AI에 가게가 나오는지 한 번만 확인하면 될까?
고객은 한 번 묻고 끝나지 않는다
고객은 AI에 한 번 묻고 가게를 고르지 않는다. 첫 답을 본 뒤 조건과 가격, 예약 가능 여부 등을 다시 묻는다. 열 번 이어지는 대화를 계산한 모델에서는 질문 하나씩 잰 것보다 전체 효과가 2.23배 컸다.
질문 하나에서 보이는 효과와 대화가 이어지며 생기는 효과는 따로 봐야 한다.
왜 질문 하나만 보면 놓치는 게 있을까?
지금까지 GEO 효과는 주로 질문 하나를 정해 놓고 확인했다. 글을 고치기 전과 고친 뒤 AI 답을 받아서 우리 가게가 얼마나 드러나는지를 비교하는 방식이다.
이 방법은 질문끼리 서로 영향을 주지 않는다고 본다. 하지만 실제 고객은 첫 답을 읽고 다음 질문을 정한다. 첫 답에 어떤 가게가 나왔는지가 다음 질문과 다음 답에 영향을 줄 수 있다.
| 구분 | 질문 하나로 재기 | 대화 전체로 재기 |
|---|---|---|
| 재는 단위 | 답 1개 | 대화 1개(이 연구는 10번 오가는 대화로 계산) |
| 질문은 어떻게 정해지나 | 미리 정해 둔 목록 | 앞 답을 읽은 고객이 새로 정함 |
| 질문끼리 영향 | 없다고 가정 | 앞 답이 다음 질문· |
| 대화가 이어지며 붙는 몫 | 계산상 늘 0 | 따로 계산함 |
| 이 연구가 낸 열 번 대화 효과 | 1.20 | 2.68 |
연구진은 이 현상을 대화 포획(conversational capture)이라고 설명한다. 처음 답에 나온 출처가 다음 답에서도 다시 나올 가능성이 커지는 현상이다.
가게를 고르는 고객 입장에서는 첫 답에서 나온 곳과 빠진 곳 사이의 차이가 대화가 이어질수록 커질 수 있다. 그래서 질문 하나의 결과만 보는 것과 대화 전체를 보는 것은 측정하는 대상이 다르다.
첫 답에 나온 가게가 왜 계속 나올까?
연구진은 대화가 이어지는 경로를 두 가지로 나눴다. 하나는 AI가 앞의 대화 기록을 보고 같은 출처를 다시 꺼내는 기계 쪽 경로다.
다른 하나는 고객이 첫 답에 나온 가게를 보고 그 가게를 대상으로 다음 질문을 하는 사람 쪽 경로다. 예를 들어 「광주 상무지구 한의원」을 물은 뒤 특정 가게가 답에 나오면, 고객은 그 가게를 두고 조건이나 비용을 다시 물을 수 있다.
| 길 | 무엇이 일어나나 | 어떻게 재나 | 열 번 대화 계산값 |
|---|---|---|---|
| 기계 쪽(대화 기록) | AI가 앞 대화를 보고 같은 출처를 다시 꺼냄 | 같은 질문을 기록이 있는 AI와 없는 AI에 넣고 비교, 고객 모델 없이 가능 | 0.85 |
| 사람 쪽(이어서 묻는 질문) | 고객이 앞 답에 나온 가게를 두고 다시 물음 | 실제 고객이나 고객을 흉내 내는 AI가 필요 | 0.63 |
| 두 길 합계 | 대화가 이어지며 붙는 몫 | 위 두 값을 더함 | 1.48 |
이렇게 보면 첫 답에 나오는 것이 단순히 한 번 노출되는 것만은 아니다. 이어지는 질문과 답에서 다시 등장할 기회가 생긴다.
반대로 첫 답에서 빠진 가게는 다음 대화에서 새로 들어갈 기회가 좁아질 수 있다. 연구진은 그래서 GEO의 효과를 질문 하나의 변화만으로 계산하면 대화가 이어지는 과정에서 생기는 부분을 놓친다고 본다.
열 번 이어서 물으면 차이가 얼마나 커질까?
연구진은 경쟁 출처가 둘이고, 아무것도 하지 않았을 때 각각 50%의 몫을 가진다는 조건으로 계산했다. GEO를 하면 첫 답에서 몫이 12%포인트 오른다고 두고, 앞 답에 나온 출처가 다시 힘을 받는 정도도 정해 계산했다.
