LLMO 뜻과 필요한 이유: AI 답변에 내 글이 인용되지 않을 때

LLMO는 대규모 언어 모델이 만드는 답변에서 내 문서가 참고되도록 내용을 다듬는 작업을 뜻합니다. LLMO는 Large Language Model Optimization의 약자이고, 대규모 언어 모델(LLM)은 많은 텍스트를 학습해 문장을 만들어 내는 AI 모델입니다.

검색 결과에는 내 글이 나오는데 AI 답변에는 다른 사이트만 인용되는 일이 있습니다. 검색 목록에 들어가는 것과 답변의 근거로 뽑히는 것은 다른 단계이기 때문입니다. 문서를 고쳐도 AI가 그 내용을 바로 다시 학습하지는 않고, 고친 글이 반드시 인용되지도 않습니다.

이 글은 KDD 2024 학회에 실린 GEO 연구를 바탕으로 용어와 도표를 설명하고, 내 글에 적용하는 순서로 마칩니다. 연구의 숫자는 실험 환경에서 나온 값이고, 내 사이트에서는 직접 기록한 결과로 판단합니다.

LLMO와 SEO, AEO, GEO의 관계

네 용어의 범위는 자료마다 조금씩 다릅니다. SEO(검색엔진 최적화)는 검색엔진이 문서를 찾고 이해하도록 개선하는 일이고, AEO(답변 엔진 최적화)는 질문에 답하는 콘텐츠를 개선하는 일입니다. GEO(생성형 엔진 최적화)는 생성형 검색 답변에서 문서가 참고되도록 개선하는 일이고, LLMO는 언어 모델이 문서나 브랜드를 다루는 방식을 개선하는 일입니다. 용어마다 결과를 보는 곳이 다릅니다.

용어별로 결과를 보는 곳

용어	검색 노출, 순위	답변 속 인용	브랜드 언급
SEO	제공	–	–
AEO	–	제공	–
GEO	–	출처 링크 답변 내 인용	–
LLMO	–	제공	제공

AEO를 기존 검색의 짧은 답변 상자로 좁혀 쓰는 자료도 있고, 생성형 AI 답변까지 넣는 자료도 있습니다. LLMO에 모델이 학습한 내용까지 포함하는 설명도 있지만, 웹 문서를 고친다고 이미 학습을 마친 모델의 데이터가 바뀌지는 않습니다. 이 글은 AI가 공개 문서를 검색해 참고하는 상황을 다룹니다.

생성형 엔진이 답변을 만드는 흐름

GEO 논문은 생성형 엔진의 대표 구조를 네 단계로 그렸습니다. 실제 서비스마다 실행 방식은 다릅니다.

그림과 논문의 실제 실험 설계는 다릅니다. 주요 실험은 Google 검색 상위 5개 문서에서 정리한 텍스트를 모델에 넣었고, 3단계 요약은 따로 두지 않았습니다. 그래서 이 실험에서 "문단이 요약 단계를 통과해야 인용된다"는 규칙은 나오지 않습니다.

웹 검색을 쓰는 답변에서는 검색엔진이 내 문서를 찾을 수 있는지가 먼저입니다. 다만 AI는 사용자가 올린 파일이나 직접 붙여 넣은 자료도 참고하므로, 검색에 없는 문서가 인용되는 경우도 있습니다.

검색 순위와 답변 속 인용은 다릅니다

왼쪽은 문서별 순위가 매겨진 검색 목록이고, 오른쪽은 여러 문서를 참고해 만든 답변입니다. 답변에서는 한 문단에 출처가 여럿 섞이므로 검색 순위처럼 1위, 2위로 비교할 수 없습니다. 그래서 논문은 답변 속 노출을 측정하는 지표 두 개를 썼습니다.

GEO 논문의 두 지표가 측정한 것

측정 항목	위치 보정 단어 수	주관적 인상 점수
출처가 답변에서 차지한 분량	제공	–
출처가 등장한 위치	제공	–
출처가 답변에 기여한 정도	–	제공
평가 방식	단어 수 계산	언어 모델이 채점
출처 링크를 누른 사람 수	제공하지 않음	제공하지 않음

두 지표 모두 클릭은 측정하지 않았습니다. 지표가 올라도 출처 링크를 누른 사람이 같은 비율로 늘었다는 근거는 없으니, 내 사이트에서는 인용 여부, 실제 클릭, 문의를 각각 따로 기록합니다.

GEO 연구의 기법과 숫자

연구진은 25개 분야의 질문으로 GEO-bench라는 평가 자료를 만들었습니다.

아래는 시험용 질문에서 9가지 기법을 비교한 위치 보정 지표의 전체 평균입니다. 비교 기준인 원본 문서의 점수는 19.3이고, 값은 방문 비율이나 인용 확률이 아니라 지표 점수입니다.

가장 높은 27.2를 원본 19.3과 비교하면 (27.2 - 19.3) ÷ 19.3 × 100 ≈ 40.9%, 반올림해 약 41% 개선입니다. 주관적 인상 지표의 최대 개선은 약 28%였습니다. 두 값은 서로 다른 지표의 결과이고, 어느 쪽도 방문자 증가율이 아닙니다.

