kknaks.dev

개요

2025년 현재 검색 환경은 급속도로 변하고 있습니다. ChatGPT, Google AI 오버뷰, Perplexity AI 같은 생성형 AI들이 사용자의 쿼리에 직접 답변을 제공하면서, 기존의 웹사이트 링크 클릭 기반 트래픽이 급감하고 있습니다. "제로 클릭 검색"(사용자가 검색 결과를 클릭하지 않고 AI 답변만 읽고 나감)이 전체 검색의 약 60%에 달하는 시점입니다. 더욱이, 한국인의 생성형 AI 사용 경험률이 2023년 20%에서 2025년 40% 이상으로 급증했습니다.

이 환경에서 "SEO는 죽었다"는 말이 나오고 있지만, 현실은 더 복잡합니다. SEO와 생성형 AI 최적화(GEO, Generative Engine Optimization)는 상충 관계가 아니라 상보 관계입니다. 이 강의에서는 왜 GEO가 중요한지, SEO와 어떻게 조화를 이루는지, 그리고 구체적으로 어떻게 콘텐츠를 최적화해야 하는지를 배우게 됩니다.

배경 / 사전 지식

제로 클릭 검색 (Zero-Click Search)

사용자가 검색 결과 페이지(SERP)에서 웹사이트 링크를 클릭하지 않고, 검색 결과 자체(특히 AI 요약)에서 질문에 대한 답을 얻고 나가는 현상입니다. 예를 들어, "한국인의 커피 소비량"을 검색하면 Google AI 오버뷰가 상단에서 직접 "2024년 한국인의 커피 소비량은 연간 353잔"이라고 답변해주므로, 더 이상 웹사이트를 방문할 필요가 없어집니다.

생성형 AI 및 LLM (Large Language Model)

ChatGPT, Claude, Gemini, Perplexity AI 등이 훈련 데이터와 실시간 검색을 결합하여 자연스러운 텍스트로 답변을 생성하는 모델들입니다. 이들은 특정 웹사이트나 통계를 인용할 때 원본 출처를 명시합니다. 이때 어떤 웹사이트가 인용되는가가 곧 새로운 트래픽 기회가 됩니다.

E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness)

Google이 콘텐츠 품질 평가에서 강조하는 요소들입니다:

Experience: 저자의 직접 경험
Expertise: 분야 전문성
Authoritativeness: 권위성 (도메인 신뢰도)
Trustworthiness: 신뢰도 (정보의 정확성, 출처 명시)

AI 모델들도 이 E-E-A-T를 인용 여부 결정에 반영합니다.

스키마 마크업 (Schema Markup)

HTML 코드에 추가되는 구조화된 데이터입니다. 검색 엔진과 AI 크롤러가 페이지의 내용을 사람이 읽는 것처럼 이해하는 게 아니라, 명확한 메타데이터(저자, 발행일, Q&A 쌍 등)를 통해 빠르게 파악할 수 있도록 합니다. JSON-LD 형식으로 작성됩니다.

핵심 개념

GEO (Generative Engine Optimization)

GEO는 생성형 AI 모델의 검색 응답 시스템에서 내 웹사이트가 인용되거나 링크되도록 콘텐츠와 기술 구조를 최적화하는 마케팅 전략입니다. 기존 SEO가 "검색 결과 순위"에 집중했다면, GEO는 "AI 답변 안의 인용"에 집중합니다.

각 AI 모델은 다른 인용 방식을 사용합니다:

Google AI 오버뷰: 기존 Google 검색 순위 알고리즘을 기반으로 1~12위의 페이지를 요약하고 인용합니다.
ChatGPT: 답변 본문 후 하단의 빨간 네모로 인용 출처를 명시합니다.
Perplexity AI: 답변의 상단에 출처 링크를 표시하고, 답변 중간에도 각 정보의 출처를 명시합니다.
Claude: 답변 위에 요약형 출처 표시, 그리고 답변 중간중간에 인라인 출처를 표시합니다.

