AI 가시성을 점수 하나로 보면 위험한 이유: ChatGPT와 Perplexity는 달라요

챗GPT에 우리 브랜드가 보인다고 해서, 퍼플렉시티와 Google AI Overviews에도 보인다고 말할 수는 없어요. AI Visibility 72점 같은 단일 숫자는 보기에는 편하지만, 그 숫자만 보면 어느 엔진에서 보이는지, 어떤 URL이 인용되는지, 그 URL이 다른 엔진에서도 반복해서 살아남는지, 특정 엔진 하나에 지나치게 의존하고 있지는 않은지 같은 중요한 질문이 가려져요. AI 검색 시대의 리포팅은 단일 점수보다 엔진별 분해가 먼저예요.

AI Visibility는 이제 보인다, 안 보인다의 문제가 아니에요

예전 SEO에서는 Google 검색 순위 하나가 실무의 중심이었어요. 순위가 오르면 좋은 신호였고, 내려가면 문제였어요. AI 검색에서는 상황이 달라요. 사용자는 같은 의도를 ChatGPT에 물어볼 수 있고, Perplexity에서 검색할 수 있고, Google 검색의 AI Overviews를 볼 수도 있어요. 겉으로는 모두 "AI가 답을 준다"는 점에서 비슷해 보이지만, 답변이 참조하는 URL은 같지 않을 수 있어요.

어떤 브랜드는 ChatGPT 답변에는 등장하지만 Perplexity 인용에는 빠질 수 있어요. 반대로 Perplexity에는 자주 인용되지만 Google AI Overviews에서는 거의 안 보일 수도 있어요. 그래서 이제 질문은 바뀌어야 해요. "우리 AI Visibility가 몇 점인가?"보다 먼저 물어야 할 건 "우리는 어떤 엔진에서, 어떤 질문에, 어떤 URL로 보이고 있는가?"예요.

단일 점수가 위험한 이유

단일 점수는 편해요. 대표에게 보고하기 좋고 대시보드에서도 한눈에 보여요. "지난달 58점에서 이번 달 71점으로 올랐습니다"라고 말하면 성과처럼 들려요. 문제는 그 점수가 어디서 왔는지 모르면 잘못 안심할 수 있다는 거예요.

예를 들어 어떤 브랜드의 AI Visibility가 70점이라고 해볼게요. 겉보기에는 나쁘지 않아요. 하지만 실제 구성을 뜯어보니 ChatGPT에서만 많이 보이고 Perplexity와 Google AI Overviews에서는 거의 안 보인다면 어떨까요? 그 브랜드는 "AI 검색에서 강한 상태"가 아니라 "특정 엔진 하나에 묶인 상태"일 수 있어요.

또 다른 경우도 있어요. 전체 인용 수는 많지만 인용되는 URL 대부분이 한두 개 외부 리뷰 페이지에 몰려 있을 수 있어요. 브랜드 공식 페이지, 제품 비교 페이지, 고객 사례는 거의 인용되지 않을 수 있고요. 이 경우 단일 점수는 좋아 보여도 실무자는 다음 액션을 잡기 어려워요. 공식 페이지를 고쳐야 하는지, 비교형 콘텐츠를 만들어야 하는지, 외부 리뷰 신호를 보강해야 하는지, 특정 엔진의 격차를 먼저 해결해야 하는지 점수만으로는 알 수 없어요.

이 문제는 마케팅 조직 안에서 흔히 벌어지는 오해로도 이어져요. 대표가 "AI Visibility가 올랐다"는 보고를 받고 만족하는 사이, 실무팀은 정작 그 상승이 어디서 왔는지 몰라 다음 분기 계획을 세우지 못하는 경우가 많아요. 점수는 보고에는 유용하지만, 실행 계획을 세우는 근거로 쓰기에는 정보가 너무 적어요. 이 둘의 용도를 구분하지 않으면, 점수를 관리하는 일과 실제로 가시성을 개선하는 일이 서로 다른 방향으로 흘러가기 쉬워요.

