GEO 감사는 사람이 해결책을 찾거나, 여러 선택지를 비교하거나, 브랜드 정보를 확인할 때 생성형 AI가 실제로 어떤 답을 내놓는지 기록하는 작업입니다. 특정 페이지가 AI 답변에 반드시 포함된다고 약속하는 작업은 아닙니다. 질문, 답변, 보이는 출처, 함께 제시된 경쟁사, 확인이 필요한 주장까지 남겨서 다음 행동을 판단할 수 있게 만드는 측정입니다.
핵심 요약
GEO 감사는 현실적인 질문 세트를 고정하고 생성형 답변 속 브랜드 가시성을 측정합니다. 브랜드 이름 때문에 나온 언급과 이름 없이도 나온 자발적 언급을 구분하고, 전체 답변과 검증 근거를 보관합니다. 2026 바로미터의 13개 브랜드, 비브랜드 답변 657개 하위 표본에서는 106개 답변, 즉 16%가 감사 대상 브랜드를 자발적으로 언급했습니다. 이 관찰값은 해당 하위 표본에만 적용되며 모든 브랜드나 모든 엔진의 평균은 아닙니다.
GEO 감사란 무엇인가요?
GEO는 Generative Engine Optimization의 약자입니다. GEO 감사는 생성형 AI가 브랜드를 발견하고, 설명하고, 다른 대안과 비교하는 방식을 구조적으로 확인하는 절차입니다. 단순히 브랜드가 언급되었는지만 보는 것이 아닙니다. 어떤 질문에서 언급됐는지, 답변 안에서 어떤 맥락으로 소개됐는지, 어떤 경쟁사와 함께 등장했는지, 사실 정보가 맞는지, 출처 URL이 무엇인지도 함께 봐야 합니다.
여기서 분석 단위는 검색 순위 한 줄이 아니라 답변 전체입니다. 같은 질문도 모델, 웹 검색 사용 여부, 언어, 날짜, 질문의 작은 표현 차이에 따라 다른 답을 낼 수 있습니다. 따라서 한 장의 화면 캡처는 사례를 보여 줄 수 있어도, 안정적인 패턴이나 원인을 증명하지는 못합니다.
GEO 감사와 AEO 감사의 실무상 차이
| 항목 | GEO 감사 | AEO 감사 |
|---|---|---|
| 주요 초점 | 생성형 검색, 답변의 종합, 출처 사용 | 구매 여정에 관련된 답변 엔진의 응답 |
| 검토 증거 | 답변, 출처, 사실 정확성, 경쟁사 | 답변, 언급, 맥락, 품질, 반복성 |
| 활용 | 생성형 답변 속 브랜드 재현 방식을 파악 | 답변 엔진 전반의 존재를 폭넓게 측정 |
두 방식은 경쟁 관계가 아니라 보완 관계입니다. AEO 감사에는 생성형 답변이 포함될 수 있고, GEO 감사는 특히 답변이 여러 정보를 종합하는 방식과 출처 표시를 더 자세히 봅니다. 명칭보다 중요한 것은 증거의 보존입니다. 정확한 질문, 모델, 모드, 실행 날짜, 전체 답변, 확인 가능한 출처가 연결되어야 합니다.
측정 전에 먼저 정할 것
실제 의사결정부터 정합니다
질문 세트는 사람들이 실제로 어떤 결정을 내리려는지에서 출발해야 합니다. 공급업체 선택, 소프트웨어 비교, 지역 서비스 탐색, 특정 주장 확인, 카테고리 이해처럼 목적을 먼저 씁니다. 단순 정의 질문과 구매 전 비교 질문은 서로 다른 행동을 측정하므로 같은 지표로 섞어 읽으면 안 됩니다.
시장과 언어를 고정합니다
각 질문에는 언어, 대상 시장, 사용자 의도, 브랜드 이름 포함 여부를 표시합니다. 한국어 비브랜드 추천 질문과 영어 브랜드 확인 질문을 같은 표에서 비교하면 수치만 그럴듯해지고 의미는 사라집니다. 같은 브랜드라도 시장과 언어가 바뀌면 답변이 달라질 수 있다는 점을 기록해야 합니다.