SEO와 GEO의 관계

흔한 오해: "GEO 때문에 SEO는 이제 불필요하다."

현실:

Google AI 오버뷰는 기존 SEO 순위 기반: Google은 공식적으로 자신의 AI 오버뷰가 검색 1~12위의 페이지를 요약한다고 밝혔습니다. 즉, SEO 순위가 높을수록 AI 오버뷰에 인용될 확률이 높습니다.
ChatGPT와 SEO의 상관관계: Search Engine Journal의 분석에 따르면, Google 검색 페이지 1위에 노출된 브랜드가 ChatGPT 답변에 언급될 확률이 훨씬 높습니다.
Perplexity의 도메인 권위 선호: 독립 연구기관들이 분석한 결과, Perplexity의 소스 풀이 SEO 상위 도메인과 크게 중첩됩니다. Brave Edge의 연구에서도 Perplexity가 SEO 상위 도메인을 우선적으로 인용하는 경향을 확인했습니다.

결론: SEO의 순위가 높으면 LLM 언급 및 인용에 유리하며, 이는 (1) AI가 직접 순위 신호를 참고하거나, (2) 간접적으로 도메인의 전문성과 권위를 인식하기 때문입니다.

따라서 SEO와 GEO는 상충하지 않으며, 오히려 함께 전진해야 하는 전략입니다.

작동 원리

GEO 성공의 단계적 과정

사용자가 생성형 AI에 질문을 입력
- 예: "한국의 커피 소비량은?"
AI 모델이 인터넷 검색 또는 학습 데이터에서 정보 수집
- ChatGPT, Perplexity, Claude 등은 실시간 또는 최근 검색 결과를 활용합니다.
- 특히 Google 검색 결과나 신뢰도 높은 도메인을 우선 참고합니다.
AI가 신뢰도 기준에 따라 출처 선택
- Perplexity: "가장 신뢰도 높은 도메인에서 질문과 유사한 핵심 문장이 포함된 페이지를 선택"
- Google AI 오버뷰: 기존 검색 순위 기반 (1~12위)
- ChatGPT: Bing 검색 기반 및 신뢰도 높은 콘텐츠 크롤링
AI가 선택한 출처의 정보를 답변에 통합
- 직접 인용하거나, 정보를 요약한 후 출처를 명시합니다.
사용자가 AI 답변에서 당신의 웹사이트 출처를 클릭
- 제로 클릭 상황에서도 출처 링크를 통해 트래픽 유입이 발생합니다.

각 AI 모델별 인용 기준

Perplexity AI 공식 발표

가장 신뢰도 높은 도메인
질문과 유사한 핵심 문장이 있는 페이지
정보의 신선도 (최신 업데이트)

Google AI 오버뷰

기존 Google 검색 알고리즘 기반 순위
1~12위 페이지의 정보 요약
E-E-A-T 신호 활용

ChatGPT

Bing 검색 결과 기반
신뢰도 높은 콘텐츠
최신 정보 선호

코드 예시

예시 1: FAQ 스키마 마크업

일반적인 텍스트 기반 FAQ 구조:

<h2>한국인의 커피 소비량은?</h2>
<p>2024년 기준 한국인의 커피 소비량은 연간 353잔이며, 이는 OECD 통계에서 확인할 수 있다.</p>

AI가 구조화된 데이터로 이해하는 JSON-LD 스키마 마크업:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "한국인의 커피 소비량은?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "2024년 기준 한국인의 커피 소비량은 연간 353잔이며, 이는 OECD 통계에서 확인할 수 있다."
      }
    }
  ]
}
</script>

설명:

@type: "FAQPage": 이 페이지가 FAQ 형식임을 명시
"Question" 객체: 각 질문을 구조화
"Answer" 객체: 완전한 답변을 한 문장으로 명시

AI 크롤러가 이 JSON-LD 코드를 읽으면, 일반 텍스트를 파싱하는 것보다 훨씬 빠르고 정확하게 "질문-답변 쌍"을 인식할 수 있습니다. 특히 Perplexity나 ChatGPT가 새로운 질문을 받을 때, 이 페이지의 FAQ 스키마를 검색 인덱스에서 매칭시킬 확률이 높아집니다.