실제 데이터가 보여주는 신호

Kevin Indig는 Omnia 데이터를 바탕으로 ChatGPT, Perplexity, Google AI Overviews의 인용 URL이 얼마나 겹치는지 분석했어요. 20,000개 프롬프트와 370만 개 인용을 분석한 결과, 같은 프롬프트라도 세 엔진이 인용하는 URL은 거의 겹치지 않았어요. 세 엔진 모두에서 겹친 비율은 2.37%에 그쳤고, 인용의 91%는 정확히 한 엔진에서만 나타났어요^[1].

이 숫자는 매우 강한 신호예요. 다만 이 결과를 모든 산업, 모든 언어권에 그대로 적용하면 안 돼요. 특정 데이터 소스의 고객 기반을 바탕으로 한 분석이고, 지역과 산업 구성에 따른 편향이 있을 수 있어요. 한국어 시장이나 국내 B2B 쿼리에서는 별도 확인이 필요해요. 그래도 실무 원칙은 충분히 얻을 수 있어요. AI Visibility는 하나의 통합 점수로 뭉개기보다, 엔진별로 나눠서 봐야 해요.

이 결과가 놀라운 이유는, 많은 팀이 암묵적으로 "여러 AI 검색 엔진이 결국 비슷한 웹을 학습하고 비슷한 답을 낸다"고 가정하기 때문이에요. 실제로는 각 엔진이 서로 다른 검색 도구, 다른 색인, 다른 답변 정책을 쓰기 때문에 같은 질문에도 전혀 다른 출처를 고를 수 있어요. 이 가정을 깨는 것부터가 엔진별 분해 리포팅의 출발점이에요.

리포트는 세 가지 신호로 나눠야 해요

AI Visibility 리포트는 최소한 세 가지 질문에 답해야 해요.

Presence: 우리는 보이는가. 특정 기간과 프롬프트 세트에서 우리 브랜드, 도메인, URL이 최소 한 번이라도 등장했는지를 봐요. 중요한 건 전체 Presence만 보지 않는 거예요. ChatGPT Presence, Perplexity Presence, Google AI Overviews Presence, 프롬프트 클러스터별 Presence처럼 엔진별로 나눠야 해요.

Portability: 어떤 자산이 엔진을 건너가는가. 어떤 URL이 한 엔진에서만 인용되는지, 두 개 이상의 엔진에서 반복해서 살아남는지 보는 지표예요. AI 검색에서 좋은 자산은 단순히 많이 인용되는 URL이 아니에요. 여러 엔진의 서로 다른 선택 기준을 통과하는 URL이에요. 두 개 이상 엔진에서 살아남는 URL은 확장 후보이고, 인용 수는 높지만 한 엔진에만 갇힌 URL은 보완 후보예요.

Concentration: 어디에 과하게 의존하는가. 전체 인용 중 특정 엔진이 차지하는 비중이 지나치게 높다면, 그 브랜드의 AI Visibility는 안정적이지 않을 수 있어요. 예를 들어 전체 인용의 대부분이 한 엔진에서만 나온다면 겉으로는 AI Visibility가 높아 보여도, 그 엔진의 답변 정책이나 소스 선택 방식이 바뀌면 전체 성과가 크게 흔들릴 수 있어요.

세 축을 처음 도입할 때는 순서도 중요해요. Presence부터 확인해서 "아예 안 보이는 질문군"을 먼저 메우고, 그다음 Portability로 "이미 잘 작동하는 자산"을 찾아 확장하고, 마지막으로 Concentration으로 "너무 한쪽에 쏠린 위험"을 점검하는 순서가 자연스러워요. 세 축을 동시에 다 보려고 하면 처음에는 오히려 혼란스러울 수 있어요.

한국 B2B에서는 더 조심해야 해요

한국 B2B 시장에서는 이 문제가 더 복잡해질 가능성이 커요. 글로벌 SaaS나 영어권 콘텐츠는 여러 AI 검색 생태계에서 비교적 많은 공개 자료를 갖고 있어요. 반면 한국 B2B 브랜드는 공개 자료가 상대적으로 적고, 검색 표면도 더 분산돼 있어요.

