ChatGPT는 검색 전에 이미 답을 정한다 — ‘인용되는 콘텐츠’는 측정에서 시작한다

ChatGPT는 ‘검색’을 누르기 전에 이미 답을 정해놓는다

방금 “AI 메모 앱, 뭐가 좋아?”라고 물어봤다고 치자. 검색 결과가 하나도 도착하기 전에, ChatGPT는 스스로 이런 쿼리를 작성한다. “best AI note taking apps 2026 official pricing features Granola Notion AI Otter Fireflies Fathom Mem Limitless”. 당신은 Granola, Notion AI, Otter 같은 이름을 하나도 언급하지 않았다. 그런데 모델은 검색을 실행하기도 전에 후보 명단을 꺼내놓는다.

이건 일화가 아니다. 네트워크 트래픽을 직접 읽고 분석한 연구(Search Engine Journal, 2026-08)에서, 27개 대화 중 21개의 첫 검색 쿼리에 사용자가 언급한 적 없는 브랜드가 들어 있었다. 결정의 상당 부분은 당신의 서버에 페이지 요청이 도달하기도 전에 이미 내려진다. 여기서 이 글의 핵심 질문이 나온다. 당신은 자신이 그 명단에 있는지 아는가? 대부분의 팀에게 정답은 ‘모른다’다.

순위에서 ‘선택’으로 — 그런데 선택은 어떻게 아나

Yoast의 Ahad Qureshi가 2026년 4월에 발표한 “Ensuring continuous discoverability with agentic AI for SEO”는 이 전환을 한 문장으로 정의한다. “discoverability may no longer depend solely on where you rank, but also on whether your content is selected, trusted, and used by AI systems.” — 발견은 더 이상 ‘어디에 랭크되느냐’의 문제가 아니라, ‘AI 시스템이 당신을 선택하고, 신뢰하고, 재사용하느냐’의 문제가 됐다.

문제는 이 정의가 실무자에게 위안이 되지 않는다는 것이다. 순위는 눈에 보인다. 검색 콘솔을 열면 숫자가 있다. 그런데 ‘선택·신뢰·재사용’은 순위와 달리 아무 대시보드에도 없다. 보이지 않는 것은 최적화할 수 없다. 그렇다면 답은 하나다. 선택이 실제로 일어난 흔적인 ‘인용(citation)’을 새 KPI로 삼는 것이다. 그리고 최근 몇 주 사이, 그것을 측정할 수 있는 방법과 데이터가 실제로 생겼다.

Yoast가 그린 지도 — SEO는 사라지지 않고 늘어난다

[외부 정보 (하베스터 수집)] Qureshi가 먼저 정리하는 건, 웹 자체는 안 변했다는 사실이다. 웹은 수십 년째 하나의 상호연결된 엔티티 그래프로 작동해왔다. 사람·기업·아이디어·개념을 나타내는 사이트들이 콘텐츠, 맥락, 신뢰로 이어진 구조. 오픈 웹은 여전히 존재하고, 링크는 여전히 의미를 만든다. 변하는 건 접근 방식이다. AI 시스템이 사용자와 웹 사이에 들어서서 해석하고, 요약하고, 때로는 무엇을 보여줄지 결정한다. 이를 ‘에이전틱 웹’이라 부르지만, 이것은 완전한 변환이 아니라 기존 웹 위에 얹히는 한 레이어다.

그 레이어에서 살아남기 위해 콘텐츠는 세 가지 조건을 갖춰야 한다고 Qureshi는 말한다. 모호함 없이 이해되고(understood without ambiguity), 참조될 만큼 신뢰되고(trusted enough to be referenced), 재사용될 수 있게 구조화되는(structured well enough to be reused) 콘텐츠. 그래서 SEO는 에이전틱 웹에서 사라지지 않는다. 늘어난다(stretch). “사용자가 정보를 찾도록 돕는 것”에서 “시스템이 그 정보를 선택하도록 돕는 것”으로.

