AI 검색에서 챗GPT나 퍼플렉시티가 특정 브랜드를 추천하는 결정적 이유는 llms.txt나 헤딩 구조 같은 사이트 내 잔기술이 아니라, 그 브랜드를 둘러싼 콘텐츠의 총량과 깊이입니다. LLM은 사용자마다 다른 맥락으로 답을 만들기 때문에 프롬프트 하나하나를 노리는 방식은 쉽게 무너집니다. 그래서 지오랭크는 개별 프롬프트가 아니라 하나의 토픽 전면을 콘텐츠로 덮는 "토픽 기반 GEO"를 권합니다.
지오랭크가 초기에 저지른 가장 큰 실수는 "AI가 자주 던지는 질문" 목록을 뽑아 프롬프트마다 짧은 답변 콘텐츠를 찍어낸 것이었습니다. 처음 몇 주는 노출이 잡히는 듯했지만 두 달이 지나자 순위가 들쭉날쭉해졌고, 같은 질문을 다르게 물으면 브랜드가 통째로 사라졌습니다. 한 B2B SaaS 고객사(E사)는 도메인 권위도 낮고 백링크도 적어 프롬프트 저격 콘텐츠 40여 개로도 계속 밀렸습니다. 지오랭크는 접근을 바꿔 E사 제품이 등장할 수 있는 모든 맥락(카테고리 비교, 경쟁사 대안, 사용 사례, 페르소나, 페인포인트)을 지도로 그린 뒤 각 맥락을 깊이 있는 콘텐츠로 채웠고, 약 4개월 뒤 하단 퍼널 프롬프트 50여 개에서 언급되기 시작했습니다.
반대로 커머스 고객 F사는 토픽 지도까지는 잘 그렸지만 콘텐츠를 "입문자용 개요" 수준으로 얕게 써서 6개월간 추천 점유가 거의 늘지 않았습니다. 같은 토픽이라도 깊이가 없으면 LLM이 추천 근거를 못 찾는다는 걸 이때 배웠습니다. E사는 "이 제품이 나에게 맞는가"를 고민하는 사람이 마지막에 확인하고 싶어 하는 정보를 남겼고, F사는 "이 제품이 무엇인가"를 설명하는 데서 멈췄습니다. AI가 참고하는 건 전자입니다. 결국 LLM은 사람 상담원처럼 움직여서, 구체적 조건과 비교와 한계까지 담은 콘텐츠라야 "이 상황이라면 이 브랜드"라는 연결이 만들어집니다.
토픽 기반 GEO는 "LLM이 우리 제품을 추천하는 데 필요한 모든 것을 가르치는 콘텐츠의 집합"을 만드는 전략입니다. AI 검색은 사용자 맥락에 따라 답이 달라지므로, 특정 질문 하나를 맞추기보다 토픽 전체의 밀도를 높이는 편이 안정적입니다. 전통 SEO가 키워드/페이지 단위로 백링크와 도메인 권위를 자산 삼아 개별 순위를 측정한다면, 토픽 기반 GEO는 토픽 전면을 최적화 단위로 삼고 깊고 구체적인 콘텐츠를 자산 삼아 토픽 단위 가시성을 측정합니다. 전자는 얕은 링크와 중복이, 후자는 얕은 콘텐츠와 좁은 커버리지가 실패 원인입니다.
토픽 기반 콘텐츠는 다음 6단계로 쌓습니다.
1. 제품이 추천될 수 있는 토픽을 카테고리-경쟁사-사용사례-페르소나-페인포인트로 나눠 지도화합니다. 이 지도가 부실하면 이후 콘텐츠가 아무리 좋아도 커버리지에 구멍이 남습니다.
2. 영업-지원-제품 팀을 인터뷰해 실제 고객 언어와 차별점을 확보합니다. 영업이 듣는 반론, 지원팀에 몰리는 질문, 제품팀만 아는 숨은 기능은 검색으로 안 나오는 1차 자료입니다.
3. 초보자 눈높이가 아니라 이미 문제를 아는 사람이 마지막 결정을 내릴 때 필요한 "판매 깊이"로 씁니다. 상세 기능 설명, 스크린샷, 구체적 시나리오가 있어야 LLM이 추천 근거를 확보합니다.
4. "베스트 OO", "OO 대안", "OO vs OO" 같은 하단 퍼널 키워드를 함께 잡습니다. 구매 직전 검색이라 AI 추천 전환율이 높습니다.
