측정에서 재측정까지, GEO 폐루프 4주 케이스 스터디

이 글의 회사와 수치는 실명 고객이 아니라 여러 사례를 합쳐 만든 대표 시나리오다. 모든 숫자는 폐루프가 한 바퀴 도는 방식을 보여주려는 예시값이지 실제 측정값은 아니다. 봐야 할 것은 숫자 자체가 아니라 루프가 도는 순서다.

인용률을 높이는 방법 자체는 어렵지 않습니다. 질문에 곧장 답하고, 근거를 붙이고, 엔티티 표기를 통일한 다음, 측정하고 다시 측정하면 됩니다. 목록으로 적어 놓으면 이렇게 명료한데, 막상 월요일 아침에 자리에 앉으면 어디서부터 시작해야 할지 막막합니다. 어떤 질문을 측정해야 하는지, 갭이 보이면 글을 몇 개나 써야 하는지, 다음 측정은 언제 해야 하는지가 목록만 봐서는 잡히지 않으니까요.

그래서 이 글은 전술 목록 대신 시간순 이야기로 풀어 봅니다. 가상의 B2B SaaS 회사 한 곳이 4주 동안 폐루프를 한 바퀴 돌리는 과정을 주차별로 따라갑니다. 이 회사는 중소기업용 경비 정산 소프트웨어를 파는 곳이라 하고, 이름은 "리포밀"로 부르겠습니다. SEO에는 익숙하지만 GEO는 처음 해보는 팀입니다.

0주차: 검색은 1위인데 답변엔 없다

발단은 사소했습니다. 리포밀의 그로스 담당자가 점심시간에 ChatGPT에 "중소기업 경비 처리 자동화 툴 추천해줘"라고 물었습니다. 답변에는 경쟁사 세 곳이 깔끔한 문단으로 정리돼 나왔는데, 리포밀은 어디에도 없었습니다. 같은 키워드를 네이버에 넣으면 리포밀 블로그가 첫 페이지 상단에 뜨는데도 그랬죠.

이럴 때 흔히 두 가지 반응이 나옵니다. 하나는 "AI가 아직 우리를 모르나 보다, 콘텐츠를 더 쓰자"며 곧장 글 양산으로 뛰는 반응입니다. 다른 하나는 "한 번 우연히 빠졌겠지"라며 그냥 넘기는 반응이고요. 둘 다 측정을 건너뛴다는 점에서 같은 실수입니다. 한 질문에 한 번 빠진 게 패턴인지 우연인지, 챗봇에서만 그런지 검색형 답변에서도 그런지, 경쟁사는 왜 인용되는지를 모른 채 움직이는 거니까요.

그래서 리포밀이 0주차에 내린 결정은 단순했습니다. 다음 한 주는 콘텐츠를 쓰지 않고 측정만 한다. 출발선을 모르면 4주 뒤에 무엇이 나아졌는지조차 말할 수 없으니까요.

1주차: 출발선을 숫자로 고정한다

측정의 첫 단추는 무엇을 측정할지 정하는 일입니다. 리포밀은 고객이 실제로 던질 법한 질문 20개를 모았습니다. 영업팀 통화 기록과 고객지원 문의, 그리고 검색 콘솔의 실제 검색어에서 끌어왔죠. "경비 관리" 같은 추상적인 키워드가 아니라, 사람이 챗봇에 칠 법한 완결된 문장으로 적은 게 핵심입니다.

• "중소기업 경비 정산 자동화 어떻게 시작해?"
• "법인카드 사용 내역 자동으로 분류하는 방법"
• "경비 처리 엑셀 말고 대안 있어?"
• "세무사한테 넘기기 좋게 경비 정리하는 법"

그다음 이 질문들을 여러 생성형 표면에 직접 던졌습니다. 다만 두 종류의 표면은 따로 떼어 봐야 합니다. 대화형 챗봇(ChatGPT, Claude, Gemini 등)과 Google AI Overview 같은 검색형 답변은 작동 방식이 다르기 때문입니다. 챗봇은 학습한 지식과 실시간 검색을 섞어 답하는 반면, 검색형 답변은 검색 결과 상단에서 출처를 끌어와 합성합니다. 그래서 같은 질문이라도 두 표면에서 인용되는 브랜드가 달라질 수 있습니다. 두루뭉술하게 "AI에 안 나온다"고만 적으면 곤란합니다. 어느 표면의 어떤 질문에서 빠지는지를 따로 기록해야 다음 행동이 정해지니까요.

