도슨티 GEO 인사이트 시리즈 ④ GEO에도 Share of Voice보다 중요한 지표가 생긴다: Citation Core Coverage
도슨티GEO도슨티 GEO 인사이트 시리즈 ④ GEO에도 Share of Voice보다 중요한 지표가 생긴다: Citation Core Coverage
AI 검색에서 우리 브랜드는 얼마나 자주 등장하는가? 이제는 어디에서 근거를 확보하고 있는지도 측정해야 한다
기업이 생성형 AI 검색 최적화(GEO)에 투자하기 시작하면서 새로운 마케팅 지표들이 등장했습니다.
AI Mention Rate, Citation Rate, Share of Model Voice, Recommendation Rate 등입니다.
이 지표들은 중요한 정보를 제공합니다.
ChatGPT가 우리 브랜드를 얼마나 자주 언급하는지, Gemini가 경쟁사를 얼마나 많이 추천하는지, Perplexity가 우리 회사의 웹사이트를 얼마나 자주 인용하는지 확인할 수 있습니다.
하지만 여기에는 한 가지 한계가 있습니다.
브랜드가 AI 답변에 얼마나 자주 등장하는지는 알 수 있어도, 그 결과를 뒷받침하는 정보 생태계에서 브랜드가 어느 정도의 근거를 확보하고 있는지는 충분히 설명하지 못한다는 것입니다.
예를 들어 두 기업의 AI 브랜드 언급률이 동일하게 30%라고 가정해 보겠습니다.
기업 A는 자사 홈페이지가 인용될 때 주로 등장합니다.
기업 B는 자사 홈페이지뿐 아니라 산업 전문 매체, 제품 비교 플랫폼, 고객 사례, 기술 문서 등 여러 정보원을 통해 반복적으로 발견됩니다.
두 기업의 AI Mention Rate는 같더라도 정보 기반의 구조는 다릅니다.
이 차이를 측정할 수는 없을까요?
2026년 11월 Semrush가 제안한 Citation Core 개념을 출발점으로, 이 글에서는 새로운 분석 지표인 Citation Core Coverage(CC Coverage)를 제안합니다.
이는 기존의 GEO 성과 지표를 대체하려는 것이 아닙니다.
AI 검색에서 브랜드가 발견되고 평가될 수 있는 정보 기반을 얼마나 확보하고 있는지 측정하는 보완 지표입니다.
1. Share of Voice는 무엇을 알려주고, 무엇을 알려주지 못하는가?
전통적인 마케팅에서 Share of Voice(SOV)는 시장 내 브랜드의 상대적인 존재감을 측정하는 지표입니다.
생성형 AI 검색에서도 이와 유사한 개념이 활용되고 있습니다.
2026년 Search Engine Land의 GEO 측정 가이드는 Share of Model Voice를 주요 측정 항목으로 소개합니다.
예를 들어 100개의 고객 질문에서 AI가 생성한 답변 중 우리 브랜드가 30번 등장했다면 단순 브랜드 응답 포함률은 30%입니다.
그러나 엄밀하게 말하면 응답 포함률과 상대적 Share of Voice는 구분해야 합니다. 전자는 전체 답변 중 브랜드가 나타난 비율이며, 후자는 정의된 경쟁 브랜드 집합의 전체 언급량에서 특정 브랜드가 차지하는 비중으로 설계할 수도 있습니다.
어느 방식을 사용하든 분모와 집계 규칙을 명확하게 정해야 합니다.
이러한 지표는 경쟁사보다 우리 브랜드가 더 많이 등장하는지 확인하는 데 유용합니다.
하지만 세 가지 질문에는 충분히 답하지 못합니다.
첫째, AI는 어떤 정보를 근거로 우리 브랜드를 언급했을까요?
둘째, 해당 정보는 우리 홈페이지에 집중되어 있을까요, 아니면 여러 독립적인 출처에 분포되어 있을까요?
셋째, 특정 출처가 AI 답변에서 사라지더라도 우리 브랜드에 관한 다른 근거가 남아 있을까요?
AI 답변에 등장한 횟수만으로는 이 질문들을 해결하기 어렵습니다.
그래서 결과 지표와 정보 기반 지표를 구분해야 합니다.
Share of Voice가 최종 답변에서의 브랜드 존재감을 측정한다면, Citation Core Coverage는 AI가 반복적으로 인용하는 정보 출처에서 브랜드의 근거가 얼마나 확보되어 있는지 측정합니다.
