콘텐츠로 건너뛰기

RAG 시대의 GEO: AI가 콘텐츠를 읽는 방식과 스키마의 진짜 역할

  • 테크

지난 편에서 우리는 “AI가 우리 콘텐츠를 읽지 못하면 존재하지 않는 것과 같다”는 이야기와 함께, 정보에 명찰을 달아주는 구조화 데이터(Schema Markup)의 역할을 살펴봤습니다. 글 말미에는 AI와 검색엔진이 우리 웹사이트의 정보를 어떻게 수집하고 최신 상태로 반영하는지 다루겠다고 예고했죠.
그런데 이 주제를 준비하던 중, Google이 생성형 AI 검색의 판도를 정리하는 중요한 공식 가이드를 발표했습니다. 크롤링과 업데이트의 세부 메커니즘으로 들어가기 전에, 먼저 이 내용을 기준으로 AI가 어떤 방식으로 웹 콘텐츠를 찾고 답변에 반영하는지 짚고 넘어갈 필요가 생겼습니다.
이번 글에서는 RAG와 쿼리 팬아웃이라는 두 가지 개념을 바탕으로 AI 검색의 큰 흐름을 살펴보고, 지난 편에서 강조했던 구조화 데이터가 AI 시대에도 여전히 유효한지 Google의 공식 가이드를 실무 관점에서 해석해보겠습니다.

👉 지난 편 다시보기: ChatGPT, Gemini도 못 찾는 당신의 콘텐츠 – 구조화 데이터와 GEO의 역할

6개월 사이에 일어난 변화

지난 편을 발행한 이후 가장 눈에 띄는 변화는 Google이 생성형 AI 검색을 위한 웹사이트 최적화(Optimizing your website for generative AI features on Google Search)와 관련된 공식 가이드를 발표한 것입니다. 이 문서는 생성형 AI 검색의 모든 내부 작동 방식을 공개한 문서는 아닙니다. 하지만 적어도 웹사이트 운영자와 콘텐츠 담당자가 무엇에 집중해야 하는지, 그리고 어떤 최적화 방식이 과장되어 있는지를 판단하는 기준점을 제공합니다.

이 공식 문서가 주는 시사점은 크게 두 가지입니다.

첫째, AI 검색도 결국 검색엔진이 발견하고 이해할 수 있는 웹 콘텐츠를 바탕으로 작동한다는 점입니다. 좋은 콘텐츠를 만드는 것만큼이나, 그 콘텐츠가 크롤링되고 색인되며 정확하게 해석될 수 있도록 만드는 일이 중요합니다.

둘째, ‘AI 검색 최적화’라는 이름으로 유통되는 여러 속설을 걸러낼 필요가 있다는 점입니다. AI 전용 마크업, 순위를 보장한다는 도구, AI만을 겨냥한 과도한 튜닝 방식은 실제 효과보다 과장되어 있을 수 있습니다.

따라서 이번 글에서는 AI가 정보를 수집하는 핵심 동작 원리를 살펴보는 동시에, Google의 공식 입장을 실무 관점에서 어떻게 해석해야 하는지 함께 살펴보겠습니다.

AI는 우리 사이트를 어떻게 읽어갈까

우리가 일상에서 여행 계획을 세우는 방식을 떠올려 보면 AI 검색의 작동 방식을 조금 더 쉽게 이해할 수 있습니다.

여름휴가를 준비할 때 우리는 검색창에 한 번만 검색하고 끝내지 않습니다. 먼저 “제주 가족여행 코스”를 검색해 전체적인 흐름을 파악한 뒤, 이어서 “제주 아이랑 갈 만한 식당”, “비 올 때 가기 좋은 실내 미술관”, “공항 근처 독채 숙소” 처럼 여러 질문을 이어갑니다. 그리고 흩어져 있는 정보 조각들을 하나로 종합해 최종 일정을 완성합니다.

