SEO와 AEO, 검색 최적화의 패러다임은 정말 바뀌고 있는가

검색엔진 최적화(SEO)를 십수 년 해온 사람에게 요즘 가장 자주 들어오는 질문이 있다. "이제 SEO는 끝난 건가요? AEO를 해야 하나요?"

이 질문이 재미있는 건, 구조가 익숙하기 때문이다. 10년 전에도 "SEO는 죽었나요?"라는 질문을 받았다. 5년 전에도. 그리고 지금도. 매번 새로운 이름표만 바뀔 뿐, 질문의 뼈대는 같다. 기존 것을 버리고 새것을 배워야 하느냐.

그런데 어쩌면 이 질문 자체가 잘못되었을지 모른다.

잘못된 질문에서 시작된 함정

AEO(Answer Engine Optimization), 혹은 GEO(Generative Engine Optimization)라 불리는 개념이 등장했다. ChatGPT, Perplexity, Google의 AI Overviews 같은 생성형 AI가 정보 탐색의 새로운 축으로 자리잡으면서, 마케터들은 또 하나의 최적화 전략을 쌓아야 하는지 혼란스러워한다. 콘텐츠를 만드는 사람 입장에서는 "그래서 뭘 어쩌라는 거야?"라는 볼멘소리가 나올 수밖에 없다.

하지만 "SEO냐 AEO냐"를 묻기 전에, 먼저 물어야 할 것이 있다. 우리의 콘텐츠는 누가, 어떻게 소비하는가.

같은 재료, 다른 요리법

AI 검색 시스템이 콘텐츠를 평가할 때 보는 요소들을 나열하면, SEO 실무자에게는 낯익은 목록이 나온다. 명확한 제목 구조, 첫 문단의 핵심 요약, 구조화된 데이터(Structured Data), Schema.org 마크업. 이미 해오던 것들이다.

여기서 "결국 같은 거 아니냐"고 결론짓기 쉽다. 하지만 그건 밀가루와 물이 같으니 빵과 국수가 같다고 말하는 것과 비슷하다.

같은 요소를 보되, 가중치의 순서가 다르다. 전통적 SEO에서 도메인 권위(Domain Authority)와 백링크 프로필은 핵심 신호였다. AI 검색에서는 이 신호들이 뒷자리로 밀린다. 대신 질의와의 의미적 근접성(Semantic Similarity), 답변 구성의 용이성이 앞자리를 차지한다.

벡터 임베딩(Vector Embedding) 기반의 검색은 "이 문서가 얼마나 권위 있는가"보다 "이 문서의 이 부분이 질문에 얼마나 직접적으로 답하는가"를 묻는다.

더 근본적인 차이도 있다. 구글의 패시지 랭킹(Passage Ranking)은 2021년부터 페이지 내 특정 단락을 독립 평가해왔다. 하지만 여전히 페이지 전체의 맥락 안에서 평가하고, 사용자를 해당 페이지로 연결한다. RAG(Retrieval-Augmented Generation) 기반의 AI 검색은 다르다. 청크(chunk)를 추출해 답변에 통합하고, 사용자는 원본 페이지를 방문하지 않을 수도 있다.

패시지 랭킹이 "어떤 페이지의 어느 부분이 좋은가"를 묻는다면, RAG는 "어느 청크가 답변 생성에 유용한가"를 묻는다. 비슷해 보이지만, 콘텐츠를 설계하는 사람에게는 꽤 다른 함의를 갖는다.

개선되고 있지만, 해결되지는 않았다

여기서 한 가지 불편한 사실을 짚어야 한다. AI가 "좋은 콘텐츠를 알아본다"고 단정하기에는 아직 이르다.

2024년 Stanford 연구는 주요 AI 검색 시스템에서 약 30%의 응답에 사실 오류가 포함되어 있다고 보고했다. 벡터 유사도(Vector Similarity)는 "의미적으로 가까운" 문서를 찾을 뿐, "사실적으로 정확한" 문서를 보장하지 않는다. 그럴듯한 거짓말이 지루한 진실보다 높은 유사도를 받을 수 있다는 것은 구조적 한계다.

물론 개선은 빠르다. Perplexity Pro의 학술 모드는 출처 검증 레이어를 강화했고, Google AI Overviews는 기존 검색 랭킹의 가중치를 반영하기 시작했다. 하지만 이건 기술의 성숙도 문제가 아니라, 벡터 기반 검색이라는 패러다임 자체의 특성이다.

그래서 "AI가 좋은 콘텐츠를 알아본다"고 단정할 수도, "AI는 엉터리를 골라낸다"고 비관할 수도 없다. 지금은 그 사이 어딘가에 있고, 어디로 수렴할지는 우리도 아직 지켜보는 중이다.

누가 어떻게 소비하는가 — 다층적 전략의 출발점

그렇다면 실무자는 무엇을 해야 하는가. "통합적으로 접근하라"는 말은 맞지만, 시간과 예산이 제한된 현장에서는 공허하게 들린다.

