AI 답에 가게 이름이 나오면 매출까지 잴 수 있을까?
이름이 나온 횟수만 세서는 부족하다
AI 답에 가게 이름이 나온 것이 매출에 얼마나 도움이 됐는지는 어느 정도 잴 수 있다. 다만 이름이 나온 비율 하나만으로는 부족하다. 연구진의 방법을 따르면 질문 수, AI별 이용 비율, 이름 등장 확률, 고객이 알아챌 확률을 함께 봐야 하며, 모의실험에서 전체 효과의 평균 오차는 17% 안팎이었다.
가게 이름이 몇 번 나왔는지를 고객이 몇 명 알아봤는지로 바꾸고, 손대지 않은 곳과 함께 비교해야 매출 효과에 가까워진다.
이름이 나온 횟수만 세면 안 되나
TV나 검색광고는 노출 기록이 남는다. 그래서 광고가 얼마나 노출됐는지를 매출과 함께 놓고 효과를 추정할 수 있다.
AI 답은 다르다. 광고가 아닌 답변에 가게 이름이 몇 번 나왔는지, 고객이 그 이름을 실제로 봤는지는 자동으로 기록되지 않는다. 방문 수만으로 대신하기도 어렵다.
퓨 리서치 조사에서는 구글 검색에 AI 요약이 뜬 경우 검색 결과 링크를 누른 비율이 8%였다. AI 요약이 없을 때는 15%였고, 요약 안의 출처 링크를 누른 방문은 1%였다. 따라서 이름을 보고도 링크를 누르지 않은 고객은 방문 기록만으로 잡기 어렵다.
| 매체 | 노출 기록 | 매출 분석에 넣는 방법 |
|---|---|---|
| TV· | 노출· | 기록된 노출량을 그대로 넣는다 |
| AI 답 속 광고 | 광고가 뜬 횟수는 남지만 알아봤는지는 모른다 | 광고비 → 뜬 횟수 → 알아챈 횟수로 바꾼다 |
| AI 답의 일반 언급(GEO) | 기록이 없다 | 질문 수 × AI별 이용 비율 × 등장 확률 × 알아챌 확률로 만든다 |
| 참고: 방문 수 | AI 요약이 뜨면 링크 클릭 8%(없을 때 15%), 출처 클릭 1% | 이름만 본 고객이 빠진다 |
그럼 어떤 숫자를 모아야 하나
도쿄대 등 연구진이 제안한 방법은 AI 답에서 가게 이름을 알아본 고객의 기대 횟수를 만드는 것이다. 관련 질문이 몇 번 있었는지부터 시작해, 그 질문을 각 AI가 얼마나 받는지, 답에 가게 이름이 얼마나 자주 나오는지, 이름이 나왔을 때 고객이 얼마나 알아보는지를 차례로 곱한다.
예를 들어 특정 기간의 관련 질문 수가 있다면 여기에 AI별 이용 비율을 적용한다. 다시 그 AI에서 가게 이름이 나오는 확률을 적용하고, 마지막으로 고객이 그 이름을 알아챌 확률을 적용한다.
| 필요한 숫자 | 뜻 | 어떻게 모으나 |
|---|---|---|
| ① 질문 수 | 그 기간· | 시장 질문량 추정 |
| ② AI별 이용 비율 | 그 질문을 챗GPT· | 이용 통계 |
| ③ 등장 확률 | 같은 질문을 반복했을 때 답에 이름이 나온 비율 | 반복 질문(이 연구는 질문당 20회) |
| ④ 알아챌 확률 | 이름이 나왔을 때 고객이 알아본 비율 | 이용자 조사 |
이렇게 만든 값은 TV나 검색광고의 노출량을 매출 분석에 넣는 것과 비슷한 역할을 한다. AI 답 속 광고도 원리는 같다. 광고비를 광고가 뜬 횟수로 바꾸고, 다시 고객이 알아챈 횟수로 바꾼 뒤 효과를 분석한다.
GEO를 하면 이름이 얼마나 더 나오나
GEO가 하는 일은 AI 답에서 가게 이름이 나올 확률을 바꾸는 것이다. GEO를 하지 않아도 가게 이름은 어느 정도 나올 수 있기 때문에, GEO의 효과는 이름이 나온 횟수 자체가 아니라 GEO를 한 경우와 하지 않은 경우의 전체 흐름을 비교해서 봐야 한다.
