AI 답변에 맞춰 쓰면 작은 가게는 더 안 보이게 될까?

AI 답변에 맞춰 글을 쓰는 곳이 늘어도, AI가 실제로 인용하는 사이트 수는 함께 늘어난다고 볼 수 없다. 질문 문구만 조금 달라져도 인용 사이트가 크게 바뀌고, 인용 쏠림을 나타내는 지니계수는 통합 기준 0.68까지 나왔다. 특히 소규모 업체의 AI 답변 인용·노출 비율은 11%라는 조사 결과도 있어 동네 가게가 느끼는 걱정에는 확인할 만한 근거가 있다.

질문을 조금 바꾸면 왜 인용 사이트가 달라질까?

국제 머신러닝 학회(ICML) 2026 포지션 트랙에 채택된 논문은 이 문제를 직접 살폈다. 연구진은 인디애나대 블루밍턴과 노스캐롤라이나대 샬럿 소속 연구자 6명이다. 같은 뜻을 가진 질문 30쌍을 만들어 오픈AI·제미나이 계열 배포 모델 7개에 넣었다.

결과에서 눈에 띄는 부분은 제미나이 계열이다. 질문 표현이 달라졌을 때 30개 질문 쌍 모두에서 인용 도메인 집합이 달라졌다. 같은 정보를 찾으려는 질문인데도 어떤 사이트가 근거로 선택되는지가 달라진다는 뜻이다.

이 결과가 중요한 이유는 단순하다. 오늘 고객이 AI에게 가게 정보를 물었을 때 인용된 사이트가 내일도 같은 방식으로 인용된다는 보장이 없기 때문이다. 논문은 이런 변화를 정기적으로 측정해야 한다고 제안했고, 표본당 50~300달러의 비용으로 2주간 매일 또는 매주 반복 측정하는 방식을 제시했다.

AI가 몇몇 사이트에만 의존하면 어떤 일이 생길까?

정보가 특정 사이트에 몰리는 정도는 지니계수로 볼 수 있다. 0이면 여러 사이트에 고르게 인용되는 상태이고, 1에 가까울수록 소수 사이트에 인용이 집중된 상태다.

별도 연구에서는 챗GPT·제미나이·퍼플렉시티·코파일럿의 인용을 표본으로 분석했다. 4개 엔진을 합친 지니계수는 0.68이었다. 엔진별로도 챗GPT 0.648, 제미나이 0.595, 퍼플렉시티 0.563, 코파일럿 0.492로 차이가 있었다.

다만 이 숫자를 보고 모든 AI가 똑같은 사이트만 인용한다고 이해하면 안 된다. 오히려 엔진마다 인용하는 사이트가 상당히 다르다는 결과도 함께 나왔다.

AI 엔진을 여러 개 쓰면 문제가 해결될까?

2026년 1~6월에 챗GPT·제미나이·퍼플렉시티·구글 AI 개요·구글 AI 모드 5개 엔진의 인용 2,270만 건을 분석한 조사도 있다. 조사 대상은 27개국이었고, 그중 미국 표본이 84%였다.

전체 출처 가운데 79.6%는 한 엔진에서만 등장했다. 5개 엔진에서 동시에 인용된 질문은 531,889개였고, 여기에는 1,300만 건의 인용과 28만 245개 사이트가 포함됐다. 퍼플렉시티와 챗GPT가 서로 겹치지 않는 비율도 89~90%였다.

이 결과는 작은 가게가 어느 한 AI의 답변만 보고 안심하기 어렵다는 점을 보여준다. 한 엔진에서 보인 노출이 다른 엔진에서도 그대로 이어진다고 보기 어렵기 때문이다.

그럼 AI마다 ‘1등으로 추천하는 곳’도 다른가?

그렇다. 다른 조사에서는 GPT-5.2, 제미나이 3 플래시, 퍼플렉시티 sonar-pro를 대상으로 브랜드 50개와 업종 5개를 살폈다. 무브랜드 질문 250개를 포함해 질문당 5회씩 반복했고, 모두 3,750건의 응답을 모았다.

업종별 지니계수 평균은 0.28로, 조사에서 사용한 쏠림 기준선 0.60보다 낮았다. 그런데 어떤 브랜드가 최상위로 추천되는지를 놓고 보면 모델 간 일치율은 41.6%에 그쳤다.

