목차
ChatGPT, Gemini, Perplexity, Claude가 답변할 때 "우리 브랜드를 언급하게" 만들려면, 검색어 순위가 아니라 엔티티(Entity)로 인식되어야 합니다. Princeton GEO 논문, Yext 2026 리서치, Schema.org·Wikidata 공식 문서를 기반으로, AI가 브랜드를 알아보게 만드는 구체적인 해결 방안을 정리합니다.
1. 글로벌 근거: "키워드"만으로는 부족합니다. 왜 부족할까요?
Princeton 대학 연구진이 2024년 KDD 콘퍼런스에 발표한 논문 GEO: Generative Engine Optimization(arXiv 2311.09735)은 다음을 입증합니다.
"Keyword stuffing... offers little to no improvement on generative engine responses."
반면 통계 추가(Statistics Addition), 인용문 추가(Quotation Addition), 출처 인용(Cite Sources)은 각각 25~27점 수준으로, 무최적화(19.3점) 대비 최대 약 41% 가시성 향상을 보였습니다.
AI는 단순 문자열 매칭이 아닌 의미·구조·신뢰 신호를 평가합니다. Schema.org는 공식 스펙에서 sameAs가 "Wikipedia page, Wikidata entry, or official website"를 예시로 명시하며, 엔티티 정체성을 외부 참조로 확정하는 방식을 권장합니다. 검색 기반과 AI 인용 수준은 SEO 검사, GEO 검사에서 확인할 수 있습니다.
2. 엔티티 구축 3계층 모델
옵티플로우는 AI가 브랜드를 인식하는 과정을 외부 정체성 → 페이지 구조 → 콘텐츠 신호의 3계층으로 정의합니다.
| 계층 | 목표 | 주요 행동 |
|---|---|---|
| 1. 외부 정체성 | AI·검색엔진이 브랜드를 "실제 존재하는 엔티티"로 인식 | Wikidata 항목 등록·유지 |
| 2. 페이지 구조 | 웹페이지에서 브랜드 정보를 구조적으로 전달 | Schema.org Organization + sameAs(Wikidata URL) 적용 |
| 3. 콘텐츠 신호 | GEO 논문에서 검증된 신뢰·가시성 신호 강화 | 인용, 통계, 인용문 포함 구조화 콘텐츠 작성 |
3. Wikidata 항목 등록 실무 가이드
Wikidata는 Wikipedia보다 엔티티 등록 장벽이 낮습니다. Wikipedia는 언론 보도 등 독립적 검증이 필요하지만, Wikidata는 다음 중 하나만 충족하면 됩니다.
- Wikimedia 사이트(위키백과 등)의 sitelink 보유
- 구조적 필요성(structural need) — 다른 항목·문장에서 참조되는 실체
- 공개 참고문헌으로 설명 가능한 명확히 식별 가능한 실체
실제로 WikiProject Companies에는 Wikipedia 항목 없이도 수천 개의 회사가 등록되어 있습니다. 필수 속성은 다음과 같습니다.
| 속성 | 설명 |
|---|---|
| P31 (instance of) | business (Q4830453) |
| P571 (inception) | 설립일 |
| P159 (headquarters location) | 본사 소재지 |
| P452 (industry) | 업종 |
| P856 (official website) | 공식 웹사이트 |
각 문장에는 독립 출처(뉴스, 정부 DB, 산업 DB 등)를 참조로 연결하는 것이 좋습니다. 등록 후 받은 Q-ID(예: Q12345)는 웹사이트 Schema.org의 sameAs에 https://www.wikidata.org/wiki/Q12345 형태로 연결합니다.
구조화·엔티티 수준은 AEO 검사에서 답변 채택 적합성을 점검할 수 있습니다.
4. Schema.org sameAs 적용
Schema.org 공식 정의에 따르면, sameAs는 "item's identity를 명확히 나타내는 참조 페이지의 URL"이며, 예시로 Wikipedia, Wikidata, 공식 웹사이트를 직접 제시합니다.
