LLMO 최적화란? AI 검색에 인용되는 방안 8가지

LLMO란?

LLMO란 ChatGPT나 Google AI Overviews 등 생성형 AI가 답변을 만들 때 자사의 정보를 인용·참조하도록 하기 위한 최적화를 말합니다.

안녕하세요, Webflow 전문가이면서 AI 최전선을 늘 좇고 있는 마사토입니다. 일본 미야기현 시오가마시에서 웹 제작 회사 Webharu를 운영하고 있습니다.

“LLMO”, “AIO”, “GEO”, “AEO”라는 말을 최근 여기저기서 보게 되었습니다. ChatGPT에 무언가를 물어보면, 그 답변 안에 우리 회사의 정보가 그대로 소개될까?
Google 검색 최상단에 나오는 “AI Overviews”에 우리 회사의 정보가 잡힐까?

검색의 입구가 Google 검색뿐 아니라 생성형 AI와의 대화로도 넓어진 이상, 이것은 무시할 수 없는 주제입니다. 간판이나 포털 사이트에 기대지 않고 자사의 정보 발신으로 집객해 온 회사일수록, 이 변화에 대한 대응이 뒤로 밀리기 쉽습니다. 저희 자신이 광고비 제로로 SEO와 AIO만으로 집객해 온 회사라, 남의 일이 아닙니다. 이 글에서는 난립하는 용어를 일단 정리한 뒤, 내일부터 손을 움직일 수 있는 방안까지 다루겠습니다.

먼저 결론부터 쓰겠습니다.

LLMO란, ChatGPT 등 생성형 AI가 답변을 만들 때 자사의 정보를 인용·참조하도록 하기 위한 최적화를 말합니다. SEO를 대체하는 것이 아니라, 좋은 SEO와 좋은 사이트 구조의 연장선 위에 있습니다. 특별한 뒷길이 있는 것이 아니라, 결론을 먼저 쓴다·정의를 한 문장으로 만든다·구조화한다는, 눈에 띄지 않지만 꾸준한 축적이 중심입니다. 저희는 자사 사이트 리뉴얼에서 구조화 데이터와 llms.txt를 기본 탑재했고, 이 글 자체도 그 사고방식에 따라 쓰고 있습니다.

용어 정리 | LLMO·AIO·GEO·AEO는 무엇이 다른가

솔직히 말하면, 이 네 가지 용어에 업계 표준의 통일된 정의는 아직 없습니다. SEO라는 말이 자리 잡기까지도 시간이 걸린 것과 마찬가지로, 새로운 시장에 여러 플레이어가 각자의 호칭을 들고 들어와 있다는 것이 실정에 가깝습니다. 부르는 사람에 따라 범위가 어긋난다는 것을 전제로, 대략적인 경향을 정리하겠습니다.

호칭	주로 가리키는 범위	비고
LLMO(Large Language Model Optimization)	ChatGPT·Claude·Perplexity·AI Overviews 등 LLM 기반의 답변에 인용되기 위한 최적화	일본에서 널리 쓰이는 호칭. 이 글은 이 말을 축으로 삼습니다
AIO(AI Optimization)	검색에 한정하지 않고 챗봇이나 추천 AI도 포함한 AI 전반으로부터의 유입·인용 최적화	일본에서의 인지도가 높고, 다소 넓은 뜻으로 쓰이기 쉽습니다
GEO(Generative Engine Optimization)	생성형 AI 검색 엔진에서의 인용 획득	해외에서 주류. 실무상 LLMO와 거의 같은 뜻으로 쓰이는 경우가 많습니다
AEO(Answer Engine Optimization)	강조 스니펫이나 음성 어시스턴트 등 “답변 영역”에의 직접 게재	GEO와 역할을 나눠 이야기되기도 하지만, 방안은 크게 겹칩니다

해외에서는 “GEO는 생성형 AI의 답변문 안에 인용되는 것, AEO는 검색 결과의 답변 영역에 직접 실리는 것”으로 역할을 나눠 이야기되는 경우도 있습니다. 다만 둘 다 토대에 있는 것은 구조화된 알기 쉬운 정보와, 신뢰할 수 있는 정보원일 것이라는 공통 조건입니다. 호칭이 늘어나는 배경에는, 이 분야를 전문으로 하는 컨설팅과 도구가 늘어나 각자 자기 말로 시장을 설명하려는 사정도 있다고 느낍니다. 저희 용어집에서도 “LLMO / GEO”를 생성형 AI 최적화로 묶고 있습니다(용어집은 이쪽).

