AI 브랜드 추천은 후속 질문 한 번에 62%가 사라진다 — 일회성 노출이 아니라 지속 가시성을 측정하라

핵심 요약: AI 답변에 브랜드가 한 번 추천됐다는 사실은 생각보다 약한 신호입니다. Clovion이 69,120건의 다회 턴 대화를 분석했더니, 구매자가 "소규모 팀용"처럼 조건을 한 마디만 덧붙여도 첫 답변에 있던 브랜드의 62%가 두 번째 답변에서 사라졌습니다(Search Engine Journal). 반면 같은 질문을 단순 반복했을 때 이탈은 약 10%에 그쳤습니다. 무작위 흔들림이 아니라, 질문이 구체화될 때 순위가 다시 짜인다는 뜻입니다. 그래서 "한 번 떴다"를 세는 일회성 측정은 위험하고, 반복·다회 턴·채널 우선순위로 나눠 봐야 합니다(기준일: 2026-07-08).

---

3줄 요약

• 한 번의 노출은 지속 가시성이 아닙니다. Clovion 기준 구매자 조건 한 마디에 첫 답변 브랜드의 62%가 사라졌고, 단순 반복 이탈은 10% 수준이었습니다. 흔들림의 대부분은 무작위가 아니라 질문 구체화에서 나옵니다.
• 다른 방법론의 연구도 같은 방향을 가리킵니다. SparkToro·Gumshoe 실험에서는 같은 질문을 100번 물어도 두 응답의 브랜드 목록이 같을 확률이 100분의 1 미만이었습니다. 단일 응답 스냅샷은 신뢰할 수 없습니다.
• 그래서 측정의 축을 바꿔야 합니다. "순위에 떴는가"가 아니라 "여러 반복과 후속 질문에서 얼마나 자주 살아남는가"를, 그리고 트래픽의 92.4%를 차지하는 ChatGPT를 우선순위로 두되 채널 이동까지 함께 봐야 합니다.

한 번 추천됐다는 착시 — 후속 질문 한 번에 62%가 사라진다

AI 답변에 브랜드가 등장하는 것과, 그 브랜드가 구매 여정 내내 추천되는 것은 전혀 다른 사건입니다. Clovion은 Claude·ChatGPT·Gemini를 대상으로 B2B 소프트웨어·핀테크 36개 카테고리에서 69,120건의 다회 턴 대화를 돌렸습니다. 첫 질문에 AI가 내놓은 추천 목록을 기준선으로 두고, 그다음 구매자가 흔히 던지는 조건 한 마디를 덧붙였을 때 목록이 어떻게 바뀌는지를 추적한 것입니다.

결과는 분명했습니다. "소규모 팀용(for a small team)"이라는 평범한 조건 하나를 붙이자, 첫 답변에 있던 브랜드의 62%가 두 번째 답변에서 자취를 감췄습니다. 처음 추천받은 목록의 약 3분의 1만 살아남은 셈입니다. 조건을 "대기업용(for a large enterprise)"으로 바꿔도 이탈률은 약 72%로 비슷했습니다. 방향(소규모냐 대기업이냐)이 아니라, 구체화된다는 사실 자체가 목록을 재편했습니다.

이 수치를 인용할 때 짚어둘 점이 있습니다. Clovion은 AI 가시성 추적 도구를 판매하는 벤더이고, 이 데이터는 자사 방법론으로 낸 self-study입니다. 게다가 원 발표에는 디자인 과정에서 0 하나가 누락되는 오류가 있었습니다 — 검증된 모순 건수가 33건이 아니라 330건, 테스트 브랜드가 204개가 아니라 2,040개로 정정됐습니다. 정정 후 표본이 오히려 커졌다는 점은 신뢰를 더하지만, 벤더 단일 출처라는 한계는 그대로입니다. 그래서 이 글은 62%라는 숫자를 단독 근거로 쓰지 않고, 아래에서 방법론이 다른 독립 연구와 겹치는 지점만 결론으로 삼습니다.

무작위 흔들림이 아니다 — 반복은 10%, 구체화는 62%

여기서 가장 중요한 구분은 "반복에 의한 흔들림"과 "구체화에 의한 재편"을 나누는 것입니다. AI 답변이 매번 조금씩 다르다는 것은 이미 알려진 사실입니다. SparkToro의 Rand Fishkin과 Gumshoe의 Patrick O'Donnell이 자원자 600명을 동원해 ChatGPT·Claude·Google AI에 12개 프롬프트를 합계 2,961회 입력한 실험이 그 규모를 정량화했습니다. 결론은 이렇습니다.

