브랜드의 AI 가시성(AI Visibility)을 측정하는 방법: 실무적인 프레임워크

대부분의 브랜드는 AI 시스템이 자신들을 추천하고 있는지, 아니면 완전히 무시하고 있는지 전혀 알지 못합니다. 모두가 Google을 위해 최적화하려고 애쓰는 동안, ChatGPT, Perplexity, 그리고 Claude는 구매 결정, 업체 비교, 전문가 추천을 위한 첫 번째 관문으로 조용히 자리 잡고 있습니다. 만약 당신이 이러한 시스템에서의 존재감을 측정하고 있지 않다면, 당신은 눈을 가리고 비행하는 것과 같습니다.

전통적인 분석 도구가 문제를 놓치는 이유

Search Console은 클릭수와 노출수를 보여줍니다. 소셜 대시보드는 언급(mentions)과 참여도(engagement)를 추적합니다. 하지만 그 어떤 것도 누군가 "원격 팀을 위한 최고의 프로젝트 관리 도구는 무엇인가요?"라고 물었을 때 GPT-4가 뭐라고 답하는지, 혹은 Claude가 귀하의 카테고리 내 경쟁 환경을 요약할 때 귀하의 브랜드가 나타나기는 하는지 알려주지 않습니다.

이것은 근본적으로 다른 가시성(visibility) 문제입니다. AI 시스템은 추천 경로(referral trail)를 남기지 않습니다. 이들은 학습 데이터(training data), 실시간 웹 접속(일부 사례), 그리고 검색 증강 생성(retrieval pipelines)을 통해 정보를 합성하며, 종종 출처 표기 없이 확신을 가지고 답변을 제시합니다. 만약 귀하의 브랜드가 그 답변에 포함되어 있지 않다면, 고객이 귀하의 사이트에 도달하기도 전에 잠재 고객(lead)을 놓친 것입니다.

AI 가시성을 제대로 측정하려면 세 가지 계층으로 생각해야 합니다:

1. 존재(Presence) — AI가 귀하의 브랜드가 존재한다는 것을 알고 있는가?
2. 포지셔닝(Positioning) — AI가 경쟁사와 비교하여 귀하의 브랜드를 어떻게 설명하는가?
3. 일관성(Consistency) — 그 설명이 서로 다른 모델과 프롬프트(prompts) 전반에 걸쳐 정확하고 일관적인가?

측정 프레임워크 구축하기

계층 1: 프롬프트 감사(Prompt Auditing)

실제 고객이 AI를 통해 귀하의 브랜드를 발견할 수 있는 방식을 나타내는 구조화된 쿼리 세트인 프롬프트 라이브러리(prompt library)를 구축하는 것부터 시작하세요.

카테고리: [귀하의 산업/니치]
포함해야 할 프롬프트 유형:
- "[사용 사례]를 위한 최고의 [도구/기업]은 무엇인가요?"
...

이 프롬프트들을 ChatGPT (GPT-4), Claude, Perplexity, Gemini, 그리고 Microsoft Copilot에 실행하세요. 원본 출력값(raw outputs)을 기록하십시오. 당신은 세 가지를 확인해야 합니다: 포함 여부(inclusion), 배치(placement, 첫 언급인지 아니면 묻혀 있는지), 그리고 감성(sentiment)입니다.

처음에는 이 작업을 수동으로 수행하세요. 지루한 작업이지만, 첫 번째 단계는 실질적인 근거(ground truth)를 제공하며 자동화로는 놓칠 수 있는 패턴을 가르쳐 줍니다.

레이어 2: AI 브랜드 점수(AI Brand Score) 산출

원본 출력값을 확보했다면, 점수 산정 시스템이 필요합니다. 여기 간단한 프레임워크가 있습니다:

각 프롬프트 + 모델 조합에 대해 다음을 점수화합니다:

포함 여부 (Inclusion):      0 (언급되지 않음) 또는 1 (언급됨)
...

이를 통해 시간에 따라 추적할 수 있는 단일 수치인 **AI 브랜드 점수 (AI brand score)**의 기준점(baseline)을 얻을 수 있습니다. 완벽하지는 않지만, 완벽하면서 측정되지 않는 것보다는 불완전하더라도 일관된 것이 낫습니다.

이 점수를 매달 추적하세요. AI 모델의 업데이트, 학습 데이터의 갱신, 그리고 귀하의 웹 존재감(web presence) 변화가 모두 이에 영향을 미칩니다.

레이어 3: 경쟁사 벤치마킹 (Competitive Benchmarking)

고립된 상태의 AI 브랜드 점수는 큰 의미가 없습니다. 맥락은 비교를 통해 생겨납니다.

3개에서 5개의 직접적인 경쟁사를 선정하여 동일한 프롬프트 라이브러리를 실행하세요. 이제 귀하의 카테고리 내에서 상대적인 위치를 나타내는 **브랜드 AI 벤치마크 (brand AI benchmark)**를 갖게 됩니다.

