드디어 구글 서치 콘솔에서 GEO 성과를 볼 수 있게 됐습니다. 몇주 전 구글이 GEO 최적화 가이드를 냈는데, 머지않아 측정 툴까지 빠르게 도입했어요.

그동안 GEO 성과 측정은 회색지대였어요. AI에 내 콘텐츠가 인용되는 것 같긴 한데, 마땅히 증명할 자료가 없었죠. 이번 업데이트로 안개가 서서히 걷히기 시작했어요.

구글 서치 콘솔에서 볼 수 있는 측정 성과는 구글 AI 검색 기능의 데이터에요. 검색 결과창 최상단에 나오는 요약(AI 개요)과 대화형 심층 검색 모드의 데이터인데요. 그동안은 기본 검색 데이터와 섞여 구분할 수가 없었어요.

볼 수 있는 항목도 꽤 구체적이에요. 노출수는 물론이고, 어떤 페이지에 AI가 등장했는지, 어느 국가에서 보였는지, 어떤 기기로 봤는지까지 나와요. 게다가 시간, 일, 주, 월 단위로 추이를 쪼개 볼 수 있어요. "지난주에 우리 콘텐츠가 AI에서 얼마나 보였나"를 처음으로 숫자로 답할 수 있게 된 거예요.

그런데 사실, 이건 Bing에서 먼저 볼 수 있었어요. 2월에 Bing Webmaster Tools이 AI Performance 리포트를 출시했거든요. 여기선 Copilot과 Bing AI 요약에서 내 콘텐츠가 인용된 횟수를 보여줘요.

심지어 구글보다 한 걸음 더 나갔어요. 단순 노출을 넘어, 그라운딩 쿼리까지 공개했거든요. 그라운딩 쿼리는 AI가 답변을 생성하기 위해 내부적으로 쓰는 검색어예요.

사용자가 입력한 원래 질문이 아니라, AI가 뒤에서 재구성한 '진짜 검색어'인 셈이죠. 이걸 보면 "AI가 우리 사이트를 어떤 주제로 이해하는지"가 드러나요.

물론 차이가 있어요. 구글은 '노출'(화면에 보인 횟수), Bing은 '인용'(콘텐츠가 재료로 쓰인 횟수)을 세요. 단위가 다르니 두 숫자를 1:1로 비교하면 안 돼요. 그래도 방향은 같아요. 두 빅테크가 나란히 AI 가시성을 측정하기 시작했다는 것. 바로 GEO를 '측정하는 시대'가 포문을 연거죠.

이번 구글 업데이트에 반응은 갈렸어요. "드디어 AI 노출을 따로 볼 수 있다, 오래 기다렸다"라는 의견도 있지만 투명성에서 오히려 Bing에 뒤처진다는 날 선 비판도 있었어요. 게다가 "url 표시 없이 AI 답변에 내 콘텐츠가 쓰인 경우는 어떻게 잡느냐"는 의견도 있어요. 측정되지 않는 영역이 여전히 넓다는 뜻이에요.

거시적인 GEO 측정 면에서도 갈 길도 멀어요. 구글과 마이크로소프트 생태계 바깥의 LLM들, 그러니까 ChatGPT나 Claude 같은 범용 LLM의 인용 데이터는 아직 정확하게 측정되지 않아요. 이 분절된 측정을 어떻게 고도화할지는 앞으로의 숙제예요.

그럼에도 한 가지는 분명해요. 제로 클릭 시대에 새로운 '보고의 언어'가 생겼다는 것. 이건 진짜 의미 있는 변화예요. ROI에 대한 설명이 어려웠던 GEO 투자에 대해, 이제야 대화를 시작할 출발점이 생긴 거죠.

요즘 AI 도입 소식은 많은데, 실제 성공 사례는 드물어요. 수많은 기업의 AI 파일럿이 실패로 끝났다는 분석이 계속 나오죠. IBM에서 흥미로운 진단을 내놨어요. 문제는 LLM이 약해서가 아니라, '길잡이'가 없어서라는 거예요.

