GEO 마케팅, 콘텐츠보다 온톨로지가 먼저인 이유·서치서울 강연 요약 6편: 아티언스 사례

GEO 마케팅 실무에서 금세 부딪히는 벽이 있습니다. 사람들이 AI에게 던지는 프롬프트의 경우의 수는 사실상 무한한데, 그 모든 질문에 대비해 AI가 잘 인용하는 원칙을 지킨 콘텐츠를 최대한 많이 만들어 두는 건 불가능에 가깝다는 점이죠. 많은 분이 공감하실 텐데요. 콘텐츠를 아무리 늘려도 모든 질문을 따라잡을 수 없다면, GEO 마케팅은 무엇을 먼저 준비해야 할까요?

2026 서치서울(Search Seoul)에서 아티언스의 최윤희 연사는 강연 「다음 GEO 시대를 위한 지식 구조화와 온톨로지」를 통해 이 의문에 온톨로지라는 개념으로 답했습니다. 질문마다 콘텐츠를 새로 만드는 대신, 어떤 질문 속에서도 AI가 우리 브랜드를 정확히 설명할 수 있도록 브랜드에 대한 지식과 그 관계를 먼저 설계하자는 제안입니다. 콘텐츠 양산의 한계부터 AI가 브랜드를 걸러내는 실제 과정, 온톨로지 기반 실행 단계까지 함께 살펴보세요.

GEO 마케팅, 몇 가지 원칙만 지키면 될까?

GEO는 생성형 AI가 사용자 질문에 답할 때 자사 브랜드나 제품이 답변 안에서 인용되거나 언급되도록 만드는 최적화 작업으로 정의할 수 있겠습니다. 실무에서 이 작업은 대부분 콘텐츠에 몰려있습니다. 대화형 문맥에 맞춘 글쓰기, 신뢰할 만한 통계와 인용구, AI가 읽기 쉬운 구조 포맷처럼요. AI가 선호하는 형태로 에셋을 만들어 브랜드에 대한 AI의 이해도를 높이려는 목적이죠.

문제는 이 흐름이 “AI가 좋아한다는 방식으로 더 다양하게, 더 자주, 더 많이”로 굳어졌다는 점입니다. 연사는 AI 노출을 늘리려던 목표가 어느새 콘텐츠 생산 경쟁으로 바뀌었다고 짚고, 이를 콘텐츠 함정이라고 불렀습니다. 핵심 없이 노출만 노린 글이 쌓이면 사이트의 방문 가치가 떨어지고, 전환으로 이어지지 않으며, 저품질 양산형 콘텐츠로 분류돼 불이익을 받을 수도 있기 때문입니다.

B2B 커머스사 사례를 보면 이 함정이 분명해집니다. 이 회사의 콘텐츠는 명확한 설명, 문맥 단위 구성, 표, FAQ, 저자 정보까지 흔히 말하는 원칙을 모두 갖추고 있었습니다. 디스플레이 관련 모니터링 프롬프트 약 650개 중 20% 이상에서 인용되고 인용 URL도 500개 수준이던 2026년 초와 달리, 지금은 인용이 눈에 띄게 줄었습니다.

원인은 형식이 아니라 관계였습니다. 정보 사이의 관계를 만들거나 쌓지 못하는 콘텐츠는 아무리 많아도 검색 가시성을 지키기 어렵다는 것입니다.

AI 답변의 절반은 묻지 않은 정보다

이어서 AI 답변 자체를 들여다보겠습니다. AI 답변은 보통 3,000자 안팎으로 길고, 그중 사용자가 실제로 물은 것에 대한 답은 50% 정도입니다. 나머지는 AI가 필요하다고 판단해 덧붙인 내용으로, 답변의 근거, 제품끼리 비교한 요약표, 목적별 추천 순위 같은 것들인데요. AI는 질문에 답하는 데서 그치지 않고 비교하고, 조건을 붙이고, 선택의 이유를 설명하면서 사용자의 다음 판단에 계속 관여합니다.

