AI 검색 답변의 작동 원리: 검색어에서 인용까지

소개

AI 답변은 6단계 과정을 거쳐 생성됩니다. 시스템이 질문을 읽고, 이를 더 작은 검색 단위로 분할한 뒤, 출처를 찾고, 가장 적합한 증거를 선별하며, 답변을 작성하고, 인용 정보를 추가합니다. 구글이 2026년 5월에 발표한 AI 검색 가이드에서는 이 중 ‘검색 결과 추출(retrieval)’과 ‘쿼리 분산(query fan-out)’이라는 두 단계를 언급하고 있습니다. 마케터는 자신의 콘텐츠가 검색 결과에 노출되고, 관련성이 높으며, 근거를 뒷받침하기 쉬운지 여부를 조절할 수는 있지만, 모델의 선택을 좌우하거나 인용을 강제할 수는 없습니다.

핵심 사실

• AI 인용은 결과일 뿐입니다. 어떤 게시자도 이를 임의로 활성화할 수 없습니다.
• 인용보다 검색이 먼저입니다. 페이지가 발견되고 유용하다고 판단되어야만 인정을 받을 수 있습니다.
• 일부 단계는 영향을 미칠 수 있습니다. 크롤링 접근, 관련성, 근거, 명확성은 부분적으로 기업의 손에 달려 있습니다.
• 나머지 단계는 모델의 몫입니다. 검색어 해석, 내부 점수 산정, 작성된 답변, 최종 인용 결정은 시스템이 결정합니다.
• 답변 엔진 최적화(AEO)는 진단 수단으로 가장 효과적입니다. 해결책에 비용을 투자하기 전에 가시성이 저하되는 단계를 찾아내십시오.

질문에서 인용까지의 6단계 과정

AI 엔진이 답변을 구성하고 인용하는 방식을 이해하려면, 마케터가 영향을 미칠 수 있는 과정의 부분과 통제 범위를 벗어난 부분이 무엇인지 파악하는 것부터 시작해야 합니다. 아래의 6단계는 모든 AI 제품이 동일한 아키텍처를 사용한다는 것을 시사하기보다는, 실용적인 작업 모델을 제시합니다.

구글은 2026년 5월 15일 AI 검색에 대한 첫 번째 공식 가이드를 발표했습니다. ‘Search Central’을 통해 발표된 내용에 따르면, 검색 엔진 최적화(SEO) 모범 사례가 여전히 기초가 된다고 합니다. 다른 플랫폼들은 자체적인 검색, 순위 결정 및 글 작성 시스템을 운영합니다.

큰 그림에서 보면 그 과정은 다음과 같습니다:

단계	무슨 일이 일어나는가
1. 쿼리 해석	시스템이 사용자가 무엇을 묻고 있는지 파악합니다.
2. 하위 쿼리 확장	질문이 관련 검색어나 정보 요구 사항으로 세분화됩니다.
3. 검색	시스템은 관련성이 있을 것으로 판단되는 출처를 찾아냅니다.
4. 문단 순위 지정	유용한 문서, 구절 또는 증거가 상위로 이동합니다.
5. 종합	시스템이 답변을 작성합니다.
6. 인용 출처 표기	일부 출처에는 출처 표기가 표시됩니다.

핵심은 마케터가 어떤 부분을 형성할 수 있고, 어떤 부분이 모델에 의해 결정되는지 파악하는 데 있습니다.

1. 쿼리 해석: 사용자가 실제로 무엇을 묻고 있는가?

이 단계에서 시스템은 의도와 맥락, 그리고 질문에 만족스러운 답변의 유형을 파악합니다.

구글의 2019년 BERT 발표에 따르면, 매일 처리되는 검색어 중 15%는 시스템에 처음 등장하는 것이므로, 누구도 모든 프롬프트를 예측할 수는 없습니다.

다음 쿼리를 예로 들어 보겠습니다. “50명으로 구성된 SaaS 영업 팀에 가장 적합한 CRM은 무엇인가요?”

키워드 매칭은 시작에 불과합니다. 왜냐하면 답은 “최고”가 무엇을 의미하는지, 그리고 50명 규모의 SaaS(Software-as-a-Service) 팀이 무엇을 필요로 하는지에 따라 달라지기 때문입니다. 또한 어떤 제품이 고객 관계 관리(CRM) 도구로 간주되는지에 따라 달라지며, 사용자가 비용, 설정, 보고, 통합, 성장 중 무엇을 가장 중요하게 생각하는지에 따라서도 달라집니다.

