ChatGPT·퍼플렉시티는 왜 노출이 다를까? LLM 3계층 GEO 전략

AI마다 노출이 다릅니다: LLM 3계층 가시성이 GEO 성패를 가른다

모든 LLM을 똑같이 최적화하면 절반은 헛수고가 됩니다. 정보를 검색 결과에서 가져오는 LLM과 학습된 기억에서 꺼내는 LLM은 브랜드를 노출하는 방식이 근본적으로 다르기 때문입니다. 지오랭크가 관측한 데이터에서도 같은 브랜드가 구글 AI 오버뷰에서는 1위로 인용되면서 ChatGPT에서는 3분의 1 수준으로 밀리는 일이 흔했습니다. 그래서 GEO는 하나의 전투가 아니라, 계층이 다른 여러 전투를 동시에 치르는 일에 가깝습니다.

목차

• 지오랭크가 한 고객에게서 본 3계층의 벽
• LLM 3계층 가시성이란 무엇일까?
• 검색 기반 LLM과 학습 기반 LLM은 어떻게 다를까?
• 계층별로 전략을 어떻게 나눌까?
• ChatGPT는 왜 우리 브랜드를 끝까지 추천 안 할까?
• 데이터로 본 계층 구조: 정말 견고한 패턴일까?
• 자주 묻는 질문
• 함께 보면 좋은 지오랭크 콘텐츠

지오랭크가 한 고객에게서 본 3계층의 벽

결론부터 말하면, 노출이 안 되는 LLM을 붙잡고 같은 방법을 반복하는 것이 가장 흔한 실패입니다. 한 채널에서 통한 전략이 다른 LLM에서 통하지 않는 이유는 그 LLM이 애초에 다른 곳에서 답을 찾기 때문입니다.

지오랭크가 함께 일한 B2B SaaS 기업 S사의 사례가 그랬습니다. S사는 초기 6주 동안 "ChatGPT에 우리가 안 나온다"는 문제 하나에만 매달렸습니다. 블로그 글을 늘리고 FAQ를 보강했는데도 ChatGPT 노출은 거의 움직이지 않았습니다. 반면 별다른 손을 대지 않은 구글 AI 오버뷰에서는 이미 상위 인용에 들어가 있었죠. 같은 브랜드, 같은 콘텐츠인데 LLM마다 결과가 갈린 겁니다.

원인을 뜯어보니 답은 단순했습니다. S사가 만든 콘텐츠는 정보성 상단 질문(예: "콘텐츠 전략 짜는 법") 위주였는데, 이런 질문에는 어떤 LLM도 특정 브랜드를 잘 언급하지 않습니다. 지오랭크는 전략을 계층별로 쪼갰습니다. 구글 AI 오버뷰와 AI 모드는 검색 순위를 그대로 요약하니 하단 구매형 키워드의 SEO 순위를 끌어올리는 데 집중했고, 퍼플렉시티는 실제로 인용하는 출처 사이트를 찾아 그쪽에 언급을 확보했으며, ChatGPT는 외부 권위 매체의 브랜드 언급을 늘리는 장기전으로 분리했습니다.

숫자로 보면 이렇습니다. 재정비 전 S사의 LLM별 노출률은 구글 AI 오버뷰를 100으로 놨을 때 퍼플렉시티 46, 제미나이 41, ChatGPT 29 수준이었습니다. 계층별 전략을 4개월간 돌린 뒤 퍼플렉시티는 63, ChatGPT는 44까지 올라왔습니다. 폭발적인 상승은 아니지만, "한 방법으로 전부"를 고집했다면 얻지 못했을 개선입니다. 시행착오의 핵심 교훈은 하나였습니다. LLM은 하나의 대상이 아니라, 서로 다른 규칙을 가진 여러 창구라는 점입니다.

LLM 3계층 가시성이란 무엇일까?

LLM 3계층 가시성은 브랜드가 각 LLM에서 언급되거나 인용되는 비율이 세 개의 뚜렷한 구간으로 갈린다는 관측입니다. 업계는 흔히 모든 LLM을 한 덩어리로 보지만, 실제 노출 데이터는 그렇지 않습니다.

지오랭크와 해외 GEO 업계가 공통으로 확인한 구조는 다음과 같습니다. 가장 높은 노출을 보이는 LLM을 기준(100)으로 삼아 나머지를 정규화하면, 브랜드가 답변에 등장하는 빈도가 계층별로 크게 벌어집니다. 이 정규화 방식 덕분에 회사 규모와 무관하게 "어떤 LLM이 구조적으로 브랜드를 잘 노출하는가"를 비교할 수 있습니다.