그래서 강연은 GEO의 정의를 다시 묻습니다. AI가 묻지 않은 정보까지 꺼내 선택에 영향을 주는 이상, 브랜드를 언급하게 만드는 것만으로는 부족하다는 것이죠. 그 말을 막을 수 없다면 맡기는 쪽으로 가야 합니다. GEO 최적화의 목표는 AI를 브랜드와 제품의 대변인으로 만들어, 브랜드보다 먼저 브랜드를 설명하게 하는 것입니다.

온톨로지란? 브랜드 지식 설계도

대변인에게는 참고할 설계도가 필요합니다. 강연은 여기서 한 가지 오해를 경계했습니다. 청크 단위 구성이나 FAQ 같은 형식 최적화는 여전히 필요합니다. 다만 그것은 AI가 브랜드를 익히기 위한 최소 조건, 말하자면 GEO라는 경기의 입장권일 뿐 승리 조건은 아닙니다.

질문도 바뀌어야 합니다. 어떤 형식으로 얼마나 자주 발행할지가 아니라, AI가 우리 브랜드와 제품에 대해 무엇을 알아야 하고, 그 지식이 서로 어떻게 연결되는지를 물어야 합니다. 콘텐츠를 한 번 노출되고 끝나는 조각이 아니라, AI가 브랜드를 이해하고 기억하고 추론하는 재료로 보는 관점입니다.

온톨로지란 특정 영역 안에 어떤 대상과 속성이 있고 이들이 서로 어떤 관계를 맺는지 체계적으로 정의한 지식 모델입니다. ‘존재’를 뜻하는 그리스어 ‘온토’와 ‘학문’을 뜻하는 ‘로지아’가 합쳐진 말로, 철학에서는 존재와 본질, 그 사이의 관계를 탐구하는 학문을 가리키고, 컴퓨터 과학과 AI 분야에서는 한 영역의 대상과 속성, 관계를 설명하는 개념으로 쓰입니다.

GEO에서 온톨로지는 브랜드, 제품, 주제, 그리고 사용자의 검색 목적과 니즈·문제를 연결한 지식 구조입니다. AI가 우리 브랜드가 무엇이고, 사용자가 어떤 문제와 상황에서 우리를 찾는지 이해하게 만드는 설계도라고 볼 수 있습니다.

GEO가 걸어온 4년: 인용 → 가시성 → 추천

온톨로지는 오래된 개념인데 왜 지금 다시 중요해졌을까요? 지난 4년간 GEO의 관심사를 세 단계로 정리해볼 수 있습니다. 연도로 딱 나뉘지는 않지만 흐름은 분명합니다. 첫 단계는 인용(Citation)입니다. 생성형 AI가 처음 등장했을 때 마케터의 관심은 AI가 우리를 근거로 삼는지, 그 인용 링크가 새로운 트래픽 채널이 될지에 있었습니다.

두 번째는 가시성(Visibility)입니다. 사용자가 인용 링크를 눌러 사이트로 오지 않는 제로 클릭이 생기면서, 관심은 AI 답변 안에서 브랜드가 어떻게 노출되는지로 옮겨 갔습니다. 세 번째가 지금의 추천(Recommendation)입니다. 사용자는 “내 상황에는 어떤 제품이 맞아?”, “둘 중 뭘 사야 해?”처럼 선택을 묻고, 경쟁은 그 선택 과정에서 추천받느냐로 넓어졌습니다.

추천은 언급보다 어렵습니다. AI는 브랜드를 알고 있다는 이유만으로 추천하지 않고, 어떤 제품이 어떤 특징과 강점으로 사용자의 어떤 상황을 해결하는지 연결될 때 추천합니다. 누구에게, 왜 이 브랜드가 맞는지를 연결하는 일이 지금 온톨로지가 필요한 이유입니다.

