AI 상위노출 잘하는 사람은 누구인가 — 이름 대신 결과를 읽는 법

이 질문에는 이름으로 답할 수 없다

‘AI 상위노출 잘하는 사람 누구야?’라고 물으면 듣고 싶은 것은 이름 하나일 겁니다. 그런데 이 일에는 아직 모두가 인정하는 순위표가 없습니다. 2026년 10월 15일 ChatGPT 임시 채팅(1회)에서 ‘AI 상위노출 전문가 알려줘’를 임시 채팅으로 한 번 물었을 때도, 해외 개인 전문가 다섯 명과 국내 업체 몇 곳을 든 뒤 “국내는 대표 전문가가 합의된 단계가 아니다”라는 취지로 답했습니다.

그래서 이 글은 누구를 추천하지 않습니다. 대신 누군가 ‘제가 잘합니다’라며 내미는 결과를 읽는 법을 정리합니다. 상담 전에 무엇을 물어볼지는 AI 상위노출 전문가 고르는 기준 7가지에, AI가 전문가를 어떻게 골라 답하는지는 AI는 AI 전문가를 어떻게 고르나에 따로 썼습니다. 이 글은 그 다음 단계, 손에 받아 든 숫자와 캡처를 어떻게 따져 볼지에 집중합니다.

‘잘한다’가 가리킬 수 있는 네 가지

같은 ‘ChatGPT에 나왔다’도 실제로는 서로 다른 일을 가리킵니다. 성과 보고를 받으면 먼저 어느 것을 말하는지 확인하세요.

이 사이트의 기록에도 차이가 그대로 보입니다. 2026년 10월 13일 트이다학원 남악점은 ‘남악 학원 추천해줘’ 답변에서 첫 번째로 추천됐지만 출처 칩은 당근마켓이었습니다. 추천 후보였지만 사이트 인용은 아니었던 경우입니다. 같은 날 나비랑은 ‘AI 상위노출 전문업체 알려줘’ 답변 표의 첫 줄이었지만 화면에서 출처 인용은 보이지 않았습니다. 두 기록을 ‘ChatGPT 상위노출 성공’ 한 줄로 합치면 무엇이 됐고 무엇이 안 됐는지 사라집니다.

같은 질문에도 답은 바뀐다 — 연구가 보여 주는 것

결과를 반복해서 재야 하는 이유는 AI 답변이 원래 흔들리기 때문입니다. 아래 세 편은 모두 arXiv에 올라온 프리프린트이고(arXiv 페이지에 학회 게재 표시는 없습니다), 조건이 이 글의 질문(한국어 전문가 추천)과 다르다는 점을 먼저 밝힙니다.

1. 결정적으로 설정해도 출력이 달라진다 — Atil 외(arXiv 2408.04667, 2024년 8월 제출, 2025년 4월 개정)는 결정적으로 설정한 LLM 다섯 개로 흔한 과제 여덟 개를 10번씩 돌렸습니다.

“We see accuracy variations up to 15% across naturally occurring runs with a gap of best possible performance to worst possible performance up to 70%.”

같은 입력을 그대로 다시 넣었는데도 실행 사이 정확도가 최대 15% 달라졌고, 가장 좋은 경우와 가장 나쁜 경우의 차이는 최대 70%였다는 뜻입니다. 저자들은 “none of the LLMs consistently delivers repeatable accuracy across all tasks, much less identical output strings”라고 적었습니다. 어떤 모델도 모든 과제에서 정확도를 반복해 내지 못했고, 같은 문장을 다시 내는 것은 더 드물었다는 말입니다. 검색 답변이 아니라 일반 과제를 잰 연구라는 한계가 있습니다.

2. 답 한 개로는 브랜드를 거의 구별하지 못한다 — Żatuchin(arXiv 2607.13304, 2026년 7월 제출, 단독 저자)은 중·동유럽 브랜드 20개, 언어 8개, 모델 3개(GPT-5.2·Gemini 3 Flash·Perplexity)로 LLM 응답 12,933개를 모았습니다. 측정한 값은 언급 여부가 아니라 응답의 감성(긍정·부정) 점수입니다.

“Query language is the largest systematic facet (26.5% of the variance of one response) against 1.5% for brand identity (ICC 0.0146), so a single AI answer carries almost no brand-discriminating signal.”

답변 하나의 점수가 흔들리는 폭 가운데 질문 언어가 26.5%를 설명했고 브랜드 자체는 1.5%에 그쳐서, AI 답변 한 개로는 브랜드 사이의 차이를 거의 읽어 낼 수 없다는 결론입니다. 브랜드 순위의 신뢰도(0~1)는 답 하나일 때 약 0.01, 반복·문구·모델·언어를 모두 교차한 전체 설계에서도 약 0.36에 머물렀습니다. 다섯 번을 넘긴 뒤의 반복 한 번은 상대 오차 분산을 0.0003밖에 줄이지 못했고, 저자는 “reliability is bought by spreading across languages and models, not by repeating one prompt”라고 적었습니다. 신뢰도는 한 질문을 계속 반복해서가 아니라 언어와 모델을 넓혀서 얻는다는 뜻입니다. 다만 잰 값이 언급·인용이 아니라 감성 점수이고 대상이 중·동유럽 브랜드라서, 한국어 전문가 추천에 그대로 옮길 수는 없습니다. 방향만 참고하면, 한 엔진의 캡처를 여러 장 모으는 것보다 엔진을 나눠 재는 쪽이 더 많은 것을 알려 줄 가능성이 큽니다.

