도슨티 GEO 인사이트 시리즈 ① GEO의 다음 경쟁은 Citation이 아니라 Citation Supply Chain이다
도슨티GEO도슨티 GEO 인사이트 시리즈 ① GEO의 다음 경쟁은 Citation이 아니라 Citation Supply Chain이다
AI가 인용하는 웹페이지를 넘어, AI의 정보 공급망을 이해해야 하는 이유
생성형 AI 검색 최적화(GEO)를 시작한 기업들이 가장 먼저 확인하는 지표는 대개 비슷합니다.
“ChatGPT가 우리 브랜드를 언급하는가?”
“Gemini가 우리 홈페이지를 인용하는가?”
“Perplexity에서 경쟁사보다 자주 추천되는가?”
모두 중요한 질문입니다. 그러나 한 단계 더 근본적인 질문이 빠져 있습니다.
“AI는 어떤 정보들을 거쳐 우리 브랜드를 알게 되고, 비교하고, 추천하는가?”
2026년 GEO 시장에서 주목해야 할 변화는 단순히 AI 검색이 대중화되고 있다는 사실이 아닙니다. AI가 답변을 구성할 때 의존하는 정보 출처의 구조가 새로운 경쟁 영역으로 부상하고 있다는 점입니다.
이 구조를 이해하려면 개별 웹페이지의 인용 횟수를 넘어, AI 답변을 뒷받침하는 정보의 공급망 전체를 살펴봐야 합니다.
이를 설명하기 위해 이 글에서는 ‘Citation Supply Chain(인용 정보 공급망)’이라는 전략적 프레임워크를 제안합니다.
1. Semrush가 발견한 것: AI가 반복적으로 인용하는 소수의 사이트
2026년 11월, 글로벌 검색 마케팅 플랫폼 Semrush는 What Is Citation Core? A Guide to AI Search Visibility를 발표했습니다.
핵심 개념은 Citation Core입니다.
이는 특정 산업이나 주제에 관한 질문에서 여러 AI 플랫폼이 반복적으로 참조하는 핵심 정보 출처 집합을 의미합니다.
Semrush는 2026년 AI Visibility Index와 관련 연구를 바탕으로, 특정 산업의 AI 인용이 소수의 도메인에 집중되는 현상을 설명합니다.
예를 들어 미국 소프트웨어 시장에서는 G2, Capterra, TrustRadius 같은 소프트웨어 평가 플랫폼이 중요한 인용 출처로 나타납니다.
금융 분야에서는 NerdWallet, Investopedia, Bankrate 같은 전문 정보 사이트가 두드러집니다.
여행 분야에서는 Tripadvisor와 같은 여행 정보 플랫폼이 중요한 역할을 합니다.
여기서 중요한 사실은 AI가 단순히 가장 유명한 웹사이트만 인용하지 않는다는 것입니다.
특정 분야에서 사용자의 질문에 유용한 정보를 반복적으로 제공하는 사이트가 해당 분야의 핵심 정보원이 될 수 있습니다.
더구나 Citation Core는 고정된 목록이 아닙니다.
같은 소프트웨어 산업이라도 미국과 한국의 핵심 출처는 달라질 수 있습니다. 같은 국가에서도 ERP와 프로젝트 관리 소프트웨어의 인용 출처는 다를 수 있습니다.
무엇보다 ChatGPT, Gemini, Perplexity 등 플랫폼별로 참조하는 정보원의 구성과 비중이 다를 수 있습니다.
따라서 브랜드가 알아야 할 것은 인터넷 전체에서 가장 영향력 있는 사이트가 아닙니다.
우리 고객의 실제 질문에 답할 때 AI가 반복해서 참조하는 사이트가 어디인지입니다.
2. 그런데 Citation Core만 찾으면 GEO가 해결될까?
아직은 아닙니다.
Citation Core는 AI가 자주 참조하는 사이트를 알려주지만, 그 사이트가 어떤 경로로 답변에 영향을 주는지까지 완전히 설명하지는 않습니다.
