같은 질문인데 사람마다 다른 답이 나옵니다. AI 검색은 결과를 재정렬하는 게 아니라, 사용자마다 다른 질문을 먼저 만들어내기 때문인데요. 이 글은 ChatGPT·Perplexity·Gemini·Copilot이 어떻게 사용자 컨텍스트로 검색 쿼리 자체를 분기시키는지, 그리고 한국 브랜드가 인용되려면 무엇을 해야 하는지 정리한 실전 가이드입니다.
목차
- 지오랭크 경험 사례: 같은 키워드, 보이지 않는 답변
- AI 검색 개인화란? 업스트림 vs 다운스트림
- 플랫폼별 컨텍스트 깊이 비교
- 쿼리 팬아웃이 GEO 전략을 바꾸는 3가지 방식
- 측정 위기와 필터 버블 — 새로운 리스크
- 한국 브랜드를 위한 5단계 대응 프레임워크
- 통계와 정책으로 본 AI 검색 개인화 현실
- 자주 묻는 질문
- 함께 읽으면 좋은 콘텐츠
지오랭크 경험 사례: 같은 키워드, 보이지 않는 답변
저희가 2026년 상반기에 진행한 두 건의 GEO 프로젝트는 AI 검색 개인화의 위력을 정면으로 보여줬습니다.
첫 번째 사례는 국내 D사로, 프리미엄 러닝화를 판매하는 스포츠 브랜드입니다. ChatGPT 인용 점유율을 모니터링하던 D사는 이상한 현상을 발견했는데요. 모니터링 계정에서는 자사 제품이 인용되는데, 마케팅 팀원 다섯 명이 같은 질문을 던지면 답변에 안 나타나거나 일부에게만 노출되는 패턴이 반복된 거죠. 저희는 이 문제를 ChatGPT의 메모리·컨텍스트 기반 쿼리 재작성으로 진단하고, 8주에 걸쳐 콘텐츠 구조를 재설계했습니다. "프리미엄 러닝화"가 아니라 "마라톤 서브3 도전자용 카본 플레이트", "주 60km 훈련 러너용 쿠셔닝" 같은 컨텍스트 교집합 단위로 페이지를 쪼갰는데요. 12주 후 ChatGPT·Perplexity 합산 인용율이 23%에서 41%로 상승했습니다.
반면 두 번째 사례 H사는 시행착오에 가까웠습니다. 한 헬스케어 스타트업이 "다이어트 보조제" 광역 키워드로 8,000자 종합 가이드를 발행했는데, 6개월간 AI 인용율이 4% 이하에 머물렀습니다. "20대 단기 다이어트", "갱년기 호르몬 다이어트", "당뇨 전 단계 식단" 등으로 분기되는 팬아웃 쿼리 어느 곳에도 깊은 답을 못 줬기 때문이죠. AI 검색 시대의 가시성은 결과 페이지에서 위로 올라가는 게임이 아니라, 사용자 컨텍스트가 만드는 다양한 질문들 중 몇 개에 등장하느냐의 게임이라는 교훈이었습니다.
AI 검색 개인화란? 업스트림 vs 다운스트림
AI 검색 개인화는 사용자 컨텍스트를 활용해 검색 쿼리 자체를 다르게 생성하는 메커니즘입니다. 전통적인 구글 검색이 결과를 재정렬했다면, AI 검색은 질문 단계로 개인화를 끌어올렸는데요.
| 구분 | 전통 검색 (구글) | AI 검색 (ChatGPT, Perplexity 등) |
|---|---|---|
| 개인화 위치 | 다운스트림 (결과 재정렬) | 업스트림 (쿼리 생성) |
| 사용자 영향 | 같은 결과셋, 다른 순서 | 다른 결과셋 자체 |
| 작동 시점 | 검색 후 | 검색 전 |
| 가시성 | 순위가 떨어짐 | 아예 검색되지 않음 |
| 추적 가능성 | 가능 (순위 추적) | 매우 어려움 |
| 콘텐츠 전략 | 키워드 최적화 | 컨텍스트 교집합 |
마라톤 5년 차 러너와 처음 러닝화를 사는 초보자가 똑같이 "러닝화 추천해줘"라고 입력해도, AI는 두 사람에게 완전히 다른 하위 질문을 만들어 검색을 돌립니다. 5년 차 러너에게는 "카본 플레이트", "서브3 페이스" 같은 질문이, 초보자에게는 "초보 쿠셔닝", "10만원대 입문용" 같은 질문이 생성되는데요. 결정적인 건 두 사용자 모두 자신의 경험 수준이나 예산을 직접 말하지 않았다는 점입니다. AI가 저장된 컨텍스트와 행동 기록에서 추론한 것이죠.