여기서 오해하기 쉬운 지점이 하나 있습니다. Tier 3이라고 해서 ChatGPT가 덜 중요하다는 뜻은 아닙니다. 사용자 수와 대화 깊이를 보면 ChatGPT는 여전히 가장 큰 창구입니다. 다만 "노출을 만들기가 가장 어려운" LLM이라는 의미이고, 그래서 다른 지렛대가 필요합니다. 계층은 우선순위가 아니라 난이도이자 전략의 종류를 가리킵니다.

검색 기반 LLM과 학습 기반 LLM은 어떻게 다를까?

핵심은 그 LLM이 지금 웹을 검색해서 답하는가, 아니면 학습 때 익힌 기억으로 답하는가입니다. 이 차이 하나가 3계층 구조를 만듭니다.

검색 기반 LLM은 사실상 검색증강생성(RAG) 시스템입니다. 구글 AI 오버뷰와 AI 모드는 구글 검색 색인에서 문서를 끌어와 요약하고, 관련 질문을 여러 갈래로 펼치는 쿼리 팬아웃으로 답을 합성합니다. 구글도 개발자 문서에서 "이 기능들은 검색 색인의 콘텐츠를 부각하기 위해 AI 기술에 의존한다"고 밝히고 있습니다. 그래서 이 계층에서는 검색 순위가 곧 노출이고, 이 지점이 전통 SEO가 GEO와 만나는 접점입니다.

퍼플렉시티도 검색 기반이지만 결이 조금 다릅니다. 초기에는 외부 API를 쓰다가 비용과 확장성 때문에 자체 크롤러와 색인을 구축했습니다. 이 색인은 구글보다 작고, 어떤 문서를 검색에서 "뜨겁게" 유지할지 자체적으로 판단합니다. 그래서 검색 기반인데도 구글 AIO의 절반 수준 노출에 머무는 겁니다. 구글 순위와 퍼플렉시티 인용이 완전히 겹치지 않기 때문입니다.

학습 기반 LLM인 ChatGPT는 파라메트릭 기억, 즉 학습 때 습득한 수학적 패턴으로 답합니다. 웹을 뒤지지 않고도 제품을 추천할 수 있고, 검색을 하더라도 이미 가진 선호를 정당화하는 용도로 쓰는 경향이 있습니다. 제미나이는 그 사이에 걸쳐 있습니다. ChatGPT처럼 학습 기반으로 만들어졌지만 웹 검색을 훨씬 자주 돌립니다. SEO 정의나 물리 개념 같은 질문에도 검색을 켜는 편이라, 검색 의존도가 높은 만큼 ChatGPT보다 노출이 잘 나옵니다. 이 검색 의존도의 차이가 제미나이를 Tier 2에, ChatGPT를 Tier 3에 놓는 이유입니다.

정리하면 이렇습니다. 검색을 많이 쓰는 LLM일수록 SEO라는 지렛대가 잘 먹히고, 학습 기억에 의존하는 LLM일수록 브랜드가 오랫동안 쌓아온 언급의 총량이 중요해집니다. 어느 LLM을 상대하느냐에 따라 눌러야 할 버튼이 달라진다는 뜻이죠.

계층별로 전략을 어떻게 나눌까?

같은 노력을 세 계층에 균등하게 나누는 것이 아니라, 계층의 작동 원리에 맞춰 지렛대를 바꾸는 것이 핵심입니다. 지오랭크가 실무에서 쓰는 계층별 접근은 다음과 같습니다.

Tier 1은 검색 결과를 요약하니 방법이 가장 직관적입니다. "티켓 자동 응대에 좋은 AI", "당일 승인 사업자 대출"처럼 구매 직전 단계의 하단 키워드에서 구글 순위를 확보하면 그대로 AI 오버뷰에 실립니다. 상단 정보성 키워드보다 하단 구매형 키워드가 브랜드 언급을 훨씬 잘 끌어냅니다.

Tier 2는 두 갈래를 같이 갑니다. 구글 순위는 이 계층에도 영향을 주니 유지하면서, 퍼플렉시티가 실제로 인용하는 사이트를 따로 조사해 그쪽에 언급을 심습니다. 퍼플렉시티의 색인은 구글과 다르므로, 구글에서 잘 나온다고 안심하면 절반만 챙기는 셈입니다. 제미나이는 검색 의존도가 높은 편이라 SEO 쪽에 무게를 실으면 비교적 예측 가능하게 노출이 따라옵니다.

