SEO를 버리고 '관련성 엔지니어링'으로: 2026년 AI 검색을 지배하는 12가지 전략

핵심

SEO 업계는 더 이상 작동하지 않는 검색 방식에 집착해왔다. AI 검색은 제목 태그 길이나 키워드 분산처럼 기존 페이지 수준 최적화가 아니라, AI 시스템이 질문을 분해하고 가장 관련 있는 정보를 추출·비교하여 답변하는 방식으로 작동한다. Mike King은 이를 **'관련성 엔지니어링(Relevance Engineering)'**이라는 새로운 프레임워크로 부르자고 제안한다.

1부: AI 검색의 작동 원리

AI 검색과 SEO의 근본적 차이

• 가장 큰 오해: "AI 검색은 그냥 SEO다"라는 주장
  • AI 검색은 SEO가 해온 일을 확장하지만, 작동 방식이 다르다
  • AI 시스템은 쿼리 팬아웃(query fan-out), 에이전틱 RAG(agentic RAG), 의미론적 검색(semantic retrieval) 같은 기법으로 질문을 분해하고 문구를 평가한 뒤 어떤 정보를 표면화할지 결정한다

검색의 진화 단계

지난 10년간 검색은 세 단계를 거쳤다:

• 어휘론적 검색(Lexical search): 단어의 존재와 분포에 주목
• 의미론적 검색(Semantic search): 머신러닝으로 의미 이해
• 하이브리드 검색(Hybrid search): 둘을 결합한 후 상호 순위 융합(RRF, Reciprocal rank fusion) 같은 프로세스로 재순위화

문제: 대부분의 SEO 워크플로우는 여전히 어휘론적 모델 중심이지만, 현대 검색은 이미 의미론적·하이브리드 방식이다. AI 검색은 이 진화를 가속화한다. 페이지를 순위매기지 않고, 추출·비교·답변에 사용할 가장 관련 있는 정보 조각을 찾는다.

구글의 AI 최적화 가이드에 대한 입장

King은 구글의 "대부분의 AI 최적화 전략은 불필요하다"는 가이드에 동의하지 않는다고 밝혔다:

• 구글의 지침은 자기 기업에 유리하고 순진한 조언이다. 단일 플랫폼의 권장사항이 전체 검색 생태계를 설명할 수 없다
• ChatGPT, Perplexity, Claude 각 시스템은 정보를 검색·평가·표면화하는 방식이 모두 다르다
• "논댓대 콘텐츠를 만들어라"라는 조언에는 동의하지만, 그 외 구글의 공개 지침은 이들 시스템이 실제로 어떻게 작동하는지 설명하지 못한다
• 구글은 과거 공개적으로는 다른 말을 하면서 시스템 실제 동작은 다른 역사가 있다

AI 검색은 SEO의 확장이지만 별개로 다뤄야 함

• AI 검색은 SEO의 확장이면서도 충분한 수준의 단계별 차이가 있어서 별개로 취급해야 한다
• "모든 전술이 완전히 새로운 건 아니다" — 일부는 겹친다 (예: 디지털 PR, 링크빌딩, 영업 아웃리치, 펀드레이징은 유사한 움직임을 사용하지만, 같은 분야가 아니라고 여겨진다)
• 문제점: "그냥 SEO다"라고 하면, 팀들이 새로운 것에 열려 있는 순간에 이 일을 작게 만든다. AI 검색이 구 SEO의 인식에 갇혀 잠재력이 제한된다
• AI 검색이 제대로 된 예산, 도구, 팀, 전략적 소유권을 얻으려면 새로운 이름이 필요하다

2부: AI 검색을 위한 콘텐츠 작성 및 구조화

쿼리 팬아웃을 고려한 콘텐츠 작성

쓰기 문제만 아니다: AI 시스템은 웹사이트 글만 평가하지 않는다. 동영상, 소셜 콘텐츠, 언론 언급, 공유 자산까지 전체 콘텐츠 생태계를 고려한다.