마케터가 영향을 미칠 수 있는 부분

• 명확한 엔티티 표현: 회사, 제품 또는 서비스가 무엇인지 명확히 하십시오.
• 대상 고객 정의: 제안이 누구를 위한 것인지 명시하십시오.
• 문제 연계: 제품이나 서비스가 해결하는 문제와 연결시키세요.
• 조건적 명확성: 각 주장이 적용되는 경우와 적용되지 않는 경우를 명시하십시오.

마케터가 통제할 수 없는 것

• 프롬프트 해석: 시스템이 사용자의 정확한 문구를 어떻게 해석하는지 설명하십시오.
• 대화 맥락: 답변을 형성하는 데 영향을 미치는 이전 대화 내용.
• 의도 가중치: 시스템이 어떤 해석을 가장 중요하게 판단하는지.

실용적인 교훈: 모든 프롬프트를 예측하려 하지 말고 주제 자체를 명확히 하세요.

2. 하위 질의 확장: 하나의 질문이 여러 검색으로 이어질 수 있다

이 단계에서 하나의 광범위한 질문은 여러 개의 더 구체적인 정보 요구 사항으로 나뉩니다.

복잡한 질문에는 조회해야 할 내용이 단 하나만 포함된 경우가 드물며, 구글은 이러한 분할 쿼리를 ‘팬아웃(fan-out)’이라고 부릅니다. 구글의 AI 기능 설명서에 따르면, ‘AI 개요(AI Overviews)’와 ‘AI 모드(AI Mode)’는 하위 주제와 출처를 가로질러 여러 관련 검색을 수행하여 답변을 구성할 수 있습니다.

이는 관련성에 대한 사고방식을 바꾸게 합니다. 왜냐하면 페이지가 프롬프트의 정확한 문구를 포함할 필요는 없기 때문입니다. 시스템이 처리 과정에서 확인하는 관련 질문 중 하나에 답하기만 해도 노출될 수 있습니다.

예를 들어

“50명 규모의 SaaS 영업 팀에 가장 적합한 CRM은 무엇인가?”와 같은 쿼리는 다음과 같은 관련 정보 요구 사항을 생성할 수 있습니다.

• CRM 가격 정책
• 팀 규모 적합성
• 영업 보고
• 설정 작업량
• SaaS 연동
• 확장성

대부분의 시스템은 정확한 파생 범위를 공개하지 않지만, 이 원리는 여전히 유효합니다.

마케터가 영향을 미칠 수 있는 부분

사이트가 주요 질문과 그와 관련된 핵심 질문들에 모두 답할 수 있도록 충분한 범위를 구축하십시오.

여기에는 다음이 포함될 수 있습니다:

• 밀접하게 관련된 주제에 대한지원 페이지.
• 관련 리소스 간의강력한 내부 링크.
• 광범위한 기사 내에서하위 주제를 명확하게 다루고 있습니다.
• 별도의 의도가 있는 경우 이를 반영한독립적인 페이지.

마케터가 통제할 수 없는 부분

시스템이 결정하는 사항:

• 어떤 팬아웃 쿼리를 생성할지
• 실행할 검색 횟수
• 어떤 하위 주제가 가장 중요한지
• 어떤 읽기 자료에 우선순위를 둘지

이것이 바로 프롬프트 변형마다 1개씩, 거의 동일한 페이지가 수십 개나 되는 것이 비효율적인 전략인 이유입니다. 구글의 공식 가이드라인에서도 이러한 패턴을 스팸으로 간주합니다.

3. 검색: 어떤 출처가 후보 집합에 포함되는가?

검색은 시스템이 질문에 답하는 데 도움이 될 원본 자료를 찾는 단계입니다. 검색 강화 생성(RAG)은 언어 모델과 모델 외부에서 가져온 정보를 결합합니다. 구글은 자사의 AI 기능이 핵심 검색 순위 시스템을 활용해 색인에서 관련성 높고 최신 페이지를 가져온다고 밝혔습니다.

마케팅 담당자라면 이 단계가 낯설지 않을 것입니다. AI 답변은 시스템이 찾아내고 가져올 수 있는 정보만을 사용할 수 있으며, 이것이 바로 SEO가 여전히 중요한 이유 중 하나입니다.