예시 2: Article 스키마 마크업 (저자, 발행일 포함)

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "2024년 한국의 커피 시장 현황과 소비 트렌드",
  "author": {
    "@type": "Person",
    "name": "김철수",
    "url": "https://mysite.com/about/kim-chulsu"
  },
  "datePublished": "2024-06-15",
  "dateModified": "2025-01-20",
  "articleBody": "2024년 기준 한국인의 커피 소비량은 연간 353잔이며, 이는 OECD 통계에서 확인할 수 있다. ..."
}
</script>

설명:

"author": 저자의 이름과 어바웃 페이지 링크로 전문성 신호 전달
"datePublished" / "dateModified": 정보의 신선도 표현

AI 모델들이 이 마크업을 읽으면, "이 정보는 누가 언제 작성했고, 저자가 신뢰할 만한 사람인가"를 판단할 수 있어 E-E-A-T 신호를 제대로 인식합니다.

예시 3: ChatGPT로 스키마 마크업 자동 생성

프롬프트:

다음 FAQ를 JSON-LD FAQ 스키마로 변환해줘:

Q: 한국인의 커피 소비량은?
A: 2024년 기준 한국인의 커피 소비량은 연간 353잔이며, 이는 OECD 통계에서 확인할 수 있다.

Q: 한국의 커피 소비는 증가하고 있나?
A: 네, 한국의 커피 소비량은 최근 10년간 지속적으로 증가 추세를 보이고 있다.

결과: ChatGPT가 자동으로 위의 JSON-LD 형식을 생성해주므로, 복잡한 스키마 문법을 몰라도 코드를 작성할 수 있습니다.

함정·실수

실수 1: 긴 문단형 답변

❌ 잘못된 예:

한국의 커피 소비 문화는 매우 발전했습니다. 많은 사람들이 커피를 즐깁니다. 
소비량은 계속 증가 추세입니다. 특히 젊은 세대에서 인기가 높습니다.

AI는 "어느 문장이 핵심 정보인가?"를 파악하기 어렵고, 전체 문단을 인용해야 하므로 자신 있게 인용하지 못합니다.

✅ 올바른 예:

2024년 기준 한국인의 커피 소비량은 연간 353잔이며, 이는 OECD 통계에서 확인할 수 있다.

한 문장에 구체적인 수치와 출처가 있으므로, AI가 이 정보를 신뢰하고 인용하기 쉬워집니다.

실수 2: 저자 정보와 발행일 누락

❌ 잘못된 예:

<article>
  <h1>2024년 한국의 커피 시장 현황</h1>
  <p>2024년 기준 한국인의 커피 소비량은 연간 353잔...</p>
</article>

AI가 이 정보가 신뢰할 만한지, 최신 정보인지 판단할 수 없습니다.

✅ 올바른 예:

<article>
  <h1>2024년 한국의 커피 시장 현황</h1>
  <p><strong>저자:</strong> <a href="/about/kim-chulsu">김철수</a> (마케팅 리서치 센터 이사)</p>
  <p><strong>발행일:</strong> 2024-06-15 | <strong>수정일:</strong> 2025-01-20</p>
  <p>2024년 기준 한국인의 커피 소비량은 연간 353잔...</p>
</article>

실수 3: 스키마 마크업 없이 일반 텍스트만 제공

AI 크롤러가 텍스트를 자유 형식으로 파싱해야 하므로 정확도가 낮아집니다. 특히 복잡한 통계나 Q&A는 스키마 마크업이 있을 때 훨씬 높은 정확도로 인용됩니다.

실수 4: 다른 사이트 콘텐츠 단순 요약

❌ 위험:

"위키피디아에 따르면, 커피는..." (다른 사이트 내용 복부)

AI는 원본 출처(위키피디아)를 인용하지, 당신의 사이트를 인용하지 않습니다.

