GEO 순위표를 믿으면 안 되는 이유: AI에는 고정된 ‘1위’가 없다
도슨티GEOGEO 순위표를 믿으면 안 되는 이유: AI에는 고정된 ‘1위’가 없다
ChatGPT에서 우리 회사가 1위라는 말보다 중요한 것은, 고객의 질문에서 얼마나 자주 선택되는가입니다.
“ChatGPT가 추천하는 국내 GEO 솔루션 TOP 10.”
“AI가 선정한 최고의 마케팅 솔루션.”
“생성형 AI 검색에서 우리 회사가 1위를 차지했습니다.”
이런 문구는 매력적입니다.
검색 결과에서 1위를 차지하는 것이 오랫동안 디지털 마케팅의 중요한 목표였기 때문입니다.
하지만 생성형 AI가 만들어낸 추천 목록에서도 이 숫자를 같은 의미로 받아들여도 될까요?
ChatGPT에 “국내에서 GEO를 잘하는 회사 10곳을 알려줘”라고 질문했을 때와 “중견기업에 적합한 GEO 측정 솔루션을 추천해줘”라고 질문했을 때, 서로 다른 기업이 첫 번째로 등장할 수 있습니다.
심지어 같은 질문을 다시 입력해도 답변의 구성과 추천 순서가 달라질 수 있습니다.
그렇다면 어느 결과가 진짜 순위일까요?
핵심은 AI가 기업의 우열을 평가할 수 없다는 뜻이 아닙니다. 특정 질문과 조건에서 실제로 순서를 매길 수 있고, 어떤 기업을 다른 기업보다 우선적으로 추천하기도 합니다.
다만 AI가 생성한 한 번의 추천 순서는 해당 시장 전체에서 통용되는 고정된 순위와 다릅니다.
이 차이를 이해하는 것이 GEO(Generative Engine Optimization) 성과 측정의 출발점입니다.
1. 검색엔진의 1위와 AI 답변의 1위는 무엇이 다를까요?
전통적인 SEO에서는 특정 키워드에 대한 검색 결과 순위를 추적합니다.
예를 들어 사용자가 “기업용 ERP 솔루션”을 검색했을 때 자사 웹사이트가 검색 결과의 어느 위치에 나타나는지 확인하는 방식입니다.
물론 전통적인 검색 순위도 위치, 기기, 개인화, 검색 시점에 따라 달라질 수 있습니다.
그러나 측정 대상은 비교적 명확합니다. 특정 검색어에 대해 검색엔진이 제시한 결과 목록의 위치입니다.
생성형 AI 검색은 다르게 작동합니다.
OpenAI는 ChatGPT Search 공식 도움말에서 사용자의 질문을 하나 이상의 검색 질의로 재구성하고, 검색 결과를 검토한 뒤 추가 검색을 수행할 수 있다고 설명합니다.
Google 역시 AI 검색 기능 공식 문서에서 AI Overviews와 AI Mode가 여러 하위 주제와 데이터 출처를 탐색하는 'Query fan-out' 방식을 활용할 수 있다고 밝힙니다.
이는 하나의 사용자 질문이 여러 정보 탐색 과정으로 확장될 수 있음을 의미합니다.
검색 결과의 링크를 순서대로 나열하는 것과 여러 정보원을 종합해 추천 답변을 생성하는 것은 동일한 과정이 아닙니다.
따라서 AI 검색에서 브랜드의 위치를 평가할 때는 단순한 결과 순서 외에도 어떤 질문에서, 어떤 역할로, 얼마나 자주 등장하는지 살펴봐야 합니다.
2. 같은 질문을 여러 번 했을 때 순위가 달라지는 이유
2026년 4월 발표된 연구 Don't Measure Once: Measuring Visibility in AI Search (GEO)는 GEO 측정에서 일회성 관찰이 갖는 한계를 다뤘습니다.
연구진은 AI 검색 답변이 반복 실행, 질문 표현, 측정 시점에 따라 달라질 수 있으므로 단일 결과를 대표적인 성과로 해석해서는 안 된다고 설명합니다.