"There's a <1 in 100 chance that ChatGPT or Google's AI, if asked 100X, will give you the same list of brands in any two responses." — Rand Fishkin, SparkToro

같은 질문을 100번 반복해도 두 응답의 브랜드 목록이 완전히 같을 확률이 100분의 1 미만이라는 뜻입니다. 이것이 반복에 의한 기본 노이즈입니다. 그런데 Clovion 데이터에서 단순 반복만 했을 때의 이탈은 약 10% 수준이었습니다. 즉 "그냥 다시 물어보면 10%가 흔들린다"가 기본값이고, "구매자 조건을 붙이면 62%가 바뀐다"는 그 위에 얹힌 별개의 신호입니다.

이 차이가 실무에서 결정적입니다. 10%의 반복 노이즈는 여러 번 측정해 평균을 내면 걸러집니다. 그러나 62%의 구체화 재편은 평균으로 지워지지 않습니다 — 애초에 다른 질문에 대한 다른 답이기 때문입니다. 실제 구매자는 "최고의 CRM"만 묻고 끝내지 않습니다. "50인 규모 스타트업에 맞는", "예산이 빠듯한", "한국어 지원되는" 같은 조건을 반드시 덧붙입니다. Conductor 역시 intent 유형이 AI 답변의 일관성을 좌우한다는 별도 분석을 내놨는데, 세 연구가 방법론은 달라도 "질문의 성격이 바뀌면 추천이 재편된다"는 같은 지점을 가리킵니다. 대화형·롱테일 질의가 왜 측정의 기본 단위가 되어야 하는지는 23단어로 묻는 대화형 질의 시대의 콘텐츠 설계에서 더 다뤘습니다.

그럼 어느 채널부터 — ChatGPT 92.4%라는 현실

측정을 반복·다회 턴으로 늘리면 비용이 커집니다. 그래서 "어느 채널부터"라는 우선순위 질문이 따라옵니다. Search Engine Land가 166개 GA4 속성의 6.77M LLM 세션(2024년 11월~2026년 5월)을 분석한 결과, 추적 가능한 AI 리퍼럴 트래픽의 92.4%가 ChatGPT에서 나왔습니다. 분석은 이 편중을 이렇게 요약합니다.

"Optimizing for 'AI visibility' without prioritizing ChatGPT means optimizing for an abstraction." — Search Engine Land

ChatGPT를 우선하지 않은 채 'AI 가시성'을 최적화하는 것은 추상을 최적화하는 것이라는 지적입니다. 실측 트래픽 기준으로는 맞는 말입니다. 다만 이 숫자에는 두 가지 단서가 붙습니다.

첫째, 채널 구도 자체가 움직이고 있습니다. 같은 데이터셋에서 Claude가 64배 성장해 2026년 3월 Perplexity를 추월했고, Perplexity는 2025년 3월 정점 대비 61% 하락했습니다. Gemini는 변동 없이 조용한 2위를 지켰습니다. 오늘의 92.4%를 근거로 ChatGPT 하나만 측정하도록 굳히면, 다음 분기의 재편을 놓칩니다. 둘째, ChatGPT 리퍼럴의 28.8%가 사이트 내부 검색 결과 페이지로 유입됐다는 점입니다. 모델이 도메인은 신뢰하되 어느 페이지를 보낼지 확신하지 못한다는 신호로, 리퍼럴 수치만으로 ChatGPT의 기여를 온전히 읽기 어렵다는 뜻이기도 합니다. ChatGPT처럼 출처 링크를 잘 노출하지 않는 채널의 간접 기여를 어떻게 볼지는 AI 검색 트래픽의 전환·어트리뷰션 측정법에서 정리했습니다.

정리하면, "ChatGPT를 1순위로" 두는 것은 옳지만 "ChatGPT만"으로 좁히는 것은 위험합니다. 지배 채널을 우선하되 부상 채널을 함께 추적하는 이유는, 인용률·기여 방식이 플랫폼마다 다르기 때문입니다. 이 차이는 플랫폼별 AI 가시성 전략에서 다룬 바와 같습니다.

그래서 무엇을 측정해야 하나 — 일회성 노출에서 지속 가시성으로

세 데이터가 겹치는 결론은 하나입니다. "한 번 노출됐는가"는 지표가 아니라 착시입니다. 지속 가시성을 재려면 측정의 축을 다음처럼 바꿔야 합니다.