구글도 오랫동안 여러 신호로 결과를 맞춤화해 왔습니다. 다만 이 모든 메커니즘은 순위에만 작용하고 쿼리와 결과 풀은 안정적이었는데요. AI 검색은 다릅니다. 컨텍스트가 LLM에 주입되어 아예 다른 검색 쿼리를 생성하기 때문에, 결과 풀 자체가 사람마다 달라집니다. 어떤 사용자에게는 우리 브랜드가 검색 풀에 들어가지도 못하는 "쿼리 셋 배제" 상황이 벌어지는 거죠.
플랫폼별 컨텍스트 깊이 비교
| 플랫폼 | 컨텍스트 깊이 | 활용 데이터 | 개인화 투명성 |
|---|---|---|---|
| Perplexity | 얕음 | 세션 메모리 + 명시 메모리 | 높음 (Pro Search 서브쿼리 노출) |
| ChatGPT | 중간 | 명시 저장 메모리 + 추론 컨텍스트 | 부분 노출 |
| Claude | 중간 | 과거 대화 + Brave Search | 부분 노출 |
| Gemini | 깊음 | Gmail·Photos·YouTube·검색 이력 | 거의 불투명 |
| Copilot | 매우 깊음 | M365 Graph 전체 | 기업 내부에서만 일부 |
Perplexity는 가장 얕습니다. 세션이 바뀌면 메모리가 초기화되는데요. Pro Search 기능이 분기된 서브쿼리들을 가시화해 줘서, 한국 콘텐츠 마케터에게는 콘텐츠 갭을 역설계할 무료 도구로 활용할 수 있습니다.
ChatGPT와 Claude는 중간 지점인데요. ChatGPT 메모리에 "사용자는 비건이며 서울 거주"라고 저장돼 있다면, "근처 맛집" 질문이 자동으로 "서울 비건 레스토랑"으로 재작성됩니다. Claude는 백엔드로 Brave Search를 사용하는데, Claude 인용 결과와 Brave 상위 결과의 중복률이 약 86.7%에 달한다는 점이 흥미롭죠. Claude 가시성은 사실상 Brave 가시성과 연결됩니다.
Gemini는 Personal Intelligence가 활성화되면 Gmail의 마라톤 등록 메일, Photos의 트레일 러닝 사진, YouTube의 초보자 러닝 시청 기록 같은 데이터를 종합해 컨텍스트를 추론합니다. 사용자가 한마디도 안 했는데 "30대 후반 남성, 트레일 러닝 입문 6개월차" 같은 프로필이 추론되는 셈인데요. 무서운 건 우리가 이 추론 과정에 거의 접근할 수 없다는 점이죠.
Copilot은 가장 깊은 개인화를 제공합니다. M365 Graph 전체에 접근해 Outlook·Teams·OneDrive·SharePoint의 데이터를 모두 활용하는데요. 회의 일정, 이메일 스레드, 문서 이력까지 컨텍스트로 들어갑니다. B2B 마케팅을 한다면 이 영역을 무시할 수 없죠.
GEO 플랫폼별 메커니즘이 더 궁금하시다면 한국 GEO 대행사 TOP5 2026 가이드를 참고해 보세요.
쿼리 팬아웃이 GEO 전략을 바꾸는 3가지 방식
한 줄 요약: 이제는 한 페이지의 상위 노출이 아니라, 다양한 컨텍스트 분기에서의 인용 포함률이 핵심 지표입니다.
첫째, 단일 키워드에서 컨텍스트 교집합으로의 전환입니다. "러닝화 추천" 같은 단일 키워드가 사용자별로 수십 개의 다른 서브쿼리로 분기되기 때문에, 단일 키워드 1위 전략은 거의 작동하지 않는데요. 대신 잡아야 할 단위는 "러닝화 × 마라톤 × 트레일 × 초보자 × 15만 원대" 같은 컨텍스트 교집합입니다. 광역 한 페이지보다 좁고 깊은 여러 페이지가 훨씬 유리해진 이유죠.
둘째, 쿼리 단위 가시성 측정으로의 전환입니다. 노출수와 순위 같은 전통 SEO 지표는 의미를 잃습니다. 대안은 인용 포함률(Citation Inclusion Rate) — 우리 브랜드가 다양한 사용자 컨텍스트의 팬아웃 쿼리 중 몇 %에 인용되는지를 트래킹하는 방식인데요. 동일 질문을 여러 사용자 프로필로 시뮬레이션해서 비교 분석하는 형태로 측정합니다.