이를 통해 두 가지 유용한 통찰을 얻을 수 있습니다:

• 격차 (Gaps): 귀하가 나타나지 않는 프롬프트에서 경쟁사가 지속적으로 등장하는 경우
• 포지셔닝 표류 (Positioning drift): 경쟁사가 묘사되는 방식과 비교했을 때 AI가 귀하의 브랜드를 정확하게 설명하고 있는지 여부

경쟁사가 '배치(placement)'에서는 귀하보다 높은 점수를 받지만 '감성(sentiment)'에서는 비슷하다는 결과는, 두 항목 모두를 장악하고 있는 경쟁사와는 전혀 다른 이야기를 들려줍니다. 해결하기 전에 진단하십시오.

프로세스 자동화

수동 감사는 시작 단계에서는 효과적이지만, 확장성(scale)이 없습니다. 어느 시점에는 수백 개의 프롬프트 변형을 체계적으로 실행하고 시간에 따른 변화를 추적해야 합니다.

이 지점에서 목적에 맞게 제작된 도구(purpose-built tooling)가 도움이 됩니다. VisibilityRadar는 바로 이 문제를 해결하기 위해 특별히 구축되었습니다. 이 도구는 여러 AI 모델에 걸쳐 프롬프트 테스트를 자동화하고 시간에 따른 AI 분석(AI analytics) 데이터를 추적하므로, 일회성 스냅샷이 아닌 가시성 트렌드(visibility trends)를 확인할 수 있습니다. 수동 베이스라인(manual baseline)을 검증하고 무엇을 측정하고 있는지 이해한 후에 살펴보는 가치가 있습니다.

직접 구축(DIY)하는 경로를 원한다면, OpenAI 및 Anthropic API를 사용하여 이를 스크립트로 구현할 수 있습니다:

import openai

def check_brand_mention(prompt: str, brand: str) -> dict:
...

스프레드시트를 만드세요. 매주 실행하세요. 추세선(trend lines)을 그래프로 그리세요. 그것이 최소 기능 AI 분석(minimum viable AI analytics) 설정입니다.

오늘 바로 할 수 있는 3가지

1. 지금 당장 10개의 경쟁 프롬프트를 실행해 보세요.
ChatGPT와 Perplexity를 열고, "[당신의 ICP 사용 사례]를 위한 최고의 [카테고리] 도구는 무엇인가요?"라고 약간의 변형을 주어 각각 5번씩 질문하세요. 귀하의 브랜드가 나타나는지, 어디에 나타나는지, 그리고 어떤 내용이 언급되는지를 기록하세요. 이는 20분 정도 소요되지만 예상보다 훨씬 많은 것을 알려줄 것입니다.

2. 귀하의 브랜드 프롬프트를 감사(Audit)하세요.
여러 AI 모델에 다음과 같이 질문하세요: "[귀하의 회사 이름]에 대해 알려줘." 출력 결과들을 비교하세요. 부정확한 정보, 오래된 정보 또는 누락된 맥락을 찾아내세요. 이러한 격차는 종종 귀하의 웹 프레젠스(web presence)—문서(documentation), 회사 소개(About) 페이지, 언론 언급 등—로 거슬러 올라가며, 이는 실제로 수정할 수 있는 부분입니다.

3. 월간 벤치마크 주기(cadence)를 설정하세요.
20~30개의 고정된 프롬프트 세트를 선정하여 3개의 모델에서 실행하고, 위의 프레임워크를 사용하여 점수를 매긴 뒤 스프레드시트에 숫자를 기록하세요. 첫 번째 점수보다 시간이 지남에 따른 일관성이 더 중요합니다.

실제로 점수를 움직이는 요소

데이터가 보여주는, 실제로 AI 가시성을 개선하는 요소는 다음과 같습니다:

• 제3자 커버리지 (Third-party coverage): AI 시스템은 권위 있는 외부 소스에 큰 가중치를 둡니다. 업계 간행물에 소개되거나, 비교 분석 모음(comparison roundups)에 등장하고, 분석가(analyst)의 언급을 얻는 것이 매우 중요합니다.
• 구조화되고 크롤링 가능한 콘텐츠 (Structured, crawlable content): 명확하게 작성된 제품 페이지, 문서(documentation), 유스케이스(use case) 페이지는 AI 시스템이 정확한 정보를 검색(retrieve)하는 데 도움을 줍니다.
• 최신성 신호 (Recency signals): Perplexity 및 Bing 기반 모델들은 최신 콘텐츠에 가중치를 둡니다. 오래된 블로그는 여기서 도움이 되지 않습니다.

점수를 크게 움직이지 않는 요소: 키워드 스터핑(keyword stuffing), 내용이 빈약한 랜딩 페이지, 또는 2019년 SEO에서 통했던 전술들입니다.

더 큰 그림 (The Bigger Picture)

우리는 아직 AI 분석(AI analytics)이라는 학문 분야의 초기 단계에 있습니다. 대부분의 브랜드는 아무런 측정 체계 없이 운영되고 있으며, 이는 지금 체계적인 프레임워크를 구축하는 팀들이 이것이 주류가 될 12~18개월 후에 상당한 데이터 우위를 점하게 될 것임을 의미합니다.

더 흥미로운 미결 과제는 다음과 같습니다: AI 시스템이 출처를 인용하고 추천의 근거를 밝히는 능력이 향상됨에 따라, AI 가시성이 전통적인 권위 신호(authority signals)와 수렴하게 될까요, 아니면 완전히 다른 무언가로 진화하게 될까요? 그 답은 아마도 우리가 브랜드 구축(brand building)을 근본적으로 생각하는 방식을 변화시킬 것입니다.