PAPERS

AEO · GEO 논문 13편 —
무엇이 밝혀졌고
어디서 갈리나

원문을 읽지 않아도 되도록 정리했습니다. 수치는 반드시 조건과 함께 적었고, 논문이 스스로 밝힌 한계와 이해상충도 그대로 실었습니다.

이 페이지가 무엇인가

AEO·GEO·AI 검색 인용을 다룬 논문을 한국어로 정리한 자료입니다. 논문마다 무엇을 어떤 표본으로 쟀는지 · 어떤 수치가 나왔는지 · 논문이 스스로 밝힌 한계가 무엇인지를 같은 틀로 적었습니다.

가장 아래의 주장 대조표가 이 페이지의 핵심입니다. 요약만 나열하면 어느 것을 믿어야 할지 알 수 없습니다. 같은 질문에 논문들이 서로 다른 답을 내는 지점을 모아 두었습니다.

논문 13편수치는 조건과 함께한계·이해상충 병기우리 해석은 따로 표시

LIBRARY

논문 13편

SEO·AEO·GEO 로 묶었습니다. 다만 문헌이 셋으로 깔끔하게 나뉘지 않아, 논문이 스스로 붙인 이름이 아니라 그 논문이 답하는 질문으로 배정했습니다. 각 카드의 날짜는 우리가 원문을 확인한 날입니다 — arXiv 논문은 개정되므로 제출일이 아니라 확인일을 적습니다. 논문은 계속 추가됩니다.

SEO — 검색 결과와 유입

AI가 검색에 들어온 뒤 클릭과 트래픽이 어떻게 됐는가

2편

arXiv:2608.18352 arXiv 프리프린트 (사전등록 현장실험)

AI가 검색에 들어오면 유입이 준다 — 사용자 만족도도 함께

AI in Search Reduces Publisher Referrals Without Improving User Experience: Experimental Evidence

Stephanie T. Wang(교신) · Jeffrey Gleason · Yakov Bart · Christo Wilson · Danaé Metaxa · 펜실베이니아대학교 · 노스이스턴대학교 (미국 국립과학재단 NSF IIS-2442711 지원)

줄어들었고, 사용자 만족도도 함께 떨어졌습니다. 사전등록된 현장실험(N=1,100)에서 AI Mode 에 배정된 이용자의 퍼블리셔 클릭률은 18.8%p 낮았고, 반대로 AI 개요를 화면에서 제거하자 클릭률이 8.8%p 올랐습니다. 같은 조건에서 신뢰·유용성·만족도·통제감이 모두 통계적으로 유의하게 낮아졌습니다 — '클릭은 줄지만 사용자 경험은 좋아진다'는 통념이 이 실험에서는 성립하지 않았습니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-24

arXiv:2605.14021 arXiv 프리프린트

구글 AI 개요 대규모 측정 — 언제 뜨고, 무엇을 인용하고, 그 인용이 맞는가

Measuring Google AI Overviews: Activation, Source Quality, Claim Fidelity, and Publisher Impact

Haofei Xu · Umar Iqbal · Jacob M. Montgomery · 워싱턴대학교 세인트루이스(Washington University in St. Louis)

질문형 질의에서 특히 자주 떴고, 인용 출처는 일반 검색 결과보다 신뢰도가 높았지만, 생성된 주장의 상당 부분이 인용된 페이지로 뒷받침되지 않았습니다. 40일간 질의 55,393건을 관측한 결과 AI 개요 활성화율은 전체 13.7%, 질문형 질의에서는 64.7%였습니다. 원자적 주장 98,020개 중 11.0%가 인용 페이지의 뒷받침을 받지 못했고, 저자들은 크롤 제외 때문에 이 값이 부풀려졌을 수 있어 하한은 약 5.3%라고 밝혔습니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-24

AEO — 답변 안의 인용

인용이 붙었을 때 그것이 실제로 정확한가

3편

arXiv:2604.25707 arXiv 프리프린트 (학회 게재 정보 없음)