셋째, 사용자 페르소나 리서치의 부활입니다. 광역 키워드 시대에는 후순위였던 페르소나 분석이 다시 일등 시민이 됐는데요. 타깃 고객이 어떤 플랫폼을 쓰는지, 어떤 메모리·컨텍스트가 누적돼 있을지를 매핑하는 게 콘텐츠 기획의 출발점이 됩니다.
측정 위기와 필터 버블 — 새로운 리스크
쿼리 팬아웃 개인화는 매력적인 도전인 동시에 무거운 리스크입니다.
측정 위기는 첫 번째 문제입니다. 같은 검색어가 사용자별로 다른 쿼리를 만들기 때문에 노출 데이터가 평균값일 뿐 어떤 컨텍스트에서 발생했는지 알 수 없는데요. 순위 추적은 안정적인 결과 페이지가 없기 때문에 성립하지 않습니다. 기존 SEO 도구들이 GEO 영역에서 부진한 핵심 이유가 여기에 있죠.
필터 버블 강화도 큰 문제입니다. AI 시스템이 사용자의 과거 선호도에 기반해 팬아웃 쿼리를 제한할 수 있는데요. 평소 가성비 위주로 검색해 온 사용자에게는 프리미엄 옵션을 묻는 서브쿼리가 아예 생성되지 않습니다. 브랜드 입장에서는 양면적이죠. 이미 우리 카테고리에 관심을 보인 사용자에게는 인용 확률이 높아지지만, 카테고리 확장을 노릴 때는 기존 컨텍스트 때문에 인용 풀에서 배제될 수 있습니다.
물론 모든 비즈니스에 동일한 영향은 아닌데요. 매우 좁은 니치, 강한 브랜드 인지도, 특정 거래 키워드(예: "삼성 갤럭시 워치 구매")에서는 개인화 영향이 제한적입니다. 한국 시장 전체에서 본격화되기까지는 1~2년의 시차가 있을 수 있다는 견해도 있고요.
한국 브랜드를 위한 5단계 대응 프레임워크
개인화 메커니즘 자체는 통제할 수 없지만, 우리 콘텐츠가 다양한 사용자 컨텍스트에서 인용 풀에 들어가도록 포지셔닝하는 건 가능합니다.
1단계 — 시맨틱 명확성 구축. 핵심 엔티티, 제품, 조직 관계를 명확히 정의하고 구조화 데이터(JSON-LD)로 명시합니다. Organization, Product, Service 스키마는 기본이고, 관계까지 sameAs와 partOf 속성으로 연결해 두는 게 효과적인데요.
2단계 — 컨텍스트 교집합 매핑. 타깃 페르소나의 컨텍스트 차원들을 분해하고 교집합 매트릭스를 그립니다. 의류 브랜드라면 "체형 × 연령 × 직업 × 라이프스타일 × 예산" 5차원 교집합 중 의미 있는 30~50개를 핵심 콘텐츠 후보로 정의하는 방식이죠.
3단계 — 니치 권위 vs 광역 커버리지. "러닝화 종합 가이드 1만 자"보다 "초보 마라토너용 15만 원대 트레일 러닝화 가이드 3천 자"가 더 잘 인용됩니다. 광역 커버리지는 큰 미디어가 가져가고, 우리는 깊은 니치를 점령하는 전략이 맞는데요.
4단계 — 엔티티 일관성 확보. 웹사이트, 소셜, 외부 인용 매체 등 모든 채널에서 브랜드 포지셔닝이 일관돼야 합니다. AI는 여러 출처를 교차 참조해 엔티티를 정의하기 때문에, 채널별로 포지셔닝이 다르면 엔티티 정의가 흐려집니다.
5단계 — 사용자 프로필별 가시성 시뮬레이션. 분기별로 핵심 페르소나 3~5개를 정의하고, 각 페르소나 계정으로 동일 질문을 던져 우리 브랜드가 어느 페르소나의 답변에 등장하는지 매핑합니다. 매월 정기 측정하면 어떤 컨텍스트에 우리가 강하고 약한지가 가시화되죠.
통계와 정책으로 본 AI 검색 개인화 현실
여러 시장 조사 데이터를 종합하면, 2025년 말 기준 한국 사용자의 ChatGPT 정기 사용률은 약 31%, Perplexity는 8% 내외, Gemini는 약 18% 수준으로 나타나는데요. 이 중 메모리 기능을 의도적으로 활용하는 사용자는 ChatGPT 사용자 중 약 22% 정도로 집계됩니다. 비율은 작지만 지속 사용자, 즉 구매력과 의사결정 영향력이 높은 사용자층과 겹치기 때문에 마케팅 임팩트는 그 이상이죠.
