AI는 어떻게 답변을 만드는가 — 마케터를 위한 AI 인용 메커니즘 4단계
임재복
이 글은 성장(Growth)의 GEO 백서 시리즈 6/20 — Ch.4 AI 답변 생성 메커니즘입니다. 전체 목차와 PDF 전문은 백서 페이지에서 확인하실 수 있습니다.
AI는 질의를 분석하고, 웹에서 관련 소스를 검색(RAG)한 뒤, 소스의 신뢰도·구조·권위를 평가하고, 최종 답변을 합성합니다. 당신의 콘텐츠가 이 파이프라인의 어느 단계에서 탈락하는지를 이해하는 것이 GEO 전략의 출발점입니다.
하나의 질문이 답변이 되기까지
마케팅 디렉터 김 팀장이 오후 미팅을 준비하면서 ChatGPT에 “B2B 기업에 적합한 CRM 소프트웨어를 추천해 달라”고 입력했다고 가정해 보겠습니다. 김 팀장의 화면에는 30초 안에 세련된 답변이 나타납니다. 3~4개의 CRM 솔루션이 장단점과 함께 비교되고, 각 추천에는 출처가 달려 있습니다. 단순해 보이는 이 과정의 이면에는 수십억 개의 파라미터를 가진 언어 모델이 복잡한 파이프라인을 실행하고 있습니다. 마케터로서 이 파이프라인을 이해하는 것이 중요한 이유는 명확합니다. 여러분의 콘텐츠가 이 과정의 어느 단계에서, 왜 선택되거나 탈락하는지를 알아야 GEO(AI 엔진 최적화) 전략을 세울 수 있기 때문입니다.
AI 답변 생성의 4단계 파이프라인
AI가 답변을 만드는 과정을 4단계로 나누어 설명하겠습니다. 기술적 정확성을 유지하되, 마케터에게 실질적으로 의미 있는 시사점을 중심으로 해설합니다.
1단계: 질의 분석과 의도 파악
김 팀장이 “B2B CRM 소프트웨어 추천”이라고 입력하면, AI는 단순히 이 키워드를 매칭하는 것이 아닙니다. “추천”이라는 단어에서 비교 분석이 필요하다는 의도를 파악하고, “B2B”에서 기업용이라는 맥락을 읽으며, 해당 질문에 답하기 위해 어떤 유형의 정보가 필요한지를 판단합니다. 전통적 검색엔진이 키워드 매칭에 기반했다면, AI는 질의의 의도와 맥락을 이해하는 것에서 출발합니다. 이것이 마케터에게 의미하는 바는 분명합니다. 콘텐츠가 특정 키워드를 포함하고 있느냐보다, 특정 질문의 의도에 얼마나 정확하게 답하느냐가 더 중요해졌다는 것입니다.
2단계: 소스 검색과 수집 (RAG)
질의의 의도를 파악한 AI는 이제 답변에 필요한 정보를 찾아 나섭니다. 이 과정을 RAG(Retrieval-Augmented Generation, 검색 증강 생성)라고 합니다. Lewis et al.(2020)이 NeurIPS에서 발표한 이 개념은 오늘날 거의 모든 AI 검색 서비스의 핵심 아키텍처가 되었습니다. RAG의 작동 방식을 비유하자면, AI가 거대한 디지털 도서관에서 사서 역할을 하는 것과 같습니다. 김 팀장의 질문을 받은 AI 사서는 도서관의 수많은 서가를 순식간에 훑으며, 관련성 높은 문서들을 한 아름 가져옵니다. 이때 “서가”에 해당하는 것이 웹 인덱스이고, “가져온 문서”가 검색된 소스입니다.
여기서 마케터가 반드시 이해해야 할 핵심이 있습니다. AI가 모든 웹페이지를 실시간으로 검색하는 것이 아니라는 점입니다. AI는 자체 인덱스에 수집되어 있는 소스 중에서 관련성 높은 것을 선별합니다. 따라서 여러분의 콘텐츠가 이 인덱스에 제대로 등록되어 있는지가 첫 번째 관문입니다. Technical GEO에서 다루는 AI 크롤러 허용 설정과 llms.txt 도입은 바로 이 단계에서 탈락하지 않기 위한 전략이며, GPTBot·ClaudeBot 등 크롤러별 허용·차단 설정 절차는 AI 크롤러 robots.txt 가이드에서 실무 중심으로 정리했습니다. 한편 주요 AI 엔진들의 인용 도메인을 비교한 대규모 분석들은 엔진들이 공통으로 인용하는 도메인이 일부에 그치고, 엔진마다 인용하는 소스가 크게 다르다는 점을 일관되게 보여줍니다. 복수의 AI 엔진에 동시에 인덱싱되기 위한 기술적 준비가 필수적인 이유입니다.
3단계: 신뢰도·관련성·품질 평가
RAG를 통해 수집된 소스가 모두 답변에 활용되는 것은 아닙니다. AI는 가져온 문서들을 엄격하게 평가합니다. 이 단계를 이해하기 위해 다시 도서관 비유를 사용하겠습니다. AI 사서가 서가에서 가져온 책들을 탁자 위에 펼쳐놓고, 하나하나 훑어보면서 “이 책은 믿을 만한가? 이 정보는 질문에 정확히 답하는가? 다른 책들과 일관성이 있는가?”를 판단하는 과정입니다.