이를 이해하기 위해서는 AI 검색이 작동하는 방식을 살펴봐야 합니다.
Google은 공식 문서 Optimizing Your Website for Generative AI Features에서 AI 검색의 중요한 기술로 Retrieval-Augmented Generation(RAG)과 Query Fan-out을 설명합니다.
RAG는 모델이 외부에서 검색한 정보를 활용해 답변을 구성하도록 하는 접근입니다.
Query Fan-out은 사용자의 질문을 여러 관련 검색으로 확장해 다양한 정보 출처를 조사하는 방식입니다.
예를 들어 한 기업의 구매 담당자가 다음과 같이 질문했다고 가정해 보겠습니다.
“중견 건설사가 도입하기 좋은 ERP를 추천해 줘. 프로젝트별 원가 관리와 기존 회계 시스템 연동이 중요해.”
AI는 단순히 ‘건설 ERP 추천’이라는 문구만 검색할 필요가 없습니다.
질문의 의미를 나누어 다음과 같은 정보를 탐색할 수 있습니다.
-
건설업 ERP의 주요 기능과 도입 요건
-
프로젝트별 원가 관리 솔루션
-
기존 회계 시스템과의 연동 방식
-
건설 ERP 공급업체별 특징
-
ERP 구축 사례와 사용자 평가
-
비용, 유지보수, 데이터 이전과 관련된 위험
이 하위 질문들은 설명을 위한 예시이며, Google이나 ChatGPT의 실제 내부 검색 기록을 재현한 것은 아닙니다.
그러나 중요한 원칙을 보여줍니다.
기업이 ‘건설 ERP 추천’이라는 검색어에서 잘 노출되더라도 AI가 최종 추천을 구성하는 데 필요한 모든 정보를 제공하는 것은 아닐 수 있습니다.
제품 기능은 기업 홈페이지에서, 구축 경험은 고객 사례에서, 제품 비교는 전문 매체에서, 사용자 평가는 커뮤니티에서 확인될 수 있기 때문입니다.
GEO의 경쟁 영역이 개별 검색 결과를 넘어서는 이유입니다.
3. 2026년 연구가 보여주는 더 중요한 사실: AI 인용은 검색과 모델의 기존 지식에 영향을 받는다
2026년 10월 발표된 연구 What Drives AI Citations? Content, Retrieval and Model Knowledge in Generative Engine Optimization는 AI 인용을 이해하는 데 특히 중요한 단서를 제공합니다.
연구진 Mahe Chen과 Nick Koudas는 서로 다른 상업 시장에서 수집한 158,099개의 AI 답변과 468,037개의 인용을 분석했습니다.
연구에 따르면 개별 페이지의 속성보다 AI 검색 과정에서 어떤 페이지가 검색 결과로 회수되는지가 인용 차이를 설명하는 데 훨씬 중요한 역할을 했습니다.
연구진의 분석에서는 검색 결과에 포함되는 정도가 페이지 인용의 변동을 설명하는 비중이 약 32%였던 반면, 페이지 속성의 설명력은 약 2.8%에 그쳤습니다.
이 수치는 해당 연구의 분석 조건에서 나온 것이며 모든 AI 플랫폼에 일반화할 수는 없습니다.
그럼에도 시사점은 분명합니다.
AI가 검색 과정에서 발견하지 못한 정보는 검색 기반 답변에 기여할 기회 자체가 제한됩니다.
여기에 또 하나의 중요한 변수가 있습니다.
바로 모델이 이미 알고 있는 브랜드입니다.
연구진은 ChatGPT가 기존에 알고 있는 브랜드를 검색 질의에 포함하거나, 검색 결과에서 특정 웹사이트를 선호하거나, 외부 출처의 뒷받침 없이 브랜드를 언급하는 현상도 관찰했습니다.
동일한 제품 정보를 제시하더라도 브랜드 이름에 따라 추천 순서가 달라지는 현상 역시 실험에서 확인했습니다.
