AI 검색에서 인용되는 것만으로는 충분하지 않습니다. 사용자가 출처 페이지에서 조작 흔적을 발견하면 노출이 오히려 브랜드 신뢰를 낮출 수 있습니다. AMCIS 2026의 책임 있는 GEO 연구는 이 문제를 설득지식모델로 설명하고, 사실을 지키며 검색 적합성을 높이는 방법을 제안합니다. 아직 실증 전인 제안이지만 GEO의 목표를 인용 이후의 신뢰까지 넓혀야 한다는 기준을 제시합니다.
GEO가 순위만 좇을 때 생기는 문제
중국 인민대학의 Tianle Huang, Xusen Cheng, Ang Zeng이 쓴 논문 Responsible Generative Engine Optimization: Optimizing LLM Rankings via Trustworthy Text Generation은 AMCIS 2026 Proceedings의 Emergent Research Forum 페이퍼입니다. 연구는 생성형 AI 검색이 출처 방문을 줄이면서 GEO가 등장했지만, 기존 접근 다수가 질문과의 어휘 정렬, 프롬프트 조작, 무의미 문자열 삽입 같은 적대적 기법에 의존한다고 지적합니다.
이런 기법은 AI 답변에 특정 페이지를 등장시키는 데 집중합니다. 논문이 주목한 맹점은 그다음 행동입니다. 사용자가 근거를 확인하려고 원문을 열었을 때 문맥과 맞지 않는 반복 문구나 삽입물이 보이면, 설득 의도를 의심하고 출처를 낮게 평가할 수 있습니다. 인용을 얻어도 신뢰와 전환에서 불리해질 수 있다는 뜻입니다.
설득지식모델로 본 사용자의 2차 검증
연구의 이론적 토대는 Friestad와 Wright가 1994년에 제시한 설득지식모델입니다. 소비자는 설득 의도를 알아차리고 해석한 뒤 대응합니다. 논문은 이 과정을 세 단계로 GEO에 적용합니다.
- 인지: 사용자가 페이지에서 부자연스러운 최적화 흔적을 발견합니다.
- 귀인: 그 흔적을 정보 제공이 아니라 순위 조작 의도와 연결합니다.
- 대처: 메시지를 의심하거나 출처를 폄하하고 브랜드와 거리를 둡니다.
따라서 AI가 페이지를 선택하게 하는 일과 사람이 그 페이지를 신뢰하게 하는 일은 분리할 수 없습니다. 책임 있는 GEO는 인용 뒤에 이어지는 사람의 검증 경험까지 다뤄야 합니다.
사실을 고정한 채 검색 적합성을 높이는 제안
저자들은 텍스트 생성을 세 가지 에너지 함수의 제약 최적화 문제로 정식화합니다. 생성형 검색의 랭킹, 사람이 자연스럽게 읽는 유창성, 설득 의도를 알아차리는 설득지식모델의 저항 회피를 함께 고려하는 구조입니다.
사실 왜곡을 막는 장치도 제안합니다. 권위가 높은 출처에서 확인한 사실 사양을 시드로 만들고, 생성 과정에서는 사실 토큰을 그래디언트 마스킹으로 고정합니다. 표현을 다듬어도 핵심 사실이 바뀌지 않도록 제한하는 방식입니다.
실증된 성과가 아니라 검증을 앞둔 연구입니다
이 논문에는 아직 실험 결과가 없습니다. 저자들은 평가 계획만 제시했습니다. 따라서 제안한 방법이 검색 순위와 사용자 신뢰를 개선한다고 단정할 수 없습니다. 지금 주목할 부분은 성과 수치가 아니라 GEO의 평가 기준에 사실 보존과 사용자 반응을 포함한 문제 설정입니다.
이중용도 위험도 있습니다. 설득 의도를 덜 드러내는 기술이 조작을 더 정교하게 숨기는 데 쓰일 수 있기 때문입니다. 저자들도 조작의 탐지를 피하는 용도로 쓰여서는 안 된다고 명시합니다. 책임 있는 GEO는 은폐 기술이 아니라 사실성, 가독성, 검증 가능성을 함께 지키는 원칙이어야 합니다. 논문 원문은 AMCIS 2026 Proceedings에서 확인할 수 있습니다.
인트릭스가 사실 기반 진단·개입을 원칙으로 삼는 이유
인트릭스는 AI가 인용한 페이지와 인용하지 않은 페이지의 차이를 볼 때 자극적인 문구부터 권하지 않습니다. 먼저 빠진 사실, 수치, 출처, 구조를 확인하고 검증 가능한 정보로 빈칸을 채웁니다. 인용된 페이지에서 확인되는 강점도 과장된 표현보다 근거를 따라갈 수 있는 정보의 충실도입니다. 이번 논문의 문제의식은 이 원칙과 맞닿아 있습니다.
진단은 60개 이상의 판정 항목으로 현재 상태를 나누어 보고, 오탐이 확인된 사례도 공개해 판단 근거를 점검합니다. 공개한 익명 사례에서는 AI 인용률이 0%에서 29.4%로 증가했지만, 한 사례가 다른 사이트의 결과를 뜻하지는 않습니다. 각 사이트에서 부족한 근거를 측정하고 필요한 개입을 구분하는 일이 중요합니다.
실무에서 먼저 확인할 네 가지
- AI 답변에 우리 페이지가 실제로 인용되는지 확인합니다.
- 인용된 문장이 페이지의 사실과 출처로 검증되는지 살펴봅니다.
- 원문에 부자연스러운 반복이나 조작 흔적이 없는지 점검합니다.
- 빠진 사실과 수치를 보완한 뒤 같은 기준으로 다시 측정합니다.
책임 있는 GEO의 출발점은 강한 문구가 아니라 현재 위치를 정확히 아는 것입니다. 노출, 인용, 근거를 함께 측정해야 무엇을 유지하고 보완할지 결정할 수 있습니다.
인트릭스의 측정 방법을 확인하고, 적용 범위와 비용 안내를 살펴보세요.