GEO(Generative Engine Optimization)를 흔히 **“ChatGPT 시대의 SEO”**라고 설명합니다.

틀린 설명은 아니지만, 이것만으로는 GEO가 실제로 무엇을 최적화하는지 충분히 설명하기 어렵습니다.

전통적인 검색에서는 사용자가 검색어를 입력하고 여러 링크 가운데 하나를 선택했습니다. 생성형 AI 검색에서는 그 과정의 상당 부분을 AI가 대신합니다.

예를 들어 사용자가 다음과 같이 질문한다고 가정해 보겠습니다.

“직원 300명 규모 제조기업에서 전사 AI 교육을 하려면 어떤 업체를 비교해야 해?”

AI는 이 질문을 단순한 하나의 키워드로 처리하지 않습니다. 기업 규모, 산업, 교육 목적, 비교 기준 등을 해석한 뒤 필요한 정보를 검색하거나 이미 알고 있는 정보를 조합하고, 몇 개의 기업과 근거를 골라 하나의 답변을 만듭니다.

따라서 기업이 경쟁해야 하는 대상도 달라집니다.

검색 결과에서 몇 위에 있는가뿐 아니라,

• 어떤 질문에서 우리 브랜드가 후보군에 들어가는가

• 경쟁사와 함께 언급되는가

• 어떤 근거로 설명되는가

• 공식 사이트가 출처로 인용되는가

• 제3자 사이트가 우리 브랜드를 어떻게 설명하는가

• AI마다 결과가 어떻게 다른가

를 함께 봐야 합니다.

이것이 GEO의 출발점입니다.

​

GEO의 정확한 정의: 콘텐츠 최적화가 아니라 ‘AI 답변 가시성’을 관리하는 일

GEO는 Generative Engine Optimization, 한국어로는 보통 생성형 엔진 최적화라고 부릅니다.

이 용어를 학술적으로 체계화한 초기 연구인 _GEO: Generative Engine Optimization_은 GEO를 생성형 엔진의 답변에서 콘텐츠의 visibility를 높이기 위한 최적화 문제로 정의했습니다. 연구진은 GEO-Bench를 이용한 실험에서 인용, 통계, 권위 있는 표현 등 일부 전략이 생성형 엔진에서 콘텐츠 가시성을 최대 약 40% 높일 수 있다고 보고했습니다. 동시에 어떤 방법이 효과적인지는 주제에 따라 달랐습니다.

여기서 중요한 것은 “AI가 잘 읽는 글을 작성한다”가 GEO의 전부가 아니라는 것입니다.

실무적인 GEO는 최소한 다음 네 단계를 포함합니다.

질문 발견 → AI 답변 측정 → 원인 분석 → 콘텐츠·브랜드 정보 개선 → 재측정

글쓰기보다 먼저 어떤 질문을 측정할 것인지가 정해져야 하고, 콘텐츠를 발행한 뒤에는 실제로 AI 답변이 달라졌는지를 다시 확인해야 합니다.

Scrunch 같은 글로벌 AI visibility 플랫폼도 브랜드 존재 여부, 경쟁사 presence, 답변 내 위치, sentiment, citations 등을 질문 단위로 지속적으로 측정합니다.

도슨티GEO 역시 같은 이유로 GEO의 출발점을 키워드가 아니라 질문에 둡니다. 공식 제품 설명에서도 브랜드별 AI 노출, 질문 기반 모니터링, 인용률·언급 추이를 주요 관리 대상으로 제시하고 있습니다.

​

SEO와 GEO의 가장 큰 차이는 ‘키워드 vs 질문’보다 더 깊다

SEO와 GEO의 차이를 단순히 “SEO는 Google, GEO는 ChatGPT”라고 나누는 것도 정확하지 않습니다.

Google 자체가 이미 AI Overviews와 AI Mode를 검색 안에 통합했고, 한국에서는 네이버도 AI 브리핑과 AI탭을 검색의 핵심 인터페이스로 확대했습니다.

더 중요한 차이는 결과가 만들어지는 방식입니다.

