질문 하나가 검색 12개가 된다 — 쿼리 팬아웃 시대의 하위 질문 커버리지 설계 (2026)

핵심 요약: 사용자가 AI 검색에 질문 하나를 입력하면, 엔진은 그 질문을 그대로 검색하지 않습니다. Google 검색 엔지니어링 시니어 디렉터 Dounia Berrada는 공식 블로그에서 "AI Mode는 검색 1회에 기본적으로 12개의 검색을 수행한다"고 확인했습니다(Google, 2026-03). 노출 경쟁의 단위가 "사용자가 친 질문"에서 "엔진이 만들어낸 보이지 않는 하위 질문 12개"로 바뀌었다는 뜻입니다. 이 구조가 무엇을 바꾸는지, 하위 질문이 갈라지는 두 층의 분기 구조와 함께 브랜드 관점에서 정리합니다(기준일: 2026-08-06 · ChatGPT 실측 2026-08-20 · AI Mode 사용 데이터 2026-08-23 갱신).

---

3줄 요약

• 경쟁 단위가 바뀌었습니다. AI Mode는 질문 1개를 기본 12개의 하위 검색으로 분해합니다(Google 공식 확인). 사용자 질문에서 1등이어도, 하위 질문 12개 중 내 페이지가 응답하는 것이 없으면 답변 재료 후보에 들지 못합니다.
• 하위 질문은 예측 가능한 구조로 분기합니다. 종류·비교·가격·후기의 의도 축(1차)과 기능·세그먼트·지역·정의의 속성 축(2차)입니다. 실제 목록은 비공개지만, 분기 유형은 매핑할 수 있습니다.
• 대응의 단위는 키워드가 아니라 커버리지입니다. "1페이지 = 1키워드" 사고로는 하위 질문 12개 중 1칸만 노리는 셈입니다. 하위 질문 공간을 얼마나 넓게 받아내는가가 답변 등장 확률을 결정합니다.

팬아웃, 공식 확인된 사실만 정리하면

쿼리 팬아웃(Query Fan-out)은 추측이 아니라 Google이 반복해서 공식 문서화한 동작입니다. 확인된 사실을 시간순으로 정리하면 이렇습니다.

시점	공식 확인 내용	출처
2025-05 (I/O 2025)	AI Mode가 질문을 하위 주제로 분해, 다수 검색 동시 실행. Deep Search는 수백 개까지	Google 블로그
2025-09	visual search fan-out — 이미지의 주 대상 + 세부·부수 객체까지 인식해 다중 쿼리 실행 (영어·미국 롤아웃)	Google 블로그
2026-03	"검색 1회 = 기본 12개 검색" — 검색 엔지니어링 시니어 디렉터 발언	Google 블로그
2026-05 (I/O 2026)	AI Mode 월간 사용자 10억 명 돌파 (출시 12개월)	키노트 보도
2026-05-19	AI Mode 쿼리 평균 길이 = 전통 검색의 3배 · 이미지 검색 월 40% 이상 증가 (미국 사용 데이터)	Google 블로그

"AI Mode는 우리의 query fan-out 기법을 사용합니다 — 질문을 하위 주제들로 분해하고, 사용자를 대신해 다수의 쿼리를 동시에 실행합니다(AI Mode uses our query fan-out technique, breaking down your question into subtopics and issuing a multitude of queries simultaneously on your behalf)." — Google I/O 2025 공식 발표

쿼리 자체도 팬아웃에 유리한 방향으로 변하고 있습니다. Google 데이터 사이언스 부문 부사장 Shivani Mohan 이 공개한 미국 사용 데이터에 따르면, AI Mode 검색의 평균 길이는 전통 검색 쿼리의 3배이고, 계획(planning) 관련 쿼리는 최근 6개월간 전체 AI Mode 쿼리보다 80%, 브레인스토밍 쿼리는 30% 더 빠르게 늘었습니다(Google, 2026-05-19). 질문이 길고 과업형일수록 엔진이 분해할 하위 주제가 많아지므로, 하위 질문 커버리지의 중요성은 이 방향과 함께 커집니다. Search Engine Journal 의 후속 분석도 같은 수치를 근거로 "답을 먼저 제시하는(lead with the answer)" 구조를 대응책으로 제시합니다(Greg Jarboe, 2026-08-21) — 아래 커버리지 프레임의 자기완결 단락(질문형 헤딩 직후 직접 답변)과 같은 방향입니다.

