AI 검색 시대, 살아남는 SEO 전략: 12가지 핵심 KPI 등 [AIEO 브리핑]

이성규

2025년 6월 5일

AI 검색 시대, 살아남는 SEO 전략: 12가지 핵심 KPI

AI검색 시대에 발맞춰 SEO 지표를 재정의하고, 새로운 KPI를 통해 미래를 측정해야

20여 년간 SEO 팀은 클릭 수, 순위, 노출 수, 이탈률, 링크 수 등 익숙한 지표를 중심으로 전략을 수립하고 보고서를 작성해 왔습니다. 하지만 인공지능(AI) 챗 인터페이스, 스마트 어시스턴트, 제로 클릭 응답 등으로 검색 환경이 변화하면서 기존의 KPI는 더 이상 유효하지 않게 되었습니다.

이에 따라 새로운 성과 지표가 등장하고 있으며, 이는 최신 AI 시스템이 정보를 검색, 순위화, 제시하는 방식과 더 잘 부합합니다. 이는 단순히 분석 도구를 재정비하는 것을 넘어, 검색 환경에서 "가시성"과 "권위"의 의미를 재정의하는 것입니다.

기존 SEO 대시보드는 검색 결과 페이지(SERP)에 맞춰 진화해 왔습니다. 모든 검색이 10개의 파란색 링크 목록으로 이어지고, 그중 하나가 되는 것을 목표로 했습니다. 일반적인 KPI에는 유기적 세션, 클릭률(CTR), 평균 순위, 이탈률 및 사이트 체류 시간, 세션당 페이지 수, 백링크 수, 도메인 권위(DA) 등이 있었습니다.

하지만 AI 기반 검색 시대가 도래하면서 상황이 바뀌었습니다. 사용자들은 검색 결과를 탐색하는 대신, ChatGPT, CoPilot, Gemini, Perplexity와 같은 플랫폼에 질문하고 종합된 답변을 얻습니다. 이러한 답변은 벡터 데이터베이스, 임베딩, BM25 + RRF 앙상블 재순위화 도구, LLM(GPT-4, Claude, Gemini 등), AI 지원 작업을 실행하는 에이전트 및 플러그인과 같은 새로운 기술 스택에 의해 구동됩니다.

이러한 환경에서 콘텐츠는 "순위"가 매겨지는 것이 아니라 검색되고, 추론되며, 운이 좋으면 인용될 수 있습니다. 이에 따라 생성 AI 검색 시대를 위한 12가지 새로운 KPI가 제시되었습니다.

청크 검색 빈도: 프롬프트에 대한 응답으로 모듈식 콘텐츠 블록이 검색되는 빈도
임베딩 관련성 점수: 쿼리와 콘텐츠 임베딩 간의 유사성 점수
AI 아웃풋에서의 기여율: AI 답변에서 브랜드/사이트가 인용되는 빈도
AI 인용 횟수: LLM에서 콘텐츠에 대한 총 참조 횟수
벡터 인덱스 존재율: 콘텐츠가 벡터 저장소에 성공적으로 인덱싱된 비율
검색 신뢰도 점수: 청크를 선택할 때 모델의 가능성 추정치
RRF 순위 기여도: 청크가 최종 재순위 결과에 미치는 영향
LLM 답변 범위: 콘텐츠가 해결하는 고유한 프롬프트 수
AI 모델 크롤링 성공률: AI 봇이 사이트에서 성공적으로 수집할 수 있는 콘텐츠 양
의미 밀도 점수: 청크당 의미, 관계, 사실의 풍부함
제로 클릭 표면 노출: 답변을 제공하기 위해 링크가 필요하지 않은 시스템에 나타나는 횟수
머신 검증 권위(Machine-validated authority): 링크가 아닌 머신이 판단하는 권위 측정

이러한 KPI는 GA4에 나타나지 않지만, 미래 지향적인 팀은 이미 이를 추적할 방법을 찾고 있습니다. AI 트래픽을 웹 세션과 별도로 기록하고 분석하고, RAG 도구 또는 플러그인 프레임워크를 사용하여 청크 검색을 시뮬레이션하고 모니터링하며, 임베딩 비교를 실행하여 의미적 격차를 파악해야 합니다. 또한 Perplexity, You.com, ChatGPT와 같은 도구에서 브랜드 언급을 추적하고, AI 봇의 사이트 크롤링 가능성을 모니터링하며, 청크화 가능성, 엔터티 명확성, 스키마에 대한 콘텐츠를 감사해야 합니다.

CTR에 대한 보고서를 계속 작성하는 동안 고객이 링크를 표시하지 않는 AI 시스템에서 답변을 얻고 있다면, 전략이 시장과 동기화되지 않은 것입니다. 검색보다 검색이 더 중요해지는 새로운 시대에, 가장 현명한 마케터는 이러한 현실에 적응할 뿐만 아니라 측정할 것입니다.

