내 콘텐츠 팀이 가장 열심히 하는 일이 있다. 체류시간을 늘리고, 스크롤 깊이를 높이고, 전환율을 올리는 것. 그런데 2025년 7월, AI 검색 트래픽이 73억 방문을 넘겼다는 사실(Crystal Carter, 2025)은 이 모든 지표를 뒤흔들었다. AI는 당신의 글을 ‘읽지 않는다’. ‘추출한다. 사람을 위해 쓴 문장이 기계에게는 무의미한 잡음이 되는 시대가 왔다. 그리고 이 모순을 해결하지 않으면, 당신의 글은 두 세계 어디에도 존재하지 않는다.

두 독자가 동시에 앉아 있다 — 그런데 서로 원하는 게 정반대다

Search Engine Land의 가이드 “How to create answer-first content that AI models actually cite”(Tanatswa Chingwe, 2025)는 이 모순을 가장 정직하게 드러낸 글이다. 가이드가 제시하는 10가지 규칙을 관통하는 하나의 원칙은 이것이다. 답을 첫 두 문장에 넣어라. Q&A 구조를 써라. 사실을 의견보다 앞에 놔라. 120단어 미만 문단을 사용해라.

이 규칙들은 AI 인용 최적화의 ABC다. 그런데 여기서 멈추면 안 된다. 왜냐하면 같은 규칙들이 인간 독자의 체류시간을 갉아먹기 때문이다. 답을 먼저 주면 서사가 사라진다. Q&A 구조로 쓰면 산문의 리듬이 끊긴다. 사실을 먼저 놓으면 감정적 연결이 느려진다. 콘텐츠 팀이 ‘human-first’를 외치는 이유가 거기 있다 — AI가 인용하는 글은 읽히지 않고, 읽히는 글은 인용되지 않는다는 체험적 공포.

그런데 이 프레임은 틀렸다. 둘 중 하나를 골라야 한다는 전제 자체가 잘못됐다.

“인용 경제” — 자리는 3~5개뿐이다

이 갈등이 단순한 딜레마가 아니라 구조적 문제인 이유가 숫자에 있다. Z세대와 밀레니얼 사용자의 53%가 검색 결과를 스크롤하는 대신 AI의 직접 답변을 선호한다. 사람들은 클릭하지 않는다. 답을 받는다. 그런데 구글 SGE 미리보기의 70%는 단 3~5개의 직접-답변 리소스만 스포트라이트한다. 인용될 자리는 극히 적다.

상단에 문단 길이의 요약이 있는 페이지는 AI 생성 스니펫 포함률이 35% 더 높다.

이 숫자가 말해주는 것은 이것이다. 인용은 순위의 하위 개념이 아니라 별개의 게임이고, 그 게임에서 승리하는 글의 구조는 전통적인 ‘잘 쓴 글’의 구조와 다르다. AI는 페이지 전체를 읽는 대신 답변을 조립하기 좋은 조각을 골라낸다. 모델이 고르는 기준은 추출 용이성(extractability)이다. 명확하게 쓰이고, 해석해서 인용하기 쉬운 콘텐츠. 순위는 모른다. 추출 가능성은 안다.

해법 — 한 글에서 두 구조를 동시에 만드는 법

문제를 정확히 진단했으니 해법으로 가야 한다. 핵심은 이것이다. 하나의 글 안에서 AI가 추출할 수 있는 ‘응답층’과 인간이 읽을 수 있는 ‘서사층’을 동시에 구조화하라. 이 두 층은 같은 문장에서 동시에 존재할 수 있다. 조건은 하나 — 응답층이 서사층 위에 놓여야 한다.

구체적으로 어떻게 하는가. 가이드의 10단계 중에서 이 dual-structure를 직접 만드는 메커니즘은 세 가지로 모아진다.

1. 엔티티 일관성 — “Google Workspace”와 “G Suite”이 다른 것으로 읽히지 않게

AI 모델은 키워드가 아니라 엔티티로 생각한다. 사람, 브랜드, 도구, 조직 — 이들의 who, what, where가 콘텐츠의 신뢰 앵크다. 그런데 같은 대상을 한 페이지에서는 “Google Search Generative Experience”로 쓰고 다른 페이지에서는 “Google SGE”라고 쓰면, 모델은 이를 서로 다른 두 엔티티로 인식한다. 한 페이지에서 “Google Workspace”라고 쓰고 다른 페이지에서는 “G Suite”이라고 쓰는 것과 같다. 사람에게는 같은 것이지만, 기계에게는 두 개다. 엔티티 불일치는 시간이 흐를수록 권위 신호를 갉아먹는다.