그 결과 GEO를 한 출처의 몫은 첫 답의 62%에서 열 번째 답의 91%까지 올랐다. 대화 기록과 고객 질문의 영향을 막으면 첫 답의 62%에서 그대로였다.
| 항목(10번 대화) | 값 | 뜻 |
|---|---|---|
| 질문 하나의 효과 | 0.120 | 답 1개에서 오른 몫 |
| 질문 하나 × 10 | 1.200 | 지금 점검 방식으로 짐작한 값 |
| 직접 몫 | 1.200 | 질문 하나 × 10과 같음 |
| 대화가 이어지며 붙는 몫 | 1.481 | 지금 점검에 안 잡히는 부분 |
| └ 기계 쪽 | 0.851 | 대화 기록 때문 |
| └ 사람 쪽 | 0.630 | 이어서 묻는 질문 때문 |
| 대화 전체 효과 | 2.681 | 직접 몫 + 붙는 몫 |
| 불어나는 배수 | 2.234배 | 대화 전체 ÷ (질문 하나 × 10) |
| 배수의 상한(이 계산 조건) | 약 4.17배 | 대화가 아주 길어지면 다가가는 값 |
질문 하나의 효과를 열 번 더한 값은 1.200이다. 반면 대화 전체 효과는 2.681이고, 이 가운데 대화가 이어지며 붙는 몫은 1.481이다.
즉 이 계산에서는 질문 하나를 열 번 본 것보다 대화 전체에서 생기는 효과가 더 컸다. 다만 2.23배라는 값은 실제 챗GPT나 제미나이에서 고객을 대상으로 측정한 결과가 아니라, 정해 둔 조건과 식으로 계산한 값이다.
질문 하나에서 잘 나온 방법이 대화에서도 잘 나올까?
반드시 그렇지는 않다. 연구진은 가상의 GEO 방법 다섯 개를 놓고 첫 답에서 효과가 큰 방법과 대화 전체에서 효과가 큰 방법을 비교했다.
A는 첫 답에서 0.18로 가장 큰 효과를 내지만 이어지는 힘은 0.20이다. B는 첫 답 효과가 0.15로 더 작지만 이어지는 힘은 0.70이다.
| 방법 | 첫 답 효과 | 이어지는 힘 | 10번 대화 효과 | 질문 하나 순위 | 대화 전체 순위 |
|---|---|---|---|---|---|
| A | 0.18 | 0.20 | 2.343 | 1 | 3 |
| B | 0.15 | 0.70 | 3.224 | 2 | 1 |
| C | 0.12 | 0.30 | 1.919 | 3 | 4 |
| D | 0.10 | 0.80 | 2.851 | 4 | 2 |
| E | 0.08 | 0.50 | 1.855 | 5 | 5 |
두 기준의 순위가 얼마나 같은지를 보는 켄달 상관은 0.4였다. 다섯 가지 방법을 둘씩 비교한 10쌍 가운데 3쌍은 순서가 뒤집혔다.
이 계산에서는 질문 하나 기준 1등인 A가 대화 전체에서는 3등이 됐다. 질문 하나만 보고 방법을 고르면 대화 전체에서의 결과와 다른 선택을 할 수 있다는 뜻이다.
실제 고객도 이어서 물을까?
이 부분은 계산을 실제 고객에게 적용할 수 있는지와 연결된다. 오픈서베이 조사에서는 생성형 AI 이용자의 42.3%가 이어서 물으며 더 파고든다고 답했다.
| 조사 | 숫자 | 조건 |
|---|---|---|
| 오픈서베이(2026.7, 검색 이용자 1,000명) | 궁금하면 바로 AI에 묻는다 56.9% | 생성형 AI 이용자 기준 |
| 같은 조사 | 이어서 물으며 더 파고든다 42.3% | 〃 |
| 같은 조사 | 내 상황에 맞춰 정리된 답을 더 좋아하게 됐다 34.1% | 〃 |
| 같은 조사 | 단어 대신 문장으로 길게 묻게 됐다 28.0% | 〃 |
| 셈러시(2024.10~2026.2, 미국 클릭 기록 10억 줄 이상) | 챗GPT 세션당 질문 1.16~1.21 → 1.75 | 마지막 4개월에 약 50% 늘어남 |
| 같은 조사 | 웹 검색을 켠 질문 비율 46% → 34.5% | 기간 중 15~66.3% 사이로 오르내림 |
셈러시 자료에서는 미국 챗GPT 세션당 질문 수가 1.16~1.21에서 1.75로 늘었다. 다만 이 자료는 미국 클릭 기록을 대상으로 한 것이어서 한국 고객에게 그대로 옮겨서는 안 된다.
모든 고객이 열 번씩 묻는다는 뜻도 아니다. 중요한 것은 고객이 첫 답을 보고 다음 질문을 이어가는 경우가 실제로 있다는 점이다.
그럼 가게 점검도 대화를 봐야 할까?
여기서부터는 연구진의 틀을 동네 가게 점검에 맞춰 옮긴 제안이다. 효과가 확인된 방법은 아니다.
