LLM SEO란 무엇일까?
LLM SEO는 페이지를 대규모 언어 모델이 접근하고 가져가고 인용할 수 있게 만드는 작업입니다. 어시스턴트가 페이지를 찾고, 정확한 답을 뽑아내고, 그 과정에서 브랜드 이름을 부르게 하는 것이 목표입니다. 구글 옆에서 따로 도는 두 번째 순위 시스템이 아닙니다. 같은 웹을 다른 종류의 독자가 읽는 것뿐입니다.
이 독자는 파란 링크 열 개를 훑지 않습니다. 색인에서 문단 몇 개를 꺼내고, 받은 질문과 대조하고, 하나의 답을 쓴 뒤 출처 몇 개를 붙입니다. 페이지는 이 절차를 통과하거나 통과하지 못합니다.
이름표는 아직 논쟁 중입니다. GEO, AEO, LLMO, LLM SEO 모두 거의 같은 일을 가리키고 업계는 아직 하나를 고르지 않았습니다. 다만 검색 수요에는 분명한 취향이 있습니다. 주제를 고를 때 뽑아 보는 키워드 데이터에서 “llm seo”는 미국 기준 월 880회 정도이고 키워드 난이도는 8입니다. 이렇게 어린 용어치고는 유난히 낮은 수치입니다.
약어 논쟁은 뒤로 미루셔도 됩니다. 브랜드가 답변에 등장할지는 그 아래의 구조가 결정하고, 그 구조는 네 개의 관문으로 나뉩니다. 접근, 자격, 검색, 귀속입니다. 하나라도 막히면 나머지 셋은 의미를 잃습니다.
누구에게 필요한 일인지는 소문보다 좁습니다. 고객이 구매 전에 조사하고, 대안을 비교하고, “가장 좋은”이나 “어떻게”로 시작하는 질문을 던진다면 그 조사의 일부는 이미 어시스턴트를 거치고 있습니다. 매장이나 지도 핀을 통해 들어오는 고객이라면 이 작업의 우선순위는 뒤로 밀립니다. 한 분기를 쓰기 전에 어느 쪽인지 솔직하게 정하는 편이 낫습니다.
순위라는 사고방식이 왜 어긋나 있을까?
순위는 목록입니다. 검색 후 인용은 하나의 질문을 위해 그 자리에서 꾸려진 짧은 후보 목록이고, 그다음 산문으로 다시 쓰입니다. “ChatGPT에서 어떻게 상위에 오르나요”라는 질문에 정직한 답이 없는 이유가 이 차이이고, 그 질문에서 나온 전술이 분기를 태우는 이유이기도 합니다.
기존 검색은 페이지를 돌려줍니다. 어시스턴트는 문단을 돌려주고, 그 문단은 조각으로 기워집니다. 섹션, 문단, 때로는 나머지 2,000단어는 한 번도 고려되지 않은 페이지에서 뽑아낸 정의 한 문장입니다. 작업 단위는 더 이상 페이지가 아니라 문단입니다.
여기서 두 가지 실무적 결론이 나옵니다. 첫째, 전체적으로 훌륭한 페이지도 실제 질문에 깔끔하게 답하는 독립적인 블록이 하나도 없으면 끝내 노출되지 않습니다. 둘째, 평범한 페이지도 계속 인용될 수 있습니다. 그 안의 문단 하나가 사람들이 실제로 던지는 질문에 대해 색인에서 가장 깔끔한 답이기 때문입니다.
기다릴 줄도 하나가 아닙니다. 엔진마다 자기 봇으로 크롤링하고, 자기 색인을 유지하고, 출처 취향도 다릅니다. 그래서 한 어시스턴트에서는 보이는 브랜드가 다른 어시스턴트에서는 없는 것처럼 취급됩니다. 이 분화는 AI 인용이 엔진 사이에서 옮겨가지 않는 이유에서 자세히 다뤘고, 여기서도 그대로 적용됩니다.
그러니 쓸모 있는 질문은 “어디에 순위가 잡혔는가”가 아닙니다. “지금 어느 관문에서 막혀 있는가”입니다.
첫 번째 관문: 필요한 크롤러가 페이지에 닿고 있을까?
