같은 질문인데 사람마다 다른 답이 나옵니다. AI 검색은 결과를 재정렬하는 게 아니라, 사용자마다 다른 질문을 먼저 만들어내기 때문인데요. ChatGPT·Perplexity·Gemini·Copilot이 사용자 컨텍스트로 검색 쿼리 자체를 분기시키는 메커니즘과, 한국 브랜드가 인용되려면 무엇을 해야 하는지 정리한 실전 가이드입니다.
지오랭크 경험 사례: 같은 키워드, 보이지 않는 답변
2026년 상반기 두 건의 GEO 프로젝트는 AI 검색 개인화의 위력을 보여줬습니다. 국내 프리미엄 러닝화 브랜드 D사는 모니터링 계정에서는 자사 제품이 인용되는데, 마케팅 팀원 다섯 명이 같은 질문을 던지면 일부에게만 노출되는 패턴이 반복됐는데요. ChatGPT의 메모리·컨텍스트 기반 쿼리 재작성으로 진단하고, 8주에 걸쳐 "프리미엄 러닝화"가 아니라 "마라톤 서브3 도전자용 카본 플레이트", "주 60km 훈련 러너용 쿠셔닝" 같은 컨텍스트 교집합 단위로 페이지를 쪼갰습니다. 12주 후 ChatGPT·Perplexity 합산 인용율이 23%에서 41%로 상승했죠.
반면 헬스케어 스타트업 H사는 "다이어트 보조제" 광역 키워드로 8,000자 가이드를 발행했는데 6개월간 AI 인용율이 4% 이하에 머물렀습니다. "20대 단기 다이어트", "갱년기 호르몬 다이어트" 등으로 분기되는 팬아웃 쿼리 어느 곳에도 깊은 답을 못 줬기 때문이죠. AI 검색 시대의 가시성은 사용자 컨텍스트가 만드는 다양한 질문들 중 몇 개에 등장하느냐의 게임입니다.
AI 검색 개인화란? 업스트림 vs 다운스트림
AI 검색 개인화는 사용자 컨텍스트를 활용해 검색 쿼리 자체를 다르게 생성하는 메커니즘입니다. 전통적인 구글 검색이 다운스트림(결과 재정렬)에서 작동했다면, AI 검색은 업스트림(쿼리 생성)으로 개인화를 끌어올렸는데요. 같은 결과셋 다른 순서가 아니라, 다른 결과셋 자체가 만들어지는 차이입니다.
마라톤 5년 차 러너와 처음 러닝화를 사는 초보자가 똑같이 "러닝화 추천해줘"라고 입력해도, AI는 두 사람에게 완전히 다른 하위 질문을 만들어 검색을 돌립니다. 5년 차에게는 "카본 플레이트", "서브3 페이스"가, 초보자에게는 "초보 쿠셔닝", "10만원대 입문용"이 생성되는데요. 두 사용자 모두 경험 수준이나 예산을 직접 말하지 않았는데도, AI가 저장된 컨텍스트와 행동 기록에서 추론한 결과입니다. 어떤 사용자에게는 우리 브랜드가 검색 풀에 들어가지도 못하는 "쿼리 셋 배제" 상황이 벌어집니다.
플랫폼별 컨텍스트 깊이 비교
Perplexity는 가장 얕습니다. 세션이 바뀌면 메모리가 초기화되는데요. Pro Search 기능이 분기된 서브쿼리들을 가시화해 줘서, 콘텐츠 갭을 역설계할 무료 도구로 활용할 수 있습니다.
ChatGPT는 중간 지점입니다. 메모리에 "사용자는 비건이며 서울 거주"라고 저장돼 있다면, "근처 맛집" 질문이 자동으로 "서울 비건 레스토랑"으로 재작성됩니다. Claude는 백엔드로 Brave Search를 사용하는데, Claude 인용 결과와 Brave 상위 결과의 중복률이 약 86.7%에 달해 Claude 가시성은 사실상 Brave 가시성과 연결됩니다.