즉, 한 업종 안에서 여러 브랜드가 고르게 언급되는 경우에도 최상위에 놓이는 브랜드는 AI 엔진에 따라 달라질 수 있다. ‘우리 가게가 AI에 한 번 나왔다’는 사실만으로 꾸준한 노출을 기대하기 어려운 이유다.

그렇다면 작은 가게가 더 불리해질 수도 있을까?

AI가 정보를 고르는 과정에서 생기는 쏠림과 사업자 규모에 따른 차이는 구분해서 봐야 한다. 쏠림 자체가 곧 대형업체에 유리하다는 뜻은 아니지만, 업체 조사에서는 실제 AI 답변 인용·노출 비율이 대형업체 73%, 중견업체 44%, 소규모업체 11%로 나타났다.

또 질문 1만 개를 대상으로 한 실험에서는 콘텐츠에 통계·인용문·출처를 추가하는 등의 방법으로 가시성을 높일 수 있었다. 5위였던 콘텐츠는 최적화 뒤 노출이 115% 늘었고, 1위였던 콘텐츠가 아무 조치를 하지 않았을 때는 30% 줄었다.

이 결과만으로 ‘AI 최적화는 큰 업체만 할 수 있다’고 단정할 수는 없다. 다만 이미 노출되는 콘텐츠와 그렇지 않은 콘텐츠 사이에 차이가 생길 가능성은 살펴볼 필요가 있다. 국내 조사(KISDI, 2026.4)에서 단독자영업자의 AI 이용률이 12.6%로 나타난 점도 함께 볼 필요가 있다.

그래서 논문은 무엇을 바꾸자고 하나?

논문이 말하는 핵심은 AI 답변의 정확도만 높이면 충분하지 않다는 것이다. 답변이 왜 특정 사이트를 선택했는지 보여주는 패널과 빠진 대안 증거를 보여주는 기능이 필요하다고 제안한다.

상업적 영향이 답변의 인용이나 문장 구성에 실질적으로 연결돼 있다면 이를 알리는 공시 기준도 제안한다. 오탐을 줄이기 위해 정밀도를 우선하는 방식이다.

마지막으로 AI 답변을 한 번 확인하고 끝내지 말고, 정해진 일정에 같은 유형의 질문을 반복해 인용률과 노출 지속성을 측정하자고 제안한다. 이렇게 해야 어떤 사이트가 계속 선택되는지, 질문 표현이나 엔진에 따라 결과가 얼마나 달라지는지 볼 수 있다.

AI사이트코리아가 직접 챗GPT 답변 인용 31건을 확인한 결과에서도 특정 유형에 인용이 몰리는 모습이 나타났다. 자사 홈페이지가 10건, 정부·공공기관이 3건, 티스토리가 1건이었고 네이버 블로그와 브런치는 0건이었다.

이 결과만으로 전체 AI 답변의 구조를 설명할 수는 없다. 다만 국제 연구에서 나타난 인용 쏠림과 엔진 간 차이가 실제 답변에서도 어떤 모습으로 나타나는지 살펴볼 수 있는 사례다.

결국 동네 가게가 봐야 할 숫자는 ‘AI에 한 번 나왔는가’만이 아니다. 어떤 질문에서 나왔는지, 어떤 AI에서 나왔는지, 시간이 지나도 계속 인용되는지를 함께 봐야 한다.

같이 읽을 글

• 우리 글은 왜 AI 답변에 안 들어갈까?
• AI는 우리 홈페이지를 인용하고도 왜 다르게 말할까?
• AI는 우리 가게 홈페이지를 정말 볼까?

자료 출처

• Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots(Wen 외 6인, 인디애나대 블루밍턴·노스캐롤라이나대 샬럿, ICML 2026 포지션 트랙, 2026.5.18 제출, 질문 30쌍·모델 7개)
• Synthetic Sources? Auditing Generative Search Engine Citations(2026, 챗GPT·제미나이·퍼플렉시티·코파일럿 4개 엔진 지니계수 측정)
• 89% of What ChatGPT Cites, Perplexity Never Touches(Wellows, 2026.1~6, 5개 엔진·27개국·인용 2,270만 건)
• Who Owns the AI Recommendation? A Multi-Industry Empirical Map of Brand Category Ownership Across Large Language Models(2026, 3개 모델·브랜드 50개·응답 3,750건)
• GEO: Generative Engine Optimization(Aggarwal 외, 프린스턴대·IIT 델리, KDD 2024, 질문 1만 개 실험)