AI 검색 답변에 고객사 이름이 뜬 순간, 아무도 그걸 위해 한 일이 없었다

우연히 시작된 실험이었다. AirOps 자동화 강좌의 첫 번째 과제를 진행하던 중, ChatGPT와 Perplexity, Google AI Overviews에 몇 가지 프롬프트를 던져보며 결과를 살펴보고 있었다. 그런데 Perplexity의 답변에 낯익은 이름이 등장했다. 루마니아에서 접지·낙뢰 서지 보호 장비를 파는 작은 기업, CAT Electric Vision이었다. 같은 질문에 ChatGPT는 소스 패널에 링크로만 깊숙이 묻어두었을 뿐인데 말이다.

그 회사는 판매를 시작한 지 3년 된 곳이었고, 10년 이상 경력의 팀을 갖추고 있었다. 고객이 가까운 친척이라 내가 잘 아는 기업이기도 하다. 작은 로컬 비즈니스들이 그렇듯, 이곳도 소개와 재계약, 그리고 온라인 검색을 통해 꾸준히 운영돼 왔다. 콘텐츠 마케팅은 가끔씩 폭발적으로 진행됐다. 처음 브랜드 자산과 콘텐츠 전략을 세우는 데 몰두하다가, 일이 바빠지면 온라인 활동이 뜸해지고, 다시 재개하려면 또다시 연결 작업이 필요한 식이었다.

그런데도 브랜드는 아무도 손대지 않았는데 AI 검색에 이미 나타나고 있었다. 한 가지 의문이 들었다. 아무것도 안 했는데도 나온다면, 좀 더 신경을 쓰면 더 자주, 더 많은 AI 엔진에서 노출되지 않을까?

AEO, 답변 엔진 최적화의 시작

AEO(Answer Engine Optimization)의 핵심은 이것이다. 누군가 우리가 답할 수 있는 질문을 AI 엔진에 던졌을 때, AI가 우리 브랜드를 얼마나 자주 언급하느냐를 개선하는 작업이다. 대부분의 마케터는 아직 이에 대한 체계를 갖추지 못했다. 나도 마찬가지였다.

나는 제너럴리스트 콘텐츠 마케터이고, 이 파이프라인은 내가 처음으로 만든 자동화 빌드였다. 호기심이 많고 업스킬 기회를 찾던 나는 강좌 덕분에 AirOps라는 콘텐츠 최적화 도구를 알게 됐다. 그렇다면 이렇게 해보면 어떨까. 사람들이 그 브랜드가 답할 수 있는 질문을 AI 엔진에 던지고 있는데, 그 질문들을 어떻게 찾을 수 있을까?

그렇게 해서 완성된 것이 주 1회 실행되는 콘텐츠 루프다. 이 루프는 브랜드가 이미 게시한 콘텐츠와 성과를 확인하고, AI 답변에서 브랜드가 보이지 않는 질문을 찾아내며, 회사가 그 질문에 답할 만한 충분한 자료를 갖췄는지 검토한다. 그리고 가장 좋은 후보들을 작가가 바로 쓸 수 있는 LinkedIn 브리프로 만들어 Buffer에 전달한다.

이 글에서는 그 과정을 어떻게 만들었는지, 비슷한 걸 시도하려는 사람이 무엇을 염두에 둬야 하는지를 풀어보겠다.

LinkedIn이 첫 대상이 된 이유

프롬프트 실험을 하던 무렵, AI 엔진이 답변을 가져오는 출처에 대한 조사를 자주 접했다. 그때마다 LinkedIn이 빠지지 않았다.

Semrush에 따르면 LinkedIn은 ChatGPT Search, Google AI Mode, Perplexity 전반에서 두 번째로 많이 인용되는 출처로, AI 응답의 평균 11%에 등장한다. 특히 전문직 질문에 한정하면 Profound의 연구에서 LinkedIn은 ChatGPT, Gemini, Copilot을 포함한 6대 주요 AI 플랫폼에서 가장 많이 인용되는 도메인이었다.