2. Citation Core Coverage란 무엇인가?
2026년 11월 Semrush는 What Is Citation Core? A Guide to AI Search Visibility에서 특정 산업이나 제품 범주의 질문에 대해 AI가 반복적으로 인용하는 핵심 도메인 집합을 Citation Core라고 설명했습니다.
Semrush가 제안한 방법은 고객 질문을 선정하고, 여러 AI 플랫폼에서 인용 출처를 수집한 뒤, 반복적으로 등장하는 도메인을 찾는 것입니다.
또한 주제 관련성, 인용 빈도, 경쟁사와의 격차, 실제 접근 가능성을 기준으로 정보원을 평가하도록 권고합니다.
이 개념을 브랜드 경쟁력 측정으로 확장해 보겠습니다.
Citation Core Coverage는 다음과 같이 정의할 수 있습니다.
특정 시장과 고객 질문 집합에서 AI가 반복적으로 인용하는 핵심 정보원 중, 해당 브랜드에 관한 검증 가능한 정보가 존재하는 정보원의 비율.
가장 단순한 계산식은 다음과 같습니다.
CC Coverage = 브랜드 관련 근거가 확인된 Citation Core 도메인 수 ÷ 전체 Citation Core 도메인 수 × 100
여기서 주의할 점이 있습니다.
브랜드 이름이 한 번 등장한다는 이유만으로 해당 도메인을 모두 '커버'했다고 판단해서는 안 됩니다.
브랜드에 관한 내용이 정확하며, 분석 대상 고객 질문과 실질적으로 관련되어야 합니다.
예를 들어 ERP 기업을 분석하면서 어떤 뉴스 사이트가 해당 기업의 사무실 이전 소식을 보도했다면, 그것만으로 건설 ERP 제품 추천과 관련된 근거가 충분히 확보됐다고 보기 어렵습니다.
반면 실제 구축 사례나 제품 기능을 구체적으로 설명하는 기사라면 관련 근거로 분류할 수 있습니다.
또한 브랜드에 대한 부정적인 평가도 분석에서 제외해서는 안 됩니다.
해당 출처에 브랜드 정보가 있다는 사실과 그것이 브랜드에 유리한 정보라는 사실은 서로 다르기 때문입니다.
따라서 CC Coverage는 브랜드에 관한 유리한 정보의 비율이 아니라, 관련 정보가 존재하는 범위를 측정하는 지표로 정의하는 것이 적절합니다.
3. 실제로 계산해 보자: 경쟁사는 67%, 우리 브랜드는 33%
한국의 중견 건설사를 대상으로 ERP를 공급하는 가상의 기업 A를 생각해 보겠습니다.
이 회사는 주요 구매 질문 100개를 선정하고 ChatGPT, Gemini, Perplexity 등의 AI 답변을 반복 측정했습니다.
분석 결과 해당 시장에서 반복적으로 인용되는 핵심 도메인 12개를 발견했다고 가정하겠습니다.
그리고 각 도메인에서 기업 A와 경쟁사 B에 관한 정보를 조사했습니다.
| Citation Core 정보원 | 기업 A | 경쟁사 B |
|---|---|---|
| 산업 전문 매체 1 | 있음 | 있음 |
| 산업 전문 매체 2 | 없음 | 있음 |
| 소프트웨어 비교 플랫폼 1 | 있음 | 있음 |
| 소프트웨어 비교 플랫폼 2 | 없음 | 있음 |
| 고객 사례 플랫폼 | 없음 | 있음 |
| 기술 전문 블로그 1 | 있음 | 있음 |
| 기술 전문 블로그 2 | 없음 | 있음 |
| 산업 협회 자료 | 없음 | 없음 |
| ERP 전문 커뮤니티 | 없음 | 있음 |
| ERP 비교 리포트 | 있음 | 없음 |
| 공공기관 자료 | 없음 | 없음 |
| 산업 뉴스 사이트 | 없음 | 없음 |
실제 조사 결과가 아닌 계산 설명용 가상 데이터입니다.
기업 A는 12개 중 4개 정보원에 관련 자료가 존재합니다.
기업 B는 8개 정보원에서 관련 자료가 확인됩니다.
