2023~2026 GEO 연구 45편 분석: AI 검색 노출에 실제로 중요한 것은 무엇인가?

연구 정보
논문	Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026)
저자	Olivier Martinez
공개	2026년 7월 15일, arXiv:2607.14035 (Information Retrieval)
검토 범위	2023년 11월 ~ 2026년 7월 발표 연구 45편 + 관련 RAG·평가 연구
분석	나비랑 AEO Research

이 글은 2026년 arXiv에 공개된 preprint(동료 심사 전 원고)를 나비랑이 해석한 것입니다. 논문의 주장과 저희의 실무 해석을 구분해 표기하며, 원문 확인을 권합니다.

이 연구는 무엇을 조사했나요

이 서베이는 2023년 최초의 GEO 논문 이후 빠르게 늘어난 GEO 연구 45편을 한자리에 놓고 비판적으로 검토한 논문입니다. 저자가 출발점으로 삼는 문제의식은 이 분야의 용어·지표·증거 수준이 연구마다 제각각이라는 것입니다 — 같은 “가시성”이라는 말이 어떤 연구에서는 인용 빈도를, 어떤 연구에서는 답변 내 분량을 뜻합니다.

핵심 결론을 일곱 줄로 요약하면 이렇습니다.

• GEO는 단일한 “순위 올리기” 문제가 아니다
• AI 검색 노출은 여러 단계의 파이프라인으로 봐야 한다
• 가장 재현성 있게 확인된 요소는 질문과 문서의 주제 관련성(topical relevance) 과 문맥 내 위치(context position) 다
• 이미 검색된 문서의 인용을 늘리는 것과 처음 발견되게 만드는 것은 다른 문제다
• 한 번의 ChatGPT 테스트로 성과를 판단하면 안 된다 — 실행마다 결과가 달라진다
• 반복 실행·질문 변형·여러 엔진·여러 날짜로 측정해야 한다
• 장기간·복수 플랫폼에서 항상 자연 발견성을 올리는 단일 기법은 아직 입증되지 않았다

GEO는 하나의 순위 문제가 아닙니다

논문이 제시하는 핵심 모델은, 브랜드가 AI 답변에 등장하기까지 거치는 단계를 확률적이고 부분적으로만 관찰 가능한 파이프라인으로 보는 것입니다. 원문의 단계 구분을 옮기면 다음과 같습니다.

단계	질문
① 검색 활성화 (Search Activation)	엔진이 이 질문에서 웹 검색을 수행하는가
② 크롤링 · 색인 (Crawling / Indexing)	우리 문서가 수집·색인돼 있는가
③ 검색 (Retrieval)	질문에 대해 우리 문서가 후보로 검색되는가
④ 재순위화 · 문맥 배치 (Reranking / Context Allocation)	검색된 후보 중 모델에 실제로 제공되는가, 어느 위치에 제공되는가
⑤ 인용 (Citation)	제공된 문서 중 답변의 출처로 선택되는가
⑥ 두드러짐 (Prominence)	답변에서 얼마나 눈에 띄는 위치·비중으로 등장하는가
⑦ 사실 반영 (Absorption)	문서의 정보가 답변 내용 자체에 흡수되는가
⑧ 정확성 (Fidelity)	브랜드·서비스 정보가 정확하게 표현되는가
⑨ 사용자 행동 (User Action)	답변이 방문·문의 같은 행동으로 이어지는가

이 구분이 실무에서 중요한 이유는 단순합니다. 어느 단계에서 막혔는지에 따라 처방이 완전히 다르기 때문입니다. ②에서 막힌 사이트에 인용 문구를 다듬어 주는 것은 순서가 틀린 처방입니다.

Discoverability와 Citation은 다릅니다

이 논문에서 실무자가 가져가야 할 가장 중요한 구분입니다.