인용 선택에서 인용 흡수로 — 인용 수만 세면 놓치는 것

From Citation Selection to Citation Absorption: A Measurement Framework for Generative Engine Optimization Across AI Search Platforms

Zhang Kai · He Xinyue · Yao Jingang · 학술 프리프린트 (cs.IR)

따로 재야 한다고 봤습니다. 이 논문은 '인용 선택(citation selection)'과 '인용 흡수(citation absorption)'를 나눕니다. 앞은 엔진이 그 페이지를 출처로 고른 것이고, 뒤는 그 페이지의 표현·근거·구조가 최종 답변에 실제로 기여한 것입니다. 인용 수만 보면 뒤를 놓칩니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-22

arXiv:2605.28565 arXiv 프리프린트 (CC-BY-SA 4.0)

출처는 진짜인데 내용이 어긋난다 — 인용 실패의 구조

Verified Misguidance: Measuring Structural Citation Failures in Search-Augmented LLMs

Yongsik Seo · Wooseok Jeong · Eunyoung Kim · Hyeonseo Jang · Dongha Lee · ParamitaAI · 건국대학교 컴퓨터공학과 · 이화여자대학교 · 연세대학교 인공지능학과 · 인천국제공항공사

믿을 만하지 않은 경우가 상당했습니다. 저자들은 '모델이 실제로 접근 가능한 진짜 출처를 인용하면서도 여러 차원에서 실패하는' 현상을 정의하고, 5개 제공사의 10개 모델에서 인용 쌍 761,495건을 검증했습니다. 인용의 30.6%가 출처를 왜곡했고, 27.1%는 그 도메인에 적합하지 않은 출처였습니다. 최대 96%의 이용자가 응답 하나당 최소 한 건의 구조적으로 오도하는 인용을 만났습니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-24

arXiv:2509.10762 arXiv 프리프린트 이해상충 공개됨

답변엔진은 어떤 페이지를 인용하나 — 16개 항목으로 점수를 매겨 보니

AI Answer Engine Citation Behavior: Bringing the GEO-16 Framework in B2B SaaS

Arlen Kumar · Leanid Palkhouski · UC 버클리 · Wrodium Research

있었습니다. 저자들은 페이지의 측정 가능한 특징을 16개 기둥(메타데이터·시맨틱 HTML·구조화 데이터·콘텐츠 품질·링크)으로 나눠 0~3점으로 채점하고 0~1 사이 종합점수로 환산했습니다. 영어 B2B SaaS 16개 버티컬에서 인용 1,702건을 모아 본 결과, 종합점수가 높을수록 인용될 오즈가 4.2배였고 메타데이터·최신성, 시맨틱 HTML, 구조화 데이터 순으로 상관이 강했습니다. 다만 관측 연구라 인과가 아닙니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-24

GEO — 답변의 재료 되기

생성형 엔진이 무엇을 골라 쓰는가

7편

arXiv:2311.09735 KDD 2024 게재

GEO — 생성형 엔진 최적화 (용어를 처음 제안한 논문)

GEO: Generative Engine Optimization

Pranjal Aggarwal · Vishvak Murahari · Tanmay Rajpurohit · Ashwin Kalyan · Karthik Narasimhan · Ameet Deshpande · 학술 연구(프린스턴 등)

만들 수 있다고 봤습니다. 이 논문이 GEO(Generative Engine Optimization)라는 용어를 처음 제안했고, 생성형 엔진 응답에서 콘텐츠 가시성을 높이는 블랙박스 최적화 프레임워크로 정의했습니다. 자체 벤치마크 GEO-bench 에서 가시성을 최대 40%까지 높일 수 있다고 보고했습니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-22

arXiv:2602.12187 KDD 2026 게재 확정

SAGEO 아레나 — 검색·재순위·생성 전 과정에서 GEO 를 재평가

SAGEO Arena: A Realistic Environment for Evaluating Search-Augmented Generative Engine Optimization