계산하면 다음과 같습니다.
| 지표 | 기업 A | 경쟁사 B |
|---|---|---|
| 전체 Citation Core | 12개 | 12개 |
| 관련 근거 확보 | 4개 | 8개 |
| CC Coverage | 33.3% | 66.7% |
이 결과가 무엇을 의미할까요?
적어도 조사된 핵심 정보원에서 기업 A에 관한 정보가 경쟁사 B보다 제한적이라는 사실을 보여줍니다.
그러나 기업 B가 AI에서 두 배 더 추천될 것이라는 뜻은 아닙니다.
정보원마다 인용 빈도가 다르며, 브랜드 정보의 정확성과 실제 질문에 대한 관련성도 다르기 때문입니다.
CC Coverage는 AI 추천률을 직접 예측하는 수치가 아니라 정보 기반의 격차를 진단하는 지표입니다.
이것이 다음 단계에서 가중치가 필요한 이유입니다.
4. 모든 정보원이 같은 가치를 가질까? Weighted Citation Core Coverage
단순 CC Coverage는 각 도메인의 가치를 동일하게 취급합니다.
하지만 실제 AI 검색에서는 특정 도메인이 다른 도메인보다 훨씬 자주 인용될 수 있습니다.
2026년 10월 발표된 From Public Posts to AI-Search Citations 연구는 10개 AI 검색 플랫폼에서 17,211건의 인용을 분석했습니다.
플랫폼별 상위 20개 도메인이 전체 인용에서 차지하는 비중은 20.5~70.8%였습니다.
이는 인용이 모든 출처에 균등하게 분포하지 않음을 보여줍니다.
따라서 CC Coverage도 출처의 인용 빈도를 반영한 가중 지표로 확장할 수 있습니다.
Weighted CC Coverage = 브랜드 근거가 확보된 핵심 도메인의 가중치 합계 ÷ 전체 핵심 도메인의 가중치 합계 × 100
가중치를 설정하는 가장 단순한 방법은 각 도메인이 관련 프롬프트의 AI 답변에 등장한 빈도를 사용하는 것입니다.
예를 들어 다섯 개의 핵심 정보원이 다음과 같은 인용 비중을 가지고 있다고 가정하겠습니다.
| 정보원 | 인용 가중치 | 기업 A 근거 |
|---|---|---|
| 소프트웨어 비교 플랫폼 | 35% | 있음 |
| 산업 전문 매체 | 25% | 없음 |
| 기술 블로그 | 20% | 있음 |
| 커뮤니티 | 12% | 없음 |
| 산업 협회 | 8% | 없음 |
기업 A는 다섯 개 중 두 개의 정보원에서 관련 근거를 확보했습니다.
단순 CC Coverage는 40%입니다.
그러나 그 두 정보원의 가중치를 합산하면 55%입니다.
따라서 Weighted CC Coverage는 55%입니다.
이 차이는 중요합니다.
브랜드가 상대적으로 적은 수의 사이트에서만 소개되더라도 AI가 자주 참조하는 정보원에서 강한 존재감을 확보하고 있을 수 있기 때문입니다.
반대로 많은 사이트에 등장하더라도 인용 빈도가 낮은 정보원에 집중되어 있다면 가중 커버리지는 상대적으로 낮을 수 있습니다.
다만 인용 빈도가 곧 신뢰도나 정보 품질을 의미하는 것은 아닙니다.
또한 이 계산은 관찰된 인용 비중을 기준으로 하며, 브랜드 추천에 미치는 인과적 영향력을 측정하는 것은 아닙니다.
5. 가중치를 정하는 데 가장 중요한 원칙: 영향력과 실행 가능성을 혼동하지 말 것
여기서 한 가지 실무상 실수가 발생하기 쉽습니다.
인용 빈도뿐 아니라 정보원의 신뢰도, 관련성, 접근 가능성까지 하나의 종합 점수로 합산하는 것입니다.
그렇게 하면 지표의 의미가 불명확해질 수 있습니다.
예를 들어 영향력은 크지만 기업이 정보를 직접 수정할 수 없는 공공기관 자료가 있습니다.
반대로 기업이 직접 등록하고 수정할 수 있지만 AI 인용 빈도는 낮은 소프트웨어 비교 사이트도 있습니다.
전자는 측정상 중요할 수 있고, 후자는 실행상 우선순위가 높을 수 있습니다.
이 둘은 구분해야 합니다.