검색 단계에서 도움이 되는 요소

영향 영역	중요성
크롤링 가능성	검색 시스템은 중요한 페이지에 접근할 수 있어야 합니다.
색인 가능성	페이지는 검색 가능한 색인에 포함될 자격을 갖추어야 합니다.
접근 가능한 콘텐츠	핵심 정보는 불안정한 렌더링이나 접근하기 어려운 인터페이스에 의존해서는 안 됩니다.
내부 링크	탄탄한 사이트 구조는 중요한 페이지와 그 페이지들 간의 관계를 명확하게 드러냅니다.
주제적 관련성	페이지에는 필요한 정보로 연결되는 실질적인 링크가 있어야 합니다.
유용한 콘텐츠	자격 요건을 충족한다고 해서 수준이 낮은 페이지가 경쟁력을 갖게 되는 것은 아닙니다.

기업이 통제할 수 없는 요소

마케터가 통제할 수 없는 사항:

• 특정 URL 하나를 검색 결과로 반환할지 여부
• 후보 집합의 규모는 어느 정도가 될지
• 어떤 경쟁 사이트들이 함께 검색 결과에 포함되는지
• 한 쿼리에서 다음 쿼리로 검색 결과가 얼마나 달라지는지

구글의 검색 작동 방식 가이드에는 크롤링, 색인 생성, 제공이라는 3가지 단계가 나열되어 있습니다. 또한 구글은 자사의 규칙을 따르는 페이지라 할지라도 이 중 어느 단계도 보장하지 않는다고 밝히고 있습니다. 규칙을 충족하는 것은 페이지가 검색 대상이 될 자격을 부여할 뿐, 그 이상은 아닙니다.

검색 결과 추출은 관문과 같으며, 콘텐츠가 이 관문을 통과하지 못한다면 이후 단계에서의 노력으로도 이를 만회할 수 없습니다.

4. 문단 순위 결정: 어떤 증거가 충분히 유용하여 포함될 가치가 있는가?

검색은 출처를 고려 대상으로 삼습니다. 구절 순위 결정은 그 안에 포함된 정보가 유지할 만큼 유용한지 여부를 결정합니다. 검색된 문서가 그 내용의 모든 단어를 그대로 답변에 포함시키는 것은 아닙니다.

시스템은 여전히 어떤 사실이 과제에 부합하는지 선택해야 합니다. 제품에 따라 전체 문서, 구절 또는 더 작은 단위의 증거를 순위 매길 수 있습니다.

약한 증거 대 유용한 증거

소프트웨어 설치 비용에 대한 질문에 답하는 두 개의 문단을 예로 들어 보겠습니다.

약한 버전: “구현은 빠르며 성장 중인 기업에 비용 부담이 적습니다.”

더 강력한 버전: “구현 비용은 마이그레이션 규모, 통합 요구 사항, 사용자 수 및 필요한 사용자 지정 구성의 양에 따라 달라집니다. 여러 레거시 도구에서 마이그레이션하는 기업은 일반적으로 단일 플랫폼에서 전환하는 팀보다 더 많은 구현 작업을 수행해야 합니다.”

두 번째 문단이 더 유용한 이유는 다음과 같은 내용을 설명하기 때문입니다:

• 결과에 어떤 요인이 영향을 미치는지
• 이러한 요인들이 어떻게 상호 연관되는지
• 이 주장이 적용되는 범위
• 상황에 따라 답변이 달라지는 이유

마케터가 영향을 미칠 수 있는 요소

• 구체성: 세부 사항을 바탕으로 직접적인 답변을 제시하십시오.
• 증거의 근접성: 증거를 뒷받침하는 진술 바로 옆에 배치하십시오.
• 제한 사항: 한계와 조건을 명시하십시오.
• 각 절의 명확성: 주변 맥락을 많이 알지 못해도 각 절이 그 자체로 이해될 수 있도록 하십시오.
• 인과적 표현: 어떤 일이 일어나는 것뿐만 아니라 그 이유도 설명하십시오.

마케터가 통제할 수 없는 요소

기업이 파악하거나 지시할 수 없는 사항:

• 비공개 재순위화 점수
• 내부 기준치
• 가중치 시스템
• 경쟁 구절
• 모델이 컨텍스트 공간을 어떻게 활용하는가

‘답변 우선’ 방식의 글쓰기가 여기에서 그 가치를 인정받는 이유는, 명확한 글쓰기가 문단의 내용을 읽는 데 필요한 추측을 줄여주기 때문입니다. 어떤 AI 시스템도 정해진 문단 길이나 공식을 요구하지 않습니다.