연구진은 웹 하이라이트 서비스 글래습을 대상으로 이 등장 확률을 직접 쟀다. 영어 질문 28개와 일본어 질문 28개, 모두 56개의 제품 추천 질문을 두 모델에 20번씩 넣어 답 2,240개를 모았다. 질문과 지시문에는 글래습이라는 이름을 넣지 않았고, 모든 답은 웹 검색을 거쳤다.
그 결과 전체 이름 등장률은 GPT-4o가 27.8%, GPT-5.6 Luna가 33.8%였다. 언어별로도 차이가 컸다. 영어 질문에서는 GPT-4o가 35.4%, GPT-5.6 Luna가 28.6%였고, 일본어 질문에서는 GPT-4o가 20.2%, GPT-5.6 Luna가 38.9%였다.
| 모델(질문 56개×20회) | 영어 질문 | 일본어 질문 | 전체 | 이름이 나왔을 때 1순위 비율 | 평균 순위(후보 11개) |
|---|---|---|---|---|---|
| GPT-4o | 35.4% | 20.2% | 27.8%(1,120개 중 311개) | 60.5% | 1.62 |
| GPT-5.6 Luna | 28.6% | 38.9% | 33.8%(1,120개 중 378개) | 39.4% | 1.94 |
중요한 점은 전체 등장률만 보면 실제 고객의 이용 상황을 놓칠 수 있다는 것이다. 한국 가게라면 실제 고객이 어떤 언어로 어떤 질문을 하는지에 맞춰 AI별 이용 비율과 질문 비중을 잡아야 할 것으로 보인다(예상).
이름이 나오면 바로 매출로 이어지나
이름이 나왔다고 해서 모두가 알아보는 것은 아니다. 그래서 네 번째 숫자인 「알아챌 확률」이 필요하다.
이 숫자는 고객에게 어디에서 가게를 알게 됐는지 묻는 방식으로 가늠할 수 있다. 새 고객 가운데 AI에서 가게 이름을 봤다고 답한 수를 따로 적어 두면 나중에 분석할 때 사용할 재료가 된다.
다만 이 네 숫자를 넣었다고 해서 AI 답의 효과를 정확히 분리할 수 있는 것은 아니다. GEO로 페이지를 고치면 AI 답뿐 아니라 일반 검색 유입이나 홈페이지 전환도 함께 바뀔 수 있기 때문이다.
그래서 연구진은 효과를 「AI 답 덕분에 생긴 매출」처럼 좁게 나누기보다 GEO 전체의 효과로 정의했다. 모의실험에서도 전체 효과의 평균 오차는 17% 안팎이었지만, 「AI 답을 거친 몫」과 「그 밖의 경로로 생긴 몫」으로 나누면 오차가 27~48%로 컸다. 두 오차가 반대 방향으로 생겨 합칠 때 상쇄된 것이다.
| 모의실험(시장 5곳×묶음 6개×36개 기간, 120회 반복) | 결과 |
|---|---|
| 전체 효과의 평균 오차(추정 방법 4가지) | 17.326~18.099% |
| 그 밖의 경로 몫의 평균 오차 | 27.483~36.426% |
| AI 답을 거친 몫의 평균 오차 | 45.929~48.439% |
| 두 몫 오차의 상관 | −0.555~−0.677(서로 상쇄) |
| 효과 남는 기간· | 1.207 → 0.945 |
손본 뒤 매출만 비교하면 왜 안 되나
GEO를 적용한 뒤 매출이 올랐다고 해서 그 증가분을 모두 GEO 효과라고 보면 안 된다. 같은 기간 AI 이용이 전체적으로 늘거나 다른 변화가 함께 생길 수 있기 때문이다.
연구진의 모의실험에서는 손본 곳만 전후로 비교했을 때 치우침이 0.081이었고, 95% 구간이 참값을 담은 비율은 0이었다. 반면 손대지 않은 곳을 함께 비교했을 때 치우침은 0.001 미만이고 포함률은 0.954였다.
