AI는 출처를 어떻게 고를까: 실제 측정으로 확인한 것

핵심 요약

AI 답변에 표시된 출처는 독자에게 제시된 자료이지, 그 자료를 고른 내부 공식이 아닙니다. 저희 연구에서 확인할 수 있는 것은 출처가 나타난 빈도, 응답 모드에 따른 차이, 측정의 한계입니다. 엔진의 비공개 선택 기준까지 밝혀진 것은 아닙니다. 답변을 해석하려면 인용된 페이지, 그 페이지가 뒷받침하는 주장, 브랜드가 실제로 언급되었는지를 나누어 살펴야 합니다. 각각 다른 결과이며 필요한 증거도 다릅니다.

AI는 어떤 기준으로 출처를 고를까요? 저희 측정만으로 그 결정을 처음부터 끝까지 재구성할 수는 없습니다. 확인할 수 있는 것은 화면에 드러난 결과입니다. 이 구분은 진단 결과를 읽는 방식을 바꿉니다. LinkedIn 링크가 있다고 해서 엔진이 언제나 LinkedIn을 우선하거나, 그 페이지 하나가 답변 전체를 결정했다고 볼 수는 없습니다. 표시된 자료는 확인할 수 있지만, 검토되었다가 제외된 모든 문서를 볼 수는 없습니다.

서로 다른 질문에 답하는 두 데이터셋

AI 브랜드 가시성 바로미터는 2025년 9월부터 2026년 6월까지 수집한 답변 6,820개, 전체 진단 104건, 브랜드 65개를 다룹니다. 서로 다른 모델 44개가 포함됩니다. 연구의 대상은 브랜드 가시성이며, 세부 지표마다 사용한 하위 표본이 다릅니다. 각 답변을 만드는 데 쓰인 모든 출처의 구성을 제공하는 연구는 아닙니다.

브랜드 관련 인용 출처 연구는 진단 123건과 답변 7,264개를 분석합니다. 진단 대상 브랜드의 자체 웹사이트는 제외하며, 같은 출처는 진단 한 건에서 한 번만 집계합니다. 따라서 이 연구의 비율은 특정 외부 출처가 한 번 이상 나타난 진단의 비율입니다. 바로미터의 답변 6,820개를 분모로 삼은 비율이 아닙니다.

왜 분모를 강조할까요? 분모를 잘못 읽으면 의사결정도 달라지기 때문입니다. 출처 연구에서 LinkedIn이 진단의 37%에 나타났다고 해서, 모든 AI 답변의 37%가 LinkedIn을 기반으로 한다는 뜻은 아닙니다. 브랜드의 37%가 그곳에서 추천을 얻었다는 뜻도 아닙니다. 각 수치는 실제로 측정한 대상과 함께 읽어야 합니다.

인용 하나로 선택 과정 전체를 알 수는 없습니다

정보에 접근할 수 있는 상태, 문서를 실제로 확인한 상태, 내용이 답변에 기여한 상태, 링크가 독자에게 표시된 상태를 나누어 생각해 볼 수 있습니다. 이는 분석을 위한 틀이지, 특정 엔진의 구조를 검증해 설명한 것이 아닙니다. 최종 참고 링크 목록만으로 이 단계들이 어떻게 진행되었는지 모두 추적할 수는 없습니다.

특히 선택되지 않은 후보에 관한 증거가 없습니다. 내 페이지가 나타나지 않았다면, 그 관찰만으로는 접근이 불가능했는지, 검색 결과 집합에 없었는지, 질문에 적합하지 않다고 판단되었는지, 단지 표시되지 않았는지 알 수 없습니다. 권위가 부족해서 탈락했다고 단정하면 증거보다 앞서 나가게 됩니다. 링크의 부재가 그 이유까지 설명하지는 않습니다.

반대의 경우에도 주의해야 합니다. 표시된 URL은 기록하고 검증할 수 있는 관찰입니다. 그 URL이 답변 전체를 설명한다고 주장하려면 별도의 증거가 필요합니다. 답변은 여러 주장을 여러 자료와 연결할 수 있습니다. 가장 눈에 띄는 링크가 독자에게 중요한 세부 내용을 뒷받침하는 링크라고 보장할 수는 없습니다.

관찰된 출처 빈도는 무엇을 말해 주나요?