크롤러가 다르면 문도 다릅니다. 인용 여부를 결정하는 문은 그중 하나뿐입니다.
접근은 거의 모두가 잘못 다루는 관문입니다. 봇 이름은 비슷한데 하는 일은 완전히 다르기 때문입니다. 엉뚱한 봇을 막는 것은 정작 보이고 싶었던 어시스턴트에서 사라지는 가장 빠른 방법입니다.
OpenAI는 자사 크롤러를 따로 문서화하고 있고, 이 구분은 외워 둘 값어치가 있습니다. ChatGPT 검색 기능에서 사이트를 노출시키는 크롤러는 OAI-SearchBot이며, OpenAI는 이 크롤러를 차단한 사이트는 ChatGPT 검색 답변에 표시되지 않는다고 명확히 밝힙니다. GPTBot은 학습용 크롤러이고, OpenAI에 따르면 이를 막아도 ChatGPT 검색 노출에는 영향이 없습니다. ChatGPT-User는 둘 중 어느 쪽도 아닙니다. 사람이 어시스턴트에게 페이지를 열어 달라고 요청해서 가져오는 방식이고, OpenAI는 이런 사용자 요청 방문에는 robots.txt 규칙이 적용되지 않을 수 있다고 안내합니다.
이 세 줄을 자기 robots.txt와 함께 다시 읽어 보시기 바랍니다. 많은 사이트가 2023년 학습 거부 흐름 속에서 “OpenAI 봇”을 막았거나, 템플릿이나 플러그인 기본값에서 그 규칙을 물려받았습니다. 모델 학습에서 빠진다고 생각했습니다. 동시에 ChatGPT 검색 결과에서도 빠지고 있었고, 어떤 화면도 그 사실을 알려주지 않았습니다. 구글도 Google-Extended로 같은 구분을 유지합니다. 이 지시문은 검색 노출 자격이 아니라 다른 AI 제품의 학습을 다룹니다.
이 혼동이 왜 비싸게 먹히는지는 규모가 설명합니다. 클라우드플레어의 2026년 7월 봇 트래픽 보고서에 따르면 2026년 6월 기준 크롤러 요청의 52%가 AI 학습용이었고, 이는 2025년 봄의 22%에서 오른 수치입니다. 같은 보고서는 순수 검색 크롤링을 작고 줄어드는 몫으로 설명합니다. 서버로 들어오는 대부분은 인용해 줄 수 있는 크롤러가 아니므로, 학습 트래픽을 겨냥한 뭉툭한 차단은 거의 언제나 쓸모 있는 쪽까지 함께 잡습니다.
점검은 세 줄이면 끝납니다. robots.txt를 열고, 차단 중인 AI 사용자 에이전트를 모두 적고, 각 차단이 정말 의도한 차단인지 확인하십시오. 그다음 CDN이나 방화벽 규칙을 보십시오. robots.txt가 흔쾌히 허용한 크롤러를 봇 매니저가 막고 있을 수 있습니다.
두 번째 관문: 노출 자격 자체가 있을까?
스니펫 지시문은 AI 답변이 쓰려던 문단을 조용히 가려 버립니다.
노출 자격은 가장 조용한 관문이고, 구글 문서는 이 대목에서 시원할 만큼 분명합니다. AI Overviews나 AI Mode에서 참고 링크로 나타나려면 페이지가 색인돼 있어야 하고 검색에서 스니펫과 함께 노출될 자격이 있어야 합니다. 요구 조건은 이게 전부입니다.
구글은 한 걸음 더 나아가 이 기능들을 위한 추가 요구 조건이나 특별한 최적화는 없다고 말합니다. 새로운 기계 판독용 파일도, AI 텍스트 파일도, 덧붙여야 할 특별한 schema.org 마크업도 없습니다. 웹에서 가장 큰 AI 답변 화면을 운영하는 회사가, 입장권은 평범한 기술적 건강 상태라고 말하는 셈입니다.
그래서 오늘 밤 확인할 함정은 스니펫 제어입니다. nosnippet, data-nosnippet, 그리고 좁게 설정된 max-snippet은 구글이 페이지에서 보여줄 수 있는 범위를 제한하고, 스니펫으로 보여줄 수 없는 콘텐츠는 AI 답변을 뒷받침하는 데에도 쓰일 수 없습니다. 콘텐츠를 지키려고 이 지시문을 넣은 매체들이, 정작 가장 좋은 페이지가 AI 기능에 왜 안 나오는지 의아해하는 이유입니다.
