LLMO가 필요한 이유: AI 답변에 내 글이 인용되지 않을 때

LLMO는 대규모 언어 모델이 답변을 만들 때 내 문서를 찾아 읽고 인용하도록 콘텐츠를 다듬는 작업입니다. Large Language Model Optimization의 약자이고, 국내에서는 대규모 언어 모델 최적화로 옮겨 씁니다.

이 작업이 필요해지는 상황은 대개 비슷합니다. 검색 결과에는 내 글이 나오는데 챗GPT나 구글 AI 답변에는 다른 사이트만 인용되는 경우입니다. 검색에서 위로 올리는 일과 답변에 인용되는 일은 서로 다른 조건을 보기 때문에, 순위를 올리던 방식을 그대로 반복해도 인용은 늘지 않습니다.

용어 자체는 아직 자리를 잡지 못했습니다. LLMO, GEO, AEO는 업계에서 서로 다른 범위로 쓰이고 있고, 세 용어를 사실상 같은 뜻으로 쓰는 자료도 많습니다. 그래서 이 글은 용어 정의보다 생성형 엔진이 문서를 고르는 순서, 그 순서에서 인용이 갈리는 지점, 손댔을 때 실제로 효과가 있었던 기법을 중심에 두고 정리했습니다. 2026년 8월 기준입니다.

위 그림은 KDD 2024에 실린 GEO 논문(Aggarwal 외)에 나오는 생성형 엔진 구조도입니다. 이 글에서 다루는 내용의 뼈대가 여기에 다 들어 있어서 먼저 놓았습니다.

LLMO의 정의와 SEO, AEO, GEO의 관계

네 용어를 나란히 놓으면 이렇게 정리됩니다.

차이는 범위입니다. GEO는 모델이 답변을 만드는 그 시점에 내 문서가 검색되어 인용되는지를 봅니다. LLMO는 여기에 더해 모델이 학습 단계에서 우리 브랜드를 어떻게 기억하고 있는지까지 범위에 넣습니다. 다만 실무에서 손댈 수 있는 항목은 대부분 겹치므로, 세 용어를 구분하는 데 시간을 쓰기보다 작동 방식을 이해하는 편이 낫습니다.

용어 표기에서 한 가지 주의할 점이 있습니다. 국내 검색에서 AEO는 관세 분야의 수출입 안전관리 우수업체를 가리키는 표기로 훨씬 많이 쓰입니다. 네이버 검색광고 키워드도구에서 AEO를 조회하면 연관 검색어가 관세, 통관번호, HS코드처럼 무역 쪽으로 나옵니다. 마케팅 문서 제목에 이 표기를 단독으로 쓰면 전혀 다른 의도의 검색과 섞이게 됩니다.

생성형 엔진이 답변을 만드는 4단계

앞에 놓은 구조도를 순서대로 풀면 이렇습니다.

1. 질의 재작성: 사용자가 입력한 문장을 검색에 쓸 여러 개의 검색어로 바꿉니다. 하나의 질문이 서너 개의 검색어로 갈라집니다.
2. 문서 검색: 바뀐 검색어로 검색 엔진을 돌려 문서를 가져옵니다. 여기까지는 기존 SEO가 작동하는 구간입니다.
3. 요약: 가져온 문서에서 답변에 쓸 조각을 골라 압축합니다. 문서 전체가 아니라 문단 단위, 문장 단위로 걸러집니다.
4. 응답 생성: 고른 조각을 이어 붙여 하나의 답변을 만들고, 조각마다 인용 표시를 붙입니다.

여기서 알 수 있는 것이 두 가지입니다.

• 2단계를 통과하지 못하면 나머지는 의미가 없습니다. 검색 결과에 아예 잡히지 않는 문서는 인용될 기회 자체가 없습니다. 기존 SEO를 버리고 LLMO로 갈아타는 것이 아니라, SEO에 더하는 작업이라는 뜻입니다.
• 3단계에서 걸러지는 단위는 문서가 아니라 문단입니다. 글 전체가 좋아도 인용하기 좋은 문단이 없으면 통과하지 못합니다. 이 지점이 SEO와 가장 크게 갈리는 부분입니다.

검색 순위와 인용이 같지 않은 이유

같은 논문에 실린 비교 그림입니다. 왼쪽 검색 엔진에서는 문서마다 순위가 하나씩 매겨집니다. 오른쪽 생성형 엔진에서는 한 문단 안에 여러 출처의 인용이 섞여 들어가고, 어느 문서가 몇 위인지 말할 수 없게 됩니다.

논문은 이 문제 때문에 가시성을 재는 지표를 새로 정의했습니다.

• 위치 보정 단어 수: 내 문서에서 가져간 분량이 얼마인지, 그리고 그 인용이 답변의 앞쪽에 있는지 뒤쪽에 있는지를 함께 반영합니다.
• 주관적 인상 점수: 인용이 답변에서 얼마나 중요한 역할을 하는지, 사용자가 그 인용을 눌러 볼 만한지 같은 항목을 언어 모델로 채점합니다.

실무에서는 이 정의만 알아 두어도 충분합니다. 인용은 순위처럼 하나로 정해지지 않고, 답변 안에서 차지한 분량과 위치로 갈립니다.

논문이 검증한 9가지 기법과 효과 차이

GEO 논문은 25개 분야에서 모은 검색어 10,000개로 만든 GEO-bench라는 평가 자료를 놓고 9가지 기법을 실제로 돌려 봤습니다. 결과는 기법에 따라 크게 갈렸습니다.

