도슨티 GEO 인사이트 시리즈 ⑦ GEO는 ‘글쓰기’가 아니라 Information Architecture 경쟁이다
도슨티GEO도슨티 GEO 인사이트 시리즈 ⑦ GEO는 ‘글쓰기’가 아니라 Information Architecture 경쟁이다
AI가 읽고 인용하는 웹사이트는 무엇이 다른가? Google의 2026년 공식 가이드와 최신 연구가 보여주는 GEO의 본질
생성형 AI 검색 최적화(GEO)에 관심을 갖기 시작한 기업들이 가장 먼저 하는 일은 대개 비슷합니다.
기존 블로그에 FAQ를 추가합니다. 홈페이지에 구조화 데이터를 적용합니다. AI가 이해하기 좋은 문장을 작성하고, 검색어마다 새로운 콘텐츠를 발행합니다.
일부 기업은 llms.txt 파일을 만들거나, AI 검색에 적합하다는 특별한 콘텐츠 형식을 적용하기도 합니다.
그러나 여기서 더 근본적인 질문을 던질 필요가 있습니다.
AI가 우리 홈페이지를 정상적으로 발견할 수 있을까요?
제품의 기능과 적용 조건을 구분할 수 있을까요?
서로 다른 페이지에 흩어진 정보를 연결할 수 있을까요?
그리고 무엇보다 고객이 실제로 묻는 질문에 답할 충분한 근거를 찾을 수 있을까요?
2026년 GEO 시장에서 이러한 질문이 중요해지고 있습니다.
Google은 공식 생성형 AI 검색 최적화 가이드에서 새로운 AI 전용 최적화 기법보다 기존 SEO의 기술적 기반과 독창적이고 유용한 콘텐츠를 강조합니다.
한편 최근 학술 연구에서는 AI의 인용 여부가 웹페이지의 몇몇 형식적 요소보다 검색 과정에서 해당 페이지가 발견되는지에 더 크게 영향을 받는다는 결과도 제시됐습니다.
이러한 변화는 GEO를 단순한 콘텐츠 작성법으로 이해하는 접근에 한계가 있음을 보여줍니다.
앞으로 기업이 관리해야 할 것은 개별 콘텐츠의 문장뿐 아니라, 기업에 관한 정보가 생성되고 구조화되고 연결되고 갱신되는 전체 시스템입니다.
이를 이해하는 핵심 개념이 Information Architecture, 즉 정보 아키텍처입니다.
1. Google의 2026년 공식 가이드: GEO의 지름길은 없다는 메시지
2026년 Google Search Central은 생성형 AI 검색 최적화 공식 가이드를 공개했습니다.
이 문서는 AI Overviews와 AI Mode 등 Google의 생성형 AI 검색 기능에서 웹사이트의 가시성을 높이려는 기업을 위해 작성됐습니다.
특히 주목할 것은 Google이 강조한 내용과 강조하지 않은 내용입니다.
Google은 별도의 특별한 GEO 기술이나 마법 같은 최적화 방법을 제시하지 않았습니다.
대신 기존 SEO의 핵심 원칙이 생성형 AI 검색에서도 여전히 중요하다고 설명합니다.
사용자에게 가치 있는 독창적인 콘텐츠를 제공하고, 검색엔진이 웹페이지를 정상적으로 발견하고 색인할 수 있도록 하며, 이해하기 쉬운 정보 구조를 갖춰야 한다는 것입니다.
더 흥미로운 것은 Google이 경계하는 접근입니다.
Google은 생성형 AI 검색을 위해 특별한 스키마를 추가할 필요가 없다고 설명합니다.
또한 llms.txt와 같은 불필요한 AI 전용 텍스트 파일, 과도한 콘텐츠 분할, 인위적인 브랜드 언급 확보에 집중하기보다 실질적인 SEO와 콘텐츠 품질에 투자하라고 권고합니다.
사용자가 검색할 수 있는 모든 표현이나 Query Fan-out 검색어에 대응하기 위해 유사한 콘텐츠를 대량으로 제작하는 방식 역시 경계합니다.
이러한 방식이 검색 순위나 AI 답변을 조작하기 위한 목적으로 사용된다면 Google의 스팸 정책을 위반할 수 있습니다.
여기서 중요한 구분이 필요합니다.
Google이 말하는 것은 Google 검색의 생성형 AI 기능에 관한 공식 가이드입니다. 이 원칙을 ChatGPT, Claude, Perplexity 등 모든 AI 플랫폼의 내부 작동 방식에 그대로 적용할 수는 없습니다.
그러나 적어도 한 가지는 명확합니다.
GEO를 수행한다는 이유만으로 기존 검색 기술의 기본 원칙을 무시하거나, 검증되지 않은 AI 전용 기법을 우선할 근거는 부족합니다.
AI 검색이 발전할수록 오히려 제대로 설계된 정보 구조의 가치가 커질 수 있습니다.