브랜드 인식은 어떻게 만들어지고, 설계도는 어디에 놓이는가

강연은 인식이 생기는 과정을 자동차 예시로 설명합니다. 브랜드가 ‘합리적인 하이엔드, 오너 드리븐 세단’으로 기억되고 싶다고 해서 사용자가 저절로 그렇게 생각하지는 않습니다. 인식에는 판단의 기준이 필요하고, 그 기준은 아래에서부터 쌓입니다.

출발점은 나파 가죽, 64데시벨, 사륜구동, 가격 정보 같은 사실의 조각입니다. 조각이 모이면 “실내 소음을 64데시벨 이하로 유지해 조용하고 쾌적하다”, “같은 트림에서 진입 가격이 경쟁사보다 낮다” 같은 정보와 주장이 되고, 정보가 쌓이면 “소재와 정숙성, 기본 사양을 종합하면 프리미엄 신뢰 경험”이라는 판단이 가능해집니다. 이런 판단이 누적돼야 비로소 브랜드가 원하던 인식이 생깁니다.

온톨로지는 이 사슬을 어떤 근거와 정보로 이을지 미리 정해 두는 설계도입니다. ‘합리적인 하이엔드’를 원한다면 ‘하이엔드’, ‘합리적’, ‘직접 운전할 때 좋다’는 조건이 각각 무엇으로 성립하는지 정해야 합니다. 예를 들어 하이엔드를 ‘프리미엄 신뢰 경험’과 ‘비용 대비 높은 가치’로 정의하고, 조건을 하나씩 연결해 판단의 축을 세우는 식입니다.

AI는 질의를 해석해 검색하고, 찾은 근거를 고르고 비교한 뒤 충분하면 답변을 만들고 부족하면 다시 검색합니다. 이때 AI가 뒤지는 데이터 풀, 즉 인덱스에 브랜드 정보가 있어야 하고, 인덱스는 브랜드 안팎에서 발행되는 에셋으로 쌓입니다. 설계도는 이 과정의 첫 단에 놓여야 합니다. “경영진이 세단에 관심이 많으니 세단 콘텐츠부터 만들자”가 아니라, 어떤 인식을 만들지, 그러려면 무엇이 사실이어야 하는지, 그 관계와 증거 데이터는 무엇인지를 먼저 정하고 그 위에서 웹 프레젠스를 쌓아야 합니다. 목표 인식이 답변에 꾸준히 담겨 노출되면, 시장에도 “하이엔드인데 가격이 합리적”이라는 인식이 누적됩니다.

브랜드 설계도가 없을 때 AI가 브랜드를 걸러내는 방식

설계도가 없으면 어떤 일이 생길까요? 강연에서는 AI의 판단 과정을 처음부터 끝까지 추적한 결과를 공개했는데요. 미국 시장의 미드사이즈 럭셔리 세단을 베스트 밸류, 주행 경험, 마감 수준, 가성비 기준으로 브랜드별로 추천해 달라고 요청하자, GPT는 서브 쿼리 10개 이상을 만들어 문서 267개를 살폈고, 브랜드 16개를 검토하며 48회 이상 판단한 끝에 브랜드 L, B, P 세 곳만 추천했습니다. 나머지는 사실 확인 단계에서, 차종 조건에서, 마지막 평가 단계에서 차례로 빠졌습니다.

탈락한 세 가지 이유

첫째, 검색되지 않아 검토조차 못 한 경우입니다. AI는 브랜드 사이트에서 2026년형 세단의 가격과 상위 트림 정보를 찾았지만, 손에 들어온 것은 1~2년 전에 크롤링된 페이지와 권장 소비자가격(MSRP) 6만 달러 정도의 정보뿐이었습니다. 세 번 넘게 다시 찾아도 확정 가격을 얻지 못하자, AI는 다른 브랜드와 비교할 정보가 없다고 보고 해당 브랜드를 제외했습니다.

