제조, 산업재 B2B AI 검색 최적화(GEO) 전략: 해외 바이어가 챗GPT로 공급사 찾을 때

예를 들어 독일 바이어가 "Korean precision machining supplier for aluminum housings"를 ChatGPT에 입력했다고 하자. 답변에 등장하는 공급사 몇 곳 중 하나가 되는 일, 이것이 지금 제조, 산업재 B2B 기업이 마주한 과제다. 아래 쿼리는 설명을 위한 예시이고, 이어지는 수치는 모두 출처를 붙였다. 문제는 이 변화가 웹 분석 화면에 거의 안 잡힌다는 데 있다. 제조, 산업재 도메인의 AI 유입 세션은 1%에도 못 미치는데, 정작 바이어의 후보군은 AI 안에서 만들어진다. 이 글은 그 간극의 크기를 숫자로 확인하고, 제조, 산업재 기업이 무엇을 어떤 순서로 손봐야 하는지까지 한 페이지에서 닫는다.

30초 정의

• 제조, 산업재 B2B GEO는 생성형 엔진의 공급사 추천 답변에서 자사가 후보군에 포함되고 출처로 인용되는 것을 목표로 하는 최적화 작업이다.
• **AEO(Answer Engine Optimization)**는 바이어의 질문에 대한 답변 블록에서 자사 문서가 근거로 발췌되는 것을 목표로 하는 콘텐츠 구조화 작업이다.
• 공급사 shortlist는 바이어가 견적 요청이나 접촉 전에 추려두는 후보 공급사 목록으로, AI 조사 단계에서 형성되는 구매 여정의 관문이다.
• AI 가시성 지표는 여러 생성형 엔진에서 브랜드가 언급되고 인용되는 정도를 반복 측정해 수치화한 값으로, 제조, 산업재에서는 언어별, 규격별로 분리해 읽어야 하는 값이다.

해외 바이어의 AI 공급사 탐색은 4단계로 움직인다

AI가 벤더를 언급했을 때 그 벤더의 웹사이트를 방문한다는 응답은 71%였다^[2]. 답변에 이름이 오르면 사이트 방문으로 이어진다는 뜻이고, 그래서 답변 안에 들어가는 일과 사이트에서 검증받는 일이 한 묶음이 된다. AI가 답변을 만드는 2단계와 3단계는 기업이 광고로 살 수 없는 구간이다. 대신 엔진이 무엇을 참조하는지가 결정한다. 그리고 여기서 제조, 산업재 기업의 전형적 자산 구성이 불리하게 작동한다. 회사 소개와 제품 카탈로그는 많은데, 바이어가 실제로 던지는 기술 질문에 답하는 문서가 없다.

근거: 숫자가 말하는 간극

Semrush가 2026년 34월 미국 B2B 실무자 622명을 조사한 결과, AI를 업무에 쓰는 519명 중 92%가 AI가 벤더 shortlist에 영향을 줬다고 답했고 45%는 영향이 컸다고 했다. 97%는 AI로 새 벤더를 발견한 경험이 있었고(44%는 자주), 83%는 최종 벤더 결정에 AI가 영향을 줬다고 답했다.^[2] 조사 대상 구매 규모는 1천1만 달러 43%, 1만~10만 달러 42%, 10만 달러 초과 14%로, 산업재 거래와 겹치는 구간이 넓다.^[2] 응답자 중 41%는 벤더 조사를 AI 도구에서 시작한 뒤 기존 검색엔진에서 검증한다고 답했으며, 이 조사에서 제조업은 두 번째로 큰 응답 산업군이었다.^[4]

그런데 같은 해 Semrush의 제조, 산업재 트래픽 연구는 정반대로 보이는 그림을 보여준다. 2026년 1~7월 미국 세션 기준으로 AI 채널이 보낸 세션은 전체의 0.48%였다. 채널별로는 직접 유입 56.65%, 오가닉 검색 22.28%, 리퍼럴 12.89%, 이메일 3.52%, 유료 검색 2.58%, 오가닉 소셜 1.33%, AI 어시스턴트 0.45%, 유료 소셜 0.19%, 디스플레이 0.06%, AI Mode 0.03% 순이었다.^[1] 이 연구는 제조 도메인 20곳의 상위 키워드 분석, 화학, 건설, 기계, 플라스틱, 물류 등 10개 산업 분류의 클릭스트림, 그리고 ChatGPT, Gemini, Google AI Mode, Google AI Overviews 네 시스템의 7개월 가시성 추적을 합친 것이다.^[1]

두 숫자는 모순이 아니다. AI는 클릭을 보내는 채널이 아니라 후보군을 만드는 단계로 작동한다. 그래서 세션 비중만 보는 조직은 영향력을 과소평가한다. 같은 연구에서 추적된 제조 검색량 중 AI Overviews가 노출된 비중은 2026년 1월 38%에서 7월 57%로 올랐다.^[1] 바이어가 답을 보는 면적 자체가 커지고 있다.

가장 아픈 숫자는 따로 있다. 언급 상위 브랜드 15곳 중 인용 출처 상위 목록에도 함께 오른 곳은 2곳뿐이었다.^[1] 브랜드가 답변에 언급되는 것과, 그 답변의 근거 링크로 자사 페이지가 걸리는 것은 별개 게임이라는 뜻이다. 후자를 놓치면 바이어는 우리 이름을 듣고 경쟁사 페이지로 간다.