2. 웹사이트가 아름다워도 AI에게는 정보가 부족할 수 있다
2026년 11월 5일, 리스닝마인드는 「AI 검색 최적화, AI가 읽고 인용하는 웹사이트의 조건」을 발표했습니다.
엘리펀트컴퍼니 김예지 대표가 GEO Roadmap 2026에서 소개한 실제 웹사이트 개편 사례를 정리한 내용입니다.
이 글에서 특히 중요한 세 가지 사례가 등장합니다.
첫 번째는 SK브로드밴드입니다.
기존 웹사이트의 상세 페이지 상당 부분이 통이미지 형태로 제작돼 있었고, 이를 검색엔진이 처리할 수 있는 텍스트 기반 구조로 전환했습니다.
두 번째는 리틀리입니다.
기존의 원페이지 웹사이트를 고객이 필요로 하는 기능과 활용 사례 중심으로 다시 설계했습니다.
기능 관련 8개 페이지와 활용 사례 관련 9개 페이지를 구성하고, 고객의 실제 상황을 기준으로 콘텐츠를 조직했습니다.
세 번째는 머신비전 AI 기반 제조 솔루션 기업입니다.
기존의 제한적인 페이지 구조를 솔루션, 활용 사례, 리소스로 나누고, 고객의 업종과 직무에 맞춰 사례를 다시 작성했습니다.
예를 들어 이차전지 산업에서는 공정의 미세한 오차를 줄이는 문제가 중요하고, 식음료 산업에서는 이물질과 포장 불량이 중요한 문제입니다.
같은 기술이라도 고객의 업종에 따라 설명해야 할 가치가 달라진다는 것입니다.
이 사례들을 단순히 '페이지 수를 늘려 AI 노출이 증가했다'는 성공 공식으로 받아들여서는 안 됩니다.
공개된 사례만으로 각 개편 요소의 독립적인 인과효과를 확인할 수는 없기 때문입니다.
더 중요한 공통점은 따로 있습니다.
세 기업 모두 기존 정보를 단순히 다시 작성하는 데 그치지 않았습니다.
고객의 질문과 검색 시스템의 정보 처리 방식을 고려해 웹사이트의 구조를 다시 설계했습니다.
이것이 콘텐츠 작성과 정보 아키텍처의 차이입니다.
3. Information Architecture란 무엇인가?
Information Architecture(IA)는 사용자가 필요한 정보를 발견하고 이해할 수 있도록 정보의 분류, 구조, 탐색 체계, 관계를 설계하는 분야입니다.
웹사이트에서는 메뉴 구성, 페이지 구조, 콘텐츠 계층, URL, 내부 링크, 메타데이터 등으로 구현됩니다.
그러나 GEO 관점에서 정보 아키텍처는 단순한 사이트맵 설계보다 넓게 이해할 필요가 있습니다.
고객의 질문에 답하기 위한 정보가 어디에 존재하며, 서로 어떻게 연결되고, 얼마나 신뢰할 수 있고, 최신 상태로 관리되는지까지 포함하기 때문입니다.
예를 들어 어떤 B2B 소프트웨어 회사의 홈페이지가 다음과 같이 구성되어 있다고 생각해 보겠습니다.
회사 소개
솔루션 소개
서비스
뉴스
문의하기
겉으로 보기에는 무난한 웹사이트입니다.
하지만 고객이 구체적인 질문을 던지면 문제가 드러날 수 있습니다.
어떤 산업에 적합한가?
기존 ERP와 연동할 수 있는가?
온프레미스 환경에서도 사용할 수 있는가?
도입 사례는 무엇인가?
보안과 데이터 관리 정책은 어떻게 되는가?
현재 사이트의 여러 페이지에 이러한 정보가 단편적으로 흩어져 있거나 아예 공개되지 않았을 수 있습니다.
그렇다면 새로운 블로그 글을 추가하는 것이 반드시 가장 효과적인 개선 방법은 아닙니다.
사이트 자체의 정보 구조를 재설계해야 할 수 있습니다.
예를 들어 다음과 같은 구조입니다.
| 정보 영역 | 주요 페이지 | 고객이 해결하려는 질문 |
|---|---|---|
| Solutions | 제품·솔루션별 페이지 | 무엇을 제공하는가? |
| Industries | 산업별 적용 페이지 | 우리 업종에 적합한가? |
| Use Cases | 업무 문제별 활용 사례 | 어떤 문제를 해결하는가? |
| Integrations | API·연동 문서 | 기존 시스템과 연결되는가? |
| Customers | 구축·활용 사례 | 실제 사용한 기업이 있는가? |
| Resources | 가이드·연구·비교 자료 | 어떤 기준으로 평가해야 하는가? |
| Trust | 보안·인증·운영 정책 | 신뢰하고 도입할 수 있는가? |
이 구조가 모든 기업에 적합한 정답은 아닙니다.
그러나 중요한 원칙을 보여줍니다.
