ChatGPT는 당신이 무엇을 좋아하는지 기억합니다. 배우자가 커피 주문을 기억하는 방식이 아닙니다. 검색 엔진이 당신이 클릭했던 모든 것을 기억하지만, 이제 그 메모리를 사용하여 다음에 무엇을 추천할지 결정하는 방식입니다. 이는 전통적인 SEO가 다루도록 설계되지 않았던 방식으로 브랜드 발견의 경제학을 변화시킵니다.

사용자가 ChatGPT에게 CRM 추천을 요청하고 그것이 HubSpot을 제안하면 두 가지 일이 발생합니다. 첫째, 사용자는 답변을 얻습니다. 둘째, ChatGPT는 그 상호작용을 기록합니다. 다음에 그 사용자가 마케팅 도구, 프로젝트 관리 또는 영업 소프트웨어에 대해 문의할 때, HubSpot은 유리한 위치를 차지하게 됩니다. 알고리즘 업데이트 때문이 아닙니다. 메모리 덕분입니다. 추천이 지속됩니다.

이것이 바로 초기 AI 인용을 어떤 백링크, 구글 랭킹, 유료 캠페인보다 더 가치 있게 만드는 독과점 역학 관계입니다. 문을 처음 통과한 브랜드가 방에 머무는 것입니다.

ChatGPT 메모리가 실제로 작동하는 방식

ChatGPT 메모리는 두 가지 수준에서 작동합니다: 대화 레벨 컨텍스트와 크로스-세션 지속성(cross-session persistence).

**대화 레벨 컨텍스트(Conversation-level context)**는 간단합니다. 단일 채팅 세션 내에서 ChatGPT는 당신이 논의한 내용, 선호했던 것, 그리고 거부한 것을 추적합니다. 만약 프로틴 파우더 추천을 요청한 다음

브랜드 입장에서 이는 구체적인 의미를 갖습니다. 한 번 추천을 받는 것은 동일한 사용자에게 다시 추천될 확률을 높인다는 것입니다. 그리고 ChatGPT는 수백만 명의 사용자로부터 선호도 신호 (preference signals)를 집계하기 때문에, 초기에 추천을 선점한 브랜드는 피드백 루프 (feedback loop)의 혜택을 누리게 됩니다. 더 많은 사용자가 추천을 수용하고, 더 많은 선호도 신호가 축적됩니다. 그러면 모델은 해당 브랜드를 추천하는 데 더 큰 확신을 갖게 됩니다. 이 사이클은 복리로 작용합니다.

선호도 지속성의 수학적 실체

수학적으로 살펴보겠습니다.

ChatGPT가 학습 데이터와 검색 파이프라인 (retrieval pipeline)을 바탕으로 특정 카테고리 질의에 대해 브랜드 A를 추천할 확률이 60%라고 가정해 봅시다. 브랜드 B는 15%이며, 나머지 25%는 다양한 소규모 브랜드들이 나누어 가집니다.

이제 메모리 (memory)를 도입해 보겠습니다. 사용자가 브랜드 A의 추천을 수용하면, 향후 관련 질의에서 해당 사용자가 브랜드 A를 다시 보게 될 개인적 확률은 약 85~90%로 급증합니다. 모델은 긍정적인 신호를 관찰했고 그에 따라 조정된 것입니다.

하지만 여기서 결정적인 부분이 있습니다. 충분히 많은 사용자가 이러한 패턴을 보이면, 모든 사용자에 대한 기본 확률 자체가 이동합니다. 브랜드 A의 총체적인 추천율은 60%에서 65%, 그다음에는 70%로 상승합니다. 반면 브랜드 B의 비율은 정체되거나 하락합니다. 부익부 빈익빈 현상이 발생하는 것입니다.

500개 브랜드를 대상으로 한 AI 인용 패턴 분석에 따르면, 어떤 카테고리에서든 상위 3개 브랜드가 모든 AI 추천의 67%에서 81% 사이를 점유합니다. 이는 상위 3개 위치가 클릭의 약 55~60%를 차지하는 Google 유기적 검색 결과 (organic results)보다 훨씬 더 집중되어 있습니다. AI 검색은 전통적인 검색이 가졌던 것보다 더 집중되어 있습니다.

이러한 집중 효과는 AI 인용 패턴이 어떻게 멱법칙 분포 (power law distribution)를 따르는지에 대한 분석에서 확인할 수 있으며, 여기서는 약 3%의 소스가 전체 AI 언급의 80%를 차지합니다.

