RAG와 쿼리 팬아웃(Query Fan-Out): AI가 당신을 인용하며 답변을 구성하는 방법

ChatGPT, Gemini, 또는 Perplexity에 질문을 던졌을 때 두세 개의 출처가 인용된 깔끔한 문단을 받는다면, 기계가 "올바른 페이지를 찾아냈다"고 믿고 싶어질 것입니다. 하지만 그렇지 않습니다. 답변은 병렬로 검색된 여러 페이지의 파편들을 모델이 관련성에 따라 재정렬하고 하나로 엮어 **조립(assembled)**한 결과물입니다. 당신의 콘텐츠가 그 과정에 포함되었다면 인용된 것이고, 포함되지 않았다면 당신의 글이 아무리 훌륭하더라도 해당 질문에 대해 당신은 존재하지 않는 것이나 다름없습니다.

저는 이것을 GEO (Generative Engine Optimization, 생성 엔진 최적화)의 핵심적인 엔지니어링 문제로 다룹니다. 생성형 AI를 위해 최적화한다는 것은 "로봇을 위해 글을 쓰는 것"이 아닙니다. 그것은 RAG와 **쿼리 팬아웃 (query fan-out)**이라는 두 가지 구체적인 메커니즘을 이해하고, 이러한 메커니즘에서 살아남을 수 있도록 콘텐츠의 구조를 형성하는 것입니다. 직관에 반하는 논지는 간단합니다. 인용 여부를 결정하는 것은 페이지 전체가 아니라, 그 안에 있는 고립된 구절(passage)입니다. 대부분의 사이트는 페이지를 최적화할 뿐, 구절을 최적화하지는 않습니다.

RAG의 실제 정체

RAG는 Retrieval-Augmented Generation (검색 증강 생성)의 약자입니다. 개념은 명확합니다. 언어 모델은 학습 과정에서 암기한 내용만으로 답변하지 않습니다. 글을 쓰기 전에, **웹(또는 인덱스)에서 관련 문서를 검색(retrieves relevant documents from the web (or from an index))**하고, 검색된 스니펫(snippets)을 자신의 컨텍스트에 주입한 다음, 해당 스니펫에 근거하여 답변을 생성합니다. 이것이 시스템이 출처를 인용할 수 있는 이유입니다. 모델이 작성한 문장은 이상적으로 방금 읽은 텍스트 조각에 의해 뒷받침되기 때문입니다.

이 패턴은 이제 검색 기능이 탑재된 어시스턴트들의 공통 분모가 되었습니다. 검색 모드의 ChatGPT는 주로 Bing 인덱스를 기반으로 작동하며, Google AI 모드는 Google 자체 인덱스를 기반으로 작동합니다. Perplexity는 모든 답변에 인라인 인용(inline citations)을 포함하여 LLM(Large Language Model) 위에서 작동하는 온라인 정보 검색 시스템처럼 동작합니다. 백엔드는 다르지만, 근본적인 아키텍처는 동일합니다: 검색(retrieve)한 다음, 생성(generate)하는 것입니다.

콘텐츠 제작자에게 모든 것을 바꾸는 세부 사항은 다음과 같습니다: 모델은 귀하의 사이트 전체를 검색하는 것이 아닙니다. 모델은 별도로 구분되고 인덱싱된 텍스트 조각인 **청크 (chunks)**를 검색합니다. 경쟁의 단위는 URL이 아니라 블록 (block)입니다. 만약 귀하의 가장 강력한 논거가 서로 결합되어야만 의미가 통하는 세 개의 문단에 걸쳐 분산되어 있다면, 그 어떤 단일 청크도 검색 순위 (retrieval ranking)에서 승리할 수 없습니다.

쿼리 팬아웃 (Query fan-out): 하나의 질문이 여러 개가 되는 과정

두 번째 메커니즘은 쿼리 팬아웃 (query fan-out)입니다. 시스템은 귀하가 입력한 내용을 정확히 검색하는 대신, 질문을 여러 개의 하위 쿼리 (subqueries)로 분해하여 이를 모두 병렬로 실행합니다. "브라질 패션 이커머스를 위한 최고의 ERP"와 같은 질문은 단 하나의 검색이 되지 않습니다. 이는 다음과 같이 부채꼴 모양으로 퍼집니다: "이커머스용 ERP", "ERP 마켓플레이스 연동", "ERP 세금/송장 관리", "브라질 소매 ERP 비교", "ERP 사용자 리뷰" 등등.