회사 내부의 조직도나 제품명만을 기준으로 정보를 분류해서는 고객이 필요한 답을 발견하기 어려울 수 있습니다.
고객이 해결하려는 문제를 기준으로 정보가 구성되어야 합니다.
4. GEO의 첫 번째 병목: AI가 페이지를 발견할 수 있는가?
정보 아키텍처의 첫 번째 단계는 발견 가능성입니다.
아무리 훌륭한 콘텐츠를 작성해도 검색 시스템이 해당 페이지에 접근하지 못한다면 검색 기반 답변에서 활용될 기회가 제한됩니다.
Google은 공식 문서에서 AI Overviews나 AI Mode의 지원 링크로 표시되려면 해당 페이지가 Google 검색에 색인되어 있고, 스니펫 표시 자격도 갖춰야 한다고 설명합니다.
따라서 사이트의 기술적 기반을 점검해야 합니다.
먼저 robots.txt가 중요한 경로의 크롤링을 차단하고 있지 않은지 확인해야 합니다.
페이지가 실수로 noindex 처리되어 있지 않은지도 살펴봐야 합니다.
사이트맵에 주요 콘텐츠가 포함되어 있는지, 내부 링크를 통해 발견할 수 있는지, 중복 URL과 canonical 설정에 문제가 없는지도 확인해야 합니다.
JavaScript로 콘텐츠를 생성하는 웹사이트에서는 특히 주의가 필요합니다.
사용자의 브라우저에서는 정상적으로 보이더라도 일부 크롤러가 동일한 콘텐츠를 제대로 처리하지 못할 수 있기 때문입니다.
Google은 JavaScript를 렌더링할 수 있지만 모든 AI 검색 서비스가 동일한 기술적 처리 능력을 갖고 있다고 가정해서는 안 됩니다.
따라서 핵심적인 제품 설명과 기술 정보는 가능하면 접근 가능한 HTML 텍스트로 제공하고, 렌더링 결과를 실제로 검증하는 편이 안전합니다.
다만 기술적 접근성을 확보했다고 해서 검색엔진의 색인이나 AI의 인용이 보장되는 것은 아닙니다.
이는 필요한 기반 조건이지 충분조건이 아닙니다.
5. 두 번째 병목: 발견한 페이지에서 필요한 근거를 찾을 수 있는가?
검색 시스템이 웹페이지에 접근할 수 있다는 사실과 해당 페이지가 고객의 질문에 유용한 정보를 제공한다는 사실은 다릅니다.
예를 들어 제조업 AI 솔루션의 홈페이지가 다음과 같이 설명한다고 생각해 보겠습니다.
“혁신적인 AI 기술을 통해 제조업의 디지털 전환을 지원합니다.”
문장 자체는 자연스럽습니다.
그러나 구매를 검토하는 고객에게는 구체적인 정보가 부족합니다.
어떤 제조 공정에 적용되는가?
불량 검출을 지원하는가?
기존 생산 설비와 연동되는가?
적용 가능한 데이터 유형은 무엇인가?
실제 운영 환경에서 어떤 제약이 존재하는가?
이러한 질문에 답할 수 있어야 제품의 적합성을 판단할 수 있습니다.
여기서 중요한 것은 AI가 좋아하는 문장 형식이 아닙니다.
고객의 질문과 콘텐츠의 의미가 얼마나 잘 연결되는가입니다.
2026년 10월 발표된 「What Drives AI Citations? Content, Retrieval and Model Knowledge in GEO」는 이를 뒷받침하는 중요한 연구입니다.
연구진 Mahe Chen과 Nick Koudas는 158,099개의 AI 답변과 468,037개의 인용을 분석했습니다.
연구에 따르면 동일한 웹사이트 내 페이지들을 비교했을 때, 질문의 의미와 잘 맞는 제목 및 본문 내용을 갖춘 페이지가 더 자주 인용되는 경향이 있었습니다.
반면 FAQ 블록, 구조화 데이터, 요약 박스, 페이지 속도 등의 속성은 사이트 간 비교에서 관찰된 차이가 동일 사이트 내 페이지 비교에서는 일관되게 유지되지 않았습니다.
이 결과는 마케터에게 중요한 경고입니다.
AI 검색에서 성공한 사이트들이 공통적으로 사용하는 형식을 발견했다고 해서, 그 형식 자체가 인용 증가의 원인이라고 단정해서는 안 됩니다.
해당 사이트가 원래 높은 인지도를 보유하고 있거나, 검색 시스템에서 자주 발견되는 등 다른 요인이 작용했을 수 있기 때문입니다.
GEO의 콘텐츠 전략은 문서의 외형보다 실제 질문에 대한 답변 능력을 중심으로 설계해야 합니다.
6. 세 번째 병목: 구조화 데이터는 무엇을 해결하고 무엇을 해결하지 못하는가?
GEO 업계에서는 Schema.org 기반 구조화 데이터가 자주 강조됩니다.
