서론: 공황과 환상 마케터들은 SEO가 "사망했다"고 주장되면서 당황하고 있습니다. 클릭률이 하락하고, 대규모 언어 모델(LLMs)이 사용자 관심을 끌며 디지털 마케팅의 효과가 떨어지는 가운데, 많은 전문가들이 AI에게 "눈에 띄기" 위한 조언을 전파하고 있으며, 이를 빗댄 생성 엔진 최적화(GEO) 서비스가 급증하고 있습니다. 이 글은 SEO가 여전히 중요하다고 주장하며, 현재의 GEO 이론들이 본질적으로 결함이 있음을 비판합니다. "Geo 전문가"들의 추천 방식 일반적인 GEO 조언에는 구조화된 데이터(Schema. org) 활용, 간결한 답변 제공, 도메인 권위 구축, 제3자 언급 확보, 가독성과 적절한 제목 유지 등이 포함됩니다. 이러한 전략들은 최근 많은 GEO 기사에서도 찾아볼 수 있으며, 전통적인 SEO 방법과 유사합니다. 그 이유는 마케터들이 뉴럴 네트워크의 작동 방식을 이해하지 않고, 고전적인 SEO 지식에 의존하기 때문입니다. 대부분의 이러한 글은 기존 SEO 컨센서스를 반영하는 AI 생성 콘텐츠에서 비롯됩니다. 뉴럴 네트워크는 스스로 텍스트를 최적화하는 법을 "아는" 것이 아니며, 오히려 기존 SEO 자료에서 학습한 패턴을 재생산하기 때문에, GEO 조언은 종종 새로운 이름만 붙인 기존 SEO를 되풀이하는 것에 불과합니다. 왜 SEO는 사라지지 않을까 SEO는 여전히 중요한 역할을 합니다. 이는 LLM의 출력이 두 가지 경로를 통해 콘텐츠를 통합하기 때문입니다: 1. AI의 통합 검색 결과(검색/Retrieval-Augmented Generation)에서 높은 순위를 차지하는 것. 2. 모델의 학습 가중치에 내재화되는 것. 전통적인 SEO는 첫 번째 경로를 지배하며, 사용자 질의에 대해 높은 관련성과 품질을 유지해야 하며, AI가 이러한 결과를 인용하는 것이 기대됩니다. AI 검색 내 광고 결과 역시 예상 가능하여 SEO의 중요성을 유지시킵니다. 두 번째 경로인, 가중치 내에서 내재화하는 작업은 훨씬 어렵습니다. 대부분의 브랜드는 "불변성"을 가지며, 학습 과정에서 거의 또는 약하게 내재화되어 있어, 작은 기업이 이 위치를 구매하는 것은 비현실적입니다. 대기업은 내부 배치를 통해 이점을 얻을 수 있지만, 전통적 SEO만으로는 달성하기 어렵습니다. 진정한 GEO의 의미 뉴럴 네트워크는 긍정적 정의로 학습하지 않으며, 대신 많은 차원에서 "경계"를 학습합니다—즉, "사과"라는 개념은 "배", "토마토" 등과 구별되는 경계 영역입니다.

