1. 사이트를 고쳐도 mention이 안 오른다면

3·4편에서 RAG citation(인용, AI가 답하면서 출처 링크로 우리를 다는 것)을 올리는 법을 봤다. 우리 사이트 안에서, 우리 손으로 끝나는 작업이었다. 그런데 그걸 다 했는데도 mention(멘션, 출처 링크 없이 AI가 우리 이름만 답에 적는 것)이 여전히 약하다면 — 이건 사이트 안에서 풀리지 않는다.

이유는 단순하다. 파라미터 지식(모델이 학습 시점에 새겨 둔 지식)은 우리 페이지 하나가 아니라 웹 전체에서 만들어지기 때문이다. 우리 홈페이지도 (크롤이 막혀 있지 않다면) 학습 데이터에 들어가긴 한다. 하지만 모델이 우리를 아는 건 우리가 우리를 어떻게 설명했느냐가 아니라, 바깥 세계가 우리를 어떻게 언급하느냐의 총합이다.

여기서 흔한 오해 하나를 짚자. “GEO는 결국 홈페이지 최적화 아니냐”는 말 — 절반만 맞다. 한 연구에선 브랜드에 대해 모델이 참조하는 정보의 절반 가까이가 언드미디어(외부 매체·리뷰·커뮤니티)였고, 자기 사이트 콘텐츠는 1/4 수준이었다. 홈페이지는 ‘내가 누구인지 정확히 적어두는 곳’이지, ‘모델이 나를 알게 만드는 엔진’이 아니다. 그 엔진은 사이트 밖에 있다.

그래서 파라미터 게임은 주로 사이트 밖에서, 그리고 장기로 작동하는 완전히 다른 게임이다. 5편은 그 게임의 윤곽을 그린다. 미리 말해 두면, 여기서부터는 마케터 혼자 끝낼 수 있는 영역이 아니다.

2. RAG와 무엇이 다른가 — 세 가지 축

같은 ‘GEO’라는 이름을 쓰지만, 두 게임은 작동 방식이 다르다. 세 가지 축에서 갈린다.

RAG 게임 (3·4편)파라미터 게임 (5편)
작동 위치우리 사이트 안우리 사이트 바깥 (외부 세계)
시간 스케일수일~수주 (색인되면 반영)수개월~1년+ (재학습·배포 지연, 추정)
측정 흔적citation — URL이 있다mention — URL이 없다
작업 주체마케터·콘텐츠팀PR·브랜딩·외부 홍보

위치가 다르다. RAG는 AI가 답할 때 우리 사이트를 직접 검색해 가져가는 작업이라, 우리 페이지를 고치면 된다. 파라미터는 모델이 이미 학습한 기억이라, 우리 페이지 바깥 — 다른 사이트, 미디어, 커뮤니티 — 에서 우리가 어떻게 언급됐는지가 재료다.

시간이 다르다. RAG는 페이지를 고치고 색인되면 며칠 안에 답에 반영될 수 있다. 파라미터는 다르다 — 모델 버전은 요즘 몇 주 단위로 쏟아지지만, 그 빠른 출시의 상당 부분은 추론·코딩 능력 개선이지 세상을 새로 학습하는 게 아니다. 모델이 아는 시점(학습 컷오프)은 출시일보다 보통 수개월 뒤처져 있어서, 우리가 외부에 쌓은 게 모델의 기억에 닿기까지는 수개월에서 1년 이상 걸린다(추정).

측정이 다르다. citation은 URL이 붙으니 어느 페이지가 잡혔는지 셀 수 있다. mention은 URL이 없다 — AI가 그냥 우리 이름을 안다. 그래서 “왜 우리를 아는지”를 페이지 단위로 역추적할 수 없고, 이게 파라미터 게임의 측정을 어렵게 만드는 지점이다.

여기서 당연한 반문이 나온다 — 어차피 외부에 콘텐츠가 깔리면 RAG가 바로 쓰든 파라미터가 나중에 학습하든, 소비자가 AI 답변에서 우리를 보는 건 똑같지 않나?