✅ 올바른 예:

위키피디아의 데이터를 바탕으로, 우리의 조사에서는 
한국 시장 특성을 고려하여 다음을 발견했다: ...
(자체 분석, 통계, 인터뷰 추가)

자신의 고유한 분석과 해석을 덧붙이면, AI가 당신의 사이트를 원본 출처로 인용하게 됩니다.

실수 5: H2, H3 태그 없이 평문 작성

AI 크롤러가 콘텐츠의 계층 구조를 파악하기 어렵습니다.

❌ 평문: "한국의 커피 소비량은 353잔이고..."

✅ 권장:
<h2>한국의 커피 소비량</h2>
<p>2024년 기준 한국인의 커피 소비량은 연간 353잔이며, 
이는 OECD 통계에서 확인할 수 있다.</p>

계층적 제목 구조가 있으면 AI가 "이 섹션의 핵심은 X다"라고 빠르게 인식합니다.

베스트 프랙티스

1. SEO와 GEO를 동시에 고려한 콘텐츠 구조

추천 비중: SEO 70%, GEO 30% 으로 시작하되, 시간에 따라 GEO 비중을 높여갑니다.

SEO에 필요한 것: 키워드 최적화, 백링크, 도메인 권위 구축, 정기적 콘텐츠 발행
GEO에 추가로 필요한 것: 스키마 마크업, 한 문장 완결형 답변, 구체적 통계와 출처

2. "질문 → 한 문장 답변" 구조 설계

콘텐츠를 작성할 때:

## [H2 제목] — 명확한 질문 형태

[한 문장의 완전한 답변] — 구체적 수치, 출처 포함

[상세 설명 및 배경 정보]

예:

## 한국인의 커피 소비량은?

2024년 기준 한국인의 커피 소비량은 연간 353잔이며, 
이는 OECD 통계에서 확인할 수 있다.

이 수치는 최근 10년간 꾸준히 증가해왔으며, 
특히 20~40대 도시 거주자 중심으로 소비가 증가하고 있다. ...

AI가 첫 문장에서 답변을 바로 추출할 수 있습니다.

3. 스키마 마크업 적극 활용

FAQ 페이지: FAQPage + Question/Answer 스키마 필수
블로그/뉴스: Article 스키마에 저자, 발행일, 수정일 포함
상품/서비스: Product, LocalBusiness 스키마로 구조화

4. E-E-A-T 신호 강화

저자 신뢰도 (Authoritativeness)

각 글마다 저자 이름과 직책 명시

"어바웃" 페이지 작성 및 저자 약력 게시

<p>저자: <a href="/about/kim-chulsu">김철수</a> 
— 마케팅 리서치 센터 이사, 저서 3권</p>

경험도 (Experience)

직접 조사한 데이터, 인터뷰, 사례 연구 공개
"이 정보는 우리가 50개 브랜드를 분석해서 얻은 결과입니다"라고 명시

신뢰도 (Trustworthiness)

HTTPS 사용 (필수)
정보 출처를 명확히 링크 (gov, edu, 연구기관 우선)
개인정보 처리방침, 이용약관 게시
거짓 정보나 미확인 주장 배제

5. 정기적 콘텐츠 업데이트

AI 모델들은 최신 정보를 선호합니다.

기존 글의 "수정일" 필드를 정기적으로 업데이트
통계, 예시, 출처를 최신 정보로 교체
"2024년 업데이트됨", "2025년 1월 검증됨" 같은 시간 신호 추가

6. 고유한 데이터와 인사이트

AI가 중복 콘텐츠보다 차별화된 정보를 우선합니다:

자체 조사: 200명 대상 설문 결과 발표
지역 데이터: 서울 지역 커피 소비 특성 분석
전문가 인터뷰: 커피 전문점 운영자 10명 인터뷰
원본 통계 분석: OECD 데이터를 한국 시장에 맞게 재분석

7. 기술적 품질 (SEO와 동일)