질문 문구를 그대로 남깁니다
몇 단어만 바뀌어도 AI가 제시하는 대안과 출처가 달라질 수 있습니다. 실행한 질문을 나중에 보기 좋게 고치지 말고 그대로 저장해야 합니다. 다음 측정에서 비교할 수 있는 기준은 완벽한 문장이 아니라 실제로 실행한 문장입니다.
유용한 질문 패널을 만드는 방법
질문 패널은 회사의 홍보 문구 목록이 아닙니다. 브랜드 이름 없이 카테고리에서 옵션을 찾는 질문, 여러 선택지를 비교하는 질문, 브랜드 정보의 정확성을 확인하는 질문을 섞을 수 있습니다. 비브랜드 질문은 자발적 발견을 측정합니다. 비교 질문은 답변이 브랜드를 어떤 대안과 묶는지 보여 줍니다. 브랜드 질문은 알려진 정보가 정확한지 확인하는 데 유용합니다. 이미 브랜드 이름을 넣은 질문으로는 자발적 가시성을 증명할 수 없습니다.
- 발견 질문: 이 문제를 해결할 수 있는 선택지는 무엇인가요?
- 비교 질문: 두 접근법은 어떤 점이 다른가요?
- 평가 질문: 선택 전에 어떤 기준을 확인해야 하나요?
- 브랜드 질문: 이 회사에 대해 AI는 어떤 사실을 말하나요?
질문 개수에 정답은 없습니다. 카테고리, 언어 수, 시장 수, 의사결정의 복잡도에 따라 달라집니다. 매우 비슷한 질문을 많이 추가한다고 증거가 자동으로 늘어나지는 않습니다. 오히려 하나의 표현을 과도하게 반영할 수 있습니다.
답변을 수집할 때 보존해야 할 맥락
실행마다 질문, 날짜, 모델, 사용 모드, 전체 답변, 보이는 URL을 저장합니다. 답변에 실제 순서가 있을 때만 브랜드 위치를 기록합니다. 답변이 순위를 제시하지 않았다면 평균 순위를 만들어서는 안 됩니다. 경쟁사가 언급된 경우에는 이름과 등장 맥락도 보관합니다.
URL 검증은 특히 조심해야 합니다. 열리지 않는 URL은 잘못된 링크, 이동한 페이지, 접근 제한, 수집 환경 문제를 의미할 수 있습니다. URL 하나가 열리지 않는다는 사실만으로 AI가 내용을 발명했다고 결론 내릴 수는 없습니다. 반대로 URL이 열린다고 해서 답변이 실제로 그 페이지를 근거로 삼았다는 증거도 아닙니다. 관찰 사실과 해석을 분리해야 합니다.
서로 섞지 말아야 할 지표
| 지표 | 설명 | 읽는 조건 |
|---|---|---|
| 언급률 | 브랜드가 나온 답변의 비율 | 브랜드 질문과 비브랜드 질문을 분리 |
| AI Share of Voice | 같은 패널에서 경쟁 대안과 비교한 상대적 존재 | 시장 점유율과 혼동하지 않기 |
| 정확성 | 정확한 사실, 불완전한 사실, 미검증 사실 | 기준 출처와 대조 |
| 보이는 출처 | 답변에 표시된 URL 또는 도메인 | 접근 상태와 주장 연관성을 별도로 확인 |
| 반복성 | 비교 가능한 실행에서 되풀이되는 패턴 | 한 번의 답변으로 결론 내리지 않기 |
전체 언급률은 답변 품질의 평균이 아닙니다. 브랜드 이름을 넣은 질문이 많으면 언급률은 올라갈 수 있지만, 실제 추천 질문에서는 브랜드가 계속 빠질 수 있습니다. 반대로 목록에 포함되어도 설명에 잘못된 가격이나 기능이 들어갈 수 있습니다. 그래서 언급, 정확성, 출처, 경쟁 구도를 한 숫자로 합치지 않는 편이 낫습니다.