절반만 맞다. 외부 노출은 분명 두 게임에 동시에 들어간다. 하지만 사용자가 검색을 강제하지 않는 한, AI는 스스로 검색 여부를 정한다 — 그리고 대부분의 사용자는 그냥 물어본다. 한 클릭스트림 분석에서 ChatGPT가 검색을 켠 비율은 2026년 2월 기준 34.5%였고(2024년 말 46%에서 하락), 브랜드·제품 질의만 보면 약 58%가 검색 없이 학습된 기억만으로 답했다. (현재 모델 세대 기준이며 추세는 바뀔 수 있다.)

검색이 꺼진 그 답변에서는, 외부에 아무리 신선한 기사가 있어도 모델이 가져오지 않는다. 거기 등장하는 건 모델의 기억에 있는 브랜드뿐이다. RAG는 약한 파라미터를 대신 메워주지 못한다 — 그래서 두 게임은 소비자 입장에서도 같지 않다.

3. 파라미터 작업은 어디서 벌어지나 — 4개 영역

그럼 “외부에서 만들어진다”는 게 구체적으로 어디인가. 작업 영역은 크게 네 군데다. 여기서는 각 영역이 무엇이고 왜 작동하는지까지만 본다. “정확히 어떻게 실행하나”는 난이도가 확 올라가는 별도 영역이다.

(1) 권위 매체 노출. AI 학습 데이터에 들어갈 가능성이 높은 매체 — 주요 언론, 업계 표준 사이트, 위키류 — 에 우리가 언급·기고·인용되게 하는 것. 논리는 명확하다. 모델은 학습 데이터에 자주, 그리고 신뢰도 높은 맥락에서 등장한 것을 “안다.” 우리 블로그에 백 번 쓰는 것보다, 권위 매체에 한 번 실리는 게 파라미터에는 더 강하다.

(2) 엔티티 정규화. 엔티티(entity, AI가 하나의 ‘실체’로 인식하는 단위)로 우리 브랜드가 정리되는 것 — Wikidata, 구글 Knowledge Panel 같은 곳에 하나의 항목으로 자리 잡는 일이다. AI가 “이 이름은 하나의 회사다”라고 확정하지 못하면, 우리에 대한 mention 자체가 흐릿해진다. 이름을 아는 것과, 그 이름이 무엇인지 아는 것은 다르다.

(3) 외부 채널 일관성. 어디서 보든 같은 브랜드명, 같은 한 줄 설명이 나오는 것. 회사 소개가 채널마다 다르게 흩어져 있으면, 모델은 그것들을 같은 실체로 묶지 못하거나 엉뚱하게 묶는다. 일관성은 (2)의 정규화를 돕는 기초 공사다.

(4) 자연 멘션 환경. 사람들이 자발적으로 우리를 입에 올리는 환경 — 커뮤니티, 후기, 기사, 영상. 이건 브랜드 검색량과 직결되고, 다음 섹션에서 보겠지만 파라미터 게임에서 가장 강한 신호다. 돈으로 한 번에 사기 가장 어려운 영역이기도 하다.

네 영역의 공통점이 보일 것이다 — 전부 우리 사이트 밖에 있다. 그리고 robots.txt 한 줄, 헤딩 하나 고치는 것과는 차원이 다른, 시간과 외부 관계가 드는 일이다.

4. 숫자로 본 파라미터 신호

이게 ‘느낌’이 아니라 측정된 결과라는 걸 숫자로 확인하자.

GEO 분석 도구 회사 ConvertMate가 2026년 1월 발표한 연구(인용 8,000만 건 이상, 도메인 10,000개 이상 분석)에서, 브랜드 검색량과 AI 가시성의 상관계수는 0.334였다 — 측정된 단일 변수 중 가장 높았다. 사람들이 우리 이름을 많이 검색할수록, AI가 우리를 더 자주 답에 적는다는 뜻이다.

여기서 정직하게 짚을 게 있다. ConvertMate는 GEO 툴 회사이고, 이건 자사 데이터로 낸 연구다 — 1편에서 인용한 Princeton 논문 같은 학술적 독립성과는 다르다. 그래서 독립된 교차검증을 같이 본다.