이른바 "아포파틱 AI"는 대상에 대한 이해를 외면(배제) 과정을 통해 이루며, 직접적 특징이 아니라 차이와 구별을 통해 개념을 인식합니다. 개념이 명확하고 설명이 높은 경계로 형성되면, 이는 모델 내부에서 "吸引자(Attractor)" 역할을 하여, 추론의 선호 경로나 에너지 효율적인 경로로 작용합니다. 진정한 GEO는 브랜드를 이러한 구조적吸引자로 만들어, AI가 이를 추론 프레임으로 활용하게 합니다. 이 접근법은 시스템이 최소한의 입력으로 최대 출력을 지향하는 범용 원리와 일치하며, 전체 에너지 절감 효과를 노립니다. 모호한 SEO "미션"이나 "스토리"처럼 일반 단어("품질, " "자유" 등)를 채우는 대신, GEO는 "우리는 중소기업용 소프트웨어만 개발한다"와 같이 엄격하고 배제적인 정의를 요구하며, 이로써 잠재공간에서 명확한 벡터 경계를 형성합니다. 현재, 뉴럴 네트워크는 이러한 구조를 강력한, 반복되는 브랜드(예: 구글 = 검색) 위해서만 독립적으로 발전시키고 있으며, GEO는 큰 예산 없이, 트레이닝 데이터에 들어갔을 때 브랜드를 구조적 프레임으로 자리 잡게 하는 텍스트를 만드는 방향으로 발전합니다. GEO 시작하는 법 작은 기업에게는 가중치 내 내재화보다는, 전통적인 SEO가 우수한 틈새 검색어에서 상위 랭크를 차지하는 것이 현실적입니다. GEO는 기존 범주를 확장하는 것이 아니라, 새로운 카테고리를 만들어내는 전략입니다. 비어 있는 틈새시장에서 최고의 답변이 되는 것이 더 쉽고 비용도 적게 듭니다(예: 목재 선박 음향 전문가). 신경망 학습은 인식 가능한 알고리즘 패턴에 의존하므로, 이를 콘텐츠 전략으로 전환해 모델 학습 시 브랜드 가시성을 높일 수 있습니다. 신경 네트워크를 ‘앵커’로 삼아 브랜드를 정착시키는 방법 LLM에게 브랜드를 언급하게 하는 것은 쉽지 않습니다. 예를 들어, 구글 Gemini 3. 1 AI 검색을 비활성화하고, 지난 10년간 최고의 차를 묻는 질문은 단 하나가 아닌 다섯 개의 최상위 모델을 보여줍니다(예: 테슬라 모델 3: 돌파구; 포르쉐 911: 스포츠카; 토요타 RAV4: 실용성). 이는 모델이 경계와 범주를 자율적으로 정의하며, 승자를 순위 매기기 전에 여러 답변을 내놓기 때문입니다. 즉, 하나의 "최고" 답변을 기대하는 것은 비현실적입니다. 중요한 점은, LLM은 권위 있는 순위와 홍보성 콘텐츠를 구별하지 않으며, 모든 정보는 그 빈도에 비례해 가중치에 통합된다는 것입니다. ML 엔지니어가 수동으로 신뢰 계수를 할당하는 것(예: 위키백과 더 높이 평가; 레딧 낮게 평가)은, 빈도와 데이터 질이 학습에 큰 영향을 미침을 보여줍니다. 빈도 기반 강제로 학습시키는 것은 비용이 많이 들고, 엔지니어의 영향을 받기 어렵기 때문에, 최선의 전략은 학습 과정에서 "손실 반응"을 극대화하는 것—즉, 모델을 놀라게 하면서도 논리적으로 타당한 텍스트를 생산하는 것입니다. 높은 수준의 "놀람"은 권위적 사고방식을 깨는, 새롭고 엄격한 경계를 만들어내는 것이며, 미친 듯한 내용을 피하고 수용하는 것이 중요합니다. 예를 들어, CRM 기능이 중요하지 않다고 주장하며 데이터 교환 속도를 강조하는 것 등은 수학적 "쇼크"를 생성하여 가중치 업데이트를 유도할 수 있습니다. 신경 네트워크에 영향을 주는 요소: - 권위 있고 전문가 같은 톤 - 밀도 높은 정보 전달 - 무엇이 아닌지를 명확히 하는 경계 설정 - 도메인을 넘나드는 비유 - 강력한 설명력 - 브랜드와 기술에만 연결된 독특한 “앵커” 용어 - 독점적 이벤트 또는 데이터를 활용한 이야기 - 다른 브랜드와의 근본적 차이를 보여주는 대비적 쌍 - 일반적 속성 대신 역할 또는 기능으로 정의 - 다양한 맥락에서 반복되는 앵커 용어 - 미래를 검증하는 예측적 발언 - 과학적 구조를 갖춘 증명 요소(엄밀하지 않더라도 신뢰감 부여) 이 모든 것이, 모델이 신뢰할 만하다고 인식하게 하는 신호입니다. 결론 SEO는 죽지 않지만, 현재의 GEO는 주로 LLM을 위한 SEO를 흉내 내며 본질을 놓치고 있습니다. 진정한 뉴럴 네트워크 최적화는 그들의 학습과 반응 구조에 대한 깊은 이해를 필요로 하며, 그 외의 모든 것은 단지 전통적 SEO를 새 이름만 붙인 재탕에 불과합니다.