한 주가 지나자 출발선 지도가 나왔습니다. 예를 들어 이런 모양이었습니다.

여기서 인용률은 "측정한 질문 중 답변 안에 우리가 등장한 비율"이라는 단순한 정의로 잡았습니다. 정교한 가중치는 나중 문제입니다. 처음에는 같은 정의로 같은 질문을 반복해서 측정할 수 있느냐가 더 중요하니까요. 이렇게 출발선이 챗봇 약 15%, 검색형 약 10%로 고정되면서 4주 뒤에 비교할 대상이 생겼습니다.

2주차: 갭을 읽고 우선순위를 정한다

측정 결과를 펼쳐 놓고 보면 갭에도 종류가 있습니다. 리포밀은 빠진 질문을 세 갈래로 나눴습니다.

1. 경쟁사만 등장하는 질문. 여러 경쟁사가 또렷이 나오는데 우리만 없는 질문입니다. 시장이 답을 원하는데 우리 자리가 비어 있다는 신호라 우선순위가 가장 높습니다.
2. 아무도 좋은 답을 못 주는 질문. AI가 두루뭉술하게 답하는 질문입니다. 경쟁이 약하니 정확한 답 하나로 선점할 여지가 커서 효율이 가장 좋습니다.
3. 우리가 이미 등장하는 질문. 지키되, 지금 다룰 곳은 아닙니다.

리포밀은 1번과 2번에서 다섯 개 질문을 골랐습니다. 다섯 개로 좁힌 데는 이유가 있는데요. 폐루프의 목적은 콘텐츠를 많이 찍어내는 게 아니라 콘텐츠가 인용으로 이어지는가라는 인과를 한 바퀴 안에서 확인하는 데 있기 때문입니다. 한 번에 스무 개를 발행해 버리면 4주 뒤에 인용이 올라도 무엇이 효과였는지 분리되지 않습니다. 변화의 원인을 읽으려면 건드리는 변수를 적게 가져가야 합니다.

갭을 읽을 때 살펴본 항목이 하나 더 있습니다. 경쟁사가 등장하는 답변에서 AI가 어떤 출처를 끌어 쓰는지입니다. 자사 블로그인지, 업계 매체인지, 비교 사이트나 커뮤니티인지를 보면 인용의 통로가 드러납니다. 통로가 보이면 우리 콘텐츠를 어디에 어떤 형태로 놓아야 같은 통로에 올라탈 수 있는지도 보입니다. 답변에 붙는 출처 목록이 곧 다음 행동의 지도가 됩니다.

3주차: 갭을 메우는 콘텐츠를 발행한다

이제 글을 씁니다. 다만 평소 블로그를 쓰듯 쓰지는 않습니다. 측정에서 나온 다섯 개 질문 각각을 한 편의 글이 끝까지 책임지는 구조로 짭니다. "경비 관리 총정리" 같은 넓고 얕은 글 하나가 아니라, "법인카드 사용 내역 자동 분류하는 법" 한 가지를 깊게 답하는 글들입니다.

각 글에는 인용률을 다룬 개요 글의 원칙을 그대로 적용했습니다. 원칙 자체를 다시 설명하기보다, 이 케이스에서 실제로 어떻게 적용됐는지만 짚어 봅니다.

• 질문을 소제목으로, 직답을 첫 두 문장으로. 사람이 챗봇에 칠 법한 문장을 h2로 올리고, 바로 아래에서 결론부터 말했습니다. 배경 설명은 그 뒤로 미뤘고요. AI가 그 두 문장만 떼어 답변에 넣을 수 있을 만큼 자족적이어야 하기 때문입니다.
• 주장 옆에 검증 가능한 근거를. 없는 통계를 지어내지 않았습니다. 자체 데이터가 있으면 기간과 표본을 밝혀 공개했고, 없으면 공식 문서를 인용하거나 가상 예시임을 명시했습니다. 지어낸 숫자는 단기 인용을 얻더라도 모델 간 교차 검증에서 결국 걸러지니까요.
• 엔티티 표기를 통일. 제품명과 카테고리 용어, 영문 병기 방식을 한 가지로 고정해 다섯 글 전체에 똑같이 적용했습니다. 같은 대상을 글마다 다르게 부르면 인용 신호가 표기별로 흩어지기 때문입니다.
• 구조화 데이터와 본문의 일치. FAQ형 글에는 FAQPage 스키마를 얹되, 본문에 없는 내용을 마크업에만 채우지는 않았습니다. 본문을 질문과 직답 구조로 잘 써두면 스키마는 거의 자동으로 따라옵니다.