이것이 Google의 독점 문제와 다른 이유

Google 또한 "부익부 빈익빈 (rich get richer)" 문제를 겪었습니다. 상위 순위에 오른 도메인은 더 많은 클릭, 더 많은 참여 신호 (engagement signals), 그리고 더 많은 백링크 (backlinks)를 끌어들였고, 이는 다시 그들의 순위를 강화했습니다. 하지만 Google의 시스템에는 자연적인 마찰 (friction)이 존재했습니다. 사용자가 직접 클릭하여 탐색하고 스스로 의견을 형성해야 했기 때문입니다. 당시의 순위는 하나의 제안이었지, 정답이 아니었습니다.

AI 검색은 그 마찰을 제거합니다. ChatGPT가 특정 브랜드를 추천할 때, 사용자는 10개의 선택지 목록을 보는 것이 아닙니다. 단 하나의 정답을 보게 됩니다. 사용자가 이를 수용하면, 메모리 루프 (memory loop)가 즉시 활성화됩니다. 비교 쇼핑도, 탐색도 없습니다. 그저 복리로 쌓여가는 단 하나의 추천이 있을 뿐입니다.

Google의 독점 문제는 몇 달 또는 몇 년에 걸쳐 진행되었습니다. 새로운 사이트가 더 나은 콘텐츠를 게시하고, 더 나은 백링크를 구축하며, 6개월에서 12개월에 걸쳐 순위를 끌어올릴 수 있었습니다. 피드백 루프 (feedback loop)가 충분히 느렸기에 도전자들이 경쟁할 수 있었습니다.

반면 ChatGPT의 메모리 루프는 며칠 또는 몇 주 만에 실행됩니다. 사용자가 동일한 카테고리에서 세 번의 추천을 수용하고 나면, 그들의 선호도는 사실상 고착됩니다. 이 패턴을 깨기 위해서는 브랜드 지형의 극적인 변화가 일어나거나, 사용자의 명시적인 지시가 있어야만 합니다.

이것이 바로 Share of Model이 도메인 권위 (Domain Authority)보다 더 중요한 이유입니다. 도메인 권위는 사용자가 여전히 선택을 해야 하는 시스템 내에서의 순위 잠재력을 추정했습니다. 반면 Share of Model은 AI가 당신을 선택하느냐 아니냐를 측정합니다. 그리고 일단 AI가 당신을 선택하기 시작하면, 메모리는 AI가 당신을 계속 선택할 가능성을 점점 더 높입니다.

선점자 우위가 전부다

전통적인 SEO에서는 특정 주제에 대해 가장 먼저 다루는 것이 유리한 고지를 점하게 해주었습니다. 경쟁자들은 더 나은 콘텐츠, 더 많은 백링크, 그리고 더 강력한 도메인 권위로 따라잡을 수 있었습니다. 그 우위는 실재했지만, 극복 가능한 것이었습니다.

AI 검색에서 추천 슬롯(recommendation slot)을 선점하는 것은 복리로 작용하는 구조적 우위를 제공합니다. 귀하의 브랜드를 정답으로 수용하는 모든 사용자는 신호(signal)를 강화합니다. 강화된 추천이 반복될수록 경쟁사가 귀하를 밀어내는 것은 더욱 어려워집니다.

다음 타임라인을 고려해 보십시오:

1. 1~4주 차: 개선된 콘텐츠, 엔티티 신호(entity signals), 그리고 외부 언급(external mentions)을 바탕으로 ChatGPT가 귀하의 브랜드를 추천하기 시작합니다. 관련 쿼리의 약 10~15%에서 귀하가 나타납니다.

2. 5~12주 차: 귀하의 추천을 수용한 사용자들이 암묵적 선호 신호(implicit preference signals)와 함께 다시 돌아옵니다. 모델이 확신을 얻으면서 인용률(citation rate)이 25~35%까지 상승합니다.

3. 4~8개월 차: 피드백 루프(feedback loop)가 완전히 활성화됩니다. 귀하의 브랜드는 점점 더 많은 사용자에게 기본 추천(default recommendation)이 됩니다. 새로운 경쟁자들은 귀하의 콘텐츠뿐만 아니라, 축적된 사용자 선호 데이터에 맞서 힘겨운 싸움을 벌여야 합니다.

이 타임라인은 귀하가 다음과 같은 기본 사항을 유지한다는 가정하에 성립합니다: 답변 우선 콘텐츠 구조 (answer-first content structure), 여러 도메인에 걸친 엔티티 권위(entity authority), 그리고 기능적인 llms.txt 파일입니다. 이것들이 없다면, 애초에 추천 세트(recommendation set)에 진입조차 할 수 없습니다.

