GEO Research Review · Vol.4, 2026
Technical Deep Dive
AI가 당신의 콘텐츠를 인용하는 원리
개발자와 기술 담당자를 위한 심층 가이드
• 2026년 4월
• 약 25분 읽기
• 기술 심화
목차
01 AI 검색의 작동 원리
02 RAG 아키텍처 심층 분석
03 Knowledge Graph와 구조화
04 Schema.org와 JASON-LD
05 AI 인용 최적화 전략
06 실전 구현 가이드
1. AI 검색의 작동 원리
ChatGPT, Perplexity, Google AI Overview 등 현대 AI 검색 시스템은 기존 검색 엔진과 근본적으로 다른 방식으로 정보를 처리합니다. 이들은 단순히 키워드를 매칭하는 것이 아니라, 정보의 ‘의미(Semantics)’를 이해하고 ‘관계(Relationships)’를 파악합니다.
이러한 차이의 핵심에는 RAG(Retrieval-Augmented Generation) 아키텍처가 있습니다. RAG는 LLM(Large Language Model)이 외부 정보를 실시간으로 검색하고 활용하여 답변을 생성하는 방식으로, 현대 AI 검색의 표준이 되었습니다.
–
2. RAG 아키텍처 심층 분석
RAG(Retrieval-Augmented Generation)는 2020년 Lewis et al.이 제안한 아키텍처로, LLM의 한계를 극복하기 위해 외부 지식 검색을 통합한 방식입니다.
2.1 RAG 파이프라인
2.2 Retrieval 단계에서 스키마의 역할
RAG의 Retrieval 단계에서 시스템은 웹 문서를 ‘청크(Chunk)’ 단위로 분할하고, 각 청크의 의미를 벡터로 임베딩하여 검색합니다. 이때 구조화된 데이터(Schema)는 다음과 같은 이점을 제공합니다:
–
3. Knowledge Graph와 구조화
AI 시스템이 정보를 ‘이해’한다는 것은 결국 Knowledge Graph 형태로 정보를 표현한다는 것을 의미합니다. Knowledge Graph는 엔티티(Entity)와 관계(Relationship)의 네트워크로, 웹의 정보를 기계가 이해할 수 있는 형태로 구조화합니다.
3.1 Knowledge Graph의 구조
3.2 스키마 마크업의 역할
Schema.org의 스키마 마크업은 웹페이지의 정보를 Knowledge Graph 형태로 표현하는 표준화된 방법입니다. JSON-LD 형식으로 작성된 스키마는 위의 그래프 구조를 직접적으로 기술합니다.
–
4. Schema.org와 JSON-LD
4.1 Schema.org 개요
Schema.org는 2011년 Google, Microsoft, Yahoo, Yandex가 공동으로 설립한 구조화된 데이터 표준입니다. 현재 800개 이상의 타입(Type)과 1,500개 이상의 속성(Property)을 정의하고 있습니다.
4.2 JSON-LD 문법
–
4.3 중첩(Nesting) 규칙
스키마의 진정한 힘은 중첩 구조에서 나옵니다. 단순히 정보를 나열하는 것이 아니라, 정보 간의 관계를 표현해야 AI가 올바르게 이해합니다.
–
5. AI 인용 최적화 전략
5.1 데이터 기반 인사이트
BrightEdge의 16개월 종단 연구와 WPRiders의 분석은 스키마 마크업의 효과를 정량적으로 입증했습니다.
5.2 최적화 체크리스트
–
6. 실전 구현 가이드
6.1 업종별 필수 스키마 조합
–
6.2 완전한 구현 예시
–
6.3 검증 프로세스
–
결론
AI 검색 시대, 웹 콘텐츠의 ‘발견 가능성’은 더 이상 검색 순위만으로 결정되지 않습니다. RAG 아키텍처 기반의 AI 시스템은 구조화된 데이터를 통해 정보의 ‘의미’와 ‘관계’를 이해하며, 이 이해도가 인용 여부에 직접적인 영향을 미칩니다.
스키마 마크업은 단순한 SEO 도구가 아닙니다. 이는 AI와 소통하는 공용어(Lingua Franca)입니다. 검색 순위 50위 밖의 페이지도 올바른 스키마를 갖추면 AI의 답변에 인용될 수 있습니다. BrightEdge 연구가 보여주듯, AI 인용의 83.3%는 검색 상위권 밖에서 발생합니다.
지금 당장 할 수 있는 것: 페이지 유형에 맞는 스키마를 선택하고, 중첩 구조로 관계를 표현하며, 한국 시장에 맞는 기본값을 설정하세요. 그리고 정기적으로 스키마와 실제 콘텐츠의 일치 여부를 검증하세요.
AI 검색의 시대는 이미 시작되었습니다. 구조화된 데이터는 이 새로운 시대의 필수 인프라입니다.
–
참고 문헌 및 출처
[1] Lewis, P., et al. (2020). “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.” NeurIPS 2020.
[2] BrightEdge (2025). “AI Search and Organic Search Correlation: A 16-Month Longitudinal Study.”
[3] WPRiders (2024). “The Impact of Schema Markup on AI Citation Rates.”
[4] Google Search Central (2024). “Introduction to Structured Data.”
[5] Schema.org Documentation. https://schema.org/docs/documents.html
[6] Google (2017). “Introducing JSON-LD as the Preferred Format for Structured Data.”
–
스키마 마크업 구현이 복잡하게 느껴진다면, URL만 입력하면 페이지 유형을 자동 분석하고 최적의 스키마를 추천해주는 도구를 활용할 수 있습니다. 뷰저블 GEO는 MPTI(Main Page Type Indicator) 기반으로 페이지를 자동 분류하고, 6초 만에 JSON-LD 코드를 생성합니다.
