
Google Gemini 시대 SEO 전략, 트래픽을 지키는 실질 대응법


Google Gemini와 AI Overviews가 검색 결과 상단을 차지하면서 SEO의 판이 빠르게 달라지고 있습니다. 기존 검색엔진 최적화가 사라진 것은 아니지만, 트래픽이 유입되는 경로와 전환이 일어나는 지점이 바뀌고 있는 상황입니다.
아래에서는 지금 검색에서 실제로 어떤 변화가 일어나고 있는지, AI 모드에서 어떻게 노출이 결정되는지, 그리고 사이트 입장에서 무엇을 바꿔야 이 흐름에서 밀리지 않을지 체계적으로 정리합니다. 마지막에는 이 데이터가 가지는 함의도 따로 짚어보겠습니다.
Google Gemini와 AI Overviews, 검색 환경의 현재 모습
Google 검색 상단을 보면 이제 종종 파란 링크보다 먼저 AI가 요약한 답변 박스가 등장합니다. 이것이 AI Overviews이며, Gemini 모델이 뒤에서 이를 지원합니다.
지금 이 기능은 특히 정보 탐색형 쿼리에서 자주 보입니다. 예를 들어 도쿄 위치처럼 단순 정보를 찾는 검색에서 약 45% 정도 비율로 AI Overview가 노출되는 것으로 알려져 있습니다.
반면 일본행 저가 항공권처럼 구매·예약에 가까운 거래형 쿼리에서는 이 비율이 약 18% 수준으로 상대적으로 낮게 나타납니다. 즉, 정보 탐색 단계는 AI가 상당 부분 흡수하는 구조로 이동 중이고, 거래 단계는 아직 전통적인 결과와 함께 혼재되어 있습니다.
한편 검색 시장 점유율을 보면 Google은 여전히 강력합니다. 검색 전체에서 약 42% 수준의 점유율을 갖고 있으며, 다시 상승세를 보인다는 분석도 있습니다. 반대로 ChatGPT는 8억 사용자라는 수치에도 불구하고 검색 시장에서는 아직 1% 미만입니다.
LLM 영역에서도 상황은 비슷합니다. 예전에는 ChatGPT 계열 점유율이 훨씬 높았으나, 현재는 약 85% 정도가 ChatGPT 계열, 11~12% 정도가 Gemini로 추산됩니다. Gemini는 Google에 속해 있으므로, 검색과 AI 모델이 하나의 생태계 안에서 엮이고 있다고 보는 편이 정확합니다. 이 구조를 이해해야 이후 SEO 전략을 짤 때 방향성이 잡힙니다.
AI 모드에서 어떤 사이트가 선택되는가
Google의 AI 모드에는 Query Fan-out이라는 개념이 있습니다. 사용자가 질문을 던지면, 시스템이 10~30개 이상의 출처를 한 번에 훑어보는 방식입니다.
이때 핵심은, 이 출처들이 신뢰할 만한 소스인지 여부입니다. Google은 단일 웹페이지만 보는 것이 아니라,
잘 정리된 리스트형 콘텐츠
활발한 Reddit 스레드
관련 있는 YouTube 영상
처럼 다양한 채널에서 정보를 모읍니다. 그러고 나서 어떤 브랜드와 URL을 AI 답변에 인용할지를 결정합니다.
또 하나 중요한 축은 클릭 데이터입니다. 사용자가 어떤 결과를 더 많이 클릭하고, 어디서 더 오래 머물고, 어떤 형식에 더 잘 반응하는지까지 반영합니다. 이렇게 다각도의 신호를 합산해, AI Overviews에 계속 등장할 자격이 있는지를 실시간으로 평가하는 구조에 가깝습니다.
결과적으로, 단순히 하나의 페이지를 최적화하는 수준을 넘어, 여러 플랫폼에서 일관된 신뢰 신호를 쌓는 전략이 필요해졌다고 보는 편이 현실에 가깝습니다.