추천 태그: AI 검색, SEO 지표, 성과 측정

구글 AI, 대형 언론사 편향 심화

SE Ranking 연구 결과, 상위 10개사가 뉴스 인용의 80% 독점…중소 언론사 입지 약화 우려

최근 발표된 연구에 따르면 구글의 AI Overviews가 주요 뉴스 매체를 선호하는 경향이 있는 것으로 나타났습니다. SE Ranking은 75,550개의 AI Overview 응답을 분석한 결과, 상위 10개 언론사가 전체 뉴스 언급의 약 80%를 차지하는 것으로 드러났습니다. 반면, 소규모 언론사들은 AI가 생성한 검색 결과에서 가시성을 확보하는 데 어려움을 겪고 있습니다.

연구 결과에 따르면, 전체 AI Overview 응답 중 뉴스 출처를 인용한 경우는 20.85%에 불과했습니다. 이는 제한된 인용 기회를 두고 치열한 경쟁이 벌어지고 있음을 시사합니다. 인용된 출처 중 BBC, 뉴욕타임스, CNN이 전체 미디어 언급의 31%를 차지하며 두드러진 강세를 보였습니다.

AI Overview 인용은 '승자 독식' 패턴을 보이는 것으로 분석됐습니다. BBC는 전체 언급의 11.37%를 차지하며 1위를 기록했는데, 이는 연구가 미국 기반 검색어에 초점을 맞췄음에도 불구하고 나타난 결과입니다. 상위 12개 매체가 연구 대상의 40%에 불과하지만, 전체 언급의 거의 90%를 차지하는 것으로 나타났습니다. 나머지 18개 매체는 10%의 인용 기회만을 공유하는 실정입니다.

주요 언론사와 소규모 언론사 간의 격차는 상당했습니다. BBC는 동일한 키워드에 대해 파이낸셜 타임스보다 195배 더 많이 등장했습니다. 파이낸셜 타임스, MSNBC, Vice, TechCrunch, 뉴요커 등 유명 매체들은 전체 뉴스 언급의 1% 미만을 차지하는 데 그쳤습니다.

연구진은 "구글은 AI Overviews에서 신뢰성과 관련성이 높다고 판단되는 유명 뉴스 출처에 주로 의존하는 것으로 보인다"며 "이로 인해 주요 매체에 대한 강한 편향이 발생하고, 소규모 또는 덜 알려진 출처는 거의 언급되지 않아 가시성을 확보하기 어렵다"고 분석했습니다.

AI Overviews에 언급된 미디어 URL의 40%는 동일한 키워드에 대한 일반 검색 결과 상위 10위 안에 랭크되어 있는 것으로 나타났습니다. 이는 AI Overviews가 단순히 가장 높은 순위의 페이지에서 정보를 가져오는 것이 아니라, 권위 신호와 콘텐츠 품질을 기반으로 출처를 선호하는 것으로 해석할 수 있습니다.

연구진은 인용 불평등을 측정하기 위해 지니 계수를 사용했으며, 그 결과 0.54점을 기록했습니다. 이는 완전 평등(0)과 최대 불평등(1) 사이에서 중간 정도의 불균형을 나타내는 수치입니다. 연구진은 "AI Overviews는 모든 출처를 고르게 인용하기보다는 일관되게 일부 유명 도메인을 선호한다"고 지적했습니다.

AI Overview 응답 중 유료 콘텐츠에 연결된 경우, 69%가 5단어 이상의 복사된 세그먼트를 포함하고 있었으며, 2%는 10단어 이상의 더 긴 복사 세그먼트를 포함하고 있었습니다. 뉴욕타임스 인용의 96% 이상, 워싱턴포스트 인용의 99% 이상이 유료 장벽 뒤에 있는 콘텐츠에서 비롯된 것으로 나타났습니다. 그러나 긴 복사 세그먼트를 포함한 응답의 15%만이 출처를 밝혔습니다.

AI Overviews가 뉴스 매체를 인용할 때, 응답당 평균 1.74개의 인용이 발생했습니다. 그러나 뉴스 매체 인용의 91.35%는 AI 응답의 본문 텍스트가 아닌 링크 섹션에 나타났습니다. 또한, 언론사는 이름으로 언급되기보다는 하이퍼링크로 인용될 가능성이 4배 더 높았습니다. 브랜드 언급의 26% 이상은 링크 없이 나타났는데, 이는 AI 시스템이 원본 게시자가 아닌 정보 수집기를 통해 정보를 얻기 때문인 것으로 분석됩니다.

뉴스 관련 검색어는 일반 검색어보다 미디어 인용을 포함할 가능성이 2.5배 더 높았습니다(20.85% 대 8.23%). 이는 특정 뉴스 주제나 속보에 대한 주요 출처가 될 수 있는 언론사에 기회가 있음을 시사합니다.

