← 라이브러리 01 검색 패러다임의 대전환: 링크 클릭 유도형(SERP)에서 인공지능 답변 제공형(LLM)으로 바꾸는 답변 엔진 최적화(AEO/GEO)의 정의 유저가 더 이상 파란 링크를 클릭하지 않고 AI가 요약해주는 답을 그대로 받아들이는 시대가 됐다면, "순위"라는 개념 자체를 처음부터 다시 정의해야 합니다. 1건 출처 02 대화형 AI 검색 엔진의 데이터 수집 매커니즘: 거대언어모델(LLM)이 답변을 생성할 때 출처(Source)로 신뢰하고 긁어가는 문서의 특징 AI가 아무 문서나 긁어가는 게 아닙니다 — 어떤 문서가 "신뢰할 만한 출처"로 선택되는지 이해하지 못하면 GEO 대응은 시작부터 헛발질이 됩니다. 1건 출처 03 문답형 콘텐츠 기획(Q&A 구조): 유저가 생성형 AI에 실제로 질문할 법한 긴 문장(Long-tail Query)을 소제목과 본문 카피로 채택하는 법 키워드 하나로 소제목을 짓던 예전 습관은 이제 과감히 버려야 합니다 — AI 검색 시대의 소제목은 사람이 실제로 물어볼 법한 완전한 문장이어야 합니다. 1건 출처 04 구조화된 텍스트의 힘: AI 봇이 파싱(Parsing)하기 가장 좋아하는 데이터 구조인 표(Table), 번호 매기기 리스트의 황금 배치 룰 문단으로 길게 줄줄이 설명한 내용을 표 하나로 정리해서 바꾸는 것만으로도 AI 인용 확률이 크게 달라질 수 있습니다 — 지금은 형식 자체가 곧 신뢰의 신호로 작동하는 시대입니다. 1건 출처 05 AI 추천 목록 선점 기술: "20대 여자 생일선물 브랜드 추천해 줘"라고 유저가 입력했을 때 우리 브랜드명이 1순위로 출력되는 원리 "추천해 줘"라는 질문 하나에 우리 브랜드가 뜨느냐 마느냐는, 그 순간의 운이 아니라 그보다 훨씬 이전부터 꾸준히 쌓아온 언급의 총량이 결정합니다. 2건 출처 06 인용 데이터베이스망 편입: 위키데이터(Wikidata), 링크드오픈데이터(LOD) 등 AI 검색 엔진이 팩트 체크용으로 신뢰하는 허브에 정보 동기화 브랜드 웹사이트에 아무리 정확한 정보를 올려도, AI가 참조하는 "사실 확인용 허브"에 등록돼 있지 않으면 신뢰도 검증 단계에서부터 밀릴 수 있습니다. 1건 출처 07 AI 크롤러 제어 가이드: OpenAI의 GPTBot, Anthropic의 Claude-Bot 등 AI 검색 봇의 자사 사이트 접근 허용 및 차단 세팅법 "AI 봇을 다 막아야 하나, 다 열어야 하나"는 잘못된 질문입니다 — 진짜 질문은 "학습용 봇과 검색용 봇을 구분해서 다르게 대응하고 있는가"입니다. 1건 출처 08 브랜드 언급량(Co-occurrence)의 법칙: 웹상에서 우리 브랜드명과 핵심 카테고리 단어가 동시에 언급되는 버즈량을 늘려 AI 인지 점수 올리기 이제는 브랜드명만 검색되는 것만으로는 부족한 시대가 됐습니다 — AI가 우리를 특정 카테고리의 대표주자로 인식하려면 그 카테고리 단어와 "함께" 등장하는 빈도가 꾸준히 쌓여야 합니다. 1건 출처 09 트러블슈팅: 생성형 AI가 우리 브랜드에 대해 왜곡된 정보(할루시네이션/환각 현상)를 답변으로 내놓을 때 출처 웹문서 정정 기술 AI가 우리 브랜드에 대해 없는 사실을 그럴듯하게 지어내고 있다면, AI 자체를 탓하기 전에 그 AI가 참조했을 법한 실제 출처부터 차분히 역추적해야 합니다. 1건 출처 10 자사몰 인앱 AI 챗봇 최적화: 유저가 자사몰 내 검색창에서 AI와 대화하며 상품을 추천받을 때 결제로 다이렉트 이어지는 내부 데이터 구조 설계 지금까지는 외부 AI가 우리를 어떻게 언급하는지가 주된 주제였다면, 이번 레슨에서는 우리 사이트 안에 직접 들어온 AI 챗봇이 얼마나 잘 팔아주는지가 핵심 주제입니다. 1건 출처 11 2026 AI 비주얼 검색 공략: 구글 렌즈(Google Lens)나 애플 비주얼 루크업을 통해 제품 사진을 찍었을 때 자사몰로 유입시키는 이미지 세팅 유저가 텍스트 한 글자 입력하지 않고 카메라만 들이대는 순간이 늘고 있습니다 — 이 순간에 우리 상품이 인식되지 않으면 애초에 경쟁에 참여할 기회조차 없습니다. 1건 출처