Semrush의 Citation Core 가이드 역시 주제 관련성, 인용 빈도, 경쟁사 격차, 접근 가능성을 각각 평가해 우선순위를 정하도록 권고합니다.
따라서 기업은 두 가지 분석 체계를 별도로 운영하는 것이 좋습니다.
첫째, Measurement Score입니다.
시장에서 브랜드의 정보 기반이 얼마나 확보되어 있는지 측정합니다.
둘째, Action Priority입니다.
어떤 정보원을 먼저 개선할 것인지 결정합니다.
Action Priority에서는 경쟁사 격차, 출처의 주제 관련성, 콘텐츠 개선 가능성, 예상 비용, 정보의 검증 가능성 등을 고려할 수 있습니다.
중요한 정보원이라고 해서 반드시 먼저 실행할 수 있는 것은 아닙니다.
반대로 쉽게 접근할 수 있다는 이유만으로 중요한 정보원이라고 판단해서도 안 됩니다.
측정과 의사결정을 분리하는 것이 GEO 지표의 신뢰성을 높이는 방법입니다.
6. 플랫폼별 CC Coverage: ChatGPT에서 강한 브랜드가 Gemini에서도 강할까?
여기서 더 중요한 문제가 등장합니다.
ChatGPT와 Gemini, Perplexity가 동일한 정보원을 인용하지 않는다는 사실입니다.
2026년 10월 28일 Axios가 보도한 Muck Rack·Generative Pulse 연구는 이 문제를 구체적으로 보여줍니다.
연구진은 1,020개의 질문을 ChatGPT, Claude, Gemini, Perplexity에서 조사했습니다.
인용 출처의 유형과 비중은 플랫폼마다 달랐습니다.
-
ChatGPT에서는 정부·비영리기관 자료가 34.6%를 차지했습니다.
-
Gemini에서는 기업이 운영하는 콘텐츠가 34.4%로 가장 큰 비중을 보였습니다.
-
Perplexity에서는 언론 콘텐츠가 27.8%로 가장 많이 인용됐습니다.
-
Claude에서는 제3자 기업 콘텐츠가 23.5%로 주요 출처 유형이었습니다.
이 수치는 해당 연구의 질문 집합과 모델 버전에 관한 결과이며, 모든 산업이나 한국 시장에 그대로 적용할 수는 없습니다.
그럼에도 중요한 시사점이 있습니다.
AI 플랫폼마다 자주 활용하는 정보원 구성이 다를 수 있다는 것입니다.
따라서 CC Coverage를 하나의 통합 점수로만 관리하는 것은 위험합니다.
기업은 플랫폼별 Citation Core를 구분해 측정할 필요가 있습니다.
예를 들어 다음과 같은 결과가 나올 수 있습니다.
| AI 플랫폼 | 핵심 도메인 수 | 관련 근거 확보 | CC Coverage |
|---|---|---|---|
| ChatGPT | 15개 | 9개 | 60% |
| Gemini | 12개 | 4개 | 33.3% |
| Perplexity | 18개 | 7개 | 38.9% |
가상의 분석 사례입니다.
이 기업은 ChatGPT에서 상대적으로 높은 커버리지를 확보했지만 Gemini와 Perplexity에서는 부족한 상태일 수 있습니다.
그렇다면 세 플랫폼의 결과를 단순 평균해 44.1%라는 하나의 숫자만 보여주는 것은 중요한 차이를 숨길 수 있습니다.
보다 유용한 접근은 플랫폼별 결과를 각각 제시하고, 필요한 경우 시장과 비즈니스 목적에 따라 명시적인 가중치를 적용하는 것입니다.
예를 들어 특정 업종에서 ChatGPT가 주요 고객의 AI 이용 경로라고 확인됐다면, 해당 플랫폼에 더 높은 분석 비중을 줄 수 있습니다.
그러나 그 가중치는 실제 고객 조사나 유입 데이터를 근거로 설정해야 합니다.
마케터의 직관만으로 임의의 가중치를 부여하면 종합 점수는 오히려 판단을 왜곡할 수 있습니다.
7. 더 중요한 문제: AI 인용 결과는 얼마나 안정적인가?
CC Coverage를 제대로 활용하려면 반드시 해결해야 할 문제가 있습니다.
AI 검색 결과는 매번 동일하지 않다는 점입니다.
