인용률은 올랐는데, 영업팀에서는 아무 변화가 없다면
ChatGPT나 Perplexity에서 우리 브랜드가 더 자주 보인다는 보고를 받았습니다. 콘텐츠도 여러 번 인용됐고 경쟁사보다 노출이 좋아졌어요. 그런데 영업팀에 물어보면 AI 검색에서 온 리드가 누구인지, 얼마의 파이프라인을 만들었는지는 알 수 없습니다.
이때 인용률을 성과로 확정하면 곤란해요. 생성형 AI 답변에 등장한 사람이 모두 사이트를 방문하는 것도 아니고, 방문한 사람이 모두 문의하거나 계약하는 것도 아니기 때문입니다. AEO 성과를 설명하려면 집계형 노출 지표와 실제 리드의 영업 결과를 구분해 기록해야 합니다.
Blend의 자체 사례가 이 차이를 잘 보여줘요. 90일 동안 500개가 넘는 상업 의도 프롬프트를 추적한 결과, LLM 노출률은 17.1%에서 34.7%로 17.6%포인트 상승했습니다. Blend는 비교 기준과 시작·종료 건수를 공개하지 않은 채 2025년 4분기 AI 유래 MQL이 133% 증가했다고 보고했어요. 2025년 하반기 AI 유래 파이프라인은 상반기의 약 3.5배로 늘어 50만 달러를 넘었다고도 밝혔습니다. 특정 프롬프트 노출을 개별 리드나 거래에 연결한 결과는 아니므로, 이 증가율을 검증된 AEO 효과로 받아들여서는 안 됩니다.
측정 사다리는 두 줄로 나눠야 합니다
Blend 사례에서 가져올 부분은 큰 증가율보다 프롬프트 노출이라는 집계형 선행지표와 추천 유입 이후의 리드 수준 후행지표를 함께 본 구조예요. 이들은 일관된 상업 프롬프트, LLM 추천 트래픽, 고객이 직접 적은 발견 경로, MQL과 파이프라인을 함께 추적했습니다.
| 측정 범위 | 기록할 값 | 답할 수 있는 질문 |
|---|---|---|
| 집계형 선행지표 | 기간·엔진별 전체 실행 수, 브랜드 등장 실행 수, 인용 URL | 같은 조건의 구매 질문에서 브랜드 가시성이 변했는가? |
| 웹 유입 | 관측된 AI 추천 세션, 랜딩 페이지, 핵심 이벤트 | AI 추천 도메인에서 실제 방문과 행동이 발생했는가? |
| 자기기입 발견 경로 | 문의자가 적은 AI 도구와 기억하는 질문 맥락 | 추천 정보가 남지 않은 AI 접점이 있었는가? |
| 리드 수준 후행지표 | MQL 수, 영업 기회 수, 파이프라인 금액 | 식별 가능한 리드가 영업 가능한 수요로 이어졌는가? |
| 계약 결과 | 계약 수와 매출, 리드 코호트별 관찰 기간 | 평균 영업 주기를 지난 뒤 실제 매출이 발생했는가? |
프롬프트 패널은 실제 방문자를 뜻하지 않습니다. 같은 질문·엔진 조합을 정해진 횟수만큼 실행해 가시성 변화를 살피는 합성 관측값이에요. 질문 수가 아니라 전체 실행 수를 분모로 삼아야 한 번 우연히 등장한 결과를 노출률로 과장하지 않을 수 있습니다. 반복하지 않았다면 노출률이나 추세가 아니라 ‘1회 기준선 스냅샷’이라고 표시해야 해요. Blend도 500개가 넘는 프롬프트를 추적했다고 밝혔지만 엔진별 실행 횟수, 프롬프트별 반복 횟수와 결과 분산은 공개하지 않았습니다.
반면 추천 세션, 문의, MQL과 계약은 실제 방문이나 리드에서 시작하는 후행지표입니다. 웹 분석과 CRM에 공통 식별자나 검증된 연동이 있어야 특정 유입 정보를 리드에 이어 붙일 수 있어요. 연결 장치가 없다면 GA4 결과는 집계형으로만 보고, 문의자가 AI 발견 경로를 직접 남긴 리드만 CRM 결과와 연결해야 합니다.
각 칸에는 비율뿐 아니라 분모와 절대값도 남겨야 해요. 예를 들어 ‘노출률 50%’ 대신 ‘전체 30회 실행 중 15회 등장’, ‘MQL 100% 증가’ 대신 ‘2건에서 4건으로 증가’라고 적는 방식입니다. 이 숫자들은 기록 형식을 설명하는 가상 예시이며 권장 표본 수나 평가 기준이 아닙니다.
