"왜 우리 브랜드는 ChatGPT나 AI 오버뷰에서 언급이 안 될까?"
요즘 마케터들 사이에서 가장 많이 나오는 질문 중 하나입니다. AI 검색이 일상화되면서 내 브랜드가 AI의 추천 목록에 오르는 것이 새로운 SEO 전쟁터가 됐어요.
그런데 이게 운이 아닙니다. AI가 어떤 브랜드를 추천하는지는 10개의 관문으로 이루어진 파이프라인을 통과하는 과정에서 이미 결정됩니다.
오늘은 Jason Barnard가 제시한 AI 엔진 파이프라인 DSCRI-ARGDW 프레임워크를 마케터 시각에서 풀어드립니다.
🔎 무엇이 바뀌었나요?
기존 SEO는 크롤링–인덱싱–랭킹–노출이라는 4단계 파이프라인을 전제로 최적화해왔습니다. 하지만 AI 검색에서는 콘텐츠를 골라 담고(선별), 의미를 파악하고(해석), 사실성을 확인하고(검증), 답변으로 압축해 인용하는(요약·인용) 단계가 성패를 좌우합니다. 이젠 기존의 파이프라인만으론 현실을 설명하기 어렵습니다. 그래서 Jason Barnard는 AI가 콘텐츠를 추천하는 과정을 10개의 독립적인 관문으로 세분화했습니다.
DSCRI (인프라 구간) — 봇을 위한 관문
Discovered: 봇이 내 존재를 인식
Selected: 봇이 크롤할 가치가 있다고 판단
Crawled: 봇이 콘텐츠를 실제로 가져옴
Rendered: 봇이 가져온 콘텐츠를 읽을 수 있는 형태로 변환
Indexed: 알고리즘이 콘텐츠를 메모리에 저장
ARGDW (경쟁 구간) — 알고리즘과 사람을 위한 관문
Annotated: 콘텐츠의 의미, 신뢰도, 주제를 분류
Recruited: 검색엔진·지식그래프·LLM에 흡수
Grounded: AI가 실시간으로 콘텐츠 신뢰도를 교차 검증
Displayed: 사용자에게 노출
Won: 사용자가 최종 선택
그리고 이 10개 관문 이후엔 브랜드 몫의 11번째 관문, Served(전환 후 경험)가 있습니다. 이 경험이 다음 사이클의 신뢰도를 결정합니다.
핵심은 이겁니다. DSCRI는 절대적 기준(통과/실패), ARGDW는 상대적 기준(경쟁 대비 우위) 입니다.
❓ 마케터가 알아야 하는 이유
"AI에 우리 브랜드가 왜 안 뜨지?" 이 질문에 대부분의 팀은 콘텐츠 품질을 의심하거나, AI 트래킹 툴 숫자를 들여다봅니다. 하지만 그게 답이 아닌 경우가 훨씬 많아요. 진짜 원인은 훨씬 앞 단계에 있습니다.
① AI 노출(Display)은 결과이고, 원인은 그 이전에 있다
대부분의 AI 추적 도구는 디스플레이 영역에서 작동합니다. 그런데 그 시점엔 이미 업스트림에서 모든 결정이 난 상태예요. 노출이 들쑥날쑥한 브랜드는 대체로 세 가지 중 하나입니다. 수집 단계(Selected/Crawled/Rendered)에서 흔들리거나, 분류·채택 단계(Annotated/Recruited)에서 경쟁사에 밀리거나, 실시간 검증(Grounded)에서 확신을 못 쌓는 경우입니다. 그래서 관습대로 디스플레이만 보고 있으면 진짜 원인을 놓치기 쉽습니다.
② 신뢰도는 합산이 아니라 곱셈으로 작동한다
각 관문에서 조금씩만 새도 최종 생존 신호는 급격히 줄어듭니다. 관문별 확신도가 90%여도 최종은 34.9%, 단 하나의 관문이 50%로 떨어지면 19.4%, 10%면 사실상 0에 가까워집니다. 9개를 잘해도 1개의 F가 전체를 망치는 구조예요. 그래서 지금 방치된 6개의 관문(가장 약한 관문부터)을 하나씩 끌어올리면 ROI가 상승할 수 있습니다.
③ 가장 큰 효율은 관문 '개선'이 아니라 '우회(스킵)'에서 나온다
봇이 찾아와 긁는 풀(Pull) 방식은 DSCRI의 모든 관문을 거치며 매 단계에서 손실 가능성이 생깁니다. 반면 사이트맵·구조화 데이터·피드처럼 정리된 데이터를 직접 푸시하면 인프라 관문 일부 또는 전부를 우회해 경쟁 구간으로 바로 진입할 수 있어요. 줄을 서지 않고 들어가는 것, 그게 초반 신뢰도 손실을 가장 크게 줄이는 방법입니다.
