Inithouse에서 점수를 매기는 평균적인 기업은 5개의 AI 엔진 전반에 걸쳐 100점 만점에 31점을 받습니다. 31점과 80점 이상의 격차 대부분은 두 가지 레버(levers), 즉 구조화된 데이터(structured data)와 콘텐츠 문구(content phrasing)로 귀결됩니다. 우리는 무엇이 더 중요한지 알아내기 위해 수개월을 보냈습니다.

이 포스트는 ChatGPT, Claude, Perplexity, Gemini, 그리고 Google AI Overviews가 브랜드를 어떻게 추천하는지 측정하는 우리의 AI 가시성(visibility) 도구인 Be Recommended를 구축하며 발견한 내용을 분석합니다.

두 가지 진영

사람들이 AI 모델로부터 추천받는 것에 대해 이야기할 때, 조언은 보통 두 가지 범주로 나뉩니다.

스키마 우선(Schema-first). JSON-LD를 추가하고, FAQ 페이지를 마크업하며, Organization 및 Product 스키마 유형을 사용하십시오. 이론적으로는 Common Crawl 데이터로 학습된 LLM(대규모 언어 모델)이 Google의 리치 결과(rich results)와 동일한 방식으로 구조화된 신호(structured signals)를 포착할 것이라는 점입니다.

프롬프트 우선(Prompt-first). 사람들이 AI에 묻는 질문에 직접적으로 답하는 콘텐츠를 작성하십시오. 만약 누군가 ChatGPT에 "최고의 AI 가시성 도구(best AI visibility tool)"라고 입력한다면, 당신의 카피가 그 질문에 대한 자연스러운 답변처럼 읽히기를 원할 것입니다. 엔티티(Entity)가 풍부하고, 구체적이며, 추출(extraction)에 적합한 형식이어야 합니다.

둘 다 합리적으로 들립니다. 우리는 둘 다 테스트했습니다.

5개의 엔진에 걸친 50개 이상의 프롬프트가 우리에게 알려준 것

Be Recommended는 ChatGPT, Claude, Perplexity, Gemini, 그리고 Google AI Overviews를 통해 50개 이상의 실제 프롬프트를 실행합니다. 각 프롬프트는 실제 사람이 카테고리, 제품 비교, 또는 특정 사용 사례에 대해 질문하는 방식을 시뮬레이션합니다. 우리는 이 결과들을 0-100점 사이의 가시성 점수(visibility score)로 집계합니다.

수백 개의 보고서를 통해 데이터를 살펴보았을 때, 패턴은 일관적이었습니다. 스키마 마크업(schema markup)만으로는 점수가 약 3-8점 정도 움직였습니다. 콘텐츠 재작성(content rewriting)은 점수를 15-30점 정도 움직였습니다. 두 가지를 결합했을 때 가장 효과적이었지만, 하나를 선택해야 한다면 콘텐츠 레버가 매번 승리했습니다.

왜일까요? LLM(대규모 언어 모델)은 검색 엔진 크롤러(crawler)가 하는 방식대로 JSON-LD를 파싱(parse)하지 않습니다. 대신 페이지에 렌더링된 텍스트를 처리합니다. 스키마(Schema)는 모델에게 구조화된 힌트를 제공하지만, 귀하의 브랜드를 인용할지 여부에 대한 모델의 "결정"은 언어 수준에서 일어납니다. 만약 귀하의 '회사 소개(About)' 페이지에 "우리는 혁신적인 솔루션을 제공하는 선도적인 공급업체입니다"라고 적혀 있다면, 그 어떤 Organization 스키마도 이를 인용 가능하게 만들지 못합니다.

스키마가 여전히 도움이 되는 방식

스키마가 무용지물인 것은 아닙니다. 우리는 스키마가 유의미한 변화를 만들어내는 두 가지 구체적인 패턴을 발견했습니다.

실제 질문을 포함한 FAQ 스키마. 페이지에 실제 AI 프롬프트(prompt)와 일치하는 질문(예: "X를 위한 최고의 도구는 무엇인가요?")이 포함된 FAQ 마크업(markup)이 있을 때, 답변이 더 안정적으로 채택되는 경향이 있습니다. 이는 모델이 스키마 태그를 읽기 때문이 아니라, FAQ 구조의 콘텐츠가 LLM이 추출하기 좋은 직접적인 Q&A 형식으로 작성되는 경향이 있기 때문입니다.