측정된 사실과 원인 추정은 다릅니다
감사 결과는 기록된 조건에서 브랜드가 특정 비브랜드 답변에 나타났거나 나타나지 않았다고 말할 수 있습니다. 왜 그런 결과가 나왔는지는 별개의 문제입니다. 접근 가능한 출처, 질문 문구, 모델 업데이트, 검색 맥락, 관찰할 수 없는 시스템 변화가 모두 영향을 줄 수 있습니다. 따라서 후속 조치는 검증할 가설로 제시해야 하며, 한 번의 측정으로 증명된 인과관계처럼 말하면 안 됩니다.
잘못된 사실을 발견했을 때도 같습니다. 여러 답변이 같은 오류를 반복했다면, 관찰 사실은 패널 안에서 그 오류가 반복됐다는 것입니다. 모델의 의도는 측정하지 않았습니다. 다음 단계는 공개 출처를 찾고, 공식 페이지와 관리 가능한 프로필을 정리한 다음, 같은 조건으로 다시 확인하는 것입니다.
AI 환각과 잘못된 URL을 읽는 법
AI 환각은 검증에 실패하는 주장입니다. 부정적인 평가나 비판 자체가 환각이라는 뜻은 아닙니다. 존재하지 않는 인증, 틀린 가격, 가짜 주소, 만들어진 링크는 별도 분류가 필요합니다. 원문 문장을 보존하고, 주장 유형을 표시하고, 검증 출처를 연결하며, 민감한 경우는 사람이 다시 검토해야 합니다.
환각 URL도 별도 신호입니다. AI Labs Audit은 감사에서 AI가 만들어 낸 URL을 탐지하는 기능을 문서화하고 있습니다. 다만 HTTP 상태 코드, 리디렉션, 접근 오류는 기술 관찰값일 뿐입니다. 그것만으로 주장 전체의 출처나 시스템의 의도를 단정할 수 없습니다.
감사 뒤에 할 수 있는 일
E-E-A-T는 콘텐츠에 드러난 경험, 전문성, 권위성, 신뢰성을 점검하는 기준을 정리하는 데 유용합니다. 이 기준을 충족한다고 생성형 답변의 인용이 보장되는 것은 아닙니다.
우선순위는 관찰된 패턴에 따라 달라집니다. 핵심 페이지가 패널의 질문에 직접 답하지 못한다면 답변, 근거, 날짜, 작성자 정보를 명확히 하는 것이 첫 단계일 수 있습니다. 브랜드는 정확히 설명되지만 경쟁사보다 자주 빠진다면 실제 답변에 보이는 제3자 출처부터 검토할 수 있습니다. 정보가 틀렸다면 브랜드가 통제하는 참조 페이지와 공개 프로필을 먼저 바로잡는 편이 합리적입니다.
- 핵심 답변을 페이지 나머지 없이도 이해할 수 있게 씁니다.
- 숫자와 주장을 검증 가능한 출처 및 날짜와 연결합니다.
- 조직, 서비스, 작성자, 연락 정보를 일관되게 표시합니다.
- Schema.org는 보이는 내용을 설명하는 데 사용하고, 증거 부족을 숨기는 수단으로 쓰지 않습니다.
- 변경 효과를 말하기 전에 같은 질문 패널을 다시 실행합니다.
구조, 구조화 데이터, 내부 링크는 시스템이 콘텐츠를 해석하는 데 도움이 될 수 있습니다. 순위나 인용을 보장하지는 않습니다. 기술 항목은 GEO 체크리스트에서 더 확인할 수 있습니다. 위의 표본 수치는 2026 바로미터의 6,820개 AI 답변 데이터와 연결됩니다.