진단 123건을 다룬 출처 연구의 일부 결과만 보아도 독자에게 제시되는 자료의 종류가 다양하다는 것을 알 수 있습니다.

• LinkedIn은 진단의 37%, Wikipedia는 35%에 나타났습니다.
• Trustpilot은 진단의 32%에 나타났습니다.
• 프랑스 기업 정보 서비스인 Pappers는 진단의 24%에 나타났습니다.
• YouTube는 진단의 23%, Reddit은 21%에 나타났습니다.

이 수치는 신뢰도 순위가 아닙니다. 기업 등록 자료는 법적 신원을 확인하는 데 쓰일 수 있습니다. 후기는 누군가의 경험을 담고, 동영상은 사용 모습을 보여 줄 수 있습니다. 같은 데이터셋에 등장한다고 해서 이 자료들이 서로 같은 증거가 되는 것은 아닙니다. 각 출처가 어떤 종류의 주장을 뒷받침하는지 확인해야 합니다.

표본에 프랑스 관련 요소가 있다는 점도 중요합니다. Pappers의 빈도로 다른 나라에서 기업 등록 자료가 차지하는 비중을 예측할 수는 없습니다. 이 글을 한국어로 제공한다고 해서 데이터가 한국 시장을 조사한 결과로 바뀌는 것도 아닙니다. 수치의 적용 범위와 한계는 원래 출판된 연구의 범위 그대로입니다.

네이티브 모드와 웹 검색 모드는 다른 관찰 조건입니다

바로미터에서는 진단 63건으로 두 모드를 비교했습니다. 웹 검색을 사용하지 않는 네이티브 모드의 평균 가시성 점수는 100점 만점에 63.4점이었고, 웹 검색을 켠 모드는 70.5점이었습니다. 이는 가시성 점수입니다. 특정 도메인의 인용 비율이나 클릭률이 아닙니다.

이 평균은 해당 하위 표본에서 두 조건의 측정 결과가 달랐다는 것을 보여 줍니다. 검색을 추가하면 모든 답변이 좋아진다거나, 최근 게시한 페이지가 인용된다는 증거는 아닙니다. 차이를 LinkedIn, Wikipedia 또는 다른 서비스의 영향으로 돌릴 수도 없습니다. 발표된 비교는 그러한 원인별 기여를 측정하지 않았습니다.

AI Labs Audit에는 네이티브 응답과 웹 검색 응답을 비교하는 듀얼 모드가 문서화되어 있습니다. 이 질문에서 중요한 점은 관찰 조건을 나누는 것입니다. 검색을 쓰지 않은 화면과 검색을 사용한 화면을 비교하면서 차이를 콘텐츠 수정 효과라고 부르면 진단이 흐려집니다. 모드는 결과 바로 옆에 기록해야 합니다.

출처로 인용되는 것과 추천받는 것은 다릅니다

브랜드는 자체 사이트 링크 없이 언급될 수 있습니다. 웹사이트가 어떤 사실의 근거로 인용되어도 그 사이트의 브랜드가 추천된 것은 아닐 수 있습니다. 여러 출처가 표시되어 있으면서 측정 대상 기업은 한 번도 등장하지 않는 답변도 가능합니다. 이 모든 경우를 설명 없이 하나의 가시성 지표로 묶으면 의사결정에 필요한 차이가 사라집니다.

바로미터의 자발적 브랜드 언급 결과는 개체 추출이 적용된 브랜드 13개의 답변 657개에서 나왔습니다. 언급은 106건으로, 약 16%였습니다. 이 수치는 답변 6,820개 전체의 비율이 아닙니다. 인용된 링크 중 진단 대상 브랜드가 소유한 링크의 비중을 뜻하지도 않습니다. 어느 쪽으로 해석해도 분모가 달라집니다.

저희 판단은 분명합니다. 서로 다른 결과를 섞은 큰 점수보다 분모가 명확한 좁은 지표가 낫습니다. 기업 정보를 바로잡으려는 팀도 있고, 전문성을 인정받아 출처로 인용되려는 팀도 있으며, 추천 목록에 들어가려는 팀도 있습니다. 보고서는 무엇을 실제로 시험했고 어떤 증거를 변화로 볼 것인지 밝혀야 합니다.

