대규모 언어 모델 (Large language models)은 이제 구매자가 제품과 서비스를 발견하는 방식을 중재하고 있으며, 이로 인해 AI가 생성하는 추천의 경쟁 구조는 브랜드들에게 전략적인 관심사가 되었습니다. 한 가지 기본적인 질문에 대해 대규모 실증적 답변이 부족한 상태입니다: 특정 카테고리에서 모델은 어떤 브랜드를 추천하며, 그 점유율은 얼마나 집중되어 있는가? 세 가지 모델 (GPT-5.2, Google Gemini 3 Flash, Perplexity sonar-pro)을 대상으로 50개 브랜드, 5개 산업, 250개의 브랜드 미지정 카테고리 질의에 걸친 3,750개의 응답을 분석하였으며, 주사위 굴리기 안정성 프로토콜 (dice-roll stability protocol)에 따라 각 질의를 5회씩 반복했습니다. 우리는 세 가지 탐색적 지표를 제안합니다: 카테고리 점유 지수 (Category Ownership Index, COI) - 카테고리 내 브랜드 언급 비중; 경쟁 공백 지수 (Competitive Vacuum Index, CVI) - 단일 리더가 없는 카테고리를 식별; 그리고 대체 점수 (Displacement Score, DS) - 브랜드 쌍 간의 비대칭적 대체 (asymmetric substitution)를 정량화합니다. 본 샘플에서 추천 집중도는 중간 수준이었습니다: 평균 지니 계수 (Gini coefficient)는 0.28 (95% CI [0.16, 0.41])로, 우리가 설정한 0.60의 멱법칙 (power-law) 임계값보다 낮았습니다. 경쟁 공백은 질의의 8.0%에서만 나타나 드물었으며, 따라서 모델들은 대부분의 경우 최소 하나 이상의 샘플링된 브랜드를 언급했습니다. 최상위 추천 브랜드에 대한 모델 간 일치도는 41.6%였습니다: 즉, 한 모델에서의 최상위 위치가 다른 모델에서도 안정적으로 유지되지는 않았습니다. 대체 (Displacement) 현상은 산업에 따라 달랐는데, 컨설팅 분야의 공동 추천 (0.4:1)부터 최대 4.3:1에 이르는 단방향 대체까지 나타났으며, 5개 산업 전체의 가중치 없는 평균은 2.4:1이었습니다. BERTopic 검토 결과, 발견된 토픽 클러스터 (topic clusters) 중 원래 카테고리를 벗어난 것은 4.2%에 불과했습니다. 연구 범위 내에서 이러한 결과는 AI 추천을 둘러싼 강력한 '승자 독식 (winner-takes-all)' 내러티브와 대조를 이루며, 제안된 세 가지 지표는 향후 연구에서 검증할 수 있는 경쟁 정보 분석 (competitive-intelligence analysis)을 위한 후보이자 재현 가능한 절차를 제공합니다.