Sunghwan Kim · Wooseok Jeong · Serin Kim · Sangam Lee · Dongha Lee(교신) · 연세대학교 인공지능학과 · 건국대학교 컴퓨터공학과

없거나 오히려 해로웠습니다. 본문 텍스트만 최적화하는 기존 GEO 방식을 검색 → 재순위 → 생성 전 과정이 있는 환경에서 재현했더니, 검색과 재순위 단계의 성능이 눈에 띄게 떨어졌습니다. 저자들은 각 파이프라인 단계에 맞춘 최적화가 필요하다고 결론지었습니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-22

arXiv:2603.20213 arXiv 프리프린트 (코드 공개)

AgenticGEO — 정적 규칙 대신 콘텐츠마다 전략을 바꾸면 어떻게 되나

AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization

Jiaqi Yuan · Jialu Wang · Zihan Wang · Qingyun Sun · Ruijie Wang(교신) · Jianxin Li · 베이항대학교(北京航空航天大学) 컴퓨터공학부 · 일부 독립 기여자

달라졌습니다. 저자들은 기존 GEO 연구가 제시한 정적 휴리스틱(키워드 추가·인용 추가·통계 추가 등)이 절반 정도의 샘플에서는 최적화에 실패한다고 지적하고, 콘텐츠별로 전략을 진화시키는 에이전트 시스템을 제안했습니다. 자체 평가에서 기존 최고 성능(AutoGEO) 대비 도메인 내 26~28%, 다른 도메인에서 37~70% 개선을 보고했습니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-22

arXiv:2606.20065 arXiv 프리프린트 (단독 저자) 이해상충 공개됨

대규모 측정 — AI 답변의 인용은 어디로 가는가

Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines

Pratyush Kumar · Ranqo (상용 GEO 추적 플랫폼)

대부분 자사 사이트 밖에 있었습니다. 인용 149,912건에서 브랜드 자체 도메인은 2.9%에 그쳤고 기업·제3자 브랜드 페이지가 75.2%였습니다. 브랜드 규모에 따라 등장률이 크게 갈렸습니다. 다만 이 데이터는 GEO 추적 도구를 파는 회사가 자사 플랫폼으로 낸 것입니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-22

arXiv:2607.14035 arXiv 프리프린트

GEO 연구 45편 비판적 서베이

Optimizing Visibility in Generative Engines: A Critical Survey of Generative Engine Optimization (2023–2026)

Martinez · 학술 프리프린트

GEO 를 9단계 확률적 파이프라인으로 보는 모델을 제시하고, 발견(Discoverability)과 인용(Citation)을 구분해야 한다고 지적했습니다. '가시성 40% 증가' 류의 수치가 이미 검색된 문서를 전제로 한 조건부 값이라는 점도 짚었습니다.

GEO 연구 45편 분석 — 자세한 해설 → 원문(arXiv) ↗ 확인 2026-08-14

arXiv:2605.25517 arXiv 프리프린트 이해상충 공개됨

두 문서 중 하나만 인용된다면, 무엇이 갈랐나

What Gets Cited: Competitive GEO in AI Answer Engines

Rahul Vishwakarma · Shushant Kumar · Ratnesh Jamidar · Sprinklr (인도 구루그람 · UAE 두바이) — 상용 AI/CX 플랫폼

주제 일치와 목록 위치가 압도적이었고, 가격 정보와 최신 타임스탬프가 그다음이었습니다. 저자들은 후보 문서 두 개를 주입하되 **정확히 한 가지 요인만 다르게** 만드는 쌍 비교를 252,000회 돌렸습니다. 주제 불일치·가격 미표기·오래된 타임스탬프·목록 2번째 위치는 사실상 항상 지는 조건이었고, 단정적 표현과 완곡한 표현의 차이도 컸습니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-24

arXiv:2605.00012 arXiv 프리프린트 (14쪽, 학회 게재 정보 없음)