각 하위 쿼리는 자신만의 구절 (passages) 세트를 검색합니다. 그런 다음 시스템은 모든 것을 병합하고, 재순위화 (re-rank)하며, 종합 (synthesize)합니다. 이러한 다단계 동작은 시장에서 ChatGPT의 "Deep Research"나 Perplexity의 "Pro Search"라고 부르는 방식입니다: 질문을 하위 작업으로 나누고, 각 작업에 대해 여러 소스를 가져온 뒤, 이를 보고서로 종합하는 것입니다. 2026년 초에 광범위하게 출시된 Google의 AI Mode는 이를 대화형 공간으로 전환하여, 답변을 정교화하기 위해 내부적으로 새로운 쿼리를 실행합니다.

이것이 갖는 전략적 함의는 매우 강력하지만 거의 아무도 이에 대응하지 않고 있습니다: 귀하는 메인 질문(main question)에 대해 순위를 높일 필요가 있는 것이 아니라, 하위 쿼리 (subqueries)에 대해 순위를 높여야 합니다. 포괄적인 용어만을 다루는 페이지는 파생된 각 의도 (intent)에 대해 명확하게 답변하는 페이지에 패배합니다. 하위 주제를 다루는 것은 더 이상 롱테일 SEO (long-tail SEO) 전략이 아니라 검색 (retrieval)을 위한 필수 요구 사항이 되었습니다. 이것이 제가 콘텐츠를 키워드가 아닌 의도 (intents)에 따라 재구성하는 이유입니다.

질문부터 인용까지의 전체 흐름

전체 경로를 순서대로 살펴보는 것이 도움이 됩니다. 아래 다이어그램은 RAG + 팬아웃 (fan-out) 엔진을 통해 쿼리가 진행되는 과정을 추적하며, 귀하의 콘텐츠가 포함되거나 버려지는 세 가지 지점을 표시합니다.

USER QUESTION
"브라질 패션 이커머스에 가장 적합한 ERP는?"
|
...

세 가지 결정 지점에 주목하십시오. **지점 1(Point 1)**에서 귀하의 청크(chunk)는 최소 하나 이상의 하위 쿼리(subquery)에 의해 검색되어야 하며, 이는 텍스트의 관련성(relevance)과 콘텐츠의 크롤링 및 인덱싱(indexing) 가능 여부에 달려 있습니다. **지점 2(Point 2)**에서 해당 청크는 관련성, 출처의 권위(authority), 최신성(freshness), 그리고 구조화된 신호(structured signals)를 가중치로 두는 재순위화(re-ranking) 과정을 통과해야 합니다. **지점 3(Point 3)**에서는 모델이 합성(synthesis) 과정에서 실제로 귀하의 구절을 사용하고 인용(citation)을 명시해야 합니다. 아래의 모든 최적화 작업은

블록당 하나의 의도 (One intent per block). 동일한 단락에서 "그것이 무엇인가"와 "비용은 얼마인가"를 동시에 답변하지 마세요. 그것들은 두 개의 청크(chunk), 두 개의 하위 쿼리(subquery), 그리고 두 번의 인용(citation) 기회입니다.
설명 전 답변 (Answer before explanation). 섹션의 첫 문장은 결론을 전달해야 합니다. 상세한 내용은 깊이 있는 정보를 원하는 이들을 위해 그 뒤에 배치합니다.
내재된 문맥 (Embedded context). 각 구절은 독자(또는 추출기)가 이미 알고 있다고 가정하는 대신, 엔티티(entity), 숫자, 그리고 관련 날짜를 명시해야 합니다.
시작 부분에 고립된 대명사 사용 금지. 블록의 시작 부분에 나오는 "이것(This)", "그것(it)", "그 과정(that process)" 등은 자기 완결성(self-containment)을 해칩니다.

상단에 배치하는 직접적인 답변과 의도 커버리지 (Intent coverage)

재순위화 (Re-ranking)는 직접적이고 밀도 있게 답변하는 구절을 선호합니다. 145개의 실제 패션 및 이커머스 쿼리(query)를 기반으로 한 2026년 GEO 연구에 따르면, 어시스턴트들은 표(table), FAQ, 직접적인 답변, 그리고 독점 데이터(proprietary data)가 포함된 콘텐츠를 우선시하는데, 이는 추출(extraction)과 합성(synthesis)을 더 쉽게 만들기 때문입니다. 동일한 연구는 각 엔진이 답변당 얼마나 많은 브랜드를 보여주는지 수치화했습니다. Perplexity는 일반적으로 출처와 함께 3~~6개의 브랜드를 노출하며, Google AI Overviews는 3~~5개, ChatGPT 또는 Claude는 2~4개를 노출합니다. 슬롯(slot)이 적습니다. 직접적으로 답변하지 못하는 쪽은 경쟁에서 밀려납니다.