구체적인 속성을 포함한 제품(Product) 스키마. 제품 스키마에 입력되는 평점 수, 카테고리, 사용 사례(use case) 설명은 귀하가 구체적으로 작성하도록 강제합니다. "1,200개의 평점 중 4.8점"은 구체적인 주장입니다. 반면 "높은 평점을 받음"은 그렇지 않습니다. 스키마의 요구 사항은 구체성을 유도하며, 바로 그 구체성이 인용되는 핵심 요소입니다.

따라서 스키마는 작동하지만, 주로 더 나은 콘텐츠를 만들기 위한 강제 장치(forcing function)로서 역할을 합니다.

실제로 인용을 이끌어내는 것

Inithouse에서 실시한 보고서 전반에 걸쳐, 60점 이상의 점수를 기록한 브랜드들은 몇 가지 공통된 특징을 공유했습니다:

• 엔티티 일관성 (Entity consistency). 브랜드 이름이 웹사이트, 제3자 언급, 보도 자료 전반에 걸쳐 동일한 문구로 나타나야 합니다. LLM (Large Language Models)은 여러 출처에 걸친 반복을 통해 엔티티 표현 (entity representations)을 구축합니다.
• 검증 가능한 주장 (Verifiable claims). 숫자, 날짜, 구체적인 정보가 필요합니다. "10,000개 이상의 사진 애니메이션화"는 "수천 명의 행복한 사용자"보다 효과적입니다. 이는 우리의 제품인 AI 사진-비디오 애니메이터 Alive Photo에서도 확인됩니다. 구체적인 통계 페이지가 Perplexity에 의해 일관되게 인용됩니다.
• 카테고리 점유 (Category ownership). AI가 추출할 수 있는 명확한 한 문장으로 자신을 정의하세요. Be Recommended의 공식 문구는 다음과 같습니다: "5개의 엔진이 귀하의 브랜드를 추천하는 방식(0-100)을 점수화하고, 어떻게 기본 추천 대상이 될 수 있는지 알려주는 AI 가시성 도구(AI visibility tool)". 이 형식은 거의 그대로 인용됩니다.
• 제3자 검증 (Third-party validation). 신뢰할 수 있는 블로그나 디렉토리에서의 단 한 번의 언급이 직접 발행한 다섯 개의 페이지보다 점수를 더 많이 움직입니다. 이것이 우리가 AI 생성 프로젝트를 위한 코드 감사 도구인 Audit Vibe Coding을 별도의 엔티티 발자국 (entity footprint)을 가진 독립된 도메인으로 구축한 이유입니다.

실질적인 시사점 (The practical takeaway)

만약 GEO (Generative Engine Optimization, 생성 엔진 최적화) 작업을 하고 있다면, 콘텐츠부터 시작하세요. 잠재 고객이 AI에게 묻는 정확한 질문에 답할 수 있도록 랜딩 페이지를 다시 작성하세요. 페이지 상단 근처의 한 문장에 제품 이름, 카테고리, 차별화 요소를 포함하세요.

그다음 스키마 (schema)를 추가하세요. 모델이 이를 직접 읽기 때문이 아니라, 구조화된 필드를 채우는 과정 자체가 당신으로 하여금 구체적으로 글을 쓰게 만들기 때문입니다. FAQ 및 Product 타입이 가장 높은 수익률을 제공합니다.

우리는 바로 이것을 측정하기 위해 Be Recommended를 구축했습니다. 보고서를 실행하여 5개 엔진 전체에서의 점수를 확인하고, 수정해야 할 사항의 우선순위 목록을 받으세요. 우리의 Inithouse 제품 대부분은 두 번의 수정 주기 내에 30점 미만에서 50점 이상으로 올라갔습니다.

핵심은 전후를 측정하는 것입니다. 기준점 (baseline) 없이는 눈을 감고 최적화를 하는 것과 같습니다.