AI검색최적화가 중요해지는 배경

지난 20여 년 동안 검색엔진최적화(SEO)는 온라인 가시성의 초석이었으며, 주로 페이지 순위와 링크 최적화에 중점을 두었습니다. 기존 검색 엔진은 검색 결과로 링크와 스니펫 목록을 제공했습니다. 그러나 인공지능(AI)의 발전은 검색 엔진의 작동 방식과 사용자가 온라인에서 정보를 찾는 방식을 근본적으로 재편하고 있습니다. Google의 AI Overviews(이전의 Search Generative Experience 또는 SGE), Microsoft Copilot, Perplexity AI, ChatGPT, Gemini, Claude와 같은 AI 기반 검색 엔진은 웹의 새로운 "관문"이 되고 있습니다.

이러한 변화는 기존의 키워드 밀도 및 백링크에 초점을 맞춘 SEO 전략만으로는 더 이상 충분하지 않다는 것을 의미합니다. 기업은 새로운 AI 시스템에 의해 콘텐츠가 발견되고 활용되도록 전략을 조정해야 합니다. 이는 SEO의 대체가 아니라, 검색 환경의 자연스러운 진화로 이해되어야 합니다.

이러한 디지털 전환의 속도는 전례 없이 빠릅니다. 예를 들어, ChatGPT는 출시 2개월 만에 1억 명의 월간 사용자를 달성하며 역사상 가장 빠르게 성장하는 소비자 애플리케이션 중 하나가 되었습니다. 또한 구글의 공식 자료에 따르면 'AI Overviews'의 전세계 사용자는 15억 명을 넘어섰습니다. 이러한 통계는 사용자 행동과 플랫폼 지배력의 극도로 빠른 변화를 보여줍니다.

AI검색최적화 권위자인 케빈 인디그는 현재 데이터를 기준으로 2027~2030년 사이에 ChatGPT가 구글 검색을 넘어설 것으로 예상했습니다. 구글의 빠른 대응에도 검색으로 무장한 ChatGPT가 검색 시장에서 주류로 곧 올라설 수 있다는 예상입니다. 이는 기업이 전략을 조정해야 할 시간이 매우 짧다는 것을 의미하며, 이전의 디지털 전환보다 훨씬 더 빠른 속도로 진행되고 있음을 시사합니다. 따라서 기업은 가시성과 잠재적 시장 점유율의 상당한 손실을 피하기 위해 신속하게 적응해야 하는 압박을 받고 있습니다.

AI검색최적화의 정의

AI검색최적화(Artificial Intelligence Engine Optimization)는 ChatGPT, 구글 AI Overviews, AI Mode, Perplexity와 같은 AI 검색 플랫폼에서 콘텐츠나 브랜드의 가시성을 높이기 위해 기술적, 내용적 최적화 조치를 취하는 일련의 전략적 행위를 의미합니다. AI검색이라는 새로운 검색 기술 기반이 등장하면서 최적화 방식이 변화했고 그에 맞춰 새로운 대응 전략이 제시되기 시작했는데요. 그러한 행위 전반을 AI검색최적화라고 말씀드릴 수 있습니다.

다른 정의도 있습니다. 같은 용어로 사용되는 GEO(Generative Engine Optimization)는 "독점적이고 폐쇄형 소스 생성형 엔진에서 웹 콘텐츠의 가시성을 최적화하기 위한 유연한 블랙박스 최적화 프레임워크"라고 정의되기도 합니다(Aggarwal et al.. 2024). 이 논문의 저자인 Aggarwal은 "생성 엔진에서의 가시성을 높이기 위해 표시 방식, 텍스트 스타일, 콘텐츠를 맞춤화하고 조정하는 것"이라고 부연하기도 했습니다. 종합하면, 검색 에이전트와 통합된 생성형 AI 모델이 답변을 제시할 때, 특정 콘텐츠가 높은 가시성을 갖도록, 기술적 표시 방식, 콘텐츠의 스타일, 내용 등을 맞춤화하는 과정이라고 할 수 있습니다. 기존 SEO(Search Engine Optimization)이 웹사이트가 검색 결과 페이지에서 더 높은 순위를 차지하도록 만드는 일련의 기술과 전략라고 정의된 것과 같은 듯 다릅니다.  

정의가 짧다고 최적화하는 과정이 그리 단순하지는 않습니다. 일반적으로 AI검색최적화 영역은 크게 다음 3가지로 나눌 수 있습니다. (위 흐름도를 참고하면 이해가 더 쉽습니다.)

