Vercel "How we’re adapting SEO for LLMs and AI search" 번역

이번 콘텐츠는 Vercel 의 “How we’re adapting SEO for LLMs and AI search” 콘텐츠를 번역했습니다. 원문의 명확한 표현을 보고싶다면, 링크를 통해 확인해주세요!

Vercel 은 어떤 회사인가요? Vercel은 Next.js를 만든 회사로, 코드를 올리면 자동으로 빌드하고 전 세계에 빠르게 배포해주는 클라우드 플랫폼입니다. 서버 설정 없이도 손쉽게 웹서비스를 운영할 수 있어, 다양한 글로벌 기업들이 활용하고 있습니다.

검색이 변하고 있습니다. 이제 백링크와 키워드만으로는 충분하지 않습니다.

ChatGPT나 구글 AI 오버뷰 처럼 AI-first 인터페이스가 유저가 링크를 클릭하기도 전에(혹은 전혀 클릭하지 않고) 질문에 답을 제공합니다. LLM은 콘텐츠가 어떻게·어디서·언제 보여지는지를 재편하고 있습니다.

물론 아직 초기 단계이며, 명확한 답을 아는 사람은 없습니다. 하지만 우리(Vercel)가 관찰한 한 가지 패턴은, LLM이 명확하고, 깊이 있으며, 구조적으로 설명하는 콘텐츠를 선호한다는 점입니다.

“LLM SEO”는 기존 검색 엔진 최적화(SEO)를 대체하는 것이 아닙니다. 이는 ‘적응’입니다. 마케터와 제품 팀에게 이 변화는 위험이자 기회입니다. AI 시대에, 전통적인 순위를 잃지 않으면서도 어떻게 존재감을 드러낼 수 있을까요?

아래는 우리가 관찰한 점, 시도하는 것, 그리고 적응해 나가는 방법입니다.

검색이 변한 이유

AI 인터페이스는 이제 많은 질의에 직접 답을 제공하며, 클릭조차 발생하지 않는 경우가 많습니다. 예를 들어 “이 API 요청을 어떻게 작성하나요?” 같은 질문은 화면 내에서 바로 해결됩니다. 이런 제로 클릭(Zero-click) 답변은 사람들이 검색하는 방식과 콘텐츠가 노출되는 방식을 변화시키고 있습니다.

ChatGPT는 이제 Vercel 신규 가입자의 약 10%를 유입시키고 있습니다. 이는 전월 4.8%에서 상승한 수치이며, 6개월 전 1%에서 크게 증가한 것입니다. 다른 기업들도 변화를 체감하고 있습니다. Tally는 AI 검색이 가장 큰 신규 유입 채널이 되었고, ChatGPT와 Perplexity가 신규 가입자의 대부분을 차지하며, 단 4개월 만에 연간 반복 매출(ARR)을 200만 달러에서 300만 달러로 끌어올렸습니다.

하지만 모든 AI 기반 결과가 조회수로 이어지는 것은 아닙니다. Ahrefs 연구에 따르면, 구글 AI 오버뷰는 동일한 검색에서 오버뷰가 없는 경우보다 클릭률을 최대 34.5%까지 감소시킬 수 있다고 합니다.

이제 검색은 단순히 ‘순위’의 문제가 아닙니다. 새로운 규칙 아래, 새롭게 노출되는 것이 핵심입니다.

전통적인 SEO와 LLM SEO의 균형

링크 빌딩에서 “개념 명확성(Concept clarity)”으로의 전환은 콘텐츠 접근 방식을 변화시킵니다. 전통 SEO와 LLM SEO는 서로 다른 시스템을 대상으로 하지만, 어느 하나를 소홀히 할 수 없습니다. 사람과 AI, 모두에게 발견되려면 두 가지를 모두 신경써야 합니다.

키워드 반복보다 깊이와 명확성이 더 중요합니다. LLM은 키워드를 ‘매칭’하지 않고 의미를 해석합니다. 콘텐츠에 실질이 없다면 키워드를 욱여넣거나 동의어만 바꾸는 일은 거의 효과가 없습니다. LLM 모델은 동일한 키워드를 반복한 설명이 아니라, 가장 명확하고 의미적으로 풍부한 설명을 표면에 올립니다.