Organization, Product, Article, LocalBusiness, FAQPage 같은 구조화 데이터는 검색 시스템이 페이지의 특정 정보를 이해하는 데 도움을 줄 수 있습니다.
그러나 구조화 데이터의 역할을 정확히 구분해야 합니다.
구조화 데이터는 웹페이지에 실제로 존재하는 정보를 기계가 해석할 수 있는 형식으로 명시하는 방법입니다.
없는 사실을 만들어내거나, 부실한 콘텐츠에 자동으로 신뢰성을 부여하는 방법이 아닙니다.
Google은 생성형 AI 검색에 별도의 특수 스키마가 필요하지 않으며 구조화 데이터가 반드시 적용되어야 AI 답변에 등장하는 것도 아니라고 설명합니다.
또한 구조화 데이터는 사용자가 페이지에서 실제로 확인할 수 있는 내용과 일치해야 합니다.
예를 들어 제품 페이지에 지원하지 않는 기능을 Product 스키마로 기재한다고 해서 제품의 실제 경쟁력이 높아지는 것은 아닙니다.
오히려 부정확한 정보 관리라는 문제가 발생합니다.
FAQ 스키마를 추가하는 것만으로 AI 인용이 늘어날 것이라는 주장도 검증이 필요합니다.
특히 Google이 2026년 FAQ 리치 결과의 표시 정책을 변경했다는 점까지 고려하면, 과거 검색 결과 기능을 근거로 현재의 GEO 효과를 주장하는 것은 적절하지 않습니다.
따라서 구조화 데이터는 다음과 같은 원칙에 따라 활용하는 것이 좋습니다.
사이트의 실제 엔티티와 콘텐츠 유형에 적합한 스키마를 선택합니다.
화면에 표시되는 내용과 일치하도록 관리합니다.
공식 테스트 도구로 오류를 검증합니다.
적용 이후 검색 및 AI 가시성 변화를 관찰합니다.
그러나 스키마 적용 자체를 GEO 성과로 보고하지는 않습니다.
구조화 데이터는 정보 아키텍처의 한 구성 요소이지, 정보 아키텍처 전체를 대체하는 기술이 아닙니다.
7. 네 번째 병목: 브랜드와 제품의 관계를 일관되게 설명하고 있는가?
여기서 GEO가 기존의 문서 중심 SEO보다 더 복잡한 문제를 만날 수 있습니다.
바로 Entity, 즉 개체와 그 관계입니다.
예를 들어 어떤 소프트웨어 회사가 ERP, 프로젝트 관리, 문서 관리, AI 에이전트 등 여러 제품을 제공한다고 가정해 보겠습니다.
회사 소개 페이지에서는 모든 서비스를 하나의 통합 솔루션으로 설명합니다.
제품 페이지에서는 각각 다른 이름을 사용합니다.
뉴스 기사에서는 이전 브랜드명을 사용하고, 외부 소프트웨어 비교 플랫폼에는 오래된 제품 분류가 남아 있습니다.
이 경우 사용자와 검색 시스템 모두 회사가 정확히 무엇을 제공하는지 이해하기 어려울 수 있습니다.
이를 개선하려면 브랜드와 제품의 관계를 명확하게 관리해야 합니다.
어떤 회사가 어떤 제품을 제공하는가?
제품의 공식 명칭은 무엇인가?
특정 제품이 지원하는 기능과 지원하지 않는 기능은 무엇인가?
어떤 산업과 업무에 적용되는가?
기존 제품과 신규 제품의 관계는 무엇인가?
이러한 관계를 일관된 정보 구조로 정리하는 것이 중요합니다.
그렇다고 모든 기업이 별도의 지식 그래프(Knowledge Graph) 시스템을 구축해야 한다는 뜻은 아닙니다.
제품명과 서비스 범위를 일관되게 사용하고, 관련 페이지를 연결하고, 공식적인 사실 정보를 정확히 관리하는 것부터 시작할 수 있습니다.
특히 중요한 것은 부정확한 범주 확장을 피하는 것입니다.
예를 들어 특정 산업의 ERP를 개발하고 있다는 사실과 해당 산업에서 검증된 ERP 공급업체라는 사실은 다릅니다.
실제 제공 범위보다 넓은 분야에서 브랜드가 추천되도록 만드는 것은 장기적인 신뢰에 도움이 되지 않습니다.
GEO에서 브랜드의 정체성을 명확히 하는 일은 제품의 한계까지 정확하게 설명하는 일과 연결됩니다.
8. 다섯 번째 병목: 콘텐츠가 서로 연결되어 있는가?
정보가 충분하더라도 여러 페이지에 고립되어 있으면 사용자가 필요한 내용을 탐색하기 어려울 수 있습니다.
예를 들어 건설 ERP 기업의 홈페이지에 다음과 같은 자료가 존재한다고 가정하겠습니다.