1. 단일 응답이 아니라 반복으로 봅니다. 같은 질의라도 100번 중 두 번 이상 같은 목록이 나오기 어렵습니다. 한 번의 스크린샷으로 "우리가 1위"라고 결론 내리지 않고, 반복 측정한 등장률(visibility %)로 판단합니다. SparkToro의 표현을 빌리면, "AI 순위 위치"를 파는 지표는 신뢰하기 어렵습니다.
2. 첫 질문이 아니라 다회 턴으로 봅니다. 실제 구매자는 조건을 덧붙입니다. "소규모 팀용", "예산 낮은", "한국어 지원" 같은 후속 맥락에서도 브랜드가 살아남는지를 측정해야 62% 이탈 구간을 발견합니다. 첫 답변만 보면 사라지는 절반을 못 봅니다.
3. 모든 채널이 아니라 우선순위로 봅니다. 트래픽의 92.4%를 차지하는 ChatGPT를 1순위에 두되, Claude처럼 빠르게 부상하는 채널을 함께 추적해 다음 재편을 선반영합니다.
4. 인용과 언급을 나눠서 봅니다. 출처로 인용되는 것과 답변 본문에 브랜드명이 불리는 것은 별개입니다. 이 구분을 놓치면 "인용은 됐는데 이름은 없는" 사례를 지속 가시성으로 착각합니다. 자세한 구조는 고스트 인용 분석에서 다뤘습니다.

측정 관점에서, RanketAI의 AI 브랜드 가시성 분석은 ChatGPT·Perplexity·Gemini 답변에서 브랜드가 인용·언급되는지를 여러 질의와 후속 맥락으로 반복 측정하고, 경쟁사 비교는 같은 질의 기준으로 경쟁 브랜드와의 등장 구도를 함께 보여줍니다. Semrush AI Visibility, Ahrefs Brand Radar 등도 반복·다중 프롬프트 추적을 제공하므로, 자신의 시장과 언어에 맞는 도구로 "일회성 노출"이 아니라 "반복·다회 턴에서의 지속 가시성"을 측정하는 것이 핵심입니다.

자주 묻는 질문

우리 브랜드가 AI 답변에 떴는지 한 번 확인했으면 충분한가요?

충분하지 않습니다. 같은 질문을 100번 물어도 두 응답이 같은 목록일 확률이 100분의 1 미만이라는 것이 SparkToro 실험의 결론입니다. 한 번의 확인은 노이즈 안의 한 점일 뿐이므로, 같은 질의를 반복 측정한 등장률과, 구매자 조건을 덧붙인 후속 질문에서의 잔존율을 함께 봐야 실제 지속 가시성을 알 수 있습니다.

반복 측정과 다회 턴 측정 중 무엇을 먼저 해야 하나요?

둘의 목적이 다릅니다. 반복 측정은 "우리가 첫 답변에 얼마나 안정적으로 뜨는가"라는 기본 노이즈(약 10%)를 걸러냅니다. 다회 턴 측정은 "구매자가 구체화했을 때도 살아남는가"라는 재편(최대 62%)을 잡아냅니다. 자원이 제한적이라면, 기본 등장률을 반복으로 먼저 확인한 뒤, 전환에 가까운 핵심 구매 조건 몇 가지를 후속 질문으로 얹는 순서가 효율적입니다.

채널이 여럿인데 ChatGPT만 봐도 되나요?

실측 리퍼럴의 92.4%가 ChatGPT라는 점에서 1순위는 맞습니다. 그러나 Claude가 64배 성장해 2026년 3월 Perplexity를 추월하는 등 구도가 빠르게 바뀌고 있어, ChatGPT 하나로 굳히면 다음 재편을 놓칩니다. ChatGPT를 우선하되 부상 채널을 함께 추적하는 것이 안전합니다.

이 수치들을 한국어 시장에 그대로 믿어도 되나요?

Clovion·SparkToro·리퍼럴 데이터 모두 영어권 질의 기준이고, 특히 Clovion은 벤더 self-study입니다. 절대값(62%·92.4% 등)을 한국어 답변에 그대로 대입하기보다, 구조(한 번의 노출≠지속 가시성, 구체화가 재편을 부른다, 반복·다회 턴으로 측정한다)를 참고하되 실제 값은 자기 브랜드·한국어 질의로 직접 반복 측정해 확인하는 것이 정확합니다.

함께 읽으면 좋은 글

• AI 검색은 4단어가 아니라 23단어로 묻는다 — 대화형·롱테일 질의 시대의 콘텐츠 설계 — 후속 질문·구체화가 왜 측정의 기본 단위가 되는지 다룬 글.
• 플랫폼별 AI 가시성 전략이 달라야 하는 이유 — 채널마다 인용률·기여 방식이 다른 이유와 우선순위 판단.
• 고스트 인용이란? AI 인용의 62%는 브랜드 언급 없이 끝난다 — 인용과 언급을 나눠 측정해야 하는 개념적 토대.