AI 답변에 인용되는 문서는 어떻게 다른가

생성형 AI 검색에서 노출의 단위는 순위가 아니라 인용이다. 사용자는 링크 목록을 훑는 대신 AI가 정리한 답변을 먼저 읽고, 그 안에 어떤 출처가 붙었는지로 신뢰를 판단하는 쪽으로 이동하고 있다. 그래서 작업의 목표도 바뀐다. '검색 결과 상단에 올리는 글'이 아니라 '모델이 잘라서 근거로 쓰기 좋은 문서'를 만드는 일이 된다. 다만 이것이 기존 SEO를 대체하는 것은 아니다. 검색엔진이 여전히 콘텐츠를 발견하고 평가하며, AI도 웹에 공개된 정보를 바탕으로 답변을 구성하기 때문에 두 작업은 겹쳐서 설계하는 편이 맞다.

문서를 '잘라 쓰기 좋게' 쪼갠다

AI는 문서 전체를 그대로 옮기지 않고 일부 구간만 떼어 답변에 넣는다. 떼어낸 문단이 앞뒤 맥락 없이도 말이 되어야 인용 후보가 된다. 실무에서는 이렇게 정리한다.

• 소제목을 사용자가 실제로 던질 법한 질문 형태로 쓴다. '기능 소개'보다 '설치에 며칠 걸리나'가 낫다.
• 소제목 바로 아래 첫 두세 문장에 결론을 먼저 적는다. 배경 설명은 그다음이다.
• 한 문단에 결론은 하나만 담는다. 여러 주장을 이어 붙인 긴 문단은 잘라 쓸 지점이 애매해진다.
• 지시대명사를 줄인다. '이 방식은'보다 대상을 다시 적어주는 편이 문단 단독으로 읽힐 때 안전하다.
• 숫자·조건·절차는 표나 목록으로 분리한다. 문장 안에 섞인 수치는 모델이 잘못 묶어 읽을 여지가 있다.

기계가 읽을 수 있는 형태로 표시한다

'2026년 5월 10일, 서울'이라는 텍스트를 사람은 일정으로 읽지만 기계에는 문자열일 뿐이다. 스키마 마크업은 그 문자열에 '무엇인지'를 붙여주는 작업이다. 우선순위는 Organization, FAQPage, Product처럼 페이지 성격에 직접 대응하는 타입부터다. 저자 정보, 소속, 최초 작성일과 수정일을 페이지와 마크업 양쪽에 남기는 것도 같은 맥락이다.

llms.txt는 기대만큼 검증되지 않았다. Originality.AI 추적에 따르면 llms.txt 도입 사례는 2025년 6월 4,088건에서 2026년 5월 36,120건으로 늘었지만, 실제 요청량은 0에 가깝게 관측된다. SE Ranking이 2026년 5월 약 30만 개 도메인을 분석한 결과에서도 사이트 권위·스키마 밀도·콘텐츠 최신성을 통제하면 llms.txt에 따른 인용 증가는 확인되지 않았다. 파일을 두는 비용은 크지 않으니 만들어둬도 되지만, 이것으로 인용이 늘어난다고 볼 근거는 아직 없다. 순서를 잡자면 스키마와 저자 정보가 먼저다.

인용될 만한 내용을 가지고 있는가

형식을 다듬어도 새로울 것이 없는 문서는 인용되지 않는다. 모델은 여러 출처 중 더 구체적이고 검증 가능한 쪽을 고른다. 그래서 자사만 가진 데이터, 직접 측정한 수치, 실제 작업 절차, 가격이나 조건처럼 다른 곳에서 베낄 수 없는 정보가 실질적인 차이를 만든다. 외부 자료를 쓸 때는 출처와 조사 시점을 문장 안에 함께 적는다. 근거가 붙은 문장은 그 자체로 인용 단위가 된다.

갱신 관리도 내용의 일부다. 시점이 박힌 정보는 낡는 순간 인용 가치가 사라지므로, 수치가 들어간 문서는 갱신 주기를 정해두고 바뀐 부분과 날짜를 함께 표시하는 편이 낫다. 마지막으로 성과 확인은 순위표가 아니라 주요 질문을 직접 AI에 물어보고 어떤 출처가 붙는지 기록하는 방식으로 한다. 이런 작업이 인용을 보장하지는 않지만, 인용될 수 있는 상태를 만드는 최소 조건에 해당한다.