검색하는 쪽의 입장에서 생각하면, “ChatGPT로 알아본다”와 “Google 검색으로 알아본다”를 의식적으로 나눠 쓰는 사람은 아직 소수파입니다. 알고 싶은 것을 가장 빨리 알려 주는 창구를 그때그때 고를 뿐입니다. 만드는 쪽이 호칭에 지나치게 매달리기보다, “AI에게 정보원으로 선택된다”는 목적은 공통이라고 이해해 두면 충분합니다. 이하 이 글에서는 총칭으로 “LLMO”를 쓰겠습니다.

왜 지금 LLMO가 이야기되기 시작했는가

배경은 단순해서, 검색이라는 행위 자체가 바뀌고 있기 때문입니다. ChatGPT에 검색 기능이 탑재되고, Google의 검색 결과에는 AI Overviews가 표준적으로 표시되게 되었으며, Perplexity 같은 생성형 AI 검색 전용 서비스도 자리를 잡았습니다. Google은 통상의 AI Overviews에 더해, 더 대화적으로 파고들 수 있는 “AI Mode”도 전개하고 있어서, 검색이 “링크 목록을 본다”에서 “AI와 대화하며 답을 얻는다”로 기우는 흐름은 앞으로도 강해질 것으로 보입니다. 일본 국내에서도 알아보기의 입구로 ChatGPT 등을 쓰는 사람은 꾸준히 늘고 있다고 합니다.

문의나 자료 청구로 이어지는 입구가 “검색 결과 목록”에서 “AI와의 한 번의 대화”로 바뀌어 간다면, 거기에 비치지 않는 것은 중소기업에게 기회 손실로 직결됩니다. 간판을 내걸어 두는 것만으로 손님이 오던 시대가 진작에 끝난 것과 같은 규모의 변화가 검색의 세계에서도 일어나고 있다 — 그렇게 생각하면 그림이 잘 그려질 것입니다.

이 흐름 속에서, 지금까지 “검색 결과 1위에 나온다”만을 목표로 삼아 온 SEO의 발상에 “AI의 답변 안에 등장한다”는 새로운 목표가 더해졌습니다. LLMO라는 말은 이 새로운 목표를 위해 생겨난 호칭이라고 이해해 두면, 위치가 잘 잡힙니다.

AI는 어떻게 인용원을 고르고 있는가

여기는 솔직하게 미리 말씀드립니다. 각 사는 구체적인 랭킹 기준이나 알고리즘을 공개하지 않았습니다. 이하는 공개된 구조와, 관측으로부터 일반적으로 “경향이 있다”고 이야기되는 범위의 정리이며, 단정은 아닙니다.

생성형 AI의 검색 연계 대부분은 크게 “검색 엔진으로 후보 페이지를 찾는다 → 내용을 취득한다 → 요약해 답변을 조립한다”는 흐름을 토대로 한다고 설명됩니다. Google의 AI Overviews는 자사의 검색 인덱스를 토대로 생성형 AI가 요약을 만드는 구조이고, ChatGPT 검색과 Bing Copilot은 주로 Bing 계열의 검색 인덱스를, Perplexity는 여러 검색·크롤 경로를 써서 정보를 모은다고 일반적으로 이해되고 있습니다. 즉 먼저 검색 엔진에 잡혀 있는 것이 생성형 AI에 잡히는 전제 조건이 되는 경우가 많다는 뜻입니다. 참고로 Claude처럼 답변 안에서 참조처의 링크를 명시하는 유형의 생성형 AI도 있어서, 그 경우에는 자사 페이지가 실제로 참조되었는지를 링크로 확인하기 쉬워집니다.

