AI 답변에서 빠진 자동차 브랜드를 다시 찾기

NX ASKGRAPH로 자동차 브랜드의 AI 답변 가시성을 어떤 차례로 재고 개선하는지 따라가 봅니다. 브랜드와 차는 이름 없이 부르고, 차트의 수치는 흐름을 보이기 위한 예시입니다. 단계 · 지표 · 화면은 제품에 있는 그대로입니다.

상황 — 검색에는 나오는데 AI 답변에는 없다

국내 완성차 브랜드가 중형 하이브리드 SUV를 새로 냈습니다. 차 이름으로 검색하면 공식 사이트가 맨 위에 나오고, 시승기도 적지 않습니다. 그런데 차를 알아보는 사람이 AI에게 “4인 가족이 타기 좋은 하이브리드 SUV 추천해줘”라고 물으면 경쟁 차종 셋이 나오고 이 차는 나오지 않습니다. 차 이름을 넣어 물으면 답은 나오지만, 연비가 이전 연식의 수치로 적혀 있습니다.

차는 오래 알아보고 사는 물건입니다. 비교하고, 견적을 받고, 시승을 예약하기 전에 AI에게 묻는 사람이 늘수록 그 답변에 들어가지 못하는 것은 첫 후보에서 빠진다는 뜻이 됩니다. 다만 몇 번 물어본 것만으로는 판단할 수 없습니다. AI 답변은 물을 때마다 조금씩 달라지고 엔진마다 다릅니다. 그래서 첫 일은 이 문제를 잴 수 있게 만드는 것입니다.

1단계 · 브랜드 정의

브랜드와 차의 한글 · 영문 이름, 줄임말과 트림명, 자주 나오는 오타, 공식 도메인, 비교할 경쟁 차종 셋을 등록합니다. 이후 모든 판정이 이 브랜드 마스터를 기준으로 삼습니다. 트림명 하나를 빠뜨리면 그 이름으로 나온 답변은 “안 나왔다”로 셉니다 — 그래서 이 단계는 담당자가 직접 확인합니다.

2단계 · 질문 설계

차를 고르는 사람이 물을 법한 질문을 7대 아젠다로 나눠 등록합니다. 브랜드명을 넣은 보조 질문은 인지 · 이미지 · 전환 · 리스크 넷, 브랜드명을 뺀 비보조 질문은 탐색 · 고민 · 경쟁 셋입니다. 질문마다 지역 · 페르소나 · 언어를 지정해 구분해서 봅니다.

둘을 가르는 이유가 이 제품의 핵심입니다. 전체 노출률 하나로 보면 전혀 다른 두 숫자가 섞입니다. 보조 질문은 노출률이 대개 이미 높아 올릴 여지가 적고, 추가 노출 기회는 비보조 질문에서 찾습니다.

3단계 · 수집

질문 × 엔진 다섯(ChatGPT · Claude · Gemini · Perplexity · Google AI Overviews) × 샘플 세 번만큼 실제로 묻습니다. 주 3회 돌고, 실패하면 간격을 늘려 가며 다시 시도합니다. 회차마다 답변 원문을 그대로 남깁니다 — 나중에 “왜 이렇게 판정했나”를 원문으로 되짚을 수 있어야 하기 때문입니다.

4단계 · 분석

원문에서 자사 · 경쟁사 언급을 찾고, 출처 도메인의 주인을 자사 · 경쟁사 · 제3자로 가릅니다. 논조도 함께 판정합니다. 무엇을 세는지는 세 축 — 이름이 나왔나(답변), 근거로 쓰였나(인용), 좋게 나왔나(긍정). 어떻게 세는지는 세 측정 — 얼마나 자주(노출률), 경쟁사 대비 얼마나(점유율), 몇 번째로(순위). 합쳐서 아홉 지표이고, 비율마다 분모를 함께 적습니다.

이 시나리오에서 첫 회차가 보여 주는 모양은 이렇습니다. 위와 같은 답변은 거의 나오지 않습니다.

• 비보조 질문 — 이름이 거의 나오지 않습니다. 나오더라도 여러 차종을 늘어놓은 목록의 한 줄(나열)입니다
• 보조 질문 — 이름은 나오지만 경쟁 차종과 견주는 문장에서 불리하게 쓰이는 답변(비교 대상)이 섞여 있습니다
• 인용 지형 — 출처는 대부분 자동차 커뮤니티와 리뷰 매체 같은 제3자이고, 공식 사이트는 거의 인용되지 않습니다
• 리스크 감지 — 이전 연식의 연비와 단종된 트림의 가격을 적은 답변이 “사실이 틀린 답변”으로 잡힙니다. 원문과 함께 쌓여 대응 이력이 됩니다

GEO 점수는 노출도 40 · SoV(점유율) 25 · 인용 점유율 20 · 엔진 커버리지 15의 가중으로 냅니다. 아직 집계가 없는 성분은 0점으로 두지 않고 빼고 남은 것끼리 가중치를 다시 나눕니다 — 안 잰 것이 감점이 되면 점수가 거짓말을 하기 때문입니다. 할 일은 “AI가 공식 제원과 가격을 직접 읽고 인용하게 한다”로 좁혀집니다.