핵심은 이 전환이 위협이 아니라 측정 단위의 변경이라는 점이다. Qureshi의 제목에는 ‘continuous’라는 단어가 붙어 있다. 지속적인 발견. 즉 SEO는 ‘분기에 한 번 도는 감사’에서 ‘상시 돌아가는 시스템’으로 바뀌고, 그 시스템의 첫 센서가 바로 인용이다.

이제 인용은 측정할 수 있다 — 데이터로 본 메커니즘

[외부 정보 (하베스터 수집)] ‘선택’이 실제로 어떻게 작동하는지, 2026년 7월 두 달간 ChatGPT의 네트워크 트래픽을 직접 읽은 연구가 있다. Search Engine Journal의 Suganthan Mohanadasan이 57개 대화의 인용 데이터와 27개 대화의 첫 쿼리 테스트로 밝혀낸 메커니즘은 명확하다. (한 계정 기반의 연구라 수치는 방향성으로 읽어야 한다.)

첫째, 검색 쿼리에 이름이 들어가는 것 자체가 대부분의 승부다. ChatGPT가 스스로 쓴 쿼리에 브랜드가 이름을 올리면 그 브랜드는 답변에 68.9% 등장했다. 반면 검색 중에 페치됐지만 쿼리에 이름이 없던 브랜드는 2.1%만 답변에 등장했다. 약 33배 차이다. 심지어 86건은 브랜드가 추천됐는데 해당 웹사이트가 한 번도 페치되지 않은 경우였다. 즉 ‘발견돼야 인용된다’는 상식과 정반대로, 이름이 알려져 있어야 발견될 기회조차 생긴다.

둘째, 쿼리를 통과해도 인용은 훨씬 더 빡빡한 문을 통과해야 한다. 3,554개 페이지가 검색으로 페치됐지만 실제 인용된 페이지는 110개, 3.1%에 불과했다. ChatGPT는 답변 하나에 약 600페이지를 읽고 약 30개만 크레딧한다. 그리고 인용 확률은 위치에 따라 급감한다. 도메인 그룹 내 1위는 5.2%, 2위는 4.6%, 3위는 2.4%, 6위 이후는 0.3%. 한 가지 의도에 페이지가 여러 개 겹치면 오히려 손해다. 같은 의도를 다투는 페이지가 2개일 때 인용률은 6.2%로 최고지만, 6개 이상이면 1.7%로 붕괴한다.

인용된 방문자는 가치가 다르다 — 그래서 측정이 곧 수익이다

[외부 정보 (하베스터 수집)] 인용이 ‘이름값’만의 문제라고 생각한다면 오산이다. 인용은 트래픽의 질까지 바꾼다. Search Engine Land의 실무 데이터(2026-08)에 따르면 LLM 추천 트래픽의 전환율은 20%로, 측정된 전술 중 최고였고 유료 검색보다 61% 높았다. 이유는 단순하다. 유료 광고 클릭에는 ‘광고니까’라는 스킵시즘이 내장돼 있지만, AI가 인용한 링크는 사용자에게 객관적 추천으로 인식된다. AI가 웹 전체를 평가해 당신을 골랐다는 전제가 깔려 있기 때문이다.

그리고 제로클릭이 보편화될수록 인용 자체가 노출이 된다. 사용자가 AI 채팅창 안에서 답을 얻고 원본을 방문하지 않아도, 당신의 콘텐츠는 그들의 결정을 형성한다. Qureshi가 지적하듯 성공의 측정 기준은 트래픽에서 가시성과 영향력으로 옮겨간다. 이 말을 ‘측정 불가능한 추상적 가치’로 들을 필요는 없다. 가시성과 영향력의 가장 측정 가능한 프록시가 바로 인용 카운트다.

인용 루프 — 측정에서 시작하는 에이전틱 SEO 워크플로

여기까지가 외부 데이터로 확인한 현실이고, 이제부터가 워크플로다. 앞선 연구를 한 줄로 요약하면 이렇다. “인용은 두 개의 서로 다른 게임으로 나뉘는데, 많은 팀이 둘을 하나로 착각한다.”

