GEO 마케팅, 비즈니스 성과에 얼마나 도움이 될까? ㅣ 팀하이

GEO 마케팅, AI 가시성 지표는 허황된 숫자일까?

GEO 업계 표준이 된 “프롬프트 트래킹 방식 자체가 틀렸다!” 라는 무서운(?) 글을 하나 읽었습니다.
GEO 툴이 AI 플랫폼별 브랜드 언급 수를 세지만, 그게 실제 비즈니스 성과와 연결 되는지는 아무도 측정하지 않는다는 지적인데요.

Jono Alderson의 표현으로 지금의 접근은 "기존 SEO 순위 추적 방식을 GEO에 그대로 복사해 붙여넣은 것일 뿐"이라는 얘기입니다.

문제의 핵심은 프롬프트의 출처입니다.

대부분의 측정이 실제 사용자 검색 행동이 아니라 인위적으로 만들어낸 질문에서 시작하는데요. 다음으로 AI가 백엔드에서 계속 검색을 돌리며 데이터 자체가 오염되고 있는 것이죠.

저자의 주장은 ‘프롬프트’를 추측이 아니라 실제 검색 데이터에 근거해 만들라는 것입니다.

1. AI 검색 답변 ‘인용’이 추천을 의미하지 않습니다.

인용은 모델이 우리 페이지를 출처로 지목한 것이고, 추천은 모델이 사용자에게 우리를 고르라고 말한 것인데, 이 둘은 전혀 다른 성과 지표입니다.

관련하여 최근 4건의 연구가 발표 되었는데요.

Lily Ray
"best of" 쿼리 100개를 2026년 4~6월 추적한 결과, 자사 홍보형 리스티클이 인용은 됐지만 추천에서 빠진 경우는 69%(323건 중 224건) 였습니다. 인용됐을 때 추천까지 이어진 비율은 31%

Jeff Oxford / Visibility Labs
ChatGPT 응답 2만 건 분석에서, 검색 기능을 켜면 제품 추천이 바뀌는 비율이 80.2% 였습니다.
인용과 추천의 상관계수는 0.4 로 약했음을 증명

BrightEdge
5개 엔진 비교에서 엔진 간 출처 중복률 16~59%였으며, 추천 브랜드 일치율은 36~55%를 보였다.

Kevin Indig
인용 370만 건 분석에서 단일 엔진에만 등장하는 URL이 91% 였습니다.(같은 소스가 노출되는 중복률이 낮음)

▲ 팀하이의 AI SOV 및 언급률 지표 ㅣ GEO ▲

Seer Interactive의 Alisa Scharf는 3단 위계를 제시합니다.
인용(웹페이지 언급) → 언급(브랜드 등장) → 추천(명시적 추천).

그리고 흥미로운 사례로,
이미 서비스를 종료한 툴의 인용이 활발하게 되면서 정작 브랜드에는 아무 이득이 없지만, 그 인용이 다른 브랜드의 추천에는 영향을 미쳤다는 겁니다.

최근 저도 서비스를 종료한 페이지에서 유독 한 브랜드를 인용하는 경우를 발견해서 내부에 공유하기도 했답니다.

2. 한 번 물어본 숫자는 노이즈일 뿐이다.

SparkToro의 Rand Fishkin이 제시한 충격적인 연구 결과로 동일한 브랜드 목록을 동일한 순서로 얻으려면 평균 약 1,500번 질문해야 한다는 것!
사용자마다 다른 답을 받고, 순서가 바뀌고, 추천 세트가 달라집니다. 단일 측정은 안정성이 없다는 뜻이에요.

한 번 물어보고 캡처한 화면은 측정이 아니라 노이즈 한 장이에요. 순위 확인이 아니라 여론조사처럼 측정해야 합니다.

이 지적은 팀하이가 지향하는 방향으로 조금 안심이 됐습니다.
팀하이는 단일 질문이 아니라 페르소나 × 맥락을 포함한 질문 유형으로 세트를 구성하고, 이를 정기적으로 반복 측정합니다.

같은 브랜드라도 20대 직장인의 질문과 40대 부모의 질문에서 다른 답이 나오기 때문에 페르소나를 고정해 두는 것이죠.

다만, 저희 표본 크기가 통계적으로 충분한가에 대한 검증은 계속 필요합니다.
1,500회 질문은 AI에게 [페르소나 × 맥락을 포함한 질문 유형] 프롬프트 세트를 자주 그리고 더 많이 호출해야 한다는 것이죠.(돈이 많이 든다!)

현실적인 운영 조건과는 거리가 있지만, 회차를 늘릴수록 신뢰 구간이 좁아진다는 것 자체는 부정할 수 없습니다.

3. GEO의 AI 가시성을 위해 무엇을 측정해야 하나

3단계 GEO 프레임워크

✅ 존재감(Presence) : 답변 공간 전반에서 얼마나 자주 호명되는가
✅ 추천 점유율(Recommendation Share) : 그 존재감이 추천으로 전환되는가
✅ 행동 지표(Action Metrics) : 리드와 매출

Rand Fishkin의 "가시성 비율”이란 샘플링한 프롬프트 전체에서 우리 브랜드를 언급한 답변의 비율로 정의합니다.