AI 검색 개요는 조작될 수 있는가

Exploring LLM biases to manipulate AI search overview

Roman Smirnov · 단독 저자 (소속 미표기)

가능하다고 보고했습니다. 저자는 강화학습으로 작은 언어모델을 훈련해 검색 스니펫을 다시 쓰게 했고, 그렇게 고친 스니펫이 대부분의 경우 LLM 개요의 선택을 끌어왔다고 적었습니다. 선택이 절대적 품질이 아니라 **후보끼리의 상대 비교**에 의존한다는 점, 그리고 문맥 오염(context poisoning) 공격이 부정확하거나 해로운 결과를 만들 수 있다는 점을 함께 보였습니다. 다만 성공률을 구체적 수치로 보고하지 않았습니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-24

공통 조건

셋 모두에 걸리는 전제 — 언어·문화처럼 우리가 통제할 수 없는 축

1편

arXiv:2407.05502 NAACL 2025 게재

질문한 언어의 문서가 인용된다 — 다국어 AI의 정보 격차

Faux Polyglot: A Study on Information Disparity in Multilingual Large Language Models

Nikhil Sharma · Kenton Murray · Ziang Xiao · 존스홉킨스대학교 음성·언어처리센터(Center for Speech and Language Processing)

그렇습니다. 검색·생성 두 단계 모두에서 질의와 같은 언어의 문서를 체계적으로 선호했습니다. 상위 10건 검색 결과에서 68%가 질의와 같은 언어였고, 생성 단계에서 같은 언어 문서를 인용한 비율은 42%로 외국어 29.58%보다 높았습니다. 외국어 문서만 쓸 때는 고자원 언어(영어·독일어)를 저자원 언어(힌디어·아랍어)보다 선호했습니다. 저자들은 이것이 언어별 정보 고치(cocoon)를 강화해 저자원 언어의 관점을 더 주변화할 수 있다고 경고했습니다.

정리 보기 → 원문(arXiv) ↗ 확인 2026-08-24

WHERE THEY DISAGREE

주장 대조표

같은 질문에 논문들이 무엇이라고 답했는지 모았습니다. 갈리는 항목에는 표시를 해 두었습니다.

콘텐츠 문구를 AI 친화적으로 고치면 인용이 올라가는가?

논문끼리 갈림

arXiv:2311.09735 올라간다

자체 벤치마크 GEO-bench 에서 가시성 최대 40% 향상을 보고했다.
GEO — 생성형 엔진 최적화 (용어를 처음 제안한 논문) →
arXiv:2602.12187 현실 파이프라인에서는 오히려 내려갔다

본문 텍스트만 최적화하자 검색 Hit@20 -9%, 재순위 Hit@10 -16%, 생성 인용률 -6%. AutoGEO 는 검색 순위 -22.35.
SAGEO 아레나 — 검색·재순위·생성 전 과정에서 GEO 를 재평가 →
arXiv:2603.20213 정적 규칙이라서 그렇고, 콘텐츠마다 바꾸면 오른다

기존 휴리스틱이 절반가량의 샘플에서 최적화에 실패한다고 지적하고, 콘텐츠별 전략 진화로 AutoGEO 대비 도메인 내 +26~28%·타 도메인 +37~70% 를 보고했다. 다만 평가가 상용 엔진이 아니라 오픈 모델(Qwen·Llama)이고 검색·재순위 단계가 빠져 있다.
AgenticGEO — 정적 규칙 대신 콘텐츠마다 전략을 바꾸면 어떻게 되나 →

