“AI 검색 시대에도 구조화 데이터는 여전히 필수적”

Search Engine Journal  (2025.4.10)
(위 링크의 내용을 요약한 것입니다. 원본 참조 요망)
 

구조화 데이터는 여전히 핵심이다

구글은 AI 검색 기능이 도입된 이후에도 구조화된 데이터의 중요성이 여전히 유효하다고 강조하였다. 구조화 데이터는 검색 엔진이 웹페이지의 내용을 보다 명확하게 이해하고 색인화하는 데 핵심 역할을 하며, AI 검색 결과에서도 보다 정밀한 정보 제공에 기여하고 있다. 특히 검색 결과 페이지(SERP)에서 눈에 띄게 노출되는 콘텐츠일수록 구조화 데이터의 적용이 중요하다는 입장을 밝혔다.

AI 검색 시대를 위한 별도 최적화는 불필요하다

구글은 새로운 AI 검색 기능을 위한 별도의 SEO 전략은 필요하지 않다고 설명하였다. 기존의 SEO 모범 사례를 유지하는 것이 여전히 유효하며, AI 검색의 활용 정보는 기존 검색 콘솔에서 통합적으로 제공되고 있어 별도 리포트로 분리되지는 않는다. 사용자 검색 패턴이 변화하고 있지만, 현재로서는 기존 SEO 원칙을 꾸준히 적용하는 것이 바람직하다고 보았다.

AI 검색 결과에서 콘텐츠 제어는 가능하다

콘텐츠 제공자는 자신이 작성한 콘텐츠가 AI 검색 결과에 어떻게 노출될지를 직접 제어할 수 있다. 이를 위해 기존 메타 태그 방식을 그대로 사용할 수 있으며, 대표적으로 <meta name="robots" content="nosnippet">, <div data-nosnippet></div>, <meta name="robots" content="max-snippet: 42"> 등의 태그가 있다. 이는 기존 검색 스니펫 제어 방식과 동일하게 작동하여, AI 결과에서 특정 콘텐츠의 노출을 제한하거나 조정할 수 있게 한다.

AI 검색 결과 생성의 구조

구글은 대형 언어 모델(LLM)을 기반으로 한 AI 검색 결과 생성 방식의 과정을 아래와 같이 설명하였다.

  • 사용자가 질문을 입력하면,
  • 검색 시스템이 관련 정보를 색인에서 추출하고,
  • 이 정보를 바탕으로 LLM이 '그라운딩(grounding)'되며,
  • 최종적으로 LLM이 지원 링크와 함께 응답을 생성하게 된다.
이 구조는 AI가 생성하는 콘텐츠의 신뢰성과 출처 명시를 보장하려는 목적을 갖고 있다.

결론

AI 검색 시대에도 구조화된 데이터는 여전히 SEO의 핵심 요소이다. 콘텐츠 제공자는 별도 최적화보다는 기존의 SEO 전략을 유지하되, 구조화 데이터를 적극적으로 활용하는 것이 필요하다. 또한 AI 검색 결과에서 콘텐츠 노출을 원할하게 조정하기 위한 메타 태그의 활용 역시 중요성이 커지고 있다.

Comments

Post a Comment

Popular posts from this blog

🧑‍🏫[칼럼] 미래 인재상, T자형 하이브리드로 설계하라

미래 인재상, T자형 하이브리드로 설계하라 – AI 시대, '내 역할'을 새롭게 정의하는 사람만이 살아남는다.  –   1. AI가 바꾸는 일터의 풍경 요즘 일터 곳곳에서 AI 기술이 빠르게 도입되고 있다. 반복적이고 단순한 일은 자동화되고, 정해진 답이 있는 문제는 AI가 더 빠르고 정확하게 처리한다. 이런 변화 속에서 많은 이들이 불안해한다. "그럼 나는 어떻게 살아남아야 할까?" 이 질문에 대한 답은 점점 분명해지고 있다. 이제는 정답을 아는 것만으로는 부족하다. AI 시대에 중요한 것은 정답이 없는 문제에 대응하는 능력, 그리고 여러 분야를 연결하고 해석하는 융합적 사고력이다. 이 새로운 시대가 요구하는 인재상은 바로 'T자형 하이브리드 인재'이다.   2. 왜 융합형 사고가 중요해질까? 많은 기업들이 AI를 통해 일하는 방식을 근본적으로 바꾸고 있다. 스타벅스, JP모건, 존디어 같은 글로벌 기업들은 직원들의 전문 지식을 AI 시스템에 학습시켜 조직 전체에 활용하려는 전략을 펼치고 있다. 이로 인해 단순히 '경험 많은 전문가'라는 타이틀만으로는 경쟁력을 유지하기 어려워졌다. 하지만 여전히 사람만이 잘할 수 있는 영역이 존재한다. 불확실한 상황에서의 판단, 서로 다른 입장의 조율, 고객과의 감정적 연결, 조직 내 신뢰 형성 등은 AI가 대체하기 어려운 일이다. 이러한 복잡하고 정형화되지 않은 문제를 해결하는 능력은 T자형 인재의 핵심적인 역량이다.   3. T자형 인재란 무엇인가? T자형 인재는 한 분야에 깊은 전문성을 갖추는 동시에, 여러 분야를 연결하고 협업할 수 있는 융합적 역량을 지닌 사람을 말한다. T자의 세로 줄은 마케팅, 법률, 공학, 디자인 등 특정 분야에서의 깊이 있는 전문성을 의미한다. 가로 줄은 디지털 이해력, 데이터 분석 능력, 커뮤니케이션, 협업 능력처럼 다양한 분야를 아우르며 융합적으로 사고할 수 있는 능력이다. 특히 중요한 것은 기술과 기술, 사람과 기술 사이를 연결...
Read more