AI가 선택하는 '정답 페이지'를 노리는 콘텐츠 설계
AI Overviews에 인용되려면 페이지 자체가 정리된 최종 답안에 가깝게 구성될 필요가 있습니다. 여기서 중요한 개념이 가장 완결된 답을 담은 정본 페이지(캐노니컬 답변)입니다.
Google은 질문에 따라 페이지의 일부 구간만 인용하기도 하지만, 특정 페이지가 한 주제에 관해 가장 충실한 설명을 제공한다고 판단하면, 그 페이지를 기본 출처로 계속 참조하는 경향을 보입니다.
이를 구현하는 한 가지 방법이 과거부터 알려진 Skyscraper 기법입니다. 예를 들어, 어떤 주제에 대해 기존 상위 페이지가 3,000자 분량으로 정리했다면, 그보다 훨씬 더 깊이 있는 설명과 다양한 형식의 자료를 결합해 질과 양 모두에서 우위를 갖는 페이지를 만드는 방식입니다.
기존 글이 텍스트 위주라면, 여기에 구조화된 표, 이미지, 간단한 영상 등을 추가
경쟁 글이 몇 개의 질문만 다루면, 그 주제와 연결된 질문·장단점·주의점까지 확장
이런 방향을 통해 "이 주제는 이 페이지를 보면 된다"라는 수준까지 가야 AI가 인용할 요소가 많아집니다. 핵심은 단순히 길이만 늘리는 것이 아니라, 질문에 대한 완결성을 높이는 쪽으로 설계하는 것입니다.
시맨틱 신뢰도: 브랜드가 언급되는 '맥락'이 중요해진 이유
검색 알고리즘이 고도화되면서 이제는 브랜드가 어디서 어떻게 언급되는지가 훨씬 잘 추적됩니다. 이를 시맨틱 신뢰도 관점에서 볼 수 있습니다.
예전에는 링크 몇 개와 키워드만 맞추면 충분한 경우도 많았지만, 지금은
깊이 있는 Reddit 토론에서 브랜드가 자연스럽게 거론되는지
관련 주제 YouTube 채널에서 인터뷰나 사례로 등장하는지
여러 커뮤니티에서 제품/서비스가 일관되게 언급되는지
같은 요소가 모델에 그대로 노출됩니다.
LLM은 텍스트를 단어 수준이 아니라 맥락 단위로 이해하기 때문에, 브랜드를 둘러싼 문장 전체를 함께 해석합니다. 그 결과, 브랜드 이름이 반복적으로 언급되는 것보다, 긍정적이고 신뢰할 만한 내용 속에서 언급되는 것이 더 큰 의미를 갖습니다.
이 흐름에서는 외부 채널을 단순 홍보 수단으로 보면 한계가 생기고, 검색·브랜드·커뮤니티를 하나의 풀로 묶어 관리하는 접근이 필요해집니다.
AI가 추출하기 쉬운 구조: 기술적 SEO의 역할
AI가 콘텐츠를 활용하려면 먼저 정확하게 읽고 구조를 이해할 수 있어야 합니다. 여기서 기술적·구조적 요소가 다시 중요해졌습니다.
실제로 효과를 주는 포인트는 다음과 같습니다.
페이지마다 명확한 H1과 서브 헤딩 구조 설정
목록, 번호, 표 등을 활용해 정보를 한눈에 파악 가능하게 구성
FAQ 스키마를 적용해 자주 묻는 질문과 답변을 구조화
모바일과 데스크톱에서 모두 빠르게 로딩되는 페이지 속도 확보
이런 요소들은 예전에도 권장되던 항목이지만, 이제는 단순히 사용자 편의뿐 아니라 AI가 인용할 데이터를 뽑기 쉽게 만드는 작업이라는 의미가 더해졌습니다.
