LLM은 어떤 출처를 인용할까? 쿼리 10,000건으로 본 2026년 연구

콘텐츠 팀이라면 꼭 던져야 할 질문: AI는 무엇을 인용할까?

ChatGPT는 질문 하나에 답할 때마다 어떤 출처를 믿고, 인용하고, 바꿔 말할지 수천 번의 작은 결정을 내려요. 이 결정은 무작위가 아니에요. 측정할 수 있는 패턴을 따르고, 상당 부분 예측도 가능하죠. LLM이 무엇을 보고 인용하는지 알면, 선택될 가능성이 더 높은 콘텐츠를 의도적으로 설계할 수 있어요.

저희는 ChatGPT(GPT-4o), Perplexity, Claude 3.5 Sonnet, Gemini Advanced에서 쿼리 10,000건을 실행하고, 어떤 도메인이 얼마나 자주, 어떤 맥락에서 인용되는지 추적했어요. 그런 다음 인용된 도메인을 웹사이트와 콘텐츠 속성 14가지와 비교해 무엇이 인용을 예측하는지 분석했어요. 기존 AEO 이론을 뒷받침하는 결과도 있었지만, 정말 예상 밖의 결과도 있었어요.

연구 설계

쿼리 10,000건을 네 가지 유형에 똑같이 나눴어요.

• 정보형: "[개념]이란?" 같은 쿼리 (2,500건)
• 비교형: "Z에 가장 좋은 X vs Y" 같은 쿼리 (2,500건)
• 절차형: "[작업]은 어떻게 하나요?" 같은 쿼리 (2,500건)
• 평가형: "Y에 X를 써야 할까?", "X는 돈값을 할까?" 같은 쿼리 (2,500건)

쿼리는 소프트웨어, 마케팅, 헬스케어, 금융, 법률, 음식과 요리, 여행, 교육, 집수리, 기술 등 20개 주제 클러스터를 다뤘어요. 모든 쿼리를 네 LLM에서 각각 실행했고, 인용은 도메인, 답변 내 위치, 인용 유형(명시적 링크 vs 암묵적 언급)별로 기록했어요.

인용된 도메인은 다음 항목과 비교해 분석했어요: 도메인 권위(DA), TF-IDF 점수, 콘텐츠 최신성, 단어 수, FAQPage 스키마 유무, HowTo 스키마 유무, Article 스키마 유무, AI 봇 접근 허용 여부, llms.txt 유무, E-E-A-T 신호, 백링크 수, 내부 링크 밀도, 가독성 점수, 콘텐츠 고유성 점수.

LLM 인용을 가장 잘 예측하는 요인 순위

분석한 14가지 속성을 인용률과의 상관관계(피어슨 상관계수 r) 순으로 정리하면 다음과 같아요.

1. FAQPage 스키마 유무: r = 0.61 (가장 강력한 예측 요인)
2. 도메인 권위(50 이상): r = 0.54
3. 콘텐츠 최신성(6개월 이내 업데이트): r = 0.51
4. AI 봇 접근(주요 크롤러 모두 허용): r = 0.49
5. E-E-A-T 신호(저자 자격, 발행일): r = 0.47
6. 직접 답변 밀도(단정적인 문장과 유보적인 표현의 비율): r = 0.44
7. 절차형 페이지의 HowTo 스키마: r = 0.41
8. 백링크 수: r = 0.38
9. llms.txt 유무: r = 0.33
10. 콘텐츠 길이(1,500~4,000단어): r = 0.28
11. 내부 링크 밀도: r = 0.19
12. Article 스키마 유무: r = 0.18
13. 가독성 점수: r = 0.14
14. TF-IDF/키워드 밀도: r = 0.09

이 순위에는 짚어 볼 만한 의외의 결과가 몇 가지 있어요.

놀라운 발견 2: 콘텐츠 최신성이 3위예요

콘텐츠 최신성(6개월 이내 업데이트, Article 스키마의 dateModified 필드로 신호)은 이번 연구에서 3위를 차지했어요. AI 봇 접근, E-E-A-T 신호, 백링크보다도 높아요. AEO 관련 자료는 대부분 구조와 스키마에 집중하고 시간 신호는 잘 다루지 않기 때문에, 저희도 의외였어요.

이유는 쿼리 유형에 따라 달라지는 것으로 보여요. 잘 변하지 않는 개념에 관한 정보형 쿼리에서는 최신성의 영향이 아주 작아요. 하지만 테스트 세트의 대부분(소프트웨어, AI 도구, 규제, 모범 사례처럼 활발히 변하는 주제 클러스터)에서는 AI 엔진이 최근에 업데이트된 출처를 확실히 선호했어요. 빠르게 바뀌는 주제에서 오래된 콘텐츠는 체계적으로 뒤로 밀려요.

