챗GPT가 인용한 웹페이지 4개 중 3개를 API는 놓친다: 구글 검색과 프롬프트 변환이 숨겨둔 GEO 데이터의 함정

챗GPT 실제 인용 웹페이지와 API의 26% 괴리: 싱가포르 국립대 연구진이 밝혀낸 검색 추적의 맹점

많은 기업의 마케팅 부서와 데이터 분석팀은 생성형 검색 최적화(GEO)에 매달리고 있다. 자사 제품이나 기술 블로그가 생성형 인공지능의 답변에 인용되는지 확인하기 위해 대시보드를 띄우고, 오픈AI의 응답 API나 구글 검색 순위를 수집하는 서드파티 소프트웨어를 쓴다. 비용을 아끼고 수천 개의 키워드를 대량으로 조회하려면 사용자가 직접 브라우저를 열어 묻는 방식보다 API를 호출해 결과를 긁어오는 방식이 훨씬 편리하기 때문이다.

그러나 싱가포르 국립대학교와 시안교통대학교 연구진이 2026년 10월 발표한 최신 연구 결과는 이런 관행의 뿌리를 뒤흔든다. 실제 유저가 웹 브라우저에서 챗GPT(GPT-5.5 Instant 환경)를 실행해 얻은 인용 출처와, 오픈AI 공식 Responses API 및 구글 오가닉 검색 결과를 대조해 본 결과, 실제 인용된 웹페이지를 찾아낸 비율은 고작 26.2%에 불과했다. 나머지 73.8%의 인용 출처는 API와 구글 검색 결과 레이더망에 아예 잡히지 않았다.

연구진은 실제 검색형 챗봇 사용 데이터베이스인 서치 아레나(Search Arena)에서 선별한 80개 질의(영어 40개, 중국어 40개)를 바탕으로 데이터 흐름을 추적했다. 추천, 팩트 확인, 정보 합성, 심층 분석이라는 네 가지 대표 작업 유형을 두고 질문마다 20회씩 반복 실행했다. 그리고 실제 로그인된 브라우저 세션에서 챗GPT가 어떤 검색어를 외부 엔진에 던지고, 어떤 검색 결과 목록을 받아보며, 최종적으로 어떤 URL을 인용구로 채택하는지 네트워크 트래픽을 있는 그대로 기록했다.

그 결과는 충격적이었다. 기업들이 화면 뒤에서 작동한다고 믿었던 API의 검색 로직과, 일반 소비자가 매일 마주하는 웹 화면의 검색 로직은 완전히 다른 궤적으로 움직이고 있었다. 대형 모델이 검색창에 들어온 문장을 자체적으로 쪼개고 다듬는 이른바 질의 변환(Query Transformation)을 거치면서, 원래 질문과 전혀 다른 단어로 웹을 뒤지고 있었기 때문이다.

---

구글 단독 포착률 6.4%의 충격: 80개 실사용 질의로 검증한 플랫폼별 일치율 비교

연구진이 수집한 구글 오가닉 검색 결과는 질문당 평균 43개에 달했다. SerpAPI를 통해 상위 5페이지 분량의 검색 결과를 긁어모아 챗GPT 인용군과 대조했음에도, 구글 결과가 챗GPT 인용 페이지를 맞춘 비율은 처참한 수준이었다.

평가 지표 및 비교 항목	구글 오가닉 검색 결과 (상위 5페이지)	오픈AI Responses API (웹 검색 연동)	구글 검색 + 오픈AI API 통합 결과
GPT-5.3 개별 웹페이지 포착률	9.4%	22.9%	28.3%
GPT-5.5 개별 웹페이지 포착률	6.4%	22.5%	26.2%
GPT-5.3 도메인(사이트) 일치율	26.1%	정보 없음(통합 집계)	50.3%
GPT-5.5 도메인(사이트) 일치율	22.8%	정보 없음(통합 집계)	48.7%
질문 원문 그대로 검색한 비율	해당 없음 (외부 고정 질의)	0.0% (내부 변환 거침)	0.0% (GPT-5.3 / 5.5 기준)
20회 중 단 1회만 노출된 페이지 비율	기준 외	기준 외	44.5% (GPT-5.5 고유 페이지 중)

수치를 들여다보면 웹페이지 단위와 도메인 단위의 격차가 극명하다. 구글 검색과 오픈AI API를 모두 쏟아부어도 웹페이지 단위의 포착률은 26.2%에 멈췄지만, 도메인(웹사이트) 단위로 범위를 넓히면 포착률이 48.7%까지 올라갔다. 이는 인공지능 검색 엔진이 특정 웹사이트의 권위를 인식하고 접속하더라도, 그 안에서 정확히 어떤 하위 페이지를 발췌할 것인지는 API 대리 호출이나 일반 검색 엔진의 순위 공식으로는 예측하기 어렵다는 뜻이다.

