최근 GEO 최적화 논문 (3): AutoGEO는 생성형 엔진의 선호를 어떻게 학습하는가

GEO는 사람이 기법을 요약하는 단계에서 서로 다른 AI 플랫폼의 선호를 자동으로 학습하려는 단계로 이동하고 있습니다. 이것은 AI 검색 알고리즘을 해독할 수 있다는 말이 아닙니다. 생성형 엔진이 출처를 인용하고, 조직하고, 압축하고, 표현하는 방식에는 관찰·추상화·재검증할 수 있는 경향이 있을 수 있다는 뜻입니다.

2025년 10월 13일 제출된 논문 *What Generative Search Engines Like and How to Optimize Web Content Cooperatively*는 AutoGEO를 제안합니다. AutoGEO는 생성형 엔진의 선호 규칙을 자동으로 학습하고 웹 콘텐츠 재작성에 활용하려 합니다.

AutoGEO가 풀려는 문제

초기 GEO 방법은 통계 추가, 인용 추가, 권위 있는 표현, 쉬운 문장, 용어 보강처럼 사람이 정한 재작성 전략에 의존했습니다. 유용하지만 두 문제가 있습니다. Gemini, Claude, GPT, Perplexity와 Doubao, Tongyi Qianwen, Kimi, DeepSeek 등은 검색 진입점, 인용 방식, 답변 스타일이 다를 수 있습니다. 또한 연구, 이커머스, 지역 서비스, B2B 구매처럼 분야에 따라 필요한 증거와 구조도 다릅니다.

AutoGEO의 생각은 규칙을 추측하는 데만 머물지 말고, 많은 생성형 엔진 관찰에서 선호를 학습해 콘텐츠 개선 규칙으로 바꾸자는 것입니다.

생성형 엔진의 선호를 학습하는 절차

논문에서 AutoGEO는 먼저 선도 LLM에게 왜 어떤 문서를 생성형 엔진이 더 선호하는지 설명하게 합니다. 이 설명에서 간결한 통찰을 추출하고, 후보 규칙으로 합친 뒤, 쓸 수 있는 선호 규칙만 걸러 냅니다.

사례로 제시된 Conclusion First, Logical Structure, Comprehensive Coverage, In-depth는 결론을 먼저 말하고, 구조를 분명히 하며, 범위를 충분히 덮고, 이유와 작동 방식을 설명하라는 뜻으로 이해할 수 있습니다. 이는 기술 용어 몇 개를 바꾸는 것보다 명확한 구조, 앞선 결론, 완전한 증거, 분명한 경계를 가진 콘텐츠가 AI 답변에 흡수되기 쉽다는 실무 경험과도 맞닿아 있습니다.

AutoGEO API와 AutoGEO Mini의 차이

논문은 두 가지 적용 방식을 냈습니다. AutoGEO API는 선호 규칙을 컨텍스트 엔지니어링으로 사용해 선도 LLM이 내용을 직접 고치게 합니다. 새 모델 훈련이 필요 없으므로, 규칙을 정리한 뒤 LLM으로 초안을 보완하는 오늘의 콘텐츠 워크플로와 가깝습니다.

AutoGEO Mini는 선호 규칙을 보상 신호로 바꿔 더 작고 저비용인 GEO 모델을 훈련합니다. 논문은 콜드스타트 데이터와 GRPO 등을 사용해 작은 모델이 규칙에 맞춰 재작성하도록 했습니다. 기업이 자체 Mini를 훈련할 필요는 없지만, 브랜드 질문 세트·플랫폼 선호·컴플라이언스 경계를 이해하는 전용 워크플로의 필요성은 커질 수 있습니다.

GEO와 GEU를 함께 보는 이유

이 논문의 중요한 특징은 GEO 지표뿐 아니라 Generative Engine Utility, 즉 GEU를 본다는 점입니다. GEO는 답변에 얼마나 나타나고 어디에 놓이는지를 보고, GEU는 답변의 품질·신뢰성·유용성이 유지되는지를 봅니다.

브랜드 노출을 늘리기 위해 답변 품질을 희생해서는 안 됩니다. 과도한 최적화, 숨은 지시, 오도하는 설명, 데이터 오염은 단기적으로 답변을 흔들 수 있어도 플랫폼·사용자·브랜드 신뢰를 해칩니다. 논문은 세 데이터셋에서 평균 GEO를 높이면서 엔진 효용을 유지했다고 보고했고, AutoGEO Mini의 비용이 AutoGEO API의 약 0.0071배라고 언급했습니다. 이 수치는 논문 환경의 결과이지 기업 비용 약속이 아니며, 규칙화·자동화·저비용 재검증으로 향하는 흐름을 보여 줍니다.

플랫폼별 GEO에 주는 시사점

모든 AI 플랫폼이 같은 콘텐츠를 좋아한다고 가정하지 마세요. 엔진 선호는 분야와 LLM에 따라 달라질 수 있습니다. 어떤 플랫폼은 명확한 FAQ 소제목을, 다른 플랫폼은 권위 있는 제3자 출처를, 이커머스 질문에서는 가격·규격·재고·A/S를, B2B에서는 사례·연동·위험 경계를 더 필요로 할 수 있습니다.

이런 관찰은 팀 자산으로 남겨야 합니다. 다만 한 번 만든 규칙을 영구 규칙으로 여겨서는 안 됩니다. 플랫폼 업그레이드, 검색 출처 변화, 사용자 질문 변화에 따라 선호는 이동하므로, 가시성·정확성·출처 귀속·경쟁 관계·컴플라이언스 위험을 함께 재검증해야 합니다.

GEO Radar를 둘 위치

GEO Radar는 AutoGEO 모델을 훈련하는 도구가 아니라, 브랜드 AI 가시성을 관찰·비교·재검증·보고하는 플랫폼입니다. https://www.georadar.top 에서 Doubao, Tongyi Qianwen, Baidu/Wenxin Yiyan, Zhipu Qingyan, Kimi, DeepSeek, Tencent Yuanbao, ChatGPT, Claude, Gemini, Grok 같은 플랫폼의 브랜드 언급, 추천 위치, 인용 출처, 경쟁사 동시 노출을 고정 질문 세트로 비교할 수 있습니다.

특정 선호 규칙에 따라 공식 사이트, 사례, FAQ, 제3자 콘텐츠를 수정한 뒤 같은 질문으로 다시 확인하면 변화가 설명 가능한지 살필 수 있습니다. AutoGEO의 핵심 시사점은 자동 재작성 자체가 아니라, 관찰-규칙화-작은 개선-재검증-규칙 갱신이라는 폐쇄 루프입니다.

이 글의 자료 출처

• arXiv, 2025년 10월 13일 제출, What Generative Search Engines Like and How to Optimize Web Content Cooperatively: https://arxiv.org/abs/2510.11438
• arXiv HTML 전문, AutoGEO 프레임워크, 실험 결과, GEO/GEU 지표, 부록 사례: https://arxiv.org/html/2510.11438v1
• GitHub, AutoGEO 코드: https://github.com/cxcscmu/AutoGEO