ChatGPT도 같은 계열입니다. 2025년에는 질의 복잡도에 따라 4~20개의 하위 질문으로 분기한다는 업계 보고가 있었고(Profound 2025-10, Ekamoira 재인용), 2026년 8월의 복수 실측 보고는 이 구조가 한 단계 더 확장됐음을 보여 줍니다 — 다음 섹션에서 갱신 수치로 정리합니다.

2026-08 갱신 — ChatGPT 팬아웃: 더 넓게 검색하고, 더 좁게 인용한다

Search Engine Journal 에 게재된 Lily Ray 의 분석(2026-08-18)은 복수 측정 벤더의 실측을 종합해 ChatGPT 팬아웃의 진화 방향을 수치로 정리했습니다. 측정 방법이 벤더마다 다르고(API 추출 vs 소비자 인터페이스, 유·무료 모델 티어별 차이) raw 데이터가 비공개라 개별 수치는 방향 신호로 읽어야 하지만, 신호의 방향은 일관됩니다.

지표	이전 (2025~ChatGPT 5.6 전)	2026-08 실측	측정 보고
단일 팬아웃 질의 비중	94.0%	43.5%	Peec AI
평균 검색 소스 수	약 12개	약 24개	Peec AI
프롬프트당 팬아웃 질의	2.17개	7.61개	Nectiv (4,000 프롬프트)
최장 검색 체인	4개	29개	Nectiv
site: 연산자 사용 비중	0.3%	23~64% (측정별 상이)	Peec AI · Nectiv
응답당 인용 고유 도메인	19개	15개	Lily Ray 종합

방향은 두 가지입니다. 검색은 더 넓어졌고(팬아웃 질의 3배 이상, 소스 2배) 인용은 더 좁아졌습니다(인용 도메인 19→15개, 수집된 3,554개 페이지 중 최종 답변 반영은 3.1%). 더 많이 수집하되 더 엄격하게 고르는 구조입니다.

가장 실무적인 수치는 인용 확률의 격차입니다.

초기 팬아웃 검색어에 브랜드가 언급된 경우 68.9%가 답변에 인용됐습니다. 검색 결과로만 수집된 페이지의 인용률은 2.1%였습니다. — Search Engine Journal (Suganthan Mohanadasan 측정 보고)

즉 엔진이 하위 질문을 만들 때 브랜드 이름을 함께 생성하는가가 최종 답변 인용을 크게 좌우합니다. 답변에 등장하는 것보다 앞 단계 — 팬아웃 검색어 자체에 브랜드가 포함되는 것 — 가 승부처라는 뜻입니다.

site: 연산자의 급증은 Ray 가 "E-E-A-T 화"로 해석하는 지점입니다. 법률·제도 질의는 .gov 도메인만, 후기·의견은 Reddit, 스펙·가격은 공식 브랜드 도메인으로 검색 범위를 지정하는 패턴이 관측됐습니다 — 열린 웹 전체를 평가하는 대신 신뢰 소스 목록으로 범위를 먼저 좁히는, Google 이 E-E-A-T 로 해 온 품질 큐레이션과 평행한 구조입니다. 실무 함의도 여기서 나옵니다: ① 브랜드가 카테고리와 함께 호명되는 연관(브랜드-카테고리 동시 언급)을 축적할 것 ② 핵심 사실은 자사 도메인의 크롤 가능한 HTML 에 둘 것 ③ 개별 팬아웃 질의를 하나씩 겨냥한 페이지 양산은 규모화 스팸으로 판정될 위험이 있으므로 피할 것 — 본문 아래의 "커버리지" 프레임(자기완결 단락으로 여러 하위 질문을 받아내는 구조)이 그대로 유효한 대응입니다.