이 두 번째 통계가 이 고객사에 가장 중요했다. 서지 보호 장비에 대해 묻는 사람들은 엔지니어, 시공업체, 건물 소유주다. 정의상 전문가 질문이다. LinkedIn 게시물이 인용될 확률을 높이는 요소에 대한 데이터도 있다. Scrunch에 따르면 기술적 세부 사항은 인용 확률을 77% 높이고, 특정 엔티티(이름) 언급은 33% 높인다. 반면 유니코드 볼드체 사용은 ChatGPT에서 인용 확률을 58% 낮춘다. 깊은 기술 전문성을 가진 작은 기업은 이런 유형의 게시물에 매우 유리한 위치에 있다.

게다가 이 회사는 이미 LinkedIn을 통해 고객에게 다가가고 있었고, 활용할 수 있는 기존 콘텐츠도 있었다. LinkedIn 게시물은 블로그 글보다 쓰는 데 드는 노력이 적어서, 콘텐츠 마케팅이 간헐적으로 이뤄지는 작은 팀에 이상적이다.

한 가지 초기에 내린 결정은 ‘인용’보다 ‘브랜드 멘션’을 추적한다는 점이었다. 인용은 AI 엔진이 게시물을 소스로 링크하는 것이고, 멘션은 AI 답변 자체에 브랜드 이름을 언급하는 것이다. 이 글에서 곧 소개할 가시성 도구 Peec AI는 둘을 별도로 추적한다. "루마니아에서 낙뢰 보호 시스템 공급업체를 추천해 줘" 같은 질문을 하는 고객에게는 답변에 이름이 직접 나오는 것이 훨씬 큰 성과다.

선택한 도구 구성

완성된 루프는 네 가지 도구로 돌아간다. 각각 하나의 역할을 맡는다.

• AirOps: 전체 워크플로우를 오케스트레이션하고 회사의 브랜드 키트(Brand Kit)와 지식 베이스(Knowledge Base)를 보관
• Peec AI: 어떤 AI 프롬프트에서 브랜드가 언급되고 어떤 곳에서 언급되지 않는지 추적
• Buffer: LinkedIn 참여 데이터 제공 및 완성된 브리프가 작가의 검토를 위해 도착하는 편집 허브 역할

왜 이런 도구들을 골랐는지 설명하겠다.

AirOps, 오케스트레이션 레이어

AirOps는 자동화에 입문하게 해준 도구이자, 처음 프롬프트 실험을 했던 교육 코호트에서 알게 된 플랫폼이다. 비용이 꽤 들지만, 무료 체험 기간이 이번 같은 실험 단계를 충분히 커버한다. 또한 Quill이라는 AI 에이전트가 내장되어 있어서, 워크플로우를 만들 때 내 아이디어를 대화로 나누면 Quill이 기술적 부분을 정리해 줬다. 첫 자동화 빌드임을 고려하면 훨씬 부담이 적었다.

AirOps는 플랫폼 안에서 브랜드 키트와 지식 베이스를 만드는 기능도 제공한다. 회사의 제품 페이지, 소셜 게시물, YouTube 트랜스크립트를 한곳에 모으면서 이 회사가 가진 미활용 정보가 얼마나 많은지 더 실감하게 됐고, 이를 콘텐츠 아이디어로 전환하는 방법을 찾기 시작했다.

Peec AI, 루마니아 시장을 아우르는 가시성 데이터

결정적인 요인은 언어였다. AirOps에는 자체 Prompts 기능이 있지만, 내가 워크플로우를 만들 당시엔 루마니아어를 지원하지 않았다. Scrunch도 주로 영어 프롬프트에 집중했고, Profound나 AthenaHQ는 언뜻 보기에 실험하는 작은 기업보다는 엔터프라이즈 팀용으로 보였다.