의도 커버리지 (Intent coverage)는 이에 대한 보완 요소입니다. 팬아웃 (fan-out)이 질문을 분해하기 때문에, 하위 의도(sub-intents)의 전체 범위(fan)를 다루는 콘텐츠는 더 많은 하위 쿼리에 의해 검색되며, 결과적으로 합성 과정에서 더 많은 지점에 나타나게 됩니다. 이를 키워드 스터핑 (keyword stuffing)과 혼동하지 마세요. 이는 사용자가 순차적으로 물어볼 법한 인접 질문들, 즉 정의, 비교, 가격, 흔한 실수, 다음 단계 등을 실제적인 깊이로 다루는 것을 의미합니다. 각 질문은 서로 다른 진입로가 됩니다.

저는 이를 검색량(search volume)이 아닌 하위 쿼리 맵 (subquery map)을 통해 구축합니다. 메인 질문을 가져와서 발생 가능한 8~12개의 팬아웃 하위 의도를 나열하고, 각 의도에 대해 최소 하나 이상의 자기 완결적인 구절을 보장하십시오. 이는 고된 작업이며, 인용되는 기사와 보이지 않는 기사를 가르는 차이점입니다.

구조화된 데이터 (Structured data): 재순위화가 읽는 계층

이 문맥에서 Schema.org는 "구식 SEO"가 아닙니다. 이는 엔진이 구절(passage)을 순위 매기기 전에 각 항목이 무엇인지 이해하도록 돕는 계층입니다. Microsoft의 Bing 팀 소속인 Fabrice Canel은 스키마 마크업(schema markup)이 Microsoft의 LLM(대규모 언어 모델)이 콘텐츠를 이해하도록 도우며, AI 기반 검색 기능의 필수적인 데이터 소스 역할을 한다고 언급했습니다. ChatGPT의 백엔드가 Bing일 때, 이는 더 이상 이론에 그치지 않습니다.

특히 RAG와 팬아웃(fan-out)에 있어 중요한 점은 다음과 같습니다:

sameAs를 포함한 Organization(조직) 및 Person(인물): 귀하의 브랜드를 모호함이 해소된 엔티티(entity)에 고정하여, 엔진이 해당 구절을 잘못된 회사로 귀속시킬 위험을 줄입니다.
FAQPage 및 Article: 질문-답변 쌍을 명시적으로 만들어 주며, 이는 팬아웃이 하위 쿼리(subquery)당 검색하고자 하는 바로 그 형식입니다.
안정적인 @id 및 about/mentions 참조: 일관된 내부 그래프를 생성하여, 잘못된 인용을 줄이고 AI 개요(AI Overviews)에 대한 적합성을 높입니다.

스키마가 만능 해결책(silver bullet)처럼 판매되기에 솔직한 주의 사항을 덧붙이자면, 구조화된 데이터는 모호성 해소 및 적합성 신호(eligibility signal)일 뿐, 인용을 보장하는 트리거는 아닙니다. 이는 흐름의 1번과 2번 단계를 개선하고 엔진이 소스를 신뢰하도록 돕지만, 최고의 구절을 보유하는 것 자체를 대체할 수는 없습니다.

예시: 동일한 정보, 두 가지 결과

개념을 마무리하기 위해, 동일한 내용을 작성하는 두 가지 방식을 비교해 보겠습니다. 첫 번째는 대부분의 사람들이 게시하는 방식이고, 두 번째는 검색(retrieval)에 최적화된 방식입니다.

검색되지 않는 버전 (이전 단락에 맥락이 갇혀 있고, 답변이 희석됨):

언급했듯이, 이는 운영 규모에 따라 크게 달라집니다. 이들의 경우 많은 요인이 작용하며, 항상 사례별로 분석하는 것이 이상적입니다
...

이 블록은 어떤 하위 쿼리에도 답하지 않습니다. 엔티티를 명시하지 않고, 수치를 제시하지 않으며, 답변을 제공하지도 않습니다. 단독으로 추출될 경우, 이는 노이즈(noise)에 불과합니다.

검색 가능한 버전 (자기 완결적이며, 답변이 상단에 있고, 데이터가 내장됨):

브라질의 한 패션 이커머스 (e-commerce) ERP는 NF-e 및 NFC-e를 기본적으로 발행해야 합니다. 2026년, 세제 개편에 따른 분할 결제 (split payment)의 첫 단계가 도입되면, 자동 세금
...

두 번째 블록은 엔티티 (entity, 패션 이커머스 ERP)를 명시하고, 직접적인 답변(NF-e 및 NFC-e를 발행해야 함)을 제공하며, 날짜가 포함된 이정표(2026년 분할 결제)를 포함하고, 실행 가능한 기준으로 끝을 맺습니다. 이 블록은 세무 관리 (tax-management) 서브쿼리, 통합 (integration) 서브쿼리, 그리고 비교 (comparison) 서브쿼리에 의해 검색될 수 있습니다. 동일한 정보이지만, 진입로가 0개에서 3개가 된 것입니다.