앞서 소개한 Muck Rack·Generative Pulse 연구에서는 ChatGPT에 동일한 질문을 같은 날 두 차례 입력했을 때 인용 도메인의 중복률이 41%에 불과했습니다.
이는 단 한 번의 답변에서 특정 도메인이 등장하지 않았다는 이유만으로 AI가 해당 사이트를 더 이상 사용하지 않는다고 판단해서는 안 된다는 의미입니다.
따라서 Citation Core를 선정할 때도 반복 관찰이 필요합니다.
가령 특정 도메인이 100개의 질문 중 5개에서 한 번씩 등장했다고 합시다.
다른 도메인은 100개의 질문 중 20개에서 여러 측정 회차에 걸쳐 반복적으로 등장했습니다.
두 정보원을 동일한 수준의 Citation Core로 취급하는 것은 적절하지 않을 수 있습니다.
이를 보완하기 위해 다음과 같은 분석 체계를 제안합니다.
첫째, Citation Frequency를 측정합니다.
해당 도메인이 얼마나 자주 인용되는지 확인합니다.
둘째, Prompt Breadth를 측정합니다.
소수의 특정 질문에서만 등장하는지, 다양한 고객 질문에서 등장하는지 구분합니다.
셋째, Temporal Stability를 측정합니다.
여러 날짜와 측정 회차에 걸쳐 꾸준히 등장하는지 확인합니다.
넷째, Cross-Platform Presence를 측정합니다.
하나의 AI 플랫폼에서만 인용되는지, 여러 플랫폼에서 반복적으로 등장하는지 살펴봅니다.
이 네 항목을 결합하면 단순 인용 횟수보다 훨씬 풍부하게 정보원의 역할을 이해할 수 있습니다.
다만 이를 다시 하나의 점수로 무리하게 합산할 필요는 없습니다.
각 항목을 별도로 제시하는 편이 분석 결과를 투명하게 해석하는 데 유용할 수 있습니다.
8. Citation Core는 계속 바뀐다: 그래서 시계열 분석이 필요하다
Citation Core는 영구적으로 고정된 정보원 목록이 아닙니다.
AI 모델이 업데이트되고, 검색 시스템이 바뀌고, 새로운 정보원이 등장하면 특정 산업에서 자주 인용되는 도메인도 달라질 수 있습니다.
이는 CC Coverage의 시계열 측정에서 중요한 문제를 만듭니다.
예를 들어 9월에 확인한 Citation Core 12개 중 브랜드가 4개에 등장했다고 가정하겠습니다.
CC Coverage는 33.3%입니다.
10월에는 15개 핵심 도메인 중 6개에서 브랜드가 등장했습니다.
CC Coverage는 40%입니다.
수치만 보면 6.7%포인트 개선됐습니다.
하지만 두 달의 분모가 다릅니다.
9월에 없던 정보원이 새롭게 핵심 출처가 됐을 수도 있습니다.
또는 기존에 인용되던 정보원이 더 이상 중요하지 않게 됐을 수도 있습니다.
이런 상태에서 커버리지 증가를 모두 기업의 GEO 개선 성과로 해석할 수는 없습니다.
따라서 두 가지 시계열을 병행하는 것이 좋습니다.
Fixed-Core Coverage
기준 시점에 선정한 핵심 도메인 집합을 고정하고, 그 집합에서 브랜드 근거가 어떻게 변화하는지 추적합니다.
이는 동일한 분모를 사용하므로 개선 작업의 진행 상황을 비교하는 데 유용합니다.
Rolling-Core Coverage
최신 AI 검색 결과를 반영해 Citation Core 자체를 주기적으로 갱신합니다.
이는 시장의 정보 구조가 어떻게 바뀌는지 이해하는 데 유용합니다.
두 지표를 함께 보면 중요한 차이를 발견할 수 있습니다.
Fixed-Core Coverage는 증가하지만 Rolling-Core Coverage는 감소할 수 있습니다.
이는 기존 핵심 출처에서 브랜드의 근거를 확충하는 데는 성공했지만, 새롭게 등장한 주요 정보원에는 아직 대응하지 못하고 있다는 신호일 수 있습니다.
반대로 Rolling-Core Coverage가 높아졌더라도 기존 정보원에서의 실제 개선이 없었다면 점수 상승의 원인을 다시 조사해야 합니다.
이처럼 지표의 변화를 해석하려면 브랜드 정보의 변화와 정보원 집합의 변화를 구분해야 합니다.