둘째, 후보 자격에서 걸린 경우입니다. 브랜드는 세단이라고 소개했지만 시장에서는 ‘리프트백’으로 분류된다는 자료를 AI가 찾아냈고, 요청 조건인 세단에 맞지 않는다고 판단했습니다. 단종 정보 역시 별다른 평가 없이 바로 후보에서 빠지는 이유가 됐습니다.

셋째, AI가 세운 평가 기준과 어긋난 경우입니다. AI는 ‘가성비’를 기본 트림에 어떤 기능이 들어 있는지로 판단했습니다. 브랜드 G는 차 자체의 평가는 좋았지만 더 높은 출력을 원하면 가격이 올라가는 구조여서 ‘돈을 더 내야 좋아지는 차’로 읽혔고, 마지막 단계에서 탈락했습니다.

브랜드가 가진 정보가 어떤 판단으로 연결되는지를 브랜드가 가장 먼저 정의해야 합니다. 브랜드가 정의하지 않으면, AI는 브랜드가 원하는 인식이 아니라 AI가 찾은 정보로 브랜드를 해석하고 결정해버리게 됩니다.

온톨로지 기반 GEO 최적화 실행 3단계

강의에서 온톨로지 관점에서 브랜드가 가장 먼저 해야할 일은 브랜드 지식 설계도를 그리는 것이라고 소개합니다.

1단계: 우리는 무엇으로 인식되고 싶은가

어떤 사용자가 어떤 문제를 안고 어떤 상황에서 제품을 찾는지 먼저 그립니다. 그다음 AI가 원하는 결론을 내리려면 어떤 기준이 필요한지, 그 기준을 받쳐 줄 사실은 무엇인지 정의합니다. 자동차라면 타깃은 프리미엄 세단 구매자, 니즈는 장거리 출퇴근에서의 정숙하고 편안한 주행, 목표 인식은 ‘합리적 하이엔드 오너 드리븐 세단’, 판단 기준은 정숙성·승차감·소재·가격 대비 가치입니다. 콘솔 게임용 TV를 찾는 사용자라면 목표 인식은 ‘콘솔 플레이에 최적화된 게이밍 TV’, 기준은 화질·반응 속도·콘솔 호환성, 이를 채우는 조건은 4K와 높은 주사율이 됩니다.

2단계: 우리는 실제로 무엇으로 인식되고 있는가

목표를 정했다면 AI가 실제로 우리를 어떻게 이해하는지 확인해 퍼셉션 갭, 즉 원하는 인식(desired perception)과 AI의 인식(AI perception) 사이의 차이를 찾습니다. 이를 위해서는 “가장 좋은 세단은?” 같은 막연한 질문이 아니라, 목표 인식의 요소를 검증할 수 있는 프롬프트가 필요합니다. 강연의 예는 출퇴근이 길어 주행 중 차가 출렁이지 않는 국내 프리미엄 세단을 추천해 달라는 질문이었습니다.

답변에서 볼 것은 점수가 아니라 이유입니다. 어떤 상황에서 추천되거나 빠지는지, 어떤 속성과 연결되는지, 누구와 어떤 기준으로 비교되는지를 살펴야 합니다. 예를 들어 AI가 우리 브랜드를 ‘차체 움직임 억제’에서 약하다고 봤다면, 노면이 불안정할 때 차체가 기운다는 정보 때문인지, 경쟁 브랜드는 자체 기술로 출렁임을 바로 잡는다는 정보와 비교됐기 때문인지를 찾아야 어디가 부족한지 알 수 있습니다.

3단계: 전략적 우선순위 정하기

모든 갭을 한 번에 메울 수는 없습니다. 강연은 찾아낸 갭을 세 가지 필터로 거르라고 제안합니다.