웹 검색 기능을 사용하는 ChatGPT, Gemini, Claude, Perplexity, 그리고 Google의 AI 오버뷰(AI Overviews)나 AI Mode도 이와 비슷한 흐름으로 답변을 구성합니다. 과거에는 사람이 직접 수행하던 ‘질문 쪼개기 → 개별 검색 → 정보 취합 및 요약’의 과정을 이제는 AI가 대신 수행하는 셈입니다.

이 흐름을 이해하기 위해 알아두면 좋은 개념이 바로 RAG와 쿼리 팬아웃입니다.

개념 하나: RAG (검색 증강 생성)

RAG는 Retrieval-Augmented Generation의 약자로, 우리말로는 ‘검색 증강 생성’이라고 부릅니다.

쉽게 말해, LLM이 학습된 기억에만 의존해 답변하지 않고 질문과 관련된 외부 문서를 먼저 찾은 뒤, 그 내용을 근거로 답변을 생성하는 방식입니다. 이는 LLM의 대표적인 한계인 할루시네이션(환각 현상)과 정보의 시의성 부족을 줄이기 위한 접근입니다.

앞서 여행 정보를 결정하기 전에 최신 블로그나 공식 홈페이지를 검색해 확인하는 행동을 떠올려보면 이해가 쉽습니다. 먼저 신뢰할 만한 자료를 찾고, 그 자료를 바탕으로 최종 판단을 내리는 과정이 RAG의 기본 구조와 닮아 있습니다.

물론 Google이 자사의 모든 AI 검색 기능을 RAG라는 하나의 용어로 설명하는 것은 아닙니다. 다만 Google은 AI 검색 기능이 기존 검색 시스템과 색인을 활용해 관련성 있는 웹페이지를 찾고, 그 정보를 바탕으로 답변과 출처 링크를 구성한다고 설명합니다. 이 흐름은 업계에서 말하는 RAG의  ‘검색 → 생성’ 구조와 맞닿아 있습니다. (Google 공식 가이드 – RAG 설명 참조)

여기서 중요한 점은 하나입니다.

AI가 답변을 만들 때 참고할 수 있는 자료 목록에 우리 웹사이트가 포함되지 않는다면, AI가 생성하는 답변 속에서 우리 브랜드가 등장할 가능성도 낮아집니다. 좋은 콘텐츠를 만드는 것만큼이나, 그 콘텐츠가 검색엔진과 AI 시스템에 잘 발견되고 해석될 수 있도록 만드는 일이 중요해진 이유입니다.

개념 둘: 쿼리 팬아웃 (Query Fan-out)

두 번째 개념은 쿼리 팬아웃입니다.

쿼리 팬아웃은 사용자가 던진 하나의 질문을 여러 개의 하위 질문이나 관련 검색어로 확장해 탐색하는 방식입니다.

예를 들어 사용자가 “마당의 잔디를 건강하게 관리하는 방법”을 묻는다고 해보겠습니다. AI는 이 질문에 답하기 위해 계절별 잔디 관리 방법, 물 주는 주기, 비료 종류, 잡초 제거, 반려동물에게 안전한 잔디 관리처럼 여러 하위 주제로 검색을 확장할 수 있습니다.

이 개념이 실무자에게 주는 힌트는 명확합니다.

과거의 SEO가 특정 단일 키워드에 페이지를 노출시키는 데 집중했다면, 생성형 AI 검색 시대에는 하나의 주제에서 파생되는 다양한 세부 질문(Sub-queries)에 콘텐츠가 얼마나 충실히 답하고 있는지가 더 중요해졌습니다.

즉, 특정 단어 하나를 반복하는 콘텐츠보다 주제 전체를 깊이 있게 다루는 콘텐츠가 유리해지고 있습니다.

AI가 콘텐츠를 답변에 반영하는 흐름

제품과 서비스마다 세부 구현은 다르지만, 생성형 AI 검색이 웹 콘텐츠를 활용하는 큰 흐름은 다음과 같이 정리할 수 있습니다.