키워드 남발이나 숨김 텍스트 같은 구식 전술이 여전히 학습 데이터에 포함되어 있을 수는 있지만, 도움이 되지 않습니다. 잘해봐야 무시되고, 못하면 신호를 탁하게 만들어 전통적 SEO 성과까지 해칠 수 있습니다.

성공하는 브랜드는 구조화되고, 독창적이며, 관련성 높은 콘텐츠를 만듭니다. 인간 검색자와 이를 안내하는 모델 둘 모두를 위해 설계된 콘텐츠입니다.

LLM이 콘텐츠를 읽고 처리하는 방식

콘텐츠가 더 잘 표면화되게 하려면 AI 시스템이 이를 어떻게 해석하는지 이해해야 합니다. 많은 시스템이 실행 시점에 외부 정보를 가져오는 RAG(Retrieval-Augmented Generation) 를 사용합니다. ChatGPT, Copilot, Meta AI는 Bing 인덱스를 사용하고, 구글은 자체 인덱스, Perplexity는 혼합 방식을 씁니다. 어떤 경우든 당신의 콘텐츠는 크롤링 가능하고, 구조화되어 있으며, 해석하기 쉬워야 합니다.

검색(리트리벌)을 넘어, 모델은 학습 중에 습득한 지식에도 의존합니다. 이는 단어와 개념 간 관계를 표현하는 고차원 임베딩으로 인코딩됩니다. 덕분에 정확히 같은 키워드가 없어도 개념을 추론할 수 있습니다.

RAG는 쿼리 의도와 밀접하게 맞닿은 콘텐츠를 찾아 최신·구체적 문맥을 추가합니다. 이 체계에서는 명확성, 깊이, 독창성이 키워드 밀도나 백링크보다 더 중요합니다.

LLM이 실제로 보상하는 것

LLM SEO는 ‘답을 주는’ 예술입니다. 즉, 한 개념에 대해서 깊이 있고, 검색·추출에 유리하게 구조화하며, 인용을 얻고, 신선도와 신뢰성을 유지하는 것입니다.

이건 단기간에 끝나지 않습니다. 콘텐츠 파이프라인 전반에 걸친 의도적 노력이 필요합니다. 중요한 것은 한 개념을 얼마나 명확하고 일관되며 독창적으로 정의하느냐입니다. 구조, 랭킹, 인덱싱 가능성도 여전히 중요합니다. 실시간 검색(리트리벌) 과 장기적 학습 데이터 편입을 모두 지원해야 하며, 제대로 하면 두 축이 서로를 강화합니다.

아래는 우리가 AI가 이해하고 사람이 유용하다고 느끼는 균형 잡힌 콘텐츠를 만들기 위해 사용하는 원칙과 실천입니다.

1) 프런티어 개념을 찾아라

LLM은 가장 빠르거나 가장 명확한 설명을 선호합니다. 먼저 선점하면 기본 정의가 될 수 있습니다. 그렇지 않다면 가장 결정적이 되는 것을 목표로 하세요.

• 경쟁이 낮고 기회가 큰 주제를 찾아 원천(Source) 이 되세요.

• Twitter/X, Reddit, GitHub, Discord, 각종 포럼에서 떠오르는 질문을 모니터링하세요.

• 경쟁사가 얕거나 부재한 갭을 찾으세요.

• 자사 강점(회사·제품 역량)과 맞는 주제를 고르세요.

• 원본 데이터, 벤치마크, 고객 사례, 복제하기 어려운 인사이트를 공유하세요.

• 이미 사용자들이 묻는 것부터 시작하세요.

2) 결정적이고 증거 기반의 소스를 발행하라

각도를 정했다면 깊게 파세요. 뻔한 요약은 건너뛰기 쉽습니다. LLM은 실질을 선호하고 깊이에서 권위를 가늠합니다. 원본 데이터, 코드, 전문가 인용, 스토리 등 쉽게 베끼기 힘든 요소를 담으세요.

• 표면적인 커버리지를 넘어서라.

• 지표, 코드 블록, 표, 목록, 인용, 다이어그램을 포함하라.

• 정확하고 일관된 용어를 쓰라. 흐릿한 동의어 남발은 임베딩 신호를 약화시킨다.