• 거대언어모델 학습 최적화 : 학습 단계 최적화라고 할 수 있습니다. AI검색은 거대언어모델(LLM)과 기존 검색이 통합된 기술입니다. 기반이 되는 거대언어모델이 없으면 AI검색이 탄생할 수는 없습니다. 모든 거대언어모델은 세상에 존재하는 다양한 데이터를 학습 대상으로 삼습니다. 이 학습 대상에 포함되느냐에 따라 특정 콘텐츠의 가시성은 달라질 수 있습니다. 물론 거대언어모델의 학습은 잦은 주기로 진행되지는 않습니다.
• 검색 크롤링 에이전트 최적화 : 거대언어모델은 그 자체로 검색의 역량을 갖추고 있지만, 최신 정보를 답변 결과로 제시하지는 못합니다. 학습한 시점까지의 데이터만으로 답변을 생성하게 됩니다. 이를 보완하기 위해 일반 검색 기능을 통합했죠. 일종의 검색 에이전트가 통합된 방식이라고 할 수 있습니다. AI검색이 활용하는 검색 크롤러에 최적화하는 영역도 AI검색최적화에 포함됩니다.
• 개인화 검색 최적화 : ChatGPT와 같은 AI검색은 최근 들어 메모리 기능을 강화하고 있습니다. 2025년 6월3일부터는 무료 회원들에게도 가벼운 버전의 메모리 기능을 제공하고 있습니다. 이는 사용자가 입력한 질문과 기타 정보를 기억한다는 의미입니다. 개인화 엔진응로 불러도 된다는 의미입니다. 메모리 기반의 개인화가 진척이 되면, 동일한 질문 쿼리를 던져도 사람들마다 다른 답변을 얻게 됩니다. 이러한 개인화 조건에서도 콘텐츠의 가시성을 확보하는 작업이 AI검색최적화의 중요한 작업 중 하나가 되고 있습니다.

AI검색 플랫폼들은 답변 신뢰도를 높이기 위해 다양한 검색 기술을 통합하고 있기에 이에 대응하는 영역은 앞으로도 확장이 될 수 있습니다. 그만큼 AI검색최적화는 RAG 기술에 대한 깊은 이해, 콘텐츠의 품질에 대한 통찰, EEAT와 같은 기존 SEO 기법 시도 등이 총체적으로 결합된 영역이라고 할 수 있습니다.  

AIEO와 SEO는 어떻게 다른가

AI검색최적화(AIEO)와의 차별 지점을 발견하기 위해 먼저 SEO의 정의부터 살펴보겠습니다. 구분지을 수 있는 경계를 잘 드러내 보이기 위함입니다. Search Engine Optimization은 웹사이트 또는 웹 페이지가 검색 엔진으로부터의 유기적 트래픽의 빈도와 양을 최대화하기 위해 개선되는 메커니즘입니다(Almukhtar, 2021). Almukhtar의 논문이 밝히고 있듯, "효과적인 SEO는 웹 페이지가 검색 엔진 결과 페이지(SERP)에서 더 높은 순위에 표시될 가능성이 높다는 것"을 의미합니다. 여기서 주목해야 할 문구가 있습니다. 웹페이지와 유기적 트래픽의 양 최대화입니다.

기본적으로 SEO는 최적화의 대상이 웹사이트 또는 웹페이지입니다. 그리고 목적은 유기적 트래픽의 양을 증폭시키는 것입니다. 이 부분을 강조하는 이유는 AIEO는 대상과 목적이 SEO와 달라서입니다. 이 부분을 차근차근 설명해 드리도록 하겠습니다.

AI검색최적화(AIEO)는 최적화의 대상을 청크(Chunk)로 설정합니다. 웹사이트나 웹페이지보다 훨씬 작은 단위입니다. AI 검색의 기반 기술인 RAG는 문서를 처리할 때 먼저 문서를 청크 단위로 쪼개는 작업을 진행합니다. 그리고 나서 임베딩이라는 절차로 돌입하게 되죠. 현재 일반적인 임베딩 모델은 512토큰까지 지원을 합니다. 따라서 문서를 512토큰 중심으로 먼저 쪼개는 작업을 진행해야만 합니다. 하지만 최근 들어서 긴 텍스트 임베딩(Long-Context Embedding Models)이 가능한 모델들이 소개되고 있습니다. 최대 8192토큰까지 한번에 임베딩을 할 수 있습니다.

청킹 기법도 다양해지고 있는데요. 다음의 2가지는 가장 일반적인 청킹 기법이라고 할 수 있습니다.

• 나이브 청킹(Naive Chunking) : 가장 일반적인 청킹 기법입니다. 먼저 문서를 작은 청크 단위로 분할합니다. 그리고 난 뒤에 임베딩 절차에 돌입하게 됩니다. 구현이 쉽지만 문맥 손실이 자주 발생한다는 단점이 있습니다.
• 레이트 청킹(Late Chunking) : 긴 텍스트 임베딩 모델에 문서를 입력해서 먼저 임베딩을 시도합니다. 그런 다음 청크 단위로 임베딩을 만들어갑니다. 나이브 청킹과는 순서가 좀 다릅니다. 문맥 손실이 덜하다는 장점이 있지만 반드시 긴 텍스트 모델을 이용해야 한다는 한계가 있습니다. 초기 임베딩 과정에서 리소스가 많이 들어간다는 부담도 발생합니다.