그러던 어느 날 LinkedIn 피드에서 Peec AI가 눈에 들어왔다. 알고 보니 내가 염두에 둔 루마니아어와 시장에 잘 맞았다. 독일에 본사를 두고 있어서 로컬 마켓 커버리지가 좋은 듯했고, 여기에도 평가판이 있었다.

Buffer, 참여 데이터이자 편집 허브

워크플로우가 루프로 기능하려면 지난 라운드가 어떻게 수행됐는지를 볼 수 있어야 한다. Buffer는 LinkedIn 마케팅 파트너이므로, Buffer를 통해 게시된 게시물의 참여 데이터는 Buffer 고유 API를 통해 다시 돌아온다. 워크플로우가 이미 통신하고 있던 바로 그 API다.

Buffer가 두 번째 역할을 맡게 된 것은 API를 통해 게시물 아이디어가 Create 보드에 들어올 수 있다는 걸 알게 되면서부터다. 작가가 워크플로우에 얽매이거나 AirOps 접근 권한을 가질 필요 없게 만들고 싶었는데, Buffer가 Google Doc이나 Notion 보드 같은 추가 레이어 없이 그 문제를 해결해 줬다.

Create 보드는 칸반 구조라서 편집 작업을 정리하는 데 익숙한 방식과 잘 맞았다. 여러 작가가 접근할 수 있고, 에디터나 소유자가 스케줄링 전에 게시물을 승인할 수 있으며, 모든 것이 자동화와 분리되어 있다.

워크플로우가 처음부터 끝까지 작동하는 방식

워크플로우는 일주일에 한 번 실행된다. 각 실행은 이미 일어난 일을 먼저 확인한다. 무엇이 예약됐고, 무엇이 게시됐으며, 어떻게 성과가 났는지를 확인한 후에 다음 작업을 결정한다. 그런 다음 네 단계로 진행된다.

1단계: 이미 진행 중인 작업 확인

AirOps 플레이북 에이전트는 Buffer API에 연결해 이미 초안이나 대기열에 있는 것을 확인하므로 중복 아이디어를 만들지 않는다. 또한 자체 내부 그리드(이전 실행 기록)도 확인한다. 그 다음 같은 Buffer API를 통해 게시된 LinkedIn 게시물의 참여 데이터를 가져와 반응, 댓글, 노출, 도달 범위를 추출한다. 성과가 좋은 게시물은 후속 콘텐츠의 신호가 된다.

이 단계가 없었다면 사람이 직접 앱을 열어보거나 팀원에게 메시지해 상황을 파악해야 했을 것이다.

2단계: 브랜드가 보이지 않는 곳 파악

이제 에이전트는 토큰을 통해 Peec AI에 연결해 두 번에 걸쳐 데이터를 가져온다. 첫 번째는 프롬프트 자체다. 텍스트, 토픽, 볼륨, 태그가 포함된다. 두 번째는 측정값이다. 가시성, 셰어 오브 보이스, 감성, 포지션, 그리고 동일 프롬프트에서 경쟁사가 어떻게 나타나는지다.

Peec는 추적 중인 프롬프트를 세 가지 AI 엔진(ChatGPT, Perplexity, Google AI Overviews)에서 매일 실행하고 브랜드가 각 답변에 언급되는지 기록한다. 따라서 프롬프트의 가시성 점수는 해당 답변에서 브랜드가 언급된 비율이다. 워크플로우는 가시성이 0%이고 7일 이상 추적됐거나, 20% 아래로 떨어지거나, 한 달 새 15포인트 이상 하락한 프롬프트를 낮은 가시성으로 표시한다.

참고로 실제로 이 임계값은 아직 별로 걸러내지 못한다. 브랜드 전반적인 가시성이 7%에 불과하고 거의 모든 프롬프트가 0%로 판정되기 때문이다. 하지만 가시성이 성장하면 이 단계의 의미는 커질 것이다.

요약하면 이 단계는 "우리가 어디에서 보이지 않는가?"라는 질문에 답한다. 마케터가 프롬프트를 일일이 살펴보고, 데이터를 입력하고, CSV를 내보내는 수고를 대신해 준다.