나비랑의 판단 — 논문의 결론이 아닙니다

'문구를 고치면 인용이 오른다'를 일반 명제로 쓰지 않습니다. 세 논문이 갈리는 지점이 어디인지가 중요합니다 — 효과를 보고한 두 논문은 모두 **검색·재순위 단계가 빠진 환경**(벤치마크 또는 오픈 모델 생성 단계)에서 쟀고, 그 단계를 넣고 재현한 SAGEO Arena 에서는 성능이 떨어졌습니다. 즉 '문구 최적화가 무의미하다'가 아니라 '검색을 통과한 다음에야 의미가 있다'로 읽는 것이 맞습니다. 나비랑이 색인·크롤러 접근을 먼저 보고 그다음 문단 구조를 손보는 순서는 이 해석과 같습니다. 또 하나 — AgenticGEO 가 지적한 '정적 휴리스틱이 절반의 샘플에서 실패한다'는 대목은, 업계에서 체크리스트처럼 도는 '인용 추가·통계 추가' 류를 모든 문서에 똑같이 적용하면 안 된다는 뜻입니다.

그러면 무엇을 고쳐야 하는가?

arXiv:2602.12187 구조 정보

구조 정보만 최적화했을 때 검색 Hit@20 +22%, 단계별 최적화 시 +28%.
SAGEO 아레나 — 검색·재순위·생성 전 과정에서 GEO 를 재평가 →
arXiv:2604.25707 추출 가능한 근거

답변에 흡수되는 페이지는 더 길고 구조화돼 있으며 정의·수치·비교·절차가 풍부했다.
인용 선택에서 인용 흡수로 — 인용 수만 세면 놓치는 것 →
arXiv:2605.25517 주제 일치·가격·최신성

쌍 비교 252,000회에서 주제 불일치·가격 미표기·오래된 타임스탬프가 사실상 항상 지는 조건이었다. 완곡한 표현은 단정적 표현에 오즈비 599 로 밀렸다.
두 문서 중 하나만 인용된다면, 무엇이 갈랐나 →
arXiv:2509.10762 메타데이터·시맨틱 HTML·구조화 데이터

인용된 페이지와의 상관이 메타데이터·최신성 r=0.68, 시맨틱 HTML r=0.65, 구조화 데이터 r=0.63 순이었다. 다만 관측 연구라 인과가 아니다.
답변엔진은 어떤 페이지를 인용하나 — 16개 항목으로 점수를 매겨 보니 →

나비랑의 판단 — 논문의 결론이 아닙니다

두 논문이 같은 쪽을 가리킵니다 — 수식어가 아니라 구조와 근거입니다. 나비랑이 인용 콘텐츠에서 '잘라 써도 뜻이 완결되는 문단'과 근거·날짜 표기를 요구해 온 것과 같은 방향입니다.

자사 사이트를 고치면 되는가?

arXiv:2606.20065 자사 도메인 비중은 작았다

인용 149,912건 중 브랜드 자체 도메인 2.9%, 기업·제3자 브랜드 페이지 75.2%.
대규모 측정 — AI 답변의 인용은 어디로 가는가 →

나비랑의 판단 — 논문의 결론이 아닙니다

자사 페이지는 필요조건이지 충분조건이 아니라고 봅니다. 다만 이 수치는 벤더가 자사 플랫폼으로 낸 값이고 표본이 SaaS·핀테크에 치우쳐 있어, 국내 업종에 그대로 옮기지 않습니다. 방향만 참고하고 자기 업종 값은 직접 잽니다.

성과를 무엇으로 세어야 하는가?

arXiv:2604.25707 인용 수로는 부족하다

인용 선택과 인용 흡수를 나누고, 답변 수준의 흡수를 별개 결과로 다뤄야 한다.
인용 선택에서 인용 흡수로 — 인용 수만 세면 놓치는 것 →
arXiv:2607.14035 발견과 인용을 나눠라

Discoverability 와 Citation 을 구분하고 Engine × Query × Paraphrase × Run × Date 로 반복 측정.

나비랑의 판단 — 논문의 결론이 아닙니다

나비랑은 언급과 인용을 나눠 세고 분모(질문 수 × 엔진 수)를 함께 공개합니다. '흡수'까지 나누는 것은 아직 우리 측정 규약에 없습니다 — 넣으려면 판정 기준을 먼저 문서로 고정해야 합니다.

