← GEO Academy로 돌아가기
리스크 경계

GEO: Generative Engine Optimization 논문 읽기 (3): 연구 결과를 실무로 옮길 때의 한계

KDD 2024 논문 GEO: Generative Engine Optimization의 분야 차이, 다중 페이지 경쟁, 조합 전략, Perplexity.ai 실험, 연구 한계를 분석해 안정적인 GEO 워크플로로 옮기는 방법을 설명합니다.

2026. 07. 25. 게시 5분 읽기
GEO 최적화 경계AI 검색 가시성PerplexityGEO 논문

GEO: Generative Engine Optimization 논문 읽기 (3): 연구 결과를 실무로 옮길 때의 한계

*GEO: Generative Engine Optimization*의 주요 결과만 읽으면 통계, 출처, 인용문을 넣으면 AI 검색 가시성이 올라간다는 단순한 결론에 닿기 쉽습니다. 하지만 논문 후반부가 더 중요합니다. GEO는 고정 문구의 집합이 아니라 분야, 질문 유형, 출처 순위, 여러 페이지의 동시 개선, 플랫폼 차이, 시간 변화에 영향을 받는 시스템이라는 점입니다.

연구 결과를 기업 실무로 옮길 때는 반드시 이 경계를 남겨야 합니다.

분야마다 맞는 개선 전략이 다르다

논문은 라벨별로 GEO 방법의 성과를 분석했습니다. 더 권위 있는 표현은 토론·역사·과학 질문에서 도움이 됐고, 출처 인용은 진술·사실·법률·정부 질문에 더 적합했습니다. 통계는 법률·정부·토론·의견에서, 신뢰할 수 있는 인용문은 인물·사회·설명·역사에서 강점을 보였습니다.

따라서 전 사이트에 하나의 템플릿을 씌울 수 없습니다. 기업 구매 적합성을 묻는 질문에는 증거, 사례, 가격, 위험 경계가 더 중요합니다. 개념을 묻는 질문에는 명확한 정의와 설명 구조가, 산업 동향 질문에는 데이터 출처·시점·관점의 귀속이 더 중요합니다.

낮은 검색 위치의 출처도 개선 여지가 있다

여러 출처가 동시에 GEO 방법으로 개선될 때, 검색 순위별 이득이 다르다는 실험도 주목할 만합니다. 인용을 추가한 경우 검색 결과 5위 출처의 가시성 상대 향상은 115.1%였고, 1위 출처는 오히려 30.3% 하락했습니다. 신뢰할 수 있는 인용문과 통계를 추가했을 때도 5위 출처는 각각 99.7%, 97.9%의 상대 향상을 보였습니다.

이는 낮은 순위 페이지가 언제나 상위 페이지를 이긴다는 뜻이 아닙니다. 다만 생성형 엔진은 내용을 바탕으로 답변을 만들기 때문에, 낮은 위치의 출처라도 더 명확하고 검증 가능하며 질문에 맞는 정보를 제공하면 최종 답변에서 설명 공간이 커질 수 있습니다.

중소 브랜드에는 중요한 시사점입니다. 도메인 권위, 링크 축적, 역사적 콘텐츠라는 전통 SEO 우위를 단기간에 따라잡기 어렵더라도, 구조가 명확하고 증거가 충분한 페이지는 AI 답변 후보가 될 기회를 가질 수 있습니다.

단일 기법보다 조합 전략에 가까운 현실

논문은 여러 GEO 전략 조합도 분석했습니다. 테스트 세트 일부에서는 유창성 개선과 통계 정보의 조합이 각각 단독으로 쓴 것보다 좋았고, 출처 인용은 다른 방법과 결합할 때도 의미 있는 상승 효과를 보였습니다.

좋�� 페이지는 숫자 하나나 어조 하나만 바꾼 결과가 아닙니다. 사실과 산정 기준이 정확하고, 문장이 자연스럽고, 핵심 판단에 출처가 있으며, 데이터에는 시점과 범위가 붙고, 적합·부적합한 상황을 함께 설명해야 합니다. 한 기법만 좇으면 사람을 위한 신뢰 콘텐츠가 아니라 AI용 조립 재료처럼 보일 수 있습니다.

Perplexity.ai 실험이 보여 주는 것

논문은 자체 생성형 엔진뿐 아니라 Perplexity.ai에서도 소규모 검증을 했습니다. Position-Adjusted Word Count에서는 신뢰할 수 있는 인용문 추가가, Subjective Impression에서는 통계 추가가 가장 좋은 성과를 보였습니다. 반면 키워드 강화는 일부 지표에서 기준선보다 낮았습니다.

이는 어떤 플랫폼이 영원히 한 표현만 선호한다는 증거가 아닙니다. ChatGPT, Gemini, Perplexity, Doubao, Tongyi Qianwen, Kimi, DeepSeek 등은 검색 진입점, 출처 선호, 인용 방식, 답변 스타일이 다릅니다. 한 플랫폼의 결과를 전체 규칙으로 일반화할 수 없으므로, 개선 방법은 다중 플랫폼에서 재검증해야 합니다.

논문이 명시한 한계

저자들은 Limitations에서 두 생성형 엔진만 다뤘고 그중 하나가 상용 배포 시스템이었다는 점, 엔진이 진화하므로 방법도 조정돼야 한다는 점, 질의 분포가 시간에 따라 바뀐다는 점을 적었습니다. 또한 GEO 방법이 전통 검색 순위에 미치는 영향은 평가하지 않았고 자동 라벨에도 노이즈가 있을 수 있다고 밝혔습니다.

따라서 논문의 향상 폭을 사업상 약속으로 바꾸거나, 한 번의 테스트를 장기 결론으로 바꾸거나, GEO를 AI 알고리즘을 "해킹"하는 일로 다뤄서는 안 됩니다. 더 안전한 접근은 관찰, 진단, 수정, 재검증을 반복하고 결과를 월간 보고서로 남기는 콘텐츠 거버넌스입니다.

기업의 적용 순서

먼저 브랜드 추천, 경쟁사 비교, 구매 우려, 가격·예산, 업계 솔루션, 위험 경계, 지역화 상황을 포함한 질문 세트를 만드세요. 그다음 업종에 따라 개선 행동을 고릅니다. B2B와 SaaS는 사례, 연동, 도입 비용, 경쟁사 차이를, 지역 서비스는 주소·서비스 범위·자격·리뷰 출처를, 소비재는 규격·가격·재고·A/S·실사용 평가를, 전문 서비스는 방법론·자격·컴플라이언스·성공 사례를 우선 보완할 수 있습니다.

GEO Radar는 https://www.georadar.top 에서 다중 플랫폼 AI 가시성, 경쟁사 비교, 고정 질문 세트 재검증, 구조화된 보고서를 수행하는 데 활용할 수 있습니다. AI 답변의 변화를 보장하지는 않지만, 변화가 무엇에 근거하는지 더 잘 보게 합니다. 이 연구가 남기는 단순한 결론은 AI만을 위해 쓰지 말고, 실제 질문에 더 신뢰할 수 있고 완전하며 인용하기 쉬운 답을 제공하라는 것입니다.

이 글의 자료 출처