어찌됐든 AI검색최적화는 SEO와 달리 청킹 단위 최적화가 핵심입니다.

AI검색최적화는 SEO와 목적도 다릅니다. SEO는 대표적인 어텐션 경제의 부산물입니다. 검색결과페이지(SERP)에 상단에 링크를 끌어올림으로써 더 많은 유기적 트래픽을 얻는 것이 핵심 목표입니다. 하지만 AI검색최적화는 링크 경제 자체가 덜 작동하는 환경에서, AI검색 답변에 가시성을 높이는 게 목적이 될 수밖에 없습니다. 링크 클릭을 유도한 다음, 트래픽을 늘리는 작업이 작동하지 않아서입니다. AI검색이 더 잘 인용할 수 있도록 콘텐츠를 최적화하여, 검색 답변에 자사 콘텐츠가 인용될 수 있도록 전략적으로 재구성하는 것이 목표가 되는 것입니다. 이는 앞서 언급했던 AI검색의 기술적 검색 프로세스가 완전히 달라진 떼 따른 결과라고 할 수 있습니다.

AI검색최적화를 상징하는 다양한 표현들

AI검색최적화는 등장 초기여서 다양한 축약어로 소개가 되고 있습니다. 이로 인해 혼란이 가중되는 측면도 있는데요. 그 이유는 정의 전쟁이 벌어져서입니다. 자신이 선언한 정의가 업계의 보편적 용어로 사용되길 기대하는 다양한 플레이어들이 경쟁하면서 이러한 정의 논쟁이 이어지고 있는 겁니다. 현재 위키피디아에 등록된 관련 용어는 AIO(AI Optimization)이 유일합니다.  하지만 학습단계 최적화와 검색단계 최적화, 개인화 검색 최적화 등을 두루 고려한다면 보다 폭넓은 의미를 함축하는 AIEO가 유용한 용어로 자리를 잡을 수 있을 것으로 전망이 됩니다. 아래는 AI검색최적화를 지칭하는 다양한 용어들의 사례입니다.

• AIEO : Artificial Intelligence Engine Optimization의 약자입니다. 문자 그대로 인공지능 엔진 최적화를 의미합니다. AI검색이 AI의 기반해서 작동하는 검색 기술입니다. AI 엔진에 최적화하는 방식과 전략을 뜻합니다.
• AIO : Artificial Intelligence Optimization의 약자입니다. 위키피디아에 등록돼 있을 정도가 보편적으로 사용되는 용어입니다. 문제는 이 용어가 구글의 AI검색제품인 AI Overviews와 혼재돼 사용되고 있다는 점입니다.
• GEO : Generative Engine Optimization의 약자입니다. 최근의 AI가 생성형 AI 즉 Generative AI라는데서 착안한 조어입니다. 위에서 언급한 논의에서 이 용어가 사용되기 시작했습니다.
• AEO : Answer Engine Optimization의 약자입니다. AI검색이 전통적인 검색과 달리 답변 엔진의 성격이 강하다는 데서 착안한 용어이자 개념입니다. 퍼플렉시티가 스스로를 답변 엔진이라고 정의하면서 이 용어는 힘을 얻게 됐습니다. Profound와 같은 AI검색최적화 플랫폼도 이 용어를 자주 활용합니다.
• AI SEO :  AI Search Engine Optimization의 약자입니다. 다른 용어보다 가장 혼동을 많이 주고 있기도 합니다. 제가 조사한 바에 따르면, 원래 전통 SEO 업체들이 AI를 이용해서 전통 SEO를 자동화한다는 개념으로 시작됐습니다. 지금도 AI를 이용해서 검색 엔진 결과 페이지에서 상위 순위를 확보하는 것으로 정의되고 있습니다. 전통 SEO와 AI의 활용 개념이 뒤섞여 있는 표현으로 아직은 SEO와 경계가 모호한 상태로 사용되고 있습니다.

참고 문헌

• Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., & Deshpande, A. (2024, August). Geo: Generative engine optimization. In Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (pp. 5-16).
• Almukhtar, F., Mahmoodd, N., & Kareem, S. (2021). Search engine optimization: a review. Applied computer science, 17(1), 70-80.
• Günther, M., Mohr, I., Williams, D. J., Wang, B., & Xiao, H. (2024). Late chunking: contextual chunk embeddings using long-context embedding models. arXiv preprint arXiv:2409.04701.