9. 하나의 점수보다 중요한 것: 경쟁사와의 Citation Core Gap
CC Coverage가 가장 유용한 순간은 경쟁사와 비교할 때입니다.
예를 들어 기업 A의 Weighted CC Coverage가 35%이고 경쟁사 B는 65%라고 가정하겠습니다.
단순히 30%포인트의 차이가 있다는 사실만으로는 충분하지 않습니다.
어떤 정보원에서 차이가 발생했는지 알아야 합니다.
이를 위해 Citation Core Gap을 세 가지로 나눌 수 있습니다.
첫째, Missing Presence
경쟁사 B는 등장하지만 기업 A는 등장하지 않는 핵심 정보원입니다.
제품 등록이 누락됐거나, 소개 자료가 부족하거나, 관련 콘텐츠가 아직 제작되지 않았을 수 있습니다.
둘째, Weak Evidence
두 기업 모두 등장하지만 경쟁사에 관한 정보가 더 구체적이고 풍부한 영역입니다.
예를 들어 경쟁사 B의 고객 사례에는 실제 구현 기능과 적용 결과가 자세히 설명돼 있지만 기업 A의 자료에는 추상적인 제품 홍보 문구만 있을 수 있습니다.
셋째, Misrepresented Evidence
기업 A에 관한 정보는 존재하지만 오래됐거나 부정확한 영역입니다.
제품 기능, 서비스 범위, 가격, 지원 조건 등이 현재 제공하는 내용과 다르게 설명될 수 있습니다.
여기서 중요한 것은 세 유형마다 해결 방법이 다르다는 사실입니다.
Missing Presence는 새로운 근거의 확보가 필요할 수 있습니다.
Weak Evidence는 기존 자료의 보강이 우선일 수 있습니다.
Misrepresented Evidence는 새로운 콘텐츠 생산보다 정보 수정과 정정 요청이 중요할 수 있습니다.
이렇게 분석하면 Citation Core Coverage는 단순한 점수를 넘어 구체적인 업무 과제를 만드는 도구가 됩니다.
10. 2026년 GEO 측정의 가장 큰 함정: 높은 커버리지가 높은 추천률을 보장하지는 않는다
여기서 반드시 경계해야 할 주장이 있습니다.
“Citation Core Coverage가 높으면 AI가 브랜드를 더 많이 추천한다.”
충분히 그럴듯하게 들립니다.
그러나 현재 연구만으로 이러한 인과관계를 일반적인 법칙으로 확정할 수는 없습니다.
2026년 10월 발표된 What Drives AI Citations? Content, Retrieval and Model Knowledge in GEO는 158,099개 AI 답변과 468,037개 인용을 분석했습니다.
이 연구는 검색 과정에서 어떤 페이지가 회수되는지가 인용에 중요한 역할을 하며, 모델이 기존에 보유한 브랜드 지식 역시 검색과 답변에 영향을 미칠 수 있음을 보여줍니다.
이는 AI 인용과 추천이 단순히 외부 출처의 수로 결정되지 않는다는 의미입니다.
제품 자체의 적합성도 중요합니다.
사용자가 요구하는 기능이 없는 제품이라면 아무리 많은 정보원에서 소개되더라도 추천되지 않는 것이 정상일 수 있습니다.
또한 특정 출처에 브랜드 정보가 존재한다고 해서 AI가 그 정보를 반드시 검색하거나 최종 답변에 반영하는 것도 아닙니다.
따라서 CC Coverage와 Recommendation Rate는 별도로 측정해야 합니다.
그리고 두 지표의 관계를 실제 데이터로 검증해야 합니다.
예를 들어 CC Coverage가 높은 브랜드일수록 추천률도 높은지 관찰할 수 있습니다.
하지만 상관관계가 발견되더라도 그것이 반드시 인과관계를 의미하지는 않습니다.
이미 시장에서 인지도가 높은 브랜드가 외부 정보도 많이 확보하고, AI 추천도 많이 받을 수 있기 때문입니다.
가장 유용한 분석은 정보원 개선 이전과 이후를 비교하는 동시에 비슷한 조건의 다른 질문이나 브랜드를 대조군으로 활용하는 것입니다.
이런 방식으로 검증할 때 비로소 CC Coverage가 실무적으로 얼마나 유용한 선행 지표인지 평가할 수 있습니다.