이는 GEO가 단순히 검색 기술이나 웹페이지 구조의 문제만은 아니라는 사실을 보여줍니다.
AI의 답변은 검색된 정보뿐 아니라 모델의 기존 지식, 브랜드에 대한 인식, 질문의 맥락에도 영향을 받습니다.
따라서 브랜드는 두 가지를 구분해서 관리해야 합니다.
첫째, AI가 검색할 때 우리 브랜드의 정보를 발견할 수 있는가?
둘째, AI가 답변을 생성할 때 우리 브랜드를 적절한 선택지로 이해하고 있는가?
이 두 문제가 결합되는 지점에서 Citation Supply Chain이라는 관점이 필요해집니다.
4. Citation Supply Chain: AI 답변을 만드는 정보 공급망
전통적인 SEO에서 기업은 주로 검색 결과의 순위를 관리했습니다.
특정 키워드에서 홈페이지가 몇 위에 노출되는지, 어떤 페이지가 트래픽을 확보하는지가 핵심이었습니다.
GEO에서는 관찰해야 할 관계가 더 복잡해집니다.
이 글에서 제안하는 Citation Supply Chain은 사용자의 질문이 AI의 답변으로 구성되는 과정에 관여하는 정보 출처와 그 관계를 분석하는 전략적 프레임워크입니다.
구체적으로 다음 여섯 단계로 나눌 수 있습니다.
① Demand: 고객은 무엇을 묻는가?
첫 단계는 검색량이 많은 키워드를 찾는 것이 아니라, 실제 구매와 의사결정에 관련된 질문을 파악하는 것입니다.
제품 추천, 경쟁사 비교, 가격 검토, 도입 사례, 위험 검토, 사후 지원 등 고객의 의도별로 질문을 분류합니다.
② Retrieval: AI는 어떤 정보를 찾아오는가?
AI가 답변을 만들기 위해 참조하는 검색 결과와 정보원을 파악합니다.
특히 원래 질문과 직접적으로 일치하지 않더라도 답변에 필요한 근거를 제공하는 정보가 중요합니다.
다만 실제 내부 검색 질의는 플랫폼마다 관찰 가능성이 다르므로, 공개된 인용 결과만으로 전체 검색 과정을 확정해서는 안 됩니다.
③ Source Network: 어떤 출처가 반복적으로 등장하는가?
브랜드 홈페이지, 언론, 산업 전문 매체, 비교 플랫폼, 커뮤니티, 공식 문서 등을 구분합니다.
여러 AI 플랫폼과 질문에서 반복되는 출처를 찾으면 해당 시장의 Citation Core를 추정할 수 있습니다.
④ Evidence: 그 출처는 브랜드에 관해 무엇을 말하는가?
브랜드가 특정 사이트에 등장한다는 사실만으로 충분하지 않습니다.
중요한 것은 어떤 사실이 전달되는지입니다.
기능이 정확하게 설명되는가?
경쟁사와 어떤 기준으로 비교되는가?
가격과 서비스 범위는 최신 정보인가?
제품에 대한 평가가 실제 고객 경험과 일치하는가?
AI의 추천은 단순한 브랜드명 노출보다 이러한 근거의 품질과 일관성에 영향을 받을 수 있습니다.
⑤ Synthesis: AI는 정보를 어떻게 종합하는가?
AI는 여러 출처에서 얻은 내용을 하나의 답변으로 구성합니다.
이 과정에서 특정 출처를 인용하면서도 해당 브랜드를 추천하지 않을 수 있습니다.
반대로 브랜드를 추천하면서 그 브랜드의 홈페이지는 인용하지 않을 수도 있습니다.
따라서 인용 횟수와 추천 횟수는 같은 지표가 아닙니다.
2026년 발표된 From Citation Selection to Citation Absorption 연구 역시 인용 출처로 선택되는 것과 그 출처의 내용이 실제 답변에 반영되는 것을 구분해야 한다고 제안합니다.