연구 결과는 기존의 권위 신호를 가진 언론사가 유리하며, 인용 성공이 더 많은 인용 기회로 이어지는 순환 구조를 형성한다는 것을 보여줍니다. AI Overviews가 검색 결과에서 더욱 보편화됨에 따라, 소규모 언론사는 유기적 트래픽 감소와 독자층 확대 기회 감소를 경험할 수 있습니다.

SE Ranking은 "AI Overviews에서 브랜드 언급을 늘리려면 목표 키워드에 대해 이미 인용하고 있는 출처로부터 백링크를 확보해야 한다"며 "이는 포함 가능성을 높이는 가장 중요한 요소 중 하나"라고 조언했습니다. 또한, "AI 도구는 웹사이트 메타데이터를 기반으로 특정 제한 사항을 준수하며, 특히 'isAccessibleForFree' 태그가 콘텐츠 처리 방식에 중요한 역할을 한다"고 덧붙였습니다.

추천 태그: #AIOverviews #언론사 #구글AI

🌟 [Tip] 이커머스 사이트 SEO 전문가가 알려주는 7가지 최적화 전략

이커머스 사이트 운영자라면 제품 페이지는 검색 결과에서 잘 나타나지만, 카테고리 페이지는 그렇지 못한 경우를 흔히 겪습니다. 이 글에서는 카테고리 페이지의 검색 엔진 가시성을 높이기 위한 구체적인 최적화 전략을 소개합니다.

• 왜 중요하냐면: 카테고리 페이지는 잠재 고객에게 다양한 제품을 소개하고, 구매 여정의 중간 단계에 있는 사용자를 유입시키는 데 중요한 역할을 합니다. 카테고리 페이지의 검색 랭킹이 낮으면, 트래픽 손실과 매출 감소로 이어질 수 있습니다.

• 큰 그림: 온라인 쇼핑 시장이 점점 더 경쟁적으로 변하면서, SEO는 이커머스 성공에 필수적인 요소가 되었습니다. 특히, 구글과 같은 검색 엔진은 사용자 경험을 중시하며, 웹사이트의 기술적인 완성도와 콘텐츠 품질을 종합적으로 평가합니다. 따라서 카테고리 페이지를 효과적으로 최적화하는 것은 전체적인 SEO 전략의 중요한 부분입니다.

• 상세 내용: 카테고리 페이지 최적화를 위한 7가지 핵심 전략은 다음과 같습니다.

기술적 접근성: robots.txt 파일, noindex 태그, canonical 태그 등을 점검하여 검색 엔진 크롤링 및 색인 생성을 확인합니다.
사이트 구조 및 내부 링크: 카테고리 페이지에 대한 내부 링크를 늘려 검색 엔진이 해당 페이지의 중요도를 인식하도록 합니다.
패싯 내비게이션 문제: 필터 조합으로 인한 과도한 URL 생성을 방지하고, 검색 수요가 높은 필터 조합을 우선적으로 색인합니다.
불충분하거나 낮은 품질의 콘텐츠: 카테고리 페이지 상단에 짧은 소개 문구를 추가하고, FAQ, 기능 비교, 브랜드 정보 등 유용한 콘텐츠 모듈을 제공합니다.
페이지 내 최적화 부족: 페이지 제목, 메타 설명, 헤더 태그 등을 사용자 검색 의도에 맞춰 최적화합니다.
낮은 품질 또는 누락된 스키마 마크업: BreadcrumbList 스키마를 추가하고, 컬렉션 수준의 구조화된 데이터를 활용합니다.
콘텐츠 신선도 신호 부족: 트렌드 제품, 인기 상품, 시즌 상품 등을 강조하고, 최근 리뷰를 추가하며, 카테고리 페이지 콘텐츠를 주기적으로 업데이트합니다.

• 주요 시사점: 카테고리 페이지 최적화는 이커머스 사이트의 전체적인 SEO 성과를 향상시키는 데 중요한 역할을 합니다. 기술적인 문제 해결, 콘텐츠 품질 개선, 사용자 경험 최적화 등을 통해 카테고리 페이지의 검색 엔진 가시성을 높일 수 있습니다.