더 구체적인 근거는 2026년 3월의 Quantifying Uncertainty in AI Visibility 연구에서도 확인할 수 있습니다.
연구진은 Perplexity, OpenAI 검색, Gemini를 대상으로 반복 측정을 수행했습니다.
분석 결과 인용 출처의 분포와 순위에 상당한 변동성이 나타났습니다.
특히 일부 출처 사이에서 관찰된 순위 차이는 측정의 불확실성을 고려하면 명확한 우열이라고 판단하기 어려웠습니다.
여기서 중요한 것은 'AI 순위가 모두 무의미하다'는 결론이 아닙니다.
순위가 실제 차이를 보여주는 것인지, 반복 측정 과정에서 발생하는 변동인지를 구분해야 한다는 것입니다.
한 번의 AI 답변에서는 A기업이 1위, B기업이 2위일 수 있습니다.
그러나 같은 조건으로 여러 차례 측정했을 때 두 기업의 추천 빈도에 뚜렷한 차이가 없다면 A기업이 안정적으로 우세하다고 주장하기 어렵습니다.
AI 검색의 가시성은 단 한 번의 결과가 아니라, 여러 관찰 결과의 분포를 통해 이해할 필요가 있습니다.
3. 'AI 추천 1위'보다 중요한 새로운 질문
한 가지 가상의 사례를 살펴보겠습니다.
기업용 소프트웨어 시장에서 A, B, C 세 브랜드를 비교한다고 가정하겠습니다.
“우리 회사에 적합한 ERP 솔루션을 추천해줘”라는 질문을 반복해서 측정했을 때 다음과 같은 결과가 나올 수 있습니다.
| 브랜드 | 답변 포함 비율 | 첫 번째 추천 비율 |
|---|---|---|
| A기업 | 80% | 35% |
| B기업 | 75% | 40% |
| C기업 | 50% | 15% |
설명을 위한 가상 수치이며, 실제 측정 결과가 아닙니다. 각 비율의 분모는 동일 질문의 전체 반복 실행 횟수입니다.
이 표에서 A기업은 가장 자주 등장합니다.
하지만 첫 번째로 추천된 비율은 B기업이 더 높습니다.
그렇다면 A기업과 B기업 중 어느 회사가 1위일까요?
무엇을 기준으로 평가하느냐에 따라 답이 달라집니다.
브랜드의 전반적인 존재감을 평가한다면 A기업이 유리합니다.
첫 번째 추천 위치가 중요하다면 B기업이 더 좋은 결과를 보입니다.
하지만 여기서도 측정 횟수와 불확실성을 확인해야 합니다. 35%와 40%라는 차이가 반복 측정에서 안정적으로 유지되는지 알 수 없기 때문입니다.
나아가 추천의 내용도 중요합니다.
AI가 A기업을 대기업에 적합한 솔루션으로 소개하고, B기업을 중소기업에 적합한 솔루션으로 소개했다면 두 기업의 추천은 동일한 고객 수요를 겨냥한 결과가 아닐 수 있습니다.
따라서 GEO 성과를 평가할 때는 다음 세 가지를 분리하는 것이 유용합니다.
-
얼마나 자주 등장하는가: Mention Rate
-
얼마나 자주 추천되는가: Recommendation Rate
-
어떤 고객 상황에서, 어떤 이유로 추천되는가: Recommendation Context
여기에 출처 인용 여부와 경쟁사 비교를 결합하면 단순한 추천 순서보다 더 풍부한 결과를 얻을 수 있습니다.
4. 2026년 연구가 보여주는 더 불편한 사실: AI는 유명 브랜드를 더 선호할 수 있습니다
AI 검색 순위가 단순한 콘텐츠 품질 경쟁만으로 결정되지 않을 수 있다는 점도 중요합니다.
