구조화 데이터는 페이지의 사실 정보를 기계가 읽기 쉽게 표시하는 장치입니다. 생성형 AI가 그 페이지의 문장을 답변 근거로 가져갈지는 본문 문장이 얼마나 명확한지, 근거가 있는지, 마크업과 본문이 일치하는지에 따라 달라집니다. 따라서 이미 마크업을 갖춘 제품 페이지라면 추가 작업의 중심은 마크업을 늘리는 일이 아닙니다. 마크업과 본문의 불일치 제거, 질문에 바로 답하는 문장, 근거와 갱신 기록의 순서로 점검하는 것이 효율적입니다.
GEO란 무엇이고, 구조화 데이터와는 어떤 관계인가요?
GEO는 Generative Engine Optimization의 약자입니다. 생성형 AI 검색이 답변을 만들 때 특정 콘텐츠를 정확하게 이해하고 출처로 인용하도록 콘텐츠의 구조와 문장을 다듬는 작업을 말합니다. 기존 검색엔진 최적화가 검색 결과 목록에서 순위를 얻는 데 초점을 둔다면, GEO 최적화는 AI가 요약한 답변 안에 브랜드의 정보가 정확하게 들어가는지를 주요 관심사로 둡니다.
생성형 엔진 최적화라는 용어는 프린스턴대학교 등의 연구진이 2023년에 공개한 논문 「GEO: Generative Engine Optimization」에서 체계적으로 제시되었습니다. 이 연구는 출처 인용, 인용문, 통계 추가 같은 본문 수정 방식이 생성형 엔진 응답에서의 가시성에 어떤 영향을 주는지 실험했습니다. 연구 대상이 마크업이 아니라 본문 문장의 수정 방식이었다는 점은 실무에서도 참고할 만합니다.
Google 검색 센터 정책은 구조화 데이터가 페이지 콘텐츠를 사실대로 반영해야 하고, 독자에게 보이지 않는 내용은 마크업하지 않도록 정하고 있습니다. 구조화 데이터는 제품명, 가격, 규격, 재고 같은 값을 정해진 형식으로 표시해 기계가 오해 없이 읽도록 돕습니다. 이는 GEO 최적화의 기반 작업에 해당합니다. 그러나 AI 답변은 대체로 자연어 문장을 바탕으로 만들어지므로, 마크업이 잘 갖춰져 있어도 본문이 모호하면 인용 가능성은 낮아질 수 있습니다.
구조화 데이터를 넣었는데도 AI 답변에 인용되지 않는 이유는 무엇인가요?
실무에서 자주 확인되는 원인은 세 가지입니다. 원인을 구분해 두면 작업 범위를 정하기가 쉬워집니다.
- 마크업과 본문의 값이 다른 경우: 가격이나 규격을 변경할 때 본문만 고치고 마크업은 그대로 두면 한 페이지 안에 서로 다른 정보가 남습니다. AI는 상충하는 정보가 있는 페이지를 근거로 삼기 어렵습니다.
- 질문에 대한 답이 본문에 문장으로 없는 경우: 사양표에는 수치가 있지만 "이 제품은 어떤 환경에 적합한가"처럼 고객이 실제로 묻는 질문에 답하는 문장이 없으면, AI는 다른 출처의 설명을 가져다 씁니다.
- 핵심 정보가 이미지 안에만 있는 경우: 상세페이지 이미지에 사양과 인증 내용을 넣고 텍스트로는 제공하지 않으면 기계가 그 정보를 안정적으로 읽기 어렵습니다.
세 번째 원인은 웹 접근성 기준과도 겹칩니다. W3C 웹 접근성 이니셔티브(WAI)의 웹 접근성 원칙 페이지(한국형 웹 콘텐츠 접근성 지침이 아닌 W3C WAI 자료)는 텍스트가 아닌 콘텐츠에 대체 텍스트를 제공해 이미지나 기능의 목적을 전달하도록 안내합니다. 접근성 점검을 거치면서 이미지 속 정보를 텍스트로 옮겨 두면, 화면 낭독 프로그램 사용자뿐 아니라 AI 검색에도 같은 정보가 전달됩니다.
이미 구조화 데이터를 갖춘 페이지는 어떤 순서로 점검해야 하나요?
아래 표는 제품 페이지를 기준으로 정리한 점검 순서입니다. 앞 단계의 문제가 해결되지 않으면 뒤 단계의 효과를 판단하기 어려우므로 위에서 아래로 진행하는 것을 권합니다.
