"how to rank in ChatGPT"를 잠깐만 검색해도 "순위 요인 7가지"나 도메인 권위 40%, 콘텐츠 품질 35% 같은 구체적인 퍼센트를 자신 있게 늘어놓은 목록이 나옵니다. 그렇게 구체적인 숫자는 의심하세요. OpenAI, Anthropic, Google 밖에서는 이 시스템 내부의 실제 가중치를 아무도 알지 못하고, 회사들도 공개한 적이 없습니다. 아래는 실제로 문서화된 것과 밖에서는 정말 알 수 없는 것 사이에 선을 긋는 글입니다.
문서화된 것: 두 가지 모드, 두 가지 메커니즘
모델이 학습 중에 배운 것만으로 답하는 경우와, 답하기 전에 실시간 웹을 적극적으로 검색하는 경우를 구분하는 것은 유용하고 실제적입니다.
학습한 내용으로 답하기(탐색 없음). 이 모드에서 모델은 아무것도 찾아보지 않고, 대규모 텍스트 코퍼스로 학습하면서 가중치에 새겨진 통계적 패턴으로 응답을 생성합니다. 브랜드가 답변에 나오는 것은 학습 데이터 전반에서 그 카테고리와 연결되어 충분히 자주, 충분히 분명하게 나타나 모델이 그 연관을 학습했기 때문입니다. 공개된 이력이 길고 기록이 많은 유명 브랜드가 무명 브랜드보다 더 자주 나오는 이유이며, 어떤 SEO 요령 때문이 아니라 모델이 애초에 학습할 수 있는 텍스트가 더 많기 때문입니다.
탐색/검색(retrieval)으로 답하기. 어시스턴트가 응답하기 전에 웹을 적극적으로 검색하는 경우(ChatGPT, Perplexity 등이 지원하는 모드)에는 최신 페이지를 가져와 직접 인용할 수 있습니다. 이 모드에서는 페이지를 찾고 읽을 수 있는지(크롤 가능, 색인됨, 차단되지 않음)가 모델이 당신을 "좋아하는지"와는 별개의 실질적이고 기계적인 전제 조건이 됩니다.
이 둘은 시사점이 다른 진짜로 다른 과정이며, 둘을 뒤섞는 것이 AI 가시성 조언에서 가장 흔한 실수 중 하나입니다. 브랜드가 학습 데이터의 기억으로 끊임없이 추천되면서도 실제 링크로는 한 번도 인용되지 않을 수 있고, 그 반대도 가능합니다.
문서화된 것: 모델은 유명하고 기록이 잘 된 쪽으로 기웁니다
이는 추측이 아니라 학습이 작동하는 방식에서 곧바로 나옵니다. 브랜드가 웹 전반에서 여러 독립적인 출처에 의해 분명하고 일관되게 논의된다면, 어디에서도 거의 언급되지 않는 브랜드보다 모델의 학습 데이터에서 더 강하게 표현될 가능성이 큽니다. 실제로 존재하는 기계적 경향이지만 체크리스트는 아닙니다. "유명해져라"는 맞는 말이지만 그것만으로는 실행할 수 있는 조언이 아닙니다.
밖에서는 정말 알 수 없는 것
여기서는 자신감보다 정직이 더 중요합니다. 대규모 언어 모델은 만든 회사들 스스로 인정하듯, 만든 사람들에게조차 여전히 상당 부분 불투명합니다. Anthropic의 해석 가능성 연구자들은 이 모델들이 너무 크고 복잡해서 설계한 사람들조차 순간순간 실제로 어떻게 "생각"하는지 비교적 거의 모른다고 분명히 말했습니다. Anthropic의 기계적 해석 가능성 연구는 어떤 내부 뉴런 활동 패턴이 어떤 개념에 대응하는지 지도화하는 데 실제 진전을 이뤘지만, 이 연구는 실험실 환경에서 모델 내부의 표현을 이해하는 것이지 외부 마케터에게 브랜드 언급을 늘릴 수 있는 레버를 주는 것이 아닙니다.
구체적으로, 제공사 밖에서는 아무도 정확하게 알려 줄 수 없는 것들은 다음과 같습니다.
특정 답변을 구성할 때 모델이 여러 신호에 부여하는 정확한 가중치.
둘 다 기록이 잘 되어 있고 비슷한 수준인데도, 특정 실행에서 모델이 브랜드 B보다 A를 언급한 이유.
특정 콘텐츠가 앞으로의 학습에 들어갈지, 들어간다면 얼마나 영향을 줄지.
같은 모델의 서로 다른 실행에서 똑같은 질문이 다른 브랜드 목록을 낳는 이유. 일부는 모델이 텍스트를 생성할 때 의도적으로 넣은 무작위성 때문이지만, 그 정도는 모든 모델에 대해 공개되어 있지 않습니다.
이 네 가지 질문에 구체적인 확신을 갖고 답하는 글은 추측하는 것입니다. 모델 제공사조차 공개하지 않은 것에 대해 정확한 메커니즘을 파는 사람을 경계하세요.
그럼 실제로 무엇을 할 수 있을까
추측이 아니라 문서화된 것과 함께 일하세요. 브랜드가 자신 이외의 출처(실제 보도, 실제 리뷰, 실제 등록 정보)에 의해 웹 전반에서 진짜로 분명하게 설명되도록 해서, 모델이 학습했거나 검색해 올 수 있는 정확한 자료가 그저 더 많아지게 하세요. 검색 모드의 경우를 위해 자사 사이트를 크롤 가능하고 모호하지 않게 유지하세요. 그리고 연구소 밖에서는 아무도 검증할 수 없는 특정 "순위 요인"을 쫓지 마세요. 그 밖에 "모델은 왜 그렇게 말했나"에 대한 솔직한 답은 종종 이렇습니다. 우리도 완전히는 모르고, 순간순간의 의미에서는 모델을 만든 회사도 마찬가지다.
어디서 시작할까
이 중 얼마나 많은 부분이 정말로 알 수 없는지를 감안하면, 가장 가치 있는 일은 블랙박스를 역공학하는 것이 아니라 현재의 실제 기준선을 측정하는 것입니다. 그래야 애초에 해결할 가치가 있는 문제가 있는지 알 수 있습니다.