프로젝트 원가 관리 기능 소개
회계 연동 기술 문서
고객사 구축 사례
제품 비교 가이드
보안·운영 정책
각각의 콘텐츠는 유용합니다.
그러나 서로 연결되어 있지 않다면 고객은 필요한 정보를 직접 찾아다녀야 합니다.
따라서 관련 정보 사이의 내부 링크와 탐색 경로를 설계할 필요가 있습니다.
프로젝트 원가 관리 기능을 소개하는 페이지에서는 실제 고객 사례로 이동할 수 있어야 합니다.
고객 사례에서는 어떤 기능과 연동 기술이 활용됐는지 확인할 수 있어야 합니다.
제품 비교 가이드에서는 공식 기능 명세와 적용 조건을 검토할 수 있어야 합니다.
이렇게 연결하면 개별 페이지들이 하나의 정보 체계로 작동할 수 있습니다.
여기서 중요한 것은 모든 페이지를 서로 연결하라는 뜻이 아닙니다.
고객이 다음에 확인해야 할 정보로 자연스럽게 이동할 수 있도록 관계를 설계해야 한다는 것입니다.
이를 콘텐츠의 Evidence Architecture, 즉 근거 아키텍처라고 부를 수 있습니다.
개별 주장과 이를 뒷받침하는 자료가 논리적으로 연결된 구조입니다.
이는 앞선 시리즈에서 제안한 Owned–Earned–Platform Evidence Map과도 연결됩니다.
공식 홈페이지의 제품 설명이 실제 고객 사례와 연결되고, 고객 사례가 공개 가능한 기술 문서와 연결되며, 외부 전문 매체가 해당 자료를 독립적으로 검토할 수 있도록 구성하는 것입니다.
9. 2026년 연구가 제기하는 더 큰 문제: 페이지가 인용되는 것과 내용이 반영되는 것은 다르다
정보 아키텍처를 평가할 때 단순히 AI가 특정 페이지를 인용하는지 확인하는 것만으로는 충분하지 않을 수 있습니다.
2026년 4월 발표된 「From Citation Selection to Citation Absorption」 연구는 이러한 문제를 두 단계로 구분합니다.
첫 번째는 Citation Selection입니다.
AI가 어떤 페이지를 검색하고 출처로 선택하는가에 관한 문제입니다.
두 번째는 Citation Absorption입니다.
선택된 출처의 실제 내용이 AI의 답변에 얼마나 반영되는가에 관한 문제입니다.
이는 GEO 측정에서 중요한 구분입니다.
예를 들어 AI가 기업의 제품 소개 페이지를 인용했더라도 해당 페이지의 주요 기능 설명을 답변에서 누락할 수 있습니다.
또는 문서의 일부 표현을 활용하면서 제품의 적용 조건이나 제한 사항을 제대로 전달하지 못할 수도 있습니다.
따라서 기업은 인용 여부뿐 아니라 AI가 자사 정보를 정확하게 설명하는지도 확인해야 합니다.
이 문제는 특히 B2B 소프트웨어, 의료, 금융, 산업 기술처럼 잘못된 설명이 실제 의사결정에 영향을 미칠 수 있는 분야에서 중요합니다.
단순히 많이 인용되는 것보다 정확하게 설명되는 것이 더 중요할 수 있기 때문입니다.
여기서 정보 아키텍처의 역할은 다시 확장됩니다.
정보가 발견되고 인용될 수 있도록 만드는 것뿐 아니라, 사실과 근거의 맥락이 명확하게 전달되도록 설계해야 합니다.
10. 새로운 프레임워크: AI-Ready Information Architecture의 다섯 가지 계층
지금까지 살펴본 내용을 바탕으로 이 글에서는 AI-Ready Information Architecture라는 분석 프레임워크를 제안합니다.
이는 AI 검색을 위해 새로운 웹 기술을 발명하자는 주장이 아닙니다.
기존 SEO, 콘텐츠 전략, 정보 관리 원칙을 AI 검색의 발견·인용·답변 생성 과정에 맞춰 체계화하는 접근입니다.
| 계층 | 핵심 질문 | 대표 점검 항목 |
|---|---|---|
| 1. Access | 검색 시스템이 정보를 발견할 수 있는가? | 크롤링, 색인, HTML, robots.txt |
| 2. Meaning | 정보의 의미와 적용 범위가 명확한가? | 페이지 제목, 설명, 엔티티, 용어 |
| 3. Evidence | 주장을 뒷받침할 근거가 있는가? | 수치, 기술 문서, 사례, 출처 |
| 4. Relationships | 관련 정보가 연결되어 있는가? | 내부 링크, 정보 계층, 공식·외부 자료 관계 |
| 5. Governance | 정보가 정확하고 최신 상태로 유지되는가? | 책임자, 변경 기록, 정기 점검 |
이 다섯 가지는 각각 다른 문제를 해결합니다.
Access가 부족하면 정보가 검색 과정에서 발견되지 않을 수 있습니다.