빠른 훑기로 대부분 잡힙니다. 템플릿에서 이 세 지시문을 검색하고, 페이월이나 미리보기 로직이 기사 전체를 data-nosnippet으로 감싸고 있지 않은지 확인하고, 중요한 페이지가 발행만 된 것이 아니라 실제로 색인됐는지 확인하십시오. 지루한 작업입니다. 그리고 그 뒤의 모든 것을 좌우합니다.
“발행됨”과 “색인됨”은 팀의 기대보다 자주 어긋납니다. 자바스크립트 렌더링이 많은 사이트, 빈약한 카테고리 페이지, 출시 후 아무도 열어보지 않은 사이트맵에서 특히 그렇습니다. 서치 콘솔의 URL 검사 도구는 페이지마다 1분이면 답을 주고, 답은 둘 중 하나로 분명합니다.
여기서 한 가지 습관을 더 들일 만합니다. 어시스턴트는 콘텐츠를 가져오기 전에 질문을 여러 개의 관련 질의로 쪼갭니다. 정확히 핵심 키워드에만 맞는 페이지는 그 주변 변형을 놓칩니다. 서로 경쟁하는 얇은 글 다섯 개로 흩어놓는 대신, 질문과 그 이웃 질문들을 한 페이지 안에 각자의 섹션으로 담으십시오.
세 번째 관문: 문단이 혼자서도 질문에 답하고 있을까?
검색은 문단을 고릅니다. 그러니 질문은 이것입니다. 본문의 어떤 블록을 통째로 들어냈을 때도 뜻이 통합니까? 섹션 하나를 제목과 나머지 본문 없이 읽어 보십시오. 이해하는 데 위 문단이 필요하다면 검색 시스템은 그 블록을 쓸 수 없습니다.
해법은 문체가 아니라 구조입니다. 모든 제목은 누군가 던질 수 있는 질문이고, 그 아래 두세 문장이 맥락이나 서사보다 먼저 그 질문에 평이한 말로 완결되게 답합니다. 세부는 답 다음에 오고, 절대 앞에 오지 않습니다.
정의는 특히 공들일 대상입니다. 웹에서 가장 많이 인용되는 단위이기 때문입니다. 주어를 대명사로 흘리지 말고 이름으로 쓰고, 그 문장 안에서는 은어와 개성을 덜어내십시오. “LLM SEO는 페이지를 대규모 언어 모델이 접근하고 가져가고 인용할 수 있게 만드는 작업입니다”라는 문장은 맥락에서 떼어내도 살아남습니다. “쉽게 말해 새로운 SEO입니다”는 살아남지 못합니다.
숫자도 같습니다. 출처와 시점이 같은 문장 안에 있는 수치는 안전하게 인용할 수 있고, 그래서 출처가 세 문단 떨어져 있는 같은 수치보다 훨씬 쓸모가 큽니다. 어시스턴트는 귀속시킬 수 없는 주장에 보수적입니다.
나머지는 화려하지 않은 위생 관리입니다. 섹션당 하나의 생각, 주제를 표시만 하는 대신 얻을 것을 약속하는 제목, 정말로 나열 가능한 것에만 쓰는 표와 목록, 그리고 모델이 어느 회사와 제품과 인물을 말하는지 알 수 있게 하는 개체 명확성입니다. 이 작업의 페이지 단위 버전은 실전 GEO 체크리스트에서 더 자세히 다뤘습니다.
실제 사례: 문단 하나를 인용되게 다시 쓰기
인용되는 페이지와 건너뛰어지는 페이지의 차이는 대개 문단 하나에서 드러납니다. 브랜드의 주요 페이지를 점검할 때 가장 자주 보는 패턴은 다음과 같습니다.
