리 수준에서 CPC 데이터, 노출 점유율, 품질 평가 점수 및 경매 인사이트를 확보할 수 있습니다. 오가닉 팀은 의도적으로 집계, 샘플링 및 익명화된 GSC 데이터를 얻으며, AI 모드 클릭은 일반 ‘웹’ 검색 유형에 혼합되어 기존 오가닉 트래픽과 구분할 수 없습니다. 이러한 격차는 일시적인 툴링 문제가 아닙니다. 이는 의도적인 제품 아키텍처의 결정이며, AI 모드가 오가닉 검색을 더욱 불투명하게 만들면서 그 격차는 점점 더 커지고 있습니다.
정직한 대답은 현재로서는 AI 모드 가시성을 정확하게 측정할 수 없다는 것입니다. 프록시를 측정할 수는 있습니다. 브랜드 존재감을 추적할 수 있습니다. 실시간으로 노출/클릭 비율의 저하를 관찰하고 우선순위를 정하는 데 사용할 수 있습니다. 하지만 프록시 측정을 실측과 혼동해서는 안 되며, 맥락에 맞지 않는 쿼리를 가리키는 순위 추적기가 실제 로그인한 맥락에 맞는 사용자가 AI 모드에서 콘텐츠를 경험하는 방식에 대해 의미 있는 정보를 알려준다고 착각해서는 안 됩니다.
핵심 사항: 사용자 임베딩 벡터는 기존 순위 신호가 적용되기 전에 AI 모드 검색을 수정하여 현재 실행되는 순위 추적을 존재하지 않는 사용자에 대한 측정으로 만듭니다. AI 응답의 주요 측정 기준을 위치에서 브랜드 점유율로 전환하고, GSC 디커플링 신호와 수동 인용 감사를 통해 보완합니다.
결론
AI 모드는 더 똑똑한 클래식 검색이 아닙니다. 이는 순위 신호가 적용되기 전에 개인화된 6단계의 개별 검색 시스템으로, 이미 잠재 고객이 읽고 있는 답변에 어떤 브랜드가 존재하는지 결정합니다.
기존 상위 10위 결과와 14%의 인용이 겹친다는 것은 순위와 인용이 이제 독립적인 변수가 되었다는 것을 의미합니다. AI 모드에서는 1페이지를 소유하고도 보이지 않을 수 있습니다. 콘텐츠가 올바른 하위 쿼리 변형에 대한 쌍별 LLM 비교에서 승리하는 구절을 생성하는 경우 47위에 위치하여 일관된 인용을 얻을 수 있습니다.
아키텍처는 문서화되어 있습니다. 특허는 공개되어 있습니다. AI 모드가 기본 검색 환경이 되기까지 적응하는 기간은 몇 년이 아닌 분기 단위로 측정됩니다.
다음 단계는 선택입니다.
공유
기사 평가하기