해석 — 노출 결정전은 보이지 않는 곳에서 벌어진다

이 수치들이 실무에 의미하는 바는 하나입니다. 콘텐츠가 경쟁하는 전장이 사용자가 입력한 질문이 아니라, 엔진이 내부에서 만들어낸 하위 질문들이라는 것입니다.

전통 검색에서는 "중소기업 회계 서비스 추천"이라는 키워드에 페이지 하나를 최적화하면 그 키워드의 SERP에서 승부가 났습니다. 팬아웃 구조에서는 같은 질문이 내부적으로 "회계 서비스 종류", "세무사 vs 회계 SaaS 차이", "회계 서비스 요금", "1인 사업자 회계 후기" 같은 하위 검색들로 갈라지고, AI는 하위 검색 각각의 결과에서 필요한 단락(패시지)을 가져와(retrieval) 답변 하나로 합성합니다. 사용자 질문의 상위 결과에 들지 못해도 하위 질문 어딘가에서 내 페이지가 답변 재료로 선택되면 인용될 수 있고, 반대로 사용자 질문에서 아무리 강해도 하위 질문 커버가 없으면 답변에서 빠질 수 있습니다.

visual search fan-out은 이 구조가 텍스트 너머로 확장되고 있다는 신호입니다. 이미지 속 부수 객체까지 각각 쿼리가 되는 환경에서는, 제품 이미지·시각 자산의 맥락 정보(alt·캡션·구조화 데이터)도 하위 질문의 응답 대상이 됩니다.

하위 질문의 구조 — 1차 분기와 2차 분기

실제 하위 질문 목록은 비공개지만, 공개된 예시들과 실측 보고를 종합하면 분기는 두 층으로 매핑할 수 있습니다. "중소기업용 회계 서비스 추천해줘"를 대표 질문으로 놓은 예시입니다.

분기 층	축	하위 질문 예
1차 (의도 축)	종류	"회계 서비스에는 어떤 유형이 있나"
1차	비교	"세무사 기장 대행 vs 회계 SaaS 차이"
1차	가격	"회계 서비스 요금 수준"
1차	후기	"중소기업 회계 서비스 후기·평판"
2차 (속성 축)	세그먼트	"1인 사업자에게 맞는 회계 서비스"
2차	기능	"세금계산서 자동 발행 되는 서비스"
2차	지역·시장	"국내 세법 지원 여부"
2차	정의(정보형)	"기장 대행이란"

1차 분기는 사용자가 검색 여정에서 실제로 입력하는 의도 유형(카테고리 탐색·비교·구매 직전)과 거의 겹칩니다. 즉 의도별 진입 질문을 넓게 커버해 온 브랜드는 이미 팬아웃 1차 분기의 상당 부분을 커버하고 있는 셈입니다. 격차는 주로 2차 속성 분기에서 벌어집니다 — 특히 "기장 대행이란" 같은 정보형 하위 질문은 브랜드가 등장할 자리가 아니라 내 페이지가 답변 재료로 선택될 자리라는 점이 중요합니다. 브랜드 호명이 아니라 콘텐츠 존재 여부가 승부인 칸입니다.

브랜드가 가져가야 할 관점 — 키워드에서 커버리지로

실무 함의는 최적화 단위의 전환 하나로 요약됩니다. 전통 SEO의 단위가 "키워드 × 페이지"였다면, 팬아웃 환경의 단위는 **"하위 질문 공간 × 커버리지"**입니다. 특정 키워드 1등을 지키는 전략은 하위 질문 12개 중 1칸을 지키는 전략이고, 나머지 11칸이 비어 있으면 답변 합성에서 밀려날 수 있습니다.

콘텐츠 형태의 함의도 하나입니다 — 한 페이지가 여러 하위 질문에서 답변 재료로 선택되려면, 하위 질문마다 떼어내도 의미가 통하는 자기완결 단락(질문형 H2 직후의 직접 답변)으로 나뉘어 있어야 합니다. 잘 쓴 페이지보다 잘 잘리는 페이지가 선택됩니다.