11. 도슨티 GEO가 제안할 수 있는 새로운 측정 체계
이제 이러한 논의를 도슨티 GEO의 관점에서 정리해 보겠습니다.
도슨티 GEO는 여러 생성형 AI 플랫폼에서 브랜드의 언급, 인용, 추천 현황을 측정하고 경쟁사와 비교하는 접근을 제공합니다.
여기서 핵심적인 발전 방향은 기존 성과 지표와 새로운 정보 기반 지표를 연결하는 것입니다.
이를 세 가지 층위로 나누어 볼 수 있습니다.
Layer 1. AI Answer Visibility
AI의 최종 답변에서 브랜드가 어떻게 등장하는지 측정합니다.
대표적인 지표는 Mention Rate, Citation Rate, Recommendation Rate, 경쟁사 대비 Share of Voice 등입니다.
이는 브랜드가 현재 AI 검색에서 어느 정도의 존재감을 확보하고 있는지 보여줍니다.
Layer 2. Citation Infrastructure
AI가 반복적으로 인용하는 핵심 출처에서 브랜드가 얼마나 풍부하고 정확한 정보를 확보했는지 분석합니다.
여기서 Citation Core Coverage, Weighted CC Coverage, 경쟁사 Evidence Gap, 플랫폼별 Citation Core 차이 등을 활용할 수 있습니다.
이는 브랜드가 AI 답변에 활용될 수 있는 정보 기반을 얼마나 확보하고 있는지 보여줍니다.
Layer 3. Business Outcomes
AI 검색 가시성의 변화가 실제 비즈니스 성과와 어떻게 연결되는지 살펴봅니다.
AI 서비스에서 유입된 방문자, 브랜드 검색량, 문의, 상담, 구매, 매출 등의 변화를 분석할 수 있습니다.
다만 모든 AI 노출이 추적 가능한 웹사이트 방문을 발생시키는 것은 아닙니다.
따라서 AI 검색이 사업 성과에 기여한 정도를 추정할 때는 측정 가능한 데이터의 한계를 명시해야 합니다.
이 세 계층은 서로 연결되어 있지만 동일한 지표로 환산할 필요는 없습니다.
오히려 각 층위의 차이를 살펴보는 것이 중요합니다.
예를 들어 Citation Core Coverage는 개선되고 있는데 Recommendation Rate가 그대로라면 브랜드의 제품 적합성, 정보의 내용, 경쟁사의 변화 등을 검토해야 합니다.
Recommendation Rate는 증가하는데 방문이나 문의가 늘지 않는다면 브랜드 추천이 실제 구매 여정에서 어떤 역할을 하는지 조사해야 합니다.
이러한 분석이 가능할 때 GEO 측정은 단순한 순위표를 넘어 전략적 의사결정 도구로 발전할 수 있습니다.
현재 도슨티 GEO의 다중 AI 측정·경쟁사 비교 기능은 이 분석 체계의 출발점으로 활용할 수 있습니다.
다만 Citation Core Coverage 자동 계산, 도메인별 가중치, 정보원별 근거 품질 평가, 시계열 핵심 출처 추적 등은 이 글에서 제안하는 발전 방향이며 이미 상용화된 기능이라는 의미는 아닙니다.
12. 실제 마케팅팀이라면 어디에서 시작해야 할까?
Citation Core Coverage를 처음 도입하는 기업이라면 지나치게 복잡한 분석 체계를 만들 필요는 없습니다.
처음에는 핵심 고객 질문 50~100개를 구성하는 것부터 시작할 수 있습니다.
질문은 제품 이해, 경쟁사 비교, 기능 검토, 비용, 도입 결정 등 서로 다른 고객 의도를 포함하도록 설계합니다.
이후 여러 AI 플랫폼에서 반복 측정해 자주 인용되는 도메인을 수집합니다.
도메인별 인용 빈도와 질문의 범위를 확인하고, 반복적으로 등장하는 핵심 정보원 집합을 선정합니다.
그다음 각 정보원에서 자사 브랜드와 경쟁사에 관한 근거가 존재하는지 조사합니다.
여기서 단순 CC Coverage와 Weighted CC Coverage를 계산할 수 있습니다.
마지막으로 경쟁사와의 차이가 큰 정보원부터 내용을 살펴보고 실제로 개선할 수 있는 과제를 정리합니다.
중요한 것은 모든 측정 조건을 기록하는 것입니다.
