AI는 왜 늘 같은 브랜드만 추천할까? - 지금 GEO를 서둘러야 하는 이유

작년 봄에 순한 선크림 브랜드를 낸 친구가 있습니다. 얼마 전 저녁 자리에서 그 친구가 휴대폰을 내밀었습니다. 챗GPT에 "민감한 피부에 맞는 순한 선크림 추천해 줘"라고 물어본 화면이었습니다. 다섯 개가 나왔는데, 전부 백화점 1층에서 한 번쯤 본 이름이었습니다. 친구 제품은 없었습니다.

친구는 그날부터 3주 동안 상세페이지를 다시 썼습니다. 성분 설명을 쉽게 풀고, 문장을 매끄럽게 고치고, 자주 묻는 질문도 정리했습니다. 내용은 그대로 두고 표현만 더 좋게 바꾼 겁니다. 그리고 같은 질문을 다시 던졌습니다. 결과는 달라지지 않았습니다. "내가 뭘 잘못한 걸까?" 친구가 물었는데, 그때는 저도 대답을 못 했습니다.

그런데 두 달쯤 지나 친구에게서 캡처 한 장이 왔습니다. 한 뷰티 블로거가 순한 선크림 다섯 개를 직접 써 보고 비교한 글에 친구 제품이 들어갔고, 같은 질문을 다시 던지자 AI가 그 글을 근거로 달며 처음으로 친구 브랜드를 목록에 올렸다는 겁니다. 3주 동안 문장을 고쳐도 꿈쩍 않던 결과가, 남이 써 준 글 한 편에 움직인 겁니다.

생각해 보면 우리도 비슷하게 행동합니다. 누가 "이 근처 괜찮은 카페 있어?"라고 물으면, 직접 가 본 곳보다 이름을 자주 들어 본 곳이 먼저 입에서 나옵니다. 새로 생긴 가게 간판이 아무리 예뻐도, 내 머릿속 동네 지도에 없으면 떠오르지 않습니다. 최근 나온 한 논문은 AI도 정확히 이렇게 움직인다는 걸 숫자로 보여 줬습니다. 그리고 친구의 제품이 어떻게 그 목록에 들어갈 수 있었는지도 함께 설명해 줍니다.

잠깐, AI 가시성이란?

AI 가시성(AI Visibility)은 챗GPT, Gemini 같은 AI에게 물었을 때 우리 브랜드가 답변에 얼마나 자주 나오는지를 말합니다. 링크 열 개를 보여 주던 예전 검색과 달리, AI는 브랜드 몇 개만 골라 답합니다. 거기 들지 못하면 소비자에게는 없는 브랜드나 마찬가지입니다. 이 가시성을 높이는 일을 GEO(생성형 엔진 최적화)라고 부릅니다.

AI의 추천에는 두 가지 편향이 있다

지난 11월 5일, 이탈리아 연구진(Monaco, Lenti, Pierri)이 생성형 검색의 브랜드 편향을 조사한 논문을 공개했습니다. 제목부터 직설적입니다. "인기 있는 쪽이 더 인기를 얻는다(The Popular Get More Popular)."

연구진은 AI가 특정 브랜드를 더 자주 추천하는 이유를 두 가지로 나눴습니다. 첫째는 인기 편향입니다. 시장에서 이미 덩치가 큰 브랜드가 유리하다는 뜻입니다. 둘째는 친숙도 편향입니다. AI(정확히는 챗GPT 같은 서비스의 바탕이 되는 대형 언어 모델)가 학습하는 동안 많이 보고 '외워 둔' 브랜드가 유리하다는 뜻입니다.

숫자로 보면 차이가 꽤 큽니다. 연구진은 시장의 주요 브랜드 1,176개를 인기 순으로 다섯 묶음으로 나눴습니다. 가장 위쪽 묶음, 즉 인기 상위 20% 브랜드는 평균적인 브랜드보다 1.4~2.8배 더 자주 AI 답변에 인용됐습니다.

이름만 바꿨는데 순위가 떨어졌다

이 논문에서 가장 눈에 띄는 건 실험 하나입니다. 연구진은 실제 브랜드의 이름과 특징(논문에서는 '브랜드 시그니처'라고 부릅니다)을 처음 보는 가상의 브랜드로 바꿔 봤습니다. 제품 설명은 똑같이 두고 이름만 낯설게 만든 겁니다. 그러자 추천 순위가 눈에 띄게 떨어졌습니다. 내용이 같아도 AI가 모르는 이름이면 뒤로 밀린다는 뜻입니다.

또 하나의 결과는 제 친구의 3주를 떠올리게 합니다. 사실은 그대로 두고 문장만 다듬는 '리라이트'는 순위를 올리는 데 거의 효과가 없었습니다.

앞에서 말한 동네 가게 비유로 돌아가 보면 이렇습니다. 간판(콘텐츠)을 새로 칠해도, 동네 사람들 머릿속 지도(AI의 학습 기억)에 없는 가게는 추천 목록에 잘 오르지 않습니다. 문제는 간판이 아니라 지도였던 셈입니다.

AI가 답을 만드는 길은 두 개다

그럼 작은 브랜드는 방법이 없을까요? 여기서 알아 둘 게 하나 있습니다. AI가 브랜드를 추천할 때 쓰는 길은 하나가 아니라 두 개입니다.