• 크롤링 친화적으로 쓰라. 짧고 자족적인 인사이트가 인용되기 쉽다.

• 당신의 니치에서 원천(canonical) 소스를 지향하라.

3) 기계가 읽을 수 있는 구조 만들기

좋은 구조는 모델이 콘텐츠의 의미를 이해하는 데 도움을 줍니다. 인덱싱(색인)이 되더라도, 의미가 불분명하거나 레이아웃이 해석하기 어렵다면 해당 페이지는 건너뛰어질 수 있습니다.

마크업과 레이아웃 양쪽을 모두 신경써야 합니다:

• 일관된 용어와 깔끔한 헤딩 계층(H1 → H2 → H3) 사용

• 의미를 강화하기 위해 Schema.org나 JSON-LD 마크업 추가

• 가능한 경우 시맨틱 요소 사용: 콜아웃, 용어집(glossary) 항목, 명확한 클래스명 또는 ARIA 레이블이 있는 내비게이션 섹션

• 정의 목록, 표 등 시맨틱 HTML 요소로 구조 강화

• Bing과 Google에서 인덱싱 가능성 확인

• 대부분의 AI 크롤러는 자바스크립트를 실행하지 않고 HTML만 가져옵니다.

  → SSR(Server-Side Rendering), SSG(Static Site Generation), ISR(Incremental Static Regeneration)을 사용해 정적 HTML 제공

• Next.js와 Vercel을 활용해, 전체 리빌드 없이 온디맨드 페이지 제공으로 콘텐츠를 신선하고 접근 가능하게 유지

목표는 시스템을 속이는 것이 아니라, 기계에게도 사람만큼 명확하게 의도를 전달하는 것입니다.

4) 신뢰할 수 있는 인용 시드 만들기

LLM은 웹에서 학습합니다. 대화를 주도하세요. 학습 데이터에 영향을 주기 위해서는 커뮤니티 언급이 중요합니다. 사람들이 당신을 인용하면, 모델도 종종 따라갑니다. 검색(리트리벌) 측면에서도 백링크와 인덱싱 가능성은 여전히 핵심입니다.

• 스레드, AMA(Ask Me Anything), 변경 로그, 제품 데모에서 공유

• 오픈소스 자료나 다른 사람이 참고할 수 있는 실제 예시 제작

• 토픽 클러스터(관련 글 상호 링크)로 개념 관계 강화

• 고신호·인덱싱 가능한 채널에 집중: Reddit, GitHub, Hacker News, Twitter/X, LinkedIn, Stack Overflow

• 유료 링크는 피하세요. 유기적 인용(Organic citation) 이 학습 데이터에서 더 높은 신뢰를 가집니다.

5) 최신성 유지 주기 설정하기

모델은 웹을 주기적으로 재크롤링합니다. 시간이 지나면 오래된 콘텐츠는 사람과 AI 모두에게 가치가 떨어집니다. 페이지가 인덱스에 있더라도, 정확성과 관련성이 사라지면 더 이상 검색되거나 인용되지 않을 수 있습니다.

리트리벌 기반 시스템에서는 최신이고 순위가 높은 콘텐츠가 포함될 가능성이 높습니다. 콘텐츠를 신선하게 유지하면 표면화와 인용 가능성이 올라갑니다.

정기적 유지보수 방법:

• 404 오류 수정, lastmod 업데이트, 사이트맵 정리

• 30일·90일·180일 단위로 콘텐츠 점검

• 오래된 콘텐츠는 갱신, 잘되는 콘텐츠는 확장

• 오래된 페이지는 리디렉션과 함께 아카이브

• 경쟁사가 따라잡으면 콘텐츠 격차 메우기

일관된 관리는 콘텐츠의 관련성을 유지하고, 사용자와 모델 모두에게 신뢰할 수 있는 정보임을 알립니다.

AI 영향 추적하기

AI 시스템에서의 가시성을 측정하는 일은 아직 진화 중인 과제입니다. 내 콘텐츠가 답변에 포함되었는지, 학습 데이터에 반영되었는지를 보여주는 신뢰할 만한 대시보드는 없습니다. 하지만 주목해야 할 몇 가지 신호가 있습니다.