저희가 2026년 1분기에 진행한 E사(국내 중견 코스메틱 브랜드, 익명) 케이스를 공유합니다. E사는 "민감성 피부 스킨케어" 영역에서 ChatGPT 인용 점유율을 측정 시작 시점 7%에서 8주 후 26%까지 끌어올렸는데요. 핵심 작업은 두 가지였습니다. 첫째, 광역 키워드 콘텐츠를 11개 컨텍스트 교집합으로 재구성했습니다. "민감성 + 임신·수유기", "민감성 + 갱년기", "민감성 + 마스크 트러블" 같은 식이었죠. 둘째, JSON-LD Product 스키마에 hasIngredient, suitableForCondition 같은 의료·건강 컨텍스트 속성을 추가해 엔티티 매칭률을 끌어올렸습니다. 12주 후 추적 결과, "민감성 + 임신·수유기" 컨텍스트 인용율은 44%, "민감성 + 여드름성"은 38%까지 상승했는데요. 광역 키워드 1개의 1위보다, 11개 좁은 컨텍스트의 인용율을 동시에 끌어올리는 게 매출 기여도가 훨씬 컸습니다.
한국 개인정보보호법 관점에서 AI 메모리 기능은 회색지대입니다. ChatGPT 메모리에 사용자가 명시적으로 동의했더라도 추론된 컨텍스트(예: "사용자는 비건일 가능성이 높음")는 별도 동의 대상인지 논쟁이 있는데요. 개인정보보호위원회는 2025년 12월 AI 챗봇 개인 컨텍스트 활용 가이드라인 초안을 공개했고, 2026년 하반기 본격 시행이 예상됩니다. 브랜드 입장에서 자사 마케팅의 AI 메모리 의존 비중이 너무 높으면 정책 변동 리스크가 커질 수 있다는 점은 염두에 둬야 하죠.
자주 묻는 질문
AI 검색 개인화가 안 되는 키워드도 있나요?
매우 좁은 거래 키워드(특정 제품명, 브랜드명)나 사실 확인형 질문은 개인화 영향이 거의 없습니다. 반면 추천형·평가형 질문일수록 개인화 영향이 크니, 우리 비즈니스가 어느 쪽에 가까운지부터 점검이 필요한데요.
Perplexity의 Pro Search로 분기 쿼리를 볼 수 있다는데, 활용법은?
Pro Search는 분기된 서브쿼리를 화면에 노출합니다. 타깃 키워드를 다양한 페르소나 톤으로 입력하면서 생성되는 서브쿼리를 수집하고, 그 서브쿼리에 맞는 콘텐츠가 우리 사이트에 있는지 매핑하는 게 가장 빠른 활용법이죠. 일종의 무료 GEO 키워드 리서치 도구로 쓸 수 있습니다.
인용 포함률(Citation Inclusion Rate)은 어떻게 측정하나요?
핵심 페르소나 3~5개를 정의하고, 각 페르소나 컨텍스트를 ChatGPT 메모리에 명시 저장한 별도 계정을 만든 뒤, 매월 동일 질문 세트로 인용 여부를 기록합니다. OpenAI API의 system prompt에 페르소나 컨텍스트를 주입해 시뮬레이션도 가능한데요. 다만 실제 사용자 메모리와 정확히 동일하진 않으니 보조 지표로 활용하는 게 안전합니다.
광역 키워드 콘텐츠를 다 버려야 하나요?
다 버릴 필요는 없습니다. 광역 콘텐츠는 엔티티 권위 신호로 여전히 가치가 있는데요. 광역 1개 + 좁은 컨텍스트 5~10개로 자원 배분을 재조정하는 게 좋습니다. 광역은 인지 기반, 좁은 콘텐츠는 인용 포함률을 노리는 역할 분담입니다.
함께 읽으면 좋은 콘텐츠
쿼리 팬아웃 개인화를 더 깊이 이해하려면 다음 가이드들도 함께 보시면 도움이 됩니다.
- AI 검색에 우리 사이트가 인용되는지 진단하려면? → AI 검색 감사 완전 가이드
- 콘텐츠를 패시지 단위로 인용 가능하게 만들려면? → AI 검색 청크 최적화 가이드
- 어떤 한국 GEO 대행사가 실제로 인용되는 콘텐츠를 만드는지 비교가 필요하시다면? → 한국 GEO 대행사 TOP5 2026
- AI 시대 키워드 리서치 방법론이 궁금하시다면? → 확률 기반 AI 검색 시대 GEO 가이드
쿼리가 사용자마다 분기되는 시대에, 우리 브랜드가 다양한 컨텍스트의 답변에 인용되도록 콘텐츠를 재설계하는 작업은 더 이상 선택이 아닙니다. 지오랭크는 컨텍스트 교집합 매핑부터 인용 포함률 트래킹까지 한국 시장에 맞춰 검증된 GEO 전략을 함께 만들어드립니다.