질문의 구성, 플랫폼, 측정 기간, 반복 횟수, 도메인 분류 규칙, 관련 근거의 판정 기준이 달라지면 결과를 직접 비교하기 어려워집니다.
또한 Citation Core에서 자사 또는 경쟁사가 직접 운영하는 사이트는 독립적인 제3자 정보원과 구분하는 것이 좋습니다.
자사 홈페이지에서의 정보 확보와 외부 정보원에서의 브랜드 검증은 전략적으로 다른 의미를 갖기 때문입니다.
이러한 기본 원칙만 지켜도 기업은 단순히 ‘AI가 우리 브랜드를 언급하는가’라는 질문을 넘어, 브랜드의 정보 기반을 지속적으로 개선할 수 있는 분석 체계를 갖추기 시작할 수 있습니다.
결론. Share of Voice가 결과를 보여준다면, Citation Core Coverage는 정보 기반의 격차를 보여준다
생성형 AI 검색에서 브랜드가 얼마나 자주 등장하는지 측정하는 일은 여전히 중요합니다.
하지만 언급률과 추천률만으로는 브랜드가 왜 등장하거나 등장하지 않는지 충분히 설명하기 어렵습니다.
AI가 참조하는 정보원은 산업과 플랫폼마다 다르며, 시간이 지나면서 변화합니다.
그 정보원에서 우리 브랜드가 얼마나 정확하고 풍부하게 설명되는지도 서로 다릅니다.
따라서 기업에는 새로운 분석 질문이 필요합니다.
“AI가 우리 브랜드를 얼마나 자주 추천하는가?”
그리고 그다음 질문입니다.
“AI가 반복적으로 참조하는 핵심 정보원 중, 우리 브랜드에 관한 충분한 근거를 제공하는 곳은 얼마나 되는가?”
Citation Core Coverage는 바로 이 두 번째 질문에 답하기 위한 지표입니다.
아직 검증이 필요한 새로운 분석 프레임워크이지만, GEO 측정을 한 단계 발전시킬 가능성이 있습니다.
Share of Voice는 최종 답변에서의 존재감을 보여줍니다.
Citation Core Coverage는 그 존재감을 뒷받침할 수 있는 정보 기반을 보여줍니다.
Evidence Gap은 어떤 정보가 부족한지 알려줍니다.
그리고 Recommendation Rate와 실제 비즈니스 데이터를 함께 추적하면 이러한 정보 기반의 변화가 고객의 선택과 어떤 관계를 갖는지 확인할 수 있습니다.
GEO의 발전 방향은 단일 점수를 더욱 정교하게 만드는 데 있지 않습니다.
서로 다른 지표가 무엇을 설명하고 무엇을 설명하지 못하는지 이해하는 데 있습니다.
AI 검색에서 중요한 것은 브랜드가 몇 번 언급됐는지뿐만이 아닙니다.
그 브랜드가 고객에게 추천될 만한 근거를 얼마나 충실하게 갖추고 있는지도 중요합니다.
이제 그 정보 기반을 측정할 방법을 고민해야 할 때입니다.
주요 참고자료
-
Semrush, What Is Citation Core? A Guide to AI Search Visibility (2026)
-
Axios, GEO Starts with the Question, Not the Answer (2026.10.28)
-
From Public Posts to AI-Search Citations: Measuring the Fragility of AI Search (2026)
-
Chen & Koudas, What Drives AI Citations? Content, Retrieval and Model Knowledge in GEO (2026)
-
Optimizing Visibility in Generative Engines: A Critical Survey of GEO, 2023–2026
다음 편 예고
AI가 반복적으로 참조하는 정보원을 발견하고, 그곳에서 우리 브랜드가 어느 정도의 근거를 확보했는지 측정했다면 다음 질문이 남습니다.
“그 근거는 어디에서 만들어지고, 어떻게 연결되고, 누가 관리해야 할까?”
다음 편에서는 기업 홈페이지와 외부 언론, 전문 커뮤니티, 비교 플랫폼을 하나의 정보 생태계로 바라보는 새로운 GEO 전략을 제안합니다.
「홈페이지 GEO만으로 부족한 이유: Owned–Earned–Platform Evidence Map」
도슨티 GEO와 함께 AI가 브랜드를 발견하고, 이해하고, 비교하고, 추천하는 과정을 측정하고 분석해 보세요.