더욱 뼈아픈 수치는 검색 결과의 극심한 요동(Run-to-Run Variance)이다. 동일한 프롬프트를 챗GPT 웹 세션에 20번 똑같이 입력했을 때 반환된 고유 페이지 중 44.5%(GPT-5.5 기준)는 20번 중 딱 한 번만 화면에 나타났다가 사라졌다. 10번 이상 안정적으로 반복 인용된 페이지는 극소수에 불과했다. 즉, 마케팅 실무진이 특정 시점에 한 번 질문을 던져보고 “우리 페이지가 챗GPT 1위로 인용됐다”고 보고서를 작성한다면, 그 데이터는 다음 날 바로 뒤집힐 확률이 40%를 훌쩍 넘는 셈이다.

---

GEO 대시보드의 허상: 마케팅팀과 데이터 엔지니어링이 겪는 3대 실무 충격

이번 연구 결과는 전 세계 마케팅팀과 데이터 분석팀이 매달 수천 달러씩 지출하는 모니터링 체계에 심각한 경고를 던진다. 실무진이 맞닥뜨린 구체적인 파급 효과는 세 가지 지점에서 분명하게 드러난다.

API 기반 트래킹 도구가 만들어내는 데이터 왜곡과 낭비되는 예산

많은 모니터링 서비스는 서버 비용을 절감하기 위해 오픈AI API나 대량의 검색 스크래핑 엔진을 백엔드에 얹어놓고 “실시간 챗GPT 노출 순위”라는 이름을 붙여 판매한다. 하지만 앞선 데이터에서 증명되었듯, API가 수집한 출처와 실제 웹 사용자가 보는 출처는 70% 이상 어긋난다.

기업이 API 기반 대시보드만 믿고 콘텐츠를 수정하거나 특정 페이지를 밀어주는 결정을 내릴 경우, 실제 일반 소비자가 사용하는 브라우저 화면에서는 전혀 엉뚱한 페이지가 노출되거나 아예 누락되는 일이 반복된다. API 호출 단가는 아꼈을지 몰라도, 잘못된 데이터를 바탕으로 수정 작업을 반복하느라 투입되는 마케팅 운영 비용(OPEX)과 인건비가 고스란히 낭비되는 구조다.

70%에 달하는 영어 질의 변환: 다국어 콘텐츠가 검색 단계에서 탈락하는 이유

연구진의 네트워크 분석에 따르면, GPT-5.3과 GPT-5.5는 사용자가 입력한 원래 문장을 단 한 번도 그대로 검색창에 입력하지 않았다(원문 일치율 0%). 인공지능 모델이 질문의 의도를 분석한 뒤, 자체적으로 여러 개의 구체적인 검색 키워드로 쪼개어 외부 검색 엔진에 질의하는 ‘팬아웃(Fan-out)’ 과정을 거친다.

이 과정에서 언어 왜곡이 심각하게 발생한다. 중국어로 입력된 질문을 처리할 때, GPT-5.3은 67.0%, GPT-5.5는 69.6%의 확률로 오직 ‘영어’ 검색어만 생성해 검색을 수행했다. 한국어나 일본어 같은 다른 비영어권 언어에서도 비슷한 현상이 발생한다. 즉, 비영어권 소비자가 한국어로 “가장 연비 좋은 하이브리드 SUV 추천해 줘”라고 물어도, 내부 엔진은 영문 키워드로 글로벌 웹을 먼저 훑은 뒤 그 정보를 번역해 대답한다. 다국어 메타 태그나 영문 번역본을 갖추지 못하고 순수 로컬 언어로만 작성된 웹페이지는 인공지능의 검색 단계 첫 관문에서 대거 탈락할 수밖에 없다.

20회 중 1회만 반짝 노출: 44.5%의 휘발성 인용이 초래하는 랭킹 측정 불가

과거의 검색 엔진 최적화(SEO)는 구글 1페이지에 올라가면 며칠에서 몇 주간 순위가 안정적으로 유지되었다. 하지만 인공지능 검색 환경에서는 20회 질의 중 44.5%의 웹페이지가 단 1회만 호출되는 극단적인 휘발성을 보인다. 모델 내부의 온도값(Temperature)과 매번 달라지는 검색어 생성 조합, 외부 검색 결과의 실시간 반영이 얽히면서 매 초마다 주사위를 굴리듯 인용 출처가 뒤바뀐다.

단 한 번의 조회 결과로 인용 여부를 판단하는 단발성 모니터링은 데이터로서의 신뢰성을 완전히 잃었다. 실무진 입장에서는 최소 10회 이상의 다회차 호출을 거쳐 노출 빈도 확률값을 계산하지 않는 이상, 의미 있는 성과 지표(KPI)를 보고서에 담을 수 없는 상황에 직면했다.

