"sloptimization"은 역효과를 낸다: AI에 콘텐츠를 범람시키는 것이 브랜드 추천으로 이어지지 않는 이유

프로그래밍 방식으로 생성된 목록형 기사(listicles)와 엔지니어링된 프롬프트로 웹을 채워 넣고, 이를 통해 챗봇의 추천을 강제하려는 시도는 대부분 효과가 없습니다. 이달에 발표된 연구에 따르면, AI 모델들은 브랜드에 대해 정확하고 상세한 지식을 보유하고 있음에도 불구하고, 사용자가 실제로 모델에게 선택하도록 요청하는 순간 그 지식의 대부분을 버리고 대신 일반적인 '카테고리 사전 확률(category prior)'에 의존하는 경향이 있습니다. 양(Volume)은 당신을 언급하게 만들 뿐입니다. 구조화되고 인용 가능한 증거(Structured, citable evidence)가 당신을 선택하게 만듭니다. 그러니 언급 횟수를 세는 것을 멈추고, 모델의 결정 단계에서 당신이 살아남는지 측정하기 시작하세요.

'sloptimization'이 실제로 의미하는 것

2026년 6월 10일, The Atlantic의 Will Oremus가 "sloptimization"이라는 용어를 만들어내며 기사를 게재했습니다. 이는 ChatGPT, Gemini, Perplexity 같은 모델들이 당신의 제품을 언급하도록 유도하기 위해 웹에 자동 생성된 목록형 기사와 심어진 프롬프트를 뿌리는 기업들의 공황 상태를 의미합니다. 그의 예시 A는 Shopify였는데, 이 회사는 자체 플랫폼 순위를 상위권 근처로 올리기 위해 60개 이상의 목록형 기사를 웹에 뿌렸습니다.

이 논리는 직관적으로 느껴집니다. AI 엔진은 웹을 읽기 때문에, 웹을 더 많이 쓰면 당신도 더 많이 노출될 것이라고 생각하는 것입니다. 마케터들은 지난 1년 동안 정확히 이 부분에 예산을 쏟아부어 왔습니다.

문제는 모델이 그 모든 콘텐츠를 다 읽고 난 후에 무슨 일이 벌어지느냐입니다.

결정의 격차: 브랜드를 아는 것 ≠ 그것을 선택하는 것

The Atlantic 기사 이후 이틀 뒤, AIVO Journal 팀은 두 가지 소비자 분야(CPG 및 금융 서비스)에 걸친 감사를 기반으로 구조적인 사후 분석 보고서를 발표했습니다. 그들의 발견은 모든 마케터가 깊이 생각해 봐야 할 부분입니다.

그들이 모델들이 브랜드를 '알고 있는지' 테스트했을 때, 답변은 '예'였습니다. LLM들은 성분, 포지셔닝, 사용 사례에 대한 구체적이고 정확한 지식을 보유하고 있었습니다. 하지만 구매자가 모델에게 그것을 '선택하거나, 추천하거나, 확정하도록' 요청하는 순간, 무언가가 변했습니다. 즉, 모델이 알고 있던 내용 중 실제로 추천에 나타나는 비율(Mean

사람들은 이를 '결정 격차 (Decision Gap)'라고 부릅니다. 즉, 모델이 당신의 브랜드에 대해 알고 있는 내용과 실제 선택의 순간에 이를 활용(deploy)하는 내용 사이의 거리입니다.

여기서 반전이 있습니다. 감사(audit) 결과 성과가 가장 저조했던 브랜드들은 가시성이 가장 낮은 브랜드들이 아니었습니다. 그들은 첫 번째 프롬프트(first-prompt)에서의 가시성은 매우 높았으나, 결정 단계에서의 활용도는 거의 제로에 가까운 브랜드들이었습니다. 콘텐츠의 양은 그들이 주목받게 만들었습니다. 하지만 동시에 그것은 모델의 압축 과정 (compression pass) — LLM이 읽은 모든 내용을 확신에 찬 짧은 답변으로 압축하는 단계 — 에 노이즈를 추가했습니다. 근거가 없는 텍스트의 벽(unanchored text walls)은 그 압축 과정을 견뎌내지 못합니다. 구조화된 증거 (Structured evidence)만이 살아남습니다.