목표: 원자성(Atomicity)

• 각 문단은 한 가지 명확한 아이디어에 집중하되, 여러 주제를 섞지 않는다
• 쿼리 팬아웃은 질문을 여러 관련 검색으로 분해하고, 결과에서 가장 관련 있는 문구를 추출한다
• 그 문구들은 코사인 유사도(cosine similarity) 같은 거리 측정법으로 관련도를 점수화한다
  • 코사인 유사도: 두 텍스트가 벡터 공간에서 얼마나 가까운 각도를 이루는지로 의미 정렬도를 측정 → 좁게 초점화된 문구가 여러 주제를 다루는 문구보다 높은 점수를 받는다

좋은 접근법: 각 문구를 쉽게 분리·이해·추출하여 답변에 포함시킬 수 있게 만들기

• 명확한 제목 사용
• 답변을 제목 바로 아래 배치
• 각 문단은 한 가지 아이디어에만 집중
• 유용한 데이터 포인트 포함
• 관계를 명확히 하는 의미론적 트리플(semantic triple) 사용

엄청난 규모의 콘텐츠 라이브러리를 가진 엔터프라이즈 사이트의 콘텐츠 유지

AI에 의존하되, 처음부터 체크와 균형을 구축하라:

• 확장 가능한 방식: RAG 파이프라인 (콘텐츠를 생성하는 함수 + 비판하는 함수)
  • 비평자가 문제를 지적하면 초안이 생성 함수로 돌아가고, 콘텐츠가 기준을 충족할 때까지 루프 반복
• 파이프라인을 자체 데이터 인덱스 위에 구축:
  • 법적 문서, 내부 콘텐츠, 제품 데이터, 고객 데이터, 브랜드 가이드라인, 주제 전문성
• AI는 업데이트 필요 사항 파악, 변경사항 초안 작성, 내부 기준에 맞는지 검토에 활용
• 인간이 담당: 판단, 전략, 최종 품질 관리

검토 없이 AI 생성 콘텐츠를 대규모로 게시하면 안 된다:

• 트래픽은 처음엔 급증하지만 결국 붕괴한다
• 구글이 생성형 콘텐츠를 안정적으로 감지해서 강등하진 못한다
• 대신 신규 콘텐츠는 임시 사이트 품질 점수를 받아서 단기간 부스트된다
• 시간이 지나 구글이 사용자 신호(체류 시간, 클릭률 등)를 보고 콘텐츠 품질이 좋지 않으면 점수가 떨어지고 트래픽도 감소한다
• 본질적으로 UX 문제이지 생성 AI 문제가 아니다

JavaScript와 AI 가시성

JavaScript는 Google·Bing에서는 주요 이슈가 아니지만, ChatGPT·Perplexity 같은 AI 시스템에서는 치명적이다 — 이들은 JavaScript를 렌더링하지 않으므로, 클라이언트 측에서 JavaScript로 제공되는 것은 보이지 않는다.

Vercel 분석 결과: 많은 AI 크롤러는 원본 HTML을 가져오지만 JavaScript는 렌더링하지 않는다.

브랜드가 고려해야 할 점:

• HTML에서 제공할 것 vs JavaScript에만 남길 것을 신중히 선택
• iPullRank의 Context Parity Explorer (무료 도구): URL을 입력하면 Googlebot, AI 봇, 일반 브라우저가 실제로 보는 것을 보여준다
• AI가 봐야 하는 콘텐츠 (원본 HTML에 포함): 핵심 제품 세부사항, 설명, 답변, 데이터 포인트, 브랜드·오퍼링 설명
• 경쟁사나 AI 스크래퍼로부터 보호하려는 콘텐츠: JavaScript로 렌더링하면 JavaScript를 실행하지 않는 환경에서 추출이 어려워져 가시성이 줄어든다

3부: 영향 측정

AI 검색 영향 측정 방식

iPullRank가 한 고객사를 위해 관련성 엔지니어링으로 260만 달러의 추가 가치를 창출했다. 이 수치는 추천 트래픽에서 나온 것이지만, AI 검색 측정은 여기서 멈춰선 안 된다.

AI 검색 영향을 세 가지 버킷으로 분류:

1. 입력 지표(Input metrics): 직접 영향을 미칠 수 있는 레버

   • 쿼리 팬아웃 순위, 문구 관련도 점수, 봇 활동 추적
   • 작업이 AI 가시성을 먹여 사는 신호를 개선하는지 파악

2. 채널 지표(Channel metrics): AI 검색 환경 내 브랜드 가시성

   • 음성 점유율(share of voice), 인용 비율, 인용 감정, 인용 정확도

3. 성과 지표(Performance metrics): AI 추천 트래픽이 사이트에 도달한 후 성과

   • 전환, 매출, 리드 품질, 그 트래픽과 연계된 모든 비즈니스 결과

각 계층이 다음 계층을 먹여 사는 구조: 입력 지표 → 채널 지표 → 다운스트림 성과

4부: 관련성 엔지니어링

관련성 엔지니어링 프레임워크가 중요한 이유

King이 '관련성 엔지니어링'이라는 용어를 만든 이유:

• SEO가 해온 일과 AI 검색이 지금 요구하는 것 사이의 명확한 괴리가 있기 때문
• 관련성 엔지니어링은 정보 검색(information retrieval), 콘텐츠 전략, AI, 디지털 PR, UX의 교점에 위치한다
  • 의도적으로 SEO는 목록에 포함하지 않음: 일부 SEO는 이 분야가 어떻게 실제로 작동하는지 이해하지 않고도 좋은 성과를 낼 수 있다 (정규표현식이나 301 리다이렉트 설정은 체크리스트 스킬이지, 웹이 어떻게 작동하는지를 말해주지 않는다)
• ChatGPT, AI Overviews, 기타 AI 검색 경험 뒤의 많은 시스템에는 오픈소스 등가물이 있다 — 이들의 세부사항을 이해하고 실제 작동 방식을 반영한 전략을 수립할 기회다

AI 검색과 SEO를 분리해야 하는 이유:

• SEO 작업이라고 레이블 붙으면 체크리스트 항목으로 취급된다 (메타 태그, 무료 트래픽, 한구석 사람이 다른 사람 실수 치우기)
• 다른 이름으로 부르면 백지 상태다 — 처음부터 제대로 자금을 지원받는 크로스펑셔널 팀을 만들 수 있다

이상적인 관련성 엔지니어링 팀 구성

최소한 각 분야를 담당할 사람들이 필요:

• AI를 이해하는 엔지니어
• 콘텐츠 전략가
• UX 전문가
• 디지털 PR 전문가
• SEO 경험자

주목할 점: SEO 경험은 여전히 중요하지만, 자신의 자리를 가질 필요는 없다. 점점 더 엔지니어가 SEO로 경력을 시작해 기술 스킬셋을 쌓은 사람이 맡는다. SEO는 여전히 AI 검색 작업을 주도할 최적의 위치에 있고, 대부분은 이 환경에 맞춰 기술만 업스킬하면 된다.

5부: 오프사이트 전략과 브랜드 내러티브

AI 검색에서의 디지털 PR 가치

"디지털 PR"은 링크빌딩을 의미하지 않는다:

• 가치: AI 시스템이 이미 신뢰할 만하다고 여기는 사이트에 브랜드, 메시지, 전문성이 다루어지는 것
• AI 시스템은 무엇을 신뢰할지 결정할 때 합의와 권위를 찾는다
• 자신의 사이트, 뉴스 매체, 파트너 콘텐츠에 메시지가 나타나면, 쿼리 팬아웃 내에서 같은 답변을 검증하는 여러 인스턴스가 생긴다
• 디지털 PR은 링크보다 배치와 언급에 집중해서 AI 시스템이 브랜드를 설명할 때 사용하는 내러티브에 영향을 미친다

6부: 검색의 미래

5년 뒤 AI 모드: 구글이 존재할까?

• 구글은 존재하지만, 검색은 우리가 가는 '장소'에서 우리가 쓰는 모든 것에 '내장된 기능'으로 변모한다
• King은 구글이 생성형 검색 경쟁에서 가장 유리한 위치에 있다고 본다
• 검색 경험은 훨씬 다르게 보일 것이다
  • 영화 Her 같은 "앰비언트(ambient)" 느낌으로 이동 — 정보가 적극적으로 당신에게 온다. 검색창에 질문을 입력할 때까지 기다리지 않는다
  • 검색 마케터로서 불안하지만, 사용자로서는 흥미롭다. 이것이 우리가 살고 싶은 세상이기 때문이다

AI 가시성을 위한 가장 과소평가된 기술적 조치

페이지 속도:

• 구글에는 이미 인덱스가 있으므로 필수는 아니다
• 하지만 ChatGPT·Perplexity 같은 시스템은 실시간으로 페이지를 요청한다. 페이지가 너무 느리면 건너뛰어져서 부적격이 된다
• 로그 파일에 499 응답으로 나타난다 (고전 HTTP 사양에 없는 코드; 클라이언트가 서버 응답 완료 전에 요청을 닫음)
• 가장 빠른 해결책: CDN을 통한 엣지 캐싱. 콘텐츠 검색을 쉽게 해서 AI 시스템이 실시간 접근과 활용 가능성을 높인다

결론: 관련성 엔지니어링은 SEO가 언제나 필요했던 업그레이드

SEO는 오래된 정의에서 벗어나 자라왔고, AI 검색은 그 괴리를 무시할 수 없게 만들었다. 관련성 엔지니어링은 이 괴리를 메운다 — 이 일에 이름, 팀, 그리고 필요한 예산을 부여함으로써. 다만 SEO 전문가들이 검색의 이 다음 단계를 주도할 가장 적절한 위치에 있고, 실행 방식은 크로스펑셔널 관련성 엔지니어링 팀을 꾸리는 것이다.