챗GPT가 우리 회사를 틀리게 설명할 때, 바로잡는 방법

챗GPT에 우리 회사 이름을 넣어 봤더니, 2년 전에 접은 서비스를 아직 주력이라고 소개하더라. 이런 경험 있으세요? 사이트도 고치고 보도자료도 냈는데 AI만 옛날 이야기를 하고 있는 거죠.

먼저 답부터 말씀드리면, AI가 틀리게 말하는 건 대부분 우리 사이트 하나의 문제가 아닙니다. AI가 우리보다 더 믿는 바깥 출처에 옛 정보가 남아 있고, 그게 수년 치 쌓여 있어서 새 소식이 묻히는 겁니다. 그래서 고치는 순서도 “우리 사이트 → 바깥 출처 → 꾸준한 확인”으로 갑니다. 이번 주 해외 SEO 업계에서 이 주제를 정면으로 다룬 글이 다섯 편이나 나와서, 그 내용을 근거로 하나씩 풀어 보겠습니다.

AI는 왜 우리 회사를 옛날 모습으로 기억할까?

몇 가지 이유가 겹쳐 있습니다. AI 모델은 특정 시점까지의 자료로 학습해서 그 뒤 소식은 웹 검색을 따로 하지 않으면 모릅니다(학습 데이터 기준일¹). 여기에 우리 사이트, SNS, 리뷰, 외부 기사가 서로 다른 설명을 하고 있으면 AI는 어느 쪽이 맞는지 헷갈립니다. 옛 설명이 몇 년 치 쌓여 있으면 최근의 변화 하나로는 그 무게를 이기기 어렵습니다.

Semrush²는 이걸 “LLM 포지셔닝 래그”(LLM positioning lag)라고 부르면서 사례를 여럿 들었습니다. 히트맵 도구 Hotjar는 2021년에 Contentsquare에 인수돼 2025년 7월 완전히 합쳐졌는데, 챗GPT는 여전히 독립 회사로 소개합니다. 수학·음악·체스 과정을 차례로 연 듀오링고도 아직 “언어 학습 앱”으로만 설명되고요. 보도자료, 블로그, 고객센터 문서, 유튜브, 전용 랜딩 페이지까지 다 냈는데도 합병 1년이 넘도록 설명은 그대로였습니다.

저희가 보기에 한국 회사는 이 문제를 더 심하게 겪을 가능성이 큽니다. 영어권보다 한국어 학습 자료가 적어서, 한 번 자리 잡은 옛 설명이 덮일 기회도 적기 때문이에요. 사업 방향을 바꾼 스타트업, 브랜드명을 바꾼 회사, 주력 상품이 달라진 쇼핑몰이라면 지금 한 번 확인해 볼 만합니다.

"AI가 회사의 예전 데이터나 지난 가격을 그대로 가져다 쓰는 일이 눈에 띄게 늘었습니다. 저희 고객사들만 봐도 이미 끝난 서비스가 여전히 안내되거나, 틀린 정보가 AI 답변을 타고 그대로 퍼지는 경우가 적지 않아요."

출처: The LLM positioning lag: What it is and how to avoid it (Semrush)

리뷰 몇 개 때문에 AI가 “추천하지 않는다”고 하면?

이번 주 가장 눈길을 끈 건 Search Engine Journal³에 실린 AnswerShare라는 회사의 사례입니다. AI가 부정 리뷰를 맥락 없이 크게 반영해서, 실제 만족도가 높은 업체를 “주의하라”고 소개하는 문제를 다뤘어요. 이들은 회사 정체성, 제공하는 것, 근거, 평판 기록, 하지 않는 일까지 다섯 덩어리로 정리한 문서(llms-full.txt⁴)를 만들고, 전체 고객 수와 영업 기간처럼 부정 리뷰를 해석할 분모를 함께 적었습니다. 한 고객사는 14일 만에 “주의” 답변이 42건 중 27건에서 0건으로 줄고, 추천은 42건 중 10건에서 40건 중 40건으로 바뀌었다고 해요.

방향 자체는 저희도 동의합니다. 부정 리뷰를 숨기지 말고 “몇 명 중 몇 건, 어떻게 대응했는지”를 공개 문서로 적으라는 건 사람 고객에게도 설득력 있는 방식이니까요. 한국에서도 네이버 리뷰나 커뮤니티 글 몇 개가 회사 평판처럼 굳는 일이 흔해서 더 쓸모 있는 조언입니다.

다만 저희는 이 사례의 실행 방식에는 선을 긋고 싶습니다. 이들은 CDN⁵ 서버 단에서 AI 크롤러에게 이 문서를 반복해서 전달했는데, 사람에게 보이는 페이지와 봇에게 주는 내용이 달라지는 순간 클로킹⁶으로 해석될 위험이 있습니다. 성과 수치도 해당 회사가 직접 공개한 단일 사례라 검증이 어렵고요. 같은 내용을 누구나 볼 수 있는 회사 소개·FAQ 페이지에 쓰는 정공법으로도 효과의 상당 부분은 가져갈 수 있다고 봅니다.

출처: Yes, You Can Change AI’s Opinion. Here’s How. (Search Engine Journal)

AI는 우리 사이트보다 어디를 더 믿을까?

같은 매체의 다른 글은 이 질문에 숫자로 답했습니다. 2,500만 개 넘는 AI 인용 링크를 분석한 결과 위키백과가 챗GPT에서 가장 많이 인용된 도메인이었고, 챗GPT 인용 여섯 개 중 하나꼴이 위키백과였다고 합니다. 레딧⁷은 구글 AI 오버뷰에서만 580만 번 인용됐고, 유튜브는 주요 AI 엔진 전체에서 세 번째로 많이 인용되는 도메인이었어요. 숫자는 달라도 가리키는 쪽은 같습니다. AI는 회사가 직접 쓴 글보다 제3자가 쓴 글을 더 믿습니다.

한국으로 옮기면 그림이 조금 달라집니다. 저희는 국내에서 그 자리를 나무위키, 네이버 블로그·카페·지식iN, 유튜브가 차지하고 있다고 봅니다. 한국어로 된 제3자 자료 중 양이 가장 많고, 회사 이름으로 검색했을 때 가장 먼저 걸리는 곳들이니까요. 그러니 우리 회사 이름으로 나무위키, 네이버, 유튜브를 검색해서 거기 적힌 설명이 지금 사실과 맞는지부터 확인하는 게 순서입니다.

이 글 말대로 이건 원래 SEO 담당자보다 홍보(PR) 담당자의 영역이었습니다. 앞으로 1년 안에 AI 검색 성과를 내는 회사와 못 내는 회사는 SEO와 PR이 같은 자료를 보고 일하느냐로 갈릴 거라고 저희는 예상합니다. 언론 인터뷰, 팟캐스트 출연, 업계 위키 문서 하나가 우리 사이트 글 열 개보다 AI 답변에 더 크게 작용하는 경우가 생기니까요.

출처: Wikipedia, Podcasts & Reddit Now Drive AI Citations, Ask Your PR Team How They Did It (Search Engine Journal)

어디부터 손대야 할지 모르겠다면?

여기까지 읽으면 할 일이 너무 많아 보이죠. Ahrefs⁸는 바로 이 상태를 “AI 가시성 데이터 마비”라고 불렀습니다. AI 노출 문제는 하나가 아니라 생김새만 비슷한 여러 문제의 묶음이라, 점수 하나만 보면 어디를 고쳐야 할지 안 보인다는 거예요. 그래서 질문을 비교, 추천, 사용 사례, 상품 정보, 평판처럼 유형별로 나눠서 각각 따로 진단하라고 권합니다.

이 글에서 저희가 가장 실용적이라고 본 대목은 “AI가 인용한 바깥 페이지부터 고친다”는 부분입니다. Ahrefs는 옛 가격이나 바뀐 상품명을 적어 둔 매체 20여 곳에 직접 정정을 요청했고, 여러 질문에 반복해서 인용되는 페이지 하나를 먼저 챙겼다고 해요. 반대로 자사 제품을 1위로 올린 순위 글은 오히려 경쟁사 추천을 강하게 만드는 역효과가 났다고 솔직하게 적었습니다.

바깥 출처만큼 손이 많이 가는 게 우리가 직접 쌓아 온 콘텐츠입니다. 글이 수백 개 쌓이면 옛 가격이나 끝난 서비스 안내가 어디에 남아 있는지조차 찾기 어려워지죠.

"그래서 저희는 고객사의 콘텐츠를 글 한 편 한 편이 아니라 데이터로 관리하고 있습니다. 블로그 글과 그 안의 링크, 가격, 상품 안내를 한곳에 모아 두면 AI로 전체를 한 번에 점검할 수 있고, 어디를 고쳐야 하는지가 바로 보여요. KT 기프티쇼 비즈가 판촉 사업을 종료했을 때도 60개가 넘는 블로그 글에 흩어져 있던 판촉 관련 링크 200여 개를 목록으로 뽑아 한 번에 수정 계획을 세웠습니다. 사업은 언제든 바뀌니까, 콘텐츠도 언제든 고칠 수 있는 상태로 쥐고 있어야 그때그때 대응할 수 있습니다."

01 AI 전수 점검

사업이 바뀐 순간, 영향받는 글·링크·안내를 데이터에서 한 번에 찾기

02 수정 목록

글마다, 링크마다 무엇을 바꿀지 목록으로 정리

03 일괄 수정

한 번에 고치고, 같은 질문으로 AI 답변을 다시 확인

출처: AI Visibility Data Paralysis: How to Get Unstuck (Ahrefs)

B2B 회사라면 무엇이 다를까?

B2B는 사는 사람이 한 명이 아니라는 점이 다릅니다. Semrush의 B2B 답변 엔진 최적화(AEO⁹) 글은 AI를 쓰는 B2B 실무자의 92%가 AI가 업체 후보 명단에 영향을 준다고 답했다는 설문을 인용했습니다. 실무 담당자는 기능을, 보안 담당자는 인증을, 재무 담당자는 가격을 묻기 때문에, 질문마다 AI가 꼽는 업체가 달라진다는 거예요. 실제로 같은 CRM을 물어도 “보안”을 앞세우면 나오지 않던 업체가 “가성비”를 물으면 등장했다고 합니다.

여기에 저희 관점을 하나 덧붙이면, 한국 B2B는 해외처럼 리뷰 플랫폼이 탄탄하지 않습니다. 원문이 권하는 G2¹⁰나 Capterra 대신, 국내에서는 업계 블로그의 비교 글, 고객사 인터뷰 기사, 네이버 블로그 도입 후기가 그 역할을 합니다. 그러니 보안 인증, 도입 기간, 요금 구조처럼 각 담당자가 물을 만한 사실을 회사 사이트에 질문 형태의 소제목으로 정리해 두고, 같은 사실이 외부 기사에도 실리게 하는 게 현실적인 방법이라고 봅니다.

출처: B2B answer engine optimization: How to show up in AI (Semrush)

그래서 지금 할 수 있는 것

• 챗GPT, 제미나이, 퍼플렉시티에 “우리 회사는 어떤 곳이야?”, ”○○ 추천해 줘”, “우리 회사 평판 어때?”를 물어보고 답을 그대로 기록해 두세요. 이게 기준점입니다.
• 회사 소개, 상품 페이지, 메타 설명, SNS 프로필에서 회사를 설명하는 한 문장을 똑같이 맞추세요. 바뀐 이름·가격·서비스가 남아 있는 옛 페이지는 정리하거나 새 페이지로 연결합니다.
• 나무위키, 네이버, 유튜브에서 회사 이름을 검색해 틀린 정보가 있는 곳을 목록으로 만들고, 고칠 수 있는 곳부터 정정을 요청하세요.
• 부정 리뷰가 문제라면 숨기지 말고, 전체 고객 수와 대응 내용을 공개 FAQ에 적어 두세요.

AI가 우리 브랜드를 추천하게 만드는 쪽의 전략은 지난번에 정리한 챗GPT가 우리 브랜드를 추천하게 하려면 글에, AI 크롤러를 막을지 열지는 AI 크롤러 차단·허용 판단법 글에 있습니다. 개념부터 차근차근 보고 싶다면 GEO 최적화란부터 읽어 보세요.

직접 하기 어렵다면

AI 답변 속 우리 회사 설명을 점검하고, 사이트와 외부 출처를 함께 정리하는 일은 생각보다 손이 많이 갑니다. 직접 다 하기 벅차다면 마켓피디아에 문의해 주세요. AI 검색 노출은 GEO 최적화, 사이트 구조부터 손봐야 한다면 SEO 컨설팅으로 도와드립니다.

용어 설명

Footnotes

1. 학습 데이터 기준일: AI 모델이 학습에 쓴 자료의 마지막 시점입니다. 이 날짜 이후의 소식은 AI가 웹 검색을 따로 하지 않는 한 답변에 반영되지 않습니다. ↩

2. Semrush: 키워드·경쟁사·AI 노출을 분석하는 해외 SEO 도구 회사입니다. 업계 데이터 리포트를 자주 냅니다. ↩

3. Search Engine Journal: 검색·디지털 마케팅 소식을 다루는 해외 대표 매체입니다. ↩

4. llms-full.txt: AI가 읽기 쉽게 사이트 내용을 정리해 두는 텍스트 파일(llms.txt)의 확장판입니다. 아직 공식 표준은 아니고, 효과도 검증 중입니다. ↩

5. CDN: 전 세계 곳곳의 서버에서 웹사이트를 대신 전달해 속도를 높여 주는 서비스입니다. 클라우드플레어가 대표적입니다. ↩

6. 클로킹: 검색엔진 봇과 사람에게 서로 다른 내용을 보여 주는 행위로, 구글은 스팸 정책 위반으로 봅니다. ↩

7. 레딧: 미국 최대의 주제별 커뮤니티 사이트입니다. 한국으로 치면 각종 카페와 커뮤니티가 한곳에 모인 곳에 가깝습니다. ↩

8. Ahrefs: 백링크와 검색 데이터를 분석하는 해외 SEO 도구 회사입니다. AI 답변 속 브랜드 언급을 추적하는 기능도 운영합니다. ↩

9. AEO: 답변 엔진 최적화(Answer Engine Optimization). 검색 결과 순위보다 AI가 내놓는 답변 안에 우리 브랜드가 정확하게 들어가도록 하는 작업입니다. GEO와 거의 같은 뜻으로 쓰입니다. ↩

10. G2: 해외 B2B 소프트웨어 리뷰 플랫폼입니다. 해외 기업 구매 담당자들이 업체를 비교할 때 많이 참고합니다. ↩