AI 가시성 측정에 빠진 수요 측 데이터 — 고객이 신뢰하는 출처 유형

핵심 요약: AI 답변 속 브랜드 가시성을 측정하는 도구는 대부분 한 방향만 확인합니다 — 내 콘텐츠가 인용됐는가. 2026년 8월 30일 공개된 arXiv 프리프린트는 그 반대편, 즉 구매자가 무엇을 묻고 어떤 출처를 신뢰하는지에 대한 데이터가 없어 두 측정을 결합할 수 없다는 점을 문제로 제기하고, 103만 건 규모의 구매자 페르소나 코퍼스를 공개했습니다. 이 글은 그중 실무에 바로 옮길 수 있는 축 하나, 신뢰하는 출처 유형을 정리하고 이 연구를 인용할 때 지켜야 할 선을 함께 적습니다.

---

3줄 요약

• GEO 측정의 기본값은 공급 측입니다. 내 페이지가 인용됐는지는 확인할 수 있지만, 그 답변을 만든 질문이 실제 구매 검토 단계의 질문인지, 그리고 그 구매자가 어떤 출처를 신뢰하는지는 측정 범위 밖입니다.
• 새 코퍼스는 페르소나마다 신뢰하는 출처 유형(preferred_sources)을 기록했습니다. 인용 출처 데이터와 결합하면 "우리가 인용되는 출처가 우리 고객이 신뢰하는 출처인가"라는 질문이 성립합니다.
• 다만 합성 코퍼스이고, 저자들도 그 결합의 실증 추정을 향후 과제로 남겨 두었습니다. 지금은 수치가 아니라 측정 설계의 관점으로 받아들이는 편이 정확합니다.

지금의 AI 가시성 측정은 한쪽 방향만 봅니다

AI 가시성 측정 도구가 답하는 질문은 대체로 하나입니다 — "AI 답변에 우리가 등장했는가." 언급 여부, 인용된 URL, 경쟁 브랜드와의 등장 빈도까지가 측정 대상입니다. 이 방향을 공급 측(supply-side)이라고 부를 수 있습니다. 우리가 만든 콘텐츠가 답변에 어떻게 반영됐는지를 보는 관점이기 때문입니다.

문제는 이 관점만으로는 답할 수 없는 질문이 남는다는 점입니다. 측정에 사용한 질문이 실제 구매 검토 단계의 질문과 얼마나 가까운지, 그리고 그 답변에 인용된 출처가 우리 고객이 실제로 신뢰하는 출처 유형인지는 공급 측 데이터만으로는 확인할 수 없습니다. 질의 설계 쪽 문제는 이전 글 브랜드명 질의로 AI 가시성을 측정하면 안 되는 이유에서 다뤘습니다. 이 글은 나머지 절반, 출처 신뢰 쪽을 다룹니다.

논문이 제기한 문제 — 결합할 수요 측 데이터가 없다

2026년 8월 30일 공개된 프리프린트는 이 공백을 정면으로 지적합니다. 저자들은 브랜드가 AI 답변의 추천 목록에 들어가는지를 연구하려면 수요 측 데이터가 필요하다고 적습니다.

"Studying how brands enter or fail to enter that shortlist requires demand-side data: what buyers in a category ask, what information they need, and which sources they trust." — Demand-Side Measurement for Generative Engine Optimization, arXiv 2608.30023 (2026-08-30)

핵심은 그다음 문장입니다. 이미 공개된 대규모 페르소나 데이터가 있긴 하지만, 그것들은 학습 데이터의 다양성을 확보할 목적으로 만들어져 단계별 검색 의도 라벨도, 선호 출처 필드도 없습니다. 그래서 공급 측 추천 측정과 결합할 수가 없다는 것이 저자들의 진단입니다. 데이터가 부족한 것이 아니라, 결합 가능한 형태의 데이터가 없다는 지적입니다.

이 공백을 메우려고 만든 것이 PersonaGen-1M 입니다. 구성은 다음과 같습니다.

항목	규모
합성 구매자 페르소나	1,031,732건
산업 라벨	511개
시장 맥락	4종
구조화된 행동 속성	19,416,821건
그중 검색 질의	5,160,046건

구축 방식은 공개 데이터셋 4종에서 모은 약 4천만 건의 원본 페르소나 설명에 중복 제거를 적용한 뒤 고정 스키마로 정제하는 것입니다. 전체 코퍼스는 비상업적 연구에 한해 요청 시 제공되고, 층화 표본은 공개돼 프로토콜과 스키마를 직접 확인할 수 있습니다.

