구글이 AI 검색과 제미나이의 답변 생성에 사용되는 콘텐츠의 기여도를 평가해 퍼블리셔에게 사용료를 지급하는 방식을 테스트하고 있다. 콘텐츠가 AI 답변에 단순히 인용된 횟수가 아니라 답변 생성에 얼마나 의미 있게 기여했는지를 기준으로 보상하는 방식이다.

미국 미디어 전문매체 디지데이(Digiday)는 14일(현지시간) 복수의 업계 관계자를 인용해 구글이 언론사 등 콘텐츠 발행사(퍼블리셔)를 대상으로 콘텐츠 가치에 따라 비용을 지급하는 AI 라이선스 프로그램을 확대하고 있다고 보도했다. ‘AI Contribution’이라는 시범 프로그램을 통해 참여 퍼블리셔의 콘텐츠가 제미나이와 구글 AI 오버뷰, AI 모드의 답변에 상당한 수준으로 기여했다고 판단되면 비용을 지급한다.

구글이 콘텐츠의 기여도를 어떻게 판단하고 지급액을 계산하는지는 공개되지 않았다. 콘텐츠가 AI 답변에 등장하거나 출처 링크로 표시됐다는 이유만으로 보상이 발생하는 구조도 아니다.

구글 서치 콘솔에서 AI 콘텐츠 수익 확인

프로그램 참여 퍼블리셔에게는 구글 서치 콘솔(Google Search Console)에 별도의 AI 수익 항목이 제공된다. 월별 수익과 과거 지급 내역 일부를 확인할 수 있다.

다만 서치 콘솔에서는 어떤 콘텐츠가 어떤 AI 답변에 사용됐는지, 개별 콘텐츠가 얼마의 수익을 냈는지는 확인할 수 없는 것으로 전해졌다.

기존 구글 검색에서는 검색결과에서 이용자를 원문으로 연결해주고, 퍼블리셔가 이를 광고나 구독 수익으로 전환하는 구조가 중심이었다. AI 오버뷰와 AI 모드는 검색 화면에서 직접 답변을 제공하기 때문에 콘텐츠 제공이 반드시 원문 방문으로 이어지는 것은 아니다.

구글의 이번 실험은 이런 검색 트래픽과 별도로 AI 답변 생성에 기여한 콘텐츠 자체에 가격을 매기는 방식이다.

일괄 계약 대신 콘텐츠 기여도에 따라 보상

AI 기업과 언론사 사이의 기존 콘텐츠 라이선스 계약은 일정 금액을 지급하고 콘텐츠 이용 권한을 확보하는 방식이 주로 사용됐다.

구글이 테스트하는 방식은 콘텐츠 이용 권한에 일괄적으로 비용을 지급하는 대신, 생성형 답변에 대한 개별 콘텐츠의 기여도를 보상 기준으로 삼는다는 점에서 차이가 있다.

마이크로소프트는 퍼블리셔 콘텐츠를 AI 제품에서 사용할 때 비용을 지급하는 콘텐츠 마켓플레이스를 테스트해 왔다. 오픈AI를 비롯한 일부 AI 기업은 주요 언론사와 일정 금액을 지급하는 형태의 콘텐츠 계약을 체결해 왔다.

퍼블리셔는 지급액과 산정 방식에 의문

디지데이가 접촉한 일부 퍼블리셔 관계자들은 지급액이 프로그램 참여로 얻는 가치를 충분히 반영하지 못한다고 평가했다. 구글이 기여도와 지급액을 산정하는 방식을 공개하지 않은 점도 문제로 지적됐다.

향후 콘텐츠 사용료 협상에 미칠 영향에 대한 우려도 나온다. 구글이 이미 콘텐츠 사용에 대한 보상 체계를 제공하고 있다는 점이 더 높은 라이선스 비용을 요구하는 퍼블리셔와의 협상에서 활용될 수 있다는 것이다.

반면 비교적 규모가 작은 퍼블리셔에게는 새로운 수익 경로가 될 수 있다는 평가도 나온다. 개별적으로 AI 기업과 콘텐츠 사용료를 협상할 기회조차 없는 퍼블리셔도 AI 답변에 기여한 콘텐츠에 대해 비용을 받을 수 있기 때문이다.

관련콘텐츠
⟶ 보상 없는 AI 검색, 검색 생태계의 붕괴를 경고한다

AI 콘텐츠 사용료, 더 많은 제작자로 확대될까

구글은 정식 프로그램 전환 여부와 일반 웹사이트·개인 콘텐츠 제작자까지 지급 대상을 확대할지에 대해서는 공개하지 않았다.

AI 검색 확산으로 기존 검색 트래픽에 의존해 온 퍼블리셔의 수익 구조가 압박받는 상황에서, AI 답변에 기여한 콘텐츠에 직접 비용을 지급하는 방식은 단비 같은 소식일 수 있다. 현재 일부 퍼블리셔를 대상으로 한 실험이 다양한 콘텐츠 제작자로 확대될지, 콘텐츠의 가치를 어느 수준으로 평가할지가 다음 쟁점이다.