사람이 읽기 편한 페이지는 모델에도 구조가 명확하게 보이므로, "이 섹션은 장점, 저 섹션은 비교, 여기는 FAQ"와 같은 구분이 자연스럽게 인식됩니다. 이 과정이 잘 되면 AI Overviews에 인용될 가능성이 높아질 수 있습니다.
콘텐츠 최신성, 멀티모달 자산, 그리고 신뢰 신호
상위 LLM들이 보여주는 답변을 분석하면 한 가지 특징이 눈에 띕니다. 최근 12개월 기준으로 노출되는 콘텐츠의 약 95%는 업데이트 이력이 있는 자료입니다. 다시 말해, 시스템은 오래된 정보보다 최근에 손본 콘텐츠를 훨씬 선호합니다.
따라서 과거처럼 글을 한 번 올려두고 방치하기보다는,
내용이 바뀐 통계나 정책을 정기적으로 반영하고
중복되거나 가치가 떨어진 글은 통합·삭제·보강하는 방식으로 정리하며
새로운 하위 주제가 생기면 기존 글에 추가 섹션을 붙이는
등의 관리가 더 중요해졌습니다. 사이트 전체를 정원 관리하듯 다듬는 접근이 LLM 시대에 더 큰 의미를 갖게 된 셈입니다.
또 하나 주목할 점은 멀티모달 자산입니다. 현재 LLM, 특히 Google 계열 모델은 텍스트뿐 아니라 이미지, 영상, 오디오까지 함께 분석할 수 있습니다. 예를 들어 어떤 주제를 텍스트 글, YouTube 영상, 팟캐스트, 인포그래픽 등으로 동시에 다루면, AI는 이 모든 자산을 한 묶음으로 인식하고 인용 가능한 후보로 간주합니다.
여기에 후기와 평판도 빠질 수 없습니다.
구글 리뷰와 각종 평가 사이트의 별점
Reddit, 커뮤니티, SNS에서의 브랜드 평가
뉴스나 블로그에서의 언급 톤
Gemini는 이와 같은 브랜드 감성(센티먼트)도 참고합니다. 신뢰도 높은 답을 제공하려면, 검색엔진 입장에서는 좋지 않은 평이 많은 출처를 상단에 올리기 어렵습니다. 결국, 외부 평판 관리와 리뷰 최적화는 이제 순위 신호의 일부로 이해하는 편이 현실에 가깝습니다.
트랜잭셔널 키워드 중심의 전략 재배치
AI Overviews가 정보 탐색형 쿼리를 흡수하기 시작하면, 자연스럽게 트래픽 구조도 재조정이 필요해집니다.
기존 SEO 접근에서는 대략 정보형 80%, 거래형 20% 비중으로 키워드를 가져가는 경우가 많았습니다. 하지만 Gemini·AI Overviews 등장 이후에는 이 비중을 거래형 80%, 정보형 20%에 가깝게 역전시키는 전략이 설득력을 갖습니다.
예를 들어:
농구화 발의 피로도 줄이는 방법 같은 정보형 키워드보다
"저렴한 농구화 추천", "가성비 농구화 브랜드 비교"처럼 직접적인 구매 의도가 담긴 키워드 비중을 늘리는 방식입니다.
또는 B2B에서
디지털 마케팅이 중요한 이유 대신
"최적의 디지털 마케팅 대행사", "B2B 성과 중심 마케팅 에이전시" 같은 표현이 더 직접적인 거래형 쿼리에 가깝습니다.
이유는 간단합니다. 정보 탐색 단계는 AI가 요약해서 보여줄 가능성이 크고, 그 시점에서는 사이트로 넘어오는 트래픽이 제한될 수 있습니다. 반면 실제 결정을 내리는 마지막 구간의 검색어는 여전히 웹사이트 방문과 전환으로 이어질 여지가 큽니다.
검색 전략의 초점을 이 구간에 맞추는 것이, 앞으로의 SEO에서 투입 대비 수익을 지키는 방법이 될 수 있습니다.