주장과 링크의 관계를 읽는 방법

실제 고객 사례가 아닌 설명용 예를 들어 보겠습니다. 어떤 답변이 기업의 활동 지역, 제공 서비스, 좋은 이용 후기를 말하면서 기업 등록 자료와 후기 플랫폼을 제시합니다. 등록 자료는 법적 신원을 확인해 줄 수 있어도 현재 서비스를 증명하지 못할 수 있습니다. 후기는 의견을 보여 줄 수 있어도 서비스가 지금 제공되는지까지 입증하지는 못합니다.

따라서 검증은 중요한 주장 하나하나에 대해 진행합니다. 정확한 페이지를 열고, 그 주장을 뒷받침하는 문장을 찾습니다. 같은 기업을 가리키는지, 날짜가 질문에 맞는지, 답변이 원문보다 넓은 범위로 일반화했는지 확인합니다. 개인 의견이 전체에 대한 평가로 바뀌었다면, 링크가 정상 작동해도 해석 문제가 남습니다.

뒷받침하는 문장을 찾지 못했다면 근거 확인이 되지 않았다고 기록합니다. 그렇다고 엔진이 다른 정보를 전혀 보지 않았다고 단정할 수는 없습니다. 페이지에 접근하지 못했다면 확인 실패와 당시 조건을 남깁니다. 일시적 접근 오류만으로 AI가 URL을 지어냈다고 판정해서는 안 됩니다. 불확실성을 더 자극적인 표현으로 바꾸지 않는 것이 중요합니다.

인과관계를 꾸며 내지 않고 가설을 시험하려면

직접 관리하는 프로필의 오래된 설명을 고쳤다고 가정해 보겠습니다. 다음 시험에서 그 프로필이 인용되었습니다. 수정이 인용을 일으켰다고 증명한 것일까요? 아닙니다. 그 설명과 양립하는 결과이기는 하지만 모델, 도구, 질문 표현, 이용 가능한 검색 결과가 바뀌었을 수도 있습니다.

비교를 해석할 수 있도록 정확한 질문, 언어, 요청한 시장, 표시된 모델, 모드, 날짜를 보관합니다. 답변과 URL도 함께 저장합니다. 가능한 한 비슷한 조건에서 관찰을 반복합니다. 이는 이 글에서 제안하는 측정상의 주의사항입니다. 저희의 기존 연구에서 이미 수행한 인과 실험을 설명하는 내용은 아닙니다.

성공 기준도 해석보다 먼저 정해야 합니다. 사실을 고치는 목적이라면 잘못된 정보가 사라졌는지 봅니다. 인용이 목적이라면 어떤 페이지가 제시되었는지 확인합니다. 추천이 목적이라면 자발적 언급과 문맥을 확인합니다. 하나의 결과가 바뀌었다고 다른 결과도 개선되었다고 볼 수는 없습니다.

선택 이유가 여전히 불명확할 때 할 수 있는 일

증거가 있고 정당한 수정 경로가 있는 오류부터 다룹니다. 자체 사이트의 오래된 주소나 관리 중인 프로필의 낡은 설명에는 구체적인 수정이 필요합니다. 일반적인 출처 빈도 순위는 가짜 후기, 허위 프로필, 인위적인 커뮤니티 언급을 정당화하지 않습니다. 엔진의 결정을 통제한다고 주장하지 않아도 정보의 정확성은 충분히 추구할 만한 목표입니다.

부정적인 관찰도 남겨 두십시오. 수정한 페이지가 계속 나타나지 않는 것도 결과이지 숨길 실패가 아닙니다. 정확한 정보를 공개하는 것과 답변에 포함되는 것은 같지 않다는 사실을 보여 줍니다. 이 한계를 문서화하면 다음 결정이 덜 자의적이 되고, 편리한 성공담이 실제 증거를 대신하는 일을 막을 수 있습니다.

데이터와 적용 범위는 앞서 연결한 두 연구에서 확인할 수 있습니다. 저희 결론은 보편적인 비법보다 좁습니다. 측정이 보여 주는 것은 제시된 출처와 가시성의 차이지, 엔진의 완전한 선택 규칙이 아닙니다. 어떤 플랫폼을 AI가 선호하느냐보다, 이 답변의 어느 부분을 인용 자료로 실제 확인할 수 있느냐가 더 생산적인 질문입니다.