출처가 붙어 있으면 그 내용은 정확한가?

arXiv:2605.28565 30.6% 가 출처를 왜곡한다

5개 제공사 10개 모델에서 인용 쌍 761,495건을 검증한 결과 30.6% 가 출처를 왜곡했고 27.1% 는 도메인 부적합 출처였다. 최대 96% 의 이용자가 응답당 최소 한 건의 오도하는 인용을 만난다. 저자들은 이를 보수적 하한이라고 밝혔다.
출처는 진짜인데 내용이 어긋난다 — 인용 실패의 구조 →
arXiv:2605.14021 주장의 5.3~11.0% 가 뒷받침되지 않는다

구글 AI 개요의 원자적 주장 98,020개 중 11.0% 가 인용 페이지로 뒷받침되지 않았다. 저자들은 소셜미디어 크롤 제외 탓에 부풀려졌을 수 있어 하한을 약 5.3% 로 제시했다.
구글 AI 개요 대규모 측정 — 언제 뜨고, 무엇을 인용하고, 그 인용이 맞는가 →

나비랑의 판단 — 논문의 결론이 아닙니다

두 연구가 서로 다른 대상(기술 Q&A 질의 / 구글 AI 개요)에서 같은 방향을 가리킵니다 — 출처가 붙었다고 그 문장이 그 출처에서 나온 것은 아닙니다. 브랜드 입장에서 이건 두 가지를 뜻합니다. 인용됐다고 안심할 수 없고(우리 문서에 없는 말이 우리 출처로 붙어 있을 수 있습니다), 반대로 경쟁사에 대한 부정확한 서술도 그 회사 출처를 달고 돌 수 있습니다. 나비랑이 인용 여부와 별개로 **설명의 사실 정확도**를 따로 기록하는 이유입니다.

AI 답변이 검색에 들어오면 사이트 유입은 어떻게 되는가?

arXiv:2608.18352 줄어든다 — 인과로 확인

사전등록 현장실험(N=1,100)에서 AI Mode 배정 시 퍼블리셔 클릭률 -18.8%p, AI 개요를 제거하자 +8.8%p. 광고 클릭은 -42.7%p 로 가장 크게 빠졌고 사용자 만족도·신뢰도도 함께 떨어졌다.
AI가 검색에 들어오면 유입이 준다 — 사용자 만족도도 함께 →
arXiv:2605.14021 노출 자체가 질의 유형에 달렸다

AI 개요 활성화율이 전체 13.7% 인데 질문형 질의에서는 64.7% 였다.
구글 AI 개요 대규모 측정 — 언제 뜨고, 무엇을 인용하고, 그 인용이 맞는가 →

나비랑의 판단 — 논문의 결론이 아닙니다

유입 감소는 실재하고, 이 자료실에서 **인과로 확인된 유일한 항목**입니다(나머지는 관측입니다). 다만 두 연구 모두 미국 구글 기준이고 네이버·한국어는 다룬 적이 없어 감소폭 수치를 국내 예상치로 옮기지 않습니다. 실무적으로 중요한 것은 활성화율입니다 — 질문형 질의에서 64.7% 라면, 질문에 답하는 문서를 갖추지 않은 브랜드는 그 화면에 아예 후보로도 오르지 않습니다.

영어권 연구 결과를 한국어에 그대로 적용해도 되는가?

arXiv:2407.05502 언어가 결과를 가른다

검색 상위 10건의 68% 가 질의와 같은 언어였고, 생성 단계에서 같은 언어 문서 인용이 42% vs 외국어 29.58%. 외국어 안에서도 고자원 언어(영어 49.28%)를 저자원 언어(아랍어 39.77%)보다 선호했다. 단, 이 실험에 한국어는 없다.
질문한 언어의 문서가 인용된다 — 다국어 AI의 정보 격차 →