HTTPS 필수: https:// 사용
로딩 속도: 3초 이내 로딩 (모바일 포함)
모바일 최적화: 모든 콘텐츠가 모바일에서 읽기 좋음
광고 관리: 콘텐츠를 방해하는 광고 제거

8. 내부 링킹 최적화

AI가 당신의 도메인 내 다른 관련 콘텐츠도 함께 인식하도록:

## 한국의 커피 소비량

2024년 기준 한국인의 커피 소비량은 연간 353잔이며, 
이는 OECD 통계에서 확인할 수 있다. 
[자세히 보기: 한국의 커피 시장 규모 분석](/blog/korean-coffee-market)

9. 장기 전략: SEO → GEO 점진적 확대

현재 (2025): SEO를 충실히 하면서 GEO 준비

기본 SEO: 키워드, 백링크, 도메인 권위
GEO 준비: 스키마 마크업 추가, 한 문장 답변 구조화

미래 (2026~): GEO 비중 증가

GEO 특화 전략 확대 (구조화된 데이터, 고유 데이터)
AI별 최적화 고도화 (Perplexity, Claude 등 모니터링)

참고

영상에서 언급된 자료 및 출처

노아 브랜딩 채널: https://youtube.com/@noabranding (SEO 및 GEO 관련 시리즈)
노아 브랜딩 공식 웹사이트: https://noabranding.kr
노아 브랜딩 SEO 플레이리스트: https://youtube.com/playlist?list=PL11X2qatwOyJco8yVh4CujQ0ORgB_JO1q

영상에서 언급된 연구 및 통계

한국의 생성형 AI 사용 경험률: 2023년 20% 미만 → 2025년 40% 이상 (한국 마케팅 통계)
제로 클릭 검색 비율: 약 60% (다양한 조사 기관)
SearchEngineJournal 분석: Google 검색 1페이지 노출 브랜드의 ChatGPT 언급률이 더 높음
Brave Edge 연구: Perplexity의 소스 풀이 SEO 상위 도메인과 높은 중첩도를 보임
Perplexity 공식 발표: "가장 신뢰도 높은 도메인에서 질문과 유사한 핵심 문장이 포함된 페이지를 선택"

다음 학습 주제

영상에서는 스키마 마크업의 상세 기법을 다음 편에서 다룬다고 예고했습니다:

FAQPage 스키마 구현 가이드
Article 스키마 최적화
Google Search Console에서 스키마 검증
각 AI 모델별 마크업 검증 방법

Video

Study material

개요

배경 / 사전 지식

제로 클릭 검색 (Zero-Click Search)

생성형 AI 및 LLM (Large Language Model)

E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness)

스키마 마크업 (Schema Markup)

핵심 개념

GEO (Generative Engine Optimization)

SEO와 GEO의 관계

작동 원리

GEO 성공의 단계적 과정

각 AI 모델별 인용 기준

코드 예시

예시 1: FAQ 스키마 마크업

예시 2: Article 스키마 마크업 (저자, 발행일 포함)

예시 3: ChatGPT로 스키마 마크업 자동 생성

함정·실수

실수 1: 긴 문단형 답변

실수 2: 저자 정보와 발행일 누락

실수 3: 스키마 마크업 없이 일반 텍스트만 제공

실수 4: 다른 사이트 콘텐츠 단순 요약

실수 5: H2, H3 태그 없이 평문 작성

베스트 프랙티스

1. SEO와 GEO를 동시에 고려한 콘텐츠 구조

2. "질문 → 한 문장 답변" 구조 설계

3. 스키마 마크업 적극 활용

4. E-E-A-T 신호 강화

저자 신뢰도 (Authoritativeness)

경험도 (Experience)

신뢰도 (Trustworthiness)

5. 정기적 콘텐츠 업데이트

6. 고유한 데이터와 인사이트

7. 기술적 품질 (SEO와 동일)

8. 내부 링킹 최적화

9. 장기 전략: SEO → GEO 점진적 확대

참고

영상에서 언급된 자료 및 출처

영상에서 언급된 연구 및 통계

다음 학습 주제