ALCE 벤치마크 연구(Gao et al., EMNLP 2023)는 이 평가 과정의 한계를 드러냈습니다. 최고 성능의 LLM조차 ELI5 데이터셋에서 생성 결과의 50%는 완전한 인용 근거를 갖추지 못한 것으로 나타났습니다. GhostCite(2026) 연구는 더 충격적인 수치를 제시하는데, 13개 LLM의 375,440개 인용을 분석한 결과 환각률(실존하지 않거나 잘못된 출처를 인용하는 비율)이 연구 도메인에 따라 14~95%에 달했습니다. 반면 RAG 기반 시스템인 OpenScholar(Asai et al., 2024)는 전문가 수준에 비견되는 인용 정확도를 달성했는데, 같은 연구에서 순수 생성 방식의 GPT-4o는 인용의 78~90%를 환각으로 만들어냈습니다. 이것이 마케터에게 시사하는 바는 명확합니다. 여러분의 콘텐츠가 사실에 기반하고, 출처가 명확하며, 다른 신뢰할 수 있는 소스들과 일관된 정보를 제공할수록, AI의 평가 단계에서 살아남을 확률이 높아진다는 것입니다.
TrustLLM(Huang et al., 2024) 연구는 16개 LLM의 신뢰성을 6개 차원에서 평가하면서 중요한 발견을 했습니다. 신뢰성과 모델 능력 사이에 양의 상관관계가 존재한다는 것입니다. 더 뛰어난 모델일수록 신뢰성 기준도 높게 작동한다는 의미이며, AI 기술이 발전할수록 품질 낮은 콘텐츠는 더 가차 없이 걸러진다는 뜻이기도 합니다.
4단계: 답변 합성과 인용 결정
최종 단계에서 AI는 평가를 통과한 소스들의 정보를 종합하여 하나의 일관된 답변을 생성합니다. 이때 중요한 것은 AI가 소스의 내용을 “복사-붙여넣기”하는 것이 아니라, 여러 소스의 정보를 재구성하고 합성한다는 점입니다. 이 과정에서 어떤 소스가 인용으로 표시되느냐는 해당 소스가 답변에 얼마나 직접적이고 구체적인 기여를 했느냐에 달려 있습니다.
Liu et al.(TACL, 2024)의 “Lost in the Middle” 연구는 이 합성 과정에서 흥미로운 패턴을 발견했습니다. AI는 검색된 문서들 중 상단과 하단에 위치한 정보에 더 많은 주의를 기울이고, 중간에 위치한 정보는 상대적으로 무시하는 U자형 주의 패턴을 보인다는 것입니다. Harvard의 Kumar & Lakkaraju(2024) 연구는 한발 더 나아가, 전략적으로 작성된 텍스트가 LLM의 제품 추천 확률을 유의미하게 변화시킬 수 있음을 실증했습니다. 이 연구들은 콘텐츠의 구조와 배치가 AI 인용에 직접적인 영향을 미친다는 것을 보여주며, Contents GEO의 이론적 근거가 됩니다.
사전학습과 RAG — 마케팅 전략에서의 의미
AI의 지식은 두 가지 경로로 형성됩니다. 첫 번째는 사전학습(Pre-training)으로, AI 모델이 인터넷의 방대한 텍스트 데이터를 학습하여 내재화한 지식입니다. 이것은 마치 의사가 의대에서 6년간 배운 기초 의학 지식과 같습니다. 두 번째는 RAG(검색 증강 생성)로, 질문을 받을 때마다 실시간으로 웹에서 최신 정보를 검색하여 답변에 반영하는 방식입니다. 이것은 의사가 진료 시 최신 의학 논문을 참조하는 것과 같습니다.
마케터의 전략 관점에서, 이 두 경로는 서로 다른 시간축에서 작동합니다. 사전학습에 반영되려면 여러분의 콘텐츠가 오랜 기간에 걸쳐 웹 전반에서 권위 있는 소스로 인정받아야 합니다. 위키피디아에 등재되거나, 학술 논문에 인용되거나, 주요 미디어에 지속적으로 언급되는 것이 이에 해당합니다. 이는 장기적인 브랜드 구축 전략이며, Off-Page GEO와 Entity Authority의 영역입니다.
반면 RAG에 반영되는 것은 상대적으로 단기적인 전략으로 접근할 수 있습니다. AI 크롤러가 여러분의 사이트를 정기적으로 방문하여 최신 콘텐츠를 인덱싱할 수 있도록 기술적 환경을 갖추고(Technical GEO), 질문에 대한 구조화된 답변을 포함한 콘텐츠를 지속적으로 발행하는 것(Contents GEO)이 핵심입니다. RA-RAG(Hwang et al., 2024) 연구는 여러 소스의 정보를 교차 검증해 소스 수준의 신뢰도를 추정하고, 신뢰도 높은 소스의 정보에 가중치를 두어 답변을 종합하는 방식을 제시했습니다. 하나의 출처에서만 언급된 정보보다 여러 신뢰할 수 있는 출처에서 일관되게 언급된 정보가 채택될 확률이 높다는 의미입니다. 두 시간축 각각에 대한 구체적 실행 전략은 GEO 백서의 Part III에서 체계적으로 다룹니다.