보고서 검토에서 확인할 질문
보고서를 받을 때는 먼저 어떤 질문이 브랜드 이름 없이 실행됐는지, 어떤 모델과 모드가 사용됐는지, 각 결과에 원문 답변이 남아 있는지 확인합니다. 다음으로 언급률과 AI Share of Voice가 같은 질문 집합에서 계산됐는지 봅니다. 마지막으로 오류로 표시된 주장마다 검증 출처와 검토 상태가 있는지 확인합니다. 이 네 가지가 빠져 있으면 숫자는 있어도 재현 가능한 판단 자료가 되기 어렵습니다.
운영팀은 결과를 한 번에 모두 해결하려 하지 않아도 됩니다. 반복해서 나타나는 문제를 먼저 묶고, 브랜드가 통제하는 페이지에서 바로잡을 수 있는 사실과 외부 출처의 확인이 필요한 사실을 구분하면 됩니다. 변경 기록과 다음 재측정의 조건을 함께 남기면, 나중에 개선 여부를 과장하지 않고 설명할 수 있습니다.
반복 측정이 필요한 이유
GEO 감사의 가치는 한 번의 좋은 답변을 보여 주는 데 있지 않습니다. 같은 질문 세트, 같은 분류 규칙, 가능한 한 비슷한 수집 조건으로 다시 측정할 때 비교 가능한 기준선이 생깁니다. 프롬프트, 시장, 모델, 판정 기준을 동시에 바꾸면 추세가 아니라 새로운 실험이 됩니다.
결과는 가시성이나 인용의 약속이 아닙니다. 무엇을 확인하고, 무엇을 고치고, 무엇을 더 조사할지 결정하기 위한 증거 묶음입니다. 이런 방식의 감사는 호의적인 답변 하나를 무비판적으로 믿는 일과 불리한 답변 하나를 최종 판정으로 만드는 일을 모두 피하게 합니다.
질문과 답변
GEO 감사는 얼마나 걸리나요?
5개 모델, 50개 프롬프트를 대상으로 하는 수동 GEO 감사에는 컨설턴트 시간 1~2일이 소요됩니다. 자동화 플랫폼을 통한 동일한 감사는 시작까지 몇 분이 걸리고 1시간 안에 PDF 보고서를 생성합니다.
GEO 감사는 얼마나 자주 다시 실행해야 하나요?
최소 월 1회입니다. LLM은 백엔드를 지속적으로 업데이트하며, 3월에 40% 비율로 인용되던 브랜드도 모델 업데이트 후 4월에는 12%로 떨어질 수 있습니다.
GEO 감사는 AEO 감사와 다른가요?
네. AEO는 인용에 초점을 맞춥니다. GEO는 생성 차원을 더합니다. 센티먼트, 환각, 내러티브 프레이밍, AI Overviews, 멀티모달 답변입니다. 두 감사는 상호 보완적이며 각자의 역할이 있습니다.
ChatGPT만 테스트한 GEO 감사를 신뢰할 수 있나요?
아니요. ChatGPT는 Claude, Gemini, Perplexity와 매우 다르게 작동합니다. 단일 모델 감사는 일화적이며 전략적 결정에 사용해서는 안 됩니다.
환각을 대규모로 어떻게 탐지하나요?
환각된 링크를 찾기 위한 자동 URL 크롤링과, 큐레이팅된 브랜드 지식 베이스와 팩트 주장을 교차 검증하는 LLM-as-judge 분류기를 병행합니다. 수동 검토는 가장 민감한 플래그를 확정합니다.
생성 엔진은 이전 쿼리를 기억하나요?
단일 세션 내에서는 때때로 그렇습니다. 세션 간에는 그렇지 않습니다. 모든 GEO 감사 실행은 깨끗한 상태에서 시작되므로, 영리한 프롬프트 문구보다 재현 가능한 방법론이 더 중요합니다.
에이전시, 컨설턴트, 사내 팀을 위한 인프라입니다. 직접 만든 시나리오와 선택한 언어 및 모델로 얻은 답변을 비교하세요. 여러분의 시나리오와 전문성을 지원합니다.