AI 검색 노출 측정 방법
Arthur · xeolab 대표 · 2026-07-02 발행 · 2026-09-18 수정 · 읽는 시간 7분
우리는 전체 등장률보다 '계속 빠지는 질문'과 '비교 조건이 바뀐 날'부터 본다. 평균은 가장 나중이다.
핵심 요약
AI 노출 측정은 '소비자가 실제로 묻는 질문 묶음'을 정해 매일 여러 AI에 던지고, 답변마다 브랜드 언급 여부·순서·경쟁사 언급·인용 출처를 기록해 집계하는 방식이다. 지표는 등장률(답변 중 언급된 비율), 언급 순서, 점유율(경쟁사 대비), 인용 출처 네 가지이고, 하루 변화보다 주 단위 추세로 읽는다.
비교 조건이 바뀐 날
점유율이 전달보다 뚝 떨어진 월간 리포트를 받았다고 해 보자. 그런데 그달 중순에 경쟁사 목록에 두 곳이 추가됐다면, 분모가 커져서 비율이 내려간 것이지 브랜드가 못한 게 아니다. 비교 조건이 바뀐 걸 모른 채 숫자만 보면 누구든 이렇게 틀린다. 그래서 우리 콘솔은 질문 묶음·AI 목록·브랜드 목록이 바뀐 날에 비교 경계를 긋고, 경계 너머와는 증감을 잇지 않는다. 측정에서 숫자보다 먼저 볼 것은 '무엇과 무엇을 비교하고 있나'이다.
질문 설계
좋은 추적 질문은 '의도 + 맥락'이다. '치과 추천'이 아니라 '강남에서 임플란트 잘하는 치과 추천'처럼 실제 소비자 문장에 가깝게 쓴다. 정보형 질문('임플란트 기간은?')은 브랜드가 등장할 자리가 없으니 추천형·비교형을 섞는다.
같은 뜻의 표현 변형을 여러 개 넣는 것보다 비용·지역·시술·후기처럼 서로 다른 의도를 넓게 잡는다. 구글이 설명하듯 AI는 질문을 하위 주제로 쪼개 검색하니, 질문 묶음이 그 하위 주제를 덮어야 약한 곳이 보다. 개수는 우리는 보통 의도가 다른 20개 안팎으로 시작하고, 업종과 상품 수에 따라 늘린다.
측정 주기와 반복
AI 답변에는 무작위성이 있어 하루 한 번 측정은 흔들린다. OpenAI는 API 출력이 기본적으로 비결정적이라고 명시하고, 코드 생성 과제로 같은 프롬프트를 반복 요청한 학술 연구에서도 결과가 자주 달라졌으며 temperature를 0으로 둬도 보장되지 않았다. 그래서 하루에 시간대를 나눠 여러 번 측정해 일 단위로 묶고, 주 단위 추세로 판단한다.
네 가지 지표
답변 하나하나를 아래 기준으로 기록해 합산한다.
- 등장률: 전체 답변 중 우리 브랜드가 언급된 답변의 비율. 질문별·모델별로 쪼개서 계속 빠지는 곳을 찾는다. 우리는 전체 평균보다 이 '빠지는 질문' 목록을 먼저 본다.
- 언급 순서: 답변 안에서 몇 번째로 나왔는가. 먼저 언급됐다고 '추천 1위'로 보고하지는 않는다. 순서는 추천 강도의 한 단서다.
- 점유율(SoV): 등장한 전체 브랜드 언급 중 우리 비율. 경쟁사 목록이 바뀐 날 전후는 잇지 않는다(위 예).
- 인용 출처: 답변이 근거로 단 페이지·도메인. 우리 사이트뿐 아니라 우리를 말하는 외부 출처가 어디인지가 개선 지도다.
실제로 걸렸던 오독
- '출처에 달렸으니 언급됐다'는 틀렸다. 인용과 언급은 따로 센다.
- '인용률 1.6 = 160%'도 틀렸다. 인용률은 비율이라 1을 넘을 수 있고 퍼센트가 아니다. 그래서 우리 콘솔은 인용률에 % 를 붙이지 않는다.
- '호감도 평균이 낮다'는 계산부터 봐야 한다. 언급이 없는 답변을 0점으로 섞어 평균 내면 왜곡된다. 언급된 답변만으로 계산한다.
API 응답과 실제 화면은 다를 수 있다
같은 질문이라도 개발자 API로 받은 답과 사용자가 앱에서 보는 답은 검색 여부·출처 표시가 다를 수 있다. 소비자가 보는 결과를 재려면 실제 화면 기준 수집이 필요하고, 어떤 조건(계정·지역·시간)에서 수집했는지를 함께 기록해야 비교가 된다.
자주 묻는 질문
무료 간이 진단과 정식 측정의 차이는?
간이 진단은 한 AI에 한 번 물어본 참고용 한 장면입니다. 정식 측정은 질문 묶음을 여러 AI에 매일 반복해 추세·경쟁사 비교·인용 출처까지 냅니다. 우리 무료 진단도 성과 증거로는 쓰지 않습니다.
몇 개 질문을 추적해야 하나요?
우리는 의도가 서로 다른 20개 안팎으로 시작합니다. 같은 뜻의 변형보다 다른 의도를 넓게 잡는 게 개수보다 중요합니다.
출처
플랫폼 공식 문서·동료심사 연구·공개 통계만 인용한다.
- 1.Google 공식 블로그 — AI in Search: Going beyond information to intelligence (2025-05-20)
- 2.OpenAI Cookbook — Reproducible outputs with the seed parameter('non-deterministic by default' 공식 문구)
- 3.Ouyang 외, 「An Empirical Study of the Non-determinism of ChatGPT in Code Generation」, ACM TOSEM (arXiv 2308.02828)(코드 생성 도메인 — 'LLM 출력은 같은 입력에도 달라진다'의 일반 근거로만)
- 4.Liu·Zhang·Liang, 「Evaluating Verifiability in Generative Search Engines」, Findings of EMNLP 2023 (arXiv 2304.09848)(Bing Chat·Perplexity 등 4개 엔진 인간 평가(2023))