Google의 AI 모드, Perplexity, ChatGPT 등, 다양한 생성형AI 기반 검색 엔진들이 생기면서, 검색이 더 이상 단순히 키워드 중심이 아닌, 대화형 질문과 응답에 기반한 경험으로 진화하고 있습니다. 이러한 변화는 사람들이 정보를 탐색하거나, 더 나아가서 브랜드를 인식하는 방식에 큰 영향을 미치고 있습니다. 특히 ChatGPT, Perplexity, Claude, Gemini, Google AI Overview 등 LLM 기반 검색 엔진과 관련 도구의 사용이 일상화되면서, 이러한 환경에서 브랜드가 검색 엔진 내 가시성을 유지하려면 기존 SEO(검색 엔진 최적화) 전략을 유지하는 것만으로는 충분하지 않게 되었습니다. 이제는 AI가 우리의 브랜드를 이해하고, 인지하고, 추천하도록 만드는 새로운 전략이 필요하고, 그 중에서도 특히 AI가 우리 브랜드를 ‘잘 인지하게’하기 위한 전략으로 LLMO(LLM Optimization)의 중요성이 대두되고 있습니다.
“LLMO”란 무엇인가요?
LLMO는 대형 언어 모델(Large Language Models)이 특정 브랜드나 제품, 서비스에 대해 (특히 긍정적으로) 언급하거나 추천할 수 있도록 정보를 구조화하고 배포하는 최적화 전략입니다. 핵심은 AI가 단순히 정보를 나열하는 것을 넘어서, 해당 브랜드를 “추천할 수 있는 수준”까지 이해하고 신뢰하도록 만드는 것입니다. 생성형 AI 기반 검색엔진들이 모두 LLM을 기반으로 작동하기 때문에, LLMO는 결국 이러한 AI 검색엔진에서 ‘잘 언급되기 위한’ 전략과 일맥상통한다고 할 수 있는 것이죠.
예를 들어 ChatGPT에게 “키워드 찾는 도구들 뭐 있어?”라고 물었을 때, BubbleShare라는 브랜드가 응답 내에 링크나 인용으로 포함된다면, 이는 BubbleShare가 LLMO 전략에 성공했음을 의미합니다. 단순히 검색 결과에 등장하는 것이 아니라, AI의 LLM 알고리즘 속에 BubbleShare라는 브랜드가 “Entity”로서 내재화된 것입니다.
LLMO를 꼭 해야 하나요?
최대한 빨리 LLMO를 시작해야 하는 이유는 아래와 같습니다. 생성형 AI 검색엔진을 통해서 검색을 하는 사용자들이 지속적으로 늘어나고 있고, 뿐만 아니라 생성형 AI 엔진에서의 검색 전환율도 우수한 점을 고려할 때, 오가닉 트래픽을 유지하고, 또 증가시키기 위해서는 LLMO가 필수적인 것이죠.
Google 검색에서도 AI 개요가 검색 결과 화면의 최상단에 노출되고, 사용자들은 웹사이트를 직접 클릭하지 않아도(Zero-click) 정보를 충분히 소비할 수 있는 경우가 늘어나고 있습니다. 즉, AI의 응답 안에 내 브랜드가 등장하지 않으면 각 엔진에서 브랜드의 인지도나 직/간접적인 오가닉 검색 유입의 상당 부분을 놓칠 수 있는 것입니다.
LLM이 정보를 수집하는 방식은?
LLM의 정보 수집 방식은 크게 두 가지로 나뉩니다.
1️⃣ 고정 학습형 모델 (Static Pre-trained Model): Claude가 예시인데, Claude는 특정 시점까지의 정적 데이터를 학습하여 정보를 제공합니다. 대표적으로 Wikipedia, 뉴스 기사, Reddit 등이 학습 대상입니다. 이후에는 외부 정보를 실시간으로 받아들이지는 않고, 최신 정보는 웹 검색을 통해서 제공이 됩니다.
2️⃣RAG 기반 모델 (Retrieval-Augmented Generation): Perplexity, Gemini와 같은 엔진은 실시간으로 웹을 검색해 응답을 생성하며, 생성된 결과를 인용 링크와 함께 사용자에게 제공합니다. 고정 학습형 모델과의 차이점은 Claude의 경우 기존 지식으로 답변이 가능하지 않을 때만 신규 웹 검색을 실행하는 반면, RAG 모델은 거의 모든 질문에 대해 검색을 실시한다는 점이 있습니다.
이렇게 LLM의 정보 수집 방식이 두 가지로 구분된다는 것은 곧 이에 대응할 수 있는 전략도 크게 두 가지 줄기가 된다는 말인데, 즉 Claude와 같은 모델에 브랜드가 포함되려면 Wikipedia나 언론 보도 등 정적이고 신뢰할 수 있는 출처에 브랜드가 존재해야 한다는 것이고, Perplexity와 같은 모델의 응답에 포함되려면 최신의 콘텐츠, 그리고 구조화된 콘텐츠가 공개되어 있어야 한다는 의미입니다.