따라서 사장님이 처음부터 해 둘 일은 비교할 대상을 남겨 두는 것이다. GEO로 고친 페이지와 고치지 않은 페이지를 구분하고, 언제 고쳤는지도 기록해야 한다.
| 실수 | 모의실험 결과 | 바른 방법 |
|---|---|---|
| 손본 곳만 전후 비교(500회) | 치우침 0.081, 95% 구간 포함률 0.000 | 손대지 않은 곳과 함께 비교: 치우침 0.001 미만, 포함률 0.954 |
| 이름 검색을 통제 변수로 넣음 | 전체 효과 1.58 중 0.700만 잡힘 | 전체 효과를 볼 땐 넣지 않음: 1.579 |
가게 이름 검색도 같이 적어야 하나
가게 이름 검색 수는 버리면 안 되는 숫자다. 다만 GEO 효과를 분석할 때 이름 검색 증가를 단순한 통제 변수로 넣으면 문제가 생길 수 있다.
모의실험에서는 GEO의 직접 효과를 0.70, 가게 이름 검색이 늘어서 생긴 효과를 0.88로 정했다. 이름 검색을 통제 변수로 넣으면 전체 효과 1.58 가운데 0.700만 남았다.
GEO 때문에 고객이 가게 이름을 더 많이 검색하게 된 효과까지 지워 버린 셈이다. 그래서 전체 GEO 효과를 보려면 이름 검색 증가분도 효과의 흐름 안에 두고 봐야 한다.
작은 가게라면 지금 무엇을 적어 둘까
복잡한 분석을 당장 직접 할 필요는 없다. 나중에 분석할 수 있도록 같은 방식의 기록을 매달 남겨 두는 것이 먼저다.
정해 둔 질문 목록을 만들고 AI별로 같은 질문을 반복해 가게 이름이 몇 번 나왔는지 적어 둔다. 고객이 어떤 AI를 쓰는지, 새 고객이 AI에서 가게 이름을 봤다고 답했는지도 따로 기록한다.
GEO를 적용한 페이지와 적용하지 않은 페이지, 고친 날짜도 남겨야 한다. 여기에 매출, 문의, 가게 이름 검색 수도 같은 기간 단위로 적어 두면 나중에 전체 효과를 분석할 재료가 된다.
| 매달 적어 둘 것(예상) | 연결되는 숫자 |
|---|---|
| 정해 둔 질문 목록과 AI별 이름 등장 횟수 | ③ 등장 확률(이 연구는 질문당 20회) |
| 고객이 어느 AI를 쓰는지 | ② AI별 이용 비율 |
| 새 고객이 AI에서 이름을 봤다고 답한 수 | ④ 알아챌 확률 |
| GEO로 고친 페이지· | 전후 비교의 치우침 0.081을 피하는 비교군 |
| 매출· | 전체 효과(이름 검색 증가분 포함) |
결국 중요한 것은 「AI에서 몇 번 나왔나」가 아니다. 질문이 얼마나 있었는지, 어떤 AI가 얼마나 쓰였는지, 이름이 얼마나 자주 나왔는지, 그 이름을 고객이 알아봤는지를 연결해야 한다.
그리고 GEO를 한 곳만 전후로 비교해서는 안 된다. 손대지 않은 곳을 함께 두고, 이름 검색 증가를 GEO 효과에서 미리 빼지 않아야 한다.
① AI 답 효과는 질문 수·AI별 이용 비율·등장 확률·알아챌 확률 4가지를 곱해 매출 분석에 넣는다 ② 같은 질문 56개를 20회씩 물어 2,240개 답을 모았고, 전체 이름 등장률은 27.8%와 33.8%였다 ③ 모의실험에서 전체 효과의 평균 오차는 17% 안팎이었지만, 경로별 몫은 27~48%로 더 컸다 ④ 손본 곳만 비교하면 95% 구간 포함률이 0이었고, 이름 검색을 통제하면 전체 효과 1.58이 0.70으로 줄어 보였다
같이 읽을 글
자료 출처
- Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact(Kato·Honma·Kato·도쿄대·미즈호DL파이낸셜테크놀로지·NP-hard·2026년 9월 arXiv 제출·답 2,240개와 모의실험)
- Meridian(구글, 공개 마케팅 믹스 모델링 도구)
- PyMC-Marketing(공개 마케팅 믹스 모델링 파이썬 도구)
- Challenges and Opportunities in Media Mix Modeling(Chan·Perry, 구글 리서치, 2017)
- Google users are less likely to click on links when an AI summary appears in the results(퓨 리서치 센터, 2025년 7월 22일 — 링크 클릭 8% 대 15%, 출처 클릭 1%)
- 중소상공인 월평균 온라인광고비 29만원(농민신문, 2021년 2월 1일, 닐슨코리아 중소상공인 1,000명 조사)
작성일
← 칼럼 목록