GEO 연구가 보고한 ‘최대 40% 향상’도 같은 이유로 조심해서 읽어야 합니다. 이는 1만 개 쿼리로 구성된 벤치마크에서 위치와 인용 등을 반영한 생성형 엔진 내 출처 가시성의 상대 개선치이지, 세션이나 매출이 40% 늘었다는 뜻은 아닙니다. 효과도 질의 분야에 따라 달랐어요.
큰 배수는 성공 공식이 아니라 관측치입니다
Optimist가 공개한 사례에는 매출과 전환까지 내려간 숫자가 등장합니다. B2B 기술기업 사례는 14개월 동안 ChatGPT·Perplexity·Claude 추천 유입 매출이 4,900%, 추천 트래픽이 2,622% 증가했다고 보고합니다. 리테일 기술기업은 같은 세 채널에서 발생한 매출이 전년 대비 13배 늘었다고 밝혔고요. 핀테크 상세 사례에는 8개월 동안 추천 유입 전환이 8배, 트래픽이 25배 증가했다고 적혀 있습니다.
하지만 세 사례 모두 고객명, 시작·종료 매출, 거래 수와 비교군이 공개되지 않았습니다. B2B 사례 제목의 ‘49배 성장’과 본문의 ‘4,900% 증가’도 엄밀히 같은 계산이 아니며, 핀테크 사례는 종합 페이지의 6개월과 상세 페이지의 8개월이 서로 맞지 않아요. Optimist 역시 AI 이용 증가와 사용자 행동 변화 등 여러 요인이 작용해 특정 조치에 결과를 확실히 귀속하기 어렵다고 밝힙니다.
따라서 사례의 배수를 목표치로 가져오지는 마세요.
이 숫자들은 AEO가 모든 기업에서 같은 크기의 성장을 만든다는 증거가 아닙니다. 대신 인용률에서 멈추지 않고 추천 유입, 전환과 매출을 별도로 관측해야 한다는 측정 방향을 보여주는 사례로 읽는 편이 정확합니다.
오늘은 GA4와 CRM의 연결 가능 여부부터 확인하세요
별도 소프트웨어를 설치할 필요는 없습니다. 먼저 GA4에 로그인해 대상 속성을 열고, CRM이나 리드 기록을 함께 준비하세요. 첫 확인 항목은 폼 제출 시 유입 정보와 리드 식별자가 CRM에 함께 저장되는 기존 연동이 있는지입니다. User-ID도 조직이 자체 식별자를 만들고 전송해야 하는 기능이므로, GA4 보고서를 열었다고 개별 CRM 리드 연결이 자동으로 생기지는 않습니다.
- 리드 연결 조건을 먼저 판정하세요.
웹 분석과 CRM 양쪽에 공통 식별자 또는 이미 검증된 연동이 있는지 확인합니다. 있다면 테스트 폼 제출 한 건을 만들어 유입 정보와 리드 식별자가 같은 CRM 기록에 저장되는지 확인하세요. 없다면 이번 점검에서는 GA4를 집계형 유입 자료로만 사용하고, 자기기입 발견 경로가 있는 리드만 CRM 결과와 연결한다고 범위를 정합니다. - 고정 질문과 실행 조건을 정하세요.
영업 통화, 고객 인터뷰와 검색 기록에서 문제 정의·후보 비교·추천·도입 조건에 관한 비브랜드 질문을 고릅니다. 질문·엔진 조합마다 감당할 수 있는 반복 횟수를 정하고 모델, 검색 모드, 로그인 상태와 실행 날짜도 고정하세요. 반복 횟수는 비교 가능한 분모를 만들기 위한 운영 선택이지 통계적으로 충분한 표본 수를 뜻하지 않습니다. - 노출 기준선을 실행 단위로 남기세요.
실행 한 번마다 질문, 엔진, 모델·모드, 날짜, 브랜드 등장 여부, 인용 URL과 추천 문맥을 한 행에 적습니다. 다음 측정에서도 같은 조건과 반복 횟수를 유지하고 ‘브랜드 등장 실행 수 ÷ 전체 실행 수’로 노출률을 계산하세요. 조합별 한 번만 실행했다면 ‘1회 기준선 스냅샷’으로 남기고 기간 추세라고 부르지 않습니다. - GA4에서 추천 유입을 집계로 확인하세요.
