사이트 내 AEO 신호로 AI 답변 노출을 예측할 수 있을까? 62개 업체를 측정했습니다

이번 연구에서는 그렇지 않았습니다. 일본의 지역 업체 62곳을 대상으로 한 결과, 당사의 사이트 내 AEO 점수(구조화 데이터, llms.txt, 크롤러 접근 등의 신호)와 Perplexity가 추천 요청을 받았을 때 해당 업체를 언급하거나 인용한 빈도 사이에는 관계가 나타나지 않았습니다: Spearman ρ = 0.03(95% CI −0.23~0.28, p = 0.834). 업체 수가 62곳이어서 이 연구로 확실하게 검출할 수 있는 상관은 약 |ρ| ≥ 0.35 수준에 그치므로, 이보다 약한 관계가 있을 가능성은 배제할 수 없습니다.

2026년 10월 28일 게시. 데이터 측정일 2026년 10월 24일. Nurevo는 이 글에서 검증한 점수를 포함해 AEO 도구를 만드는 회사입니다. 아래 '당사의 이해관계'를 참고해 주십시오.

요약

  1. 질문: Nurevo의 AI 가독성 점수(0~100점)가 높은 웹사이트를 가진 업체일수록, 업체명을 언급하지 않은 질문에 대한 AI 답변에 더 자주 등장할까?
  2. 답: 뒷받침되지 않았습니다. 전체 ρ = 0.03이며, 업종과 도시를 보정한 뒤에도 0.03이었습니다.
  3. 전체적으로 업체는 탐색형 질문에 대한 답변의 21.0%에 등장했으며, 62곳 중 25곳이 한 번 이상 등장했습니다.
  4. 다중 검정 보정 후에는 점수의 개별 항목(구조화 데이터, llms.txt, 커버리지 등) 중 어느 것도 관계를 보이지 않았습니다.
  5. 당사의 해석: 구조화 데이터는 AI가 업체 정보를 정확하게 읽는 데 도움이 되지만, 그것만으로 업체가 언급될지가 결정되지는 않습니다. 다른 요인, 특히 다른 사이트가 해당 업체에 대해 무엇을 말하는지가 더 중요할 가능성이 큽니다. 다만 이 마지막 부분은 이번 연구에서 검증하지 않은 가설입니다.

이 연구를 진행한 이유

당사를 포함한 AEO(답변 엔진 최적화) 관련 조언은 웹사이트를 AI가 읽기 쉽게 만들면(schema.org 구조화 데이터, llms.txt 파일, AI 크롤러 허용, 서버 렌더링 콘텐츠) 업체가 AI 답변에 등장하는 데 도움이 된다고 말합니다. Nurevo는 바로 이러한 신호를 기반으로 한 점수를 판매하고 있습니다. 당사는 이 점수가 업체 운영자가 실제로 중요하게 여기는 것, 즉 AI에 이름이 언급되는 것을 제대로 반영하는지에 대한 정직한 근거를 얻고자 했습니다. 답변을 수집하기 전에 가설, 분석 방법, 판정 기준을 확정했으며, 결과가 어떻게 나오든 공개하기로 약속했습니다.

연구 방법

  1. 표본: 웹 검색으로 선정한 자체 공식 웹사이트를 보유한 지역 업체 72곳(포털 사이트 제외)으로, 5개 업종(치과, 음식점, 미용실, 세무사 사무소, 숙박 시설)과 일본 4개 도시(도쿄, 오사카, 후쿠오카, 삿포로)에 걸쳐 있습니다. 이 중 10곳은 사이트 점수를 산출할 수 없어 제외했으며, 62곳을 분석 대상으로 했습니다.
  2. 점수: 각 사이트의 홈페이지, robots.txt, llms.txt를 Nurevo 공개 점수와 동일한 코드로 채점했습니다. 구조화 데이터(30점), 커버리지(25점), 가독성(20점), llms.txt(15점), 일관성(10점)으로 구성되며, 크롤러 접근, 엣지 차단, 서버 렌더링에 대한 관문 항목이 있습니다(통과하지 못하면 점수 상한이 15점).
  3. 엔진: Perplexity. Agent API의 'fast' 프리셋(웹 검색 1회 후 답변)을 사용했으며, Nurevo 유료 플랜의 AI 가시성 측정에 쓰이는 것과 동일한 어댑터입니다. 엔진은 하나만 사용했습니다. 한계 항목을 참고해 주십시오.
  4. 질문: 업체별로 지역과 업종은 명시하되 업체명은 언급하지 않는 '탐색형' 질문 3개(예: '우메다에 있는 치과를 추천해 줘')를 사용했으며, 같은 지역의 같은 업종 업체는 이 질문을 공유합니다. 여기에 업체의 주소와 영업시간을 묻는 '지명형' 질문 1개를 추가했습니다. 각 질문은 세 번씩 했습니다.
  5. 결과 지표: 답변에 업체명이 포함되었거나 업체의 자체 도메인이 인용 출처에 포함된 경우 해당 업체가 답변에 '등장'한 것으로 보았습니다. 등장률은 탐색형 질문 답변 중 해당 업체가 등장한 비율입니다.
  6. 검출기 검증: 지명형 질문에 대한 답변에서 업체명은 84.3%의 비율로 검출되어, 검출기를 신뢰하기 위해 설정한 기준인 70%를 넘었습니다.
  7. 분석: 순열 p값과 부트스트랩 신뢰구간을 적용한 Spearman 순위 상관, 업종과 도시를 고정 효과로 둔 편상관, 층 내 순열 검정, 그리고 업종·도시 고정 효과와 준이항(quasi-binomial) 보정을 적용한 로지스틱 회귀를 사용했습니다. 같은 질문에 대한 반복 답변은 서로 독립적이지 않기 때문입니다. 6개 항목별 검정에는 Holm 보정을 적용했습니다.

'뒷받침됨'의 기준은 사전에 정했습니다: ρ ≥ 0.3, p < 0.05, 95% CI가 0보다 큼, 보정 후 상관이 양수. 답변 텍스트는 저장하지 않았으며, 이름의 등장 여부, 도메인 인용 여부, 인용 위치만 기록했습니다.

결과

판정은 '뒷받침되지 않음'입니다. 점수와 등장 간의 모든 검정에서 상관은 0에 가까웠습니다:

n = 62개 업체. 2026년 10월 24일 Perplexity에서 측정.
검정결과p값
점수 vs 등장률(Spearman ρ, 주 분석)0.03(95% CI −0.23~0.28)0.834
동일, 업종·도시 보정(편상관)0.030.845
동일, 층 내 순열 검정0.030.829
점수 vs 업체명 등장(탐색형 질문)−0.040.782
점수 vs 자체 사이트 인용(탐색형 질문)0.180.149
점수 vs 자체 사이트 인용(지명형 질문)−0.030.813
업종/도시 고정 효과 로지스틱 회귀(준이항): 점수 +1 SD(18.81점)당 오즈×1.01(95% CI 0.62~1.64)0.972

가장 큰 계수인 점수와 업체 자체 사이트 인용 간의 0.18도 0과 구별되지 않으므로(p = 0.149) 하나의 발견으로 해석해서는 안 됩니다.

점수 구간별

Nurevo는 점수를 빨강, 노랑, 초록으로 표시합니다. 표본 대부분의 사이트가 빨강이었고 초록에 도달한 사이트는 없었으므로, 이 연구는 매우 높은 점수에 대해서는 아무것도 말해 주지 않습니다.

구간업체 수평균 등장률1회 이상 등장
빨강5420.8%22
노랑822.2%3
초록0--

점수 구성 항목별

점수의 어떤 구성 항목도 등장과 관련이 없었습니다. Holm 보정 후 모든 p값은 1.000입니다. 이 검정들은 탐색적 분석입니다.

모든 구성 항목에서 Holm 보정 p = 1.000.
구성 항목등장률과의 Spearman ρ
구조화 데이터(schema)0.08
커버리지0.12
가독성−0.17
llms.txt−0.02(오즈비 1.41, 95% CI 0.79~2.52)
일관성0.06
관문 항목(크롤러 접근, 엣지, 서버 렌더링)61곳 통과: 등장률 21.3%, 1곳 미통과: 0%

업종별·도시별

등장률은 점수보다 업종과 도시에 따라 더 크게 달라졌습니다. 아래는 소규모 그룹의 기술 통계이며, 검정을 거친 차이가 아닙니다.

업종 행과 도시 행은 각각 동일한 62개 업체를 포괄합니다.
그룹업체 수평균 점수등장률
세무사 사무소1327.9210.3%
숙박 시설1321.0823.9%
치과1340.1525.6%
미용실824.258.3%
음식점1524.2030.4%
오사카1526.2715.6%
삿포로1729.419.8%
도쿄1525.5331.1%
후쿠오카1529.2728.9%

한계

  1. 횡단 연구: 여러 사이트를 한 번 측정한 결과는 연관성을 보여 줄 뿐 인과관계를 보여 주지 않습니다. 사이트를 개선하면 등장이 달라지는지는 같은 사이트를 대상으로 한 전후 비교 연구가 필요합니다.
  2. 통계적 검정력: 62개 업체로는 약 |ρ| = 0.35보다 약한 상관을 놓칠 가능성이 높습니다. 같은 지역·같은 업종의 업체는 동일한 답변을 공유하므로 유효 표본은 이보다 더 작습니다. 여기서 '발견되지 않음'은 '존재하지 않음'을 의미하지 않습니다.
  3. 단일 엔진, 단일 주간: 'fast' 프리셋을 사용한 Perplexity로 2026년 10월 24일에 측정했습니다. ChatGPT, Gemini, Google의 AI Overviews, Copilot은 서로 다른 검색 인덱스와 모델을 사용하므로 이 결과를 그대로 적용할 수 없습니다.
  4. 관측되지 않은 교란 요인: 리뷰, 브랜드 인지도, 광고, 업력, 다른 사이트 등재 여부는 측정하지 않았습니다. 보정한 것은 업종과 도시뿐입니다.
  5. 표본: 업체를 웹 검색으로 찾았기 때문에 이미 찾기 쉬운 업체 쪽으로 치우쳐 있습니다. 초록 점수를 받은 사이트는 없었습니다. 일본의 5개 업종과 4개 도시가 다른 업종, 지역, 언어를 대표하지 못할 수 있습니다.

업체 웹사이트에 주는 시사점

구조화 데이터, llms.txt, 크롤러 접근은 여전히 제 역할을 합니다. AI가 업체 정보(주소, 영업시간, 전화번호, 서비스)를 추측하지 않고 직접, 정확하게 읽을 수 있게 해 줍니다. 이는 충분히 할 가치가 있는 일이지만, 추천받는 것과는 다른 일입니다. 이번 연구에서 더 잘 읽히는 사이트가 더 많이 언급되지는 않았습니다.

당사의 작업 가설은 AI가 추천 질문에 답할 때 업체를 언급할지 여부에는 웹사이트 외부의 정보원(리뷰·지도 서비스 등재, 지역 언론, 업체 디렉터리, 해당 업체를 언급하는 다른 사이트)이 큰 영향을 미친다는 것입니다. 이번 연구에서는 이러한 정보원을 측정하지 않았으므로, 이는 결과가 아니라 검증해야 할 가설입니다.

실무적으로는 AI가 귀사에 대해 말하는 내용을 정확하게 만들어 주는 사이트 내 기본 사항을 계속 정비하고, AI가 실제로 귀사를 언급하는지는 가독성 점수로 추론하지 말고 직접 측정하시기 바랍니다.

당사의 이해관계와 개선 사항

Nurevo는 AEO 도구를 만드는 회사이며, 이 글에서 검증한 점수는 당사 제품 중 하나입니다. 점수가 등장을 예측하지 못한다는 결과는 당사가 바란 결과가 아닙니다. 그럼에도 공개하는 것은 데이터를 수집하기 전에 기준을 정해 두었고, 업체 운영자가 점수로 알 수 있는 것과 알 수 없는 것을 알아야 한다고 생각하기 때문입니다.

당사의 대응: AI 가독성 점수를 AI 답변 등장의 예측 지표로 제시하지 않겠습니다. 대신 등장 여부를 직접 측정합니다. Pro 플랜에서는 Perplexity가 사이트를 언급하거나 인용하는 빈도를 측정하며(베타), Free 및 Standard 플랜 사이트에도 소규모 월간 등장 점검을 추가할 예정입니다. 또한 사이트 내 신호에만 의존하지 않고, 실측한 AI 가시성과 사이트 내 신호를 결합한 두 번째 버전의 점수를 개발하고 있습니다.

측정 대상 업체의 이름과 웹사이트는 공개하지 않습니다.

자주 묻는 질문

구조화 데이터를 적용하면 AI가 우리 업체를 언급하나요?

Perplexity에서 지역 업체 62곳을 조사한 이번 연구에서는 구조화 데이터 등 사이트 내 신호와 업체가 언급된 빈도 사이에 관계가 발견되지 않았습니다(ρ = 0.03). 구조화 데이터는 AI가 귀사의 정보를 정확하게 읽는 데 도움이 되지만, 그것만으로는 언급 여부를 예측하지 못했습니다.

llms.txt는 업체가 AI 답변에 등장하는 데 도움이 되나요?

이번 연구에서는 관계가 발견되지 않았습니다: llms.txt 항목과 등장률 간 ρ = −0.02(Holm 보정 p = 1.000). 연구 규모가 작고 엔진도 하나만 사용했으므로, llms.txt가 전혀 효과가 없다는 증거는 아닙니다.

그렇다면 AEO는 의미가 없나요?

아닙니다. 사이트 내 AEO는 AI가 업체에 대해 말하는 내용을 정확하게 만들어 줍니다. 이번 연구는 그것만으로는 추천받기에 충분하지 않으며, 언급 여부는 가독성 점수로 추론하기보다 직접 측정해야 한다는 점을 시사합니다.

어떤 AI 엔진을 측정했나요?

Perplexity만 측정했습니다. Agent API의 'fast' 프리셋을 사용했으며 측정일은 2026년 10월 24일입니다. 이 결과는 ChatGPT, Gemini, Google의 AI Overviews, Copilot에는 그대로 적용되지 않습니다.