• 출처 인용: Perplexity, Google AI Overviews, ChatGPT 등은 때때로 답변에 출처를 표시합니다. 도메인명이나 핵심 주제를 검색해 가시성을 확인하세요.

• 리퍼러 트래픽: 웹 분석·관측 툴을 활용해 chat.openai.com, perplexity.ai, bard.google.com, claude.ai 등에서 발생하는 방문을 추적하세요.

• 언급과 링크: LLM은 종종 사람들이 실제로 인용한 내용을 반영합니다. 커뮤니티 포럼, 소셜 미디어, 블로그에서의 레퍼런스를 관찰하세요. Ahrefs, Mention, Semrush 같은 툴이 도움이 됩니다. 반복되는 문구는 영향력을 시사합니다.

• 인덱스 커버리지: 리트리벌에는 발견 가능성이 필수입니다. 구글 서치콘솔과 Bing Webmaster Tools로 인덱싱 및 핵심 개념에 대한 순위를 추적하세요. robots.txt로 크롤러 접근이 허용되어 있는지 확인하고, 깨끗하고 정확한 사이트맵을 유지하세요. Core Web Vitals 점수를 높여 성능 좋은 인덱싱 환경을 만드세요.

Attribution 분석(트래픽 원인 추적)은 항상 깔끔하지 않습니다. 그러나 AI 리퍼러에서 온 트래픽은 종종 사용자가 이미 질문을 하고, 답변을 본 뒤, 행동으로 옮긴 경우를 반영합니다. 이 행동 패턴이 볼륨보다 더 중요합니다.

단일 지표로 사용 여부를 확정할 수는 없지만, 이런 패턴들을 종합하면 무엇을 만들고, 유지하며, 우선순위에 둘지 판단하는 데 유용한 신호를 얻을 수 있습니다. 더 나은 툴이 등장할 때까지는 이 접근이 가장 현실적입니다.

마무리 생각

LLM SEO에는 지름길이 없습니다. 개념을 ‘소유’하는 것은 일주일 만에 되는 일이 아닙니다. 이는 규율과 새로운 사고방식이 필요한 전략적 해자 입니다. 우리는 검색 순위 경쟁에서 ‘답변 형성’ 경쟁으로 이동하고 있습니다.

이제 당신은 단순히 사람만을 위해 최적화하는 것이 아닙니다. 사람이 무엇을 보게 될지 결정하는 모델을 위해서도 최적화해야 합니다. 이는 더 깊이 들어가고, 더 명확해지며, 모델이 학습하고 표면화할 수 있는 콘텐츠를 만드는 것을 의미합니다.

전통적인 SEO는 여전히 중요합니다. 속도, 구조, 인덱싱 가능성은 두 영역 모두에서 기본입니다. 균형을 유지하세요. 이 분야는 빠르게 변화하고 있습니다. 오늘은 Bing이 중요하지만, 구글, Perplexity, DuckDuckGo, 그리고 사설 RAG 시스템 또한 AI 기반 검색 경험을 만들어가고 있습니다.

유행 쫓기도 피하세요. LLM SEO, LEO(Language Engine Optimization), GEO(Generative Engine Optimization), AEO(Answer Engine Optimization), AI SEO… 어떤 이름을 붙이든 목표는 같습니다.

명확하고, 일관되며, 올바른 구조로 개념을 소유하여 모델이 잘 이해하도록 하는 것.

💡 인블로그팀 생각

1. 아무리 GEO/AEO라는 용어가 등장해도, SEO의 본질은 변하지 않습니다. 핵심은 독자에게 실질적으로 도움이 되는 콘텐츠를 만드는 것입니다.

2. 영어가 모국어가 아닌 사람의 시선에서도 EEAT 중 E(Experience)가 완벽하게 갖춰진 글이라는 인상을 받았습니다. 앞으로 우리 블로그도 이런 깊이와 완성도를 지향해야겠다고 느꼈습니다.

3. “경쟁사가 내 포스트를 쉽게 따라할 수 있는가?” 이 질문에 ‘No’라고 답할 수 없다면, 더 깊이 파야 한다는 문장이 뼈를 때렸습니다. 앞으로 콘텐츠 제작의 중요한 기준으로 삼을 생각입니다.