구분	전통적 SEO	GEO
기본 단위	키워드·검색 질의	질문·프롬프트·주제
주요 결과	검색 결과 페이지	합성된 AI 답변
경쟁 방식	URL 간 순위 경쟁	브랜드·정보·출처 간 선택 경쟁
핵심 관찰 대상	노출·순위·클릭	언급·인용·경쟁 점유·답변 맥락
콘텐츠 평가	검색 의도와 페이지 적합성	질문에 필요한 사실을 얼마나 명확히 제공하는가
경쟁 분석	동일 키워드 상위 사이트	동일 질문에 AI가 선택한 브랜드와 출처
성과 분석	Organic traffic 중심	AI visibility + citation + referral + conversion

다만 GEO가 SEO와 완전히 독립적인 것은 아닙니다.

Google은 AI Overviews와 AI Mode에 노출되기 위해 별도의 특별한 AI용 마크업이 필요하지 않으며, 기존 SEO의 크롤링·색인·콘텐츠 품질 원칙이 계속 중요하다고 공식적으로 설명합니다. AI 기능에 supporting link로 등장하려면 기본적으로 Google Search에서 색인 가능해야 합니다.

반면 SEO 순위와 AI citation이 동일하지도 않습니다.

Semrush가 5,000개 질의와 15만 개 이상의 AI citation을 분석한 연구에서는 Google 상위 검색 결과와 생성형 AI 출처 사이의 중복률이 엔진별로 크게 달랐습니다. 특히 ChatGPT는 Google 상위 결과와의 URL 중복이 다른 엔진보다 훨씬 낮게 나타났습니다.

즉,

SEO가 강하면 GEO에도 유리할 가능성이 있지만, Google에서 1위라고 해서 ChatGPT에서도 반드시 인용되는 것은 아닙니다.

이 차이를 측정하는 것이 GEO가 별도의 영역으로 필요한 이유입니다.

​

GEO에서 ‘언급’과 ‘인용’은 같은 지표가 아니다

GEO를 처음 운영할 때 가장 자주 생기는 오해 가운데 하나가 이것입니다.

“우리 사이트가 출처로 나왔으니 GEO 성과가 좋다.”

반드시 그렇지는 않습니다.

AI 답변에는 최소한 두 가지 다른 노출이 존재합니다.

Brand Mention은 답변 본문에서 브랜드 이름이 등장하는 것이고, Citation은 브랜드의 웹페이지가 근거 링크로 사용되는 것입니다.

둘은 함께 나타날 수도 있지만 따로 나타나는 경우도 많습니다.

Semrush와 Growth Memo가 2026년 115개 prompt, 14개 국가, 3,981건의 domain appearance를 분석한 연구에서는 **AI citation의 62%에서 해당 브랜드명이 답변 본문에 직접 나타나지 않는 이른바 ‘ghost citation’**이 관찰됐습니다. 또한 ChatGPT와 Gemini에서도 mention과 citation의 행동 패턴이 상당히 달랐습니다.

따라서 GEO 대시보드에서는 하나의 ‘AI 점수’만 보는 것보다 적어도 다음을 분리해 봐야 합니다.

• Brand Mention Rate

• Citation Rate

• Competitive Share of Voice

• 답변 내 브랜드 위치

• 어떤 URL이 인용됐는지

• 어떤 제3자 사이트가 답변에 영향을 주는지

• 어떤 질문에서는 브랜드가 빠지는지

이 구분은 중요합니다.

예를 들어 경쟁사는 추천 목록의 첫 번째 브랜드로 반복적으로 등장하는데 우리 회사는 자료 출처로만 사용된다면, citation 문제는 어느 정도 해결됐지만 brand selection 문제는 아직 해결되지 않은 것입니다.

​

GEO의 핵심 단위는 하나의 prompt가 아니라 ‘질문 공간’이다

ChatGPT에 회사 이름을 한번 검색하고 “잘 나온다”고 판단하는 것도 위험합니다.

생성형 AI 답변은 질문의 표현, 사용자 맥락, 모델, 검색 여부, 시점 등에 따라 달라질 수 있기 때문입니다.

2026년 Semrush가 ChatGPT에서 1,094개 topic을 분석한 연구에서도 한 질문에서 브랜드가 잘 보이는 것과 한 주제 전체에서 지속적으로 노출되는 것은 다르다는 결과가 나왔습니다. 연구진은 topic visibility를 판단하기 위해 서로 관련된 여러 prompt를 함께 측정했습니다.

모델 설정조차 결과를 바꿀 수 있습니다.

Semrush가 동일한 100개 prompt를 GPT의 서로 다른 reasoning 조건에서 비교한 실험에서는 인용된 domain의 중복률이 25.6%에 불과했습니다.