5. 종합: 모델이 답변을 구성합니다

종합 단계에서는 검색된 정보가 질문에 맞는 답변으로 재구성됩니다. 이는 대부분의 사람들이 생성형 AI를 떠올릴 때 상상하는 단계입니다.

모델은 다음을 수행할 수 있습니다:

• 여러 출처 결합
• 긴 설명 요약하기
• 중복되는 정보를 조화시키기
• 사용 가능한 사실 중 일부만 유지
• 사용자의 질의와 맥락에 맞춰 표현을 조정

마케터가 여전히 영향력을 행사할 수 있는 부분

다음과 같은 원본 자료를 게시할 수 있습니다:

• 정확한
• 구체적
• 충분한 근거가 있는
• 내용 간 일관성이 있어야 함
• 오독하기 어려움

통제가 끝나는 지점

모델이 제어하는 부분:

• 마지막 문구
• 어조
• 답변 길이
• 어떤 사실을 포함하는지
• 출처를 어떻게 결합하는지
• 무엇을 생략하는지

이 경계가 중요한 이유: AEO는 검색 및 작성 시스템이 수신하는 자료를 개선하는 반면, 작성 시스템 자체는 모델에 남아 있습니다.

6. 인용 첨부: 어떤 출처가 가시적인 공로를 인정받는가?

인용은 최종적으로 가시화되는 결과이며, 마케터들이 가장 중요하게 여기는 단계이기도 합니다. 이를 검색 및 활용 단계와 분리하여 관리해야 합니다.

기업이 개선할 수 있는 부분

• 검증 가능한 주장
• 출처의 명확한 출처
• 주장 근처에 제시된 증거
• 독창적이거나 차별화된 정보
• 초기 단계에서 이미 좋은 성과를 내고 있는 페이지

기업이 결정할 수 없는 부분

• 인용 횟수
• 어떤 출처에 공로가 인정되는지
• 인용이 어디에 첨부되었는지
• 경쟁 출처가 대신 선정되는지 여부

이러한 경계는 AEO의 핵심 개념입니다: 선택의 조건을 개선할 수는 있지만, 선택을 강요할 수는 없습니다.

비싼 실수: 잘못된 단계의 최적화

AEO에서 가장 큰 낭비는 잘못된 단계에 전략을 적용하는 데서 비롯됩니다. 팀들은 실패 원인이 어디에 있는지 파악하기도 전에 최적화에 뛰어들고, 그 결과 진단 없이 활동만 진행하게 됩니다.

예시 1: 페이지를 검색할 수 없는 경우

중요한 페이지가 색인화되지 않는다고 가정해 봅시다. “AI 추출 가능성”을 위해 해당 페이지의 자주 묻는 질문(FAQ) 섹션을 다시 작성한다고 해도 문제는 해결되지 않습니다. 실패는 그보다 더 앞선 단계인 검색 및 검색 결과 추출 과정에서 발생하기 때문입니다.

예시 2: 페이지는 검색 가능하지만 내용이 미흡한 경우

이제 반대 사례를 살펴보겠습니다. 페이지가 크롤링 가능하고, 색인되어 있으며, 관련 검색어에 대해 순위가 매겨지지만, 그 주장이 모호하고 근거가 부족합니다. 이 약점은 증거 선정 단계에 더 가깝기 때문에, 마크업을 더 기술적으로 개선한다고 해서 해결되지 않습니다.

최적화하기 전에 진단하기

문제가 있다면...	먼저 다음에 집중하세요...
페이지가 검색되지 않는 경우	크롤링 가능성, 색인 가능성 및 사이트 구조
페이지는 검색되지만 유용하지 않습니다	관련성, 명확성 및 근거
답변이 모호하거나 일반적입니다	구체성, 제1자 정보 및 더 강력한 근거
경쟁사가 반복적으로 인용됨	증거의 질 비교 및 출처의 유용성
브랜드가 언급되지만 인용되지는 않음	출처 귀속 패턴 및 출처 수준 측정

이를 통해 AEO가 유행하는 기술적 작업 목록으로 전락하는 것을 막을 수 있습니다.