Gemini는 Personal Intelligence가 활성화되면 Gmail·Photos·YouTube·검색 이력을 종합해 컨텍스트를 추론합니다. 사용자가 한마디도 안 했는데 "30대 후반 남성, 트레일 러닝 입문 6개월차" 같은 프로필이 추론되는 셈인데요. 우리가 이 추론 과정에 거의 접근할 수 없다는 점이 무섭죠. Copilot은 가장 깊은 개인화를 제공합니다. M365 Graph 전체에 접근해 Outlook·Teams·OneDrive의 데이터를 모두 활용하기 때문에, B2B 마케팅에서는 무시할 수 없는 영역입니다.
쿼리 팬아웃이 GEO 전략을 바꾸는 3가지 방식
이제는 한 페이지의 상위 노출이 아니라, 다양한 컨텍스트 분기에서의 인용 포함률이 핵심 지표입니다.
첫째, 단일 키워드에서 컨텍스트 교집합으로의 전환입니다. "러닝화 추천"이 사용자별로 수십 개의 서브쿼리로 분기되기 때문에, 단일 키워드 1위 전략은 거의 작동하지 않습니다. 대신 "러닝화 × 마라톤 × 트레일 × 초보자 × 15만 원대" 같은 교집합을 잡아야 하는데요. 광역 한 페이지보다 좁고 깊은 여러 페이지가 훨씬 유리합니다.
둘째, 쿼리 단위 가시성 측정으로의 전환입니다. 노출수와 순위 같은 전통 SEO 지표는 의미를 잃고, 대안은 인용 포함률(Citation Inclusion Rate) — 우리 브랜드가 다양한 사용자 컨텍스트의 팬아웃 쿼리 중 몇 %에 인용되는지를 트래킹하는 방식입니다.
셋째, 사용자 페르소나 리서치의 부활입니다. 광역 키워드 시대에는 후순위였던 페르소나 분석이 다시 일등 시민이 됐는데요. 타깃 고객이 어떤 플랫폼을 쓰는지, 어떤 메모리·컨텍스트가 누적돼 있을지 매핑하는 게 콘텐츠 기획의 출발점이 됩니다.
측정 위기와 필터 버블 — 새로운 리스크
측정 위기가 첫 번째 문제입니다. 같은 검색어가 사용자별로 다른 쿼리를 만들기 때문에 노출 데이터가 평균값일 뿐 어떤 컨텍스트에서 발생했는지 알 수 없습니다. 순위 추적은 안정적인 결과 페이지가 없어 성립하지 않는데요.
필터 버블 강화도 큰 문제입니다. 평소 가성비 위주로 검색해 온 사용자에게는 프리미엄 옵션을 묻는 서브쿼리가 아예 생성되지 않습니다. 이미 우리 카테고리에 관심을 보인 사용자에게는 인용 확률이 높아지지만, 카테고리 확장을 노릴 때는 기존 컨텍스트 때문에 인용 풀에서 배제될 수 있죠. 다만 매우 좁은 니치, 강한 브랜드 인지도, 특정 거래 키워드에서는 개인화 영향이 제한적입니다.
한국 브랜드를 위한 5단계 대응 프레임워크
1단계 — 시맨틱 명확성 구축. 핵심 엔티티, 제품, 조직 관계를 명확히 정의하고 구조화 데이터(JSON-LD)로 명시합니다. Organization, Product, Service 스키마는 기본이고, 관계까지 sameAs와 partOf 속성으로 연결합니다.
2단계 — 컨텍스트 교집합 매핑. 타깃 페르소나의 컨텍스트 차원들을 분해하고 교집합 매트릭스를 그립니다. 의류 브랜드라면 "체형 × 연령 × 직업 × 라이프스타일 × 예산" 5차원 교집합 중 의미 있는 30~50개를 핵심 콘텐츠 후보로 정의합니다.
3단계 — 니치 권위 vs 광역 커버리지. "러닝화 종합 가이드 1만 자"보다 "초보 마라토너용 15만 원대 트레일 러닝화 가이드 3천 자"가 더 잘 인용됩니다. 광역 커버리지는 큰 미디어가 가져가고, 우리는 깊은 니치를 점령하는 전략이 맞는데요.
