AI 검색 엔진은 페이지 전체를 그대로 보여주지 않습니다. RAG 파이프라인은 임베딩 점수가 높은 일부 패시지만 골라서 답변에 끼워 넣고 출처를 답니다. 그래서 청크 단위 설계가 곧 인용률을 결정합니다. 한 단락에 두 주제가 섞이면 코사인 유사도가 19% 이상 떨어진다는 실험도 보고돼 있습니다.
지오랭크가 컨설팅한 D사는 B2B SaaS 플랫폼이었습니다. 트래픽은 월 12만 세션 수준이었지만 ChatGPT·Perplexity 인용은 분기 6건에 그쳤습니다. 한 페이지 안에 제품 소개·도입 사례·가격·기술 사양이 9,000자 분량으로 묶여 있었는데요. 처음에는 신뢰도 강화를 위해 가이드를 더 길게 늘렸지만 4주 후 인용은 분기 4건으로 떨어졌습니다. 방향을 바꿔 9,000자짜리 한 글을 주제별 1,200~1,800자 패시지 6개로 분리하고 명시적 H2와 자립형 정의 문장을 심자, 9주 차에 ChatGPT 인용 14건, Perplexity 인용 9건, 임베딩 유사도 평균 0.61에서 0.78로 상승했습니다.
청크는 RAG 시스템이 콘텐츠를 검색하기 좋게 잘라 둔 의미 단위이고, 패시지는 그 청크가 화면에 노출되는 형태입니다. AI 검색 엔진은 사용자의 질문을 임베딩 벡터로 변환한 다음, 미리 저장해 둔 청크 벡터와의 코사인 유사도를 비교해 상위 N개를 후보로 뽑고 답변 문장으로 재조합합니다. 작성자가 의미 경계를 명확히 표시하지 않으면 무관한 두 주제가 한 청크에 묶여 점수가 깎입니다.
청크 최적화 5원칙은 자립형 원자 단위, 의미 앵커, 다중모드 정렬, 프로그래매틱 가독성, 임베딩 모니터링입니다. 적용 절차는 다음과 같습니다.
- 분할하고 각 패시지의 핵심 주장을 한 문장으로 적는다
- 2. 그 한 문장이 패시지 첫 줄로 올라가도록 글을 다시 짠다
- 3. 변경 전후 임베딩 유사도를 동일 쿼리로 측정하고 상승폭이 0.05 이상인 구조만 유지한다
자립형 원자 단위는 한 패시지가 외부 맥락 없이도 답변으로 쓸 수 있는 상태입니다. 첫째, 엔티티가 명시적으로 등장해야 합니다. 둘째, 시간·기간·수치가 함께 있어야 합니다. 셋째, 주장-근거-결과 흐름이 한 단락 안에서 닫혀야 합니다. 한국어 기준 200~350자 안에 한 주장이 닫히는 패시지가 추출에 유리합니다.
의미 앵커는 헤더가 패시지 주제를 단어 그대로 가리키는 상태입니다. iPullRank 실험에서는 이중 주제가 섞인 단락에 명시 헤더를 추가했더니 코사인 유사도가 0.627에서 0.755로 17.54% 상승했습니다. 헤더 계층은 H2-H3-H4 순차로 쌓아야 하고, 본문에서 H3 없이 볼드만 쓰면 임베딩 모델은 헤더로 인식하지 않습니다. 앵커 텍스트는 검색 의도와 같은 표현을 포함해야 하며 핵심 명사 두 개는 헤더에 노출돼야 합니다.
AI 검색은 텍스트만 보지 않습니다. 답변 카드에 표를 그대로 끌어가거나 이미지의 alt 텍스트를 인용하기도 합니다. 본문과 표·차트가 같은 단위·같은 시점으로 일관된 메시지를 전해야 합니다. 캡션도 "표 1"보다 "ChatGPT·Perplexity 분기 인용 비교(2026 Q1)"처럼 데이터와 본문 키워드를 같이 담아야 합니다. 인포그래픽이라면 alt에 핵심 수치 한 줄을 넣어 두는 편이 안전합니다.
프로그래매틱 가독성은 기계가 콘텐츠를 반복 처리하더라도 의미가 살아남는 정도입니다. 가독성을 끌어올리는 네 가지 규칙입니다. 첫째, 패시지 첫 문장에 핵심 명사 두 개를 넣습니다. 둘째, 인칭·지시어를 줄이고 명시 명사를 다시 적습니다. 셋째, 한 문장에 주장 하나만 둡니다. 넷째, 숫자는 단위와 함께 적습니다. ChatGPT는 첫 문장을 그대로 인용하는 경향이 강하고, Perplexity는 헤더 직후 두 문장을 묶어 가져갑니다.
청크 최적화는 한 번에 끝나지 않습니다. 모니터링 방식은 코사인 유사도, Chamfer 거리, RAG 시뮬레이션, 헤더 변형 A/B 테스트가 있습니다. 운영 단계에서는 핵심 키워드 30~50개를 정해 두고 매주 같은 쿼리로 유사도를 찍어 봅니다. 평균 0.05 이상 떨어지면 해당 청크의 첫 문장이나 헤더가 흔들렸다는 신호이며, 0.03 이하의 노이즈는 무시해도 됩니다.
iPullRank의 BubbaChunk 실험에서는 기계학습과 데이터 프라이버시가 한 단락에 섞인 텍스트를 두 패시지로 분리하자 코사인 유사도가 0.541에서 0.645로 19.24% 상승했고, 명시 헤더를 덧붙이자 0.755까지 17.54% 추가 상승했습니다. 한 단락 분할과 헤더 삽입만으로 누적 약 39% 인용 잠재력이 확보된 셈입니다. Google MUVERA, Berkeley Ring Attention, Google Infini-Attention, Meta MemWalker 같은 연구도 자립형 청크와 헤더 계층의 중요성을 시사합니다.
지오랭크의 2026년 1분기 컨설팅 표본에서는 13개 기업의 270개 콘텐츠 페이지를 청크 단위로 재설계한 결과, 12주 후 ChatGPT 인용이 평균 1.9배, Perplexity 인용이 평균 2.4배 증가했습니다. 다만 의료·금융 같은 YMYL 영역은 1.2~1.4배 수준에 그쳐 만능은 아닙니다. 패션 커머스 E사는 6개월간 상위 50개 상품 페이지의 FAQ를 자립형 패시지로 재구성해 ChatGPT 답변 브랜드 언급이 분기 18건에서 47건으로 늘었고, 자연 트래픽은 7% 감소했지만 자사몰 직접 진입은 22% 증가하는 제로클릭 흐름의 단면을 보였습니다.
원문 보기: https://georank.co.kr/report/ai-search-chunking-passage-optimization
의견을 남겨주세요