Tier 3은 가장 인내가 필요합니다. 지오랭크는 세 가지를 병행합니다. 첫째, 브랜드 콘텐츠를 꾸준히 쌓아 학습 모델이 브랜드를 이해하도록 만드는 장기 작업입니다. 신생 브랜드일수록 시간이 지나며 ChatGPT 노출이 서서히 오르는 흐름이 관측됩니다. 둘째, ChatGPT가 인용하는 외부 사이트를 파악해 그 권위 매체에 브랜드 언급을 확보하는 오프사이트 아웃리치입니다. Tier 1과 달리 우리 사이트보다 남의 사이트에서의 언급이 더 중요해집니다. 셋째, 단일 프롬프트가 아니라 사용자의 구체적 문제를 깊게 다루는 토픽형 콘텐츠입니다. ChatGPT 대화는 개인화되어 있어서, 특정 상황을 제대로 해결하는 전문성을 보이면 사용자가 후속 질문에서 우리 솔루션을 더 파고들 여지가 생깁니다.

ChatGPT는 왜 우리 브랜드를 끝까지 추천 안 할까?

ChatGPT는 학습된 선호를 검색 결과보다 우선하기 때문에, 신규 브랜드가 단기간에 파고들기가 가장 어렵습니다. 이를 흔히 기존 강자에게 유리한 관성, 이른바 나이키 효과라고 부릅니다.

지오랭크가 확인한 흥미로운 장면이 있습니다. 한 카테고리에서 CRM 추천을 물었을 때, ChatGPT가 검색을 켜든 끄든 추천 목록이 거의 동일했습니다. 검색 결과가 결정을 바꾸는 게 아니라, 이미 가진 결론을 재확인하는 데 쓰였다는 뜻입니다. 학습 데이터가 의사결정을 지배하는 구조라 신규 진입자가 밀리는 겁니다.

다만 이것이 절망적인 이야기는 아닙니다. 지오랭크가 추적한 비주류 브랜드들에서 시간이 지날수록 ChatGPT 언급이 우상향하는 흐름이 반복 관측됐습니다. 부동산 대출이나 물류 관리 소프트웨어처럼 후발 주자였던 브랜드들이, 외부 매체 언급과 브랜드 콘텐츠를 꾸준히 쌓으면서 학습 모델의 이해 속으로 조금씩 들어간 사례입니다. 폭발적이지는 않아도 방향은 분명합니다. 즉 ChatGPT 공략은 캠페인이 아니라 자산 축적에 가깝습니다.

여기서 지오랭크가 강조하는 지점이 있습니다. ChatGPT 노출이 안 나온다고 Tier 1에서 통한 SEO 전술을 그대로 더 세게 미는 것은 번지수가 틀린 대응입니다. 학습 기반 LLM에는 우리 사이트의 순위보다, 세상이 우리 브랜드를 얼마나 자주 언급하느냐가 더 강한 신호로 작동합니다. 눌러야 할 버튼이 다른데 같은 버튼을 세게 누르는 셈이죠.

데이터로 본 계층 구조: 정말 견고한 패턴일까?

같은 데이터를 세 가지 방식으로 정규화해도 3계층 구조가 그대로 유지된다면, 그것은 우연이 아니라 구조입니다. 이 지점이 계층 프레임을 신뢰할 수 있는 근거입니다.

해외 GEO 업계가 19개 고객사 데이터를 분석한 결과, 노출을 (1) 최고 성능 LLM 기준, (2) 구글 AIO 기준, (3) 평균 노출 기준으로 각각 정규화해도 세 계층의 형태가 일관되게 나타났습니다. 정규화 방식을 바꿔도 패턴이 무너지지 않았다는 것은, 이 구조가 특정 회사나 측정 방식의 착시가 아니라 LLM의 아키텍처 차이에서 나온다는 뜻입니다.

구체적 수치를 보면, 구글 AI 오버뷰와 AI 모드는 거의 동일한 성능을 보였고 AI 모드가 약 3% 정도만 앞섰습니다. 둘 다 구글 검색 결과에 전적으로 기대기 때문입니다. 19개 고객사 중 이 Tier 1에서 최상위에 들지 못한 곳은 단 한 곳, SEO 자산이 거의 없는 신생 기업뿐이었습니다. 반대로 노출을 "인용"이 아니라 "브랜드 언급"만으로 좁혀 재면, 퍼플렉시티가 Tier 3으로 내려가 ChatGPT와 나란히 서는 변화도 관측됐습니다. 무엇을 노출로 정의하느냐에 따라 계층 안에서도 순서가 흔들린다는 이야기입니다.