4단계 — 엔티티 일관성 확보. AI는 여러 출처를 교차 참조해 엔티티를 정의하기 때문에, 웹사이트·소셜·외부 인용 매체에서 브랜드 포지셔닝이 일관돼야 합니다.
5단계 — 사용자 프로필별 가시성 시뮬레이션. 분기별로 핵심 페르소나 3~5개를 정의하고, 각 페르소나 계정으로 동일 질문을 던져 우리 브랜드가 어느 페르소나의 답변에 등장하는지 매핑합니다.
통계와 정책으로 본 AI 검색 개인화 현실
2025년 말 기준 한국 사용자의 ChatGPT 정기 사용률은 약 31%, Perplexity는 8% 내외, Gemini는 약 18% 수준입니다. ChatGPT 메모리 기능을 의도적으로 활용하는 사용자는 약 22%인데요. 비율은 작지만 구매력과 의사결정 영향력이 높은 사용자층과 겹치기 때문에 마케팅 임팩트는 그 이상이죠.
2026년 1분기 국내 중견 코스메틱 브랜드 E사 케이스를 공유합니다. E사는 "민감성 피부 스킨케어" 영역에서 ChatGPT 인용 점유율을 7%에서 8주 후 26%까지 끌어올렸는데요. 광역 키워드 콘텐츠를 "민감성 + 임신·수유기", "민감성 + 갱년기" 같은 11개 컨텍스트 교집합으로 재구성하고, JSON-LD Product 스키마에 hasIngredient, suitableForCondition 같은 속성을 추가했습니다. 12주 후 "민감성 + 임신·수유기" 인용율은 44%, "민감성 + 여드름성"은 38%까지 상승했죠.
한국 개인정보보호법 관점에서 AI 메모리 기능은 회색지대입니다. 명시 동의된 정보 외에 추론된 컨텍스트가 별도 동의 대상인지 논쟁이 있는데요. 개인정보보호위원회는 2025년 12월 가이드라인 초안을 공개했고 2026년 하반기 시행이 예상됩니다. 자사 마케팅의 AI 메모리 의존 비중이 너무 높으면 정책 변동 리스크가 커질 수 있습니다.
자주 묻는 질문
AI 검색 개인화가 안 되는 키워드도 있나요? 매우 좁은 거래 키워드나 사실 확인형 질문은 개인화 영향이 거의 없습니다. 반면 추천형·평가형 질문일수록 개인화 영향이 큽니다.
Perplexity Pro Search 활용법은? 분기된 서브쿼리를 화면에 노출하니, 타깃 키워드를 다양한 페르소나 톤으로 입력하면서 생성되는 서브쿼리를 수집하고 그에 맞는 콘텐츠가 우리 사이트에 있는지 매핑합니다. 무료 GEO 키워드 리서치 도구로 쓸 수 있죠.
인용 포함률은 어떻게 측정하나요? 핵심 페르소나 3~5개를 정의하고, 각 페르소나 컨텍스트를 ChatGPT 메모리에 명시 저장한 별도 계정을 만든 뒤, 매월 동일 질문 세트로 인용 여부를 기록합니다. OpenAI API의 system prompt에 페르소나 컨텍스트를 주입해 시뮬레이션도 가능합니다.
광역 키워드 콘텐츠를 다 버려야 하나요? 광역 콘텐츠는 엔티티 권위 신호로 여전히 가치가 있는데요. 광역 1개 + 좁은 컨텍스트 5~10개로 자원 배분을 재조정하는 게 좋습니다. 광역은 인지 기반, 좁은 콘텐츠는 인용 포함률을 노리는 역할 분담입니다.
쿼리가 사용자마다 분기되는 시대에, 우리 브랜드가 다양한 컨텍스트의 답변에 인용되도록 콘텐츠를 재설계하는 작업은 더 이상 선택이 아닙니다.
원문 보기: https://georank.co.kr/report/ai-search-personalization-query-fanout-guide
의견을 남겨주세요