"국내 CRM 추천", "반도체 장비 유지보수 업체 추천" 같은 질문에서 각 엔진은 서로 다른 출처를 선택할 수 있어요. 어떤 엔진은 글로벌 비교 자료나 오래 축적된 영문 자료에 기댈 수 있고, 어떤 엔진은 최신 블로그나 리뷰 페이지를 더 자주 붙일 수 있어요. 어떤 엔진은 색인 안에서 구조가 잘 잡힌 공식 문서를 더 반영할 수 있고요. 여기에 국내 검색 표면까지 들어오면 더 복잡해져요. 블로그, 뉴스, 산업 협회 자료, 고객 사례가 각각 다른 역할을 할 수 있어요.

한국 B2B 브랜드에는 특히 다음 구분이 필요해요. 공식 페이지가 존재하는가, AI 답변에 브랜드가 언급되는가, AI 답변의 근거 URL로 채택되는가, 어떤 엔진에서 채택되는가, 자체 소유 소스와 외부 획득 소스 중 무엇이 작동하는가, 국내 검색 표면에서 같은 현상이 반복되는가예요. 이 구분이 없으면 "콘텐츠를 더 쓰자"는 막연한 결론으로 흐르기 쉬워요.

특히 공개 자료가 적은 산업일수록 Concentration 리스크가 더 크게 나타나는 경향이 있어요. 참고할 자료 자체가 적으니 여러 엔진이 우연히 같은 한두 개 문서에 의존하게 되고, 그 문서가 사라지거나 오래돼 신뢰도를 잃으면 여러 엔진에서 동시에 가시성이 흔들릴 수 있어요. 이런 산업일수록 Portability를 의도적으로 늘리는 전략, 즉 같은 핵심 정보를 여러 형태와 여러 채널로 반복해서 접근 가능하게 만드는 작업이 더 중요해져요.

실무자가 오늘 확인할 것

처음부터 복잡한 모델을 만들 필요는 없어요. 먼저 아래 세 가지만 확인해도 방향이 달라져요.

1. 엔진별로 인용 URL을 분리해요. 전체 인용 수만 보지 말고, ChatGPT·Perplexity·Google AI Overviews별로 URL을 나눠 봐요.
2. 프롬프트 클러스터별로 봐요. 브랜드명 질문과 비교 질문은 달라요. 가격 질문, 대안 질문, 지역 질문도 다르니 전체 평균으로만 보면 특정 질문군에서 완전히 빠진 문제가 가려질 수 있어요.
3. 실행 가능한 격차를 찾아요. Google AI Overviews에서 공식 문서가 약하다면 자사 페이지 구조를 봐야 하고, Perplexity에서 외부 리뷰가 더 강하다면 외부 출처 확보와 업데이트 주기를 봐야 해요.

좋은 리포트는 "몇 점입니다"에서 끝나지 않아요. "이 엔진의 이 질문군에서 이 URL 유형이 비어 있으니 다음 액션은 이것입니다"까지 가야 해요. 기본적으로 사용자에게 유용하고 검증 가능한 콘텐츠를 만드는 원칙은 어느 엔진에서든 통해요^[2][3].

이 세 가지를 처음 확인하고 나면, 팀 안에서 나오는 질문 자체가 달라져요. "AI Visibility가 왜 안 올라요?" 대신 "Perplexity에서는 왜 우리 공식 페이지가 하나도 안 잡히죠?"처럼 구체적인 질문이 나오기 시작해요. 이 변화가 리포트의 진짜 목적이에요. 점수를 관리하는 게 아니라, 팀이 정확한 질문을 던지고 정확한 곳을 고칠 수 있게 만드는 거예요.

AI 검색 최적화는 더 이상 "글을 많이 쓰면 된다"로 해결되지 않아요. 어떤 질문에 대해, 어떤 엔진이, 어떤 URL을, 왜 근거로 선택하는지 봐야 해요. TRAIL Search로 우리 브랜드의 Presence, Portability, Concentration을 엔진별로 나눠 확인해보는 것부터 시작할 수 있어요. 그 출발점은 단일 점수가 아닌 엔진별 분해예요.

이 글과 이어지는 내용은 AVI 점수 하나로는 부족해요: 멘션율·소스율·인용율·고스트 인용 나눠보기, AVI 점수란? AI 검색 시대 브랜드 가시성 지표 가이드, AI 검색 성과 측정 프레임워크: GSC·GA4·프롬프트 추적을 주간·월간 루틴으로에서 볼 수 있어요.