5단계 · 실행과 검증

낮은 지표의 원인을 콘텐츠 · 기술 SEO 진단과 대조해 할 일을 뽑습니다. SEO · 기술 진단 화면은 AI 크롤러 8종의 접근 허용 여부와 llms.txt · 사이트맵 · JSON-LD 스키마를 한자리에서 봅니다. 이 시나리오에서는 예전에 넣어 둔 robots.txt 규칙이 AI 크롤러를 막고 있고, 차량 · 제품 스키마가 비어 있으며, 트림별 제원 · 연비 · 가격표가 PDF 카탈로그와 이미지 속에만 있습니다.

고칠 콘텐츠는 발행 전 콘텐츠 검사를 거칩니다. 트림별 제원표(갱신일 표기), 비보조 질문에서 뽑은 질문형 FAQ(연비 · 보조금 · 보증 · 충전), “4인 가족 하이브리드 SUV 고르는 법” 같은 비교 가이드를, 정의 한 줄 · 조건 표 · 갱신일 표기가 있는지 항목별로 점검하고, 이미 인용되는 경쟁 글과 나란히 놓고 고칠 자리를 잡습니다.

바꾼 날짜와 내용은 실행 기록으로 남기고, 다음 회차부터 같은 질문으로 효과를 판정합니다. 아래 두 차트는 이 시나리오에서 기대하는 변화의 모양을 예시 수치로 그린 것입니다 — 먼저 인용이 움직이고(출처에 공식 도메인이 붙기 시작), 그 뒤에 비보조 질문의 노출이 따라옵니다.

평균 하나로 보면 가려지는 것이 있습니다. 같은 질문 세트를 엔진별로 나누면 움직이는 속도가 다릅니다. 실시간으로 웹을 찾아 답하는 엔진은 게시 뒤 빨리 반응하고, 검색 결과를 요약하는 엔진은 색인이 바뀌어야 따라옵니다. 그래서 할 일도 엔진별로 다시 봅니다 — 늦게 움직이는 엔진은 사이트맵 제출과 색인 상태부터 확인합니다.

순위는 가장 늦게 움직입니다. 이전 연식의 연비를 말하던 답변이 공식 수치로 바뀌는지도 질문별로 확인하고, 바뀌지 않은 답변은 리스크 감지에 남겨 다음 조치를 정합니다.

• 주간 리포트 — 마케팅 실무용. 지난 회차와 견준 노출률 · 점유율 · 순위를 내고, 표본 수와 측정 조건이 충분하지 않으면 판단을 유보합니다
• 월간 리포트 — 경영 보고용 15면 구성. 한 달 치 회차를 같은 차례로 묶어 회차끼리 그대로 견줍니다

처음 4주 — 운영 일정

이 시나리오의 4주를 주 단위로 펼치면 이렇습니다. 주 3회 수집이 바탕에 늘 돌고, 그 위에서 할 일이 바뀝니다. 개선은 기준 회차가 쌓인 뒤에 게시합니다 — 기준 없이 고치면 무엇이 효과였는지 가릴 수 없습니다.

NX ASKGRAPH가 한 일, 사람이 정한 일

• NX ASKGRAPH — 질문 × 엔진 × 샘플 수집, 원문 보관, 아홉 지표와 인용 지형 산출, 틀린 답변 감지, 기술 진단, 발행 전 검사, 회차 비교와 리포트
• 사람 — 브랜드 마스터와 질문 세트 확정, AI 크롤러에 어디까지 열지, 제원 · 가격의 사실 확인과 법무 검토, 게시 여부와 시점, 표본 변동과 개선 효과를 어떻게 구분할지

GEO는 AI에게 우리 차를 추천하라고 시키는 일이 아닙니다. AI가 공식 정보를 읽을 수 있게 열어 두고, 차를 고르는 사람의 질문에 답할 수 있는 문장을 사이트에 두고, 그 결과를 같은 질문으로 계속 재는 일입니다. NX ASKGRAPH는 그 재는 일을 회차마다 되풀이하고, 무엇을 공개하고 어떻게 말할지는 브랜드가 정합니다.

자주 묻는 질문