GEO Research Review · Vol.2, 2026
BrightEdge 16개월 종단 연구를 중심으로 한 체계적 분석
Research Analysis
GEO Research Initiative
• Published: February 2026
• Data Period: May 2024 – Sep 2025
Abstract
본 연구는 BrightEdge의 16개월 종단 연구(2024.05-2025.09)를 중심으로, 스키마 마크업이 AI 기반 검색 시스템의 인용(Citation)에 미치는 영향을 분석한다. 주요 발견으로는 (1) AI 인용의 83.3%가 검색 상위 10위 밖에서 발생하며, (2) AI 인용과 검색 순위의 교집합이 16개월간 32.3%에서 54.5%로 68% 증가했고, (3) 산업별로 헬스케어(75.3%), 교육(72.6%), B2B Tech(71.0%) 순으로 높은 상관관계를 보였다. 또한 WPRiders 연구에서 스키마 마크업 적용 시 AI 인용 확률이 36% 증가함을 확인했다. 이는 검색 순위와 무관하게 구조화된 데이터가 AI 인용에 독립적 영향을 미침을 시사하며, GEO(Generative Engine Optimization) 전략의 중요성을 실증적으로 뒷받침한다.
Keywords: 스키마 마크업, AI 인용, GEO, 구조화된 데이터, RAG, 종단 연구, BrightEdge
1. 서론
2023년 이후 검색 시장은 근본적인 패러다임 전환을 맞이하고 있다. Google AI Overview, ChatGPT Search, Perplexity 등 AI 기반 검색 서비스의 부상으로, 전통적인 SEO(Search Engine Optimization)만으로는 웹 가시성을 확보하기 어려운 환경이 되었다.
이러한 맥락에서 GEO(Generative Engine Optimization)라는 새로운 최적화 전략이 주목받고 있다. GEO는 AI 시스템이 웹 콘텐츠를 검색, 이해, 인용하는 방식에 맞춰 콘텐츠를 최적화하는 접근법으로, 그 핵심에 스키마 마크업(Schema Markup)이 있다.
본 연구는 다음의 연구 질문에 답하고자 한다:
2. 선행 연구 검토
2.1 스키마 마크업의 역할
Schema.org는 2011년 Google, Microsoft, Yahoo, Yandex가 공동으로 설립한 구조화된 데이터 표준이다. 초기에는 검색 결과의 리치 스니펫(Rich Snippet) 표시를 위해 사용되었으나, AI 시대에 들어 그 중요성이 급격히 증가했다.
Guha et al.(2016)은 스키마 마크업이 검색 엔진의 콘텐츠 이해도를 향상시킨다고 주장했으며, 이후 연구들은 리치 스니펫이 CTR(Click-Through Rate)을 15-30% 향상시킨다고 보고했다(Schwartz, 2019).
2.2 AI 검색과 RAG
현대 AI 검색 시스템은 RAG(Retrieval-Augmented Generation) 아키텍처를 기반으로 한다. Lewis et al.(2020)이 제안한 RAG는 LLM이 답변을 생성하기 전에 외부 소스에서 관련 정보를 검색하여 컨텍스트로 활용하는 방식이다.
RAG 시스템에서 구조화된 데이터의 역할에 대한 연구는 아직 초기 단계이나, Patel & Kim(2024)은 JSON-LD 형식의 스키마가 있는 페이지가 RAG 검색에서 우선적으로 선택될 가능성이 높다고 보고했다.
–
3. 연구 방법론
본 분석은 BrightEdge의 16개월 종단 연구 데이터를 중심으로, WPRiders와 Growth Rocket의 보완 연구를 함께 검토한다.
–
4. 연구 결과
4.1 핵심 발견: AI 인용의 83.3%는 검색 10위 밖
BrightEdge 연구의 가장 충격적인 발견은 AI 인용 출처의 분포에 관한 것이다. 분석 결과, AI가 인용하는 출처의 83.3%는 기존 검색 결과 상위 10위 밖에 위치하는 것으로 나타났다.
4.2 트렌드 변화: 교집합의 급격한 증가
16개월 연구 기간 동안 AI 인용 출처와 검색 순위의 교집합은 지속적으로 증가했다.
–
4.3 산업별 분석
AI 인용과 검색 순위의 상관관계는 산업별로 큰 편차를 보였다. 특히 YMYL(Your Money Your Life) 분야에서 높은 상관관계가 관찰되었다.
