GEO 용어사전

Generative Engine Optimization

ChatGPT·Perplexity·구글 AI 같은 생성형 AI의 답변 안에서 우리 브랜드가 인용·언급되도록 콘텐츠와 엔티티를 최적화하는 일.

Answer Engine Optimization

질문에 하나의 답을 돌려주는 "답변 엔진"(AI 챗봇·음성비서·피처드 스니펫)에서 그 답으로 채택되도록 최적화하는 일.

Self-contained Content

그 페이지 하나만으로 정의부터 결론까지 종결되는 글. "자세한 건 링크 클릭"으로 핵심을 미루지 않는다.

Entity · Knowledge Graph

사람·회사·제품·개념처럼 고유하게 식별되는 '실체'. AI는 키워드가 아니라 엔티티 단위로 세상을 이해하고, 엔티티들의 관계망이 지식 그래프다.

Experience · Expertise · Authoritativeness · Trustworthiness

콘텐츠의 경험·전문성·권위·신뢰를 평가하는 구글의 품질 기준. AI도 인용할 출처를 고를 때 이 신호에 기댄다.

llms.txt

사이트 루트에 두는 AI 전용 안내 파일(/llms.txt). robots.txt가 크롤러용이라면, llms.txt는 LLM에 핵심 콘텐츠 위치·요약을 알려주는 새 제안 표준이다.

AI Overviews · Search Generative Experience

구글 검색 결과 최상단에 AI가 합성한 요약 답변을 띄우는 기능. 링크 클릭 전에 답이 노출돼 GEO의 최전선이 된다.

Self-Referential Accumulation

한 번 인용된 콘텐츠가 다른 곳에서 다시 참조되며 권위가 누적되는 경향. 단, 무한히 쌓이지는 않고 상한이 있다.

Author Signal

콘텐츠에 실명 저자·경력·저자 페이지·스키마를 붙여 "누가 썼는가"를 분명히 하는 신호. E-E-A-T의 경험·전문성을 기계가 읽게 만든다.

Entity Alignment

회사·저자·제품의 이름·정보가 모든 채널에서 동일하게 표기되고 sameAs로 연결된 상태. 흩어진 표기를 하나의 엔티티로 모은다.

Retrieval-Augmented Generation

AI가 답하기 전에 먼저 외부 문서를 검색해, 찾아온 자료를 근거로 답을 생성하는 방식. AI 인용의 핵심 통로.

Embedding · Vector Similarity

문장을 숫자 좌표(벡터)로 바꿔 의미가 가까운 글끼리 가깝게 놓는 기술. AI가 "관련 있는 문서"를 찾는 잣대.

Hallucination

AI가 사실이 아닌 내용을 그럴듯하게 지어내는 현상. 출처·근거가 분명한 콘텐츠가 이를 줄이는 방패가 된다.

Grounding

AI의 답변을 실제 출처·사실에 묶어두는 것. 환각의 반대 개념으로, RAG가 그라운딩을 구현하는 대표 기법이다.

Context Window

AI가 한 번에 읽고 처리할 수 있는 텍스트의 최대 길이. 이 창 안에 들어온 내용만 보고 답하므로, 발췌 단위의 완결성이 중요해진다.

Token

AI가 텍스트를 처리하는 최소 단위 조각. 단어보다 잘게 쪼갠 부분 문자열로, 모델은 글자가 아니라 토큰을 세고 읽는다.

Chunking

긴 문서를 의미 단위의 작은 조각(청크)으로 잘라 두는 것. RAG는 글 전체가 아니라 이 청크 단위로 검색하고 인용한다.

Knowledge Cutoff

AI가 학습한 데이터의 마지막 시점. 이 시점 이후의 사실은 모델이 자체적으로는 모르며, 알려면 실시간 웹 검색 같은 외부 보강이 필요하다.

Live Web Search · Browsing

AI가 답하기 전에 지금 이 순간 웹을 검색해 최신 자료를 가져오는 기능. 학습 시점 이후의 정보와 최신 인용을 가능하게 한다.

AI Crawler · Indexing

AI 회사가 웹을 자동 수집하는 봇(GPTBot·ClaudeBot 등)과, 모은 문서를 검색 가능하게 정리하는 과정. 수집되지 않으면 인용도 없다.

Multimodal

텍스트뿐 아니라 이미지·표·음성·영상까지 함께 이해·생성하는 AI. 글 외의 형식도 인용 근거가 될 수 있다는 뜻이다.

Signal-to-Noise Ratio

HTML에서 본문(신호)과 메뉴·반복 영역(잡음)의 비율. 잡음이 본문보다 많고 앞서면 AI가 본문을 묻거나 잘라낼 수 있다.

Boilerplate

메뉴·푸터·사이드바·배너처럼 거의 모든 페이지에 똑같이 반복되는 영역. 페이지 고유 정보가 아니라 "틀"에 해당한다.

Lazy Loading

당장 필요 없는 자원(이미지·무거운 메뉴 등)을 초기 HTML에서 빼두었다가 필요한 시점에 불러오는 기법.

Memory · Retrieval · Synthesis

AI가 답을 만드는 과정을 기억(학습 지식) · 검색(외부 문서) · 합성(답 생성) 세 단계로 풀어 본 설명. 학계의 RAG(검색 증강 생성)를 쉽게 옮긴 표현이다.

Query Fan-out

AI가 하나의 질문을 여러 개의 하위 질문으로 쪼개 동시에 검색한 뒤, 결과를 종합해 답하는 방식. 노출 표면이 한 키워드에서 여러 갈래로 늘어난다.