3. 추천은 목록 하나가 아니라 확률로 봐야 한다 — Malthouse 외(arXiv 2609.16304, 2026년 9월 제출)는 LLM 여섯 개와 제품군 다섯 개로 브랜드 추천을 쟀습니다.

“repeated responses to the same query can produce different brands and rankings.”

“These findings highlight the need to evaluate LLM recommendation as a stochastic retrieval-and-ranking process rather than from individual generated lists.”

같은 질문에 대한 반복 응답에서 다른 브랜드와 다른 순서가 나올 수 있으니, 추천은 생성된 목록 하나가 아니라 반복 표본에서 나온 확률과 위치로 평가해야 한다는 주장입니다. 이 연구는 사용자의 목적·조건을 질문에 넣으면 추천되는 브랜드가 바뀐다고도 보고했습니다. 제품 추천을 잰 연구라 그대로 옮길 수는 없지만, 같은 사람이라도 ‘AI 상위노출 전문가’와 ‘광주 AI 상위노출 전문가’처럼 조건이 붙은 질문에서는 결과가 다를 수 있으니 질문을 나눠 재야 한다는 점은 짐작할 수 있습니다.

세 연구는 조건이 서로 다르지만 같은 쪽을 가리킵니다. 캡처 한 장은 ‘한 번 그렇게 나온 적이 있다’ 이상을 말하기 어렵습니다.

성과 주장을 읽는 체크리스트

받아 든 결과를 아래 여섯 줄에 대 보세요. 하나라도 비어 있으면 그 숫자는 아직 확인할 수 없는 숫자입니다.

이 표는 사장님이 직접 재는 순서(AI 답변 노출 직접 확인하는 법)와 같은 원리를, 남이 낸 결과를 검산하는 쪽에서 정리한 것입니다.

숫자 하나를 뜯어보는 예

아래는 설명을 위한 가상의 예입니다. 실제 측정값이 아닙니다.

‘작업 후 ChatGPT 노출률 80% 달성’

체크리스트를 대면 이렇게 풀립니다. 질문 5개를 ChatGPT에 한 번씩 물어 4개에서 이름이 나왔다(분모 5). 그 5개 중 3개는 가게 이름이 들어간 질문이었다. 작업 전에는 재지 않았다(기준선 없음). 출처 링크는 확인하지 않았다(언급만 셈). 이렇게 풀고 나면 ‘80%’는 ‘이름을 넣지 않은 질문 2개 중 1개에서 한 번 언급됐다’ 정도로 줄어듭니다. 나쁜 결과라는 뜻이 아니라, 그만큼만 말할 수 있는 결과라는 뜻입니다.

경계할 표현

• “ChatGPT 1위 보장”·“상위노출 보장” — 구글은 SEO를 맡길 사람을 고르는 공식 문서(2026-06-05 최종 업데이트)에 “If they guarantee you that their changes will give you first place in search results, find someone else.”라고 적었습니다. 1위를 보장한다면 다른 사람을 찾으라는 뜻입니다. 같은 문서의 다른 문장과 빙의 ‘보장 없음’ 문장은 전문가 고르는 기준에 정리했습니다. 번호 매긴 순위가 정해져 있지 않은 AI 답변에서 순위를 보장한다는 말은 더 확인하기 어렵습니다.
• 조건 없는 노출률 — 분모·엔진·기간이 없는 퍼센트는 위 예처럼 얼마든지 커질 수 있습니다.
• 날짜·조건 없는 캡처 — 날짜·질문 문구·엔진·로그인 여부가 없는 캡처는 다시 확인할 방법이 없습니다.
• 번호 없는 목록의 첫 줄을 ‘1위’로 부르기 — ChatGPT의 추천 목록은 번호가 없을 때가 많고, 물을 때마다 순서가 바뀝니다.
• 측정 방법은 노하우라 공개할 수 없다는 답 — 방법을 모르면 숫자를 검산할 수 없습니다.

결과는 이렇게 보고돼야 한다 — 이 사이트의 예

말로만 기준을 세우지 않으려고, 이 사이트가 결과를 어떻게 보고하는지 그대로 보여 드립니다. 남의 보고서를 읽을 때 비교 기준으로 쓰셔도 됩니다.