구글의 AI 검색 최적화 가이드도 이를 뒷받침합니다. 구글 검색의 경우, llms.txt 파일이나 특별한 AI 마크업이 필요하지 않습니다. 또한, 지나치게 작은 콘텐츠 단편이나 AI 전용 Schema.org 마크업도 필요하지 않습니다. 같은 가이드에 따르면, 검색 결과를 조작하기 위해 팬아웃 쿼리마다 별도의 페이지를 만드는 행위는 구글의 대규모 콘텐츠 남용 정책을 위반한다고 명시되어 있습니다.

페이지 구조는 여전히 중요합니다. 다만 그 이유는 다릅니다. 짧은 단락, 명확한 제목, 그리고 자체적으로 완결된 답변은 사용자가 콘텐츠를 이해하고 내용 간의 관계를 명확히 파악하는 데 도움이 됩니다. 이를 단순히 인용을 유도하는 비밀 코드로 취급하지 말고, 훌륭한 글쓰기의 한 부분으로 여겨야 합니다.

마케터들은 실제로 무엇을 최적화할 수 있을까요?

대부분의 실질적인 AEO 작업은 발견, 증거 품질, 측정이라는 3가지 영역으로 나뉩니다.

6단계 모델은 진단에 도움이 됩니다. 실제로 마케터들은 이 3가지 영역으로 분류된, 자신이 개선할 수 있는 시스템의 부분을 개선합니다.

1. 중요한 정보가 검색될 수 있도록 하기

기본부터 시작하세요. 플랫폼이 웹 검색이나 색인된 코퍼스를 활용하는 경우, 중요한 페이지는 크롤러에 공개되어야 하며, 제대로 로드되고 색인될 수 있어야 합니다.

구글의 경우, AI 기능에도 여전히 표준 SEO 관행이 적용됩니다. ChatGPT 검색에 관한 OpenAI의 도움말 페이지에서는 사이트 소유자에게 OAI-SearchBot 크롤러의 접근을 허용해야 검색 대상이 될 수 있다고 안내하며, 검색 노출 순위는 보장되지 않는다고 명시하고 있습니다.

이를 두 단계로 생각해 보세요:

• SEO는 정보를 검색 가능하게 만듭니다. 유용한 페이지는 우선 검색되어야 합니다.
• AEO는 답변을 활용 가능하게 만듭니다. 페이지를 찾을 수 있게 되면, 답변을 명확하고 증거가 풍부하며 맥락에 쉽게 적용할 수 있도록 해야 합니다.

2. 증거의 품질 향상

검색 기능이 제대로 작동하면, ‘품질’이란 단순히 “더 나은 기사를 작성하는 것” 이상의 의미를 지닙니다. 각 문단이 시스템이 이를 책임감 있게 활용할 수 있을 만큼 충분한 정보를 제공하는지 자문해 보십시오.

유용한 품질 점검 방법은 다음과 같습니다.

• 주장은 무엇인가?
• 이를 뒷받침하는 증거는 무엇인가?
• 어떤 조건이 이에 영향을 미치나요?
• 출처가 명확한가?
• 추측 없이도 본문을 이해할 수 있는가?
• 기존의 합의에 새로운 내용을 더하고 있는가?

어떤 접근 방식이 더 빠르다고 주장한다면, 무엇보다 빠르며, 어떤 조건에서, 그리고 누구의 증거를 바탕으로 한 것입니까?

통계 자료를 인용한다면, 그 산출 방법이 공개되어 있습니까?

서비스를 설명할 때, 그 서비스가 누구를 위한 것이며 어떤 문제를 해결하는지가 명확한가?

제한 사항이 있다면, 해당 주장이 바로 뒤에 명시되어 있나요, 아니면 3단락 뒤에 묻혀 있나요?

강력한 AEO 콘텐츠는 모호함을 없애며, 구글의 가이드라인 역시 검색 변형을 포착하기 위해 만들어진 일반적인 페이지보다 유용하고 독창적인 콘텐츠를 우선시함으로써 동일한 ‘사용자 우선’ 원칙을 따릅니다.

3. 고객 여정의 모든 단계를 측정하세요

인용 정보는 노출을 보여주지만, 왜 나타났는지 또는 왜 사라졌는지는 설명해 주지 않습니다.

단순한 ‘등재 여부’ 결과 이상의 정보를 추적하세요.