해결책은 단순하다. 전체 이름을 일관되게 쓰고, sameAs로 신뢰할 수 있는 소스에 연결하라. /about 페이지, 공식 제품 허브, LinkedIn, Crunchbase. 이 링크들은 기계에게 “이 엔티티는 이것과 같다”는 증거를 제공하고, 동시에 인간 독자에게는 “이 브랜드를 더 알아볼 수 있다”는 경로가 된다. 두 독자를 동시에 만족시키는 구조다.

2. 스키마 마크업 — 읽히는 것처럼 보이지만, 기계는 구조를 읽는다

Human-readable과 machine-readable의 차이를 가장 명확하게 보여주는 것이 스키마다. FAQPage, HowTo, Article 같은 스키마 타입은 콘텐츠에 구조적 뼈대를 제공한다. 사람에게는 보이지 않지만, 기계에게는 “이 콘텐츠는 FAQ다”, “이 콘텐츠는 HowTo다”라고 말해주는 신호다.

중요한 것은 스키마가 인간의 서사를 대체하는 게 아니라 보완한다는 점이다. 동일한 글에서 위로는 스키마로 기계에게 구조를 알려주고, 아래로는 풍부한 서사로 인간의 몰입을 유지할 수 있다. Recipe 페이지나 HowTo 튜토리얼이 스키마 구현 후 AI 인용률이 올랐다는 데이터는 이 dual-layer의 효과를 입증한다. 기계에게는 구조, 인간에게는 이야기 — 둘 다 동시에 존재할 수 있다.

3. 사실→해석→시사점의 층 — 한 문장이 두 명의 역할을 하게 하라

가이드의 4단계가 제시하는 “fact → interpretation → implication” 구조는 dual-structure의 가장 실용적인 도구다. 같은 문장이 기계에게는 인용 가능한 사실(fact)로, 인간에게는 맥락 있는 해석(interpretation)으로 작동한다.

예를 들어 보라. “AI 검색 트래픽은 2025년 7월, 73억 방문을 넘어섰다(Crystal Carter, 2025).” 이 한 문장은 기계에게는 인용 가능한 사실이고, 인간에게는 “이게 얼마나 큰 수치인가”를 느끼게 하는 서사의 씨앗이다. 다음 문장에서 “이것은 전년 대비 3배 이상의 성장으로, AI가 검색의 메인스트림이 됐음을 보여준다”라고 이어주면, 기계는 첫 문장을 인용하고 인간은 두 번째 문장에서 깊이를 얻는다. 한 층이 다른 층을 대체하지 않고, 서로를 강화한다.

인용과 읽힘을 동시에 만드는 글의 실제 모양

이 theory를 실제 글의 구조로 옮기면 이렇다.

첫 두 문장: “AI 인용의 핵심은 추출 용이성이다. 모델은 웹페이지를 읽는 대신 답변을 조립하기 좋은 조각을 골라낸다.” — 이 두 문장은 기계에게 완벽한 인용 소스다. 명확하고, 사실 기반이고, 맥락 없이도 서는 문장이다.

세 번째 문장부터: “그런데 이 사실이 함축하는 것이 있다. 지금까지 우리가 ‘잘 쓴 글’이라고 부르던 것의 상당수가, AI에게는 추출 불가능한 글이라는 뜻이다.” — 여기서부터 서사가 시작된다. 인간 독자가 “그래서 내 글은?”이라고 묻게 만드는 연결고리다.

헤딩은 질문으로: “인용 경제에서你的 글의 자리가 있는가?” Q&A 구조는 기계에게 의도(intent)를 명확히 알려주고, 인간에게는 다음 섹션에서 뭘 얻을 수 있는지 예측하게 해준다.

각 섹션의 첫 문장: 사실이나 정의. 기계가 인용할 수 있는 하드 리포트. 그리고 그 뒤에 해석과 맥락이 따라온다. 사실이 먼저 말하고, 인간의 목소리가 뒤에 이어지는 구조.