3단계: 회사가 자신 있게 말할 수 있는 내용과 갭 매핑

각 프롬프트에 대해 에이전트는 세 개의 지식 베이스 — 오래된 제품 페이지 390개, 회사 소셜 미디어 게시물, YouTube 트랜스크립트 — 를 검색한다. 회사가 각 질문에 대해 그럴듯하게 답할 충분한 자료를 갖췄는지 확인하고, 뒷받침 자료가 없는 프롬프트는 탈락시킨다. 근거가 없으면 아이디어도 공허하기 때문이다.

살아남은 아이디어는 네 가지 기준으로 순위가 매겨진다. 가시성 갭의 크기, 사람들이 그 질문을 얼마나 자주 하는지, 지식 베이스 증거의 강도, 경쟁사가 이미 답변 공간을 점유하고 있는지 여부다. 상위 다섯 개만 다음 단계로 이동한다. 이는 한 번에 작업할 수 있는 분량을 정한 내 한계치다.

그런 다음 에이전트가 브랜드 키트 규칙(LinkedIn 게시물 형식, 페르소나, 오디언스 프로필, 작성 규칙)을 꺼내 프롬프트별로 하나의 독립된 브리프로 결합한다. 토픽, 앵글, 오디언스, 핵심 포인트, 브랜드 포지셔닝, 그대로 사용할 수 있는 출처 자료, 형식 가이드가 포함된다.

4단계: Buffer에 작가가 바로 쓸 수 있는 브리프로 전달

에이전트는 각 브리프를 단일 API 호출로 Buffer에 보내고, Create 공간의 Ideas에 표시된다. 작가가 Buffer를 열면 아이디어가 이런 모습으로 보인다.

• 게시물 아이디어: 토픽, 앵글, 어떤 오디언스를 대상으로 쓸지, 제안된 게시 요일. 예시 스크린샷의 아이디어는 투자자와 건물 수혜자를 타깃으로 하고, 우선순위 높음으로 표시하며, 수요일 게시를 제안했다.
• 타깃 AEO 프롬프트: 게시물이 답변하기 위한 두 개의 Peec 프롬프트. 둘 다 가시성 0%, 중간 볼륨이다.
• 핵심 포인트: 게시물의 실제 내용. 이 경우 "설치 포함"은 인증이 아니라 마케팅 문구일 뿐이며, 고객은 시스템을 설계한 사람과 프로젝트가 기술 표준을 준수하는지 물어봐야 한다고 설명하도록 제안한다.
• 브랜드 포지셔닝: 회사를 답변으로 만드는 방법 — 보유한 인증 체계, 2,500개 이상의 완료 프로젝트, 제품이 독립 실험실 테스트를 거친 제조업체라는 점.
• 언급할 제품: 특정 피뢰침 두 가지.
• 출처 자료: 지식 베이스에서 가져온 기존 LinkedIn 게시물 발췌문. 작가가 실제 제품 언어를 사용하도록 도와준다.
• 게시물 형식: 브랜드 키트 규칙. 50~299단어, 유니코드 볼드체 없음, 본문에 링크 포함, 직접 호칭 사용, 직접적인 문장으로 시작. 볼드체 금지 규칙은 아까 인용 데이터에서 나온 것이다.

다음 실행 때 에이전트는 게시물이 실제로 올라갔는지 확인하고, Buffer에서 지표를 가져와, Peec에서 해당 프롬프트에 대한 브랜드 멘션이 생겼는지 다시 확인한다. 그 확인이 루프를 완성시킨다.

지금까지 달라진 것

인상적인 숫자를 보여주기엔 아직 이르다. 파이프라인 브리프에서 만들어진 게시물이 이제 막 게시되기 시작해서 아직 게시 빈도나 발행률 변화를 보고할 수 없다.