2026년 11월 5일 공개된 The Popular Get More Popular: Auditing Brand Bias in Generative Search 연구는 생성형 AI의 브랜드 추천에서 두 가지 편향을 살펴봤습니다.
하나는 시장에서 이미 널리 알려진 브랜드를 더 자주 추천하는 경향입니다.
다른 하나는 AI 모델이 기존 학습을 통해 익숙하게 알고 있는 브랜드에 유리한 추천 결과가 나타날 가능성입니다.
연구진은 1,176개 주요 브랜드 표본을 포함한 분석에서 상위 인지도 브랜드가 표본 내 평균 브랜드보다 1.4~2.8배 더 자주 인용되는 현상을 관찰했습니다.
또한 제품 특성을 동일하게 유지하면서 브랜드 이름만 생소한 것으로 변경했을 때 추천 순위가 낮아지는 결과도 확인했습니다.
반면 제품에 관한 사실을 유지한 채 콘텐츠 표현을 변경하는 방법만으로는 추천 순위를 크게 개선하지 못했습니다.
물론 이 연구는 사전공개 논문이며, 그 결과를 모든 산업이나 AI 플랫폼에 일반화해서는 안 됩니다.
그럼에도 기업이 GEO를 이해하는 데 중요한 시사점을 제공합니다.
AI가 특정 기업을 1위로 추천했다고 해서 그 기업의 웹사이트가 가장 잘 최적화됐다는 뜻은 아닙니다.
기존 시장 인지도와 축적된 브랜드 정보도 추천에 영향을 미칠 수 있습니다.
따라서 GEO 성과를 평가할 때는 콘텐츠 개선의 효과와 기업이 기존에 갖고 있던 브랜드 영향력을 구분하려는 노력이 필요합니다.
특히 신생 기업이나 중소기업에는 중요한 문제입니다.
AI 추천 순위가 낮은 이유를 무조건 콘텐츠 구조나 기술적 SEO의 문제로 진단한다면, 정작 필요한 브랜드 신뢰 형성이나 외부 정보 확보를 놓칠 수 있기 때문입니다.
5. 그렇다면 GEO 솔루션의 순위표는 믿을 수 없는 걸까요?
그렇지는 않습니다.
AI 검색에서 특정 브랜드가 추천되는 순서와 빈도는 충분히 측정할 가치가 있습니다.
다만 순위표를 해석하려면 측정 조건이 공개되어야 합니다.
실제로 2026년 7월 발표된 From Stochastic to Stable: Rank Stability and Structural Sufficiency in AI Visibility Measurement는 충분한 관찰 자료를 확보했는지 판단하는 방법을 연구했습니다.
연구는 인용 순위의 안정성과 측정 불확실성을 함께 고려할 것을 제안했습니다.
특히 모든 플랫폼과 주제에 동일한 측정 횟수를 적용하는 것만으로는 충분한 측정을 보장하기 어렵다는 점을 보여줍니다.
예를 들어 '모든 질문을 10번씩 측정하면 충분하다'고 일률적으로 판단하기 어렵다는 의미입니다.
일부 질문은 적은 횟수로도 결과가 비교적 안정될 수 있습니다.
반면 다른 질문에서는 더 많은 반복 측정이 필요할 수 있습니다.
GEO 순위표를 평가하는 기준도 여기서 출발해야 합니다.
기업은 다음 정보를 확인할 수 있어야 합니다.
-
어떤 고객 질문을 대상으로 측정했는가?
-
어떤 AI 플랫폼과 모델을 사용했는가?
-
각 질문을 얼마나 반복해서 측정했는가?
-
측정 시점과 환경은 어떻게 통제했는가?
-
언급, 인용, 추천, 답변 내 위치를 어떻게 구분했는가?
-
관찰된 차이가 반복 측정에서도 유지되는가?
이러한 조건이 없다면 'AI 검색 1위'라는 표현은 특정 시점의 관찰 결과일 뿐, 지속적인 시장 우위를 설명하는 근거로 사용하기 어렵습니다.