더 유용한 프레임은 사용자의 소비 방식을 단계별로 나누는 것이다.

첫 번째 단계는 AI 검색을 통한 빠른 답변이다. 사용자는 즉각적 정보를 원한다. 이 단계에서는 첫 문단의 직접적 답변, FAQ 구조, 청크 독립성이 중요하다. 이것이 AEO의 주된 영역이다.

두 번째 단계는 검색엔진을 통한 비교 탐색이다. 사용자는 여러 출처를 비교하고 선택한다. 여기서는 도메인 권위, 백링크, 메타 디스크립션의 설득력이 여전히 핵심으로 남아있는 전통적 SEO의 영역이다.

세 번째 단계는 직접 방문을 통한 '깊이 읽기'이다. 사용자는 포괄적 이해를 원한다. 논리적 구조, 풍부한 사례, 저자의 전문성이 이 단계의 가치를 만든다. 논점을 명확하게 하기 위한 비유나 스토리, 객관적 근거를 뒷받침하는 숫자나 데이터가 요긴하게 쓰이게 된다. 출처를 밝히고, 원문에 대한 링크를 거는 등, 손이 많이 가기는 하지만, 좋은 글의 신뢰도를 만드는 꼼꼼한 다듬기가 필요하다.

세 단계는 서로 배타적이지 않다. 한 사람이 하루에 세 단계를 모두 거칠 수도 있다. 핵심은 어느 하나를 버리는 것이 아니라, 자원이 한정되었을 때 어디에 먼저 힘을 줄 것인가를 판단하는 것이다.

경쟁이 치열한 영역이라면 SEO 기반을 먼저 다지는 편이 낫다. 아직 도메인 권위가 약한 신생 브랜드라면 AI 검색에서의 인용 기회가 오히려 돌파구가 될 수 있다. 이미 SEO 기반이 단단하다면, 정보 단위를 이루는 단락(Chunk)의 독립성과 구조적인 요약 방식을 보강하는 것이 다음 수순이다.

"SEO냐 AEO냐"는 선택의 문제가 아니라 순서의 문제다.

최적화의 역설, 다시

이 글을 쓰면서 계속 떠오르는 한 가지가 있다. 콘텐츠를 AI에 맞춰 최적화할수록, 정보는 더 단편화되고 맥락은 얇아진다. 요약과 직접적 답변을 선호하는 시스템에 맞추다 보면, "빠른 답변"은 풍성해지지만 "깊은 이해"는 조금씩 자리를 잃는다.

그리고 그 깊은 이해야말로, 아이러니하게도, AI가 아직 스스로 만들어내지 못하는 것이다.

검색 최적화의 기본 명제는 변하지 않았다. 사람을 위한 좋은 콘텐츠를 만드는 것. 다만 "좋은 콘텐츠"가 소비되는 경로가 다양해졌고, 각 경로에 맞는 구조적 관리가 필요해졌다. 전체를 읽는 사람에게도, 한 조각만 가져가는 AI에게도, 그 안에 담긴 정확성과 깊이가 온전히 전달되어야 한다.

그 균형점을 찾는 것이 2026년을 살아가는 콘텐츠 전문가의 과제이다. 그리고 그 균형점이 어디인지, 아직 누구도 확신하지 못한다.

다음에 콘텐츠를 기획할 때, '검색엔진을 위해' 또는 'AI를 위해'가 아니라, "이 글은 어떤 경로로 누구에게 도착하는가"를 먼저 되짚어보길 권한다.

실무 체크포인트 몇 가지

콘텐츠 구조 점검

각 H2 섹션이 300~500자 단위로 독립적 의미를 갖는지 확인한다. 첫 문단에 해당 섹션의 핵심 정보를 배치한다. AI 검색이 이 섹션만 추출하더라도 맥락이 전달되는가를 기준으로 삼는다. 이 섹션들이 AI가 질의에 알맞은 단락(Chunk)으로 여겨질수 있도록 다듬을 필요가 있다.

Schema.org 우선순위

Article, FAQPage, HowTo 스키마가 AI 검색에서 효과적이다. FAQ 스키마는 Q&A 형식 추출에 직접적 영향을 미친다. JSON-LD 형식을 기본으로 적용한다. Schema 코드는 구문의 정합성, 필수 속성의 충실한 값을 필요로 한다. 적용 전에 반드시 Rich Result Test 도구를 통해 검증하고 사용한다.

측정과 모니터링

Google Search Console로 기존 검색 성과를 추적하되, AI 검색 인용 여부는 주요 AI 서비스(ChatGPT, Perplexity, Claude)에 직접 질의하여 확인한다. AI 검색 트래픽은 referral 소스 분석으로 별도 세그먼트를 설정한다.

우선순위 판단 기준

리소스가 제한될 때: 기본 품질과 구조를 먼저 확보한다. 경쟁이 치열할 때: SEO 기반(백링크, 기술적 최적화)을 강화한다. 신규 진입할 때: AI 검색 인용 기회(FAQ, 요약 블록)를 적극 활용한다.