브랜드가 보이지 않는 이유 (그리고 계속 보이지 않는 이유)

승자 독식(winner-take-all)의 이면은 패자가 계속 패배하는 것입니다. ChatGPT의 추천 세트에 포함되지 않은 브랜드는 보이지 않는 천장에 직면합니다. 아무리 많은 콘텐츠를 발행하고 아무리 많은 백링크(backlinks)를 구축하더라도, 모델이 그들을 추천하는 사전 신호(prior signal)를 가지고 있지 않다면 그들은 계속 부재 상태로 남게 됩니다.

우리는 ChatGPT, Perplexity, Gemini 전반에 걸쳐 500개의 브랜드를 추적했습니다. 그 결과 88%가 해당 카테고리 쿼리에 대한 단 한 번의 AI 응답에서도 언급되지 않았습니다. 그들은 SEO, 콘텐츠 마케팅, 유료 고객 획득(paid acquisition)에 수천 달러를 지출합니다. 하지만 그 중 어느 것도 AI 가시성(AI visibility)으로 이어지지 않습니다.

문제는 노력이 아닙니다. 문제는 이러한 브랜드들에게 진입점(entry point)이 없다는 것입니다. 이들은 검색 엔진의 정보 검색 파이프라인 (retrieval pipeline)에서 보이지 않으며, 이는 어떤 사용자도 이 브랜드가 추천되는 것을 볼 수 없음을 의미합니다. 이는 곧 선호도 신호 (preference signal)가 형성되지 않음을 의미하고, 결과적으로 모델이 이들을 추천할 확신을 얻지 못함을 의미합니다. 이것은 콜드 스타트 문제 (cold start problem)이며, 매우 가혹합니다.

이 상황을 타개하기 위해서는 세 가지 벡터 (vectors)를 동시에 조율하여 밀어붙여야 합니다.

1. 엔티티 권위 구축 (Entity Authority Building)
AI 모델은 페이지를 순위 매기지 않습니다. 그들은 엔티티 (entities)를 인식합니다. 귀하의 브랜드는 AI 엔진이 신뢰하는 최소 6개 이상의 도메인에서 인식된 엔티티로 존재해야 합니다. 이는 Wikipedia, 산업 디렉토리, 리뷰 플랫폼, 뉴스 언급, 그리고 귀하의 자체 자산에 걸친 구조화된 데이터 (structured data)를 의미합니다. 전통적인 의미의 백링크 (backlinks)가 아닙니다. 언급 (mentions), 맥락 (context), 그리고 카테고리 관련 용어와의 공통 출현 (co-occurrence)이 핵심입니다.

2. 답변 우선 콘텐츠 아키텍처 (Answer-First Content Architecture)
AI 엔진은 페이지의 첫 두 문장을 73%의 확률로 추출합니다. 만약 귀하의 답변이 여섯 번째 단락에 묻혀 있다면, 귀하는 보이지 않는 존재가 됩니다. 사이트의 모든 중요한 페이지는 답변을 가장 먼저 제시해야 합니다. 귀하의 제품은 무엇을 합니까? 누구를 위한 것입니까? 어떤 문제를 해결합니까? 이러한 답변들은 첫 50단어 이내에 나타나야 합니다.

3. 구조화된 기계 가독성 (Structured Machine Readability)
llms.txt는 새로운 robots.txt입니다. 만약 AI 엔진이 귀하의 콘텐츠를 구조적으로 읽을 수 없다면, 그들은 확신을 가지고 이를 추천할 수 없습니다. 적절하게 구성된 llms.txt 파일, FAQ 스키마 (schema), 그리고 JSON-LD 엔티티 마크업 (entity markup)은 AI 모델이 귀하의 브랜드를 이해하고 인용하는 데 필요한 비계 (scaffolding)를 제공합니다. 대략 95%의 웹사이트가 여전히 이를 구성하지 않은 상태입니다.

이 세 가지 벡터를 8주에서 12주 동안 일관되게 실행하면, 브랜드가 보이지 않는 상태에서 인용되는 상태로 전환되기에 충분합니다. 우리는 정확히 이 기간 동안 브랜드의 Searchless Score가 12/100에서 74/100으로 상승하는 과정을 기록했습니다.

지속성의 문제: 왜 늦는 것이 생각보다 더 큰 비용을 초래하는가

당신의 브랜드가 AI 추천에서 누락되는 매일은 단순히 노출 기회를 놓치는 것이 아닙니다. 그것은 선호도 신호 (preference signal)를 놓치는 것입니다. 오늘 추천을 받는 경쟁자는 내일 복리로 작용할 메모리 우위 (memory advantage)를 점하게 됩니다. 당신은 단지 하루 뒤처지는 것이 아닙니다. 경쟁자가 축적해 온 모든 선호도 신호의 누적 효과만큼 뒤처지는 것입니다.