또한 Perplexity처럼 매번 실시간으로 페이지를 가지러 가는 유형과, 사전에 모은 정보를 토대로 답변하는 유형에서는 새로운 정보가 반영되는 속도도 달라진다고 여겨집니다.

하나 더 알아 두면 좋은 것은, 생성형 AI는 한 페이지를 통째로 인용하는 것이 아니라 페이지의 일부분만 잘라내 답변에 쓰는 경우가 많다는 점입니다. 글 전체의 주장이 좋아도, 근거가 되는 한 문장이 떨어진 곳에 묻혀 있으면 잡히기 어렵습니다. “이 단락만 잘려 나와도 뜻이 통하는가?”라는 관점으로 쓰는 것이 실무상 효과적입니다. 예를 들어 “LLMO란 생성형 AI에게 인용받기 위한 최적화입니다”라는 한 문장만 잘려 나와도 읽는 사람에게 뜻이 전달되도록 쓰는 이미지입니다.

그 위에서, 인용되기 쉬운 페이지의 특징으로 일반적으로 자주 꼽히는 것은 다음과 같은 점입니다.

• 명확한 한 문장 정의가 있다: “◯◯란 ~을 말합니다”로 잘라 말할 수 있는 문장이 있으면 요약에 쓰기 좋습니다
• 결론이 먼저 쓰여 있다: 서두가 길고 결론이 뒤에 있는 페이지는 도중에 요약 대상에서 빠지기 쉽습니다
• 구조화되어 있다: 소제목·글머리 기호·표로 정보가 정리되어 있습니다
• 1차 정보가 있다: 실측 데이터나 실제 경험 등, 다른 페이지의 복사가 아닌 정보입니다
• 신뢰성이 있다: 저자 정보나 운영자 정보가 명확하고, 실적을 확인할 수 있습니다

이것은 Google이 검색 순위 평가에서 오랫동안 중시해 온 E-E-A-T(경험·전문성·권위성·신뢰성)의 사고방식과도 겹칩니다. LLMO는 SEO에서 좋다고 여겨져 온 것을 한층 더 철저히 하는 이야기라고 파악하면 이해하기 쉽습니다. 갱신일이 최근인 글이 더 참조되기 쉽다고 이야기되기도 하지만, 갱신일을 새로 하기 위해서만 내용을 희석해 갱신하는 “갱신을 위한 갱신”은 오히려 역효과라고 생각합니다.

구체적인 방안 8가지

여기부터는 실제로 손을 움직일 수 있는 방안입니다. 특별한 도구가 없어도 시작할 수 있는 것부터 나열했습니다. 효과 측정이 아직 어려운 분야이기에, 비용을 들이지 않고 할 수 있는 것을 우선했습니다.

1. 질문형 소제목 바로 뒤에 결론을 한 문장으로 쓴다

“◯◯란?”, “◯◯의 시세는?” 같은 질문형 소제목을 세웠다면, 바로 뒤의 한 문장으로 결론을 잘라 말합니다. 생성형 AI는 긴 서두 뒤에서 답을 캐내기보다, 질문과 답이 가까운 위치에 있는 페이지 쪽을 요약에 쓰기 쉽다고 여겨집니다. 본문에서 결론을 먼저 쓰고 이유와 상세를 뒤에 잇는 “결론 우선”의 형식이 그대로 LLMO의 기본형입니다. 예컨대 “LLMO란?”이라는 소제목 뒤에 곧장 배경부터 쓰기 시작하는 것이 아니라, 첫 문장에서 정의를 잘라 말한 뒤 배경과 구체적인 예를 잇는 순서입니다. 이 글도 각 소제목 바로 뒤에 결론을 두는 방식을 철저히 하고 있습니다.

2. 용어의 한 문장 정의를 준비한다

전문 용어나 자사 서비스의 이름에 대해 “◯◯란 ~을 말합니다”라는 60~120자 정도의 한 문장 정의를 준비합니다. 긴 설명 속에 묻히게 하지 않고 독립된 한 문장으로 두는 것이 요점입니다. 이 글도 본문과는 별도로, 생성형 AI가 인용하기 쉬운 한 문장 정의를 하나, 구조화 데이터로 갖게 하고 있습니다.

