AI는 어떤 콘텐츠를 인용하는가 — 생성형 엔진의 인용 메커니즘

콘텐츠를 열심히 만들어도 ChatGPT나 Perplexity의 답변에 인용되지 않으면, 그 글은 생성형 검색의 세계에서 보이지 않는다. 많은 운영자가 "좋은 글을 썼는데 왜 AI가 우리를 안 가져갈까"라고 묻는다. 문제는 글의 품질만이 아니라 AI가 출처를 고르는 방식과 콘텐츠 구조가 어긋나 있다는 데 있다. 이 글은 생성형 엔진이 답변의 근거를 어떻게 선택하는지 작동원리부터 짚고, 그 원리에 맞춰 무엇을 바꿔야 인용 가능성이 올라가는지 정리한다.

생성형 엔진이 출처를 고르는 3단계

생성형 엔진의 답변은 한 번에 떠오르는 것이 아니라, 대체로 세 단계를 거쳐 만들어진다. 순서를 이해하면 어느 지점에서 콘텐츠가 탈락하는지 보인다.

핵심은 인용이 마지막 단계에서, 근거로 실제 채택된 출처에만 붙는다는 점이다. 검색 단계의 후보에 올라가는 것만으로는 부족하고, 근거 선택 단계에서 "이 단락이 질문에 대한 답"이라고 판단되어야 한다. 검색 단계에서 후보를 모으는 일은 AI 크롤러가 페이지를 정상적으로 읽을 수 있는지에서 출발하므로, Google 크롤러 문서 ↗가 설명하는 렌더링·접근 가능성이 전제 조건이 된다.^[5] 이 과정을 비용·전략 관점에서 더 넓게 다룬 글은 GEO란 무엇인가에서 이어진다.

인용의 최소 단위는 '추출 가능한 청크'

AI는 페이지를 통째로 인용하지 않는다. 답에 해당하는 부분, 즉 청크(chunk) 를 추출해 쓴다. 여기서 청크는 대체로 단락 하나에 해당한다. 그래서 같은 정보라도 어떻게 배치하느냐에 따라 인용 가능성이 크게 달라진다.

자기완결적 단락이 유리한 이유

질문이 "AEO와 SEO의 차이는?"인데, 답이 앞 단락의 정의와 뒤 단락의 사례, 그리고 표 한 칸에 흩어져 있으면 엔진은 하나의 깔끔한 근거 단위를 만들기 어렵다. 반대로 한 단락 안에서 "차이는 ~이고, 그 이유는 ~이며, 예를 들면 ~이다"처럼 답이 닫히면, 그 단락 자체가 인용 후보가 된다. 표·정의·FAQ가 GEO에서 권장되는 이유도 여기에 있다. 이들은 질문-답 쌍을 구조적으로 분리해 추출을 쉽게 만든다. 구글이 권장하는 FAQ 구조화 데이터 ↗는 이 분리를 기계가 읽을 수 있는 형식으로 명시하는 수단이다.^[3]

무엇이 청크를 인용되게 만드는가 — 네 가지 속성

근거 선택 단계에서 한 청크가 채택될지는 대략 네 가지 속성으로 갈린다. 원인과 그것이 인용에 미치는 영향, 그리고 취할 행동을 함께 본다.

이 네 속성은 추상적인 권고가 아니다. 의미 밀도, 즉 명확한 주장과 그에 붙는 근거의 결합이 특히 결정적이다. 같은 키워드를 반복하는 것은 의미 밀도를 높이지 않는다. 오히려 "주장 + 그 주장을 지지하는 통계·정의·출처"가 한 자리에 모일 때 엔진은 그 단락을 안전한 근거로 본다. 신뢰도 측면에서는 Schema.org Organization ↗이나 구조화 데이터 ↗로 발행 주체와 콘텐츠 성격을 기계가 읽게 명시하는 것이 보조적으로 작동한다.^[2] 또한 llms.txt 제안 ↗처럼 AI에게 우선 참조 문서를 안내하는 관행도 검색 단계의 후보 확보에 기여한다.^[4]

GEO 논문이 실험으로 보인 것

이 작동원리는 직관이 아니라 측정으로 뒷받침된다. GEO라는 용어를 정식화한 Aggarwal 등의 논문(arXiv 2311.09735) ↗은 생성형 엔진 환경에서 어떤 콘텐츠 수정이 답변 내 가시성을 높이는지 실험했다. 결과의 요지는 인용·통계·출처를 추가하는 편집이 생성 답변 내 가시성을 최대 약 40%까지 끌어올린다는 것이었다.^[1] 반대로 단순한 키워드 채우기(keyword stuffing)는 효과가 미미하거나 떨어졌다.

이 결과는 앞의 네 속성과 정확히 맞물린다. 통계와 출처를 더하는 일은 의미 밀도와 출처 신뢰도를 동시에 올리는 행동이고, 키워드 반복은 어느 속성도 개선하지 못한다. 다만 이 수치는 특정 실험 조건에서의 평균적 효과이므로, 모든 도메인·엔진에서 동일하게 40% 향상이 보장된다는 뜻은 아니라는 점은 유의해야 한다. 효과의 크기보다 방향(근거를 더하는 편집이 유리하다) 이 안정적인 시사점이다. 이 방향을 실제 문서 구조로 옮기는 방법은 AI 인용 가능 콘텐츠 구조에서, 엔티티 차원의 신뢰 기반 강화는 엔티티·지식그래프 최적화에서 이어 다룬다.

정리

생성형 엔진은 검색으로 후보를 모으고, 근거 선택으로 답에 쓸 단락을 고른 뒤, 합성 과정에서 채택된 출처에만 인용을 붙인다. 따라서 인용은 글 전체가 아니라 '추출 가능한 청크' 단위로 일어나며, 그 청크가 채택될지는 추출 가능한 구조·의미 밀도·출처 신뢰도·최신성이라는 네 속성으로 갈린다. GEO 논문이 보였듯 인용·통계·출처를 더하는 편집은 가시성을 유의미하게 높이는 반면 키워드 반복은 그렇지 않다. 결국 인용을 늘리는 길은 더 많은 단어가 아니라, 질문 단위로 답을 완결시키고 그 답에 근거를 함께 놓는 구조 설계에 있다.