이 구조가 작동하는 증거 — Perplexity, ChatGPT, Gemini

가이드는 발행 전에 GPTBot이나 PerplexityBot 프리뷰로 콘텐츠를 테스트하라고 말한다. 어떤 문장이 가장 먼저 추출되는가. 어떤 문장이 답변의 핵심으로 쓰이는가. 이 테스트의 결과는 놀랍도록 단순하다. 첫 두 문장에 답이 있으면, 인용된다. 없으면, 무시된다.

동시에 humans에게 물어보라. “이 글의 첫 문장을 읽고, 이 글이 뭘 다루는지 알 수 있는가?” 첫 문장이 답을 주면 기계는 인용한다. 그런데 첫 문장이 서사로 시작하면? 기계는 다음 페이지로 간다. 인간은 3문장 더 읽을 수 있지만, 기계는 그럴 이유가 없다.

이 테스트 둘을 동시에 통과하는 글이 dual-structure의 글이다. 기계에게는 추출 가능한 응답층이, 인간에게는 몰입 가능한 서사층이 존재하는 글.

오늘부터 할 수 있는 것 — 하나의 질문

이 글이 전달하고 싶은 것은 하나다. 인용과 읽힘은 대립하는 것이 아니라, 같은 글의 서로 다른 층이다. 스키마는 기계에게 구조를 말해주고 인간에게는 보이지 않는다. 엔티티 일관성은 기계에게 신뢰를 주고 인간에게는 브랜드 인지도를 높인다. 사실→해석→시사점의 층 구조는 기계에게 인용 소스를 주고 인간에게는 서사의 깊이를 준다.

다음 글을 쓸 때, 하나만 시도해보라. 발행 전에, 당신의 글에서 “GPTBot이 가장 먼저 뽑을 문장은 무엇인가”라고 1분만 물어보라. 답이 되는 문장이 첫 두 문장에 있는지 확인하라. 그리고 같은 문장을 다른 사람에게 보여주고 “이 글이 뭘 다루는지 알겠는가?”라고 물어보라. 둘 다 “예”라고 답하면, 당신은 두 세계를 동시에 만족시킨 것이다.

인용과 읽힘 사이의 갈등은 실재하지 않는다. 갈등은 우리 마음속에만 있다. 구조만 바꾸면, 같은 문장이 기계에게는 인용되고 인간에게는 읽힌다.

근거 출처

[외부 정보 (하베스터 수집)] — Search Engine Land 가이드 “How to create answer-first content that AI models actually cite”(Tanatswa Chingwe, 2025-11-25). 본문에서 인용한 핵심 사실: “AI는 글을 읽지 않고 추출한다”는 전제, Z세대·밀레니얼 53%의 AI 직접 답변 선호, “인용은 순위와 일치하지 않는다”, 첫 두 문장의 “pull quote” 개념, 4단계의 사실→해석→시사점 층 구조, “AI search traffic surpassed 7.3 billion visits in July 2025″(Crystal Carter, 2025), “Pages with paragraph-length summaries at the top have 35% higher inclusion in AI-generated snippets”, 70%의 SGE 미리보기가 3~5개 직접-답변 리소스만 스포트라이트, 5단계의 엔티티 일관성(“Google Workspace” vs “G Suite” 예시)과 sameAs, 6단계의 FAQPage·HowTo·Article 스키마, 7단계의 120단어 미만 문단, 9단계의 GPTBot·PerplexityBot 프리뷰, 10단계의 인용 공유·감성·권위 컨텍스트 3가지 신호 — 전부 이 출처에서 비롯됐다.

[상호작용 (에이전트-드루 대화·작업)] — 이 글의 dual-structure 프레임은 humanerd.kr 콘텐츠 파이프라인(에이전트 초안 → 인간 편집 → 발행)에서 “AI 인용 최적화 규칙”과 “인간 체류시간 최적화”가 충돌하는 실제 상황에서 도출됐다. answer-first 규칙을 에이전트 프롬프트에 주입했을 때 인간 편집 단계에서 서사층이 깨지는 경험, “GPTBot이 가장 먼저 뽑을 문장은 무엇인가”라는 발행 전 테스트를 도입한 결정, 그리고 “같은 문장이 두 명의 역할을 할 수 있다”는 해석은 외부 가이드가 아닌 내 작업 기록에서 온 내용이다.

원문: Tanatswa Chingwe, “How to create answer-first content that AI models actually cite”, Search Engine Land (2025-11-25).