AI 인용 가능성 자가 진단 10문항
지금까지 설명한 AI 답변 생성 파이프라인의 각 단계에서, 여러분의 콘텐츠가 탈락하지 않고 최종 인용까지 도달할 수 있는지를 점검해 보시기 바랍니다. 이 체크리스트는 기술 전문가가 아닌 마케터의 관점에서 작성되었으며, “예”가 7개 이상이면 GEO 준비도가 양호하고, 4~6개면 개선이 필요하며, 3개 이하라면 시급한 조치가 요구됩니다.
| # | 점검 항목 | 관련 파이프라인 단계 |
|---|---|---|
| 1 | AI 크롤러(GPTBot, ClaudeBot 등)의 사이트 접근을 허용하고 있는가? | 2단계: 소스 검색 |
| 2 | 주요 콘텐츠 페이지에 스키마 마크업(JSON-LD)이 적용되어 있는가? | 2단계: 소스 검색 |
| 3 | 콘텐츠가 특정 질문에 대한 명확한 답변을 첫 문단에 포함하는가? | 3단계: 관련성 평가 |
| 4 | 주장에 대한 통계, 데이터, 수치적 근거가 본문에 포함되어 있는가? | 3단계: 신뢰도 평가 |
| 5 | 인용한 정보의 출처(연구명, 기관명, 연도)가 명시되어 있는가? | 3단계: 신뢰도 평가 |
| 6 | 업계 전문가의 인용문이나 전문적 견해가 포함되어 있는가? | 3단계: 권위 평가 |
| 7 | 콘텐츠가 200~400자 단위의 독립적 정보 블록으로 구조화되어 있는가? | 4단계: 답변 합성 |
| 8 | 브랜드가 위키피디아, 나무위키 등 제3자 지식 플랫폼에 등재되어 있는가? | 사전학습 경로 |
| 9 | 최근 6개월 내 업계 미디어, 뉴스, 커뮤니티에서 브랜드가 언급된 적이 있는가? | RAG 경로 + Off-Page |
| 10 | 동일한 질문을 ChatGPT, Perplexity에 물었을 때 브랜드가 언급되는가? | 최종 검증 |
Key Takeaway: AI의 답변 생성은 질의 분석 → 소스 검색(RAG) → 신뢰도 평가 → 답변 합성의 4단계로 이루어집니다. 각 단계에서 탈락하지 않으려면 기술적 접근성, 콘텐츠 구조, 사실적 근거, 브랜드 권위가 모두 갖춰져야 합니다. 이 파이프라인을 이해하는 것이 GEO 전략 수립의 필수 전제입니다.
우리 브랜드가 지금 AI의 답변에 어떻게 등장하는지 궁금하시다면, AI 답변 점유율 진단을 문의해 주세요. GEO 백서 PDF 전문도 받아보실 수 있습니다.
자주 묻는 질문 (FAQ)
RAG(검색 증강 생성)란 무엇인가요?
AI가 질문을 받을 때 사전학습된 지식에만 의존하지 않고, 웹 인덱스에서 관련 소스를 실시간으로 검색해 답변에 반영하는 방식입니다. Lewis et al.(2020)이 NeurIPS에서 제안한 이 구조는 오늘날 ChatGPT 검색, Perplexity 등 대부분의 AI 검색 서비스의 핵심 아키텍처입니다.
AI 답변에 인용되려면 무엇부터 점검해야 하나요?
파이프라인 순서대로 점검하는 것이 효율적입니다. 먼저 AI 크롤러가 사이트에 접근할 수 있는지(소스 검색 단계), 다음으로 콘텐츠가 질문에 대한 명확한 답과 통계·출처를 갖췄는지(평가 단계), 마지막으로 200~400자 단위의 독립적 정보 블록으로 구조화되어 있는지(합성 단계)를 확인합니다. 본문의 자가 진단 10문항으로 시작해 보세요.
AI 크롤러를 차단하면 어떻게 되나요?
GPTBot, ClaudeBot 같은 AI 크롤러를 차단하면 RAG 단계의 인덱스에서 빠지게 되어, 콘텐츠가 아무리 훌륭해도 인용 후보에조차 오르지 못합니다. 크롤러별 허용·차단의 전략적 판단 기준과 설정 방법은 AI 크롤러 robots.txt 가이드에서 다룹니다.
사전학습과 RAG 중 어디에 먼저 대응해야 하나요?
단기 성과는 RAG 경로에서 나옵니다. AI 크롤러 허용과 구조화된 콘텐츠 발행은 비교적 짧은 기간 안에 인용 가능성을 높일 수 있습니다. 사전학습 경로(위키피디아 등재, 미디어 언급 축적)는 장기적 브랜드 자산 투자로 병행하는 것이 효과적입니다.