논문은 가장 좋은 기법이 기준선 대비 위치 보정 단어 수에서 41%, 주관적 인상 점수에서 28% 높은 결과를 냈다고 보고했습니다.

두 가지가 눈에 띕니다. 첫째, 전통 SEO에서 쓰던 검색어 반복이 작동하지 않았습니다. 둘째, 단정적인 어조로 바꾸는 것도 효과가 없었습니다. 논문은 생성형 엔진이 이런 문체 조작에는 이미 어느 정도 견디도록 만들어져 있다고 설명합니다.

효과가 컸던 세 가지는 성격이 같습니다. 인용문, 통계, 출처는 모두 주장이 사실인지 확인할 수 있게 해 주는 장치입니다. 문장을 잘 쓰는 것보다 확인 가능하게 쓰는 쪽이 인용을 부릅니다.

위 히트맵은 네 기법을 둘씩 겹쳤을 때의 결과입니다. 같은 기법을 두 번 겹치는 것보다 성격이 다른 기법을 섞는 쪽이 값이 높습니다. 통계와 문장 다듬기를 함께 적용한 조합이 35.8%로 가장 높았고, 출처 표기만 두 번 강화한 경우는 19.1%에 그쳤습니다.

검색 순위가 낮은 문서일수록 효과가 큰 이유

논문에서 실무적으로 가장 중요한 결과는 따로 있습니다. 검색 결과에서 원래 몇 위였던 문서인지에 따라 효과가 반대로 나타났습니다.

5위였던 문서는 인용 노출이 두 배 안팎으로 늘었지만, 1위였던 문서는 오히려 20에서 30% 줄었습니다. 논문은 이 결과를 두고 GEO가 순위가 낮은 사이트에 특히 도움이 된다고 정리했습니다.

이 수치는 판단 기준 하나를 만들어 줍니다.

• 이미 검색 1위를 잡고 있는 글이라면 무리해서 손대지 않는 편이 낫습니다. 인용을 늘리려다 답변에서 차지하던 자리를 잃을 위험이 큽니다.
• 검색 결과 2쪽 언저리에 있는 글이 가장 남는 장사입니다. 순위를 올리기는 어려워도 인용 노출을 크게 늘릴 여지가 남아 있습니다.

다만 이 결과는 논문이 만든 평가 환경에서 나온 것이고, 실제 서비스 중인 검색 엔진에서 그대로 재현된다는 보장은 없습니다. 방향을 잡는 근거로 쓰되 확정된 규칙으로 다루지 않는 편이 안전합니다.

지금 적용할 수 있는 LLMO 점검 항목

논문 결과를 문서 하나에 적용하는 순서로 옮기면 이렇습니다.

1. 문단마다 인용 가능한 완결 문장이 있는지 봅니다. 요약 단계에서 걸러지는 단위가 문단이므로, 문단 첫 문장을 앞뒤 맥락 없이 읽어도 뜻이 통하는 정의형 문장으로 씁니다.
2. 정성적 서술을 수치로 바꿉니다. 효과가 크다를 41% 높았다로 바꾸는 작업이 가장 효과가 컸던 기법입니다.
3. 주장마다 출처를 답니다. 어느 자료의 몇 페이지인지까지 적을 필요는 없고, 어디서 나온 수치인지 문장 안에 밝히면 됩니다.
4. 원문 인용을 넣습니다. 요약해서 옮기는 것보다 원 문장을 그대로 가져오는 쪽이 검증 가능성을 높입니다.
5. 검색어 반복은 늘리지 않습니다. 효과가 확인되지 않은 데다 문장을 어색하게 만듭니다.

예를 들어 이런 문장이 있다고 해 보겠습니다.

“

AI 검색이 늘면서 클릭률이 많이 떨어졌습니다.

여기에 세 가지 기법을 적용하면 이렇게 바뀝니다.

“

AI Overviews가 노출된 검색어에서 오가닉 클릭률은 61% 낮아졌습니다. 이 수치는 검색 결과 페이지 유형별 클릭 분포를 비교한 조사에서 나온 값입니다.

문장 길이는 비슷하지만 확인 가능한 정보가 세 개 늘었습니다. 수치, 대상 조건, 출처의 성격입니다.

기술적인 세팅은 이 글의 범위가 아니라서 따로 다뤘습니다. 구조화 데이터, llms.txt, 정규 URL 같은 항목을 이 블로그에 실제로 적용한 내용은 AEO 실전 적용 사례 글에, AI 검색이 트래픽에 미친 영향을 원본 데이터와 맞춰 본 내용은 AEO/GEO 트래픽 검증 글에 정리해 두었습니다.

3줄 요약:

• LLMO는 대규모 언어 모델이 답변을 만들 때 내 문서를 찾아 읽고 인용하도록 콘텐츠를 다듬는 작업이고, 검색 결과에 잡히는 것이 먼저이므로 SEO를 대체하지 않고 SEO에 더해서 씁니다.
• KDD 2024 GEO 논문에서 인용 노출을 가장 크게 올린 기법은 통계 추가, 인용문 추가, 출처 표기였고 검색어 반복과 권위적 어조는 효과가 없었습니다.
• 같은 기법이 검색 5위 문서에서는 인용을 두 배 가까이 늘렸지만 1위 문서에서는 20에서 30% 줄였으므로, 이미 상위에 있는 글은 손대지 않는 편이 낫습니다.

Sources

• GEO: Generative Engine Optimization (Aggarwal 외, KDD 2024)
• ACM Digital Library 게재본