어떤 페이지가 인용되는가

90일간 ChatGPT, Perplexity, Google AI Overviews의 AI 응답 17만 8천 건을 추적한 B2B 제조 대상 분석에서, 콘텐츠 유형별 인용률은 토픽 가이드 2730%, 하우투 가이드 1729%, 순위형 리스트 1424%였고 서비스 소개 페이지는 유의미한 인용이 거의 없었다.^[3] 인용된 URL 4천여 개를 유형별로 분류한 한 사례에서는 토픽 가이드와 하우투 가이드가 전체 인용의 절반을 넘었다.^[3] 같은 분석은 브랜드 언급률을 상위 4047%, 중위 25~31%, 하위 한 자릿수로 구분했고, 스펙, 소싱, 공급사 평가 같은 고관여 쿼리에서는 기준선 시점의 언급률이 0%로 관측됐다.^[3]

제조, 산업재 기업이 흔히 저지르는 실수는 여기서 갈린다.

• 나쁜 예: "당사는 30년 전통의 정밀가공 전문기업입니다"로 시작하는 회사 소개 페이지에 역량을 몰아넣는다. 엔진이 발췌할 사실 단위가 없다.
• 좋은 예: "알루미늄 6061 하우징 CNC 가공 시 공차 관리 기준과 리드타임"처럼 바이어의 질문을 그대로 제목으로 쓴 가이드에, 공차 범위, 보유 설비, 인증, 최소 주문 수량을 표로 넣는다.

생성형 엔진의 가시성을 실험적으로 측정한 GEO 연구는 통계 인용, 출처 표기, 인용문 추가 같은 조정이 답변 내 가시성을 최대 40%까지 올릴 수 있다고 보고했다.^[5] 제조, 산업재에서 이 처방은 특히 자연스럽다. 공차, 수율, 인증 번호, 리드타임 일수는 모두 검증 가능한 숫자이고, 엔진이 인용하기 좋아하는 형태다. 그런데 대부분의 국내 제조사 웹사이트는 그 숫자를 PDF 카탈로그나 이미지 안에 넣어 둔다. 이미지 안에만 있는 표는 같은 값을 HTML 텍스트로 제공하지 않으면 엔진이 인용할 텍스트 근거가 남지 않는다. 구글도 제품 정보를 페이지의 텍스트와 구조화 데이터로 함께 제공하라고 안내한다^[6].

기계 가독 측면에서는 Organization, Product, FAQPage 같은 구조화 데이터로 제품 스펙과 조직 정보를 명시하는 것이 기본 작업이다.^[6] 국내 B2B 맥락을 정리한 업계 자료들도 주제 권위 강화, 대화형 쿼리 대응, 스키마 마크업, 1차 데이터 우선을 공통 축으로 제시한다.^[7] 자세한 구현은 구조화 데이터와 스키마 적용 가이드에서 다룬다.

측정 도구 비교

제조, 산업재는 쿼리가 영문 규격과 기술 용어에 몰리고, 국내 원청 발굴용 한국어 쿼리가 별도로 존재한다. 그래서 도구 선택 기준은 추적 엔진 범위, 다국어 및 한국어 쿼리 지원, 진단에서 실행까지의 연결, 예산대의 네 축이다. 아래 가격대는 각 사 공개 진입 요금의 상대 위치를 묶은 밴드이며, 공개가는 변동될 수 있다.

표의 성격과 기능 서술은 모두 각 사 공식 사이트 기재 기준이며 제3자 검증분이 아니다(Profound^[12], Peec AI^[13], Scrunch AI^[14], Semrush^[15], 넥스트티^[16], 어센트 AI^[17], BOIDA^[11], 운영사 디자이노블^[10]). 도구 비교의 나머지 축은 AI 가시성 측정 도구 비교와 글로벌 GEO, AEO 지형도에서 더 자세히 갈라 두었다.

실행: 5단계

순서를 바꾸지 않는 편이 낫다. 3단계를 건너뛰고 4단계부터 하면 가이드는 늘어나는데 정작 바이어가 확인하려는 스펙은 여전히 이미지 안에 있다. 반영 속도는 엔진별로 다르다.

국내 사례로는 인쇄, 출력 솔루션 기업이 6주간 기존 콘텐츠를 AI 인용에 맞게 재구성해 Gemini 추천율 35%에서 50%, ChatGPT 5%에서 13%로 올랐다는 대행사 발표가 있다.^[8] 대행사가 직접 공개한 수치이므로 제3자 검증분은 아니지만, 새 콘텐츠를 늘리기보다 보유 자산을 재구조화하는 접근이 먼저라는 방향은 앞의 인용률 데이터와 맞물린다.

수출 조직 역량 쪽에서도 움직임이 있다. KOTRA의 2026년 AI 무역인재 양성사업 1기에는 청년 629명과 기업 관계자 88명을 합쳐 717명이 참여했고, KOTRA는 2027년까지 디지털 무역인재 5천 명 양성을 목표로 제시했다.^[9] 바이어 발굴에 생성형 AI를 쓰는 쪽이 늘어나는 만큼, 반대편에서 AI에 읽히는 공급사가 되는 작업도 같은 속도로 필요해진다.

정리

제조, 산업재 B2B의 AI 검색 최적화는 트래픽 사업이 아니라 후보군 사업이다. AI 유입 세션이 0.48%라는 사실과 AI가 shortlist에 영향을 준다는 응답이 92%라는 사실이 동시에 참이고(Semrush, 2026), 이 둘의 간극이 그대로 기회다.^[1][2] 인용되는 문서는 회사 소개가 아니라 바이어 질문에 답하는 기술 가이드였다(OneIMS, 2026).^[3] 그러니 손대는 순서는 분명하다. 이미지와 PDF에 갇힌 스펙을 텍스트로 꺼내고, 쿼리 단위로 가이드를 쓰고, 스키마를 붙이고, 언어별로 분리해 다시 측정한다. 후속 쿼리는 B2B AI 검색 shortlist 파이프라인과 다국어 GEO로 이어진다.

출처