3. FAQ를 준비하고 구조화 데이터로 마크업한다

독자가 품을 법한 질문과 답변을 FAQ 형식으로 준비하고, FAQPage의 구조화 데이터(JSON-LD)로 마크업합니다. 질문과 답변이 세트로 기계가 읽을 수 있게 되므로, 생성형 AI뿐 아니라 검색 엔진의 답변 영역에도 잡히기 쉬워집니다. 이 글 말미의 FAQ도 같은 사고방식으로 준비했습니다.

4. 요점을 글머리 기호·표로 정리한다

문장만으로 설명을 이어 가는 것보다, 요점을 글머리 기호나 표로 정리하는 편이 생성형 AI가 정보를 추출하기 쉬워집니다. 긴 설명이 들어간 장의 마지막에 요점을 3~5개의 글머리 기호로 한 번 다시 정리하는 방식이 효과적입니다. 이 글 서두에 있는 “이 글의 내용” 요약 상자도 그 한 예입니다.

5. llms.txt를 설치한다

llms.txt는 AI 크롤러를 위해 사이트의 구성과 주요 페이지를 알리기 위한 텍스트 파일입니다. 아직 모든 AI가 참조한다고 할 수는 없는 발전 도상의 구조이지만, 설치 비용은 작고 저희는 자사 사이트에 표준으로 설치하고 있습니다. 많은 제작사에서는 아직 표준 대응하지 않는 부분이므로, 지금 정비해 두어 손해 볼 일은 없습니다.

6. 저자 정보와 E-E-A-T를 명시한다

누가 쓴 글인지, 운영자는 누구인지, 실적은 무엇인지를 명시합니다. 프로필 페이지나 회사 소개로의 내부 링크, 실명·실적의 공개 등이 여기에 해당합니다. 정보원의 신뢰성은 생성형 AI도 검색 엔진도 판단 재료로 삼고 있다고 일반적으로 여겨지며, 익명에 근거가 얇은 글보다 쓴 사람의 실적을 확인할 수 있는 글이 인용의 토대로는 유리합니다. 저희로 말하면, 이 글에도 저자의 프로필과 실적으로의 링크를 두고 있는 것이 그 일환입니다.

7. Bing 대응도 병행한다

ChatGPT 검색은 Bing 계열의 검색 인덱스를 이용한다고 일반적으로 이해되므로, Google뿐 아니라 Bing Webmaster Tools에도 사이트를 등록해 인덱스 상황을 확인해 두면 안심입니다. Google 일변도였던 SEO 운용에 Bing이라는 입구를 추가하는 이미지입니다. 설정 자체는 10분도 걸리지 않으므로, 뒤로 미룰 이유는 별로 없습니다.

8. 1차 정보를 가진다

실측 데이터·자사의 실패담·구체적인 사례 등 다른 사이트의 복사로는 낼 수 없는 1차 정보를 가지는 것이 장기적으로는 가장 강한 방안입니다. 비슷한 내용의 글 중에서 어느 하나를 인용할 때, 독자적인 숫자나 실제 경험이 있는 글이 선택되기 쉽다고 생각됩니다. 저희가 이 블로그에서 실측 수치와 실제 경험을 공개하고 있는 것도 이 이유에서입니다.

여기서 한 가지 주의도 적어 두겠습니다. “LLMO 최적화”이라 칭하며 내용이 얇은 글을 AI에게 대량 생산시키는 방식도 나오고 있습니다. 다만 이것은 본말전도라고 생각합니다. 생성형 AI가 평가하고 있는 것은 겉보기의 구조만이 아니라, 쓰여 있는 내용의 확실함이기도 할 것입니다. 구조를 정비하는 것과 내용을 얇게 하는 것은 완전히 별개의 이야기로 떼어 놓고 생각해 주세요.