IBM은 이걸 '에이전트 로직(Agent Logic)'이라고 불렀어요. 쉽게 말하면, LLM 위에 얹는 안내 장치예요. 에이전트 로직은 지식 그래프, 알고리즘, 프로그램 분석 등의 소프트웨어 툴로, 에이전트 내에서 동작해 LLM이 보는 컨텍스트를 좁혀줘요.

여기서 헷갈리기 쉬운 개념 하나를 짚고 갈게요. 바로 '하네스 엔지니어링(Harness Engineering)'과 '에이전트 로직'의 차이예요. 하네스 엔지니어링은 에이전트가 LLM을 호출하고, 툴을 연결하고, 결과를 주고받는 실행 환경 자체를 설계하는 일이라면 에이전트 로직은 그 안에서 '방향'을 잡는 두뇌에 가까워요.

같은 하네스라도 어떤 로직을 넣느냐에 따라, AI가 길을 잃을 수도 정확히 갈 수도 있어요. 자동차가 하네스라면, 네비처럼 안내하는 게 에이전트 로직인 셈이에요.

왜 이게 필요할까요? 기업의 업무는 복잡하거든요. 사이클이 길면서 끊임없이 돌아가기 때문에 수많은 API와 데이터베이스가 얽혀 있고, 규제까지 따라야 해요. 이걸 LLM에게 통째로 던지면 토큰 사용량을 감당할 수 없고, 할루시네이션도 늘어나요.

실제 숫자가 인상적이에요. 레거시 코드(오래전 기술로 개발된 코드를 뜻해요)를 이해시키는 작업에서, 에이전트 로직을 붙이니 토큰 소비가 약 30배 줄었어요. 성능은 오히려 살짝 나았고요. 소프트웨어 QA 작업에서도 정교성은 최대 45% 올랐는데, AI가 쓴 토큰은 최대 15분의 1로 줄었어요. 적게 일하고 더 잘한 셈이에요.

규제 분야에선 차이가 더 극적이었어요. 기업이 각종 규제를 지키는지 점검하는 과정은 생각보다 단계가 복잡하고 까다로워 LLM의 완수율이 한 자릿수에 그쳤어요. 반면 같은 LLM에 에이전틱 로직으로 일을 세분화하고, 중간에 스스로 틀린 곳을 고쳐가며 진행하게 했더니, 성공률이 최대 80%까지 뛰었죠. 

핵심은 더 좋은 모델을 사용한게 아니라는 점이에요. LLM에게 '맥락을 좁혀주고, 방향을 잡아준' 것만으로 결과가 크게 달라졌어요.

AI 경쟁력은 더 이상 '어떤 LLM을 쓰느냐'에만 있지 않아요

지금까지 AI 경쟁의 초점은 '모델 싸움'이었어요. 더 빠른 모델, 더 긴 컨텍스트. 그런데 IBM의 실험은 반대 방향을 가리켜요. 무작정 다 넣는 게 아니라, '무엇을 넣지 않을지'를 설계하는 쪽이 더 똑똑하다는 거예요. 특히 AI 에이전트 시대의 토큰 소모량이 극대화되면서 에이전트 로직의 중요성이 더욱 대두될 예정이에요.

이건 엔터프라이즈 AI 도입을 원하는 기업들에게 시사점이 커요. 전사적 AI 도입이 어렵다면, 모델을 변경하기 전에 '업무 구조를 AI가 따라갈 수 있게 정리했는지'부터 봐야 한다는 거죠. 결국 좋은 AI는 똑똑한 모델이 아니라, 잘 안내받는 모델이에요.

좋은 가이드는 늘 여행의 성패를 갈라요. 어쩌면 AI 에이전트 시대의 진짜 길잡이는, 더 큰 모델이 아니라 모델을 안내하는 설계일지도 몰라요.