따라서 제대로 된 GEO 측정은 다음처럼 질문을 여러 층으로 구성해야 합니다.

예를 들어 기업 AI 교육 회사라면,

카테고리 질문

• 기업 AI 교육 업체에는 어디가 있나?

• 국내 생성형 AI 교육 회사 추천해줘.

상황 질문

• 제조업 직원 대상으로 AI 교육하려면 어떤 업체가 적합해?

• 개발자가 아닌 직원에게 업무 자동화를 교육할 수 있는 업체는?

비교 질문

• A사와 B사의 AI 교육 차이는?

• 기업 맞춤형 AI 교육 업체를 비교할 때 무엇을 봐야 하나?

구매 기준 질문

• 전사 AI 교육 업체를 고를 때 중요한 기준은?

• 교육 후 실제 업무 성과까지 측정해주는 곳이 있나?

처럼 실제 구매 여정에 존재하는 질문을 묶어서 관찰해야 합니다.

​

도슨티GEO가 CEP와 KBF에서 질문을 만드는 이유

이 지점에서 SEO식 keyword research와 GEO식 question design의 차이가 더 분명해집니다.

도슨티GEO에서는 브랜드와 상품 정보를 먼저 정리한 뒤,

브랜드 → 상품 → Persona → CEP → KBF → 측정 질문

순서로 질문 공간을 구성합니다.

여기에서 **CEP(Category Entry Point)**는 고객이 어떤 상황에서 해당 카테고리를 떠올리는지를 나타냅니다.

예를 들어 “AI 교육”이라는 keyword 자체보다,

“대표가 전 직원 AI 교육을 지시했는데 HR팀이 어디부터 시작해야 할지 모르는 상황”

이 더 실제 구매 맥락에 가깝습니다.

KBF(Key Buying Factor)는 그 상황에서 고객이 실제로 비교하는 조건입니다.

예를 들어,

• 직무별 커리큘럼이 가능한가

• 교육 후 업무 결과물이 남는가

• 비개발자도 참여할 수 있는가

• 기업 내부 데이터로 실습할 수 있는가

• 교육 효과를 측정할 수 있는가

같은 요소입니다.

그러면 GEO 질문은 단순히 검색량이 높은 키워드에서 만들어지는 것이 아니라,

“어떤 사람이 어떤 상황에서 무엇을 기준으로 브랜드를 선택하는가?”

에서 만들어집니다.

이 접근은 글로벌 GEO 플랫폼이 persona·topic·funnel stage 등으로 prompt 데이터를 세분화하는 방향과도 맞닿아 있습니다. Scrunch는 실제로 AI visibility 데이터를 persona, prompt topic, funnel stage, branded/non-branded prompt 등으로 분해해 분석할 수 있도록 하고 있습니다.

​

AI가 답변을 만드는 방식 때문에 ‘출처 생태계’가 중요해진다

GEO가 자사 블로그 작성만으로 끝나지 않는 이유도 여기에 있습니다.

생성형 AI 검색은 많은 경우 외부 정보를 검색해 답변을 구성합니다.

Google은 AI 기능에서 **retrieval-augmented generation(RAG)**을 사용해 Search index에서 관련 웹페이지를 가져와 답변의 정확성과 최신성을 보완한다고 설명합니다.

ChatGPT Search 역시 웹 검색을 사용하는 답변에 출처 citation을 제공하며, 사용자는 Sources 영역에서 관련 링크를 확인할 수 있습니다. OpenAI도 검색 결과와 citation이 불완전하거나 오래됐을 수 있으므로 원문 확인이 필요하다고 명시합니다.

그 결과 기업 홈페이지 하나만 잘 만드는 것으로는 충분하지 않을 수 있습니다.

AI가 실제로 참고하는 정보는 다음처럼 여러 층에 존재합니다.

Owned

• 공식 홈페이지

• 제품 페이지

• 도움말

• 기술 문서

• 고객 사례

• 자체 연구

Earned

• 언론 기사

• 업계 분석

• 비교 리뷰

• 커뮤니티

• 전문가 콘텐츠

• 파트너 사이트

Platform data

• 검색엔진 index

• 지도·플레이스

• 쇼핑 데이터

• 사용자 후기

• 구조화된 상품 정보

Semrush의 대규모 citation 분석에서도 Reddit, Wikipedia뿐 아니라 다양한 UGC와 제3자 정보원이 여러 AI 엔진에서 반복적으로 등장했습니다.