왜 양(volume)이 신호(signal) 대신 노이즈를 더하는가

누군가 "Y를 위한 최고의 X는 무엇인가요?"라고 물었을 때 AI 엔진이 무엇을 하는지 생각해 보십시오. 엔진은 자신이 크롤링한 모든 페이지를 다시 재생하지 않습니다. 대신 수천 개의 소스를 몇 문장으로 압축하며 합성(synthesize)합니다. 이 압축 과정에서, 반복적이고 자기중심적이며 출처가 불분명한 콘텐츠는 신뢰도가 낮은 채우기용 정보(low-confidence filler)로 읽힙니다. 당신이 최고라고 말하는 거의 동일한 50개의 리스트클 (listicles)은 50단위의 신호를 더하는 것이 아니라, 50번 반복된 하나의 약한 주장만을 더할 뿐입니다.

그 밑바탕에 깔린 경제적 논리가 이를 뒷받침합니다. AI 크롤러 동작에 대한 Cloudflare의 분석에 따르면, 지난 1년간 발생한 AI 크롤링의 약 80%는 검색이 아닌 _학습 (training)_을 위한 것이었습니다. 실제로 인용 (citation)을 반환할 수 있는 검색 목적의 크롤링은 약 17%에 불과했습니다 (Cloudflare, 2025년 8월). AI 봇이 당신의 사이트에서 가져가는 대부분의 정보는 애초에 당신에게로 돌아오는 경로조차 없었습니다. 그리고 이 불균형은 극명합니다. Cloudflare의 측정에 따르면, 2025년 7월 기준으로 Anthropic은 사용자 1명을 참조(refer)할 때마다 약 38,000개의 페이지를 크롤링했습니다 (Claude가 인용 기능이 포함된 웹 검색을 추가한 후, 2025년 1월의 286,000:1 비율에서 급격히 감소한 수치입니다). 그 기계에 더 많은 콘텐츠를 밀어 넣는 것은, 그 자체로 추천이 아닌 주로 학습을 위한 먹이가 될 뿐입니다.

실제로 변화를 만들어내는 것

만약 양(volume)이 잘못된 지렛대라면, 올바른 지렛대는 무엇일까요? 이번 달 연구 전반에 걸친 패턴은 일관된 방향을 가리키고 있습니다:

검증 가능하고 구체적인 주장으로 시작하세요. 구체적인 숫자, 명시된 출처, 날짜가 있는 사실들은 압축되어도 살아남습니다. 왜냐하면 높은 신뢰도로 읽히기 때문입니다. 이 분야를 촉발시킨 GEO 연구의 배경이 된 한 연구에 따르면, 콘텐츠에 통계, 인용문, 직접 인용구를 추가하는 것이 AI 답변에서 가시성을 최대 40%까지 높일 수 있다고 합니다 (Aggarwal et al., 최초의 "GEO: Generative Engine Optimization" 논문).

검색과 의사결정 모두를 위한 구조를 만드세요. 구매 질문에 직접적이고 자족적으로 답변하여, 모델이 추상적으로 당신에 대해 학습하는 것을 넘어 당신의 주장을 통째로 인용할 수 있게 하세요.

제3자 검증을 얻으세요. 모델은 독립적이고 신뢰할 수 있는 출처에서 나타나는 주장을, 자신의 도메인에서 같은 주장이 60번 반복되는 것보다 훨씬 더 신뢰합니다.

그리고 — 이것이 대부분의 팀들이 건너뛰는 부분입니다 — 언급 단계가 아닌 의사결정 단계를 측정하세요. 만약 당신의 대시보드가 여전히 "언급 점유율(share of mention)"이나 원시 인용 횟수를 보고한다면, 당신은 첫 번째 프롬프트 가시성을 최적화하고 있는 것입니다. 이는 AIVO 감사에서 가장 성능이 저조했던 브랜드들에게 좋은 결과를 안겨주었던 바로 그 지표입니다.