추적해야 할 사항	이를 통해 알 수 있는 점
프롬프트 또는 쿼리	어떤 정보 요구가 노출을 유발했는가
플랫폼	인용 행태가 다른 곳
인용된 URL	어떤 페이지가 선택되는가
참조된 섹션	어떤 구절이 유용해 보이는지
경쟁 정보원	누가 동일한 정보 요구를 지속적으로 충족시키는가
자연 검색 노출	검색 결과와 일반 검색 가시성이 중복되는지 여부
링크가 없는 브랜드 언급	기업이 출처를 명시하지 않고 답변을 제공하는지 여부

그런 다음 패턴을 비교하세요.

해당 페이지의 색인 등록이 해제되었나요?

자연 검색 결과에는 나타나지만 생성된 답변에는 나타나지 않나요?

다른 게시자가 독창적인 데이터를 보유하고 있어서 계속 인용되고 있나요?

링크는 제공되지 않은 채로 귀하가 언급되고 있나요?

이러한 패턴을 파악하면, 누락된 인용을 모두 글쓰기 문제로만 간주하는 것보다 더 나은 결정을 내릴 수 있습니다.

인용 누락을 진단하는 간단한 방법

인용이 누락된 경우, 내용을 다시 작성하기 전에 단계별로 순서대로 점검해 보세요. “AI가 이 페이지를 인용하게 하려면 어떻게 해야 할까?”라는 질문을 5가지 진단 질문으로 바꿔보세요.

1. 해당 페이지를 찾을 수 있습니까? 기술적 접근성, 크롤링 가능성 및 색인 등록 상태를 확인하십시오. Google의 기술적 요구 사항 페이지에는 다음 3가지 테스트 항목이 나열되어 있습니다: Googlebot이 차단되지 않았는지, 페이지가 HTTP 200 상태를 반환하는지, 그리고 페이지에 색인 가능한 콘텐츠가 있는지 여부입니다.
2. 필요한 정보와 관련이 있는가? 정확한 키워드뿐만 아니라 주변의 질문과 파생될 가능성이 있는 주제들까지 살펴보세요.
3. 해당 페이지에 명확한 답이 있나요? 질문에 대한 답이 될 만한 문장을 찾아보세요. 사람이 그 문장을 찾기 힘들다면, 설명이 너무 모호한 것입니다.
4. 증거가 충분히 설득력 있는가? 해당 페이지를 이미 제시된 출처들과 비교해 보라. 원본 데이터, 더 설득력 있는 설명, 더 명확한 조건 또는 더 확실한 출처를 찾아보라.
5. 출처 표기가 문제인가요? 답변에 브랜드나 관련 사실이 등장하지만 해당 페이지에 눈에 띄는 인용이 없다면, 문제는 정보 전달 과정의 후반부에 있습니다.

이러한 순서를 따르면, 초기 단계의 문제로 인해 페이지가 막혀 있는 동안 팀이 후기 단계의 전술에 예산을 낭비하는 것을 방지할 수 있습니다.

인용이 이루어질 수 있는 조건 최적화

콘텐츠가 검색, 증거 선정 및 출처 표기에 있어 유력한 후보가 될 수 있도록 조건을 최적화하십시오.

그렇다고 해도 보장된 것은 없습니다. ‘Google Search Essentials’에 따르면 모든 요구 사항과 모범 사례를 충족하는 페이지라도 크롤링, 색인화 또는 노출이 보장되지는 않습니다. OpenAI도 ChatGPT 검색 노출에 대해 같은 입장을 밝히고 있습니다. 이는 “AI 검색 결과를 장악하겠다”는 약속만큼 흥미진진하지는 않지만, 마케터들에게 훨씬 더 유용한 운영 방식을 제시합니다.

마케터는 다음을 할 수 있습니다:

• 중요한 콘텐츠를 쉽게 찾을 수 있게 하세요
• 구체적이고 입증 가능한 답변을 게시하세요
• 실제 고객 질문을 중심으로 주제 범위를 구축하세요
• 재탕된 요약 대신 직접 수집한 증거를 생성하세요
• 상업적으로 중요한 질문에 지속적으로 답변하는 출처를 추적하세요
• 모든 것을 한꺼번에 바꾸기보다는 취약한 단계를 파악하십시오

하지만 마케터가 할 수 없는 것은 비공개 모델이 쿼리를 해석하는 방식, 내부 점수 산정, 최종 인용 선택을 통제하는 것입니다.