보고서 → 획득 → 트래픽 획득으로 이동해 기본 차원을 ‘Session source / medium’으로 바꾸고, ‘Landing page + query string’을 보조 차원으로 추가하세요. 실제 데이터에 나타나는 AI 관련 소스별 세션, 랜딩 페이지와 사전에 정의된 핵심 이벤트를 기록합니다. Google은 Source를 구체적인 플랫폼·사이트·앱, Medium을 referral 같은 유입 유형으로 설명합니다. - 추천 정보가 사라진 접점을 자기기입으로 보완하세요.
문의 폼이나 영업 기록에 ‘어디에서 저희를 알게 됐나요?’를 추가하고, AI 도구를 골랐다면 당시 질문을 기억하는 범위에서 적게 하세요. AI 답변을 본 뒤 브랜드 검색이나 직접 입력으로 방문한 사람은 추천 소스만으로 찾기 어렵습니다. 질문 맥락은 문의자가 직접 남긴 경우에만 해당 리드 기록에 연결합니다. - 연결 가능한 리드만 영업 결과까지 이어 붙이세요.
검증된 연동으로 유입 정보가 저장된 리드 또는 자기기입으로 AI 발견 경로를 확인한 리드만 MQL, 영업 기회, 파이프라인 금액과 계약 매출에 연결합니다. 공통 식별자가 없다면 GA4 세션을 특정 CRM 리드와 임의로 짝짓지 마세요. 평균 영업 주기가 지난 리드 코호트끼리 비교하고, 프롬프트 노출은 같은 기간의 별도 선행지표로 나란히 놓습니다.
입력 예시 — 실제 평가값이 아닌 가상 기록입니다
측정 기간: 2026-09-07~2026-09-13
질문: 중견 제조업체용 재고관리 소프트웨어를 비교해줘
엔진: Perplexity
모델·검색 모드: 실행 화면에 표시된 값
반복 횟수 / 전체 실행 / 브랜드 등장: 3 / 3 / 1
인용 URL: 실행 결과에 나온 실제 URL
GA4 소스·매체: 실제 보고서 값
리드 연결 근거: 자기기입
MQL: 예
GA4의 현재 기본 채널 공식 명칭은 단수형 ‘AI Assistant’입니다. ChatGPT·Gemini·Deepseek·Copilot·Grok 등의 추천 유입이 여기에 포함될 수 있지만, Google AI Overviews와 AI Mode 유입은 제외되어 Organic Search에 포함됩니다. 분류 규칙은 바뀔 수 있으므로 기본 채널만 보지 말고 실제 Session source / medium도 함께 확인하세요.
귀속 보고서 역시 전체 경로를 그대로 보여주지는 않습니다. Google의 유료·자연 마지막 클릭 모델은 직접 유입을 제외하고 전환 전 마지막 비직접 채널에 핵심 이벤트 가치의 100%를 부여합니다. 반대로 AI 답변을 본 뒤 검색이나 직접 입력으로 돌아온 방문에는 LLM 추천 도메인이 남지 않을 수 있어요. 따라서 하나의 채널 숫자를 AI 영향 전체로 해석하면 안 됩니다.
첫 점검의 성공 기준은 네 가지 기록이 남는 것입니다. 엔진·모델·모드·날짜가 적힌 실행 기록, 전체 실행 수와 브랜드 등장 실행 수가 분리된 노출값, GA4에서 확인한 실제 AI 관련 소스·랜딩 페이지·핵심 이벤트, 각 리드의 연결 근거 유무가 한곳에 있어야 합니다. 연결 근거가 없다면 매출 귀속을 계산하지 않고 ‘집계형 유입만 확인’으로 완료하세요.
두 줄이 함께 움직일 때 다음 콘텐츠를 고르세요
노출은 늘었지만 추천 유입과 자기기입 리드가 움직이지 않았다면 곧바로 실패라고 결론 내리지 마세요. AI 답변에서 클릭할 이유가 부족했는지, 브랜드 검색으로 경로가 사라졌는지, 구매와 먼 질문만 측정했는지 차례로 살펴봐야 합니다.
반대로 연결 근거가 있는 AI 유래 리드가 MQL이나 영업 기회를 만들었다면 충분한 관찰 기간을 둔 뒤 인접 질문의 콘텐츠로 확장할 수 있어요. 다만 비교군이 없다면 ‘AEO가 매출을 만들었다’가 아니라 ‘관측 가능한 AI 접점이 이 파이프라인에 기여했다’고 표현하는 편이 정확합니다.