페르소나마다 붙은 주 의도 라벨의 분포는 이렇습니다.

의도 라벨	비중
정보형(informational)	78.3%
상업형(commercial)	17.4%
거래형(transactional)	4.3%

이 비중을 시장 수요의 측정값으로 읽으면 안 됩니다. 합성 페르소나를 만들고 라벨링한 결과이므로 "실제 구매자의 78.3%가 정보형 질문을 한다"는 뜻이 아닙니다. 이 표에서 얻을 것은 비율 자체가 아니라, 추천을 만들어 내는 상업 평가 단계의 질의가 전체 질의 가운데 소수라는 구조적 사실입니다. 측정용 질의를 아무렇게나 모으면 대부분이 정보형으로 채워지고, 정작 추천 후보군 진입을 판별하는 질의는 얼마 남지 않습니다.

preferred_sources — 질의 설계 다음의 축

이 연구에서 실무로 바로 옮길 수 있는 부분은 페르소나마다 붙은 선호 출처 필드입니다. 각 페르소나가 어떤 유형의 출처를 신뢰하는지를 이름으로 적어 둔 항목이고, 저자들이 밝힌 주 사용처는 이 필드를 인용 출처 데이터와 결합하는 것입니다.

이 결합이 성립하면 측정 질문이 한 단계 구체화됩니다. 기존 질문이 "우리가 인용됐는가"였다면, 결합 이후의 질문은 **"우리가 인용되는 출처 유형이 우리 고객이 신뢰하는 출처 유형과 같은가"**가 됩니다. 두 질문은 다른 개선 과제로 이어집니다.

• 앞의 질문에 "아니오"면 과제는 콘텐츠와 크롤 접근성입니다.
• 뒤의 질문에 "아니오"면 인용은 되고 있는데 엉뚱한 채널에서 되고 있다는 뜻입니다. 이 경우 콘텐츠를 더 쓰는 것으로는 해결되지 않고, 고객이 신뢰하는 채널 자체를 정비해야 합니다.

두 번째 상황이 실제로 관측된다는 점은 별개 분석에서도 확인됩니다. Perplexity의 응답 스트림을 관찰한 인용 선택 구조 분석에서는 질의 유형에 따라 인용 대상이 장소 정보, 영상, 1차 발표처로 각각 달라졌습니다. 인용되는 출처의 유형이 질문에 따라 이동한다는 관찰이고, 그렇다면 우리가 어느 유형에 자리 잡고 있는지가 별도 점검 대상이 됩니다.

실무로 옮기면 — 세 가지 질문

논문의 데이터를 직접 쓰지 않아도, 이 관점은 지금 있는 자료만으로 적용할 수 있습니다. 순서대로 세 가지를 확인하면 됩니다.

확인할 질문	방법	흔한 오해
우리 카테고리의 구매 검토 질문에서 우리가 후보에 포함되는가	브랜드명을 제외한 카테고리·비교 질의로 반복 측정	브랜드명을 포함한 질의의 결과를 성과로 읽는 것
AI가 우리를 소개할 때 근거로 삼는 출처는 어떤 유형인가	답변의 인용 목록을 유형별로 집계 — 공식 문서·언론·커뮤니티·리뷰·비교 콘텐츠	인용 건수만 집계하고 유형 구성을 보지 않는 것
그 유형이 우리 고객이 신뢰하는 유형과 맞는가	영업·상담 기록과 고객 인터뷰의 "어디서 보고 오셨나요"를 유형으로 정리해 대조	우리가 만들기 쉬운 채널을 고객 신뢰 채널로 가정하는 것

세 번째 항목이 이 글의 요지입니다. 앞의 두 가지는 도구로 측정할 수 있지만, 세 번째는 자사 고객 데이터가 있어야 답할 수 있습니다. 그리고 이 대조를 해 보면 인용 성과가 좋은 채널과 고객이 신뢰한다고 말하는 채널이 서로 다른 경우가 드물지 않습니다. 논문이 제기한 결합의 필요성은 여기서 실감됩니다.

RanketAI(랭킷AI)의 브랜드 가시성 분석은 이 가운데 앞의 두 가지, 즉 브랜드를 모르는 상태의 질의에서 브랜드가 등장하는지와 답변이 인용한 출처가 무엇인지를 반복 측정해 추이로 보여줍니다. 세 번째 대조는 도구가 대신할 수 없는 영역이고, 자사 상담·영업 기록과 맞대어야 완성됩니다.