| 단계 | 확인할 내용 | 판단 기준 | 주 담당 |
|---|---|---|---|
| 1. 마크업·본문 일치 | 가격, 규격, 재고, 모델명이 마크업과 본문에서 같은지 | 하나라도 다르면 공식 사양 문서를 기준으로 양쪽을 함께 수정 | 개발, 상품 담당 |
| 2. 질문·답 문장 | 고객 문의에서 반복되는 질문에 본문이 첫 문장에서 답하는지 | 답이 셋째 문장 이후에 나오면 문단 맨 앞으로 이동 | 콘텐츠 담당 |
| 3. 근거 표시 | 성능 수치에 측정 조건과 근거 문서가 함께 적혀 있는지 | 조건 없는 수치는 조건을 보완하거나 삭제 | 상품, 품질 담당 |
| 4. 텍스트 대체 | 이미지에만 있는 사양, 인증, 주의사항이 있는지 | 이미지 전용 정보는 본문 텍스트로 옮김 | 디자인, 콘텐츠 담당 |
| 5. 갱신 기록 | 수정일과 변경 내용이 페이지와 내부 문서에 남는지 | 사양이 바뀌면 같은 날 마크업과 본문을 함께 수정하고 기록 | 운영 담당 |
2단계에서 질문 목록은 추측하지 않고 고객센터 문의 기록, 사이트 내부 검색어, 영업 담당자가 자주 받는 질문에서 뽑습니다. 질문 하나에 답 문장 하나를 대응시키고, 답 문장은 주어와 수치를 생략하지 않은 완결된 문장으로 씁니다. "최대 하중은 50kg입니다"처럼 쓰기보다 "이 선반 모델의 단당 최대 하중은 제조사 시험 조건에서 50kg입니다"처럼 쓰면 문장만 따로 인용되어도 뜻이 유지됩니다. 여기서 수치는 형식을 보여 주기 위한 예시입니다.
후기와 사례를 마크업할 때 주의할 점은 무엇인가요?
제품 페이지에는 사용 후기나 도입 사례를 함께 싣는 경우가 많고, 이를 평점·후기 형식으로 마크업하기도 합니다. 후기 문장은 AI 답변에 인용되기 쉬운 편이므로, 내용의 정확성과 표시 방식을 함께 점검해야 합니다.
공정거래위원회의 「추천·보증 등에 관한 표시·광고 심사지침」은 추천·보증을 한 사람과 사업자 사이에 경제적 이해관계가 있으면 소비자가 알 수 있도록 표시하도록 정하고 있습니다. 대가를 받고 작성된 후기가 그 사실을 밝히지 않은 채 마크업되어 AI 답변에 인용되면, 브랜드 신뢰와 법적 측면 모두에서 문제가 생길 수 있습니다.
도입 사례에 고객사 담당자의 이름이나 연락처 같은 정보가 들어가는 경우도 점검 대상입니다. 개인정보 보호법은 개인정보처리자가 개인정보 처리방침 등 처리에 관한 사항을 공개하도록 규정하고 있습니다. 이와 별개로, 실무에서는 사례 콘텐츠에 개인정보를 싣기 전에 당사자에게 게재 범위를 확인하고 동의를 받아 두기를 권합니다. 구체적인 적용 여부는 사안에 따라 다르므로 법률 전문가의 검토를 받는 것이 안전합니다.
GEO 서비스를 맡길 때 구조화 데이터 작업과 무엇을 구분해야 하나요?
외부 GEO 서비스를 검토할 때는 제안 범위가 마크업 구현인지, 본문 문장 개선인지, 측정과 보고까지 포함하는지를 나누어 확인해야 합니다. 구조화 데이터를 이미 갖춘 조직이라면 마크업 구현 비용을 중복으로 지불할 필요가 없습니다. 이 경우 본문 개선과 측정 범위를 중심으로 비교하는 것이 합리적입니다.
- 마크업 영역: 기존 마크업의 오류 검사, 본문과의 불일치 목록 작성. 신규 구현이 아니라 정합성 점검인지 확인합니다.
- 문장 영역: 질문 목록 작성, 답 문장 재작성, 근거 보완. 수정 대상 페이지 수와 수정 전후 원고 제공 여부를 확인합니다.
- 측정 영역: 고정된 질문 목록으로 AI 답변을 반복 관측하는지, 관측 날짜와 답변 원문을 기록해 넘겨주는지 확인합니다.
외부 서비스 제안서의 구성 항목을 위 세 영역으로 나누어 대조해 보면 도움이 됩니다. 참고로 특정 업체(OptiGEO)의 geo최적화 서비스 소개 페이지는 한 업체가 공개한 자료일 뿐이며, 업체 비교의 기준 자료가 아닙니다. 어느 영역이 이미 내부에서 처리되고 있는지 먼저 표시해 두면, 외부에 맡길 범위와 예산을 명확하게 정할 수 있습니다.
자주 묻는 질문
구조화 데이터를 더 많은 항목으로 확장하면 AI 답변 인용이 늘어납니까?
마크업 항목을 늘리는 것만으로 인용이 늘어난다고 단정하기는 어렵습니다. 본문에 없는 정보를 마크업에만 넣으면 오히려 불일치가 생길 수 있습니다. 먼저 기존 항목이 본문과 일치하는지 확인하는 것이 우선입니다.
GEO는 결국 검색엔진 최적화와 같은 작업이 아닌가요?
기술적 기반은 상당 부분 겹치지만 목표 지점이 다릅니다. 검색엔진 최적화는 결과 목록에서의 노출을, GEO는 AI가 생성한 답변 안에서 정보가 정확하게 인용되는지를 주로 봅니다. 그래서 GEO에서는 문장 단위의 명확성과 근거 표시가 더 중요하게 다뤄집니다.
점검 결과는 얼마나 지나서 확인해야 하나요?
AI 검색이 수정된 페이지를 다시 반영하는 시점은 플랫폼마다 다르며 공개된 일정이 없습니다. 수정 전에 고정 질문 목록과 답변 원문을 기록해 두고, 같은 질문으로 일정한 간격을 두고 반복 관측하는 방식이 현실적입니다. 한 번의 관측 결과만으로 효과를 판단하지 않는 것이 좋습니다.