오해에 앞서: 이 분야에 아직 답을 가진 사람은 없습니다

방안을 8가지나 써 놓고 이런 말을 하는 것도 이상하지만, 솔직하게 적겠습니다. “이것이 정답”이라는 것은 아직 누구도 모릅니다.

Q&A를 많이 두는 것이 효과적이라고 여겨지고, 저희도 그것은 실천하고 있습니다. 글 첫머리에 요약을 두는 것, SEO의 토대를 탄탄히 만드는 것, 구조화 데이터를 쓰는 것 — 일반적으로 꼽히는 것은 이 언저리입니다. 다만 그것이 답이라고 증명된 단계에는 아직 누구도 도달하지 못했습니다. 이 글에서 소개하는 방안도 현시점에서 “효과가 있다고 여겨지는” 것이지, 확정된 정답은 아닙니다.

그래서 조심했으면 하는 것이 있습니다. “LLMO 최적화 가능합니다”라고 단언하며 파는 회사는 일단 의심하고 보는 편이 좋다고 생각합니다. 영업을 받아 본 적은 아직 없지만, 광고는 가끔 봅니다. 그리고 신기하게도 그 회사의 이름을 AI에게 물어봐도 나오지 않는 경우가 흔합니다. AI 검색에서 자사를 인용시키는 방법을 파는 회사가 정작 AI에게 인용되지 않는 것입니다.

전 세계에서 아직 누구도 이 분야의 권위가 되지 못했을 상황에서 “가능합니다”라고만 말하며 파는 것 — 이것은 사는 쪽으로서 경계해도 좋은 재료라고 생각합니다. 판단하는 방법은 간단해서, 그 회사의 이름을 ChatGPT에 물어보세요. 나오지 않는다면, 적어도 자사에서는 실현하지 못하고 있다는 뜻입니다.

LLMO에서 빠지기 쉬운 오해 3가지

여기까지 방안을 썼습니다만, 오해하기 쉬운 지점도 미리 정리해 두겠습니다. 영업이나 컨설팅의 판매 문구 속에서 편의적으로 비틀려 이야기되는 것을 자주 보는 부분입니다.

오해 1: SEO를 그만두고 LLMO만 하면 된다

실제로는 반대입니다. 많은 생성형 AI가 검색 엔진의 토대 위에서 움직이고 있으므로, SEO의 기초가 되어 있지 않은 사이트가 LLMO만 대응해도 효과는 제한적입니다. “SEO는 이제 낡았다”는 논조도 보입니다만, 검색 순위가 높은 글일수록 생성형 AI의 답변에도 등장하기 쉬운 경향이 있다고 일반적으로 여겨집니다. 순위라는 모수가 없으면 애초에 AI에게 잡힐 확률도 오르지 않습니다.

오해 2: 구조화 데이터를 넣으면 자동으로 인용된다

구조화 데이터는 AI가 내용을 이해하는 데 도움이 되지만, 그것만으로 인용이 보장되는 것은 아닙니다. 말하자면 지도 같은 것이어서, 지도를 건네도 알맹이가 없는 곳으로는 사람을 부를 수 없는 것과 같습니다. 내용이 얇으면 이해는 되어도 선택되지 않습니다.

오해 3: 한 번 대응하면 끝난다

생성형 AI의 구조도, 각 사의 검색 알고리즘도 계속 바뀌고 있습니다. 검색 엔진이 지금까지 몇 번이나 알고리즘 업데이트를 거듭해 온 것과 마찬가지로, 공개하고 끝이 아니라 정기적으로 재점검하는 것을 전제로 임하는 이야기입니다.

효과를 재는 방법

솔직하게 적습니다만, LLMO의 효과 측정은 아직 SEO만큼 확립되어 있지 않습니다. 다음 세 가지가 현시점에서 현실적으로 할 수 있는 일입니다.

GA4에서 AI 경유 유입을 본다

GA4의 참조 소스/매체 리포트에서 chatgpt.com·perplexity.ai·bing.com 등으로부터의 유입을 필터해 확인합니다. 세션의 기본 채널 그룹에서는 “Organic Search”나 “Direct”에 섞여 표시되는 경우도 있으므로, 보조 측정기준에 참조 소스/매체를 추가해 개별적으로 확인할 필요가 있습니다. 링크를 밟지 않고 온 것처럼 분류되는 접속도 있어서, 채널 내역만 보고 있으면 놓치는 경우가 있습니다.