④ 대부분의 팀이 놓치는 결정적 관문은 Annotation이다
AI가 내 콘텐츠를 어떤 주제로 이해하고, 어떤 엔티티에 연결하며, 어떤 주장으로 라벨링할지가 Annotation에서 결정됩니다. 이 단계가 흔들리면 이후의 Recruited·Grounded·Display 최적화는 근본적으로 힘을 잃어요. 그래서 콘텐츠를 라벨링하기 쉬운 형태, 즉 정의→결론→근거 순서, 명확한 엔티티 표기, 검증 가능한 사실 중심으로 설계하는 게 우선입니다. 대부분의 팀은 이 관문을 아예 건드리지 않고 있어요.
🔭 연의 인사이트
기존 SEO 4단계 모델은 AI 검색에서 더 이상 충분하지 않습니다. 10개 관문 프레임워크로 진단 수준을 높여야 해요.
Annotation 관문이 파이프라인의 핵심 경첩입니다. AI가 내 브랜드를 '무엇'으로 이해하는지가 여기서 결정되고, 이후 모든 관문이 이 정보를 물려받습니다.
관문을 개선하는 것(점진적 향상)과 관문 자체를 건너뛰는 것(구조화 피드, MCP)은 차원이 다른 전략입니다. 뛰어넘을 수 있다면 뛰어넘으세요.
AI 추천에서 이기는 것은 "완벽한 콘텐츠"가 아니라 "경쟁사보다 덜 나쁜 것"에서 시작합니다. 가장 약한 관문을 먼저 찾으세요.
✔️ 마케터 실행 전략
0단계: 발견(Discovery) — “존재를 학습시키는 단계”
목표: 시스템이 우리 브랜드를 ‘공식 엔티티’로 확실히 인식하고, 중요한 콘텐츠가 누락 없이 발견·수집되도록 만들어 초반 단계(발견/선택)에서 생기는 노출 누수를 줄입니다.
실행 전략
엔티티 홈 만들기
시스템은 “URL이 존재하나?”보다 “이 URL이 신뢰할 만한 엔티티(공식 브랜드)에 속하나?”를 더 중요하게 봅니다. 엔티티 홈이 있으면 시스템이 브랜드의 공식 정보를 한 번에 이해하고 사이트 안의 페이지들을 같은 브랜드 소속으로 묶기가 쉬워집니다.
고립 콘텐츠 제거
고립된 콘텐츠는 시스템이 발견하기 어렵고 설령 발견하더라도 우선순위에서 밀릴 수 있습니다. 반대로 허브에서 내부링크로 연결하면 크롤러가 따라갈 경로가 명확해지고 “브랜드의 핵심 콘텐츠”라는 맥락이 함께 전달되어 더 자주, 더 안정적으로 수집될 확률이 올라갑니다.
푸시 레이어 준비
풀 방식은 서버/속도/렌더링/차단 같은 변수에 따라 수집이 불안정하고, HTML 추출 과정에서 정보가 깨지거나 누락될 수도 있습니다. 반면 사이트맵/구조화 데이터/피드처럼 “정리된 데이터”를 제공하면 일부 단계(S-C-R-I)를 완전히 건너뛰어 콘텐츠 손실을 최소화할 수 있습니다.
1단계: (검색: Selected–Crawled–Rendered) — “봇에서 마찰 Zero”
주요 청중: 봇
목표: 페이지가 안전하게, 빠르게, 끝까지 읽히도록 만들기
실행 전략
선택(Selected)
시스템은 엔티티 신뢰도·최신성·크롤 예산·가치 대비 비용 같은 신호로 “크롤링할 가치가 있나”를 먼저 판단해 우선순위를 정합니다. 이때 크롤링 전에 이미 브랜드에 대한 ‘평판/의견’이 있고, 그게 얼마나 많은 페이지를 볼지에 영향을 줍니다.
크롤링(Crawled)
서버 응답 속도, robots.txt, 리다이렉트 체인 같은 테크니컬 SEO 기본기가 중요합니다. 또한, 봇은 어떤 페이지에서 링크를 타고 왔는지 그 맥락이 유지되기 때문에, 허브/관련 글처럼 맥락이 강한 페이지에서 내부링크로 유입되면 “중요하고 적합한 페이지”로 판단돼 수집에 유리해집니다
렌더링(Rendered)
봇은 “필요하면” JS를 실행해 DOM(알고리즘이 읽을 페이지)를 생성합니다. 따라서 봇이 JS를 실행하지 않거나 DOM 파싱이 깨지면 콘텐츠가 보이지 않거나 가치가 크게 떨어집니다. ****렌더링에서 손실된 콘텐츠는 이후 단계에서 복구되지 않고, 초반 손실 그대로 끝까지 영향을 주기 때문에, 핵심 콘텐츠를 “처음부터 HTML에 포함”시키는 방식이 가장 안전합니다. [SSR & SSG]
2단계: (저장: Indexed–Annotated–Recruited) — “알고리즘이 기억할 가치”
주요 청중: 알고리즘
목표: 저장해도 손실이 적고, 의미가 분명하며, 경쟁 콘텐츠보다 “채택 가치”가 높게 만들기
실행 전략
인덱싱(Indexed)
렌더링된 DOM은 그대로 저장되지 않고, 내부 포맷으로 변환되며, 이 과정에서 반복 요소는 제거되고 본문은 블록 단위로 쪼개져 저장됩니다. 이때 핵심 본문 식별이 어렵거나 구조 분할이 엉키면 의미가 손실되기 쉽습니다. 그래서 시맨틱 구조와 깔끔한 블록 구성으로 변환 손실을 줄이는 것이 중요합니다.
