아직 아무도 최적화하지 않고 있는 새로운 구매 여정이 존재합니다.

누군가 Claude나 Perplexity를 열고 이렇게 입력합니다: "민감성 피부에 좋은 지속 가능한 스킨케어 브랜드는 무엇인가요?" 또는 "어떤 Shopify 스토어가 최고의 결제 경험을 제공하나요?" 모델은 파란색 링크 목록을 나열하는 대신, 특정 브랜드 이름을 확신에 차서 답변합니다.

만약 당신의 스토어가 그 답변에 포함되지 않았다면, 당신은 순위(ranking)를 잃은 것이 아닙니다. 그 순간 당신은 아예 존재하지 않는 것입니다.

LLM이 실제로 어떤 이커머스 브랜드를 해당 답변에 노출할지 결정하는 방식과, Shopify 개발자 및 스토어 소유자를 위한 기술적 대응 방안은 다음과 같습니다.

LLM이 브랜드 지식을 구축하는 방식
LLM은 실시간으로 크롤링하지 않습니다 (Perplexity와 같은 검색 증강 생성 (RAG) 설정이 아닌 경우). 이들의 기본 지식은 특정 시점의 웹 스냅샷인 학습 데이터(training data)에서 오며, 무엇이 빈번하고 일관되게, 그리고 신뢰할 수 있는 독립적인 소스 전반에 걸쳐 나타났는지에 따라 가중치가 부여됩니다.

모델이 브랜드 추천 쿼리에 답변할 때, 이는 내재화된 엔티티 그래프 (entity graph)를 활용하는 것입니다. 모델은 특정 브랜드 X가 해당 카테고리에 존재한다는 것을 알고 있는데, 이는 학습 데이터 내의 여러 비소유 맥락(non-owned contexts)에서 브랜드 X가 반복적이고 일관되게 나타났기 때문입니다. 엔티티 (entity)가 더 넓은 정보 생태계 전반에 분포되어 있지 않다면, 잘 최적화된 단 하나의 제품 페이지는 아무런 의미가 없습니다.

이것이 SEO와 AEO/GEO 사이의 핵심적인 차이점입니다:

SEO: 특정 쿼리에 대해 당신의 페이지가 순위권에 오르게 하는 것
AEO: 특정 유형의 쿼리에 대한 정답으로서 당신의 엔티티가 인식되게 하는 것
GEO: 생성형 모델이 당신의 카테고리를 표현하는 방식에 당신의 엔티티가 포함되게 하는 것

Shopify 스토어의 경우, 이러한 차이는 직접적인 기술적 함의를 갖습니다.

LLM 가시성을 구축하는 기술적 신호들

1. 엔티티 선언으로서의 구조화된 데이터 (Structured data): 당신의 Shopify 스토어에 있는 JSON-LD 스키마 (schema)는 이제 단순히 리치 스니펫 (rich snippets)만을 위한 것이 아닙니다. 이는 학습 파이프라인과 검색 시스템에 데이터를 공급하는 크롤러들에게 당신의 엔티티를 선언하는 방법입니다.

배열 (array)이 여기서 하는 역할과 동일합니다. 이는 여러 플랫폼에 걸친 이러한 속성들이 모두 동일한 엔티티 (entity)로 귀결됨을 검색 시스템 (retrieval systems)에 알려줍니다. 스키마 (schema) 수준에서의 엔티티 모호성 해소 (Entity disambiguation)입니다.

제품 스키마 (Product schema)는 단순히 가격과 가용성뿐만 아니라, 재질 구성, 사용 사례 기술어, 그리고 사용자가 AI 시스템에 대화형으로 실제로 질의하는 방식과 매핑되는 성분/속성 마크업 (ingredient/attribute markup)을 따라야 합니다.

1. 플랫폼 전반에 걸친 일관된 엔티티 정의
   Shopify의 '회사 소개 (About)' 페이지에 기재된 브랜드 설명, LinkedIn 회사 프로필, Google 비즈니스 프로필, Crunchbase 항목, 그리고 모든 플랫폼에 있는 창업자의 약력 등은 정의 측면에서 일관되어야 합니다. 완전히 동일한 텍스트를 복사해서 붙여넣으라는 뜻이 아니라, 모든 맥락에서 동일한 핵심 엔티티 속성 (entity attributes)이 표현되어야 한다는 의미입니다.
   LLM은 삼각 측량 (triangulate)을 합니다. 만약 당신의 브랜드가 한 맥락에서는 '럭셔리 스킨케어 브랜드'로 설명되고, 다른 맥락에서는 '내추럴 웰니스 브랜드'로 설명된다면, 해당 엔티티는 일관성이 없습니다 (incoherent). 일관성 없는 엔티티는 AI 응답에서 확신을 가지고 나타나지 못합니다.