발행 위치도 한 군데로 몰지 않았습니다. 2주차에 읽어낸 인용 통로에 맞춰 자사 사이트에 핵심 글을 두면서, 일부 사실 정보는 AI가 자주 참고하는 외부 표면에도 정확하게 반영했습니다. 예를 들어 업계 위키의 사실 항목을 점검하고 디렉터리 정보의 오류를 정정하는 식인데, 광고를 끼워 넣는 게 아니라 정확한 정보를 제자리에 놓는 일입니다.

여기서 자주 나오는 조급함이 있다. 발행하고 다음 날 곧장 다시 측정해 보려는 마음이다. 생성형 엔진이 새 콘텐츠를 크롤링하고 후보에 반영하기까지는 시간이 걸리니, 발행 직후의 측정은 노이즈만 보기 쉽다. 그래서 리포밀은 발행 후 바로 재측정하지 않고 한 주를 기다렸다.

4주차: 같은 질문을 다시 던진다

재측정의 철칙은 하나입니다. 1주차와 똑같은 질문을, 똑같은 표면에, 똑같은 인용 정의로 던진다. 질문을 바꾸거나 정의를 바꾸면 변화가 콘텐츠 덕인지 측정 방식 탓인지 알 수 없게 됩니다. 출발선과 비교할 수 있어야 폐루프가 비로소 의미를 갖습니다.

예를 들어 이런 식으로 결과가 나왔습니다.

다섯 개 질문 중 작업한 영역에서 등장이 생겼습니다. 챗봇 표면에서 더 크게 움직인 반면, 검색형 답변은 변화가 더 느렸습니다. 검색형은 검색 인덱싱과 출처 선정이라는 단계를 한 번 더 거치다 보니 반영에 시차가 있는 것으로 보입니다. 두 표면을 따로 보지 않았다면 그냥 "10pp쯤 올랐다"로 묻혔을 차이입니다.

중요한 건 숫자 크기가 아니라 읽어낸 인과입니다. 이번 바퀴에서 리포밀이 알게 된 사실은 이렇습니다.

• 질문과 직답 구조로 다시 쓴 두 글은 챗봇에서 또렷이 등장했으니, 이 패턴은 키웁니다.
• 외부 표면 정보를 정정한 질문은 검색형 답변에서 늦게 반영됐으니, 시차를 감안하고 다음 측정에서 다시 봅니다.
• 한 글은 발행했는데도 변화가 없었는데, 직답이 충분히 자족적이지 않았을 가능성이 있어 다음 바퀴에서 구조를 다듬습니다.

한 번으로 끝이 아니다

4주가 흐르며 리포밀이 얻은 진짜 자산은 인용률 숫자가 아닙니다. 다음 콘텐츠를 추측이 아니라 데이터로 정하는 방식입니다. 효과가 난 패턴(질문과 직답 구조)과 시차가 있는 패턴(외부 표면 정정), 그리고 효과가 없던 글(구조를 다시 다듬을 곳)이 분리되어 보이니, 다음 바퀴는 이 학습 위에서 시작할 수 있습니다.

그래서 폐루프는 한 번 돌리고 끝내는 캠페인이 아니라 운영 리듬에 가깝습니다. 모델은 계속 바뀌고 경쟁사도 같은 일을 하고 있으니, 이번 달에 등장하던 질문에서 다음 달엔 밀릴 수도 있습니다. 주기를 짧게(예를 들어 주간으로) 가져갈수록 학습 속도가 빨라지고 변화도 빨리 잡아낼 수 있습니다.

4주 폐루프를 표로 압축하면 이렇습니다.

이 루프를 손으로 돌리는 일도 가능하긴 하지만 금세 버거워집니다. 질문은 스무 개가 넘고, 챗봇과 검색형 답변은 따로 봐야 하고, 재측정 주기는 매주 돌아오니까요. 표면별 등장을 일관된 정의로 기록하고, 갭을 콘텐츠로 잇고, 같은 조건으로 재측정하는 과정을 한곳에서 돌리려면 결국 도구의 도움이 필요해집니다. 다만 도구 이전에 기억할 원칙은 같습니다. 인용률은 더 많이 쓰는 일이 아니라, 먼저 측정하고 한 변수씩 검증하는 일에서 올라갑니다. 넛지오는 그 출발선을 확인하고 같은 조건으로 다시 측정하도록 돕습니다.