이 연구를 인용할 때 지켜야 할 선 3가지

이 논문은 흥미롭지만, 그대로 인용하면 위험한 지점이 분명합니다.

1. 합성 데이터입니다. 실제 구매자 행동 관측치가 아니라 생성된 페르소나입니다. 의도 분포를 시장 통계처럼 인용하면 사실과 다른 주장이 됩니다.
2. 핵심 주장이 아직 검증되지 않았습니다. 저자들은 의도 라벨과 선호 출처를 인용 출처 데이터와 결합하는 것이 이 코퍼스의 주 사용처라고 밝히면서, 동시에 이렇게 적었습니다.

"that join is the primary intended use, and its controlled empirical estimate is future work." — arXiv 2608.30023 (2026-08-30)

즉 결합이 실제로 예측력을 갖는지에 대한 통제된 추정은 아직 제시되지 않았습니다.

1. 동료심사를 거치지 않은 프리프린트입니다. 초록 페이지에 저자 소속 표기도 없습니다. 방법론의 아이디어를 참고하는 것과 결과를 근거로 인용하는 것은 구분해야 합니다.

정리하면, 이 연구의 값어치는 수치가 아니라 문제 정의에 있습니다. 수요 측 데이터 없이는 공급 측 측정의 해석이 반쪽이라는 지적은 데이터 검증과 무관하게 성립하고, 그 지적은 지금 있는 자료로도 실행에 옮길 수 있습니다.

자주 묻는 질문

지금 당장 하나만 한다면 무엇을 해야 하나요?

최근 성사된 상담 10건에서 "어디서 보고 오셨나요"에 해당하는 답을 유형으로 정리하는 일입니다. 공식 문서인지, 언론 기사인지, 커뮤니티 글인지, 비교 콘텐츠인지만 구분하면 됩니다. 그다음 우리 브랜드가 AI 답변에서 인용될 때의 출처 유형과 맞대어 보면, 채널 정비의 우선순위가 정해집니다.

예산이 적으면 어디부터 시작해야 하나요?

측정 도구 없이도 첫 단계는 가능합니다. 브랜드명을 제외한 카테고리 질의 몇 개를 정해 두고 주요 AI 서비스에 직접 입력해 답변에 인용된 출처 목록을 기록하면 됩니다. 중요한 것은 같은 질의를 같은 방식으로 반복하는 것입니다. AI 답변은 회차마다 변동이 있어 단발 결과로는 판단하기 어렵습니다.

B2B와 B2C 가운데 어디에 더 중요한가요?

검토 기간이 길고 참여자가 여럿인 B2B 쪽에서 효과가 큽니다. 구매 결정까지 여러 사람이 각자 다른 출처를 확인하기 때문에, 신뢰하는 출처 유형의 폭이 넓고 그만큼 공백도 잘 보입니다. B2C에서도 고가·고관여 상품이라면 같은 구조가 적용됩니다.

우리 업종이 코퍼스의 511개 라벨에 없으면 못 쓰나요?

코퍼스를 직접 내려받아 쓰는 것이 전제가 아닙니다. 이 글에서 제안하는 세 가지 확인은 자사 고객 기록과 AI 답변 관찰만으로 수행합니다. 코퍼스는 "수요 측 데이터를 어떤 스키마로 정리하면 공급 측과 결합되는가"에 대한 참고 사례로 보는 편이 실용적입니다.

이 논문의 수치를 우리 보고서에 인용해도 되나요?

의도 분포 같은 수치는 시장 사실로 인용하지 않는 편이 안전합니다. 합성 코퍼스의 구성 결과이기 때문입니다. 인용한다면 "합성 페르소나 코퍼스에서의 라벨 분포"라고 성격을 밝히고, 결합의 실증이 향후 과제로 남아 있다는 점을 함께 적어야 오해가 없습니다.

함께 읽으면 좋은 글

• 브랜드명 질의로 AI 가시성을 측정하면 안 되는 이유 — 이 글이 다루지 않은 나머지 절반, 질의 설계 쪽 기준입니다.
• Perplexity는 어떤 질문에도 웹 검색을 생략하지 않는다 — 질의 유형에 따라 인용 출처의 유형이 이동하는 관찰입니다.
• 고스트 인용 — AI 인용의 62%가 브랜드를 언급하지 않는 이유 — 인용됐는데도 브랜드가 남지 않는 경우를 다룹니다.