---

단순 순위 추적에서 세션 로그 리버스 엔지니어링으로: 완충 체계 구축

인공지능 검색의 불투명성을 걷어내기 위해서는 과거의 순위 체크 방식을 버리고 브라우저 세션 분석 중심으로 체계를 전환해야 한다. 실제 연구진이 웹 세션의 데이터 흐름을 추적해 인용 경로를 파악했듯, 실무 조직 역시 데이터 수집 파이프라인을 근본적으로 뜯어고쳐야 한다.

선도적인 마케팅 테크 기업들은 이미 API 기반의 대량 조회를 보조 지표로 격하시켰다. 대신 실제 웹 브라우저 환경을 자동화하여 구동하는 헤드리스 브라우저 세션을 띄우고, 인공지능 모델이 실제로 던지는 네트워크 패킷을 가로채는 역공학 방식을 도입하고 있다.

이러한 수집 워크플로우를 자동화할 때는 Make 같은 업무 자동화 도구를 연결하여 정기적으로 브라우저 자동화 스크립트를 실행하고, 반환된 인용 URL의 출현 빈도를 통계 데이터베이스에 밀어 넣는 방식으로 파이프라인을 단순화할 수 있다.

동시에 콘텐츠 제작 방식도 바뀌어야 한다. 인공지능이 비영어권 질문을 70% 가까이 영어로 변환해 검색한다는 팩트에 대응하기 위해, 웹사이트의 핵심 데이터와 기술 문서에는 영문 요약본과 스키마 마크업을 기본으로 탑재해야 한다. 한국어 사용자를 타깃으로 하더라도 내부 인공지능 엔진이 영문으로 검색을 수행할 때 걸려들 수 있도록 도메인 전체의 메타데이터 구조를 이중 언어로 설계하는 것이 위기를 방어하는 기술적 완충벽이 된다.

---

향후 1–2년 AI 검색 시장 재편 시나리오와 승자의 조건

검색 시장의 중심축이 구글의 파란색 링크 목록에서 챗GPT와 같은 대화형 인공지능으로 옮겨가면서, 브랜드 노출과 트래픽 유입의 문법은 완전히 새로 쓰이고 있다. 향후 1–2년 동안 기업들이 마주할 시장 재편 시나리오와 그 안에서 주도권을 잡기 위한 조건은 다음과 같다.

기존 레거시 기업이 직면할 마진 압박 시나리오

과거 구글 상위 노출에만 기대어 디지털 마케팅을 집행하던 기업들은 심각한 마진 압박을 받게 된다. 이번 연구가 입증했듯 구글 상위 5페이지 안에 드는 웹페이지라 할지라도 챗GPT가 답변에 인용할 확률은 6.4%에 그친다. 구글 1페이지에 웹사이트를 올려놓았다고 해서 생성형 인공지능 환경에서도 자연스럽게 트래픽이 들어올 것이라는 믿음은 완전히 깨졌다.

더구나 API를 기반으로 만들어진 엉터리 GEO 대시보드를 보며 잘못된 최적화에 마케팅 예산을 쏟아붓는 기업은 트래픽 급감과 비용 증가라는 이중고를 겪게 된다. 사용자가 실제 접하는 답변 화면에서는 경쟁사 제품이 추천되고 있는데, 사내 대시보드에는 자사 페이지가 1위로 뜬다는 착시에 빠져 대처 시점을 놓치는 위험이 현실화되고 있다.

변화하는 생태계에서 주도권을 쥘 승자의 핵심 조건 3가지

새롭게 재편되는 인공지능 검색 환경에서 지속적으로 트래픽과 인용 지분을 확보하는 기업은 다음 세 가지 실행 원칙을 갖춘 곳이다.

• URL이 아닌 도메인 권위 중심의 아키텍처 구축: 인공지능 검색 엔진은 개별 URL보다 도메인 레벨에서 2배 이상 높은 일치율(48.7%)을 보인다. 개별 블로그 글 하나를 띄우려 애쓰기보다, 사이트 전체가 특정 산업 분야의 신뢰할 수 있는 데이터 원천으로 인식되도록 위키 형태의 구조화된 데이터베이스를 도메인 내에 구축해야 한다.
• 다국어 영문 메타데이터 및 팬아웃 키워드 선점: 인공지능은 질문을 그대로 검색창에 넣지 않고 영문 키워드로 쪼개어 검색한다. 자사 웹페이지가 다국어 번역본과 구조화된 영문 요약 데이터를 함께 제공해야만, 인공지능이 백엔드에서 수행하는 70%의 영문 검색 쿼리에 반응하여 최종 인용구로 발탁될 수 있다.
• 다회차 확률 기반의 모니터링 체계 내재화: 단 한 번의 프롬프트 테스트는 44.5%의 확률로 휘발되는 일회성 데이터일 뿐이다. 최소 15회에서 20회의 반복 실행을 통해 50% 이상의 노출 빈도를 기록하는 견고한 인용 출처만 가려내는 통계 기반의 관측 시스템을 사내 마케팅 파이프라인에 반드시 정착시켜야 한다.