	게임 1: 카테고리 어휘에 들어가기	게임 2: 인용을 따내기
핵심	AI가 검색하기 전, 당신을 떠올리는가	페치된 페이지 중 인용을 얻는가
수치	쿼리에 이름이 있을 때 답변 등장 68.9% vs 없을 때 2.1%	페치 3,554건 중 인용 110건 (3.1%)
해법	리뷰·라운드업·비교·분석 보도에 ‘적히는’ 작업	의도당 1페이지, 답 문장 상단, 숫자는 HTML 텍스트로
전환점	기술 감사로는 절대 안 움직인다	캐니벌라이제이션이 인용률을 조용히 깎는다

이 구분을 바탕으로, ‘지속적 발견’을 상시 시스템으로 만드는 루프를 짤 수 있다. Qureshi가 말한 에이전틱 AI의 역할 — “not as a replacement for SEO teams, but as a new layer within how SEO work gets done” — 은 결국 이 루프를 도구와 사람이 함께 반복하는 것에서 시작한다.

1. 쿼리를 읽어라. 당신 카테고리의 질문을 ChatGPT에 다섯 번 던지고, 모델이 스스로 쓴 첫 쿼리에 어떤 브랜드가 들어가는지 기록하라. DevTools의 Network 탭에서 2분이면 확인할 수 있고, 무료 확장 프로그램 FanoutFox는 이 과정을 자동화해 브랜드 명단 변화를 주 단위로 추적해준다.
2. 당신이 어느 게임에 있는지 판별하라. 매번 명단에 들어온다면 게임 2를 플레이 중인 것이다. 한 번도 안 보이면 게임 1이고, 이 경우 페이지 작업은 몇 배를 해도 명단을 바꾸지 못한다.
3. 게임 1이라면 — ‘적히는’ 일을 벌여라. 리뷰, 라운드업, 비교 콘텐츠, 애널리스트 보도. 연구에서 전기 SUV 카테고리는 메이커보다 자동차 매거진(카앤드라이버, 에드먼즈)을 먼저 찾았다. 카테고리가 ‘리뷰어 지향’인지 ‘메이커 지향’인지에 따라 문이 다르다.
4. 게임 2라면 — 노출이 아니라 전환을 확인하라. 페치 횟수 대비 인용 횟수를 보라. 데이터에는 66번 페치되고 한 번도 인용되지 않은 브랜드가 있었다. 계속 읽히는데 인용되지 않는다면 그건 가시성 문제가 아니라 페이지 문제다.
5. 페이지를 고치고, 매월 재측정하라. 의도당 한 페이지. 답이 되는 문장을 페이지 상단에 두고, 수치를 이미지나 자바스크립트가 아닌 일반 HTML 텍스트로 넣어라. 그리고 명단은 움직이므로 월 1회 루프를 다시 돌려라.

이 루프를 손으로만 돌리면 지겹다. 그래서 측정 레이어를 자동화하는 도구가 이미 존재한다. Yoast의 AI+ 상품은 맞춤 브랜드 질문 모니터링, 인용 분석(citation analysis)을 제공하고 ChatGPT·Gemini·Perplexity 전반의 주간 브랜드 분석을 돌려준다. 주기적·수동 감사에서 ‘상시 켜져 있는 센서’로의 전환 — 이것이 Qureshi의 ‘continuous discoverability’가 실제로 구현되는 지점이다.

이번 주, 커피 한 잔 시간으로 시작하라

이 글의 첫 문장으로 돌아가자. ChatGPT는 검색하기 전에 이미 후보를 정한다. 그 명단에 당신이 없었다면, 아무리 완벽한 페이지도 2.1% 확률의 복권에 걸린 셈이다. 반대로 명단에 들어 있다면, 다음 승부는 3.1%의 인용 게이트를 통과하는 일이다. 두 경우 모두 ‘안다’는 것에서 시작한다.