Wil Reynolds가 짚은 함정이 실무적으로 중요합니다.
답변 길이가 두 배가 되면 언급도 자연히 늘어납니다.

가시성 상승처럼 보이지만 실제 가치는 그대로예요. 그래서 답변당 단어 수, 프롬프트당 언급 브랜드 수, 답변 길이 변화를 함께 추적해야 한다고 권합니다.

▲ 팀하이에서 확인할 수 있는 AI 검색 답변 데이터(raw data) ▲

특히 LLM별 검색 결과를 보여주는 방법이 다 다르기 때문에, 실제로 결과 화면을 볼 수 있어야 합니다.
팀하이 역시 답변의 Raw Data를 마케터가 직접 보고, 전략 및 콘텐츠 인사이트를 얻을 수 있도록 구성되어 있습니다.

하지만, 실제 화면이 아닌 팀하이 기준으로 요약된 구성이기 때문에 상기 부분에 따르면 함정이라 볼 수도 있겠습니다

4. 우리가 이미 겪은 허영 지표의 반복

순위 → 노출·클릭 → 비즈니스 성과로 이어지던 SEO의 역사가, 이제 가시성 → 추천 → 매출로 되풀이되고 있습니다.

노출 → 클릭 → 행동 → 매출로 이어지는 어트리뷰션은 지난 10년간 한 번도 신뢰할 만한 적이 없었고, 앞으로 더 나빠질 거라는 겁니다. 순위 추격 대신 브랜드 인식에 대한 영향력을 추구하라 결론으로 이어집니다.

5. 브랜드 정확성부터 시작하세요

추천 측정보다 먼저 확인할 것이 브랜드 정확성(Brand entity) 이라는 주장입니다.
엔티티 정보 자체가 틀려 있으면 하위 지표는 전부 의미가 없습니다. 플랫폼 간 일관성, 서드파티 서술 통일성, "당신은 누구이고 무엇을 하는가"에 대한 명확한 답이 구성 요소입니다.

Schema.org 공동 제작자 Duane Forrester의 프레이밍이 인상적입니다.
목표는 상위 노출이 아니라 대표 주소(canonical source)가 되는 것 이라는 거예요. 기계 입장에서는 매번 재평가하는 것보다 신뢰를 유지하는 쪽이 비용 효율적이기 때문입니다.

[용어집]
Canonical URL : 웹/SEO (검색엔진 최적화):
여러 개로 겹치는 웹페이지 주소 중 검색엔진이
먼저 인식해야 할 대표 주소(Canonical URL)를 뜻합니다.

팀하이 용어집 | AI 검색 마케팅 용어 총정리용어집에서 GEO 마케팅 핵심 용어를 확인하세요. SEO, AEO, GEO부터 팀하이까지 한 번에 정리했습니다.teamhai.co.kr

Alisa Scharf의 브랜드 정확성 감사 리스트

① 창립일 · 소재지 · 제공 서비스 · 경쟁사 같은 객관적 기준 목록 작성
② 주관적 순위 표현 배제
③ 동일 기준으로 각 모델에 질의
④ 모델별 일관성과 정확성 점수화
⑤ 정기 반복. 측정 대상은 언급 수가 아니라 정확성입니다.

▲ 팀하이 GEO AI Bot 최적화 가이드 ▲

우리가 누구인지 알아야 합니다

스키마 마크업, 웹사이트 페이지, 소셜 프로필, 서드파티 언급 전반에서 엔티티 정의가 일관되어야 합니다.

AI가 생성한 허위 진술에 대한 플랫폼 법적 책임(독일 법원 판례 언급)이 커지면, 플랫폼은 확신도 임계값 아래의 엔티티를 아예 배제해 법적 위험을 줄이려 할 것이기 때문입니다. 확신도가 높은 엔티티는 추천에 포함되고, 낮으면 오류 책임 회피를 위해 제외된다는 논리인데요.

브랜드 명료성이 최적화의 우위가 아니라 노출의 결정 조건이 된다는 것!

⭐️ 팀하이 인사이트

이 글은 팀하이 같은 GEO 측정 서비스에 대한 비판문 이기도 하기에, 팀하이가 풀어 나가는 방식에 대해 알려 드리겠습니다.

첫째, 인용, 언급을 넘어 추천까지 이어져야 한다.

저자가 비판하는 것은 "단일 숫자 하나로 AI 가시성을 말하는 것"이지 측정 자체가 아닙니다.
오히려 언급·인용·추천을 분리하라는 주장은 팀하이가 언급률과 인용률을 나눠 측정해온 방식과 정확히 같아요.

여기에 '추천'이라는 3단계를 더하라는 것이 이 글의 추가 요구입니다.

둘째, 우리가 보완해야 할 지점 - 반복 측정

팀하이가 페르소나 × 질문 조합으로 측정하지만,
각 조합을 몇 회 반복하는지, 그 표본이 통계적으로 유의한지 답할 수 있어야 합니다.

그래서 팀하이는 스케줄 기능을 통해 질문이 자동 반복 측정되고, 회차별 인사이트를 제공합니다.