달라진 점이 있다면, 내 아이디어가 브레인스토밍 단계에서 멈추던 과거와 달리, 이제 구조화된 브리프 형태로 Buffer에 도착하고 작가가 검토에 쓰는 시간이 줄었다는 것이다. 아직 주 4회 게시는 아니지만, 그렇게 할 수 있는 역량은 생겼다.

가시성 면에서는 파이프라인이 선택한 다섯 개 프롬프트 중 네 개가 더 이상 Peec에서 0%가 아니었다. 그리고 게시물이 아직 라이브가 아니었기 때문에 이 변화를 파이프라인 덕분이라고 말할 수는 없다. 모든 가시성 변화가 새 콘텐츠 덕분인 것은 아니다. 이 사실을 고객에게 미리 알지 못했다면, 실제보다 과장된 약속을 했을지도 모른다.

지금까지 가장 분명한 결과는 '신뢰'다. AI 검색은 이전에 오너의 레이더에 없었다. 그들의 초점은 규정 준수, EU 규칙, 이메일 캠페인이었다. 이 실험 덕분에 AI 검색이 목록에 올랐다. 그것만으로도 이미 결과다.

앞으로 지켜볼 것은 두 가지다. 게시된 게시물이 해당 프롬프트를 0%에서 움직일 수 있을지, 그리고 파이프라인에서 나온 아이디어가 이전 아이디어보다 더 높은 비율로 실제 발행까지 이어질지다.

비슷한 걸 시도해 보려면

꼭 이 구성일 필요는 없다. 더 가벼운 버전은 이렇게 생겼다.

탐색은 직접 해보기. ChatGPT, Perplexity, Google AI Overviews에 고객이 묻는 질문을 동일하게 던지고, 브랜드가 어디에 나타나고 어디에 없었는지 기록한다. 핵심 질문은 두 가지다. AI 검색에서 브랜드가 어떻게 언급되는가, 그리고 관련 질문이 들어왔을 때 엔진이 브랜드를 언급하지 못하는 지점은 어디인가.

회사가 자신 있게 말할 수 있는 내용을 중앙화하기. 나는 AirOps의 브랜드 키트와 지식 베이스를 썼지만, Notion 페이지나 Google Drive 문서 세트도 충분하다. 회사 소개, 제품·서비스 목록, 전문 분야, LinkedIn 게시물 형식 규칙을 담으면 된다. Notion이나 Drive MCP 커넥터를 연결하면 Claude 같은 LLM이 해당 문서를 참조해 오케스트레이션을 처리할 수 있다.

프롬프트 데이터를 예산에 맞게 확보하기. AI 가시성 도구는 언어와 시장을 커버한다면 수작업을 덜어준다. 그렇지 않다면 ChatGPT Search 같은 Chrome 확장 프로그램으로 직접 프롬프트를 모을 수도 있다.

네 가지 질문으로 갭을 평가하기. 이 프롬프트에서 우리가 보이지 않는가, 사람들이 이런 질문을 하는가, 실제 자료로 답을 뒷받침할 수 있는가, 경쟁사가 이미 그 자리를 차지하고 있는가. 증거로 뒷받침할 수 없는 것은 모두 버린다.

출력물을 작가가 이미 사용하는 곳에 놓기. 나에게는 Buffer의 Create 공간이었다. API를 통해 전달하면 검토와 게시 단계에서 자동화에 접근할 필요가 전혀 없다.

만들어 볼 준비가 되셨나요?

Buffer의 API를 사용해 보려는 분들을 위한 자료가 준비되어 있다. 개발자 문서에서 GraphQL 스키마, 인증 흐름, 빠른 시작 예제를 확인할 수 있다. Buffer MCP 서버 문서는 Claude나 MCP 호환 AI 에이전트에 연결하는 방법을 안내한다.

직접적인 도움이 필요하면 지원팀에 문의하거나, Discord 서버에 참여해 API로 만드는 다른 빌더들과 대화해 보는 것도 좋다. 무엇을 만들었는지 듣고 싶다. Discord나 @buffer에서 이야기 나눠 보자.