서론

2026년 7월 10일, Google은 Gemini 3.5 Flash가 모든 검색 쿼리의 답변을 생성하는 사양으로 전환했습니다. 검색 결과의 주인공은 「파란색 링크 목록」에서 「AI가 생성하는 답변」으로 바뀌었습니다. 이러한 변화로 인해 웹사이트 운영자에게 요구되는 것은 「검색 엔진 상위에 표시되는 것」에서 「AI(LLM)에게 올바르게 이해되고 인용되는 것」으로 이동하고 있습니다.

이 기사에서는 자신의 사이트를 AI가 인용하기 쉽게 만들기 위한 (AIO: AI Optimization) 구현의 핵심을 구조화 데이터(Structured Data), llms.txt, 자동 체크라는 세 가지 관점에서 정리합니다.

구조화 데이터로 저자와 1차 정보를 명시하기

LLM이나 AI 검색은 페이지의 내용뿐만 아니라 「누가・언제・어떤 근거로 썼는가」를 중시합니다. 이를 기계 판독 가능하게 전달하는 것이 Schema.org의 구조화 데이터 (JSON-LD)입니다. Article과 Person(저자)을 연결하여 E-E-A-T를 구조로 나타냅니다. 특히 author.sameAs를 통해 여러 플랫폼의 프로필을 연결하면, AI가 「이 저자는 실재하며, 여러 장소에서 일관되게 발신하고 있다」고 판단하기 쉬워져 권위성 평가에 효과적입니다. 아울러 citation 필드에 직접 수집한 1차 데이터를 명시하는 것도 유효합니다.

llms.txt로 LLM에 사이트 구조를 전달하기

robots.txt가 크롤러(Crawler)를 위한 것이라면, llms.txt는 LLM을 위해 사이트의 요점과 주요 페이지를 나타내기 위한 제안 포맷입니다. 사이트 루트(/llms.txt)에 사이트의 개요・주요 콘텐츠로의 링크・인용 시 주의사항 등을 Markdown으로 기술하여 배치합니다. 아직 발전 단계에 있는 관습이지만, 「AI에게 읽히는 것을 전제로 자신의 사이트를 정리한다」는 발상 자체가 앞으로의 콘텐츠 설계의 기본이 됩니다.

Python으로 「AI 인용 최적화도」를 간이 체크하기

자신의 페이지가 AI에 인용되기 쉬운 상태인지 기계적으로 점수화하는 스크립트의 개념을 제시합니다. 체크 항목은 JSON-LD의 유무, 저자 정보의 정의, 공개일의 명시, 헤딩(Heading) 구조, 그리고 1차 정보를 시사하는 단어(실측・검증・데이터 등)의 출현 횟수입니다. 이것들을 가중치로 두어 100점 만점으로 스코어화하면, 「AI에게 읽히는 것을 전제로 페이지를 설계하고 있는가」를 정량적으로 되돌아보는 계기가 됩니다.

구현의 포인트는 urllib로 HTML을 취득하고, 정규 표현식으로 application/ld+json 블록을 추출하여 json.loads로 파싱한 뒤, 저자 키나 날짜 키의 유무를 판정하고, 헤딩 태그 수와 1차 정보 시그널 단어를 카운트하여 가산해 나가는 단순한 구성입니다. 외부 라이브러리 없이 표준 라이브러리만으로 작성할 수 있기 때문에, CI에 포함시켜 공개 전 자동 체크용으로도 사용할 수 있습니다.

요약

AI 검색 시대의 SEO는 「검색 순위를 높이는 것」에서 「AI에게 올바르게 이해되고 인용되는 것」으로의 전환입니다. 구현 수준에서 할 수 있는 것은 구조화 데이터로 저자와 1차 정보를 기계 판독 가능하게 하는 것, llms.txt로 사이트의 요점을 LLM에 제시하는 것, 그리고 자신의 사이트 AIO 상태를 정기적으로 측정하는 것의 세 가지로 집약됩니다.

최종적으로 AI가 인용하고 싶어 하는 것은 어디에도 없는 1차 정보입니다. 기술적인 최적화는 「그 1차 정보를 AI에게 올바르게 전달하기 위한 배관」이라고 파악하면 좋을 것입니다.

Discussion