AI는 왜 특정 전문가나 담당자를 이름으로 부를까: 개인 GEO에서 명단 함정을 피하는 법

부동산, 자동차, 컨설팅, 보험에서는 사용자가 회사를 찾는 것이 아니라 "누구에게 연락해야 하는가"를 묻기도 합니다. AI는 개인을 이름으로 부를 수도, 조직만 나열할 수도, 둘 다 하지 않을 수도 있습니다. 동명이인, 직무 변경, 불명확한 출처가 있을 때 한 번의 언급을 개인 평판 판단으로 받아들이는 것은 위험합니다.

흔한 지름길은 직원 명단이나 LinkedIn 명단과 답변을 대조하고 일치 횟수를 "개인 가시성"이라고 부르는 것입니다. 하지만 별칭, 동명이인, 퇴직자, 검증되지 않은 모델 생성 이름을 놓칠 수 있습니다.

2026년 7월 26일 처음 공개되고 8월 1일 업데이트된 프리프린트는 2026년 7월 24일 수행한 2,400회의 그라운디드 모델 호출에서 개인 이름 언급을 연구했습니다. 논문은 보수적인 탐지 규칙으로 답변의 25.8%가 개인을 이름으로 언급했으며 네 모델 사이의 비율이 약 네 배 차이 났다고 보고했습니다. 또한 공개 LinkedIn 검색으로 만든 939명 명단은 27,293개의 "이름 형태 언급" 중 0.47%만 일치시켰습니다. 이는 그 연구의 시장, 언어, 식별 규칙에서의 하한값이며 보편적 비율이 아닙니다.

답변에서 시작하고 사람을 검증하기

더 안전한 절차는 반대 방향으로 갑니다. 먼저 전체 답변과 인용 출처를 보관한 뒤, 이름이 검증 가능한 개인 엔터티로 해소되는지 판단합니다. 질문, 날짜, 모델, 표기된 이름, 역할, 소속, 도시 또는 시장, 제공된 링크, 권위 있는 확인 상태, 동명이인 모호성을 기록하세요.

그 다음에만 확인된 기록을 회사 디렉터리나 공개 정보와 비교합니다. 명단은 보조 확인에는 유용하지만 AI가 이름을 언급한 모든 사람의 분모가 아닙니다. 검증되지 않은 이름은 검토 필요로 표시하고, 이를 근거로 당사자에게 연락하거나 평가하거나 공개 순위를 매기지 마세요.

과제와 카테고리별로 결과를 나누기

연구는 카테고리와 모델 차이가 클 수 있음을 시사합니다. "첫 주택 구매자 경험이 있는 지역 담당자", "기업 보험 경험이 있는 자문가"처럼 실제 선택 과제를 사용하고, 장소, 언어, 제약을 고정합니다. 다음을 별도로 추적합니다.

• 개인, 조직, 둘 다, 어느 쪽도 언급하지 않는지.
• 이름이 요구, 지역, 현재 직업 상태에 맞는지.
• 출처가 개인 사이트, 카테고리 포털, 조직 페이지, 검증 불가 중 어디인지.
• 모델, 시간, 언어를 넘어 결과가 안정적인지.

모델의 가끔 있는 언급은 인증, 순위, 추천이 아닙니다. 거짓 프로필, 사칭 페이지, 동의 없이 사용한 개인 데이터로 답변을 "보강"하려 해서는 절대 안 됩니다.

개인 GEO에는 개인정보와 사람의 판단을 더하기

개인 정보는 최소한으로 보관하고 접근을 통제하며 정정 또는 삭제 경로를 제공하고, 관련 시장의 개인정보 및 고용 규칙을 따라야 합니다. 의료, 금융, 법률, 고용에서는 AI 답변 자체를 추천 근거로 사용해서는 안 됩니다.

GEO Radar는 https://www.georadar.top 에서 고정 질문에 대한 플랫폼별 관찰, 출처, 변화를 보관해 컴플라이언스 책임자나 사업 검토자가 평가하도록 지원할 수 있습니다. 전문 자격을 검증하거나 특정 개인이 AI에 언급될 것을 보장하지 않습니다.

이 글의 자료 출처

• arXiv, 최초 공개 2026년 7월 26일, 버전 업데이트 2026년 8월 1일, *Who Gets Named: Citation Type Predicts Individual Naming by Grounded Language Models, and a Roster Instrument Captures 0.5% of It*: https://arxiv.org/abs/2607.23893 (2,400회 호출, 개인 이름 언급률, 모델 차이, 명단 대조의 한계)