지금 ChatGPT를 열고 당신 카테고리의 질문을 다섯 번 던져보라. 모델이 스스로 쓴 쿼리에 당신의 브랜드가 보이는가? 경쟁사만 보이는가? 그 결과를 댓글로 공유해달라 — 특히 “한 번도 안 보였다”는 기록이, “분기 감사 다 통과했다”는 기록보다 당신의 다음 움직임을 훨씬 정확하게 결정해줄 것이다. 발견은 더 이상 당신이 고른 시점에 일어나지 않는다. 이제는 당신이 그 시점을 선택해야 한다.

근거 출처

[외부 정보 (하베스터 수집)] 이 글의 핵심 개념은 Yoast의 Ahad Qureshi가 2026-04-28에 발표한 “Ensuring continuous discoverability with agentic AI for SEO”(하베스터 수집본: 2026-05-14·2026-06-05, 큐레이션 점수 0.75)를 바탕으로 했다. 에이전틱 AI 정의(행동을 취하는 시스템), 오픈 웹의 엔티티 그래프와 에이전틱 웹의 ‘레이어’ 개념, “selected, trusted, and used by AI systems” 전환, ‘이해·신뢰·재사용’ 3조건, “SEO doesn’t disappear, it stretches”, “not as a replacement for SEO teams, but as a new layer within how SEO work gets done”, ‘주기적 작업에서 연속적인 것으로’의 전환, 제로클릭과 측정 기준 이동, 그리고 Yoast SEO AI+의 브랜드 질문 모니터·인용 분석·주간 브랜드 분석(ChatGPT/Gemini/Perplexity) 기능 소개는 모두 해당 기사(및 하베스터에 수집된 기사 사이드바의 제품 정보)에서 가져왔다. 인용 메커니즘의 데이터(첫 쿼리 주입 21/27, 쿼리 내 이름 유무에 따른 답변 등장률 68.9% vs 2.1% = 약 33배, 페치 3,554건 중 인용 110건 = 3.1%, 위치별 인용률 5.2%→0.3%, 페이지 중복 시 인용률 4.0%→1.7%, 66번 페치 후 0회 인용 사례, ‘두 게임’ 구분)는 Suganthan Mohanadasan의 “ChatGPT Already Knows Who It’ll Recommend Before It Searches”(Search Engine Journal, 2026-08-14, 하베스터 수집, 단일 계정 기반의 방향성 수치)에서, LLM 추천 트래픽 전환율 20%·유료 검색 대비 61% 높음·인용의 신뢰 베이스라인은 Jason Tabeling의 “LLM traffic converts differently — here’s what to do about it”(Search Engine Land, 2026-08-14, 하베스터 수집, 실무 데이터셋 기준)에서 가져왔다. 이미지 2장(에이전틱 웹 개념 이미지, ChatGPT 쿼리 작성 화면)은 각각 Yoast 기사와 Search Engine Journal 기사 내 이미지를 출처 명시와 함께 사용했다.

[상호작용 (에이전트-드루 대화·작업)] ‘인용을 새 KPI로 삼는다’는 프레이밍, ‘인용 루프(측정→판별→수정→재측정)’ 5단계 워크플로의 순서와 우선순위 배치, ‘두 게임’ 표의 정리 방식은 이 글의 작성 과정에서 나온 판단이다. 이 블로그(humanerd.kr)의 콘텐츠 파이프라인 자체가 외부 기사 하베스터 → 큐레이션 점수 → 초안 작성으로 이어지는 구조라, ‘주기적 수집이 아니라 상시 수집·선별이 발견을 유지한다’는 Qureshi의 주장이 우리 운영 방식과 맞닿아 있다는 점에서 ‘측정 레이어 자동화’를 해법의 중심에 둔 것도 같은 맥락이다. 외부 통계·도구 성능 주장은 상단의 외부 정보 출처에 근거한다.