  1. 질문 세분화: 사용자의 질문을 분석하고 여러 관점의 세부 질문들로 나눕니다.
  2. 정보 검색: 각 세부 질문에 맞는 웹페이지들을 검색 색인이나 외부 자료에서 찾습니다.
  3. 내용 검토 및 종합: 수집한 웹페이지들의 본문을 비교하고 요약하여 답변의 근거로 삼습니다.
  4. 답변 생성 및 출처 연결: 최종 답변을 생성하고, 필요에 따라 참고한 페이지의 출처 링크(인용구)를 함께 노출합니다.

이 과정에서 우리 브랜드의 콘텐츠가 얼마나 정확하게 발견되고, 신뢰할 만한 근거로 해석되느냐가 앞으로의 디지털 가시성을 결정하게 됩니다.

그렇다면 구조화 데이터는 아직 유효할까?

여기서 자연스럽게 이런 질문이 생깁니다.

“AI가 이제 웹페이지의 본문을 직접 읽고 이해하는 수준에 도달했다면, 굳이 스키마 마크업(Schema Markup) 같은 구조화 데이터를 넣을 필요가 있을까?”

Google의 공식 가이드를 실무 관점에서 요약하면 답은 이렇습니다.

구조화 데이터는 AI Overviews 같은 생성형 AI 검색 기능에 노출되기 위한 필수 조건은 아닙니다. 또한 AI만을 위해 추가해야 하는 특별한 schema.org 마크업이 따로 있는 것도 아닙니다.

하지만 그렇다고 구조화 데이터가 쓸모없어진 것은 아닙니다. 구조화 데이터는 여전히 검색엔진이 페이지의 정보 유형과 의미를 더 명확하게 이해하도록 돕습니다. 또한 별점, 가격, 리뷰, 이벤트, 제품 정보 등 리치 결과 노출 자격을 확보하는 데도 중요한 역할을 합니다.

즉, 구조화 데이터는 AI 답변 노출을 보장하는 만능열쇠는 아니지만, 웹사이트의 정보를 기계가 일관되게 해석하도록 돕는 기본 인프라입니다.

※ 위 내용은 Google 공식 가이드의 “Mythbusting generative AI search” 섹션을 직접 인용한 것이 아니라, 실무 관점에서 요약한 내용입니다.

스키마의 진짜 가치

Google의 이러한 발표를 두고 일각에서는 “이제 스키마 마크업은 쓸모없어졌다”라고 성급하게 결론 내리기도 합니다. 하지만 이는 핵심을 잘못 이해한 해석에 가깝습니다.

Google이 지적한 것은 스키마 마크업 몇 줄이 AI 답변 노출을 보장해주는 마법의 치트키(Silver Bullet)가 아니다라는 점입니다. 알맹이 없는 부실한 콘텐츠에 명찰만 화려하게 단다고 해서 AI가 신뢰할 만한 출처로 인용해주지는 않습니다.

이를 이해하기 위해 지난 편에 소개해 드린 ‘신분증 비유’를 다시 가져와 보겠습니다.

잘못된 기대는 이렇습니다.

“지갑에 신분증이 있으니 면접관이 나를 무조건 합격시켜줄 것이다.”

하지만 실제 작동 방식은 이쪽에 가깝습니다.

“합격 여부는 내 역량이 결정한다. 다만 신분증은 면접장에 들어갈 때 내가 누구인지 빠르고 정확하게 확인시켜주는 역할을 한다.”

구조화 데이터도 마찬가지입니다. 콘텐츠의 신뢰성, 독창성, 깊이를 대신해주지는 않습니다. 대신 검색엔진과 AI 시스템이 우리 웹사이트의 정보 구조와 정체성을 더 정확하게 이해하도록 돕습니다.

AI가 신뢰할 수 있는 정보 구조를 어떻게 설계하는지 더 깊이 살펴보고 싶다면,
👉 브랜드가 AI 답변에 인용되기 위해 필요한 정보 구조

두 가지 관점의 명확한 구분

이 이슈는 아래 두 가지 질문으로 나누어 생각하면 실무 방향성이 명확해집니다.