2. 제품 데이터의 깊이
   이 지점이 대부분의 Shopify 스토어가 기술적으로 실패하는 부분입니다. 전환 (conversion)을 위해 최적화된 제품 설명은 AI 검색 (AI retrieval)에 최적화되어 있지 않습니다. 사람들이 LLM에 던지는 질문과 같은 대화형 질의 (Conversational queries)는 키워드가 아닌 속성 (attributes)에 매핑됩니다.
   "40달러 미만 복합성 피부에 가장 좋은 보습제"라는 질문은 제품 데이터에 피부 타입 적합성, 사용 사례 맥락, 성분 투명성, 가격 포지셔닝이 명시적으로 포함되어 있을 것을 요구합니다. 만약 이러한 정보가 구조화된 기계 판독 가능 (machine-readable) 형태로 제품 데이터에 들어있지 않다면, 모델은 당신의 브랜드 존재를 알고 있더라도 해당 질의와 제품을 매칭할 수 없습니다.
   Shopify에서는 이를 위해 메타필드 (metafields)를 단순히 화면 표시용이 아니라 의미론적 데이터 계층 (semantic data layer)으로 적절히 사용해야 함을 의미합니다. 성분 목록, 인증 정보, 소싱 세부 정보, 사용 사례 태그 등 모든 것이 서술형 텍스트 (rich text) 설명 블록에 묻혀 있는 것이 아니라, 구조화된 속성으로 존재해야 합니다.

도메인 외 엔티티 존재감 (Off-domain entity presence)
온사이트 최적화 (on-site optimization)를 아무리 많이 해도 도메인 외 존재감이 빈약하다면 이를 보완할 수 없습니다. LLM의 가시성 (visibility) 측면에서 핵심 질문은 이것입니다: 이 브랜드가 웹 전반에 걸쳐 신뢰할 수 있고 독립적인 맥락에서 등장하는가?
업계 간행물의 편집적 언급 (Editorial mentions), 창업자 인터뷰, 브랜드가 유기적으로 언급되는 커뮤니티 스레드, 구조화된 마크업 (structured markup)이 적용된 제3자 리뷰 애그리게이터 (review aggregators) 등은 모델에게 당신의 엔티티 (entity)가 실제하며, 확립되었고, 특정 카테고리에서 관련이 있다는 것을 알려주는 신호입니다.
특히 Shopify 스토어의 경우: 큐레이션된 Shopify 생태계 디렉토리에 등록되고, 신뢰할 수 있는 이커머스 간행물의 모음 포스트 (roundup posts)에 등장하며, 당신의 기술 스택 (앱, 통합, 접근 방식)이 개발자 관련 커뮤니티에 문서화되어 있는 것 모두가 적절한 토픽 클러스터 (topic clusters) 내에서 엔티티 밀도 (entity density)를 높이는 데 기여합니다.

지금 바로 Shopify 스토어에서 감사 (audit)해야 할 사항들

• Organization 및 Brand 스키마 (schema)가 데이터가 채워진 sameAs 배열과 함께 구현되어 있는가?
• 제품 메타필드 (product metafields)가 속성 수준의 데이터로 구조화되어 있는가, 아니면 단순히 서술형 텍스트로 되어 있는가?
• 브랜드가 상위 5개의 도메인 외 프로필 전반에 걸쳐 일관된 정의적 존재감을 가지고 있는가?
• 제품 설명이 단순히 키워드 타겟팅이 아니라, 대화형 질의 패턴 (conversational query patterns)에 맞춰 작성되었는가?
• 단순히 링크만 거는 것이 아니라, 맥락 속에서 브랜드 이름을 언급하는 제3자 편집 콘텐츠가 존재하는가?

만약 이 중 세 가지 이상이 결여되어 있다면, 당신의 스토어는 현재 AI 추천 엔진에 보이지 않는 상태입니다. 이는 제품이 좋지 않아서가 아니라, 추천을 수행하는 시스템이 당신의 엔티티를 읽을 수 없기 때문입니다.

향후 12개월 동안 이 변화에 앞서 나가는 스토어들은 단순히 더 나은 SEO를 갖게 되는 것이 아닙니다. 그들은 누군가가 AI에게 무엇을 살지 물었을 때 나오는 기본 답변 (default answer)이 될 것입니다.
그것은 완전히 다른 종류의 해자 (moat)입니다.