⑥ Outcome: 최종적으로 브랜드는 어떤 결과를 얻는가?
마지막으로 관찰할 것은 AI 답변에 나타나는 브랜드의 결과입니다.
언급되는가, 인용되는가, 비교 대상에 포함되는가, 추천되는가, 실제 사이트 방문이나 구매로 이어지는가?
이 모든 결과를 하나의 GEO 점수로 환원하기보다 구분해서 추적해야 합니다.
특히 AI 인용과 매출 사이의 인과관계를 입증하려면 별도의 전환 데이터와 실험 설계가 필요합니다.
5. 실제 기업에 적용하면 무엇이 달라질까?
가상의 건설 ERP 기업 A를 생각해 보겠습니다.
기업 A는 홈페이지에 제품 소개와 기능 설명을 잘 정리했고, 검색엔진 최적화도 수행하고 있습니다.
그런데 AI에게 “건설 ERP 추천”을 물어보면 경쟁사 B와 C가 자주 등장합니다.
기존 SEO 방식이라면 홈페이지 콘텐츠를 추가하거나 기존 페이지의 검색 순위를 높이는 작업부터 시작할 가능성이 큽니다.
Citation Supply Chain 관점에서는 먼저 다른 질문을 던집니다.
“경쟁사 B와 C는 어떤 정보 출처를 통해 AI 답변에 등장하는가?”
이를 조사했더니 다음과 같은 결과가 나왔다고 가정하겠습니다.
| 정보 출처 | 기업 A | 경쟁사 B |
|---|---|---|
| 공식 홈페이지 | 제품 기능 설명 | 제품 기능 설명 |
| 산업 전문 매체 | 언급 없음 | 상세 도입 사례 |
| 소프트웨어 비교 사이트 | 등록 정보 부족 | 기능별 비교 자료 |
| 고객사 공개 사례 | 제한적 | 다수의 사례 |
| 기술 연동 문서 | 공개 자료 부족 | 상세 문서 제공 |
| 사용자 커뮤니티 | 언급 드묾 | 실제 사용 경험 공유 |
이 표는 설명을 위한 가상 사례입니다.
하지만 이때 기업 A의 핵심 과제는 홈페이지 글을 몇 편 더 만드는 일이 아닐 수 있습니다.
AI가 제품을 평가할 때 참고하는 정보 공급망에서 기업 A에 관한 독립적인 근거가 부족하다는 것이 더 중요한 문제일 수 있습니다.
그렇다면 실행 전략도 달라집니다.
산업 전문 매체에 실질적인 구축 경험을 제공하고, 소프트웨어 비교 플랫폼의 제품 정보를 정비하며, 고객사의 동의를 얻어 구체적인 활용 사례를 공개하는 것이 우선일 수 있습니다.
물론 외부 사이트에 브랜드를 무조건 많이 노출한다고 AI 추천이 보장되는 것은 아닙니다.
실제 이용자가 유용하게 활용할 수 있는 검증 가능한 정보를 제공해야 합니다.
여기서 GEO는 콘텐츠 제작을 넘어 제품 마케팅, 고객 성공, PR, 기술 문서 관리와 연결됩니다.
6. 기업이 새롭게 측정해야 할 네 가지 지표
Citation Supply Chain을 운영 가능한 전략으로 바꾸려면 측정 방식도 발전해야 합니다.
이 글에서는 기존의 브랜드 언급률과 인용률에 더해 네 가지 분석 지표를 제안합니다.
| 지표 | 핵심 질문 |
|---|---|
| Citation Core Coverage | AI가 반복 인용하는 핵심 출처 중 우리 브랜드를 다루는 곳은 얼마나 되는가? |
| Competitor Evidence Gap | 경쟁사는 등장하지만 우리 브랜드의 근거는 부족한 출처가 어디인가? |
| Evidence Consistency | 여러 출처가 전달하는 브랜드 정보가 얼마나 정확하고 일관적인가? |
| Recommendation Conversion | 정보 출처의 개선 이후 AI의 브랜드 언급·추천은 어떻게 변하는가? |
여기서 Citation Core Coverage를 예로 들어보겠습니다.
특정 산업의 주요 질문을 추적한 결과 AI가 반복적으로 인용하는 핵심 도메인이 20개 발견됐다고 가정하겠습니다.
그중 기업 A를 실질적으로 다루는 사이트는 5개, 경쟁사 B를 다루는 사이트는 14개입니다.
기업 A의 단순 Citation Core Coverage는 25%, 경쟁사 B는 70%입니다.
이는 사이트 커버리지에 관한 지표이지, AI의 인용 확률이나 추천 확률을 뜻하지 않습니다.
실제 분석에서는 모든 출처를 동일하게 평가해서도 안 됩니다.
고객이 신뢰하는 산업 전문 매체와 관련성이 낮은 콘텐츠 집계 사이트의 가치는 다릅니다.
따라서 인용 빈도, 질문과의 관련성, 출처의 독립성, 브랜드 정보의 정확성, 접근 가능성을 함께 평가할 필요가 있습니다.
또한 시간에 따른 출처 변동도 관찰해야 합니다.
오늘 핵심 출처로 나타난 사이트가 3개월 후에도 같은 역할을 하리라는 보장은 없습니다.
이것이 단발성 AI 검색 결과를 캡처하는 것보다 지속적인 측정이 중요한 이유입니다.
7. 그렇다면 앞으로의 GEO는 외부 홍보 경쟁이 될까?
여기에는 중요한 경계가 필요합니다.
Citation Supply Chain이라는 개념을 잘못 이해하면 가능한 한 많은 사이트에 브랜드를 노출시키는 작업으로 받아들일 수 있습니다.
그러나 이는 GEO의 본질과 거리가 있습니다.
Google은 공식 생성형 AI 검색 최적화 가이드에서 독창적이고 유용한 콘텐츠, 검색 가능한 기술 구조, 실제 사용자에게 도움이 되는 정보를 강조합니다.
반대로 인위적인 브랜드 언급을 늘리거나 검색 시스템을 조작하기 위한 대량 콘텐츠 제작은 효과적인 장기 전략이 아니라고 설명합니다.
(Google Search Central 공식 가이드)
또한 외부 출처가 중요하다고 해서 자사 홈페이지의 역할이 약해지는 것은 아닙니다.
정확한 제품 사양, 가격 정책, 서비스 범위, 기업의 공식 입장과 기술 문서는 결국 기업이 직접 책임져야 할 정보입니다.
외부 출처가 신뢰성과 제3자 관점을 제공한다면, 자사 홈페이지는 정보의 정확성과 최신성을 유지하는 기준점이 됩니다.
국내에서도 리스닝마인드의 2026년 GEO 웹사이트 최적화 사례처럼 기술적 SEO와 콘텐츠 구조를 함께 다루는 접근이 확산하고 있습니다.
결국 성공적인 GEO 전략은 두 가지를 병행해야 합니다.
하나는 AI가 발견하고 이해할 수 있는 자사 정보 기반을 만드는 일입니다.
다른 하나는 브랜드에 관한 정확하고 유용한 정보가 고객과 시장의 다양한 독립적 정보원에서도 확인될 수 있도록 만드는 일입니다.
첫 번째 없이 두 번째만 추구하면 브랜드 정보의 통제가 어려워집니다.
두 번째 없이 첫 번째만 추구하면 브랜드가 자사 홈페이지 밖에서 충분히 검증되지 않을 수 있습니다.
두 영역의 균형이 중요합니다.
8. 도슨티 GEO가 주목하는 것: 측정에서 실행, 다시 검증으로
AI 검색의 정보 공급망을 관리하려면 기업은 우선 자신이 어디에 등장하고 어디에서 빠져 있는지 알아야 합니다.