  • 질문 A. 스키마 마크업만 적용하면 AI 답변에 우리 브랜드가 최우선 인용되는가?
    • 답은 “아니오”에 가깝습니다. 콘텐츠 자체의 독창성과 신뢰성(E-E-A-T)이 뒷받침되지 않으면, 스키마만으로 인용이 늘지 않습니다.
  • 질문 B. 스키마 마크업이 AI가 우리 브랜드를 정확히 이해하게 돕는 기본 인프라인가?
    • 이 질문에 대한 답은 여전히 “예”입니다. 특히 제품 정보, 조직 정보, FAQ, 이벤트 정보 등 정형화된 데이터 영역에서는 기계가 페이지의 맥락을 더 일관되게 파악하도록 돕기 때문입니다.

다만 Google의 공식 입장은 어디까지나 Google Search 기준으로 이해해야 합니다.  OpenAI의 ChatGPT Search, Perplexity 등 다른 AI 검색 서비스는 각기 다른 크롤러와 색인 방식을 사용합니다. 이들 서비스가 구조화 데이터를 어느 정도 활용하는지는 공개 범위가 제한적이지만, 명확한 정보 구조가 다양한 크롤러와 AI 시스템에 도움이 된다는 점은 여전히 유효합니다.

그래서 우리는 무엇을 해야 하나

Google의 공식 가이드와 RAG, 쿼리 팬아웃의 작동 원리를 종합해보면, 우리가 집중해야 할 영역은 화려한 기술적 편법이 아니라 기본기에 가깝습니다.

1. 독창적인 콘텐츠(Non-Commodity Content) 생산

어디에나 있는 이론 요약이나 짜깁기 콘텐츠는 AI가 굳이 인용할 이유가 적습니다.

우리가 직접 겪은 구체적인 성공/실패 사례, 제품 개발 과정에서 얻은 인사이트, 고객 인터뷰, 전문가 관점의 해석처럼 ‘우리 사이트에서만 볼 수 있는 정보’를 제공해야 합니다.

AI 시대에는 단순히 검색어를 포함한 글이 아니라, 답변의 근거로 삼을 만한 콘텐츠가 중요해집니다.

2. 기술적 SEO(Technical SEO) 장벽 제거

아무리 좋은 콘텐츠라도 검색엔진과 AI 크롤러가 접근할 수 없다면 활용되기 어렵습니다.

robots.txt 설정이 잘못되어 있거나, 중요한 콘텐츠가 noindex 처리되어 있거나, 자바스크립트 오류로 본문이 제대로 렌더링되지 않는다면 검색 시스템은 해당 콘텐츠를 충분히 이해하기 어렵습니다. 페이지 속도, 내부 링크 구조, 사이트맵, canonical 설정 역시 점검해야 할 요소입니다.

결국 RAG의 첫 단계는 ‘찾을 수 있는 콘텐츠’입니다. 콘텐츠가 발견되고, 크롤링되고, 색인될 수 있어야 AI 답변의 참고 자료가 될 가능성도 생깁니다.

3. 구조화 데이터의 꾸준한 유지관리

스키마 마크업을 AI 노출을 위한 치트키로 보아서는 안 됩니다. 대신 웹사이트의 정보를 표준화해 전달하는 기본 규격으로 봐야 합니다.

예를 들어 기업 정보에는 Organization, 제품이나 서비스에는 Product 또는 Service, 글 콘텐츠에는 Article이나 BlogPosting, 페이지 경로에는 BreadcrumbList를 적용할 수 있습니다.

FAQPage처럼 Google 리치 결과 노출 범위가 제한될 수 있는 유형은 기대치를 과하게 잡지 않는 것이 좋습니다. 다만 실제 FAQ 콘텐츠가 페이지에 존재하고 사용자에게 도움이 된다면, 의미 구조를 명확히 하는 목적으로 활용할 수 있습니다.