Search Console에서 보이는 것에는 한계가 있다

Search Console은 현시점에서 Google의 AI Overviews 경유 노출 수를 독립된 지표로 나눠 확인할 수 있다고 단정하기 어렵습니다. 검색 성과의 숫자가 늘고 있어도, 그것이 AI Overviews 경유인지 통상의 검색 결과인지를 완전히 갈라내기는 어려운 것이 실정입니다. 아울러 자사명이나 상품명 같은 “지명 검색” 쿼리가 늘고 있는지를 보는 것도 간접적인 단서가 됩니다. AI의 답변 속에서 회사 이름을 알고, 나중에 검색으로 확인하러 오는 행동은 충분히 있을 수 있기 때문입니다.

ChatGPT나 Perplexity에 직접 물어본다

가장 손쉬운 것은 자사의 상품명이나 서비스명, 노리고 있는 키워드를 ChatGPT나 Perplexity에 직접 질문해 보는 것입니다. 수치화는 못 하지만, 자사 사이트가 정보원으로 나오는지를 수작업으로 확인할 수 있습니다. 클릭되지 않아도 이름이나 정보가 답변 안에 등장하는 것 자체를 “사이테이션(언급)”이라 부르며, 클릭 수와는 별개의 지표로 의식하는 사고방식도 나오고 있습니다. 추천하는 방법은 자사와 관련된 질문을 3개 정해(예: “지역명 + 업종 추천”, “서비스명의 평판”, “회사명 그 자체”), 매달 같은 문면으로 ChatGPT와 Perplexity에 던지고, 답변에 회사명이나 자사 사이트가 등장했는지를 표에 메모해 가는 것입니다. 수치화는 못 해도 변화의 방향은 좇을 수 있습니다. 이 측정의 어려움 자체가 LLMO의 현재 위치라고 이해해 두면 좋겠습니다.

SEO와의 관계 | 대립이 아니라 연장

LLMO는 SEO를 대체하는 것이 아닙니다. 많은 생성형 AI가 검색 엔진의 인덱스를 토대로 하고 있는 이상, SEO로 검색 결과 상위에 나와 있는 것은 AI에게 잡힐 모수를 늘리는 것과 같은 의미를 가집니다. SEO를 하지 않고 LLMO만 한다는 발상은 현실적이지 않습니다.

한편, AI가 검색 결과 안에서 직접 답을 돌려주게 되면 순위가 바뀌지 않아도 사이트로의 클릭 자체가 줄어든다는, 이른바 “제로 클릭”화가 진행된다는 지적도 업계에서 늘고 있습니다. 그렇기에 순위뿐 아니라 “인용되어 이름이 남는가”까지 의식할 필요가 생겼다는 것이 LLMO가 이야기되기 시작한 배경입니다.

또한 AI 시대에 평가가 떨어지기 쉬운 SEO 방식도 있습니다. 키워드를 부자연스럽게 욱여넣은 문장이나, 결론을 흐리고 글자 수만 채운 글은 인간 독자에게도 생성형 AI의 요약에도 맞지 않습니다. 독자의 의문에 한 문장으로 답하고, 근거를 제시하고, 구조화해 정리한다는, 본래 SEO에서 평가받아 온 방식을 철저히 하는 것이 그대로 LLMO 최적화이 됩니다. 기업 사이트의 고정 페이지보다, 갱신을 이어 갈 수 있는 기사 콘텐츠 쪽이 이 축적을 하기 쉽다는 것도 실무에서의 실감입니다. 특히 서비스 페이지처럼 판매가 전제인 페이지는, 생성형 AI가 보기에 중립적인 정보원으로 취급되기 어려운 경향이 있습니다. 중립성을 유지하기 쉬운 기사 콘텐츠로 LLMO를 쌓아 두는 의미가 거기에 있습니다.