• Discoverability(발견 가능성) — AI가 답을 생성하기 전에, 우리 페이지가 검색·수집 후보에 들어오는가 (파이프라인 ①~③)
• Citation(인용) — 검색된 자료 중에서, 실제 생성된 답변이 우리 페이지를 출처로 선택하는가 (파이프라인 ④~⑤)

이미 검색된 문서를 AI가 더 자주 인용하게 만드는 것과, 처음부터 그 문서가 검색되도록 만드는 것은 서로 다른 최적화 문제입니다. 시중의 GEO 조언 상당수는 이 둘을 구분하지 않고 “AI 노출”이라는 한 단어로 뭉뚱그립니다. 그러면 다음 절의 오해가 생깁니다.

“GEO로 AI 노출 40% 증가”라는 말은 절반만 맞을 수 있습니다

2023년 최초의 GEO 논문(Aggarwal et al.)이 보고한 약 40%의 가시성 개선은 이 분야에서 가장 널리 인용되는 수치입니다. 이번 서베이는 그 수치를 부정하지 않습니다 — 대신 정확한 조건을 붙입니다.

논문의 표현을 따르면, 그 개선 효과는 해당 실험 환경 안에서는 유효하지만 문서가 이미 검색되어 고정된 문맥으로 모델에 제공된 조건에 의존합니다. 그리고 그 결과는 자연 발견성(organic discoverability)이나 지속적인 트래픽 효과를 입증하지 않습니다.

실무 언어로 옮기면 이렇습니다. “이미 후보에 든 문서라면, 문서를 다듬어 인용 확률을 높일 수 있다”는 근거는 있습니다. “웹 전체에서 발견될 확률이 40% 오른다”는 근거는 아닙니다. Citation 최적화와 Discoverability 최적화를 같은 것으로 취급해서는 안 됩니다.

연구에서 반복적으로 확인된 요소

서베이가 45편에 걸쳐 재현성을 확인한 요소들입니다. 왼쪽 두 열은 논문의 표현을, 오른쪽 열은 나비랑의 실무 해석을 담았습니다.

요소	연구에서의 의미	AEO 실무 해석
주제 관련성 (Topical relevance)	가장 재현성 높은 레버	한 페이지가 하나의 질문에 명확히 답해야 합니다
문맥 내 위치 (Context position)	모델에 제공된 문맥에서의 위치가 인용에 영향	검색된 뒤에도 경쟁이 있습니다 — 직답이 앞에 있어야 합니다
일반 요령의 한계	generic heuristics는 환경이 바뀌면 잘 통하지 않음	“만능 GEO 체크리스트”는 없습니다
출처 경쟁 (Source competition)	경쟁이 개별 문서의 이득을 잠식	좋은 글 하나로 인용이 계속 보장되지 않습니다
실행 간 변동성 (Run-to-run variability)	상업 도구 감사에서 상당한 변동 확인	한 번의 검색 화면으로 판단하면 안 됩니다
엔진 간 낮은 출처 겹침	같은 질문에도 엔진별 참조 문서가 다름	ChatGPT·Gemini·Perplexity를 따로 측정해야 합니다
정확성 격차 (Fidelity gaps)	언급돼도 정보가 부정확한 경우가 지속 관찰됨	언급 여부만이 아니라 내용의 정확성도 추적해야 합니다

논문의 개념을 나비랑 측정으로 옮기면

논문은 가시성을 하나의 점수가 아니라 발견(discoverability)·인용(citation)·반영(absorption)·경제적 성과를 분리한 벡터로 다루자고 제안합니다. 아래는 그 벡터에 파이프라인의 두드러짐·정확성 단계를 더해 나비랑이 실무 측정용으로 재구성한 여섯 관점입니다 — 논문이 이 형태를 제시한 것은 아닙니다.