원문은 “온보딩에 대한 우리의 접근”이라는 섹션을 이렇게 엽니다. “우리는 신규 고객을 맞이하는 방식을 수년간 다듬어 왔고, 그 과정에서 모든 비즈니스가 다르다는 것을 배웠습니다. 그래서 우리의 프로세스는 유연성을 중심으로 설계되어 있습니다.” 틀린 문장은 없습니다. 가져갈 것도 없습니다. 주어가 흐릿하고, 어떤 질문에도 답하지 않으며, 온보딩에 관한 답변 안에서는 아무 의미가 없습니다.
다시 쓴 버전은 제목을 “온보딩은 얼마나 걸리고 주차별로 무엇을 하나요?“로 바꾸고 답으로 시작합니다. “온보딩은 4주가 걸립니다. 1주 차는 데이터와 접근 권한 점검, 2주 차는 기존 자료를 이용한 보이스 학습, 3주 차는 첫 라이브 워크플로, 4주 차는 팀 인수인계입니다.” 같은 사실을, 검색 시스템이 블록째 가져갈 수 있게 재배열한 것입니다.
두 번째 버전이 얻은 것을 보십시오. 제목의 구체적인 질문, 첫 문장에 담긴 독립적인 답, 모델이 왜곡 없이 인용할 수 있는 구체적인 단계, 그리고 위 문단에 대한 의존이 없다는 점입니다. 이것이 기술의 전부이고, 섹션마다 하나씩 적용하면 됩니다.
자기 페이지에서는 간단한 규칙으로 시험해 보십시오. 한 섹션만 남기고 전부 가린 뒤 읽고, 처음 보는 사람이 남은 내용만으로 제목의 질문에 답할 수 있는지 물으십시오. 통과하지 못한 섹션이, 경쟁사가 대신 인용되는 이유입니다.
네 번째 관문: 브랜드 이름을 부를 이유가 있을까?
귀속은 확인의 문제입니다. 서로 독립된 출처가 같은 대상을 가리킬 때 성립합니다.
가져갈 수 있게 만들면 문장이 답변 안으로 들어갑니다. 귀속될 수 있게 만들면 이름이 들어갑니다. 둘은 다른 성취입니다. 모델은 확인할 수 있는 출처를 인용하고, 확인 가능성은 페이지 하나가 아니라 주변 웹의 성질입니다.
이 바늘을 움직이는 것은 세 가지이고, 어느 것도 요령이 아닙니다. 첫째는 일관성입니다. 설립 연도, 서비스 명칭, 카테고리 설명이 자사 웹사이트와 프로필과 등록 디렉터리에서 서로 다르면 모든 변형이 서로를 약화시킵니다. 표준 사실 묶음을 정하고 어디서나 같은 표현으로 반복하십시오.
둘째는 독자성입니다. 남의 연구에서 옮겨 적은 수치의 출처로 모델이 브랜드를 부를 이유는 없습니다. 수치가 자기 것일 때는 부를 이유가 충분합니다. 직접 돌린 벤치마크, 직접 모은 데이터, 운영하는 계정들에서 관측한 결과 같은 것입니다. 1차 데이터는 가장 저렴한 인용 보험입니다.
셋째는 독립적인 확인입니다. 통제하지 않는 곳에서 정확하게 소개되는 것, 리뷰나 팟캐스트 대본, 커뮤니티 스레드, 파트너의 사례 연구 같은 자리가 모델의 관점에서 주장을 사실로 바꿉니다. 전통적인 디지털 PR이 조용히 AI 가시성 전술이 된 지점입니다.
구조화 데이터는 마지막 관문이 아니라 이 관문에 속합니다. 구글은 자사 AI 기능에 특별한 스키마가 필요하지 않다고 말하고, 그 말은 정확합니다. 그렇다고 구조화 데이터를 반대하는 근거는 아닙니다. 법인명, 사이트, 로고, 검증된 프로필을 적어 둔 Organization 블록은 사이트를 읽는 모든 기계에 브랜드의 정체를 하나의 명확한 판본으로 제공합니다.
솔직한 한계도 있습니다. 이 중 무엇도 노출을 사지는 못합니다. 인용은 손바뀜하고, 엔진은 예고 없이 검색 방식을 바꾸며, 어떤 실무자도 답변 속 자리를 약속할 수 없습니다. 통제할 수 있는 것은 후보 목록이 만들어질 때 선택할 만한 근거가 있는지 여부뿐입니다.