다만 어느 하위 질문이 비어 있고 어디서 이미 선택되고 있는지는 감이 아니라 측정의 영역입니다. AI 답변은 시점마다 변하므로 반복 측정이 전제이고, RanketAI(랭킷AI) 등 측정 도구의 브랜드 추천 기회 분석은 고객 진입 질문을 의도 유형별로 자동 발굴해 브랜드 등장 여부를 판정하며, AI 브랜드 가시성 분석은 주요 질문에서의 인용·언급을 반복 실측합니다.

자주 묻는 질문

엔진이 실제로 만드는 하위 질문을 직접 볼 수 있나요?

아니요. Google·OpenAI 모두 하위 질문 목록을 노출하지 않습니다. "12개"도 목록이 아니라 기본 개수에 대한 공식 발언입니다. 따라서 모든 커버리지 설계는 분기 유형 기반의 근사이며, 근사의 정확도보다 "빈칸을 줄이는 방향"이 실질 가치입니다.

"1페이지 = 1키워드" 전략은 버려야 하나요?

전환이 필요합니다. 팬아웃 환경에서는 한 페이지가 여러 하위 질문을 커버할 수 있어야 답변 재료로 선택될 확률이 올라갑니다. 다만 반대 극단 — 한 페이지에 모든 의도를 어설프게 담는 것 — 도 위험합니다. 어느 하위 질문에도 강하게 매칭되지 않기 때문입니다. 페이지당 핵심 하위 질문 2~4개를 정면으로 다루는 균형이 현실적입니다.

팬아웃 검색어에 브랜드 이름이 직접 포함되게 만들 수 있나요?

직접 제어는 불가능합니다 — 하위 질문은 엔진이 생성합니다. 다만 2026-08 실측에서 초기 팬아웃 검색어에 브랜드가 언급된 경우의 인용률(68.9%)이 그렇지 않은 경우(2.1%)를 크게 앞선 만큼, 방향은 분명합니다: 카테고리와 브랜드가 함께 호명되는 연관을 웹 전반(자사 콘텐츠·외부 언급·리뷰)에 축적하는 것입니다. 엔진이 "회계 SaaS 추천"을 분해할 때 브랜드명이 포함된 하위 질문을 만들 만큼 연관이 강한가가 측정 대상이 됩니다.

롱테일 키워드 SEO와 무엇이 다른가요?

대상 공간은 겹치지만 트리거가 다릅니다. 롱테일 SEO는 사용자가 그 질문을 직접 검색할 때만 작동하지만, 팬아웃 커버리지는 사용자가 대표 질문만 입력해도 엔진이 하위 질문을 대신 실행해 주기 때문에 작동합니다. 같은 콘텐츠가 직접 검색과 내부 분기 양쪽에서 선택될 기회를 갖게 되는 것이 차이입니다.

예산이 없으면 어디부터 시작해야 하나요?

기존 페이지의 구조 정비가 비용 대비 효과가 가장 큽니다. 새 콘텐츠를 만들기 전에, 이미 있는 핵심 페이지를 질문형 H2와 자기완결 단락으로 재구성하면 같은 페이지가 응답할 수 있는 하위 질문의 수가 늘어납니다. 신규 제작이 필요하다면 정의·방법을 다루는 정보형 콘텐츠가 대개 제작 비용이 가장 낮고 답변 반영도 빠른 편입니다.

visual search fan-out까지 지금 대응해야 하나요?

한국어 시장은 아직 영어·미국 롤아웃 단계라 관망이 가능합니다. 다만 비용이 낮은 대비 — 제품·서비스 이미지의 alt 텍스트, 캡션, 구조화 데이터 정비 — 는 기존 접근성·SEO 개선과 겹치므로 미리 해 둘 가치가 있습니다.

함께 읽으면 좋은 글

• Google AI Mode 최적화 — llms.txt와 7가지 신호 — AI Mode 답변 재료 후보에 들기 위한 기술 신호 관점.
• LLM은 답변을 4단계로 만든다 — 팬아웃이 답변 생성 파이프라인의 어느 단계에서 작동하는지 전체 구조.
• 대화형 질의 시대의 콘텐츠 설계 — 질문형 H2·FAQ 구조로 여러 하위 질문을 한 페이지에서 커버하는 작성법.