엔지니어를 위한 RAG 준비성 체크리스트 (RAG-readiness checklist)

저는 모든 콘텐츠 감사 (content audit)를 이 체크리스트로 마무리합니다. 이것이 모든 것을 망라하는 것은 아니지만, 워크플로우의 세 가지 결정 지점을 목표로 합니다.

크롤링 및 인덱싱 가능 여부 (Crawlable and indexable). 엔진이 렌더링된 페이지를 읽을 수 있는지 확인하십시오. 크롤러가 실행하지 않는 JavaScript 뒤에 중요한 콘텐츠가 숨겨져 있어서는 안 됩니다. 이것이 충족되지 않으면 1단계는 결코 일어나지 않습니다.
섹션당 하나의 하위 주제, 서술적인 헤딩 (One subtopic per section, descriptive heading). 각 헤딩은 제목만 보고도 해당 구절을 짐작할 수 있어야 합니다. 이는 시맨틱 청킹 (semantic chunking)을 유도합니다.
각 섹션의 첫 문장에 직접적인 답변 포함 (Direct answer in the first sentence of each section). 설명보다 결론을 먼저 제시하십시오.
하위 의도 맵 커버 (Sub-intent map covered). 발생 가능한 8~12개의 팬아웃 (fan-out) 서브쿼리를 나열하고, 각 쿼리에 대응하는 구절이 존재하는지 확인하십시오.
자기 완결적 구절 (Self-contained passages). 어떤 블록도 고립된 대명사나 "위의"와 같은 참조로 시작해서는 안 됩니다.
엔티티 및 FAQ 스키마 (Entity and FAQ schema). sameAs를 포함한 조직/인물 (Organization/Person) 정보와, 질문-답변 쌍이 존재하는 모든 곳에 FAQPage 스키마를 적용하십시오.
독점적이고 날짜가 명시된 데이터 (Proprietary, dated data). 다른 곳에는 동일하게 존재하지 않는 최소 하나 이상의 숫자, 실험 결과 또는 날짜를 포함하십시오. 독창성은 모델이 합성 (synthesis) 과정에서 귀하의 구절을 선택할 확률을 높입니다.
가시적인 최신성 (Visible freshness). 명시적인 발행일과 업데이트 날짜를 제공하십시오. 특히 Perplexity는 최신성을 가치 있게 여기며 가시적인 업데이트에 보상을 줍니다.

이 작업은 화려하지 않으며 예쁜 스크린샷을 만들어내지도 않습니다. 하지만 이 작업이야말로 당신의 구절(passage)을 후보군(candidate pool)에 포함시키고, 재순위화 (re-ranking)의 최상단에 위치시키며, 마침내 사용자가 읽게 될 문장 속으로 집어넣는 과정입니다. 그 외의 것들은 그 결과로 따라오는 현상일 뿐입니다.

실질적인 다음 단계

Google은 이를 실험으로 취급하는 것을 중단했습니다. 2026년 5월, Google은 검색(Search)에서 생성형 AI (generative AI)를 위해 최적화하는 방법에 대한 공식 리소스를 발행했으며, 이는 이 주제가 커뮤니티의 추측이 아닌 제품 가이드라인이 되었음을 의미합니다. 같은 I/O 2026에서, Google은 AI 모드(AI Mode)와 정보 에이전트(information agents)가 24시간 가동되는 "에이전트 시대 (agentic era)"에 검색이 진입했다고 선언했습니다. 에이전트들은 검색된 구절들로부터 답변을 조립합니다. 이 가이드에서 설명한 것과 동일한 메커니즘이 이제 검색의 주요 인터페이스에서 작동하고 있는 것입니다.

작게, 그리고 측정 가능한 것부터 시작하십시오. 가장 중요한 기사를 하나 골라 RAG 준비 상태 체크리스트 (RAG-readiness checklist)를 실행하고, 세 개의 섹션을 답변이 상단에 위치한 독립적인 구절 (self-contained passages)로 다시 작성하십시오. 그런 다음 Perplexity와 AI 모드에서 하위 쿼리 (subqueries)를 테스트하여 당신의 구절이 나타나는지 확인하십시오. 제가 절대 포기하지 않는 원칙은 이것입니다: 페이지가 아니라 구절을 최적화하십시오. AI가 당신을 인용할지 여부를 결정하는 지점은 바로 그곳입니다.

작성자: Alexandre Caramaschi, Brasil GEO CEO, 전 Semantix (Nasdaq) CMO, AI Brasil 공동 창립자. 이 글은 포르투갈어 원문 기사 RAG e query fan-out: como a IA monta a resposta que cita você를 영어로 각색한 것입니다.