통계, 인용문, 출처를 보강한 기법이 이 실험에서 높게 나왔습니다. 이 실험은 AI가 사실 여부를 가려내는지는 측정하지 않았습니다. 검색어 반복의 낮은 점수도 검색어를 억지로 더 넣은 방식의 결과이며, SEO 전체와는 별개의 값입니다.

히트맵은 색으로 수치 차이를 보여 주는 표입니다. 이 그림은 비용을 줄이려고 시험 질문 가운데 200개로만 비교한 결과입니다. 대각선 칸은 같은 기법을 두 번 적용한 결과가 아니라 한 기법만 적용한 결과입니다. 문장 다듬기와 통계를 함께 적용한 조합이 35.8%로 가장 높았고, 출처 표기 단독은 19.1%였습니다. 앞의 막대와는 질문 수가 달라서 두 그림의 수치를 이어 붙여 비교할 수 없습니다.

검색 순위별 결과를 읽는 법

논문은 원래 검색 순위에 따라 같은 기법의 효과가 달라지는지도 살폈습니다.

원래 검색 순위별 인용 노출 변화

기법	원래 1위 문서	원래 5위 문서
출처 표기	-30.3%	+115.1%
인용문 추가	-22.9%	+99.7%
통계 추가	-20.6%	+97.9%

이 비교는 답변에 넣는 출처 문서들을 함께 고친 실험입니다. 1위 글 하나만 고친 경우는 측정하지 않았으므로 "1위 글은 고치지 말라"는 운영 규칙으로 옮길 수 없습니다. 순위가 높은 글이라도 틀린 정보와 끊어진 출처는 고칩니다.

수정 효과를 보려면 무엇을 언제 바꿨는지 적어 두고, 같은 질문과 조건에서 답변이 어떻게 달라지는지 여러 번 봅니다. AI 답변 한 번으로는 무엇이 효과를 냈는지 가릴 수 없습니다.

내 글 한 문단에 적용하기

고칠 문단 하나와 그 문단의 근거 자료를 나란히 엽니다. 예를 들어 "고객 만족도가 크게 올랐다"는 문장이라면 만족도 조사 결과 파일을 함께 열어 두고 아래 순서로 고칩니다.

3번에서 내부 자료는 공개할 권한이 있는 범위만 인용하고, 외부에서 볼 수 없는 자료라고 밝혀 둡니다. 4번의 인용문은 요약보다 늘 나은 것이 아니므로 설명에 필요한 문장만 고릅니다.

고친 뒤에는 AI 답변에서 결과를 기록합니다. 기록할 것은 질문, 날짜, 사용한 AI 서비스, 답변에 붙은 출처 URL입니다.

ChatGPT, 웹 검색 사용

고객 만족도 조사 결과를 보고서에 쓸 때 무엇을 함께 적어야 하나요?

조사 기간, 응답자 수, 문항, 이전 조사와의 비교 기준을 함께 적는 것이 좋습니다.
출처 brand-a.co.kr/insights/survey-report

출처 URL이 내 글이고 실제로 열리는지 봅니다

브랜드 이름만 언급됐는지 내 글 링크까지 붙었는지 나눠 적습니다. 링크를 열어 수정한 글이 맞는지 보고, 다른 글이나 열리지 않는 주소라면 따로 표시합니다. 출처가 없거나 내 글이 나오지 않은 결과도 지우지 않고 남겨야 나중에 변화를 비교할 수 있습니다.

기술 설정은 AEO 적용 사례에, 인용과 실제 유입 수치를 구분하는 방법은 AEO와 GEO 데이터 읽기에 정리했습니다.

자주 묻는 질문

LLMO와 GEO는 다른 말인가요?

자료마다 범위가 다릅니다. GEO는 생성형 검색 답변에서의 인용을 주로 다루고, LLMO는 언어 모델 전반에서 문서나 브랜드가 노출되는 방식까지 넓게 다루기도 합니다. 웹 문서를 고치는 실무에서는 두 작업이 겹치는 항목이 많습니다.

SEO를 접고 LLMO로 갈아타도 되나요?

웹 검색을 참고하는 AI 답변에서는 문서를 찾고 이해할 수 있게 만드는 SEO가 여전히 필요합니다. LLMO는 SEO를 대신하는 것이 아니라 그 위에 더하는 작업입니다. 다만 웹 검색을 실행하지 않고 답하는 AI 서비스에는 SEO가 직접 작용하지 않습니다.

검색 1위인 글에도 인용문과 통계를 더 넣는 것이 좋을까요?

질문에 답하는 데 필요한 근거가 빠져 있다면 보강합니다. 순위만 보고 수정 여부를 정하거나, 인용을 늘리려고 필요 없는 수치를 넣지는 않습니다. 논문의 순위별 결과는 출처 문서들을 함께 고친 실험이라 내 글 하나를 고친 결과로 옮겨 쓸 수 없습니다.

Sources

• GEO: Generative Engine Optimization, KDD 2024 논문 본문
• ACM Digital Library 게재본