Parametric Knowledge

모델의 가중치(파라미터) 안에 학습으로 새겨진 지식. 답할 때 외부 검색 없이 "외운 것"으로 꺼내 쓰는 부분으로, 실시간 인출(RAG)과 대비된다.

Primary Source vs Derivative

AI가 어떤 콘텐츠가 원본(1차 소스)이고 어떤 것이 번역·요약·재편성한 파생 자료인지 가려, 원본을 우선 인용하려는 경향.

Entity Resolution

서로 다른 표기·기록이 같은 실체를 가리키는지 판별해 하나의 개체로 묶는 일. 잘못되면 다른 둘이 한 개체로 오인된다.

Structured / Authoritative Error

출처·구조가 붙은 채 발생하는 오류. 어설프게 틀리는 비구조 오류보다 더 그럴듯해 보여 의심받지 않는다.

GraphRAG

검색 증강 생성(RAG)에 지식 그래프를 결합해, 문서만 불러오는 데서 나아가 개체·관계까지 함께 불러오는 방식.

Bitemporal modeling

사실이 세상에서 참이던 기간(valid time)과 시스템이 그것을 알게 된 시점(transaction time)을 나눠 다루는 데이터 모델링.

Corpus Consensus

여러 독립 출처가 같은 사실을 일관되게 공표해 학습 데이터에 쌓인 상태. AI 장기기억(파라메트릭)으로 가는 재료.

Answer Orchestration

같은 기억·검색 결과라도 모델의 정책·랭킹·안전 필터가 최종 출력을 바꾸는 단계. AI Overview 같은 표면이 여기서 만들어진다.

Definitional Sentence

"A란 B이다" 형태로 개념을 한 문장에 명확히 규정하는 문장. AI가 그대로 발췌·인용하기 가장 좋은 단위다.

Answer-First · TL;DR Structure

결론·핵심 답을 맨 앞에 두고 근거를 뒤에 붙이는 구조(두괄식·역피라미드). AI가 글 앞부분에서 답을 바로 찾게 한다.

Information Density · Information Gain

같은 분량에 얼마나 새롭고 유용한 정보가 담겼는가. 이미 흔한 내용의 반복보다, 추가 정보를 주는 글이 인용 가치를 얻는다.

Freshness

콘텐츠가 얼마나 최근에 작성·갱신되었는가. 변화가 빠른 주제일수록 최신성이 인용 선택에 더 크게 작용한다.

Whitespace

아직 아무도 제대로 답하지 않은 질문·주제의 빈 공간. 경쟁이 적어 먼저 채우면 인용 기준점이 되기 쉽다.

hreflang

"이 페이지는 어느 언어·지역 사용자용"인지 검색엔진·AI에 알려주는 HTML 태그. 같은 내용의 언어별 버전을 서로 연결해 올바른 버전이 노출되게 한다.

Localization

단순 번역을 넘어 현지의 문맥·단위·표현·관례에 맞춰 콘텐츠를 다시 만드는 일. 직역 페이지보다 현지 1차 소스로 인정받기 쉽다.

Liftable Claim

주어·수치·조건이 그 문장 안에서 완결돼, AI가 출처와 함께 그대로 들어올려(lift) 인용할 수 있는 문장.

Speakable (schema.org)

페이지에서 음성으로 읽어주기 좋은 핵심 구간을 지정하는 schema.org 마크업. 음성비서·TTS에 "어디를 읽을지" 알려주는 AI 친화 신호다.

Observation vs Inference

AI 응답에서 측정할 수 있는 것(관측)과 측정할 수 없어 추측만 되는 것(추정) 사이의 경계. 정직한 GEO 측정의 기준선.

Closed-Loop Feedback

관측 → 품질 역산 → 작성 → 재관측을 닫힌 순환으로 돌려, 콘텐츠가 스스로 정제되게 만드는 GEO 작업 방식.

Citation vs Mention

AI 답변에서 출처로 링크되는 것(인용)과 이름만 거론되는 것(언급)의 구분. 둘은 가치도 측정법도 다르다.

Temperature · Sampling

AI가 다음 단어를 고를 때의 무작위성 정도를 조절하는 값. 같은 질문에도 답이 매번 달라지는 기술적 이유다.

GEO Signal

AI 응답에서 실제로 관측 가능한 신호(인용·언급·수집 추이)만 모아 GEO 성과의 근거로 삼는 관점. "추정"과 분리해 다룬다.

Quality Reverse-Engineering

이미 인용되고 있는 콘텐츠를 거꾸로 분석해, 그 공통점을 "인용되는 품질 기준"으로 역산해 내는 작업 방식.

Lab-style GEO

통제된 프롬프트 실험(수만 번 호출·temperature 조정·embedding 유사도)으로 AI를 역설계하려는 방식. 가설 탐색엔 쓸모 있지만, 실험 환경을 실제 사용자 환경과 동일시하면 함정이 된다.

Share of Voice · AI Visibility

같은 주제의 질문들에서, 경쟁 브랜드 대비 우리 브랜드가 AI 답변에 등장하는 비중. 절대 인용 수가 아니라 상대적 점유로 보는 관점.

Multi-AI Cross-Analysis

여러 AI 엔진(ChatGPT·Perplexity·Gemini 등)의 답을 동시에 비교해, 공통으로 인용되는 합의점과 엔진별로 갈리는 차별점을 분리해 내는 분석 방식.