저희의 실천 | 자사 사이트에서의 구현

실제로 “ChatGPT로 알아보고 왔다”는 상담이 오고 있습니다

효과 이야기를 하겠습니다. “ChatGPT로 알아보고 왔습니다”라는 분께 실제로 상담을 받은 적이 있습니다. 여쭤 보니 “Webflow로 일본에서 가장 좋은 곳은 어디인가” 같은 식으로 물어봤다고 합니다. AI에게 회사 선택을 상담하고, 거기서 실재하는 문의가 발생하고 있다 — 이것은 체감으로 확실히 일어나고 있습니다.

다만 솔직히 적으면, 자사가 어떤 쿼리로 얼마나 인용되고 있는지를 체계적으로는 재지 못하고 있습니다. “Webflow 개발 회사 일본” 같은 식으로 물으면 이름이 오르는 경우가 있다고는 듣고 있지만, 그것을 직접 정기적으로 관측해 숫자로 만드는 단계는 아닙니다. 여기는 앞으로의 과제입니다. 지금은 AI 웹사이트 제작 분야에서도 같은 식으로 인용되는 상태를 만들고자 방안을 쌓고 있는 중입니다.

하지 못하고 있는 것도 있습니다

효과가 있다고 이야기되면서도 아직 손대지 못한 것도 있습니다. 예를 들어 Quora(미국판 네이버 지식iN 같은 Q&A 서비스)나 Reddit 같은 곳에서 실제 질의응답으로 주고받기를 쌓으면 인용되기 쉬워진다는 이야기가 있습니다. AI가 그런 장의 대화를 참조하기 쉽기 때문입니다. 다만 이것이 정말 효과가 있는지는 저 자신도 아직 판단하지 못했고, 거기까지 손이 미치지 못하는 것이 실정입니다.

또 하나 이야기되는 것이 짧고 새로운 문장이 더 인용되기 쉽다는 것입니다. AI는 오래된 글보다 새로운 글을 우선하는 경향이 있는 듯합니다.

자사 사이트에서 하고 있는 구현

2026년 7월에 자사 사이트를 AI(Claude Code)로 전면 리뉴얼할 때, 구조화 데이터와 llms.txt를 처음부터 기본 탑재했습니다. 자세한 경위는 7일 만에 AI로 전면 리뉴얼한 기록에 적었습니다. 구체적으로는 헤딩 태그(h2·h3)의 계층을 의미의 덩어리에 맞춰 정리하고, meta description과 본문의 요지를 어긋나게 하지 않고, 브레드크럼이나 관련 글을 구조화 데이터로 명시하는 등 꾸준한 작업의 축적입니다. 특별한 AI 도구를 쓴다기보다, 예전부터 있던 “알기 쉬운 마크업”을 철저히 하는 것에 가깝다고 느낍니다. 이 글의 JSON 구조 자체도 한 문장 정의와 FAQ를 기계가 읽을 수 있는 형태로 갖게 하는 설계여서, 이 글 자체가 LLMO의 실천 예가 되도록 하고 있습니다.

솔직히 말하면, AI 경유 유입이 구체적으로 얼마나 늘었는지를 아직 가슴을 펴고 숫자로 보여 줄 수 있는 단계는 아닙니다. 측정의 구조가 업계적으로도 발전 도상이기 때문입니다. 그래도 구조화 데이터나 llms.txt의 설치 자체는 비용이 낮고, 하지 않을 이유가 보이지 않는다는 것이 솔직한 감상입니다.

결국은 제가 읽고 싶은 글이 아니면 의미가 없습니다

방안 이야기를 실컷 했습니다만, 마지막으로 가장 중요하다고 생각하는 것을 적겠습니다.

글의 방침으로는 짧고 간결하게 쓰고, 갱신 빈도를 올리는 것을 의식하고 있습니다. 편수는 하루 1편, 많아도 5편 정도로 담는 것이 딱 좋다고 생각합니다. 앞서 말한 대로 AI는 새롭고 간결한 문장을 우선하는 경향이 있으므로, 거기에 순순히 맞추는 형태입니다.