5. 사례 콘텐츠를 쌓습니다. 특정 고객이 문제를 어떻게 풀었는지 서사로 남기면 LLM이 비슷한 상황의 질문에 그 사례를 끌어옵니다.
6. 프롬프트 하나의 순위에 일희일비하지 말고, 하나의 토픽에서 우리가 몇 퍼센트의 대화에 등장하는지를 토픽 단위로 측정합니다.
지오랭크가 가장 강조하는 건 두세 번째, 즉 인터뷰와 판매 깊이입니다. 대부분의 브랜드는 토픽 지도까지는 그리지만, 정작 콘텐츠를 쓸 때 다시 검색으로 조사한 일반론으로 되돌아갑니다. 그러면 경쟁사와 구분되지 않고 LLM도 우리를 고를 이유가 없습니다. 반면 실제로 오간 반론, 반복되는 불만, 제품팀만 아는 설정값 같은 1차 정보는 어디에도 없는 콘텐츠를 만듭니다. 시작은 좁게, 가장 전환이 급한 토픽 한두 개를 먼저 골라 깊게 파고 성과가 확인되면 인접 토픽으로 넓혀가는 순서가 콘텐츠 자원을 가장 효율적으로 씁니다.
토픽 기반 GEO의 효과는 "얼마나 많이 찍었나"가 아니라 "얼마나 깊고 넓게 덮었나"에서 갈립니다. 앞서 E사는 도메인 권위 80 이상, 백링크 수천 개, 업력 수십 년의 대형 경쟁사들과 겨뤘지만, 링크가 아니라 사용자 페인포인트에 정확히 대응하는 깊은 콘텐츠로 50여 개 프롬프트에서 언급을 확보했습니다. 지오랭크 내부 집계로는 토픽 커버리지를 60% 이상 채운 고객군이 30% 미만 고객군보다 AI 추천 등장 빈도가 평균 2.4배 높았습니다. 엔터프라이즈 혁신관리 SW G사도 아이디어 크라우드소싱, 검증, 기술 스카우팅 등 사용 사례별로 콘텐츠를 쌓아 SEO 트래픽과 AI 검색 가시성을 동시에 끌어올렸고, 한 토픽에 콘텐츠가 3~5개 이상 누적됐을 때부터 추천 인용이 눈에 띄게 붙기 시작했습니다.
숫자로만 보면 오해하기 쉽습니다. 콘텐츠를 100개 찍은 브랜드가 20개 쓴 브랜드보다 무조건 유리한 게 아닙니다. 추천 빈도를 가른 변수는 개수가 아니라, 하나의 토픽 안에서 서로 다른 각도를 얼마나 촘촘히 메웠는지였습니다. "가격 비교", "도입 절차", "경쟁사 대안", "실패 사례", "규제 대응"처럼 각도를 나눠 쌓은 쪽이 같은 주제를 살짝 바꿔가며 반복한 쪽보다 훨씬 넓은 질문에 걸렸습니다. AI 검색은 표현이 조금만 달라져도 다른 콘텐츠를 참고하기 때문입니다.
다만 한계도 분명합니다. 토픽 기반 GEO는 즉효약이 아니라 2~6개월이 걸리는 누적 게임입니다. 깊이가 부족하면 아무리 많은 토픽을 건드려도 추천으로 이어지지 않고, 깊이만 있고 커버리지가 좁으면 특정 질문에만 반응합니다. 둘 중 하나만 있는 프로젝트는 대부분 6개월 안에 성과가 정체됐습니다. 결국 넓이와 깊이를 동시에 밀어야 합니다. llms.txt나 헤딩 구조 같은 기술 요소가 무의미한 건 아니지만, 그것은 콘텐츠가 잘 읽히도록 돕는 조미료일 뿐 재료 자체는 아닙니다.
결론은 단순합니다. AI 검색에서 브랜드를 추천받고 싶다면, 사이트 설정을 만지기 전에 먼저 "우리가 어떤 토픽의 주인인가"를 콘텐츠로 증명해야 합니다. 그 증명이 쌓이는 순간부터 AI는 사용자 질문에 우리를 자연스럽게 끌어옵니다.
원문 보기: https://georank.co.kr/report/topic-based-geo-content-strategy-brand-recommendation
의견을 남겨주세요