핵심은 구조화 데이터가 페이지에 보이는 실제 내용과 일치해야 한다는 점입니다.

4. 단일 키워드가 아닌 토픽 클러스터(Topic Cluster) 중심의 기획

쿼리 팬아웃에 대응하려면 하나의 키워드만 겨냥한 단편적인 글쓰기에서 벗어나야 합니다.

하나의 핵심 주제를 정했다면, 사용자가 이어서 물어볼 만한 세부 질문을 함께 설계해야 합니다. 예를 들어 “구조화 데이터”라는 주제를 다룬다면, 다음과 같은 하위 콘텐츠가 연결될 수 있습니다.

  • 구조화 데이터란 무엇인가
  • schema.org와 JSON-LD의 차이
  • Organization, Product, FAQPage 적용 방법
  • Google 리치 결과 테스트 방법
  • AI 검색 시대에 구조화 데이터가 갖는 의미
  • 잘못된 스키마 적용 사례와 수정 방법

이처럼 주제의 맥락을 촘촘히 연결하면, AI가 여러 하위 질문을 탐색할 때 우리 콘텐츠가 참고될 가능성도 높아집니다.

5. 공식 지표 기준 모니터링

AI 검색 최적화 도구는 빠르게 늘어나고 있습니다. 그러나 Google 내부의 랭킹 시스템이나 AI 답변 노출 방식을 완벽하게 재현한다고 주장하는 도구에는 신중할 필요가 있습니다.

우선은 Google Search Console에서 제공하는 검색 노출, 클릭, 검색어, 페이지별 성과, 색인 상태를 기준으로 봐야 합니다. 여기에 서버 로그, 주요 AI 검색 서비스에서의 수동 점검, 브랜드 언급 모니터링 등을 보조적으로 활용하는 편이 안전합니다.

중요한 것은 한 번의 점검이 아니라 반복적인 관찰입니다.

마치며: 화려한 기술보다 단단한 기본기

지난 편에서 GEO는 마법이 아니라, 콘텐츠와 데이터 구조가 결합된 기술이라고 말씀드렸습니다. Google의 이번 가이드는 이 방향을 더 분명하게 보여줍니다.

AI 시대의 가시성은 남들이 모르는 비밀스러운 최적화 기법에서 나오지 않습니다. 검색엔진이 읽을 수 있는 사이트, 신뢰할 수 있는 콘텐츠, 일관된 정보 구조라는 기본기를 꾸준히 지키는 데서 나옵니다.

AI 시대의 GEO(생성형 엔진 최적화)는 시스템을 속이는 행위가 아닙니다.

  • 기계가 정확하고 빠르게 읽을 수 있는 기술적 뼈대, 웹 표준과 구조화 데이터
  • 사람과 AI 모두에게 충분한 근거와 맥락을 제공하는 독창적인 1차 콘텐츠

이 두 가지가 조화롭게 갖춰질 때, 우리 브랜드는 AI가 생성하는 수많은 답변 속에서 신뢰할 수 있는 출처로 자리 잡을 수 있습니다.

그리고 이 기본기는 한 번 갖춰두고 끝나는 것이 아닙니다. AI 검색 엔진은 계속 바뀌고, 경쟁사들 역시 발 빠르게 움직이고 있습니다. 따라서 진단 → 개선 → 모니터링의 과정을 주기적으로 반복하며, 우리 브랜드가 AI 답변 속에서 어떤 위치에 있는지 꾸준히 확인해야 합니다.

다음 편에서는 이번 글의 ‘답변 생성 흐름’에서 한 단계 더 아래로 내려가, 검색엔진과 AI 크롤러가 우리 사이트의 정보를 어떻게 발견하고 수집하며 최신 상태로 갱신하는지 살펴보겠습니다.

참고 자료

최신 마케팅/고객 데이터 활용 사례를 받아보실 수 있습니다.

비즈스프링 뉴스레터 구독하기 →