지금까지 질문 하나 방식으로 점검했다면, 같은 고객이 할 법한 질문을 3~5개 이어서 넣어볼 수 있다. 지역을 묻고, 조건을 묻고, 가격과 예약을 묻는 식이다.
| 점검 항목 | 질문 하나 방식 | 대화째 방식(제안) |
|---|---|---|
| 질문 묶음 | 질문 1개 | 같은 고객이 할 법한 질문 3~5개를 이어서(지역 → 조건 → 가격 → 예약) |
| 기록할 것 | 나왔나 / 안 나왔나 | 처음 나온 순서, 그 뒤 몇 번 다시 나왔나 |
| 대화 기록의 영향 | 확인 못 함 | 같은 질문을 새 대화창과 이어진 대화창에 각각 넣고 비교 |
| 경쟁 가게 | 첫 답의 목록 | 끝까지 남는 가게가 누구인가 |
| 반복 횟수 | 1회 | 답이 매번 달라지므로 같은 시나리오를 여러 번 |
기록할 것도 달라진다. 단순히 「나왔다」와 「안 나왔다」만 적는 것이 아니라, 처음 몇 번째 답에서 나왔는지와 그 뒤 몇 번 다시 나왔는지를 적는다.
대화 기록의 영향은 같은 질문을 새 대화창과 이어진 대화창에 각각 넣어 비교할 수 있다. 이 방법은 고객을 따로 모으지 않아도 확인할 수 있는 부분이다.
사람 쪽 영향은 실제 고객이 AI에 무엇을 물었는지를 알아야 한다. 상담 과정에서 고객이 어떤 질문을 이어서 했는지 받아 적는 정도가 현실적인 출발점이 될 수 있다.
첫 답에 나오는 것이 중요하다는 연구진의 계산이 실제에서도 맞는지는 아직 확인할 일이 남아 있다. 그렇다면 홈페이지 첫 문단에 지역·업종·대표 가격처럼 첫 질문에 바로 쓰일 사실을 두는 것이 우선이라는 제안도 가능하다. 다만 이것 역시 예상이다.
이 계산을 어디까지 믿어야 할까?
한계는 분명하다. 연구진은 사람을 대상으로 실험한 것이 아니라 이론과 모델로 계산했으며, 사람 평가 자료를 모아 2.23배를 확인한 것이 아니다.
또 경쟁 출처를 둘로 줄여 계산했다. 실제 AI 답에는 여러 가게와 블로그가 함께 들어갈 수 있다. 앞에 나온 출처가 계속 유리해진다는 방향도 계산에 들어간 가정이다.
고객이 첫 답을 의심해 다른 출처를 확인하라고 이어서 묻는다면 사람 쪽 영향은 달라질 수 있다. 연구진도 이런 가능성을 설명하면서 실제 검증이 앞으로 필요하다고 제안했다.
따라서 지금 확인할 수 있는 결론은 「우리 가게가 질문 하나의 답에 나오는가」만으로 대화 전체의 모습을 알 수 없다는 정도다. 열 번 대화의 2.23배라는 숫자 자체를 실제 매장 성과처럼 받아들이면 안 된다.
요점 ① 질문 하나 × 10의 직접 효과는 1.200, 대화 전체 계산값은 2.681이었다. ② 열 번 대화의 효과는 질문 하나씩 잰 값보다 2.23배였지만 실제 고객 실험이 아닌 모델 계산이다. ③ 다섯 가지 방법을 비교했을 때 10쌍 중 3쌍의 순위가 뒤집혔고 켄달 상관은 0.4였다. ④ 오픈서베이에서는 생성형 AI 이용자의 42.3%가 이어서 물었고, 셈러시 자료의 미국 챗GPT 세션당 질문은 1.75개였다.
같이 읽을 글
- 쇼핑 AI에 우리 상품이 한 번 나오면 된 걸까?
- AI가 처음 우리 가게를 못 찾으면 끝인가요?
- 가격 문장을 고치면 다른 질문 답도 나빠질까?
- AI는 우리 가게 글을 정말 다 읽을까?
자료 출처
- Conversational Capture: A Trajectory-Level Framework for Evaluating Generative Engine Optimization in Multi-turn Human-Agent Interaction(도쿄대·쓰쿠바대·히로시마대·국립정보학연구소 등, arXiv 2609.40069, 2026.9 제출, HAI '26 발표 예정, 모델 계산·사람 실험 없음)
- 같은 논문 본문 HTML판(표 1 분해값·방법 5개 순위표·검증 계획)
- GEO: Generative Engine Optimization(프린스턴대 등, arXiv 2311.09735, 2023.11, 질문 1만 개 실험)
- 만족도 77.3% vs 70.6%, ChatGPT를 앞지른 Gemini — 2026 AI 검색 트렌드(오픈서베이, 2026.7, 검색 이용자 1,000명)
- AI Chat Relies On Search To Fill Gaps(미디어포스트, 셈러시 조사 보도, 2024.10~2026.2 미국 클릭 기록 10억 줄 이상)
- New Semrush Study Reveals ChatGPT Search Trends(셈러시, 2025.2, 클릭 기록 8,000만 건)
작성일
← 칼럼 목록