추천 태그: SEO, 이커머스, 카테고리 페이지

☕ 커피 마시며 읽어 볼 정보들

Anthropic, Claude 챗봇 응답 제어 시스템 프롬프트 공개. Anthropic이 Claude 챗봇의 응답을 제어하는 시스템 프롬프트를 공개했습니다. 이 프롬프트는 사용자가 Claude를 통해 최상의 결과를 얻을 수 있도록 구조와 예시를 활용하여 명확하고 자세한 지침을 제공합니다. 또한, 긍정적 및 부정적 예시를 통해 단계별 추론을 장려하고, 원하는 길이 또는 형식을 지정하는 등 효과적인 프롬프트 엔지니어링 기법을 안내합니다. Claude는 대화 주제에 맞춰 응답 형식을 조정하며, 질문에 답할 때는 간결성을 우선시하여 핵심 정보 위주로 제공합니다. Claude는 자체에 대한 가상적인 질문에 대해 어색함 없이 자연스럽게 대화할 수 있도록 설계되었습니다. 사용자가 Claude에게 오류를 지적하면, Claude는 신중하게 검토하여 오류 여부를 판단합니다. 또한, Claude는 사용자를 돕지 못하는 경우 불필요한 설명을 삼가고, 가능한 대안을 제시하거나 간결하게 응답하여 사용자와의 상호작용을 긍정적으로 유지합니다. 이러한 시스템 프롬프트는 호기심, 명확성, 존중을 중시하는 소통 방식을 반영하며, 소셜 미디어나 대인 관계에서도 더 나은 대화를 장려하는 데 도움이 될 수 있습니다. | 전체 읽기
AI 검색과 전통적 검색 결과 최적화의 교집합 분석. AI 검색과 전통적 검색 엔진 최적화(SEO)는 사용자 검색 행동, 최적화 영역, 결과 제시 방식, 핵심 성과 지표(KPI) 등 여러 면에서 차이점을 보이지만, 최적화 원칙에서는 상당 부분 겹치는 영역이 존재합니다. 사용자 검색 행동의 경우, 전통적 검색에서는 짧고 키워드 기반의 검색어를 사용하는 반면, AI 검색에서는 더 길고 상세한 프롬프트를 사용하는 경향이 있습니다. 또한, AI 검색은 다중 턴 방식의 대화형 상호작용을 지원하여 사용자가 이전 프롬프트의 맥락을 유지하며 질문을 이어갈 수 있게 합니다. 최적화 영역에서는 전통적 SEO와 AI 검색 모두 콘텐츠의 문맥적 이해, 의미론적 관련성, 전문성, 최신성, 권위, 구조화된 형식 등을 중요하게 고려합니다. 다만, AI 검색은 사용자 맥락과 선호도를 활용한 심층적인 개인화가 가능하다는 점에서 차이가 있습니다. 결과 제시 방식에서는 전통적 검색이 링크 목록을 제공하는 반면, AI 검색은 여러 소스를 종합하여 하나의 답변을 제공하는 경향이 있습니다. 따라서, AI 시대에는 콘텐츠의 정확성과 신뢰성을 확보하여 AI 모델이 신뢰할 수 있는 정보로 인식하도록 하는 것이 중요합니다. | 전체 읽기
Google, AI 검색과 AI 어시스턴트 모두 장악 목표. 데미스 하사비스 Google DeepMind CEO는 AI 기반 검색(AI Overviews)과 새로운 대화형 AI 검색 경험(AI Mode) 모두를 통해 정보 검색의 미래를 장악하겠다는 Google의 의지를 밝혔습니다. AI Overviews는 빠른 정보 검색에, AI Mode는 심층적인 질의에 적합하며, Google은 이 두 가지 모드를 모두 발전시키고 지배할 계획입니다. 하사비스는 AI Mode가 기존 검색을 완전히 대체하지 않을 것이라고 언급하며, 향후 2~3년간 두 모드가 함께 성장하고 필요할 것이라고 전망했습니다. Google은 AI 생성 요약으로의 검색 전환을 지속하는 동시에, 전통적인 검색도 유지하며, AI 검색 트래픽 감소는 불가피하다고 보고 있습니다. | 전체 읽기
Google Gemini와 LangGraph를 활용한 투명한 연구 에이전트 구축. Google은 Gemini 2.5와 LangGraph를 결합한 오픈 소스 "Gemini Fullstack LangGraph Quickstart"를 통해 완전한 투명성과 인용 기반의 연구 에이전트(Mikami 2025)를 선보입니다. React 프론트엔드는 사용자 쿼리를 수집하고 진행 상황을 표시하며, FastAPI/LangGraph 백엔드는 다단계 워크플로우를 관리합니다. 이 워크플로우는 쿼리 생성, 웹 검색, 결과 분석 및 개선, 답변 종합의 단계를 거칩니다. Gemini는 사용자 요청을 해석하여 초기 검색어를 생성하고, 이를 통해 Google 검색을 호출하여 관련 페이지를 가져옵니다. 또한, 검색 결과를 검토하여 부족한 하위 주제를 파악하고, 필요한 경우 추가 쿼리를 생성하여 반복적으로 개선합니다. 충분한 정보가 확보되면 Gemini는 일관성 있고 인용이 첨부된 답변을 작성합니다. | 전체 읽기