Meaning이 부족하면 제품이나 서비스의 관련성을 충분히 설명하지 못할 수 있습니다.
Evidence가 부족하면 브랜드에 관한 주장을 검증하기 어려울 수 있습니다.
Relationships가 부족하면 고객에게 필요한 여러 정보가 서로 단절될 수 있습니다.
Governance가 부족하면 제품 변경 이후 오래되거나 모순된 정보가 남을 수 있습니다.
여기서 중요한 것은 하나의 계층이 다른 계층을 대체하지 못한다는 사실입니다.
기술적으로 완벽한 웹사이트라도 실제 고객에게 도움이 되는 정보가 부족할 수 있습니다.
반대로 전문성이 높은 자료가 풍부하더라도 검색 시스템이 해당 자료에 접근하기 어려울 수 있습니다.
GEO의 실무적 과제는 이 계층들을 균형 있게 개선하는 것입니다.
11. 실제 기업의 GEO 웹사이트 개편은 무엇부터 시작해야 할까?
가상의 B2B 소프트웨어 기업이 웹사이트 개편을 준비한다고 생각해 보겠습니다.
기존 사이트는 보기 좋게 구성되어 있지만 검색엔진에서 유입되는 고객이 적고, 생성형 AI에서 브랜드가 자주 언급되지 않습니다.
이 경우 모든 콘텐츠를 새로 작성하는 것부터 시작하는 것은 비효율적일 수 있습니다.
먼저 문제의 위치를 확인해야 합니다.
1단계. 기술적 접근성을 감사한다
주요 페이지의 색인 상태, 크롤링 제한, 정규 URL, 내부 링크, JavaScript 렌더링 등을 확인합니다.
Google Search Console과 URL 검사 도구를 활용할 수 있습니다.
필요하다면 개발자와 함께 실제 검색 시스템이 접근할 수 있는 HTML 콘텐츠를 확인해야 합니다.
2단계. 고객 질문과 기존 페이지를 연결한다
고객이 실제로 묻는 질문을 수집합니다.
각 질문에 답할 수 있는 공식 페이지가 존재하는지 확인합니다.
질문에 답하는 페이지가 없다고 해서 무조건 새 페이지를 만들어야 하는 것은 아닙니다.
기존 페이지를 개선하거나 관련 정보를 통합하는 편이 적절할 수도 있습니다.
3단계. 근거의 부족을 조사한다
제품 기능과 서비스 범위에 관한 설명이 구체적인지 확인합니다.
실제 고객 사례, 기술 문서, 적용 조건, 제약 사항 등 필요한 근거가 있는지 검토합니다.
일반적인 홍보 문구만 있는 페이지라면 실제로 고객의 판단에 도움이 되는 정보를 보강해야 합니다.
4단계. 페이지와 정보 관계를 재설계한다
중복된 페이지를 통합할지, 주제별 페이지를 분리할지 결정합니다.
이때 중요한 것은 페이지 수를 늘리는 것이 아니라 각 페이지가 명확한 목적과 고유한 정보를 가지도록 만드는 것입니다.
제품, 산업, 활용 사례, 기술 문서, 고객 사례 등이 서로 연결되도록 구성합니다.
5단계. 검색과 AI 가시성을 반복 측정한다
개편 이전과 이후의 검색 성과를 비교합니다.
동시에 ChatGPT, Gemini 등에서 브랜드가 어떻게 언급되고 인용되는지 관찰할 수 있습니다.
이때 모든 지표가 동시에 개선될 것이라고 가정해서는 안 됩니다.
색인 상태가 개선되더라도 AI 추천률은 그대로일 수 있습니다.
콘텐츠의 설명력이 개선되더라도 브랜드 인지도와 경쟁 환경에 따라 결과가 달라질 수 있습니다.
따라서 각 개선 작업의 목적과 관찰 가능한 결과를 분리해야 합니다.
12. GEO는 마케팅팀과 개발팀 사이의 새로운 협업 과제가 된다
정보 아키텍처 관점에서 GEO를 바라보면 조직 운영 방식에도 변화가 필요합니다.
마케팅팀은 고객이 어떤 질문을 하는지 파악하고 콘텐츠 전략을 설계할 수 있습니다.
개발팀은 검색 시스템이 사이트에 정상적으로 접근하고 정보를 처리할 수 있도록 기술적인 기반을 관리합니다.
제품팀은 기능과 적용 범위의 정확성을 검증해야 합니다.
영업팀과 고객 성공팀은 실제 구매 과정의 질문과 사용 사례를 제공할 수 있습니다.
그리고 브랜드와 콘텐츠를 책임지는 담당자는 여러 자료의 일관성과 갱신 상태를 관리해야 합니다.
문제는 이 업무들이 서로 단절되어 있는 경우입니다.
마케팅팀은 콘텐츠를 발행했지만 기술적인 색인 문제가 해결되지 않았을 수 있습니다.