6. Google도 '순위 보장'보다 실제 측정 데이터를 강조합니다
GEO 업계가 주목할 만한 공식적인 변화도 있습니다.
Google은 2026년 6월 3일 Search Console에 생성형 AI 검색 성과를 별도로 확인할 수 있는 보고서를 도입했고, 8월 31일까지 전 세계 웹사이트로 제공 범위를 확대했다고 밝혔습니다.
Google Search Console 생성형 AI 성과 보고서 발표
이어 공개한 생성형 AI 검색 최적화 공식 가이드에서는 제3자 도구가 Google 내부의 순위 산정 시스템이나 AI 시스템에 직접 접근할 수 없다는 점을 명시합니다.
Google은 순위 성공을 보장하거나 내부 지표를 사용한다고 주장하는 외부 도구에 주의할 것도 권고합니다.
이것이 모든 GEO 모니터링 도구가 무의미하다는 뜻은 아닙니다.
외부에서 AI 답변을 반복 관찰하고 브랜드의 언급·추천·인용 현황을 분석하는 것은 충분히 유용합니다.
다만 외부에서 관찰한 AI 답변의 통계와 플랫폼 내부에서 실제로 발생한 전체 사용자 검색·추천 데이터를 혼동해서는 안 됩니다.
특히 AI 플랫폼 전체의 실제 검색량, 특정 브랜드의 전체 추천 점유율, 내부 알고리즘의 순위를 직접 확인한 것처럼 표현한다면 주의가 필요합니다.
GEO 측정의 신뢰성은 숫자가 얼마나 인상적인가보다 데이터의 출처와 한계를 얼마나 정확히 설명하는가에 달려 있습니다.
7. AI 검색 성과를 제대로 평가하는 세 가지 관점
그렇다면 기업은 어떤 기준으로 GEO 전략을 설계해야 할까요?
첫째는 질문별 가시성입니다.
같은 산업에서도 고객이 어떤 질문을 하는지에 따라 추천되는 브랜드가 달라질 수 있습니다.
“가장 유명한 ERP”와 “건설 프로젝트 원가관리에 적합한 ERP”는 서로 다른 요구를 담고 있습니다.
따라서 기업이 중요한 사업 영역을 정의하고, 실제 잠재고객의 정보 탐색과 구매 검토에 해당하는 질문을 우선적으로 측정해야 합니다.
둘째는 경쟁사 대비 추천의 일관성입니다.
우리 브랜드가 한 차례 첫 번째로 등장했는지보다, 같은 조건에서 경쟁사와 비교했을 때 얼마나 자주 추천되는지가 중요합니다.
또한 질문별 결과의 차이와 반복 측정의 불확실성을 함께 확인해야 합니다.
셋째는 추천 이유입니다.
AI가 우리 브랜드를 추천한다면 어떤 근거를 제시할까요?
가격 경쟁력 때문일까요?
전문성, 신뢰성, 고객 사례, 산업 특화 기능 때문일까요?
혹은 실제로 제공하지 않는 기능을 장점으로 설명하고 있을까요?
기업이 확인해야 할 것은 추천 순서뿐 아니라 AI가 우리 브랜드를 어떻게 이해하고 설명하는가입니다.
이 지점에서 GEO 측정은 단순한 노출 모니터링을 넘어 브랜드 인식과 경쟁 포지셔닝을 분석하는 도구가 될 수 있습니다.
8. 도슨티 GEO가 제안하는 방향: 순위보다 중요한 질문을 측정합니다
도슨티 GEO는 ChatGPT, Claude, Gemini, Perplexity, 네이버 AI 등 주요 AI 환경에서 브랜드가 어떻게 언급되고 인용되는지 모니터링하고, 경쟁사와 비교할 수 있도록 지원합니다.
중요한 것은 단순히 'AI 검색에서 몇 위'라는 숫자를 제공하는 것이 아닙니다.
기업이 실제로 고객에게 발견되고 싶은 질문에서 어떤 결과가 나타나는지 확인하고, 이를 콘텐츠와 마케팅 전략의 개선으로 연결하는 것입니다.
