생성 AI의 확산은 기업의 업무 방식뿐 아니라 소비자가 제품과 브랜드를 탐색하는 방식까지 바꾸고 있다.

포털이나 이커머스 플랫폼에서 키워드를 검색하고 여러 결과를 직접 비교하던 과정에 AI에게 자신의 상황과 조건을 설명하고 적합한 제품을 제안받는 방식이 더해지고 있다.

AI 마케팅 솔루션 기업의 전략을 총괄하는 입장에서 이 변화에 주목하는 이유는 명확하다.

AI가 업무 생산성을 높이는 도구를 넘어 소비자와 브랜드를 연결하고 구매 결정에 영향을 미치는 새로운 접점으로 부상하고 있기 때문이다.

이러한 변화와 함께 주목받는 개념이 AEO(답변 엔진 최적화)다. AI 환경에서 AEO는 소비자의 질문에 대한 답변에 기업과 제품 정보가 정확하고 적절하게 반영되도록 하는 활동을 뜻한다. 생성형 AI의 답변 속에서 콘텐츠의 가시성을 높인다는 의미에서는 GEO(생성형 엔진 최적화)라는 용어도 쓰인다.

두 용어의 실무적 범위는 상당 부분 겹친다. 기존 SEO가 축적해온 검색 가능성과 콘텐츠 품질의 기반 위에서 마케팅의 경쟁 무대가 ‘검색 결과의 상단’에서 ‘AI가 생성하는 답변’으로 넓어지고 있는 것이다.

학계에서도 이 문제를 연구하고 있다. 2024년 글로벌 데이터 마이닝·AI 학술대회서도 다뤄진 GEO는 생성된 답변에서 출처의 내용이 얼마나, 어느 위치에 반영되는지 등을 측정하고 개선하는 방법을 제시했다. 올해 후속 연구는 답변 생성뿐 아니라 그에 앞선 검색과 문서 선별 단계까지 포함해 효과를 평가해야 한다는 점을 강조했다.

이는 기업이 답변에 인용될 콘텐츠를 만드는 일과 그 콘텐츠가 검색될 수 있도록 관리하는 일을 함께 고려해야 함을 시사한다. 다만 개별 연구에서 확인된 효과를 모든 AI 서비스에 적용되는 공식으로 받아들여서는 안 된다.

이 과정을 이해하는 데 도움이 되는 기술적 개념이 RAG(검색 증강 생성)이다. 외부 문서나 데이터베이스에서 검색한 정보를 답변 생성에 결합하는 방식이다. 외부 검색을 활용하는 AI 서비스에서는 기업의 정보를 찾을 수 있어야 하고, 찾아낸 내용은 질문에 답하는 근거로 쓰일 수 있어야 한다. 따라서 기업에는 콘텐츠의 발견 가능성과 함께 설명의 명확성, 근거의 신뢰성을 관리하는 역량이 요구된다.

여기서 중요한 것이 데이터에 내재한 맥락과 의미 관계다. 제품 설명과 사용 후기, 소비자의 질문에는 같은 요구가 서로 다른 표현으로 등장한다. ‘좁은 집에서도 쓰기 좋은가’와 ‘사용하지 않을 때 접어둘 수 있는가’는 공간 활용이라는 관심과 연결될 수 있다.

자연어 처리와 언어모델은 이러한 표현에서 제품의 속성과 사용 상황을 추출하는 데 활용될 수 있다. 그러나 표현의 유사성만으로 제품의 적합성을 판단할 수는 없다. 크기가 작은 제품이라도 사용 중 넓은 여유 공간이 필요할 수 있기 때문이다. 질문에 제대로 답하려면 제품의 속성과 실제 사용 조건을 함께 살펴야 한다.