산업별 AI 인용-검색 순위 상관관계
–
4.4 스키마 적용의 직접 효과
WPRiders(2024)의 연구는 스키마 마크업 적용의 직접적인 효과를 측정했다.
Table 1. 스키마 적용 여부에 따른 AI 인용 확률 비교
추가로 Growth Rocket(2024)의 분석에 따르면, 테이블 형태로 구조화된 데이터는 LLM이 정보를 참조하는 비율이 89% 더 높았다. 이는 AI가 ‘정리된’ 형태의 데이터를 선호한다는 것을 실증적으로 보여준다.
“AI는 정리된 밥상을 좋아합니다. 구조화된 데이터는 AI에게 정보를 은쟁반에 담아 올리는 것과 같습니다.”
— Google Search Relations 팀, 2024
–
5. 논의
5.1 이론적 시사점
본 연구 결과는 AI 검색 시대의 웹 가시성에 대한 새로운 이론적 프레임워크를 제시한다.
첫째, 검색 순위의 탈중심화가 진행되고 있다. AI 인용의 83.3%가 검색 10위 밖에서 발생한다는 것은 기존 SEO 패러다임의 ‘순위 = 가시성’ 공식이 더 이상 절대적이지 않음을 의미한다.
둘째, 구조화된 데이터의 독립적 가치가 확인되었다. 스키마 마크업은 검색 순위와 무관하게 AI 인용 확률을 36% 향상시킨다. 이는 구조화된 데이터가 SEO와 GEO 양쪽에 동시에 기여하는 ‘이중 효과(Dual Effect)’를 갖는다는 것을 보여준다.
셋째, SEO와 GEO의 수렴 트렌드가 관찰되었다. 교집합이 16개월간 68% 증가했다는 것은 두 영역이 장기적으로 통합될 가능성을 시사한다.
–
5.2 실무적 시사점
5.3 연구의 한계
본 분석은 다음과 같은 한계를 갖는다. 첫째, BrightEdge 연구의 원시 데이터에 직접 접근하지 못하고 공개된 요약 결과를 분석했다. 둘째, AI 검색 시장이 빠르게 변화하고 있어 연구 결과의 시효성이 제한적일 수 있다. 셋째, 한국 시장에 대한 별도 분석이 포함되지 않았다.
–
6. 결론
본 연구는 BrightEdge의 16개월 종단 연구를 중심으로 스키마 마크업과 AI 인용의 상관관계를 분석했다. 주요 발견은 다음과 같다:
Table 2. 연구 결과 요약
결론적으로, 스키마 마크업은 AI 검색 시대의 웹 가시성 확보에 필수적인 요소이다. 검색 순위와 무관하게 AI 인용 확률을 높이는 독립적 효과가 있으며, SEO와 GEO가 수렴하는 트렌드에서 그 중요성은 더욱 증가할 것이다.
향후 연구에서는 한국 시장에 특화된 분석과, 개별 스키마 타입별 효과 비교가 필요하다.
스키마 마크업 적용을 시작하고 싶다면, URL을 입력하면 페이지 유형을 자동 분석하고 최적의 스키마를 추천해주는 도구를 활용할 수 있습니다. 뷰저블 GEO는 MPTI 기반 자동 분류로 6초 만에 JSON-LD를 생성합니다.
References
[1] BrightEdge (2025). AI Search and Organic Search Correlation: A 16-Month Longitudinal Study. BrightEdge Research.
[2] WPRiders (2024). The Impact of Schema Markup on AI Citation Rates. WPRiders Technical Report.
[3] Growth Rocket (2024). Structured Data and LLM Reference Patterns. Growth Rocket Analytics.
[4] Guha, R., Brickley, D., & Macbeth, S. (2016). Schema.org: Evolution of Structured Data on the Web. Communications of the ACM, 59(2), 44-51.
[5] Lewis, P., et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS 2020.
[6] Schwartz, B. (2019). The Impact of Rich Snippets on Click-Through Rates. Search Engine Land.
[7] Patel, R., & Kim, S. (2024). Structured Data in RAG Systems: An Empirical Study. arXiv preprint.
[8] Google Search Central (2024). Introduction to Structured Data. Google Developers Documentation.
–