예를 들어 기업은 도슨티 GEO를 활용해 다음과 같은 문제를 살펴볼 수 있습니다.
자사 브랜드가 반복적으로 등장하는 질문은 무엇인가?
경쟁사는 어떤 질문에서 더 자주 언급되는가?
어떤 콘텐츠가 AI 답변에서 인용되고 있는가?
특정 질문에 대한 언급률은 시간이 지나면서 어떻게 달라지는가?
이처럼 질문별·플랫폼별 데이터를 비교하면 'GEO 순위 상승'이라는 추상적인 목표 대신 개선해야 할 구체적인 영역을 찾을 수 있습니다.
다만 모니터링 결과를 전체 AI 사용자 경험의 정확한 대표값으로 취급해서는 안 됩니다.
측정에 사용한 질문과 플랫폼, 관찰 시점에 따라 결과가 달라질 수 있으며, 언급률과 인용률의 개선이 구매 전환이나 매출 증가를 직접 증명하는 것은 아닙니다.
도슨티 GEO가 지향하는 것은 이러한 한계를 인정하면서도, 기업이 관찰 가능한 데이터를 바탕으로 더 나은 GEO 의사결정을 내릴 수 있도록 돕는 것입니다.
결론. AI 검색에서 가장 중요한 것은 '1위'가 아니라 '선택받는 이유'입니다
AI가 추천하는 브랜드 목록에 등장하는 것은 의미 있는 출발점입니다.
그 목록에서 첫 번째로 등장하는 것 역시 중요할 수 있습니다.
그러나 고객의 질문과 AI 플랫폼, 측정 시점이 달라지면 추천 순서도 달라질 수 있습니다.
따라서 한 번의 1위 기록을 지속적인 우위로 받아들이는 것은 경계해야 합니다.
기업이 확인해야 할 것은 세 가지입니다.
우리 브랜드는 고객의 중요한 질문에서 얼마나 자주 등장하는가?
경쟁사와 비교했을 때 어떤 상황에서 우선적으로 추천되는가?
그리고 AI는 어떤 근거로 우리 브랜드를 선택하거나 제외하는가?
GEO의 목표는 AI 추천 순위표에서 한 번 1위를 차지하는 것이 아닙니다. 고객이 중요한 결정을 내리는 순간, 우리 브랜드가 신뢰할 만한 선택지로 반복적으로 등장하도록 만드는 것입니다.
순위는 그 결과를 관찰하는 하나의 지표일 수 있습니다.
그러나 순위를 성과로 만드는 것은 질문의 관련성, 관찰의 반복성, 경쟁사와의 비교, 그리고 추천 이유에 대한 분석입니다.
이제 GEO의 성과를 묻는 방식도 바뀌어야 합니다.
“ChatGPT에서 우리 회사가 몇 위인가요?”에서
**“우리 고객이 AI에 질문할 때, 우리 회사는 얼마나 일관되게 선택받고 있나요?”**로.
우리 브랜드는 AI에서 얼마나 자주 추천될까요?
AI 검색에서의 일회성 순위보다 중요한 것은 주요 고객 질문에서 나타나는 브랜드의 가시성과 경쟁사 대비 변화입니다.
도슨티 GEO를 통해 AI 플랫폼별 브랜드 언급·인용 현황을 확인하고, 개선이 필요한 질문과 콘텐츠를 찾아보세요.
도슨티 GEO의 데이터는 설정된 질문, 플랫폼, 측정 조건에서 관찰한 결과입니다. 플랫폼 전체의 실제 사용자 추천 순위나 매출 성과를 의미하지 않습니다.
참고자료
-
Schulte, Bleeker & Kaufmann (2026) — Don't Measure Once: Measuring Visibility in AI Search (GEO)
-
Google (2026) — Introducing Search Generative AI Performance Reports
-
Google (2026) — Optimizing Your Website for Generative AI Features
