PAPER

GEO — 생성형 엔진 최적화 (용어를 처음 제안한 논문)

생성형 엔진의 답변에서 내 콘텐츠가 더 잘 보이게 만들 수 있는가?

GEO: Generative Engine Optimization

저자: Pranjal Aggarwal · Vishvak Murahari · Tanmay Rajpurohit · Ashwin Kalyan · Karthik Narasimhan · Ameet Deshpande
소속: 학술 연구(프린스턴 등)
게재: KDD 2024 게재
제출: 2023-11-16 · 개정 2024-06-28 (v3)
arXiv: arXiv:2311.09735
나비랑 확인일: 2026-08-22

이 논문이 말하는 것

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.

원문 보기 (arXiv) ↗

METHOD

어떻게 쟀나

수치를 읽기 전에 조건을 먼저 봅니다. 같은 숫자도 표본과 환경이 다르면 다른 뜻입니다.

접근: 생성형 엔진을 블랙박스로 두고 콘텐츠 쪽 문구·구조를 바꿔 가시성 지표를 최적화
평가 환경: 저자들이 만든 벤치마크 GEO-bench
가시성 정의: 응답 안에서의 노출을 재는 지표를 논문이 직접 정의했다

FINDINGS

무엇이 나왔나

핵심 수치: 생성형 엔진 응답에서 가시성 최대 40% 향상
⚠️ 그 수치의 조건: GEO-bench 라는 저자들이 만든 벤치마크 안에서의 값이다. 실제 서비스(ChatGPT·Perplexity 등)에서 보장되는 수치가 아니고, 논문도 그렇게 주장하지 않았다

LIMITATIONS

논문이 스스로 밝힌 한계

우리가 지적한 것이 아니라 저자들이 논문에 적어 둔 내용입니다.

평가가 저자들이 구성한 벤치마크 환경에서 이뤄졌다 — 실제 상용 엔진의 전체 파이프라인이 아니다.
'가시성' 지표를 논문이 직접 정의했으므로, 다른 정의를 쓰는 연구와 숫자를 그대로 비교할 수 없다.

나비랑의 해석 — 논문의 결론이 아닙니다

이 논문은 GEO 라는 개념을 세운 출발점이고 그 공은 분명합니다. 다만 시장에서 인용되는 방식이 문제입니다 — '논문에서 40% 오른다고 했다'는 문장만 떼어 쓰는 제안서를 흔히 봅니다. 40%는 GEO-bench 라는 특정 조건의 값이고, 아래 SAGEO Arena 는 같은 계열 방법을 현실적 파이프라인에서 재현했을 때 오히려 성능이 떨어졌다고 보고했습니다. 수치를 조건과 떼어 놓으면 안 되는 대표적인 예입니다.

IN COMPARISON