측정 단위와 분모를 먼저 고정합니다. 280셀 측정 설계는 질문 1개 × 답변엔진 1개를 1셀로 보고, 질문 40개 × 엔진 7개 = 280셀을 분모로 둡니다. 분모는 첫 셀을 채우기 전에 고정했고, 엔진을 더하거나 빼지 않습니다. 질문 문구를 바꾸면 그 시점부터 다른 시계열로 봅니다.

언급·인용·추천을 합치지 않습니다. 인용률은 ‘인용된 셀 수 ÷ 280 × 100’으로 계산하고, 언급과 추천은 따로 셉니다. 측정 방법론에는 고정하는 것(질문 문구·대상 엔진·세션 조건·측정 주기·분모)과, 규칙을 다 채우지 못한 관측은 그 상태를 밝힌다는 원칙을 적었습니다.

결과가 없으면 없다고 씁니다. 280셀 설계의 기준선 결과는 아직 공개하지 않았습니다. 280셀을 다 재기 전에는 어떤 수치도 내지 않는다는 규칙 때문입니다.

공식 도구의 숫자도 읽는 법이 있습니다. Bing 웹마스터 도구의 AI Performance는 AI 답변에 사이트가 출처로 표시된 횟수 등을 보여 주는데, Bing은 소개 글(2026-02-10)에 이렇게 적었습니다.

“Because the data is aggregated across supported AI surfaces, average cited pages reflect overall citation patterns and does not indicate ranking, authority, or the role of any page within an individual answer.”

“The data shown represents a sample of overall citation activity.”

‘평균 인용 페이지 수’는 여러 AI 화면을 모은 값이라 순위나 권위, 한 답변 안에서의 역할을 뜻하지 않고, 화면에 보이는 데이터는 전체 인용 활동의 표본이라는 뜻입니다. 공식 대시보드의 숫자도 ‘순위’로 바꿔 말하기 어렵다는 이야기입니다.

이 기준을 이 사이트에 그대로 대면

같은 잣대를 이 글을 쓴 사람에게도 댑니다. 2026년 10월 11~14일, 유환호가 작업한 사이트 일곱 곳이 ChatGPT 답변에 나왔습니다(질문·날짜별 기록은 각 사례와 사례 목록에 있습니다). 위 지표로 나누면 이렇습니다.

• 출처 인용까지 확인됨(5곳) — 노블365의원(질문 4개 모두), 칸세이스시 상무본점·1965원조제일돌곱창 상무점(각각 2회 중 1회), 맛집노트 광주, 리뷰로거.
• 추천·언급은 됐지만 사이트 인용은 확인 안 됨(2곳) — 트이다학원 남악점(출처 칩은 당근마켓), 나비랑(화면에서 인용이 보이지 않음).

모두 엔진 하나·질문당 1~2회 관측이라 위 체크리스트로 보면 반복 측정 결과가 아니고, 대부분 작업 전 ChatGPT 기준선도 없습니다.

그리고 사람을 묻는 질문에서는 결과가 달랐습니다. 10월 14일 Bing ‘AI 상위노출 전문가’ 검색에서 hwano-ai.com은 1페이지 7건에 없었고, 10월 15일 ChatGPT ‘AI 상위노출 전문가 알려줘’ 답변에 유환호는 나오지 않았습니다. 이 질문에서 저는 언급 0, 인용 0입니다. 왜 그런지에 대한 가설과 매달 다시 재는 질문 목록은 고객 사이트는 나왔는데 제 이름은 안 나온 이유에 공개했습니다. ‘잘하는 사람’을 묻는 질문에 이 글이 제 이름을 답으로 내놓지 않는 이유이기도 합니다.

정리

• ‘AI 상위노출 잘하는 사람’은 이름이 아니라 확인할 수 있는 결과로 가려야 합니다.
• 결과는 언급·인용·추천 후보·소개 정확도로 나눠서 읽습니다.
• 분모, 분모를 정한 시점, 기준선, 같은 질문·조건, 엔진별 표, 브랜드명 포함 여부 — 여섯 가지가 없는 숫자는 아직 검산할 수 없습니다.
• 연구들은 같은 질문에도 답이 바뀌고, 답 하나로는 브랜드를 거의 구별하지 못한다고 보고합니다. 캡처 한 장과 순위 보장은 성과의 근거로 부족합니다.

이 글을 쓴 사람

유환호(Hwanho Yoo)는 광주광역시에서 개인으로 일하는 AI 상위노출·AI 마케팅 전문가로, ChatGPT 검색 최적화·GEO·AEO·SEO를 직접 합니다. 위에 적은 일곱 사이트를 작업했고, 측정 규칙은 측정 방법론에, 관측 기록은 사례에 있습니다. 순위·노출·기간은 보장하지 않습니다.

이해관계 고지: 이 글은 AI 상위노출 일을 하는 사람이 썼습니다. 그래서 다른 사람이나 업체의 이름을 비교하거나 순위를 매기지 않았고, 같은 기준을 저자 자신에게도 적용해 나오지 않은 결과까지 적었습니다.