개발팀은 사이트의 성능을 개선했지만 고객의 질문에 필요한 자료가 여전히 부족할 수 있습니다.
제품팀은 기능을 업데이트했지만 외부에 공개된 문서는 이전 내용을 유지하고 있을 수 있습니다.
이런 환경에서는 개별 부서가 열심히 일하더라도 브랜드 정보의 전체 품질이 개선되지 않을 수 있습니다.
따라서 GEO의 실행 단위는 단순한 콘텐츠 발행 일정표보다 넓어져야 합니다.
기술적 문제, 정보 공백, 콘텐츠 개선, 사실 검증, 재측정을 연결하는 업무 체계가 필요합니다.
이를 GEO의 운영 체계, 즉 GEO Operations라고 부를 수 있습니다.
GEO Operations에서 중요한 것은 업무의 자동화 자체가 아닙니다.
어떤 문제가 발견됐고, 누가 수정할 수 있으며, 어떤 결과를 확인해야 하는지 명확하게 연결하는 것입니다.
13. 도슨티 GEO가 제안할 수 있는 방향: AI 가시성 측정에서 Information Architecture 진단으로
도슨티 GEO는 ChatGPT, Claude, Gemini, Perplexity, 네이버 AI 등 여러 AI 환경에서 브랜드의 언급·인용·추천 현황을 측정하고 경쟁사와 비교하는 접근을 제공합니다.
이러한 측정은 브랜드가 AI 검색에서 어떻게 등장하는지 파악하는 출발점입니다.
그러나 실제로 필요한 것은 측정 결과를 바탕으로 어떤 문제를 해결해야 하는지 판단하는 일입니다.
예를 들어 어떤 기업이 특정 구매 질문에서 반복적으로 누락된다고 가정해 보겠습니다.
원인은 여러 가지일 수 있습니다.
공식 제품 페이지가 검색 시스템에서 발견되지 않을 수 있습니다.
고객의 질문에 필요한 기능 설명이 부족할 수 있습니다.
제품의 적용 범위가 모호할 수 있습니다.
관련 고객 사례나 기술 문서가 없을 수도 있습니다.
또는 제품 자체가 해당 질문의 요구조건에 적합하지 않을 수도 있습니다.
이러한 원인을 구분하지 못한다면 GEO 개선 작업은 새로운 콘텐츠를 무작정 생산하는 방향으로 흐르기 쉽습니다.
반대로 AI 가시성 측정 결과를 정보 아키텍처 진단과 연결한다면 보다 구체적인 개선 과제를 도출할 수 있습니다.
이 글에서는 다음과 같은 업무 흐름을 제안합니다.
AI 고객 질문 분석 → 브랜드 가시성 측정 → 정보 공백 진단 → 기술·콘텐츠·근거 구조 개선 → 재측정
여기서 중요한 것은 도슨티 GEO가 현재 제공하는 다중 AI 측정과 경쟁사 비교 기능을 출발점으로 삼되, 기술적 사이트 감사나 정보 아키텍처 자동 진단 등은 별도의 분석 기능이 필요한 확장 영역으로 구분하는 것입니다.
장기적으로 GEO 서비스의 경쟁력은 단순히 더 많은 AI 답변을 수집하는 것에서만 나오지 않을 수 있습니다.
수집된 결과를 실제로 해결할 수 있는 기술적·콘텐츠적 문제로 전환하는 능력이 중요해질 것입니다.
이를 위해서는 무엇을 바꿨을 때 어떤 결과가 달라졌는지 반복적으로 확인해야 합니다.
실제 원인을 확인하지 않은 채 AI 추천률이 낮다는 이유로 스키마를 추가하거나 블로그 글을 대량 생산하는 방식에서 벗어나야 합니다.
GEO가 발전할수록 측정과 실행 사이의 연결이 중요해집니다.
14. 앞으로 GEO 시장에서 차별화되는 기업은 어떤 기업일까?
2026년의 GEO 시장에서는 매우 다양한 최적화 방법이 제안되고 있습니다.
FAQ 추가, 콘텐츠 분할, 스키마 적용, 외부 인용 확보, AI 전용 파일 생성 등입니다.
이러한 방법 가운데 일부는 특정 환경에서 유용할 수 있습니다.
그러나 모든 기업과 AI 플랫폼에 적용할 수 있는 만능 공식으로 검증된 것은 아닙니다.
2026년 7월 발표된 「Optimizing Visibility in Generative Engines: A Critical Survey of GEO」는 45개 연구를 검토하면서 이 문제를 체계적으로 정리했습니다.
연구는 GEO를 하나의 순위 최적화 문제라기보다 검색 활성화, 크롤링과 색인, 검색 결과 회수, 재정렬, 인용, 내용 반영, 사용자 행동 등 여러 단계가 연결된 과정으로 설명합니다.
또한 특정 콘텐츠 최적화 방법이 다양한 AI 플랫폼에서 장기간 안정적인 성과를 낸다는 인과적 증거는 아직 제한적이라고 지적합니다.