이를 위해서는 한두 번의 ChatGPT 질문만으로는 부족합니다.
구매 의도를 반영한 질문을 구성하고, 여러 AI 플랫폼에서 브랜드와 경쟁사가 어떻게 언급·인용·추천되는지 지속적으로 비교해야 합니다.
도슨티 GEO는 이러한 다중 AI 환경의 브랜드 가시성을 측정하고 경쟁사와 비교하는 출발점을 제공합니다.
하지만 중요한 것은 대시보드에서 수치를 확인하는 행위 자체가 아닙니다.
측정 결과를 바탕으로 다음과 같은 의사결정을 내릴 수 있어야 합니다.
-
어떤 고객 질문에서 브랜드가 빠져 있는가?
-
어느 AI 플랫폼에서 경쟁사가 더 많이 추천되는가?
-
어떤 정보가 부족하거나 부정확한가?
-
자사 콘텐츠를 개선해야 하는가, 외부에서 검증 가능한 근거를 확충해야 하는가?
-
개선 작업 이후 실제 언급과 추천이 변화했는가?
장기적으로 GEO 관리의 핵심은 이 질문들을 하나의 반복적인 업무 과정으로 연결하는 것입니다.
질문을 측정하고, 정보의 결핍을 진단하고, 콘텐츠와 출처를 개선한 뒤, 같은 조건에서 결과를 다시 확인하는 과정입니다.
다만 여기서 제시한 Citation Core Coverage와 Citation Supply Chain 분석은 GEO의 발전 방향에 관한 전략적 제안이며, 도슨티 GEO에 이미 모두 구현된 기능을 의미하지는 않습니다.
결론: AI 검색에서 중요한 것은 페이지의 순위만이 아니라 정보의 위치다
검색엔진 시대에는 기업이 검색 결과의 상위 페이지를 확보하는 것이 중요한 경쟁 목표였습니다.
생성형 AI 시대에도 검색 가능성과 콘텐츠 품질은 여전히 중요합니다.
그러나 이제 기업은 한 가지 질문을 추가해야 합니다.
“고객의 질문에 대한 답변이 만들어지는 동안, 우리 브랜드에 관한 정보는 어디에 존재하는가?”
브랜드 홈페이지일 수도 있습니다.
전문 매체의 제품 비교 기사일 수도 있습니다.
고객사의 실제 도입 사례일 수도 있습니다.
산업 데이터베이스나 공식 기술 문서일 수도 있습니다.
중요한 것은 단순한 노출량이 아닙니다.
AI가 고객의 질문에 답하는 데 필요한 순간, 정확하고 검증 가능한 브랜드 정보가 적절한 출처에 존재하는가입니다.
GEO의 미래 경쟁은 하나의 웹페이지를 인용시키는 기술에서 끝나지 않을 것입니다.
그보다 더 중요한 경쟁은 AI가 답변을 구성하는 정보 생태계에서 브랜드의 신뢰할 수 있는 근거를 지속적으로 구축하고 관리하는 능력에 있습니다.
이것이 우리가 Citation Supply Chain에 주목해야 하는 이유입니다.
주요 참고자료
-
Semrush, What Is Citation Core? A Guide to AI Search Visibility (2026)
-
Google Search Central, Optimizing Your Website for Generative AI Features
-
Zhang et al., From Citation Selection to Citation Absorption (2026)
다음 편 예고
AI가 하나의 질문을 여러 검색으로 나누어 답한다면, 브랜드는 어떤 검색 결과에 등장해야 할까요?
다음 편에서는 Google의 Query Fan-out 기술을 중심으로, 기존 키워드 중심 SEO 전략이 놓치고 있는 새로운 GEO 경쟁 영역을 분석합니다.
「AI가 10번 검색해서 답한다면, 우리는 어떤 10개의 검색에 등장해야 할까?」
도슨티 GEO와 함께 AI 검색에서 브랜드가 발견되고, 이해되고, 추천되는 과정을 살펴보세요.