이것이 Sourceable이 메우기 위해 만들어진 격차입니다. Sourceable은 당신의 브랜드가 ChatGPT, Claude, Gemini, Perplexity 전반에 걸쳐 실제로 어떻게 나타나는지 추적합니다. 단순히 언급되는지 여부뿐만 아니라, 실제 구매 질문이 제기되었을 때 당신이 추천되는지를 추적하는 것입니다. 알려지는 것과 선택받는 것 사이의 이 구분이 지금 게임 전체입니다.

이번 주에 스스로 의사결정 격차를 감사하는 방법

시작하기 위해 연구팀이 필요하지 않습니다. 가장 구매 의도가 높은 질문 5가지를 가져오세요. 즉, 고객들이 실제로 묻는 "Y에 가장 좋은 X", "X 대 경쟁사", "X가 가치가 있는가"와 같은 질문들입니다. 이 각각의 질문들을 ChatGPT, Gemini, Perplexity, Claude를 통해 실행해 보세요. 두 가지를 별도로 기록하세요: 모델이 당신을 알고 있는지(프롬프트 시 정확하게 언급하는지), 그리고 모델이 당신을 선택하는지(선택하라고 요청받았을 때 추천하는지). 만약 이 둘 사이에 큰 격차가 있다면, 당신은 의사결정 격차(Decision Gap)를 가지고 있는 것입니다. 그리고 더 많은 리스트글을 발행한다고 해서 이것이 좁혀지는 것이 아니라 오히려 넓어질 뿐입니다.

그렇다면 해당 답변에서 승자들이 승리하는 _이유_를 살펴보십시오. 대개 그것은 단순한 단어 수(word count)가 아니라, 구체적이고 출처가 명확하며 의사결정에 유효한 주장(decision-relevant claim) 때문입니다.

FAQ

sloptimization이란 무엇인가요?
Sloptimization은 AI 챗봇이 특정 브랜드를 추천하도록 강제하기 위해 AI를 겨냥한 콘텐츠를 대량 생산하는 관행을 말합니다. 여기에는 프로그래매틱 리스트글(programmatic listicles), 심어놓은 프롬프트(planted prompts), 자체 순위 매기기 비교 페이지(self-ranking comparison pages) 등이 포함됩니다. 이 용어는 2026년 6월 The Atlantic에 의해 대중화되었습니다. 2026년 6월의 연구에 따르면, 이 전략은 신호(signal)를 더하기보다는 노이즈(noise)를 추가함으로써 종종 역효과를 낸다고 합니다.

콘텐츠를 더 많이 발행하면 AI 검색 가시성이 향상되나요?
신뢰할 수 없습니다. 모델이 대량의 콘텐츠를 통해 귀하의 브랜드를 알고(know) 있을 수는 있지만, 여전히 이를 추천(recommend) 하지는 않을 수 있습니다. AIVO Journal의 2026년 6월 감사 결과, 의사결정 단계에서의 사실 배치(fact deployment)가 23%까지 떨어지는 것으로 나타났습니다. 구체적이고 출처가 명확하며 의사결정에 유효한 주장이 단순한 양(volume)보다 더 뛰어난 성과를 냅니다.

AI에 의해 언급(mentioned)되는 것과 추천(recommended)되는 것의 차이는 무엇인가요?
언급된다는 것은 프롬프트가 입력되었을 때 모델이 귀하의 브랜드를 회상(recall)한다는 것을 의미합니다. 추천된다는 것은 사용자가 결정을 내려달라고 요청했을 때 모델이 귀하를 선택한다는 것을 의미합니다. 이 둘 사이의 간극이 바로 AIVO Journal이 말하는 의사결정 격차(Decision Gap)이며, 구매자에게 중요한 지표입니다.

언급 대신 AI 추천을 어떻게 측정하나요?
실제 구매 쿼리(buying queries)를 각 주요 AI 엔진에 실행하여