이제 AI 시스템이 귀하의 브랜드와 구매자 사이에 자리 잡고 있습니다. 이것이 귀하가 실행 중인 모든 GTM (Go-To-Market) 활동에 무엇을 의미하는지, 그리고 어떻게 대응해야 하는지 설명합니다.

2024년과 2025년 사이 B2B 구매 방식에 변화가 생겼으며, 대부분의 GTM 팀은 여전히 이를 따라잡으려 노력 중입니다.

구매자들이 Google에 묻기 전에 AI에게 묻기 시작했습니다.

극적이고 한꺼번에 일어난 일은 아닙니다. 점진적으로 발생했습니다. CMO가 조사 과정에서 Perplexity에 질문을 입력하고, 영업 부사장(VP of Sales)이 ChatGPT에게 벤더 비교를 요청하며, 구매 팀이 RFP (Request for Proposal)를 발행하기 전에 Microsoft Copilot을 사용하여 옵션을 추려내는 식입니다. 이러한 상호작용 하나하나는 작습니다. 하지만 이를 합치면 B2B 구매 결정이 시작되는 방식의 구조적 변화를 나타냅니다.

AI가 생성한 답변에 등장하는 브랜드는 평가를 받습니다. 등장하지 않는 브랜드는 보이지 않는 존재가 됩니다. 이는 제품이나 GTM 팀이 부족해서가 아니라, AI 시스템이 추천을 생성할 때 참조하는 표면(surfaces)에 존재감이 없기 때문입니다.

이것이 바로 AI 필터입니다. 그리고 이것은 이제 귀하가 실행하는 모든 GTM 활동의 상단에 위치하고 있습니다.

AI 필터의 실체

구매자가 LLM (Large Language Model)에 "[use case]를 위한 최고의 [category] 솔루션은 무엇인가요?"라고 물을 때, 모델은 (보통) 실시간으로 웹을 검색하지 않습니다. 대신 모델이 학습한 콘텐츠의 가중치가 적용된 혼합물인 학습 코퍼스 (training corpus)에서 정보를 가져오며, 인용 밀도 (citation density), 개체 인식 (entity recognition), 그리고 출처 권위 (source authority)를 기반으로 답변을 생성합니다.

LLM이 학습하는 출처 전반에 걸쳐 가장 일관되게 나타나는 브랜드가 LLM 생성 답변에 등장하는 브랜드가 됩니다. 이는 전통적인 SEO (Search Engine Optimization)나 PR (Public Relations)과는 전혀 다른 새로운 경쟁 계층을 형성합니다.

전통적인 수요 창출 (demand gen)에서는 키워드 순위와 미디어 배치(media placements)를 두고 경쟁합니다. AI가 매개하는 세상에서는 LLM이 높은 가중치를 두는 특정 표면(surfaces) 전반의 인용 밀도를 두고 경쟁하게 됩니다. 그 표면들은 다음과 같습니다:

1. 권위 있는 편집 출판물 (Forbes: ChatGPT 인용의 6.93%)
2. Reddit (Perplexity 상위 인용 중 46.7% — Wikipedia 다음 #2 소스)
3. 위키피디아 및 Wikidata (상위 3개 LLM 인용 출처)
4. LinkedIn (Google AI Mode 인용의 15%)
5. G2나 Clutch 같은 리뷰 플랫폼
6. 자체 웹사이트의 구조화된 콘텐츠 (FAQ 스키마가 적용된 answer-object 페이지)
7. GitHub 및 dev.to와 같은 개발자 플랫폼 (기술 관련 질의 시)

만약 귀하의 브랜드가 이 모든 영역에서 강하다면, AI가 생성하는 단축 목록(shortlists)에 노출됩니다. 만약 한두 개 영역에서만 강하고 나머지는 부족하다면, 일부 검색어에는 노출되지만 다른 검색어에는 노출되지 않습니다. 이는 종종 무작위해 보이지만 실제로는 구조적인 차이입니다.

이것이 단순한 SEO 문제가 아닌 이유

사람들은 AI 필터를 'LLM을 위한 SEO'로 규정하려는 유혹을 느낍니다. 즉, 콘텐츠를 최적화하고 스키마 마크업을 추가하면 끝이라고 생각하는 것입니다. 이는 부분적으로 맞지만 대부분 틀립니다.