그래서 GEO는 단순한 content optimization이 아니라 장기적으로는 브랜드에 관한 디지털 정보 생태계를 관리하는 일에 가깝습니다.

​

한국의 GEO가 미국과 다른 이유: Naver AI가 있다

여기까지는 세계 어디에서나 적용되는 GEO의 기본 구조입니다.

하지만 한국에서 GEO를 운영한다면 중요한 변수가 하나 더 있습니다.

네이버입니다.

2025년 3월 네이버는 검색·쇼핑·플레이스 등에 생성형 AI를 적용한 AI 브리핑을 전 사용자 대상으로 선보였습니다. 당시 네이버는 통합검색을 기반으로 약 4천만 사용자와 330만 SME를 연결하는 생태계를 강조했습니다.

이후 검색 경험은 더 크게 바뀌었습니다.

2026년 4월에는 대화형 AI탭 베타 서비스를 출시했고, 6월 26일 전체 사용자 대상으로 정식 출시했습니다. 네이버 발표에 따르면 베타 출시 두 달 만에 누적 사용자가 400만 명을 넘어섰고, 7월 15일에는 1,000만 명이 AI탭을 이용했다고 밝혔습니다.

중요한 것은 숫자만이 아닙니다.

네이버 AI는 ChatGPT의 한국어 버전이 아닙니다.

네이버는 AI탭을

검색 → 쇼핑 → 로컬 → UGC → 지도 → 예약·구매

로 연결하고 있습니다.

즉 사용자가

“강남에서 콘센트 있고 좌석 넓다는 리뷰가 많은 카페 추천해줘”

라고 물었을 때 웹문서만 탐색하는 것이 아니라 네이버가 보유한 플레이스·리뷰·지도 등의 서비스 자산이 함께 작동할 수 있습니다. 네이버가 AI탭을 “탐색에서 실행까지” 이어지는 검색 경험으로 설명하는 이유입니다.

따라서 한국 GEO에서는 글로벌 시장에서 흔히 사용하는

ChatGPT + Gemini + Google AI Mode/AI Overviews + Perplexity

관점만으로는 충분하지 않습니다.

업종에 따라

Naver AI Briefing + Naver AI Tab + Naver Search/Place/Shopping ecosystem

까지 관찰해야 합니다.

특히 병원, 인테리어, 교육, 음식점, 생활서비스, 이커머스처럼 네이버 의존도가 높은 업종에서는 이 차이가 더 중요해질 수 있습니다.

이것이 도슨티GEO가 한국 시장에서 단순히 해외 GEO dashboard를 번역한 제품과 다른 문제를 풀어야 하는 이유입니다.

​

그렇다면 AI가 인용하기 좋은 콘텐츠에는 어떤 특징이 있을까?

여기에서도 “FAQ를 많이 만들면 된다”, “문장을 짧게 쓰면 된다”처럼 하나의 공식으로 설명하면 위험합니다.

생성형 엔진마다 retrieval과 generation 방식이 다르고 계속 변하기 때문입니다.

다만 지금까지 공개된 연구에서는 몇 가지 반복되는 경향이 나타납니다.

Semrush는 ChatGPT Search와 Google AI Mode에서 인용된 500만 URL을 분석해 기술적·콘텐츠 특성을 연구했습니다. 연구진 역시 이것이 인과관계가 아니라 correlation임을 명시합니다.

또 다른 콘텐츠 연구에서는 다음 요소가 AI citation과 양의 연관성을 보였습니다.

• 명확성과 요약 가능성: +32.83%

• E-E-A-T 관련 신호: +30.64%

• Q&A 형태: +25.45%

• 명확한 section 구조: +22.91%

• structured data 요소: +21.60%

반대로 지나치게 promotional한 문체는 citation과 부정적인 연관성을 보였습니다.

이 데이터는 “이렇게 쓰면 반드시 인용된다”는 공식은 아닙니다.

하지만 한 가지 방향은 보여줍니다.

AI에게 좋은 콘텐츠란 AI를 속이는 콘텐츠가 아니라, 필요한 사실을 찾고 검증하고 재구성하기 쉬운 콘텐츠에 가깝습니다.

따라서 GEO 콘텐츠에는 다음이 중요합니다.