이번 주부터 실제로 측정할 수 있는 것
측정에 이르면 LLM SEO는 더 이상 이론이 아닙니다. 2026년 6월부터 그 일부를 이미 쓰고 있는 도구 안에서 볼 수 있습니다. 구글 서치 콘솔에 AI Overviews와 AI Mode를 포함하는 생성형 AI 실적 보고서가 생겼고, Discover는 별도로 보고됩니다.
대시보드를 만들기 전에 한계부터 읽으십시오. 이 보고서는 노출수를 보여줍니다. 사이트로 향하는 링크가 생성형 AI 기능 안에서 몇 번 표시됐는지이고, 해당 기능에 대한 클릭은 제공하지 않습니다. 서치 랩스 실험은 제외되고, 생성형 AI 기능에서 제외를 선택한 사이트는 아예 나타나지 않습니다. 클릭 없는 노출수는 부분적인 그림이지만 추측이 아니라 측정치이고, 그 점에서 AI 가시성 추적이라는 이름으로 팔리는 대부분보다 앞섭니다.
나머지 빈틈은 세 가지가 메웁니다. 서버 로그는 어떤 AI 크롤러가 얼마나 자주 오고 어떤 영역을 선호하는지 사용자 에이전트별로 알려줍니다. 애널리틱스는 어시스턴트 호스트에서 오는 유입을 분리할 수 있습니다. 상당수 어시스턴트가 리퍼러 없이 방문자를 보내기 때문에 실제보다 작게 잡히지만, 추세선은 여전히 유효합니다. 그리고 매달 같은 날 로그아웃 상태로 던지는 고정 질문 세트는 구매자가 실제로 보는 화면을 알려줍니다.
팀이 건너뛰었다가 후회하는 부분이 이 질문 세트입니다. 고객이 실제로 묻는 질문 열 개를 어시스턴트 서너 곳에서 돌리고, 우리 대신 인용된 도메인을 기록합니다. 30일 뒤 같은 목록을 다시 돌립니다. 그 차이가 온전히 우리 것인 유일한 AI 가시성 지표이고, 만드는 방법은 AI 브랜드 가시성 측정에서 단계별로 정리했습니다.
이참에 팀의 기대도 맞춰 두십시오. 이 채널의 규모는 자연 검색에 비하면 작고, 색인이 각자의 주기로 갱신되기 때문에 변화는 느리며, 귀속은 당분간 부분적으로 남습니다. 정직한 산출물은 방향과 추세입니다. 정밀도는 아직 제공되지 않습니다.
LLM SEO가 아닌 것
이 이름으로 도는 이야기의 상당수는 검증되지 않았거나 플랫폼 스스로 부인한 내용입니다. 네 가지 주장은 분명한 답을 받을 만합니다.
llms.txt는 제안이지 순위 요소가 아닙니다. AI 클라이언트에게 중요한 콘텐츠를 알려주는 선별된 마크다운 파일이고, 문서를 읽는 코딩 어시스턴트에서는 실제로 자리를 잡았습니다. 어떤 대형 검색 플랫폼도 답변에 쓰겠다고 약속한 적이 없고, 구글의 AI 기능 문서는 AI 텍스트 파일을 만들 필요가 없다고 분명히 적어 두었습니다. 문서에 도움이 된다면 두십시오. 가시성을 기대하지는 마십시오.
모델을 위해 쓴다는 별도의 장르는 없습니다. 언어 모델에게 더 매력적으로 보이게 하는 어휘 같은 것은 없고, “AI 최적화” 문구를 문단에 밀어 넣는 일은 15년 전 키워드 스터핑이 만들던 읽기 힘든 글을 똑같이 만들어 내며 결말도 같습니다.
보장은 없습니다. ChatGPT의 인용이나 AI Overview의 자리를 약속할 수 있는 사람은 없습니다. 그 회사들 바깥에서는 아무도 검색 과정을 통제하지 못하기 때문입니다. 그 확신을 파는 쪽은 다른 것을 팔고 있는 셈입니다.
