통계·인용 추가 같은 GEO 기법은 정말 효과가 있나요?

같은 질문에 세 논문이 다른 답을 냈습니다

“콘텐츠 문구를 AI 친화적으로 고치면 인용이 올라가는가”는 GEO 업계의 기본 전제입니다. 이 질문에 대한 연구 결과는 한 방향이 아닙니다.

논문	결론	잰 환경	빠진 단계
GEO 원 논문 (KDD 2024)	오른다 — 가시성 최대 40%	저자들이 만든 벤치마크 GEO-bench	실제 검색·재순위
SAGEO Arena (KDD 2026)	현실 파이프라인에서는 떨어졌다	검색(BM25) → 재순위 → 생성, 질의 2,700개 · 문서 171,003건	없음
AgenticGEO (프리프린트)	고정 규칙이라 그렇고, 문서마다 바꾸면 오른다	오픈 모델(Qwen·Llama) 생성 단계	실제 검색·재순위

왜 갈리나 — 검색 단계가 있느냐 없느냐

효과를 보고한 두 논문은 모두 검색·재순위 단계가 빠진 환경에서 쟀습니다. 문서가 이미 후보로 주어진 상태에서 생성 모델이 무엇을 인용하는지를 본 것입니다.

SAGEO Arena는 그 단계를 넣고 같은 계열 방법을 재현했습니다. 본문만 고친 문서는 이렇게 됐습니다.

단계	고치기 전 → 후	변화
검색 (Hit@20)	0.58 → 0.53	-9%
재순위 (Hit@10)	1.00 → 0.84	-16%
생성 (인용률)	0.50 → 0.47	-6%

생성 단계에 맞춰 고친 문구가 앞 단계인 검색·재순위에서 오히려 불리하게 작용한 셈입니다. 반대로 본문 대신 구조 정보를 손본 조건에서는 검색 적중이 22% 올랐고, 단계별로 나눠 최적화한 제안 방법은 검색 Hit@20 0.75, 생성 인용률 0.58을 냈습니다. 다만 이것도 재순위·생성 모델을 특정 모델로 고정한 한 가지 구성의 결과이고, 저자들은 질문 표현이 바뀌면 대응력이 떨어진다는 한계를 밝혔습니다.

체크리스트를 모든 문서에 똑같이 적용하면

AgenticGEO는 다른 각도에서 같은 경고를 합니다. 키워드 추가 · 권위성 강조 · 인용 추가 · 통계 추가 같은 고정 규칙이 샘플의 절반가량에서 최적화에 실패한다는 것입니다. 저자들이 제안한 방법은 문서마다 전략을 바꿔 기존 최고 방법보다 나은 점수를 냈지만, 평가 대상이 상용 답변엔진이 아닌 오픈 모델이라 그 개선폭을 실제 서비스의 인용률로 옮길 수는 없습니다.

그래서 이 논문에서 가져올 것은 수치가 아니라 방향입니다. 문서마다 처방이 달라야 한다는 것입니다. 정의를 묻는 질문에 답하는 페이지에 통계를 억지로 끼워 넣는 것은 도움이 되지 않을 수 있습니다.

실무에서의 순서

1. 검색을 통과하는지부터 — 색인되지 않은 문서는 후보에도 오르지 못합니다. 서치콘솔 제외 사유와 AI 크롤러 허용이 먼저입니다
2. 문서 구조 — 질문형 제목, 바로 아래의 직답, 표와 목록처럼 기계가 경계를 알 수 있는 구조
3. 문단의 내용 — 그 질문에 필요한 것이 수치인지 절차인지 비교인지 보고 그에 맞게 씁니다. 방법은 AI가 인용하는 글에 있습니다

제안서에서 “논문에 따르면 40% 오른다”는 문장을 보시면 어느 환경에서 잰 값인지 물어보시면 됩니다. 수치를 검증하는 질문은 대행사가 말하는 성과 수치, 어디까지 믿을 수 있나에, 45편을 검토한 서베이 해석은 GEO 연구 45편 분석에, 세 논문을 나란히 놓은 나비랑의 판단은 주장 대조표에 있습니다.

우리 사이트에서 어느 단계가 막혀 있는지부터 보고 싶으시면 무료 AEO 진단에서 확인해 드립니다.