첫째, 주장보다 사실 단위가 명확해야 합니다.

“최고의 솔루션”보다는 어떤 기능이 있고, 누구에게 적합하며, 가격·조건·제약이 무엇인지 설명해야 합니다.

둘째, 숫자에는 출처가 있어야 합니다.

“시장이 빠르게 성장하고 있다”보다 조사기관, 조사 시점, 표본과 수치를 보여주는 편이 검증하기 쉽습니다.

셋째, 비교 가능한 정보를 제공해야 합니다.

기능, 가격, 대상 고객, 장점뿐 아니라 한계까지 같은 기준으로 설명해야 합니다.

넷째, 브랜드가 무엇을 하는지 일관되게 표현해야 합니다.

홈페이지에서는 “GEO 플랫폼”, 보도자료에서는 “AI 마케팅 회사”, 다른 페이지에서는 “SEO 대행사”라고 제각각 설명한다면 AI가 브랜드의 category와 expertise를 안정적으로 해석하기 어려워질 수 있습니다.

다섯째, topic 전체를 구축해야 합니다.

한 개의 ‘GEO란?’ 글보다 정의, 측정, citation, prompt research, competitor analysis, content optimization, ROI 등 서로 연결된 전문 문서가 있어야 AI와 사람 모두 브랜드가 해당 분야에서 어떤 정보를 제공하는지 이해하기 쉽습니다.

​

그래서 GEO 성과는 무엇을 측정해야 하나

GEO가 아직 초기 시장이다 보니 모든 것을 하나의 AI Visibility Score로 표현하려는 경우가 많습니다.

하지만 실무에서는 점수를 구성요소로 분해하는 편이 더 유용합니다.

1. Mention Rate

추적하는 질문 중 브랜드가 답변 본문에 등장한 비율입니다.

2. Citation Rate

자사 domain 또는 특정 URL이 출처로 사용된 비율입니다.

3. Competitive Presence / Share of Voice

같은 질문에서 경쟁사와 비교해 브랜드가 얼마나 자주 등장하는지를 봅니다.

4. Position

추천 목록이나 답변의 어느 위치에 등장하는지 확인합니다.

5. Topic Coverage

한두 prompt가 아니라 중요한 topic의 여러 질문에서 지속적으로 등장하는지를 측정합니다.

6. Citation Source

AI가 자사 브랜드를 판단하면서 어떤 자사·경쟁사·제3자 페이지를 근거로 사용하는지 분석합니다.

7. Accuracy

브랜드 가격, 기능, 대상 고객, 서비스 지역 같은 정보가 AI 답변에 정확히 표현되는지 확인합니다.

8. AI Referral과 Conversion

실제로 AI 플랫폼에서 유입된 방문자가 상담, 가입, 견적, 구매 등으로 연결되는지도 확인해야 합니다.

AI referral traffic 자체는 아직 전통 검색보다 작습니다.

Ahrefs가 약 3만5천 개 웹사이트를 분석한 2025년 연구에서는 AI가 전체 referral traffic에서 차지하는 비중이 약 0.1% 수준이었습니다.

그러나 “traffic이 작으니 중요하지 않다”라고 단정하기도 어렵습니다.

Similarweb의 2025 Generative AI Landscape 분석에서는 Gen AI 서비스의 평균 월간 방문이 전년 대비 76% 증가했고, transactional site로 이동한 Gen AI referral의 conversion rate를 약 7%로 보고했습니다.

Semrush의 17개월 clickstream 분석에서도 ChatGPT에서 외부 웹으로 향한 referral traffic이 2025년 한 해 206% 증가한 것으로 나타났습니다.

따라서 GEO를 평가할 때 현재 traffic 규모만 보거나, 반대로 AI visibility만 보고 business outcome을 무시하는 것 모두 충분하지 않습니다.

​

도슨티GEO가 생각하는 GEO 운영 구조

도슨티GEO에서는 GEO를 한 번의 콘텐츠 최적화 작업보다 반복되는 운영 사이클로 봅니다.

1. 브랜드와 상품을 이해한다

브랜드가 무엇을 제공하고, 어떤 상품이 있으며, 경쟁 카테고리가 무엇인지 정리합니다.

↓

2. Persona와 CEP를 정의한다

누가 어떤 상황에서 해당 제품 카테고리를 필요로 하는지 찾습니다.