이를 체계화하는 방법 중 하나가 온톨로지적 접근이다. 지식 표현 분야에서 온톨로지는 특정 영역의 개념과 속성, 관계를 명시적으로 정의하는 체계다. 기업은 이를 통해 브랜드와 제품, 기능과 사용 상황 사이의 관계를 정의하고, 개별 제품의 사실과 근거를 지식 그래프로 연결할 수 있다. 이때 확인된 제품 사실과 AI가 추론한 적합성은 구분해야 한다. 출처와 적용 조건, 갱신 시점을 함께 기록해야 정보가 바뀌었을 때 판단의 근거도 추적하고 수정할 수 있다.

이렇게 정리한 지식은 고객과 외부 AI가 접근할 수 있는 정보로 제공돼야 한다. 내부에 지식 그래프를 구축했다고 외부 AI가 이를 자동으로 활용하는 것은 아니다. 제품 페이지와 비교 콘텐츠에는 고객이 판단하는 데 필요한 독자적인 정보와 검증 가능한 근거를 담고, 구조화 데이터를 사용하는 경우 본문과 일치시켜야 한다.

구글도 자사 검색의 생성형 AI 기능에 별도의 특수 스키마가 필요한 것은 아니며, 기존 SEO 원칙과 사람에게 유용한 콘텐츠가 중요하다고 안내한다. 온톨로지적 접근은 이러한 정보의 일관성과 정확성을 관리하는 데 활용할 수 있다.

성과를 확인하는 방식도 확장돼야 한다. 대표적인 소비자 질문을 구성하고, AI 서비스별로 브랜드가 어떤 조건에서 등장하는지, 제품의 특징을 정확하게 설명하는지, 어떤 출처를 제시하는지를 점검해야 한다.

같은 질문에도 응답이 달라질 수 있으므로 동일한 질문군과 비교 가능한 조건에서 반복 측정하고 경향과 변동성을 살피는 통계적 접근이 필요하다. 단순한 언급 횟수만으로는 충분하지 않다. 잘못된 속성이나 부적합한 사용 상황으로 추천된다면 브랜드의 신뢰에 도움이 되지 않기 때문이다. 답변의 정확성과 상황에 맞는 추천 여부를 평가하고, 추적 가능한 범위에서 유입과 전환으로 이어지는지도 살펴야 한다.

이러한 작업은 마케팅 부서만으로 완수하기 어렵다. 상품 조직은 제품의 사실과 사용 조건을 관리하고, 데이터·기술 조직은 정보를 연결하고 갱신하며, 마케팅 조직은 이를 소비자의 질문에 답하는 콘텐츠로 제공해야 한다. 각 조직이 같은 정의와 근거를 공유할 때 제품 설명부터 AI 답변 평가까지 일관된 기준을 적용할 수 있다. 기업의 AI 전략에도 ‘우리 제품에 관한 지식을 어떻게 관리하고 외부에 제공할 것인가’라는 과제가 포함돼야 한다.

스토어링크에서도 이커머스 데이터를 분석하고 AI를 마케팅에 접목하며 이러한 변화를 체감하고 있다. 데이터의 양을 늘리는 데서 나아가, 제품이 어떤 질문에 답할 수 있는지 설명하고 그 정보가 AI 답변에서 어떻게 활용되는지 점검하는 일까지 마케팅의 과제로 바라볼 필요가 있다.

AI가 소비자의 선택을 돕는 시대에는 검색 노출과 함께 답변 속에서 브랜드가 어떻게 설명되고 제안되는지도 관리해야 한다. SEO가 검색의 시대에 기업의 경쟁력을 뒷받침해왔다면, AEO는 그 기반 위에서 새로운 경쟁력이 될 수 있다.

이제 기업은 ‘우리 브랜드가 검색 결과 속 어디에 있는가’에 더해 ‘소비자의 어떤 질문에 우리 제품이 답이 될 수 있으며, 그 이유를 어떤 근거로 설명할 수 있는가’를 물어야 한다. 추천되는 브랜드를 만드는 일은 이 질문에 답할 수 있는 기업의 지식을 설계하는 데서 시작된다.

박범서 스토어링크 최고AI책임자(CAIO)