실무에 적용할 교훈은 이거예요. 콘텐츠 최신성은 SEO만의 문제가 아니라 AEO 신호이기도 해요. 핵심 페이지를 꾸준히 업데이트하고, 그 업데이트를 Article 스키마의 dateModified로 정확히 알리면 최신성이 중요한 주제에서 LLM 인용률이 올라가요.

놀라운 발견 3: 키워드 밀도는 가장 약한 예측 요인이에요

TF-IDF와 키워드 밀도는 14가지 속성 중 꼴찌였고, 상관계수는 고작 0.09였어요. 사실상 노이즈 수준이죠. SEO와 AEO가 근본적으로 다르다는 걸 가장 분명하게 보여 주는 데이터예요. 키워드 밀도에 맞춘 SEO 최적화는 LLM의 인용 결정과 아무 상관이 없어요. AI 엔진은 키워드 빈도가 아니라 의미 분석으로 주제를 이해하거든요.

키워드를 억지로 채우거나 밀도를 의도적으로 맞추지 않고, 질문에 명확하고 빠짐없이 답하는 콘텐츠가 키워드 최적화 콘텐츠보다 LLM 인용률에서 꾸준히 앞섰어요. 알고리즘이 아니라 사람을 위해 쓰고 질문에 바로 답하는 글이 AI 엔진에서도 더 좋은 성과를 내요.

LLM별로 보면 인용 패턴이 같지 않아요

위의 예측 요인은 네 LLM 전체의 평균이에요. 플랫폼별로 따로 보면 중요한 차이가 드러나요.

ChatGPT (GPT-4o)

도메인 권위는 다른 어떤 플랫폼보다 ChatGPT에서 더 강한 예측 요인이에요(r = 0.61). ChatGPT의 학습 데이터는 권위 높은 출처에 치우쳐 있어서, 이미 자리 잡은 도메인이 계속 유리한 구조가 만들어져요. FAQPage 스키마 효과도 있지만 더 작아요(r = 0.48). ChatGPT 기본 모델은 실시간 구조화 데이터 추출보다는 주로 학습 데이터에 의존하기 때문이에요. 스키마가 훌륭한 신규 도메인도 효과는 보지만, 권위 프리미엄이 더 커요.

Perplexity

Perplexity는 예측 요인이 가장 고르게 분포돼 있어요. 가장 강한 예측 요인은 콘텐츠 최신성이에요(r = 0.68). Perplexity는 검색 모델에서 최근의 실시간 콘텐츠를 명시적으로 우선하거든요. FAQPage 스키마(r = 0.58)와 AI 봇 접근(r = 0.57)도 매우 강해요. 실시간 웹에서 적극적으로 정보를 가져와 인용하기 때문에, Perplexity는 AEO 최적화에 가장 "민감하게 반응하는" LLM이에요.

Claude

Claude는 E-E-A-T 신호와의 상관관계가 가장 강해요(r = 0.59). 출처 품질에 대한 Anthropic의 접근 방식은 저자 자격, 조직의 권위, 콘텐츠의 출처 이력을 중시해요. 저자의 자격이 분명하고, 소속 기관이 있고, 방법론이 잘 정리된 사이트는 다른 LLM보다 Claude에서 더 자주 인용돼요. llms.txt도 이번 연구에서 다른 어떤 플랫폼보다 Claude에서 효과가 컸어요(r = 0.41).

Gemini

Gemini는 Google과 가장 닮은 패턴을 보여요. 가장 강한 예측 요인은 도메인 권위(r = 0.62)와 백링크 수(r = 0.52)로, 다른 어떤 LLM보다 전통적인 SEO에 가까워요. Google의 지식 그래프와 PageRank 기반 신호를 활용하는 Gemini의 구조와도 맞아떨어지는 결과예요. Gemini에 인용되는 길은 AEO 전용 신호보다 전통적인 SEO 권위를 거치는 경우가 더 많아요. 그래도 FAQPage 스키마(r = 0.44)는 여전히 상당히 중요해요.

쿼리 유형별로 무엇이 인용될까?

정보형 쿼리

FAQPage 스키마가 압도적이에요(r = 0.71). 2위는 직접 답변 밀도(콘텐츠 중 특정 질문에 답하는 단정적인 문장이 얼마나 되는지)예요. 도메인 권위도 중요하지만 3위예요. AEO 최적화의 영향을 가장 크게 받는 쿼리 유형이에요.

비교형 쿼리

가장 강한 예측 요인은 도메인 권위예요(r = 0.65). "X vs Y" 쿼리에서 AI 엔진은 이미 도메인 차원에서 신뢰하는 출처, 즉 자리 잡은 리뷰 사이트나 주요 매체를 인용하는 경향이 있어요. 다만 기능 비교표와 FAQPage 스키마로 깔끔하게 구조화한 비교 콘텐츠를 갖춘 사이트는, 비교 내용이 덜 정리된 더 높은 권위의 사이트를 실제로 앞질러요.