내 브랜드를 Entity로 만드는 방법
LLM은 정보를 이해할 때 단순히 단어를 나열하는 것이 아니라 “의미 덩어리” 단위, 즉 Entity를 중심으로 사고합니다. 엔터티란 고유명사처럼 특정성을 지닌 개체를 뜻하며, 예를 들어 "네이버"나 "카카오" 등이 이에 해당합니다. AI가 특정 브랜드를 Entity로 인식하려면 이러한 요건이 충족되는 것이 좋습니다.
✔️Wikipedia나 LinkedIn 등 신뢰도 높은 플랫폼에 공식적인 계정이나 문서 존재함
✔️브랜드 명, 로고, 설명, 연혁 등이 웹 전반에서 일관성 있게 표현되어야 함
이 과정을 통해 AI는 브랜드를 단순 키워드가 아닌 “존재하는 개체”로서 기억하게 됩니다.
📍LLMO 전략1: 사람들이 묻는 질문에 답하는 형태의 콘텐츠 만들기
사용자들은 “OO역에서 가까운 맛집은?”, “2025년 한국의 마케팅 트렌드는?”과 같은 자연어로 된 질문을 AI에게 던집니다. 따라서 콘텐츠도 이에 맞는 방식으로 최적화되어야 합니다.
✏️질문을 직접적으로 다루는 문답형(혹은 FAQ형) 콘텐츠 생성
✏️개별 문단이 각각의 질문에 대응하며, 통계, 기사 인용, 전문가의 의견 등을 포함하여 신뢰도 증가
✏️너무 길거나 복잡한 표현보다는 짧고 명확한 문단 구조를 유지
이는 단지 사용자의 이해를 돕는 것이 아니라, AI가 콘텐츠를 문단 단위로 분석하여 응답에 포함시키기 쉽게 만드는 전략입니다.
📍LLMO 전략2: 신뢰받는 출처에서의 브랜드 언급량 확보하기
LLM은 정보 신뢰도를 판단할 때 언급된 출처의 도메인 신뢰도를 중요하게 여깁니다. TechCrunch, Wired, The Verge와 같은 신뢰도 높은 플랫폼이나, Reddit, Quora, Amazon의 리뷰나 소셜 채널 내의 리뷰 같은 사용자 생성 콘텐츠(UGC)도 주요 학습 소스입니다.
🗣️PR자료 배포, 제품 리뷰 콘텐츠, 등을 통해 제 3자 출처에서의 브랜드 언급을 유도
🗣️Reddit과 같은 커뮤니티 포럼에서 사용자 경험 기반의 브랜드 언급 유도
이러한 언급은 단순 SEO 백링크를 넘어서 AI가 브랜드를 추천할 수 있게 하는 실질적 데이터 포인트로 작용합니다.
📍LLMO 전략3: 문단 단위 최적화와 논리적인 콘텐츠 발행
AI는 웹페이지 전체를 그대로 이해하기 보다는, 문단 단위의 정보 블록을 조합하여 응답을 구성합니다. 그렇기 때문에 이 방식에 맞는 콘텐츠 최적화가 필요하죠.
이는 AI가 문단을 분리하여 활용할 수 있도록 도울 뿐만 아니라 사용자들이 정보를 탐색할 때도 유용합니다.
📍LLMO 전략4: Wikipedia 페이지 개설
Wikipedia는 대부분의 LLM에서 학습 데이터로 자주 활용되며, 신뢰도 높은 공공 Entity 소스 중 대표적인 플랫폼으로 간주됩니다.
브랜드가 Wikipedia에 등재되어 있다면, AI는 이를 공식적인 문서로 인식하고 응답에 포함시킬 확률이 높아집니다. 페이지 개설 시에는 아래와 같은 유의사항을 유념하면 좋습니다.
이제는 단순히 키워드를 기반으로 한 최적화를 넘어, AI가 기억하고 추천하는 브랜드가 되는 것이 오가닉 마케팅에서 주요한 부분이 되었습니다. 기존의 SEO도 여전히 중요하지만, 제로 클릭의 시대에, 그리고 AI 검색의 시대에 기존의 SEO만 지속한다면 변화하는 ‘검색 시장’에서 성장하는 데 한계가 있을 수 밖에 없습니다. 브랜드가 LLM 알고리즘 속에서 살아남기 위해서는 LLMO라는 새로운 전략을 지금부터 필수로 시작해서 내 브랜드의 가시성을 지켜야 할 것입니다.