↓

3. KBF를 정리한다

고객이 실제 선택 과정에서 중요하게 보는 조건을 정의합니다.

↓

4. 측정 질문을 만든다

실제 AI에서 사용될 가능성이 있는 질문 세트를 구축합니다.

↓

5. 여러 AI 환경에서 답변을 측정한다

브랜드와 경쟁사의 언급, citation, 답변 맥락 등을 관찰합니다.

↓

6. Visibility Gap과 Citation Gap을 찾는다

경쟁사는 등장하지만 우리 브랜드가 빠지는 질문과, 경쟁사가 인용되는 출처를 분석합니다.

↓

7. Action으로 전환한다

새 콘텐츠가 필요한지, 기존 페이지를 고쳐야 하는지, 브랜드 정보를 명확히 해야 하는지 결정합니다.

↓

8. 콘텐츠를 발행하고 다시 측정한다

발행 자체가 GEO의 끝이 아닙니다. 같은 질문 집합을 반복 측정해 실제 AI 답변이 어떻게 변하는지 확인합니다.

도슨티GEO의 공식 서비스 역시 이를 질문 중심의 AI 노출 모니터링과 개선이라는 방향으로 설명하고 있으며, 현재 도슨티GEO에서 발행되는 콘텐츠도 이러한 분석→콘텐츠→재평가 구조를 중심으로 확장되고 있습니다.

​

GEO는 결국 ‘AI가 우리 회사를 알고 있는가’보다 더 구체적인 문제다

“ChatGPT가 우리 회사를 아는가?”

이 질문만으로는 GEO를 측정하기 어렵습니다.

더 좋은 질문은 다음과 같습니다.

우리 고객이 실제 구매 과정에서 던지는 중요한 질문에 대해 AI가 우리 브랜드를 적절한 후보로 선택하고 있는가?

그리고 이어서 확인해야 합니다.

어떤 AI에서?
어떤 Persona에게?
어떤 질문에서?
어떤 경쟁사와 함께?
어떤 근거를 사용해?
얼마나 자주?
얼마나 정확하게?

이 질문에 데이터로 답하고, 부족한 부분을 콘텐츠와 브랜드 정보로 개선한 뒤 다시 측정하는 것.

그것이 2026년의 GEO에 더 가까운 정의입니다.

한국 기업이라면 여기에 한 가지 질문이 더 붙습니다.

ChatGPT와 Google뿐 아니라 Naver AI에서는 어떻게 보이고 있는가?

AI 검색이 글로벌 LLM과 한국의 검색·쇼핑·로컬 플랫폼에서 동시에 발전하고 있는 지금, 한국의 GEO에는 한국 시장에 맞는 별도의 관찰과 실행 체계가 필요합니다.

도슨티GEO는 바로 그 질문에서 출발합니다.

키워드 순위만 보는 대신 고객이 실제로 던지는 질문을 정의하고, AI가 어떤 브랜드와 출처를 선택하는지를 측정하고, 경쟁사와의 차이를 찾은 뒤 다음 콘텐츠와 Action으로 연결하는 것.

GEO를 단순한 유행어가 아니라 측정 가능한 마케팅 운영 시스템으로 만드는 것이 도슨티GEO가 지향하는 방향입니다.

​

---

​

참고 자료

• Aggarwal et al., GEO: Generative Engine Optimization — GEO 개념과 GEO-Bench, 최대 40% visibility improvement 실험 논문 보기

• Google Search Central, AI features and your website — AI Overviews·AI Mode와 기존 SEO의 관계 Google 공식 문서

• Google Search Central, Optimizing your website for generative AI features — RAG와 AI 검색 최적화 원칙 Google 공식 가이드

• NAVER, AI 브리핑 발표 — 네이버 검색과 생성형 AI의 결합 NAVER 공식 자료

• NAVER, AI탭 정식 출시 — 네이버 대화형·에이전틱 검색 전략 NAVER 공식 자료

• NAVER, AI탭 1,000만 사용자 발표 NAVER 공식 자료

• Semrush, Why 62% of AI citations don’t lead to brand mentions — citation과 brand mention 차이 연구 보기

• Semrush, AI visibility is a topic-level game — 단일 prompt와 topic-level visibility의 차이 연구 보기

• Semrush, Only 25% of cited sources overlap between ChatGPT’s different reasoning modes 연구 보기

​

​