한 독립 연구가 2025년 12월 75,000개 브랜드를 따로 분석한 결과, 브랜드 웹 언급량의 상관계수는 0.664로 더 강하게 나왔고, 전통 SEO의 핵심이던 백링크는 0.218에 그쳤다. ChatGPT만 떼어 본 브랜드 검색량 상관계수도 0.352로, ConvertMate의 0.334와 거의 겹쳤다.

두 회사, 다른 데이터, 같은 방향. 정리하면 이렇다 — AI 가시성을 가장 잘 예측하는 신호는 백링크가 아니라 ‘우리 사이트 밖에서 우리 이름이 얼마나 오르내리는가’다. (현재 모델 세대 기준의 경향이고, 상관관계가 곧 인과는 아니다. 그래도 방향은 분명하다.)

5. 이 게임의 주인은 마케터가 아니다

여기서 의사결정자가 알아야 할 게 하나 있다. 3·4편과 5편은 담당 부서가 다르다.

3·4편의 RAG 작업 — 페이지 고쳐 쓰기, 구조 잡기 — 은 마케터·콘텐츠팀이 직접 할 수 있다. 우리 사이트 안의 일이니까. 하지만 4개 영역에서 봤듯, 파라미터 작업은 권위 매체 관계, 브랜드 노출, 외부 채널 관리다. 이건 본질적으로 PR이고, SEO가 아니다.

그래서 “AI에 우리 브랜드가 안 보인다”는 같은 증상이라도, RAG 쪽이면 콘텐츠팀에, 파라미터 쪽이면 PR·브랜딩팀에 일이 간다. 처방이 완전히 다른 부서로 향한다는 뜻이다. 어느 쪽이 약한지 먼저 가려내지 않으면 엉뚱한 팀이 엉뚱한 일을 하게 되고, 2편의 mention/citation 분리 측정이 그래서 출발점이 된다.

6. 시간 누적의 함정 — 신생 브랜드의 딜레마

마지막으로, 파라미터 게임에는 신생 브랜드를 괴롭히는 구조적 함정이 있다.

앞서 봤듯, 파라미터가 모델의 기억에 반영되기까지는 보통 수개월에서 1년 이상 걸린다(추정). 게다가 단발 언급으로는 부족하고, 여러 출처에 반복돼 쌓여야 학습된다. 그런데 신생 브랜드는 지금 당장 AI 답변에 보이고 싶다. 시간이 없는데, 이 게임은 시간을 요구한다.

여기서 두 게임을 동시에 굴려야 하는 진짜 이유가 나온다. 단기는 RAG에 집중하고(우리 사이트 안에서 며칠 단위로 citation을 만들 수 있으니까), 장기는 파라미터를 병행한다(나중을 위해 지금부터 외부 노출을 쌓는다). 둘 중 하나만으로는 부족하다 — RAG만 하면 mention이 영영 안 오르고, 파라미터만 하면 당장 보이지 않는다.

7. 두 게임을 다 했다면, 끝인가

여기까지 오면 RAG도, 파라미터도 손볼 곳을 알게 된다. 그럼 끝일까.

아니다. 한 가지가 남는다 — 우리가 자가 진단으로 볼 수 있는 것에는 한계가 있다. 같은 질문을 다른 날 던지면 답이 달라지고, 50개 답변을 세어 본 게 충분한 표본인지 알 수 없고, “AI 봇이 실제로 우리 사이트에 들어왔는가”는 직접 확인되지 않는다. 두 게임을 다 안다고 해서, 두 게임을 정확히 측정할 수 있는 건 아니다.

다음 편(6편, 7월 17일)에서 그 한계를 본다 — 자가 진단으로 보이지 않는 세 가지.

이 글의 한 줄

mention이 약한 건 사이트를 고쳐 풀리지 않는다. 파라미터 게임은 주로 사이트 밖에서(권위 매체·엔티티·외부 채널·자연 멘션), 수개월~1년 이상에 걸쳐 작동하는 다른 게임이다 — 데이터도 ‘AI 가시성의 최강 예측 변수는 백링크가 아니라 외부의 브랜드 언급’이라고 가리킨다. 게다가 AI는 검색을 강제하지 않으면 답변의 다수를 기억(파라미터)만으로 만든다. 주체는 마케터가 아니라 PR이며, 신생 브랜드는 단기 RAG와 장기 파라미터를 동시에 굴려야 한다.

참고 자료