[인사이트] "연구용 AI"의 등장과 연구 패러다임의 변화

Image
(과학 연구를 보조하거나 수행하는 연구용 AI) 연구용 AI의 등장과 연구 패러다임의 변화 최근 오픈AI, 구글 등 빅테크 기업들이 잇달아 연구용 AI를 출시하면서 과학 연구 분야에 큰 영향을 미치고 된다. 1. "연구용 AI"의 개념 연구용 AI란, 과학 연구를 보조하거나 수행하는 인공지능(AI) 시스템을 의미한다. 일반적인 AI가 텍스트 생성, 이미지 분석, 언어 모델링 등 다양한 작업을 수행하는 것과 달리, 연구용 AI는 과학적 탐구와 연구 과정에서 실질적인 역할을 하는 AI를 말한다. 2. 연구용 AI의 주요 기능  1) 가설 생성 및 검증 AI가 과학적 가설을 스스로 생성하고 검토하여 연구 방향을 제안한다. 구글의 "공동 과학자(co-scientist)"는 연구자의 피드백을 반영해 최적의 실험 전략을 도출한다.    2) 데이터 분석 및 요약 논문, 실험 데이터, 기존 연구 자료를 분석하여 중요한 패턴과 인사이트를 도출한다. 연구자들이 수년에 걸쳐 연구한 내용을 며칠 내로 정리할 수 있다.   3) 실험 설계 및 최적화 AI가 실험 조건을 최적화하여 연구의 효율성을 높인다. 신약 개발 과정에서 약물 후보 물질을 탐색하는 데 활용된다.    4) 논문 작성 및 연구 보고서 자동 생성 연구자가 작성한 초안을 AI가 보완하거나, 연구 결과를 정리하여 논문 형식으로 출력할 수 있다. 일부 연구자들은 AI를 활용해 논문을 완성하고 학술지에 제출하기도 했다. 3. 연구용 AI의 성과   1) 오픈AI ‘딥리서치’(Deep Research) AI가 연구 과정을 지원하는 기술로, 연구 논문 리서치를 수행하며, 기존 연구 방식보다 높은 창의성과 정확도를 기록했다. 박사급 연구원이 몇 주간 수행해야 할 연구를 8분 만에 끝낸 사례가 있다. ‘인류 최후의 시험’(HLE) 벤치마크에서 26.6%의 정답률을 기록하며, 기존보다 두 배 이상 향상된 성과를 보였다.   2) 구글 ‘공동 과학...
Read more

AI의 기반 : 데이터부터 시작하라

Image
* 이 내용은 " 단기 성과와 장기 성장 사이 ··· AI 투자의 딜레마" (CIO, 2025.2.19) 칼럼을 기초로 주로 데이터 부문의 내용을 중심으로 작성한 것입니다. 실질적인 AI 전략을 수립하기 위해 가장 먼저 투자해야 할 요소는 데이터 품질이다 . 데이터 품질이 확보되지 않으면 데이터에 대한 신뢰도도 확보될 수 없다 . ML , Gen   AI, 에이전틱 AI 의 신뢰성을 확보하기 위한 기본 전제는 바로 고품질의 데이터이다 . AI 가 데이터를 통해 가치를 창출할 수 있다. 하지만 데이터가 부실하면 그 결과 역시 신뢰할 수 없을 것이다 .   오라일리 (O’Reilly) 의 조사 에 따르면 , 48% 의 기업이 데이터 정확성을 유지하기 위해 머신러닝 , 데이터 분석 , AI 도구를 활용하고 있다 . 이는 AI 이니셔티브를 위해 탄탄한 데이터 기반이 필수 적임을 보여준다 . 클릭 (Qlik) 의 조사 에서는 21% 의 기업이 신뢰할 수 있는 데이터를 확보하지 못해 AI 도입에 어려움을 겪고 있다고 한다 . 이는 안정적인 데이터 플랫폼 구축의 필요성 을 강조하는 결과이다 . ‘ 데이터의 중력 (Data Gravity) ’ 개념에서 데이터가 한 곳에 모이면 그곳이 중심지가 되지만 그 데이터의 품질을 깊이 검증하지 않고 신뢰하는 경향이 있다고 한다. 실제로 중복성과 일관성이 부족해  신뢰할 수 없는 데이터가 저장소에 생성되는 것이다. 그래서  데이터 단절과 부정확성으로 인해 비즈니스 의사결정의 질이 떨어질 수밖에 없다 . 데이터 과학과 머신러닝에 투자하기 전에  데이터를 먼저 정제하고 통합하는 과정이 우선이다. 그냥 진행하면 오히려 데이터 품질과 신뢰 문제를 더욱 악화시킬 수 있다 . 데이터의 의미적 모델을 추상화하고 , 분석 도구에서 활용할 수 있는 비즈니스 준비된 데이터 계층을 구성해야 한다 . 데이터 품질과 신뢰도가 확보되지 않은 상태에서 머신러닝 알고리즘과 모델 개발을 위해 데이터 과학 자원에 투자하는 것은...
Read more