지오랭크가 이 데이터에서 끌어낸 실무 원칙은 두 가지입니다. 첫째, 측정하는 프롬프트는 하단 구매형 질문이어야 합니다. "콘텐츠 전략 좀 짜줘" 같은 상단 정보성 질문은 어떤 LLM에서도 브랜드를 잘 부르지 않아서 GEO 성과 지표로 부적합합니다. 둘째, 노출 지표는 반드시 LLM별로 쪼개서 봐야 합니다. 전체 평균 하나로 뭉뚱그리면 Tier 1의 좋은 숫자에 가려 Tier 3의 구멍이 보이지 않습니다.

물론 한계도 분명합니다. 이 계층 구조는 특정 시점의 관측이고, 각 LLM이 검색 의존도를 계속 조정하고 있어 경계는 언제든 움직일 수 있습니다. 실제로 ChatGPT도 제품 관련 질문에서는 검색을 켜는 빈도가 늘고 있습니다. 그래서 지오랭크는 계층을 고정된 진리가 아니라, 분기마다 다시 재는 지도로 다룹니다. 중요한 것은 "LLM을 하나로 보지 않는다"는 원칙 자체이지, 특정 퍼센트 숫자가 아닙니다.

자주 묻는 질문

LLM별로 전략을 나누면 리소스가 세 배로 드는 것 아닌가요?

아닙니다. 많은 작업이 겹칩니다. 특히 Tier 1의 SEO 작업은 Tier 2의 절반가량에도 그대로 영향을 줍니다. 완전히 별개인 것은 Tier 3용 외부 매체 언급 아웃리치 정도이고, 나머지는 하나의 콘텐츠를 계층별로 다르게 배치하고 측정하는 문제에 가깝습니다. 리소스를 세 배 쓰는 게 아니라, 같은 리소스를 계층 특성에 맞게 배분하는 것입니다.

우리는 규모가 작은데 ChatGPT 노출은 포기해야 하나요?

포기할 필요는 없지만 기대 시점을 다르게 잡아야 합니다. 학습 기반 LLM은 브랜드 언급이 누적되며 서서히 반응하기 때문에, 후발 주자도 외부 매체 언급과 토픽형 콘텐츠를 꾸준히 쌓으면 우상향하는 흐름을 만들 수 있습니다. 단기 캠페인이 아니라 6개월 이상 자산을 쌓는 관점으로 접근하는 것이 맞습니다.

퍼플렉시티는 검색 기반인데 왜 구글 AIO만큼 안 나올까요?

퍼플렉시티가 구글 색인이 아니라 자체 색인을 쓰기 때문입니다. 이 색인은 구글보다 작고, 어떤 문서를 검색에 유지할지 자체 판단합니다. 그래서 구글에서 잘 나온다고 퍼플렉시티에서도 잘 나온다는 보장이 없습니다. 퍼플렉시티가 실제로 인용하는 출처를 따로 조사해 그쪽에 언급을 확보하는 작업이 별도로 필요합니다.

계층별 노출을 우리 회사에서 직접 측정할 수 있나요?

가능합니다. 핵심은 하단 구매형 프롬프트 목록을 정해두고, 각 LLM에서 브랜드 언급 또는 사이트 인용이 나오는 비율을 LLM별로 따로 기록하는 것입니다. 전체를 하나의 평균으로 합치면 계층 간 격차가 가려지므로, 반드시 LLM 단위로 분리해 추적해야 실제 구멍이 보입니다.

제미나이는 학습 기반이라면서 왜 Tier 2인가요?

제미나이가 ChatGPT보다 웹 검색을 훨씬 자주 돌리기 때문입니다. 아키텍처는 학습 기반에 가깝지만 실제 답변을 만들 때 라이브 검색 결과를 더 무겁게 반영합니다. 그만큼 SEO라는 지렛대가 ChatGPT보다 잘 먹혀서 노출이 한 계단 위에 놓입니다.

함께 보면 좋은 지오랭크 콘텐츠

• 같은 질문에 LLM마다 다른 답이 나오는 원리가 궁금하시다면? AI 검색 개인화 완전 가이드: 같은 질문, 다른 답변을 만드는 쿼리 팬아웃 메커니즘
• 상위 노출인데도 인용에서 탈락하는 이유가 궁금하시다면? AI 답변 체인: 상위 노출도 AI 검색 인용에서 탈락하는 5단계 관문
• 학습 기반 LLM이 우리 브랜드를 왜 모르는지 궁금하시다면? AI 검색에서 브랜드가 밀리는 이유: LLM 엔티티 갭과 토픽 오너십 전략