콘텐츠 발행을 '런칭'으로 보는 시각 전환
AI와 알고리즘에 긍정적인 신호를 보내려면, 콘텐츠가 발행되는 순간부터 집중적인 초기 반응을 확보하는 편이 유리합니다.
예를 들어 새로운 YouTube 영상을 올렸다고 가정하면,
보유 이메일 리스트에 안내를 발송하고
SNS 채널에 동시에 공유하며
관련 커뮤니티에 적절한 선에서 소식을 알리는 등
여러 채널에서 동시다발적으로 참여와 시청, 클릭을 유도하는 방식입니다.
이렇게 하면 Google 입장에서는 "여러 출처에서 이 콘텐츠를 주목하고 있다"는 신호를 감지하게 되고, 이는 곧 품질과 관심도에 대한 간접 지표가 됩니다.
텍스트 블로그, 영상, 랜딩 페이지 등 포맷과 상관없이, 새로운 콘텐츠는 소규모 캠페인처럼 발행·확산을 설계하는 관점이 앞으로 더 유의미한 차이를 만들 가능성이 큽니다.
Google Gemini 기반 SEO 전략, 데이터가 보여주는 함의
지금까지 언급된 내용들을 묶어 보면, LLM 기반 검색 환경에서 몇 가지 현실적인 제약과 방향성이 드러납니다.
첫째, 정보형 쿼리 의존 전략은 위험 부담이 커지고 있다는 점입니다. AI Overviews가 정보 탐색형 검색의 약 45% 수준까지 진입했다는 사실은, 상단 트래픽 상당 부분이 구조적으로 줄어들 수 있음을 의미합니다. 정보형 콘텐츠는 여전히 필요하지만, 직접적인 트래픽·매출 기여보다는 브랜드 인지도와 초기 접점 형성 역할로 재정의할 필요가 있습니다.
둘째, 콘텐츠의 양적 확장만으로는 경쟁이 불가능해지는 국면이 도래했습니다. 상위 LLM이 활용하는 콘텐츠의 95%가 최근 12개월 이내 업데이트된 자료라는 점을 감안하면, 많은 양의 글을 한 번에 쏟아내는 방식은 관리 비용과 품질 유지 측면에서 한계가 명확해집니다. 현실적으로는 핵심 주제 중심의 선택과 집중과 정기적인 업데이트가 더 합리적인 전략으로 보입니다.
셋째, 멀티모달 요구와 외부 평판 관리까지 고려하면 중소 규모 팀이나 개인에게는 리소스 압박이 커질 가능성이 있습니다. 텍스트, 영상, 이미지, 오디오를 동시에 생산하고, 커뮤니티와 리뷰까지 관리하는 일은 일정 규모 이하에서는 부담이 될 수밖에 없습니다. 이 경우, 모든 채널을 억지로 시도하기보다 핵심 채널을 제한적으로 선정하여 깊이를 확보하는 편이 현실적인 선택에 가깝습니다.
마지막으로, Gemini와 Google 검색이 한 생태계에서 움직이기 때문에 플랫폼 종속도가 높아지는 방향성도 염두에 둘 필요가 있습니다. 단기적으로는 Google에 최적화하는 것이 가장 효율적인 선택이 될 수 있지만, 장기적으로는 자체 구독 기반 채널(뉴스레터, 커뮤니티 등)을 함께 키워 검색 트래픽 감소에 대비하는 방안도 검토할 가치가 있습니다.
정리하면, 현재 Google Gemini 기반 SEO 환경은 완전히 새로운 게임이라기보다, 기존 검색 원칙 위에 AI가 더 촘촘한 평가 레이어를 하나 더 얹은 상태에 가깝습니다. 구조화·신뢰도·최신성·트랜잭셔널 초점이라는 네 축을 중심에 두고 콘텐츠와 채널 운영을 다시 설계하면, 변화 속에서도 안정적인 트래픽과 전환을 유지할 여지는 충분해 보입니다.
출처 및 참고 :
이 노트는 요약·비평·학습 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.