전통적인 SEO는 단일 표면(single-surface) 문제입니다. 구글의 랭킹 알고리즘에 맞춰 최적화하면, 순위가 오르거나 그렇지 않습니다. 반면 AI 필터는 12개 표면(12-surface) 문제입니다. LLM은 편집 콘텐츠, 커뮤니티 플랫폼, 지식 그래프(knowledge graphs), 리뷰 사이트, 개발자 문서, 그리고 소셜 권위 신호 등 모든 것을 동시에 가져옵니다. 자체 콘텐츠는 훌륭하지만 Reddit 존재감이 없고, G2 리뷰도 없으며, 위키피디아 엔티티(entity)조차 없는 브랜드는 평범한 자체 콘텐츠를 가지고 있지만 12개 표면 전체에 걸쳐 일관되게 언급되는 브랜드에 비해 성능이 떨어질 것입니다.

이것이 전통적인 GTM 플레이북이 AI가 매개하는 세계와 깔끔하게 연결되지 않는 이유입니다. 경쟁의 단위가 키워드 순위에서 인용 신호(citation signal)로 바뀌었기 때문입니다.

가장 먼저 무너지는 것들

지난 1년간 수십 개의 B2B 브랜드에 걸쳐 AI 표면 존재 여부를 감사한 결과, 가장 일관되게 나타나는 격차는 다음과 같습니다:

위키피디아 격차 (The Wikipedia gap). 자금력이 풍부한 기업들을 포함하여 수많은 B2B 기업들이 명백히 저명성 기준 (notability criteria)을 충족함에도 불구하고 위키피디아 항목이 없습니다. 위키피디아는 LLM (대규모 언어 모델)의 상위 3대 인용 소스 중 하나입니다. 위키피디아 항목이 없다는 것은 2010년에 웹사이트가 없는 것과 같습니다.

레딧 격차 (The Reddit gap). Perplexity의 상위 인용 소스 중 거의 절반을 차지하는 레딧 (Reddit)에도 불구하고, 의미 있는 레딧 존재감을 가진 B2B 브랜드는 거의 없습니다. 카테고리 쿼리에 대한 Perplexity의 답변에 등장하는 기업들은 고객과 커뮤니티가 레딧에서 해당 기업에 대해 논의하는 기업들과 불균형적으로 일치합니다.

리뷰 언어 격차 (The review language gap). 대부분의 브랜드는 리뷰 생성을 별점 매기기 활동으로 접근합니다. 하지만 LLM은 단순히 리뷰가 존재한다는 사실만을 인용하는 것이 아니라, 리뷰의 언어를 추출합니다. "그들의 팀이 핀테크 수직 시장 (fintech vertical)에서 우리의 리드당 비용 (cost per lead)을 40% 절감하도록 도와주었습니다"라고 말하는 리뷰는 LLM이 해당 브랜드를 핀테크 수요 창출 (demand generation)과 연관시키도록 학습시킵니다. 반면 "함께 일해서 좋았습니다!"라는 리뷰는 아무런 학습 효과가 없습니다.

지식 그래프 격차 (The knowledge graph gap). 인수, 리브랜딩 또는 합병된 브랜드들은 Crunchbase, ZoomInfo, Wikidata 및 Google의 지식 그래프 (Knowledge Graph) 전반에 걸쳐 오래되거나 파편화된 엔티티 (entity) 데이터를 보유하는 경우가 많습니다. 이 데이터를 활용하는 LLM은 브랜드를 현재의 모습이 아닌 과거의 모습으로 설명합니다.

개발자 접점 격차 (The developer surface gap). 에이전시, 컨설팅 또는 SaaS 기업을 포함한 어떤 B2B 서비스 기업도 의미 있는 GitHub 또는 dev.to 존재감을 보여주지 못하고 있습니다. 이는 B2B 브랜드가 공략할 수 있는 12가지 접점 중 경쟁이 가장 적은 곳입니다. 그곳에 실질적인 콘텐츠를 게시하는 브랜드는 해당 플랫폼에서의 LLM 인용을 두고 사실상 경쟁자가 없는 상태가 됩니다.

GTM의 재정의

전통적인 B2B GTM (시장 진입) 활동의 모든 채널에는 AI가 매개하는 상응하는 요소가 존재합니다:

전통적 GTM	AI 매개 상응 요소
SEO → 키워드 순위 확보	AEO/GEO → AI 생성 답변에서 인용됨
...

AI 필터가 전통적인 GTM을 쓸모없게 만드는 것은 아닙니다. 그것은 전통적 GTM 위에 놓여 있습니다. 하지만 AI 필터는 우선순위, 성공 지표, 그리고 결과를 만들어내는 콘텐츠 형식을 변화시킵니다.