1. Discoverability — 질문에 대해 우리 문서가 검색 후보에 드는가
2. Citation — 답변의 출처로 실제 선택되는가
3. Prominence — 답변에서 어느 위치·비중으로 등장하는가 (첫 등장 위치, 추천 후보 포함 여부)
4. Absorption — 우리 문서의 사실이 답변 내용에 반영되는가
5. Fidelity — 회사·서비스 정보가 정확하게 표현되는가
6. Business Outcome — 방문·문의 같은 실제 성과로 이어지는가

이 여섯 관점을 실제 지표(언급률·인용률·추천 등장률·점유율)로 재고 계산하는 방법은 AI Visibility 측정 방법에 정리돼 있고, 저희 자신에게 적용한 측정 단위가 8주 개선 기록 연재의 질문 40개 × 답변엔진 7개 = 280셀 기준선입니다.

한 번의 테스트로 판단하면 안 되는 이유

같은 정보를 찾는 사용자도 질문을 다르게 씁니다. “AEO 전문기업 알려줘”, “국내 AEO 업체 추천해줘”, “ChatGPT 노출 대행사 어디가 좋아?”, “GEO 전문기업 알려줘”, “답변엔진 최적화 잘하는 회사” — 전부 같은 의도의 다른 표현(paraphrase)이고, 표현이 바뀌면 답변과 등장 브랜드도 달라질 수 있습니다.

그래서 이 서베이가 제안하는 측정 프로토콜은 반복 실행, 질문 변형, 대조군, 사람 검증을 갖춘 형태입니다. 측정 단위로 표현하면 다음과 같습니다.

Engine × Query × Paraphrase × Run × Date

예컨대 핵심 질문 20개를 질문당 몇 가지 표현으로, 여러 엔진에서, 여러 날짜에 반복 실행하는 식입니다(구체적인 횟수는 각자의 리소스에 맞출 문제이며, 논문이 특정 숫자를 권고한 것은 아닙니다). “항상 1위”는 확률적 시스템에서 성립하지 않는 목표라, KPI도 반복 측정에서 브랜드가 후보에 포함된 비율 같은 빈도형 지표가 맞습니다 — 예를 들어 “비브랜드 AEO 질의 100회 반복 측정에서 후보 포함 비율” 같은 형태입니다(업계 표준 공식 지표가 아니라 측정 설계의 예시입니다).

인용 친화적 문체를 맹신하면 안 되는 이유

이 서베이의 결론 중 실무자에게 가장 불편할 수 있는 대목입니다. 인용 지향적으로 다시 쓴 콘텐츠가 오히려 검색(retrieval) 단계를 해칠 수 있다는 관찰이 보고됐습니다.

즉, AI가 인용하기 좋은 글과 검색 시스템이 먼저 찾아내기 좋은 글이 항상 같지는 않습니다. 인용 문구만 다듬는 접근은 파이프라인의 한 단계만 보는 것입니다. 그래서 AEO는 콘텐츠 재작성 하나가 아니라 — 크롤링 가능성, 주제 관련성, 검색(retrieval), 인용, 외부 신뢰 신호를 함께 보는 복합 문제로 접근해야 합니다. 이것이 저희가 진단에서 콘텐츠보다 색인·접근성을 먼저 확인하는 이유이기도 합니다.

나비랑의 결론

나비랑은 AEO를 “AI가 좋아하는 문장 작성법”으로 보지 않습니다. 검색 활성화부터 인용·정확성까지 단계별로 관찰하고, 같은 질문 세트를 반복 측정해야 하는 검색 최적화 문제로 접근합니다. 이 논문은 그 접근이 학술 검토에서도 타당하다는 근거를 더해 주지만, 동시에 저희 같은 업체가 하는 모든 주장에 측정 조건을 요구할 근거이기도 합니다 — 저희 수치를 보실 때도 같은 기준을 적용하시기 바랍니다.

우리 브랜드가 지금 파이프라인의 어느 단계에서 막혀 있는지 궁금하시다면 무료 AEO 진단에서 확인해 드립니다.

References

• Martinez, Olivier. “Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026).” arXiv:2607.14035 (2026). DOI: 10.48550/arXiv.2607.14035
• Aggarwal, Pranjal, et al. “GEO: Generative Engine Optimization.” arXiv:2311.09735 (2023) — 서베이가 검토 출발점으로 삼는 최초의 GEO 논문