분량도 전략이 아닙니다. 노출 면적을 늘리려고 한 달에 얇은 페이지 마흔 개를 발행하면 검색 시스템에 약한 후보 마흔 개를 주는 것과 같습니다. 색인의 어떤 문서보다 실제 질문에 잘 답하는 페이지 하나가 그 전부를 이깁니다. 우리 AI Content Writer가 프롬프트 한 번 대신 조사부터 검토까지 아홉 단계를 돌리는 이유도 여기에 있습니다.
LLM SEO는 SEO를 대체할까, 그 위에 쌓일까?
위에 쌓입니다. 그리고 겹치는 부분은 양쪽 진영이 인정하고 싶어 하는 것보다 큽니다. 둘 다 같은 토대에 기댑니다. 크롤링 가능한 사이트, 색인된 페이지, 깔끔한 구조, 그리고 대안보다 질문에 잘 답하는 콘텐츠입니다.
갈라지는 곳은 작업 단위입니다. 기존 SEO는 하나의 페이지를 키워드와 경쟁 페이지들에 맞춰 최적화합니다. LLM SEO는 하나의 문단을 질문과 경쟁 출처들에 맞춰 최적화하고, 이어서 SEO가 한 번도 묻지 않았던 두 번째 질문을 던집니다. 이 문단 뒤의 브랜드를 부를 이유가 있는가?
측정 모델도 갈라집니다. SEO는 순위와 클릭을 줍니다. AI 화면은 노출수와 부분적인 유입, 그리고 직접 돌려야 하는 월간 질문 세트를 줍니다. 같은 사이트, 두 개의 보고 현실이고, 둘 중 하나만 보고하는 마케팅 팀은 사업의 절반만 설명하고 있는 셈입니다.
예산도 같은 논리를 따릅니다. 새로운 항목이라기보다, 이미 쓰고 있는 예산에 다른 합격 기준을 적용하는 일에 가깝습니다. 어차피 쓸 페이지를, 각 섹션이 자기 제목에 답하고 각 주장이 출처를 달고 있도록 만드는 것입니다. 추가 비용은 분량이 아니라 검토에 있습니다.
실무에서 통하는 순서는 지루합니다. 접근을 고치고, 자격을 확인하고, 중요한 스무 페이지를 각 섹션이 자기 제목에 답하도록 다시 구성하고, 그다음 소유하고 싶은 주장 주위에 확인 층을 쌓습니다. 이 순서는 의도된 것입니다. 앞선 관문이 닫혀 있으면 뒤의 작업은 효과가 없습니다. 이 분야가 어떻게 움직였는지 넓은 맥락이 필요하다면 AI가 SEO를 어떻게 바꿨는지가 페이지에서 문단으로의 이동을 정리합니다.
다음 콘텐츠를 쓰기 전에 돌려볼 점검
이번 주에 90분을 비우고 네 관문을 순서대로 지나가 보십시오. robots.txt를 열고 차단 중인 AI 크롤러가 정말 막으려던 대상인지 확인하되, OAI-SearchBot은 이름으로 꼭 확인하십시오. 그다음 매출에서 가장 중요한 페이지 다섯 개를 골라 색인 여부를 확인하고, 템플릿에서 nosnippet, data-nosnippet, max-snippet을 검색하십시오.
이어서 그 다섯 페이지의 각 제목 아래 첫 세 문장을 맥락 없이, 소리 내어 읽어 보십시오. 혼자 서지 못하는 문장은 검색 시스템이 건너뛸 문단입니다. 제목의 질문이 무엇보다 먼저 답해지도록 다시 쓰고, 페이지의 주장 중 무엇이 빌려온 것이고 무엇이 우리 것인지 표시해 두십시오.
마지막으로 구매자가 실제로 묻는 질문 열 개를 어시스턴트 네 곳에 로그아웃 상태로 물어보고, 우리 대신 누가 인용되는지 적으십시오. 30일 뒤로 알림을 걸고 같은 열 개를 다시 돌리십시오. 기준선은 도구 구독이 아니라 그 파일입니다.
돌아온 결과가 불편하다면, 그 불편함이 바로 손볼 가치가 있는 빈틈이고 한 분기면 메울 수 있습니다. 다른 시선이 필요하시면 브랜드 이야기를 들려주십시오. 그 빈틈을 읽는 일은 결제가 아니라 대화입니다.