현재의 AI 노출 현황을 감사(Audit)하는 방법

현재 귀사의 위치를 파악하는 가장 빠른 방법은 지금 바로 다섯 가지 프롬프트(Prompt)를 실행해 보는 것입니다.

1. ChatGPT, Perplexity, Gemini를 각각 별도의 탭에서 엽니다.
2. 각 서비스에서 다음을 실행합니다: "[귀사의 타겟 ICP]를 위한 최고의 [귀사의 카테고리] 솔루션은 무엇인가요?"
3. 귀사의 브랜드가 나타나는지, 어느 위치에 있는지, 그리고 어떤 언어가 사용되는지 기록합니다.
4. 다음을 실행합니다: "[귀사의 브랜드 이름]은 무엇이며, 무엇을 하는 회사인가요?"
5. 다음을 실행합니다: "[귀사의 브랜드]와 [귀사의 주요 경쟁사]를 비교해 주세요"

만약 1~2번 답변에 귀사가 나타나지 않는다면, 심각한 AI 인터페이스 격차(AI interface gap)가 있는 것입니다. 만약 나타나기는 하지만 설명이 틀렸거나 오래되었다면, 지식 그래프 격차(knowledge graph gap)가 있는 것입니다. 브랜드 검색어에는 나타나지만 카테고리 검색어에는 나타나지 않는다면, 언드 미디어 격차(earned media gap)가 있는 것입니다.

점수 산정 기준(Scoring rubrics), 근본 원인 진단(Root cause diagnostics), 그리고 25개의 프롬프트 감사 라이브러리를 포함한 구조화된 12개 표면 감사 프레임워크(12-surface audit framework)는 GitHub의 Dark Horse AI GTM Visibility Framework를 참조하십시오.

이에 대한 대응 방안

가장 빠르게 성과를 만들어낼 수 있는 90일 활성화 시퀀스(Activation sequence)를 우선순위 순으로 정리했습니다.

0~30일 차 (Quick wins - 빠른 성과):

1. 위키피디아(Wikipedia) 항목을 생성하거나 업데이트합니다 (주목성 기준을 충족하는 경우 — 대부분의 기성 B2B 기업은 해당됩니다).
2. Clutch 또는 G2에 명확한 결과 중심 언어와 산업군 태그(Vertical tags)를 포함한 10~15개의 새로운 리뷰를 확보합니다.
3. 주요 카테고리에 대해 FAQ 스키마(FAQ schema)가 적용된 2~3개의 답변 객체 페이지(Answer-object pages)를 게시합니다.
4. 가장 관련성이 높은 3개의 서브레딧(Subreddits)에서 진정성 있는 Reddit 참여를 시작합니다.

30~60일 차 (구조적 개선):

1. 상위 10개의 자체 보유 콘텐츠 페이지(Owned content pages)를 선언적 도입부(Declarative openings)와 FAQ 스키마를 사용하여 재구성합니다.
2. 모든 B2B 데이터 플랫폼 프로필(ZoomInfo, Apollo, Crunchbase)을 최신 설명과 카테고리 분류 체계(Category taxonomy)로 업데이트합니다.
3. CEO 및 고위 경영진이 카테고리 포지셔닝 언어를 사용하여 LinkedIn 게시를 정기적으로 수행하도록 활성화합니다.
4. 인수된 브랜드의 증거 계층(Proof layer, 사례 연구, 수상 경력 등)을 기본 브랜드의 도메인으로 이전합니다.

**60~90일 차 (복리 효과):

1. 귀사의 프레임워크, 방법론 또는 프롬프트 라이브러리 (prompt library)가 포함된 GitHub 리포지토리 (repository)를 공개하세요.
2. 수직적 산업 전문 매체 (vertical trade publications)를 대상으로 기고문 (byline placements) 게재를 제안하기 시작하세요.
3. 가장 빈번하게 발생하는 구매자 질문 5가지에 대한 Quora 답변을 작성하고 예약하세요.

AI 매개 구매 (AI-mediated buying)가 완전히 성숙하기 전, 지금 이 단계에 투자하는 브랜드는 수년간 복리로 작용할 인용 밀도 (citation density) 우위를 점하게 될 것입니다. 반면, 기다리는 브랜드는 LLM 학습 데이터 (training data)가 이미 결정된 환경에서 뒤처진 상태로 따라잡기에 급급한 상황에 놓이게 될 것입니다.

Megan Kessler는 AI 네이티브 B2B GTM 컨설팅 기업인 Dark Horse Strategies의 설립자이자 CEO입니다. 이 포스트에서 언급된 AI GTM Visibility Framework는 오픈 소스이며 자유롭게 사용할 수 있습니다.