다만 양을 내는 것 자체가 목적은 아닙니다. E-E-A-T에서 말하는 대로, 읽기 쉬운 문장인 것은 당연하고, 그것이 체험담일 것, 실제의 목소리일 것을 상당히 중시하고 있습니다. AI로 생성하기만 한 글에는 거의 의미가 없다고 생각합니다.

이유는 단순합니다. 제가 읽고 싶지 않기 때문입니다.

사람이 읽고 싶지 않은 글을 늘어놓아 봐야 의미가 없고, 읽기 힘든 문장을 길게 나열해 봐야 의미가 없습니다. AI에게 인용되기 위한 대책을 파고들다 보면, 결국 “사람이 읽고 좋았다고 생각하는 글을 쓴다”는 곳으로 돌아옵니다. LLMO라는 말이 새로울 뿐, 해야 할 일은 그다지 새롭지 않다 — 이것이 지금으로서는 솔직한 결론입니다.

참고로 이 글도 AI에게 쓰게 하기만 한 것이 아닙니다. 실제로 받은 상담, 아직 손대지 못한 것, 재지 못하고 있는 것까지 포함해 제가 이야기한 내용을 바탕으로 구성했습니다. 그렇지 않으면 이 글 자체가 여기서 쓴 주장의 반증이 되어 버리니까요.

저희의 AI 웹사이트 제작은 SEO·AIO(AI 검색 최적화)·고속 표시·풀스택 구축이 기본 탑재이며, 구조화 데이터나 llms.txt도 별도 요금 없이 들어갑니다. 자세한 내용은 AI 웹사이트 제작 페이지에 정리했습니다. 지속적으로 LLMO를 의식한 글을 늘려 가고 싶다면, 대표가 직접 편집해 SEO와 LLMO를 양립시키는 기사 제작 운용도 준비되어 있습니다.

“우리 사이트는 AI에게 인용되는 상태가 되어 있는가”를 확인하고 싶은 분은 무료 상담으로 오세요. 전문 용어를 모르는 단계라도, 지금 상태를 보고 무엇부터 손대야 할지 정리하는 데서 시작하면 됩니다.

자주 묻는 질문

SEO와 LLMO의 차이는 무엇입니까?

LLMO는 SEO를 대체하는 것이 아니라 그 연장에 있는 방안입니다. SEO가 검색 엔진의 순위를 올리는 방법이라면, LLMO는 생성형 AI의 답변 안에서 인용·참조되기 위한 궁리입니다. 많은 생성형 AI가 검색 엔진의 인덱스를 토대로 하고 있으므로, SEO에서 평가받는 사이트는 LLMO에서도 유리해집니다.

LLMO는 무엇부터 시작하면 됩니까?

무료로 할 수 있는 것부터 시작해도 충분합니다. 기존 글의 소제목 바로 뒤에 결론을 한 문장으로 쓰기, 전문 용어나 서비스명에 한 문장 정의를 준비하기, FAQ를 정리해 구조화 데이터로 마크업하기, 이 세 가지가 우선순위가 높은 방안입니다. 추가 비용은 기본적으로 들지 않습니다.

LLMO의 효과는 어떻게 재면 됩니까?

GA4의 참조 소스에서 chatgpt.com이나 perplexity.ai 등으로부터의 유입을 확인하는 방법이 있습니다. 다만 Search Console에서 AI Overviews 경유의 노출 수만을 갈라내어 보는 것은 현시점에서는 어려운 것이 실정입니다. ChatGPT나 Perplexity에 자사의 상품명이나 서비스명을 직접 질문해 보는 수작업 확인도 유효합니다.

중소기업의 사이트에도 LLMO가 의미가 있나요?

의미가 있습니다. 오히려 정보량으로 대기업과 싸우기 어려운 중소기업 쪽이 한 문장 정의나 결론 우선의 방식을 철저히 하기 쉬운 면이 있습니다. 분량으로 싸우기보다, 질문에 대한 답을 명확히 준비하는 편이 비용 대비 효과가 높습니다.