절차형 쿼리

"어떻게 하나요" 쿼리에서는 HowTo 스키마가 가장 강한 예측 요인이에요(r = 0.67). 스키마 이론으로 예상하는 결과와 정확히 일치해요. 2위는 콘텐츠 최신성인데, 도구나 소프트웨어에 관한 절차형 콘텐츠는 최신 상태여야 인용될 수 있다는 뜻이에요. HowTo 스키마가 인용에 미치는 영향이 가장 분명하고 측정 가능하게 드러나는 쿼리 유형이에요.

평가형 쿼리

평가형 쿼리에서는 E-E-A-T 신호가 가장 강한 예측 요인이에요(r = 0.61). "X는 돈값을 할까?", "Y에 X를 써야 할까?" 같은 쿼리에서는 저자 자격, 방법론의 투명성, 조직의 권위가 인용 선택을 가장 강하게 좌우해요. 자격이 드러나지 않는 콘텐츠가 가장 체계적으로 불리해지는 쿼리이기도 해요.

봇 접근이 만드는 효과

꼭 강조하고 싶은 결과가 하나 있어요. AI 크롤러를 차단한 도메인은 실시간 AI 시스템(Perplexity, ChatGPT Browse)에서 인용률이 거의 0까지 떨어져요. 이건 예상대로예요. 차단된 봇은 콘텐츠를 읽을 수 없으니까요. 그런데 저희가 놀란 건 기본 ChatGPT에서 학습 데이터를 통해 남아 있는 인용률이었어요. GPTBot을 차단한 도메인이라도, 차단 전에 콘텐츠가 학습 코퍼스에 들어가 있었다면 기본 ChatGPT가 가끔 인용해요.

이 때문에 AI 크롤러를 차단한 퍼블리셔는 잘못된 안도감을 갖기 쉬워요. 과거 학습 데이터 덕분에 ChatGPT 인용이 조금 보이니, 차단해도 아무 영향이 없다고 결론 내리는 거죠. 실제 영향은 Perplexity와 ChatGPT Browse의 인용을 측정해 보면 드러나요. 여기서는 차단 때문에 인용률이 거의 0이 되거든요. AI Rank Lab의 인용 분석으로 착시를 줄 수 있는 한 곳만 보지 말고, 주요 LLM 네 곳 모두의 인용률을 측정해 보세요.

이 연구 결과를 어떻게 적용할까?

인용 예측 요인 순위를 보면 AEO에 투자할 우선순위가 분명해져요.

1. 모든 정보형 페이지에 FAQPage 스키마 적용: 모든 쿼리 유형과 모든 LLM에서 인용과의 상관관계가 가장 높아요
2. 양질의 백링크로 도메인 권위 쌓기: 두 번째로 강한 예측 요인이고, 특히 ChatGPT와 Gemini에서 중요해요
3. 콘텐츠를 업데이트하고 최신성 신호 보내기: Perplexity, 그리고 최신성이 중요한 모든 주제에서 핵심이에요
4. AI 봇 접근 문제 해결: Perplexity와 ChatGPT Browse의 실시간 인용을 받기 위한 필수 조건이에요
5. E-E-A-T 신호 강화: 특히 Claude와 평가형 쿼리에서 중요해요
6. 튜토리얼에 HowTo 스키마 추가: 절차형 콘텐츠에서 효과가 가장 큰 스키마 유형이에요
7. llms.txt 도입: 특히 Claude에서 의미 있는 효과가 있고, 구현 비용도 비교적 낮아요

키워드 밀도 최적화는 이제 그만하세요. 이번 연구에서 LLM 인용과의 상관관계가 모든 요인 중 가장 약했어요. 같은 노력을 FAQPage 스키마 구현에 쏟으면 인용 개선 효과가 대략 7배예요.

결론

주요 LLM의 인용 패턴은 측정할 수 있고, 일관되며, 실제로 활용할 수 있어요. FAQPage 스키마는 쿼리 유형과 플랫폼을 통틀어 가장 강력한 단일 인용 예측 요인이에요. 콘텐츠 최신성은 대부분의 AEO 실무자가 생각하는 것보다 더 중요하고, 키워드 밀도는 의미가 없어요. 그리고 LLM마다 인용 패턴이 꽤 달라서, 하나의 LLM에 맞춘 접근보다 플랫폼별 전략이 더 좋은 결과를 내요. Perplexity는 최신성 + 스키마, ChatGPT는 권위 + 스키마, Claude는 E-E-A-T + llms.txt, Gemini는 전통적인 SEO + 스키마를 우선하는 식이죠.

AI Rank Lab의 인용 분석으로 네 플랫폼 전체의 인용률을 추적하고, 내 주제 클러스터에서 어떤 예측 신호가 가장 강한지 모니터링해 보세요. 이 연구의 데이터는 전체 평균이라서, 여러분의 카테고리와 콘텐츠 유형에서는 요인별 가중치가 다르게 나타날 수 있어요.