이는 GEO 시장에 중요한 메시지입니다.
특정 기술을 적용했다는 사실만으로 효과를 보장할 수 없습니다.
어떤 단계에서 어떤 문제가 발생했고, 해당 개선이 무엇을 변화시켰는지 검증해야 합니다.
따라서 향후 GEO 서비스가 차별화될 수 있는 방향은 단순한 최적화 기법의 목록을 늘리는 것이 아닙니다.
브랜드가 AI 검색에서 발견되고 이해되고 평가되는 과정을 분석하고, 실제 개선 가능한 문제를 찾아내는 것입니다.
정보 아키텍처는 이러한 분석을 위한 핵심 기반이 될 수 있습니다.
결론. GEO는 AI에게 잘 보이는 문장을 쓰는 기술이 아니라, 브랜드의 정보를 제대로 설계하는 일이다
생성형 AI 검색의 발전은 웹사이트의 역할을 다시 생각하게 만듭니다.
웹사이트는 더 이상 광고와 검색을 통해 유입된 사용자를 설득하기 위한 공간으로만 존재하지 않습니다.
검색 시스템과 생성형 AI가 브랜드에 관한 정보를 발견하고 확인하는 중요한 정보원으로도 작동합니다.
따라서 웹사이트의 가치는 페이지 수나 디자인의 완성도만으로 평가할 수 없습니다.
고객에게 필요한 정보가 존재하는가?
그 정보를 검색 시스템이 발견할 수 있는가?
제품과 서비스의 관계가 명확하게 설명되어 있는가?
주장을 뒷받침하는 실제 근거가 존재하는가?
관련 정보가 논리적으로 연결되어 있는가?
변경된 정보가 정확하게 갱신되는가?
이러한 질문에 답할 수 있어야 합니다.
물론 좋은 정보 아키텍처만으로 AI의 인용이나 추천이 보장되는 것은 아닙니다.
브랜드 인지도, 검색 시스템의 특성, 경쟁 제품의 적합성, 외부 정보원의 구성 등 여러 요인이 함께 작용하기 때문입니다.
그러나 정보 아키텍처가 부실하다면 콘텐츠를 아무리 많이 생산하더라도 같은 문제가 반복될 수 있습니다.
기술적으로 접근하기 어려운 페이지, 의미가 불명확한 제품 설명, 서로 모순되는 정보, 검증할 근거가 부족한 주장들이 계속 쌓일 수 있기 때문입니다.
2026년 GEO 전략에서 기업이 가장 먼저 질문해야 할 것은 'AI가 좋아하는 글을 어떻게 쓸까?'가 아닐 수 있습니다.
'우리 기업의 지식과 정보는 고객과 검색 시스템이 제대로 이해할 수 있는 구조로 존재하는가?'
이 질문이 먼저입니다.
GEO의 경쟁력은 콘텐츠를 얼마나 빠르게 생산하는지보다, 고객의 질문에 필요한 정확하고 유용한 정보를 얼마나 체계적으로 제공하고 유지할 수 있는지에서 발전할 것입니다.
결국 GEO는 글쓰기 경쟁을 넘어 정보 아키텍처와 정보 운영의 경쟁으로 확장되고 있습니다.
주요 참고자료
-
Google Search Central, Optimizing Your Website for Generative AI Features
-
리스닝마인드·엘리펀트컴퍼니, AI 검색 최적화, AI가 읽고 인용하는 웹사이트의 조건 (2026.11.05)
-
Chen & Koudas, What Drives AI Citations? Content, Retrieval and Model Knowledge in GEO (2026.10)
-
Martinez, Optimizing Visibility in Generative Engines: A Critical Survey of GEO, 2023–2026
-
From Citation Selection to Citation Absorption: A Measurement Framework for GEO (2026.04)
-
Google Search Central, Introduction to Structured Data Markup
다음 편 예고
AI 검색은 이제 제품과 서비스를 설명하는 것을 넘어, 사용자가 자신의 문제에 적합한 공급업체를 찾는 과정에 직접 관여하고 있습니다.
2026년 11월 네이버는 증상, 질병, 시술, 검진명으로 의료기관을 탐색하는 병원검색 기능을 소개했습니다.
이는 지역 검색과 의료 서비스 탐색에서 어떤 변화를 의미할까요?
그리고 AI 검색 최적화는 의료기관의 실제 진료 역량과 서비스 정보를 어떻게 정확하게 전달해야 할까요?
다음 편에서는 네이버의 검색 기능 변화를 계기로, 업종별·지역별 GEO 전략의 새로운 과제를 살펴봅니다.
「병원 GEO의 게임이 바뀐다: 네이버가 ‘병원명 검색’에서 ‘문제 해결 검색’으로 이동한다」
도슨티 GEO와 함께 AI 검색에서 브랜드가 발견되고, 이해되고, 비교되고, 추천되는 과정을 측정하고 분석해 보세요.