이를 복리 (compound interest)의 역과정이라고 생각하십시오. 만약 경쟁자가 당신보다 6개월 먼저 AI 선호도 신호를 축적하기 시작했다면, 격차를 좁히기 위해서는 단순히 그들의 현재 출력량을 따라잡는 것이 아니라, 그들이 축적한 메모리 자본 (memory capital)을 따라잡아야 합니다. 당신이 추천 세트에 진입할 때쯤이면, 이미 선호도를 형성한 개별 사용자들에게 그들의 선두는 수학적으로 극복 불가능할 수도 있습니다.

이것이 바로 GEO (Generative Engine Optimization)에 대한 무대응 비용이 선형적이지 않고 기하급수적인 이유입니다. 당신이 기다리는 매달, 당신과 해당 카테고리의 AI 추천 브랜드 사이의 격차는 커집니다. 그들이 더 많은 콘텐츠를 발행하기 때문이 아닙니다. 그들의 기존 추천이 사용자 메모리를 통해 복리로 쌓이고 있기 때문입니다.

실전 전략: 어떻게 기본 답변 (Default Answer)이 될 것인가

AI 가시성이 전혀 없는 상태에서 시작한다면, 다음과 같은 순서가 효과적입니다. 이론이 아닙니다. 수백 개의 브랜드를 통해 관찰된 결과입니다.

1단계: 기반 구축 (1~3주 차)

엔티티 발자국 (entity footprint)을 구축하십시오. Wikidata에서 브랜드 엔티티 (brand entity)를 등록하십시오. (충분히 유명하다면) Wikipedia 페이지가 존재하고 정확한지 확인하십시오. 산업별 디렉토리에 등록하십시오. 모든 웹 자산에 구조화된 데이터 (structured data)를 생성하십시오. llms.txt 파일을 게시하십시오. 이것들은 AI 엔진이 당신을 추천 후보로 인식하기 위한 전제 조건입니다.

2단계: 콘텐츠 포화 (3~6주 차)

고객이 AI 엔진에 던지는 정확한 질문을 겨냥한 '답변 우선 (answer-first)' 콘텐츠를 게시하십시오. 전통적인 의미의 블로그 포스트가 아닙니다. '답변 문서 (answer documents)'입니다. 각 페이지는 하나의 질문에 대해 명확하고 간결하게, 그리고 첫 문장에서 답을 제시해야 합니다. 카테고리와 관련된 모든 쿼리를 다루는 30~50개의 답변 페이지를 목표로 하십시오.

이 지점에서 많은 브랜드가 실패합니다. 그들은 Google에 최적화된 500단어 분량의 블로그 포스트를 게시합니다. 하지만 AI 엔진은 단어 수나 키워드 밀도(keyword density)에는 관심이 없습니다. 그들은 답변의 품질(answer quality), 엔티티 풍부도(entity richness), 그리고 구조적 명확성(structural clarity)에 집중합니다.

3단계: 외부 언급 (4~8주 차)

AI 엔진이 신뢰하는 도메인에서 언급되도록 하십시오. 게스트 포스트(guest posts)나 링크 교환(link exchanges)이 아닙니다. 실제 맥락에서의 진정한 언급(genuine mentions)이어야 합니다. 산업 전문지, 리뷰 사이트, 팟캐스트 스크립트, 포럼 토론 등이 해당됩니다. 모든 외부 언급은 귀하의 엔티티 권위(entity authority)를 강화하고 AI 인용(AI citation) 확률을 높입니다.

최소 6개 이상의 참조 도메인(referring domains)을 목표로 하십시오. 이 임계값 미만에서는 AI 엔진이 귀하를 확신을 가지고 추천할 만큼 충분한 신호(signal)를 확보하지 못합니다.

4단계: 인용 모니터링 및 최적화 (8주 차 이후)

AI 응답에 나타나기 시작하면, 어떤 쿼리가 귀하의 인용을 유도하고 어떤 쿼리가 그렇지 않은지 모니터링하십시오. 인용을 얻어내는 콘텐츠에 역량을 집중하십시오. 경쟁자는 나타나지만 귀하는 나타나지 않는 공백을 채우십시오. 이것은 일회성 노력이 아닌 지속적인 프로세스입니다.

GEO 성숙도 모델(GEO maturity model)은 이 여정에서 귀하가 어디에 있는지, 그리고 다음에 무엇을 우선시해야 하는지 평가하는 데 유용한 프레임워크를 제공합니다.

중요한 지표 측정하기

측정할 수 없는 것은 최적화할 수 없습니다. AI 가시성(AI visibility)을 위해 중요한 지표는 다음과 같습니다: