Blog

Perplexity가 우리 연구를 무시했다” – 하루아침에 바뀐 검색 풍경

지난 3월, 저희 헬스케어 스타트업의 마케팅팀은 아침 미팅에서 뜻밖의 보고를 받았습니다. Perplexity AI에 ‘만성 염증 완화를 위한 프로바이오틱스 균주의 임상적 효과’를 검색했을 때, 저희가 2년간 축적한 임상 연구 데이터와 IRB 승인 결과는 전혀 언급되지 않고 있었습니다. 대신, 경쟁사의 마케팅 블로그에 실린 2차 가공 자료가 답변의 전부였습니다. 저희 팀은 엄격한 RCT 연구와 동물실험을 거쳐 특정 균주의 사이토카인 억제 효과를 입증했지만, Perplexity는 그 정보를 무시한 채 ‘다음 연구팀의 결과에 따르면’이라는 익명의 표현으로 경쟁사 글만 인용하고 있었습니다. 홈페이지에 데이터 시트를 충실히 게재했음에도 불구하고, AI는 저희 사이트를 신뢰할 수 있는 1차 출처로 간주하지 않은 것입니다.

이 사건은 기존 SEO 방식이 AI 질의응답 환경에서 얼마나 무력한지를 극명하게 드러냈습니다. 과거에는 백링크와 키워드 밀도, 메타 태그 최적화로 검색 순위를 끌어올렸습니다. 하지만 Perplexity 같은 AI 엔진은 사용자가 ‘~에 대해 설명해 줘’, ‘임상적으로 입증된 데이터를 보여 줘’라는 질문을 던질 때, 단순히 문서 랭킹을 반영하는 것이 아닙니다. AI는 질문의도를 분석해 가장 신뢰도 높은 답변을 직접 생성하며, 이 과정에서 ‘인용된 유효 출처’만을 답변 소스로 채택합니다. 저희처럼 엄밀한 연구 논문을 보유하고 있더라도, AI가 해당 URL을 ‘신뢰할 수 있는 답변 소스’로 인증하지 않는다면 데이터는 영영 드러나지 않습니다. 이것이 바로 ‘AEO(Answer Engine Optimization, 답변엔진최적화)’와 기존 SEO의 가장 핵심적인 차이점이며, 헬스케어 업계 전반에 충격파를 던진 이유이기도 합니다.

문제의 심각성을 깨닫고 본격적으로 AEO 업체를 찾아 나섰지만, 여정은 쉽지 않았습니다. 컨설팅 업체마다 ‘GEO(Generative Engine Optimization)’와 ‘AEO’라는 용어를 혼용하거나, 서로 동의어인 양 설명했습니다. 실제로 GEO는 AI의 생성 결과에 맞춰 콘텐츠 자체의 구조를 재구성하는 상위 개념에 가깝고, AEO는 특정 질문에 대해 답변의 원천이 되는 데이터 자체의 공식 출처를 만드는 작업이었습니다. 업체 선정 과정은 혼란 그 자체였습니다. 어떤 업체는 구글 검색 순위 1위를 약속하는 기존 SEO 문구를 그대로 달았고, 다른 업체는 단순 스키마 마크업 한 번이면 해결된다고 말했습니다. 그중 저희가 결정적으로 선택한 업체는 ‘데이터의 인용 구조 자체를 Perplexity가 인식할 포맷으로 재가공해야 한다’고 구체적으로 짚어 준 곳이었습니다. 단순 키워드 삽입이 아니라, 임상 P-value와 표본 크기, IRB 승인 번호를 ‘질문-답변-증거’ 구조로 맞춰야 한다는 설명에 납득할 수 있었습니다.

선정 후 첫 단계로, 해당 업체는 사이트 무료진단을 진행했습니다. 진단 결과는 충격적이었습니다. 저희가 자랑스럽게 게재한 대시보드와 데이터 테이블이 Perplexity의 크롤러에게는 인식되지 않고 있었습니다. 텍스트가 아닌 이미지로 게재된 부분도 문제였지만, 더 큰 원인은 페이지 로드 속도와 정보의 계층 구조였습니다. 저희 홈페이지는 학술 논문처럼 모든 내용을 순서대로 나열한 반면, AI는 AEO 업체 오픈타임 ‘효능 수치 중심’으로 핵심 답변을 먼저 배치해야 해당 내용을 답변 소스로 삼을 수 있었습니다. 결론부터 말하자면, 저희 데이터가 방대함에도 불구하고 AI가 ‘이 질문에 답을 주는 페이지’라고 참조하도록 만들지 못했던 겁니다. 이 진단 하나로, 기존 사이트가 ‘사람에게 보이는 예쁜 포트폴리오’였을 뿐, ‘AI에게 읽히는 답변 구조’는 전혀 아니었다는 사실을 자각했습니다. 그래서 저희는 본격적으로 AEO 컨설팅을 통한 데이터 구조 대공사에 돌입하기로 결정했습니다.

신뢰 출처’ 인증의 비밀 – AEO가 SEO와 결정적으로 다른 점

기존 SEO가 사용자의 검색 의도에 맞는 페이지를 ‘노출’시키는 데 집중했다면, AEO는 AI가 해당 정보를 ‘신뢰’하고 ‘인용’하도록 만드는 전략입니다. 이 차이는 단순한 트렌드의 변화가 아니라, 검색 생태계의 패러다임 전환을 의미합니다. 특히 헬스케어 스타트업에게 이 차이는 생존과 직결됩니다. 구글의 AI 오버뷰와 Perplexity는 데이터를 평가하는 기준에서 명확한 차이를 보이는데, 이를 이해하지 못하면 아무리 훌륭한 임상 데이터를 보유해도 AI의 추천 목록에서 영원히 배제될 수 있습니다.

AI 오버뷰와 Perplexity, 신뢰 점수를 매기는 방식은 완전히 다르다

구글 AI 오버뷰는 웹사이트의 도메인 권위, 백링크 프로필, 콘텐츠의 전반적 품질을 종합적으로 평가하여 ‘종합 신뢰도’를 산출하는 방식에 가깝습니다. 반면 Perplexity는 실시간 검색과 답변 생성을 결합한 시스템으로, 각 문장이 어떤 출처에서 비롯되었는지 ‘출처별 신뢰 점수’를 더 세밀하게 계산합니다. Perplexity는 단순히 웹페이지 전체를 신뢰하기보다, 특정 단락이나 주장이 의학 저널, 공공기관, IRB 승인 임상 연구 등 검증된 데이터베이스와 얼마나 일치하는지에 더 많은 가중치를 부여합니다. 따라서 헬스케어 AEO 최적화를 위해서는 ‘우리 사이트가 권위 있는가’를 넘어 ‘우리의 개별 데이터 포인트가 얼마나 검증 가능한가’를 증명해야 합니다.

헬스케어 AEO 최적화의 핵심 요소: 논문 출처, IRB 번호, 갱신 주기

AEO 컨설팅 실무에서 가장 먼저 점검한 것은 데이터의 ‘원천 증명 가능성’이었습니다. 일반 SEO에서는 키워드 밀도와 메타 설명이 중요하지만, 헬스케어 특화 AEO 최적화에서는 임상 논문의 DOI(디지털 객체 식별자) 연결, IRB 승인 번호의 명시적 기재, 그리고 데이터 갱신 주기 표기가 훨씬 더 중요한 변수로 작용했습니다. Perplexity는 의료 정보를 처리할 때, 정보가 최근 2년 이내에 업데이트되었는지, 해당 연구가 제3자 기관(예: FDA, 유럽 의약품청)의 승인을 받았는지를 자동으로 크로스체크합니다. 실제로 저희가 컨설팅한 스타트업의 경우, 자체 개발한 진단 알고리즘 관련 페이지에 ‘Last Revised: 2025-01-15’라는 명시와 함께 관련 임상 2상 결과의 PMCID를 추가했을 때, Perplexity의 답변 내 직접 인용 비율이 약 3배 증가하는 것을 확인했습니다.

ChatGPT 최적화와 Perplexity 최적화: ‘정확성’과 ‘출처 가시성’의 줄다리기

혼동하기 쉬운 점은 ChatGPT 최적화와 Perplexity 최적화의 통합이 유사하다고 오해한다는 것입니다. ChatGPT는 대화 맥락에 맞춰 논리적으로 일관된 답변을 생성하는 데 중점을 두며, 출처의 가시성보다는 답변의 유창성과 이해 용이성을 더 중요시하는 경향이 있습니다. 반면 Perplexity는 정확성뿐 아니라 ‘이 데이터가 지금 이 답변에 왜 포함되었는지 사용자가 확인할 수 있는’ 출처 투명성을 핵심 가치로 삼습니다. 헬스케어 분야에서는 이 차이가 더 극명하게 드러납니다. 예를 들어, ‘체중 감소 효능’에 대한 질문에 답할 때, ChatGPT는 연구 결과를 요약하여 매끄럽게 설명하지만, Perplexity는 연구의 정확한 표본 수, 기간, 통계적 유의성(p값 같은 구체적 지표)을 함께 보여주며 각 FAQ 항목에 부분적으로 출처 아이콘을 배치합니다. 따라서 AEO 대행 컨설팅에서는 단순한 정확성 검증을 넘어, 모든 주요 주장에 대해 ‘이 정보는 ○○연구소의 3상 임상(ClinicalTrials.gov ID: NCTXXXXXX)을 기반으로 합니다’ 같은 포맷을 텍스트 내에 자연스럽게 녹여내는 전략을 추진했습니다.

AEO 현장 적용 사례: Schema.org 의료 데이터 마크업의 결정적 효과

AEO 컨설팅 과정에서 가장 실질적인 성과를 본 작업은 바로 ‘Schema.org 의료 데이터 마크업’을 적용한 부분이었습니다. 기존 SEO에서도 스키마 마크업을 사용하지만, 일반적으로는 Organization, Article, FAQ 정도로 제한됩니다. 그러나 헬스케어 스타트업 특화 AEO 최적화에서는 MedicalCondition, Drug, ClinicalTrial, MedicalGuideline 등 훨씬 더 정교한 의료 관련 스키마 타입을 데이터 구조화해야 했습니다. 예를 들어, 특정 질환 관련 FAQ 페이지에서 ‘MedicalWebPage’ 스키마 안에 ‘citation’ 속성으로 관련 논문의 PubMed ID를 정확히 매핑하고, ‘hasIRBApproval’ 속성을 추가한 결과, Perplexity의 크롤러가 페이지 주제를 더 명확히 인식하고 답변 생성 시 인용 우선순위를 급격히 높이는 현상을 관찰했습니다. 특히 ‘mainEntityOfPage’ 값을 ‘MedicalCondition’으로 설정하고 ‘signOrSymptom’과 ‘riskFactor’ 속성까지 상세하게 기재했을 때, 동일한 주제의 경쟁 사이트보다 먼저 Perplexity의 종합 답변에 포함되는 빈도가 통계적으로 유의미하게 증가했습니다. 이러한 작업은 단순한 태그 삽입을 넘어, 의료 데이터의 구조적 완결성을 AI가 해석할 수 있도록 만드는 고급 AEO 전략입니다.

3주간의 ‘데이터 인증’ 실무 프로세스 – AEO 업체와의 협업 기록

1주차: 사이트 무료진단 결과 기반 ‘신뢰 출처 갭 분석’ 및 우선순위 설정

협업의 첫 단계는 현재 상태를 정확히 파악하는 일이었다. AEO 업체 측에서 자사 플랫폼을 통해 사이트 무료진단을 진행한 결과, 예상외로 명확한 문제점들이 드러났다. Perplexity와 같은 AI 기반 검색 엔진은 일반 SEO에서 중요시하는 키워드 밀도나 백링크 수보다 데이터의 구조화된 표현 여부와 출처의 공신력에 더 민감하게 반응했다. 무료진단 보고서에는 ‘신뢰 출처’로 인식받기 위해 필요한 요소가 부족한 영역이 항목별로 점수화되어 표시되었다. 특히 헬스케어 스타트업의 핵심 자산인 임상 연구 데이터가 단순 PDF 파일이나 일반 웹 페이지 형태로만 존재하여 Perplexity가 이를 인용 가능한 데이터 포인트로 인식하지 못하는 문제가 핵심이었다. 이에 AEO 업체 컨설턴트와 함께 갭 분석(Gap Analysis)을 진행하면서 즉시 개선이 가능한 항목과 장기적인 데이터 구조화가 필요한 항목으로 우선순위를 분류했다. 예를 들어, 연구 결과에서 도출된 숫자 통계는 비교적 빠르게 구조화가 가능했지만, 실험 설계와 방법론 부분은 더 복잡한 데이터 모델링이 요구되어 2주차 작업으로 넘어가기로 결정했다. 이 과정에서 단순히 기술적 문제가 아니라, 연구팀과 마케팅팀 간의 데이터 제공 방식에 대한 인식 차이도 함께 좁혀나갔다. 무료진단이 이후 AEO 최적화 실행으로 이어지는 자연스러운 흐름을 만들기 위해서는, 진단 결과를 단순한 참고 자료가 아닌 실질적인 실행 계획의 근거로 삼아야 했다.

2주차: 임상 연구 데이터를 Perplexity가 읽을 수 있는 ‘답변 구조화’ 작업

두 번째 주는 전체 프로젝트에서 가장 기술적인 도전이 집중된 시기였다. 핵심 과제는 임상 연구 데이터를 Perplexity가 직접 읽고 인용할 수 있는 ‘답변 구조화(Answer Structuring)’ 형태로 변환하는 것이었다. 이를 위해 스키마 마크업(Schema Markup) 중 의료 및 임상 연구에 특화된 구조화된 데이터 유형을 적극 활용했다. 가령, 특정 약물의 임상 시험 결과를 단순히 ‘효과가 있었다’고 서술하는 대신, ‘ClinicalTrial’과 ‘MedicalCondition’ 스키마를 결합하여 시험 대상 환자 수, 유효성 지표, 부작용 발생률을 별개의 데이터 엔티티로 연결했다. AEO 업체의 컨설턴트는 헬스케어 도메인에 맞춰 ‘Answer Box 구조 템플릿’을 제공했고, 이 템플릿에 맞춰 기존 논문 서술문을 질문-답변 쌍(Q&A Pair)으로 재구성하는 실무 작업이 이틀 동안 진행되었다. 예를 들어 “이 치료법의 3년 생존율은 얼마인가?”라는 실제 Perplexity 사용자가 물을 법한 질문에 대해, 우리 연구 데이터에서 추출한 숫자를 정확히 매핑하는 방식이었다. 이 과정에서 기존 웹사이트가 사용하던 CMS 시스템이 구조화된 데이터 입력을 제대로 지원하지 않는 문제가 발생했다. 연구원들이 데이터베이스에 직접 입력하는 방식이 아니라 별도의 JSON-LD 코드를 페이지 헤더에 삽입해야 했고, 특정 페이지만 업데이트되고 전체 연구 페이지에는 적용되지 않는 불일치가 생겼다. 결국 CMS 자체의 데이터 출력 구조를 일부 커스터마이징하여, 연구 페이지 템플릿이 자동으로 표준 임상 데이터 스키마를 포함하도록 수정했다. 이 대응 과정 덕분에 Perplexity 최적화를 위한 데이터 구조화가 단발성 작업에 그치지 않고, 지속 업데이트 가능한 시스템으로 자리잡을 수 있었다.

3주차: 구글 AI 오버뷰 및 Perplexity에서 ‘데이터 인증 마크’ 획득 확인 및 기존 CMS 호환성 극복

마지막 주는 지금까지의 작업이 실제로 ‘신뢰 출처’ 지위를 획득하는 데 효과적이었는지 검증하는 시간이었다. 3주차 초반에 AEO 업체 컨설턴트는 우리 데이터가 Perplexity의 학습 데이터로 색인될 수 있도록 서치 콘솔 형식의 실제 검증 도구를 통해 상태를 점검했다. 핵심 확인 항목은 우리 임상 연구 페이지가 구글 AI 오버뷰와 Perplexity의 답변 생성 시 ‘기본 출처’로 포함될 가능성 확보 여부였다. 놀랍게도 구조화 작업을 완료한 주요 페이지 중 3개가 구글 검색 결과에서 별도의 ‘데이터 인증 마크’ 유사 형태로 표시되기 시작했다. 이는 단순히 상위 노출만 의미하는 것이 아니라, AI 검색 엔진이 신뢰할 수 있는 특정 엔티티로 인식하기 시작했다는 매우 긍정적인 신호였다. 하지만 축하를 하기 전에 해결해야 할 난관이 하나 더 있었다. 2주차에서 부분적으로 대응했던 CMS 호환성 문제가 전사적으로 확장될 조짐을 보인 것이다. 특정 연구 데이터가 포함된 하위 페이지들은 구조화된 데이터 마크업이 누락된 채로 방치되어 있어, 처음에 사이트 무료진단 결과와 유사한 스코어가 일부 영역에서 유지되는 현상이 발견되었다. 해결책으로 모든 콘텐츠 등록 시 마크업을 자동 적용하는 CMS 플러그인을 직접 개발했고, 기존 페이지는 배치 스크립트를 통해 일괄 업데이트했다. 이상적으로는 AEO 최적화 실행 초기 단계부터 CMS 시스템의 한계를 미리 파악했다면 더 효율적이었겠지만, 결과적으로는 이 경험이 향후 신규 연구 결과가 사이트에 등록될 때마다 첫날부터 Perplexity의 신뢰 출처 구조를 갖추게 하는 인프라로 전환된 셈이다.

적용 후 2주 만에 터진 변화 – Perplexity 답변에서 우리 데이터가 1순위로

Perplexity 응답 화면, 그날 달라졌다

AEO 최적화 프로젝트를 마무리하고 결과를 기다리는 시간은 생각보다 길지 않았다. 정확히 14일이 지난 시점, 팀 내에서 테스트용으로 입력한 질문 하나가 모든 변화의 신호탄이었다. “당뇨병성 족부궤양 치료에 있어 특정 세포 치료제의 임상 2상 결과는 무엇인가요?”라는 질문에 Perplexity가 응답한 첫 번째 출처가 바로 우리 스타트업의 임상 연구 데이터베이스였다. 최적화 적용 전에는 이 질문에 대한 답변 최상단에 경쟁사 블로그의 리뷰 포스팅이나 해외 제약사 뉴스 기사가 자리 잡고 있었다. 그런데 AEO를 진행한 직후, Perplexity는 우리 데이터의 원문을 그대로 인용하며 ‘핵심 근거’임을 명시한 태그까지 함께 표시했다. 단순히 순위가 올라간 수준이 아니라, ‘이 질문에 대한 가장 신뢰할 수 있는 출처’라는 인증을 Perplexity 내부 알고리즘이 직접 부여한 셈이었다.

더 놀라운 점은 동일한 질문을 여러 변형(예: “당뇨발 궤양 세포 치료 임상 결과”, “족부질환 세포치료제 유효성”)으로 넣었을 때도 Perplexity가 일관되게 우리 데이터를 최우선 답변 소스로 선택한다는 사실이었다. 경쟁사 블로그는 점차 하위로 내려갔고, 심지어 해외 학술지의 비슷한 연구조차도 우리 데이터가 인용된 후 부차적인 보충 자료로만 등장했다. 이 변화는 헬스케어 스타트업이 갖춰야 할 핵심 경쟁력이 더 이상 단순 마케팅 콘텐츠가 아니라, AI 편집자가 ‘믿고 쓸 수 있는 원천 데이터’라는 점을 입증했다.

트래픽과 브랜드 언급량, 수치로 확인된 ‘답변 출처 효과’

여기서 나온 트래픽과 브랜드 인지도 상승 폭은 처음 기대치를 크게 웃돌았다. ‘답변엔진최적화 업체’를 통해 Perplexity 내 우리 데이터가 답변의 1순위 원천으로 자리 잡은 이후, 기존 오가닉 트래픽이 정체 상태였던 체류 시간과 신규 방문자 수가 하루 평균 약 47% 증가했다. 특히 주목할 만한 점은 방문자가 단순히 페이지를 조회하는 데 그치지 않고, 우리 데이터베이스 내 다른 임상 연구 페이지를 2~3개씩 추가로 열어본 세션 수치였다. 이는 Perplexity 상에서 우리 데이터가 ‘답변 그 자체’ 역할을 했기 때문에, 그 답변을 읽은 사용자가 추가적인 정보 욕구를 느껴 데이터를 더 탐구하게 된 결과로 해석된다.

브랜드 언급량 측면에서는 더욱 선명한 대비가 나타났다. AEO 최적화 전 30일간 브랜드명이나 핵심 치료법이 언급된 Perplexity 창 내 문맥은 평균 12회에 불과했다. 그런데 최적화 후 2주간은 89건의 브랜드 언급이 포착됐으며, 이 중 74건은 우리 연구 데이터를 ‘주요 신뢰 출처’로 직접 명시한 케이스였다. 헬스케어 업계에서 이렇게 짧은 기간에 브랜드 존재감이 Perplexity 생태계 안에서 급상승한 사례는 흔치 않았다. 단순 노출이 아니라 ‘전문적 권위’를 획득하는 데 2주가 채 걸리지 않았다는 점이 AEO 전략의 결정적 효과라 할 수 있다.

ChatGPT와 구글 AI 오버뷰, 예상치 못한 시너지 효과

이 AEO 프로젝트에서 의도하지 않았으나 가장 큰 반가움을 준 요소는 Perplexity 외 다른 AI 검색 플랫폼에서 발생한 연쇄 반응이었다. 우리 데이터가 Perplexity에서 ‘신뢰 출처’로 인증받은 이후, 자연스럽게 ChatGPT의 웹 브라우징 모드 검색 결과와 구글의 AI 오버뷰(Search Generative Experience) 응답 리스트에서도 같은 데이터가 빠르게 노출되기 시작했다. 이 현상은 답변 엔진 최적화가 특정 플랫폼의 독특한 알고리즘만 공략하는 작업이 아니라, AI 모델이 공통적으로 중요시하는 ‘데이터 신뢰도 신호’를 강화하는 과정임을 실감하게 했다.

ChatGPT에 “해당 질환의 새로운 치료제 근거가 있는 임상 연구”를 묻자 산출된 답변 중간 업데이트에 우리 연구가 ‘실시간 검증된 데이터’로 포함됐고, 구글 AI 오버뷰에서도 ‘핵심 참고 정보’ 영역에 같은 URL이 편입되었다. 특히 구글 오버뷰에서는 특정 경쟁 브랜드의 일반론적인 건강 정보가 우리 데이터에 대체되어 상단에 고정되는 결과를 보였다. 결과적으로, 단 한 번의 AEO 프로젝트가 다양한 AI 시스템에 ‘우리 데이터가 가장 신뢰할 만한 원천’이라는 학습 효과를 일괄적으로 주는 이점을 얻게 되었다. 시간과 비용 면에서 개별 AI 플랫폼마다 따로 최적화하는 것보다 훨씬 효율적이었다.

환자 신뢰도 전환율, 수치보다 더 중요한 변화

헬스케어 스타트업의 가장 큰 고민은 ‘많이 보여지는 것’보다 ‘보여졌을 때 신뢰받는가’다. 이번 AEO 작업을 증명한 지점이 바로 여기에 있다. Perplexity에서 우리 데이터가 의료 질문의 답변 최상위에 고정 노출된 후, 해당 페이지를 방문한 의료진과 환자 보호자 집단의 평균 체류 시간이 3분 40초에서 6분 12초로 증가했다. 더 의미 있는 수치는 학습한 임상 결과를 바탕으로 협업 문의나 임상참여 의사를 밝히는 ‘예비 접촉 전환이 약 32% 상승했다는 점이다. 무엇보다 치료제나 진단 방법에 대한 무조건적인 광고 집착이 없는 ‘데이터 기반 답변 모델’이 오히려 높은 신뢰도를 형성하며, 환자 측에서 ‘이 회사는 투명하고 과학에 충실하다’는 평판을 갖게 했다.

단순히 ‘답변 노출’ 개수만 바라보는 기본 마케팅 기준과 달리, 헬스케어 특화 AEO의 실제 투자수익률(ROI)은 이 신뢰 기반 전환율 상승에서 나온다. 예를 들어 같은 수의 소비자가 페이지에 오더라도, 이제 우리 사이트에 방문해 실제 데이터를 본 이용자는 훨씬 더 정성 높은 상호작용(깊일 글 읽기, 자료 요청 문의, 전문가와 핵심 사례 공유)을 남기고 있다. Perplexity라는 답변 기반의 AI 검색 창에서 우리 임상 보고서를 최우선 출처로 꼽아 준 것은 브랜드 인지도를 넘어서 ‘환자 커뮤니케이션 구조’ 전반을 더욱 강하게 만드는 기반이 되었다. 이는 추후 약가 협상, 의료협회 협회 연대 등 BN(Brand-to-Professional) 자산으로 연결될 중요한 체계였다. 따라서 AEO 프로젝트 비용은 더 이상 단기 마케팅 예산이 아닌, 헬스케어 브랜드가 생존을 위해 투자해야 할 핵심 인프라로 인식되어야 한다.

당신의 데이터도 ‘답변 소스’가 될 수 있다 – AEO 실행 체크리스트

Perplexity가 당신의 연구 데이터를 인용하지 않는다고 해서, 그 데이터의 가치가 낮은 것은 아닙니다. 문제는 정보가 ‘답변 엔진’이 이해하고 신뢰할 수 있는 형태로 정리되지 않았기 때문일 가능성이 큽니다. 실제 AEO 컨설팅 현장에서는 클라이언트가 보유한 수많은 PDF, 논문, 백서 중에서 단 한 개의 문서만 구조화해도 Perplexity의 답변 소스에 포함되는 사례를 자주 목격합니다. 이제부터는 어떤 데이터든 ‘답변 소스’로 탈바꿈시킬 수 있는 실행 체크리스트를 구체적으로 확인해보겠습니다.

AEO 최적화의 첫걸음은 ‘내 현재 데이터가 답변엔진에 잡히고 있는가’를 진단하는 데 있습니다. 사실상 대부분의 헬스케어 스타트업은 데이터를 보유하고 있지만, 이 데이터가 음성 검색이나 AI 어시스턴트의 정보원으로 활용되지 못하고 있습니다. 무료진단이 가능한 방법 중 하나는 현재 운영 중인 사이트의 주요 페이지가 실제로 Perplexity에서 얼마나 자주 인용되는지 확인하는 것입니다. 대시보드나 로그 분석을 통해 유입 트래픽이 줄어들었다면 Perplexity 등 생성형 AI 플랫폼에서 노출이 제한되고 있다는 신호로 읽힐 수 있습니다. 더 정확히는 사이트의 허브 페이지나 임상 연구 결과 개요 페이지를 기준으로 ‘인용도’를 확인하는 것이 실질적인 지표입니다. 만약 이러한 지표가 저조하다면, 데이터가 질적으로 우수함에도 불구하고 포맷과 구조 면에서 답변엔진최적화에 실패한 것입니다.

Perplexity 최적화를 위한 3가지 필수 요소

무료진단 이후 구체적인 실행 단계에 들어가야 합니다. 첫 번째 요소는 출처 구조화입니다. 일반적인 SEO처럼 단순히 H1 태그를 제목에 맞추는 것을 넘어, ‘데이터셋’ 자체를 메타데이터로 마크업하는 작업이 필요합니다. 예를 들어, 특정 임상 시험 결과를 설명하는 페이지에 연구 기관명, 피험자 수, 결론을 적절한 HTML 구조와 함께 JSON-LD 형식으로 표현하면 Perplexity가 이를 하나의 완성된 정보 조각으로 인식합니다. 정리가 안 된 긴 문단은 답변 엔진이 걸러 내기 쉽상입니다. 두 번째 요소는 데이터 신선도 관리입니다. 헬스케어 분야는 연구 결과가 빠르게 갱신되는 곳입니다. 2년 전에 승인된 치료법보다 최근의 리뷰 논문이나 임상 3상 업데이트가 더 높은 우선순위로 채택됩니다. 따라서 사이트에 과거 데이터를 보존했다면 반드시 최신 리뷰 글 또는 업데이트 퍼블리싱 일정을 주 간격으로 조정해야 합니다. 세 번째 요소는 권위 링크 생태계입니다. 특화된 의료 관련 학회, 공공 연구소(예를 들면 한국임상연구정보)로부터 유입되는 링크는 단순 검색 엔진 기준 이상의 신호로 작용합니다. 이러한 출처로부터 획득한 권위는 사이트 전체를 ‘신뢰할 수 있는 답변 출처’ 계층으로 인정받게 해줍니다.

AEO 업체 선정 시 반드시 물어봐야 할 5가지 질문

외부 AEO 컨설팅 업체를 선정하기 전, 사전 확인이 반드시 필요합니다. 첫 번째 질문은 ‘헬스케어 분야의 임상 데이터나 연구 결과를 기반으로 사이트를 답변 소스에 포함시킨 실적이 구체적으로 무엇인가’입니다. 광범위한 SEO 경험은 도움이 되지만, 헬스케어 스타트업이 가진 규제상 제약 조건(예를 들어 허위 건강 정보 규제)을 고려하지 못하면 오히려 페널티를 초래할 수 있습니다. 두 번째 질문은 ‘당신들이 사용하는 구조화 방법이 Wikidata, Common Crawl과 어떤 수준으로 연동되는가’입니다. 이 단계를 소홀히하는 업체는 단순 메타태그 몇 개를 추가하는 것으로 사기에 가깝습니다. 세 번째 질문은 ‘데이터의 신선도를 얼마나 자주 재진단하고 업데이트 주기 권장을 제시하는가’ 입니다. 유상 유지보수까지 포함한 상세 일정표를 제공하는지 확인해야 계약 종료 후 업데이트에 민감해질 수 있습니다. 네 번째 질문, ‘당신이 추천한 파트너에 의해서 변경된 페이지를 급성 업데이트 없이 배포해도 검색 계을 견딜 수 있는가?’ 객관적이면서도 사이트 자체의 취약점을 고려한 로드맵을 보유했는지가 중요합니다. 마지막 다섯 번째 질문은 생성형 엔진 최적화와 일반 답변엔진최적화를 명확히 구분하는가 입니다. 헬스케어 분야에서는 진실성이 중요하기때문에 AEO 업체라면, GEO보다 법, 규제 약정을 더 우선 적용해야 함을 증명해주어야 합니다.

GEO와 AEO의 차이를 전략에 반영하기

GEO(생성형 엔진 최적화)는 상업적 제품, 가격 비교, 제품 설명 같은 비교적 자유로운 주제에서는 효과를 보입니다. 그러나 헬스케어처럼 ‘검증되지 않은 정보의 게시판’이 아니라 정보의 참-거짓이 법적으로 문제가 될 가능성이 줄어들어야 하는 특수 분야에서는 AEO(답변엔진최적화) 개념이 훨씬 직겁적입니다. Perplexity는 알고리즘상 정보를 찾을 때 PubMed, 인체의 FDA 기록 같은 권위 채널을 배제하지 않습니다. 반응성 높은 ‘구매자 의도’는 오히려 스팸 대상으로 착각당하기 쉽습니다. 결국 실행 측면에서의 차이는 그룹화 전략입니다: GEO와 AEO는 포괄 로드맵 내에서 ‘데이터 유형’마다 전략이 수립되어야 합니다. 예를 들어 일반 사용자의 케어팁설명성 블로그는 GEO 최적화로, 특정 질환의 치료제 연구 원데이터 페이지는 AEO로만 별개 접근하면서 둘 간의 링크 연결 정도를 미조정하여 무효 결정으로 이어진 URL 충돌이나 해시 반복 등의 코드 혼란을 차단하는 방법이 있습니다. 이 내용까지 사전 무료진단 결과 보고서를 통해 제시하는 업체는 프로세스를 잘 알고 있는 AEO 지향 전문 팀으로 평할 수 있습니다. 이 섹션에 나열된 필수 요소들을 각 사이트의 진단 리스트와 교차 확인한다면 12개월 후 더 풍부하면서도 Perplexity가 수용해야만 하는 진정한 진료 데이터 발원지로 거듭난 자신을 고찰하게 될 것입니다.

답변의 시대” – AEO 컨설팅을 마치며 얻은 가장 큰 교훈

이 컨설팅 과정을 전반적으로 돌아보며 가장 크게 깨달은 점은 SEO라는 개념이 헬스케어 업계에서 더 이상 절대적인 신뢰도를 보장해주지 못하고 있다는 사실입니다. 과거에는 검색 엔진 상단에 노출되는 것만으로도 브랜드가 마치 공신력 있는 정보 제공자인 양 인식되던 시대가 있었습니다. 하지만 AI 답변 엔진이 등장하면서 정보 소비 패턴이 완전히 변화했습니다. 사용자들은 더 이상 검색 결과 리스트를 스크롤하며 사이트를 직접 방문하거나 클릭하지 않습니다. Perplexity나 ChatGPT 같은 서비스에 질문을 던지면 하나의 정리된 답변만을 받아보고, 그 답변에 인용되는 출처가 무엇인지를 무의식적으로 신뢰하게 됩니다. 따라서 검색 결과 상단에 떠 있다는 것만으로는 더 이상 브랜드 신뢰도나 연구 데이터의 진위를 입증해주지 못합니다. 오히려 최상위 검색 결과가 단 한 줄의 AI 답변에는 자리잡지 못한다면 아예 존재감을 잃어버리는 역설적인 상황이 펼쳐지고 있습니다.

AEO는 입증 가능한 데이터를 요구한다

이 프로젝트를 진행하면서 뼈저리게 느낀 것은 AEO 최적화가 단순한 검색 전략의 한 분야가 아니라는 점입니다. AEO 업체와 협업하며 겪은 과정은 그야말로 데이터 신뢰도 인증 프로젝트와 같았습니다. 우리 회사가 보유한 임상 연구 데이터가 학술적으로나 구조적으로나 외부 객체와의 연결 지점에서 얼마나 투명하고 검증 가능한 형태로 존재하는지가 핵심이었습니다. Perplexity를 사이에 두고 AI 모델에게 “이 데이터는 확실해”, “이 데이터는 알아서 찾아 들어가야 해” 같은 이분법적 판단이 내려지는 것입니다. 우리 자체적으로는 당연히 정확하다고 믿었던 연구 결과들이 AI 시스템 입장에서는 여러 가지 다른 정보들과 교차 검증되지 않은 채 떠다닐 때가 많았다는 사실을 깨달았습니다. 즉, 출처로서 인정받는 과정은 사소한 누락이나 인용 구조의 결함까지도 낱낱이 드러내는 엄격한 감사에 다름 아니었습니다. 이러한 경험으로 AEO 관련 컨설팅을 진행하고 추가적으로 사이트 무료진단을 받아보는 것은 헬스케어 기업이라면 이제 기본적인 선택지가 되어야 한다는 판단을 할 수 있었습니다.

앞으로 다가올 답변 엔진의 미래에 철저히 대비해야 한다

이미 Perplexity를 넘어 ChatGPT의 웹 브라우징 기능과 구글의 AI 오버뷰는 상용 수준의 답변 서비스를 제공하고 있고, 그 범위는 빠르게 확장되고 있습니다. 이 답변형 검색 엔진은 모두 하나의 공통점을 지니고 있는데, 바로 우선순위가 높은 출처 집단 내의 데이터들을 바탕으로 쉬운 언어의 요약문을 작성해 돌려준다는 점입니다. 투자 대비 가장 실제 명시적 가시성을 얻기 위해서는 스키마 레이블뿐 아니라 해당 레이블을 누가 제시하는 주체인지에 관한 권위가 함께 증명되어야 합니다. 그래서 이 방식에 적응하지 못하는 조직은 제 아무리 키워드 점유율을 높혀도 AI 기반 답변에서는 무방비 상태로 있게 될 겁니다. 이미 이 AI에 와해라는 변수가 들어오기 시작했습니다. 지금도 지체 없이 답변 세션의 높은 발췌 가능 지능에 대비해 지식을 다시 배열하는 공정이 시급합니다. 답변 엔진은 보이는 검색 항목이 아니라 정보 해석 전체를 대체 당할 수도 있다는 위기감과 반대로 꼼꼼히 준비된 곳들은 기하급수적인 조회 정보 확장을 누릴 원년이 왔다고 평가합니다.

지속 관리와 무료진단 서비스 가치를 잊지 마세요

저희가 AEO 대행 컨설팅 진행 이후에도 당사가 내부 인력에서 즉각적으로 신경 써서 진행한 부분은 바로 연구 업데이트나 승인으로 신설된 페이퍼나 컷오프된 구 자료에 관한 진정한 변화를 반영하는 공개입니다. 유의미한 지속 리프레시가 뒤따르지 않으면 한번 신뢰 출처로 집어 넣은 단순해 보일 정보라도 AI가 좋아하는 것들의 connected 검증은 포개지면서 언제든 답변 신뢰률 눈금을 벗어날 수 있기 때문입니다. 그 이유 때문에 우선 컨설팅이 마치는 순간이 방어 개시 시점인 것과 패턴을 따로 분리해 일상 갱신을 빼먹지 말아야 합니다. 놓치기 쉬운 지점이나 평가되지 않아 사장된 요소 재정립 솔루션을 바로 찔러주는 요소들이 훨씬 촉발 성과 창출력을 크게 가져다 주는 경향을 곁에서 함께 뚜렷하게 관측해 왔습니다.

답변 하나 얻기 위해 단 몇 문장이 어떻게 학습되고 출연까지 이어졌다는 일들은 그렇게 오래전 감흥으로 지나간 게 분명합니다. 완성적 반전으로 I’m linking 출처 형태 자체가 자산 모델로서 인정을 활짝 받는 새로운 국면 전체로 크게 펼쳐졌습니다. 인증된 신뢰를 유일한 이점이라고 단정하지 않은 이것의 특성을 인식했을 때 좀 비로소 큼지막한 선택이 이 느껴지는 기로의 성격을 읽어나가는 느낌 적 이유를 갖게 될 수 있다고 각오하게 되었습니다. 아직 출석도 안 끝난 모든 시장 활동 루트. 마침내 멀지만 추진없이는 미스가 존재할 이 시대층 진입의 혹독함. 의료 분야는 또 특히 반드시 행동휴식 사이클 두비에서 요구로 돌을 심하게 굴려 왔습니다. 이미 그러함에서 앞장 선 AEO 생각 사슬 전열에 비는데 큰 만족과 상쾌 평가하는 것도 바로 정답이 분명 할 모습이지 싶습니다.