1. 사용자 선택에 실질적으로 중요한 영향을 주는가
2. 우리가 정말 잘할 수 있는 영역인가
3. AI가 우리를 아직 충분히 인식하지 못하는 부분인가

세 필터를 거쳐 선택에 중요하고, 잘 증명할 수 있고, 아직 AI가 충분히 알지 못하는 관계부터 AI가 이해하고 판단할 근거를 쌓습니다. 전략은 관계를 무작정 늘리는 것이 아니라, AI가 발견하고 판단할 관계를 고르는 일입니다.

5Q 프레임워크로 정리하는 실행 순서

강연은 이 과정을 다섯 가지 질문, 5Q 프레임워크로 정리했습니다.

1. 타깃(Target): AI에게 어떤 인식, 어떤 이미지로 각인되고 싶은가. 사용자 니즈와 목표를 함께 고려합니다.
2. 기준(Criteria): AI가 그렇게 판단하려면 어떤 기준이 필요한지 정의합니다.
3. 근거(Evidence): 그 기준을 뒷받침할 근거를 찾습니다.
4. 발견 가능성(Discoverability): 그 관계와 근거를 AI가 실제로 찾을 수 있는지 봅니다.
5. 검증(Validation): 실제로 작동하는지 검증합니다.

원하는 인식을 정하고, 판단 기준을 세우고, 근거를 채워 웹에 펼친 뒤, 실제 AI의 인식이 바뀌었는지 확인하는 순서입니다. 지금까지 GEO가 “AI에게 무엇을 이야기할까”를 고민했다면, 앞으로는 AI가 우리 브랜드를 고를 수밖에 없는 결론에서 거꾸로 설계해야 합니다.

편집자 노트: 소비자의 검색어로 설계도의 기준을 세우려면

5Q 프레임워크 가운데 외부 데이터가 특히 필요한 질문은 두 번째, 기준(Criteria)입니다. 원하는 인식은 브랜드가 정할 수 있지만, AI가 그 인식을 판단하는 기준은 결국 사용자의 질문에서 나오기 때문이죠. 세단 카테고리를 리스닝마인드로 조회해 보면 차이가 분명합니다. 최근 3개월 월평균(2026년 10월 19일 조회)으로 ‘승차감 좋은 세단’은 239회, ‘가성비 세단’은 163회 검색된 반면, ‘하이엔드 세단’이나 ‘조용한 세단’은 거의 검색되지 않습니다. 목표 인식은 ‘하이엔드’로 잡더라도, 그 인식을 증명할 기준과 검증 프롬프트는 ‘승차감’, ‘가성비’처럼 소비자가 실제로 쓰는 말로 세워야 AI가 실제 질문 안에서 브랜드를 찾을 가능성이 커집니다. 실제로 퍼블리시스 그룹 데이터 인텔리전스 팀은 리스닝마인드 데이터를 근거로 GEO 프롬프트를 설계하고 있습니다.

리스닝마인드는 구글·네이버 실제 검색 데이터를 바탕으로 한 키워드 검색량 조회는 물론, 검색 전후 경로와 검색 의도까지 분석하는 인텐트 데이터 플랫폼입니다. 카테고리 키워드를 넣으면 소비자가 어떤 조건을 덧붙이며 검색을 좁혀 가는지 볼 수 있고, 시점별 경로를 비교하면 그 기준이 어떻게 달라졌는지도 확인할 수 있습니다. 우리 브랜드가 인식되고 싶은 카테고리 키워드 하나를 골라, 리스닝마인드에서 소비자가 어떤 조건으로 검색을 좁혀 가는지 확인해 보세요.

※ 해당 글은 서치서울 2026의 「다음 GEO 시대를 위한 지식 구조화와 온톨로지(Stop Writing for AI. Start Structuring Knowledge: Ontology for the Next Era of GEO)」강연을 요약 및 재편집한 글입니다.

GEO 마케팅 자주 묻는 질문

참고 자료
· 최윤희(아티언스), 서치서울 강연 「다음 GEO 시대를 위한 지식 구조화와 온톨로지(Stop Writing for AI. Start Structuring Knowledge: Ontology for the Next Era of GEO)」