나비랑의 판단 — 논문의 결론이 아닙니다

적용할 수 없습니다. 이 자료실의 다른 논문은 전부 영어권 데이터인데, 질의 언어와 같은 언어의 문서가 체계적으로 선호된다면 한국어 질의의 결과는 다를 수밖에 없습니다. 유리한 쪽으로 읽으면 한국어 자산이 값어치가 있다는 뜻이고, 불리한 쪽으로 읽으면 한국어 문서가 적은 주제에서 AI가 영어권 관점을 그대로 옮겨 올 수 있다는 뜻입니다. **다만 한국어는 그 실험에 포함되지 않았습니다** — 방향만 참고하고 자기 브랜드의 한국어 값은 직접 재야 합니다. 나비랑이 네이버 AI 검색을 7개 엔진 세트에 넣어 두는 이유이기도 합니다.

노출을 보장할 수 있는가?

arXiv:2311.09735 조건부 수치일 뿐

40% 는 저자들이 만든 벤치마크 안의 값이고 상용 엔진의 보장치가 아니다.
GEO — 생성형 엔진 최적화 (용어를 처음 제안한 논문) →
arXiv:2606.20065 엔진 내부를 볼 수 없다

모든 결과가 API 출력에서 추론한 것이며 엔진이 어떻게 수집·보관·검색하는지 직접 볼 수 없다고 밝혔다.
대규모 측정 — AI 답변의 인용은 어디로 가는가 →
arXiv:2605.00012 조작은 기술적으로 가능하다

강화학습으로 재작성한 스니펫이 대부분의 경우 개요의 선택을 끌어왔다고 보고했다. 선택이 절대적 품질이 아니라 후보끼리의 상대 비교에 의존한다는 점도 함께 보였다. 단, 성공률을 수치로 보고하지 않은 단독 저자 프리프린트다.
AI 검색 개요는 조작될 수 있는가 →

나비랑의 판단 — 논문의 결론이 아닙니다

보장하지 않습니다. 어느 논문도 상용 엔진에서의 노출을 보장하지 못했고, 엔진 내부는 공개돼 있지 않습니다. 다만 짚어 둘 것이 있습니다 — 조작이 **기술적으로 불가능해서** 보장하지 않는 것이 아닙니다. 스니펫을 재작성해 선택을 끌어올 수 있다는 연구가 있고, 나비랑은 그런 방식을 만들지 않습니다. 어뷰징이기 때문입니다. 또 하나, 선택이 후보끼리의 상대 비교에 의존한다면 우리 문서가 그대로여도 경쟁 문서가 바뀌면 결과가 달라집니다. 그래서 한 번 재고 끝내지 않고 같은 조건으로 반복 측정합니다.

HOW TO READ

이 자료를 읽을 때

01

수치는 조건과 함께 읽습니다

같은 '40%'라도 어떤 벤치마크에서, 몇 개 질의로, 어떤 엔진에서 나온 값이냐에 따라 전혀 다른 뜻입니다. 이 페이지의 모든 수치에 조건을 붙여 둔 이유입니다.
02

누가 냈는지를 봅니다

학술 기관의 연구와 도구를 파는 회사의 연구는 같은 무게가 아닙니다. 이해상충이 공개된 논문에는 표시를 해 두었고, 저자가 직접 적은 문장을 그대로 인용했습니다.
03

논문이 밝힌 한계를 함께 봅니다

좋은 논문일수록 한계를 자세히 적습니다. 표본이 어디에 치우쳐 있는지, 인과를 주장하는지, 무엇을 보지 못했는지가 거기 있습니다.
04

우리 판단과 논문의 주장을 구분합니다

대조표의 파란 상자는 나비랑의 해석이고 논문의 결론이 아닙니다. 논문 이름을 빌려 우리 주장을 하는 일이 없도록 화면에서 나눠 두었습니다.
05

그래도 자기 값은 직접 재야 합니다

여기 있는 어떤 수치도 특정 브랜드·업종의 성과를 예측하지 않습니다. 표본과 조건이 자기 상황과 얼마나 겹치는지 보고, 결국은 자기 질의 세트로 재는 것이 답입니다.