주석(Annotated)
주석은 저장된 콘텐츠에 붙는 의미 라벨(포스트잇)로, “주제/소속 엔티티/주장/유용성/신뢰(경험·전문성·권위·투명성)” 같은 판단이 여기서 이뤄집니다. 문제는 렌더링·인덱싱에서 정보가 깨지면 주석도 손상된 데이터로 라벨링된다는 점이에요. 따라서 페이지 상단에 정의→결론→근거(출처/수치/정책/사례)를 고정해 ‘라벨링하기 쉬운’ 형태로 만들어야 합니다.
채용(Recruited)
여기서부터는 경쟁 구간입니다. 시스템은 다른 콘텐츠와 비교해 우리 글을 유지/채택할 가치가 있는지 결정합니다. 특히 검색, 지식그래프, LLM 세 경로에서 동시에 채용되면 이후 검증·노출 경로가 늘어 일관된 가시성에서 구조적 이점을 얻습니다. 그래서 비교표/체크리스트/FAQ/핵심 요약 박스처럼 AI가 그대로 가져다 쓰기 쉬운 포맷으로 “채용 비용”을 낮추는 게 유리합니다.
3단계: (실행: Grounded–Displayed–Won) — “엔진이 선택하고 사람이 행동”
주요 청중: 엔진 + 사용자
목표: 실시간 교차검증(grounding)을 통과하고, 실제로 선택/클릭/행동이 나오는 수준의 설득력 만들기
실행 전략
근거 검증(Grounded)
사용자가 질문하면 LLM은 먼저 자체 확신도를 점검하고, 부족하면 팬아웃 질의를 통해 실시간으로 추가 정보를 수집합니다. 이때 근거는 단순 검색 결과만이 아니라 지식 그래프 같은 구조화된 사실도 함께 활용됩니다. 따라서 우리 콘텐츠가 Indexed ·Annotated가 중요하게 작동하며, 이에 따라 검색 결과 풀 진입이 결정됩니다.
표시(Displayed)
디스플레이는 AI가 사용자에게 결과를 보여주는 “출력”단계로, 이 시점엔 이미 앞 단계(검색~저장~검증)에서 누가 후보가 될지 결정된 뒤입니다. 그래서 디스플레이만 측정하면 원인을 놓치기 쉽습니다.
승리(Won)
Won은 시스템이 축적한 신뢰를 바탕으로 “이 브랜드를 선택해도 되는가”를 판단하는 최종 관문입니다. AI 결과는 점점 여러 옵션 나열(불완전 클릭) → 하나를 추천(완벽한 선택) → 에이전트가 실행(에이전트 클릭)으로 진화하고 있어, 브랜드는 비교·설득·행동까지 이어지도록 결정에 필요한 정보(조건/근거/차별점/다음 액션)를 명확히 제공해야 합니다.
4단계: 전환 후 경험(Served) — “파이프라인 밖에서 승리를 반복시키는 단계”
주요 청중: 구매자(경험) + 시스템(피드백 루프)
목표: 한 번의 ‘승리(Won)’를 다음 주기의 확신으로 전환시키기
실행 전략
구매 이후 피드백 루프 최적화하기
전환(계약/구매) 이후에는 브랜드가 주도권을 잡고, 파이프라인 바깥의 Served 단계에서 경험이 다음 주기의 신뢰를 좌우합니다. 즉, Won에 도달했더라도 구매 후 경험이 나쁘면 확신이 약해지고, 좋으면 다음 추천이 더 쉬워집니다.
‘유지 없는 확보’ 누수 막기
확보만 하고 유지(사용/성과/만족)를 방치하면 피드백 루프에서 신뢰가 새고, 결과적으로 다음 사이클의 추천·노출이 불리해집니다. 그래서 핵심은 “전환”이 아니라 전환 이후 경험을 시스템으로 관리하는 것입니다.
긍정 신호를 ‘의도적으로’ 만들기
구매 후 경험을 리뷰, 재구매, 낮은 반품률, 완료 신호(만족/정착/사용) 같은 긍정적 증거로 구성하는 브랜드는 다음 주기에 더 쉽게 선택되는 선순환 구조를 만들고, 반대로 구매 후 관리를 소홀히 하면 매 주기마다 신뢰가 깎여 가시성이 점점 약해집니다.
AI 검색 시대의 경쟁은 "더 좋은 콘텐츠"가 아니라 "파이프라인을 더 잘 통과하는 콘텐츠" 를 만드는 싸움입니다. 가장 약한 관문 하나를 찾아 수리하는 것, 그게 오늘 할 수 있는 가장 실질적인 첫 걸음이에요.
[출처: https://searchengineland.com/ai-engine-pipeline-gates-470610]
@newnormal_marketing 팔로우하고, 마케터에게 필요한 정보를 얻어가세요.