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "회사명",
"url": "https://example.com",
"sameAs": [
"https://www.wikidata.org/wiki/Q12345",
"https://twitter.com/...",
"https://linkedin.com/company/..."
],
"description": "회사 설명",
"foundingDate": "YYYY-MM-DD"
}홈페이지 <head> 또는 본문에 JSON-LD로 삽입하면 Google, ChatGPT, Perplexity, Claude 등이 브랜드 정체성을 일관되게 해석할 수 있습니다.
구조화 데이터 적용 여부는 AEO 검사로 확인할 수 있습니다.
5. GEO 논문이 말하는 콘텐츠 전략
Princeton GEO 논문의 GEO-bench 실험 결과를 실무에 적용하면 다음과 같습니다.
| GEO 방법 | 기대 효과(논문) | 실무 적용 |
|---|---|---|
| Statistics Addition | 약 +30% | 수치·비율·연도·데이터 명시 |
| Quotation Addition | 약 +41% | 전문가·공식 자료 인용문 추가 |
| Cite Sources | 약 +27% | 신뢰 가능한 출처 링크·인용 |
| Fluency Optimization | 약 +28% | 문장 명확성·간결성 개선 |
| Keyword Stuffing | 약 -8% | 비권장 |
키워드 반복보다 통계·인용·인용문·가독성이 AI 인용 가능성에 더 큰 영향을 미칩니다. GEO 검사는 이 항목들을 배점으로 반영합니다.
6. 모델별 인용 차이와 대응
Yext가 2026년 1월 발표한 리서치(17.2M 인용 분석)에 따르면, 모델별로 인용 패턴이 뚜렷히 다릅니다. "단일 AI 최적화 전략은 작동하지 않는다"는 결론입니다.
| 모델 | 특성 | 대응 방향 |
|---|---|---|
| ChatGPT | Wikipedia·합의된 출처 비중 높음(약 47.9%) | Wikidata·Schema·공식 자료 연결 강화 |
| Claude | UGC(리뷰·소셜) 비중 2~4배 높음 | 리뷰·포럼·소셜 채널 관리 |
| Perplexity | 실시간 웹, Reddit 비중 큼 | 실시간성·포럼·커뮤니티 노출 |
| SearchGPT | 호텔·공식 사이트 비중 높음(38.1%) | 업종별 공식 사이트 구조·스키마 강화 |
엔티티·Schema·GEO 콘텐츠는 공통 기반이며, 모델별로 UGC·실시간성·공식 사이트 비중 등 우선순위를 다르게 두는 것이 효과적입니다.
SEO 검사, AEO 검사, GEO 검사에서 각 영역 현황을 점검할 수 있습니다.
7. 실무 체크리스트
아래 순서대로 진행하면 브랜드 엔티티 구축과 AI 인용 가능성을 체계적으로 높일 수 있습니다.
- Wikidata 확인 — 해당 브랜드 Q-ID가 있는지 검색. 없으면 structural need·검증 가능한 출처 기준으로 등록 검토.
- Schema.org Organization — 홈페이지에 JSON-LD 추가.
sameAs에 Wikidata URL, 소셜·공식 사이트 URL 포함. AEO 검사로 점검할 수 있습니다. - GEO 콘텐츠 — 블로그·기사에 통계·인용문·출처 인용 포함. 키워드 과다 반복 지양.
- 모델별 우선순위 — ChatGPT 중심이면 Wikidata·위키·공식 자료, Claude 중심이면 UGC·리뷰 확대.
- GEO 검사 — GEO 검사로 엔티티·인용 밀도·구조화 수준을 정기 점검.
엔티티·GEO 기반 AI 인용 전략이 필요하신가요?
옵티플로우는 SEO·AEO·GEO를 통합한 OptiFlow 캠페인과 GEO 검사 서비스를 제공합니다. 글로벌 공식 자료와 최신 연구를 반영한 실무 지원이 가능합니다.
참고 문헌 — Schema.org sameAs·Organization; Wikidata Notability, WikiProject Companies; Princeton GEO 논문 arXiv 2311.09735, KDD 2024; Yext AI Citation Research January 2026.