하나는 기억의 길입니다. AI가 학습할 때 이미 보고 외워 둔 정보에서 답을 꺼내는 길입니다. 다른 하나는 검색의 길입니다. 질문을 받은 그 순간 웹을 찾아보고, 거기서 나온 자료를 근거로 답하는 길입니다. 신생 브랜드나 작은 브랜드는 기억의 길에서 구조적으로 불리합니다. 하지만 검색의 길은 사정이 다릅니다.

지난 9월에 나온 또 다른 논문(Tannenbaum)이 이 부분을 보여 줍니다. 이 논문은 AI 가시성 업체(Aiso Boost) 쪽 저자가 썼고, 논문 안에 그 이해관계를 밝혀 두었다는 점은 감안하고 보시면 좋습니다. 연구는 총 34,960건의 관측을 바탕으로 했습니다.

결과는 이렇습니다. 브랜드나 자사 사이트가 AI의 실시간 검색 결과에 전혀 잡히지 않을 때, 브랜드가 답변에 언급된 비율은 GPT 2.8%, Gemini 3.8%에 그쳤습니다. 그런데 자사 사이트가 검색 결과에 잡히고, AI가 답을 찾으려고 여러 갈래로 나눠 돌리는 하위 검색(fan-out) 가운데 브랜드 이름이 들어간 검색까지 있으면 91.4%와 100%로 뛰었습니다.

출처: Tannenbaum (2026), arXiv:2609.23162 (편집 메모: 이 표는 막대그래프로 제작 권장)

같은 논문에는 기억의 길이 얼마나 차이를 만드는지 보여 주는 사례도 있습니다. 실시간 검색 인용 없이 AI를 40번 돌렸을 때, 경쟁사 1은 30번, 경쟁사 2는 28번 언급됐습니다. 해당 조직은 0번이었습니다. 검색의 도움 없이 기억만으로 답할 때, 처음부터 아는 이름과 모르는 이름의 격차가 이만큼 벌어진다는 뜻입니다.

그래서 포기해야 할까? 오히려 반대다

여기까지 읽으면 "결국 큰 브랜드만 이기는 판이네" 싶을 수 있습니다. 그런데 숫자를 다시 보면 결론은 반대입니다.

기억의 길은 바꾸기 어렵습니다. 하지만 검색의 길은 오늘부터 끼어들 수 있습니다. 위 연구에서 언급률을 2.8%에서 91.4%로 끌어올린 건 회사 규모가 아니었습니다. AI가 검색할 때 그 브랜드가 잡히느냐였습니다.

자리도 생각보다 고정돼 있지 않습니다. Semrush가 6월에 낸 AI 가시성 지수를 보면, 4개 AI 플랫폼 모두에서 매달 상위 100위를 지킨 브랜드는 36개뿐이었습니다. 순위는 계속 움직이고 있고, 그 사이로 들어갈 틈은 아직 있습니다.

다만 시간이 우리 편은 아닙니다. 논문 제목처럼 인기 있는 쪽이 더 인기를 얻는 구조라면, 가만히 기다리는 동안 격차는 줄지 않고 벌어집니다. 특히 국내 신생 D2C 브랜드는 AI가 학습한 자료 속에 한국어로 등장한 횟수 자체가 적습니다. 그래서 친숙도 편향의 영향을 더 크게 받기 쉽다고 봅니다(논문의 결론이 아니라 저희의 해석입니다). 기억의 길이 약한 만큼, 검색의 길을 하루라도 빨리 열어 두는 게 중요합니다.

지금 무엇부터 해야 할까

정리하면, 문장을 다듬는 것보다 AI의 검색 경로에 우리 브랜드가 걸리게 만드는 게 먼저입니다. 다른 사람이 써 준 언급, 리뷰, 비교글 같은 제3자 노출이 여기에 해당합니다. Optee는 이 일을 세 단계로 나눠서 합니다.

1. 나눠서 측정합니다. AI 엔진별로 '검색 결과에서 우리 사이트가 인용되는지'와 '답변에 브랜드 이름이 나오는지'를 따로 잽니다. 둘을 섞어 보면 어디가 막혔는지 알 수 없습니다.
2. 빈 곳을 채웁니다. 우리 브랜드 인용이 비어 있는 질문을 찾아, 그 질문에 맞는 비교형·리뷰형 콘텐츠를 만들고 외부 채널에 배포합니다. 네이버 블로그, 플레이스, 쇼핑 리뷰처럼 다른 사람이 남기는 신호도 AI가 거쳐 가는 검색 경로로 보고 함께 챙깁니다.
3. 다시 측정합니다. 같은 질문으로 다시 재서 언급률이 어떻게 바뀌었는지 추적합니다.

간판을 다시 칠하기 전에, 지도에 먼저 올라가자

제 친구의 3주가 헛수고였던 건 아닙니다. 다만 순서가 달랐을 뿐입니다. AI가 우리 브랜드를 아직 모른다면, 문장을 고치기 전에 AI가 검색할 때 지나가는 길목에 우리 이름부터 놓아야 합니다.

AI 검색에서 작은 브랜드가 불리한 건 사실입니다. 그래서 더더욱 지금은 GEO를 내려놓을 때가 아니라, 남들보다 조금이라도 먼저 시작해야 할 때입니다.

참고 자료

• Monaco, Lenti, Pierri (2026). The Popular Get More Popular: Auditing Brand Bias in Generative Search. arXiv:2611.07614
• Tannenbaum (2026). From Prompt to Recommendation: A Fitted Stage Model of Brand Visibility in AI Search. arXiv:2609.23162 (참고 그림: Figure 1 단계 모델, Figure 4 자사 도메인 유무별 언급률)
• Semrush AI Visibility Index (2026년 6월)