관련콘텐츠

⟶ ‘제로클릭’은 AI 검색 때문이라더니… 구글 광고 수익만 증가

⟶ 구글, AI 검색 ‘제외 선택권’ 전 세계 사이트로 확대… 일반 검색 순위는 유지

⟶ 구글 ‘선호 출처’ 버튼 추가… AI 검색 노출 경쟁 본격화 예고

⟶ 구글 AI 검색, 최신 뉴스 노출 확대… 언론사 ‘AI 인용 경쟁’ 본격화

⟶ 구글, AI 검색 링크 노출 대폭 강화… 5가지 업데이트 공개

핵심 포인트

• 프로그램: AI Contribution 시범 프로그램
• 대상: 참여 퍼블리셔
• 활용 서비스: 제미나이, 구글 AI 오버뷰, AI 모드
• 보상 기준: AI 답변 생성에 대한 콘텐츠의 기여도
• 수익 확인: 구글 서치 콘솔에서 월별 수익 및 과거 지급 내역 일부 확인
• 공개되지 않은 정보: 기여도 평가 방법과 지급액 계산 방식
• 콘텐츠별 정보: 어떤 콘텐츠가 어떤 답변에 사용됐는지와 개별 수익은 확인 불가

네이버 AI 브리핑이 인용한 외부 출처 가운데 약 절반은 같은 검색어의 기존 검색결과와 URL이 겹치지 않았다.

SEO NEWS가 네이버 검색결과(9월 7~13일, 120개 키워드)를 분석한 결과, AI 브리핑의 외부 인용 URL 가운데 47.5%는 같은 검색어·같은 기기의 기존 검색결과에서 동일 URL이 확인되지 않았다.

일반 검색과 다른 출처 비중, 매일 40% 넘어

같은 검색어와 기기를 기준으로 기존 검색결과와 겹치지 않은 AI 브리핑 외부 인용 비율은 관측 기간 43.8~52.8%였다. 7일 모두 40%를 넘었으며, 그중 9일(50.0%)과 10일(52.8%)은 절반 이상을 기록했다.

같은 조건의 기존 검색결과에서도 확인된 외부 인용은 날짜에 따라 약 47~56%였다. AI 브리핑 외부 인용의 절반가량은 기존 검색과 겹쳤지만, 나머지 절반가량은 같은 조건의 검색결과에서 확인되지 않았다.

미중복 출처, 전문사이트·기업 공식사이트 많아

기존 검색과 출처가 겹치지 않은 AI 브리핑 외부 인용을 유형별로 분류하면 전문사이트가 158건으로 가장 많았다. 기업 공식사이트 102건, 뉴스미디어 54건, 정부·공공기관 33건, 커뮤니티 14건 순이었다. 학술·연구 출처는 2건, 분류되지 않은 출처는 6건이었다.

다만 출처 유형별 건수는 조사한 키워드의 주제 구성에 따라 달라질 수 있다. 전문사이트가 가장 많았다는 결과만으로 AI 브리핑이 해당 유형의 출처를 우선 인용한다고 볼 수는 없다.

사이트별로 기존 검색과 중복 정도 달라

AI 브리핑에서 반복적으로 인용된 사이트를 도메인별로 비교하면 기존 검색과 겹치는 정도에도 차이가 나타났다.

amc.seoul.kr은 관측 기간 AI 브리핑 외부 출처로 54회 확인됐으며, 모두 같은 조건의 기존 검색결과와 겹쳤다.

반면 bucheon.sejongh.co.kr은 AI 브리핑에서 확인된 28건이 모두 기존 검색과 겹치지 않았다. seo.tbwakorea.com은 40건 가운데 26건, ibm.com은 35건 가운데 19건, health.seoulmc.or.kr은 26건 가운데 22건이 같은 조건의 기존 검색결과에서 확인되지 않았다.

같은 사이트가 여러 키워드나 날짜에 반복 인용될 수 있어, 이 수치는 사이트 수가 아니라 인용 횟수를 기준으로 한다.

AI 브리핑 인용과 기존 검색 노출은 일치하지 않아

외부 인용 URL의 검색결과 위치를 별도로 비교한 결과, 같은 검색어와 기기의 검색결과에서 동일 URL이 확인된 경우는 전체 외부 인용의 46.5%였다. 관측 검색결과 상위 10개 블록 안에서 동일 URL이 확인된 비율은 34.4%였다.

여기서 검색결과 위치는 일반 웹문서의 순위가 아니라 네이버 검색결과에서 수집된 특수 영역 등을 포함한 블록 순서를 기준으로 한다. 일반적인 웹 검색 순위와는 다른 개념이다.

관측 결과에서는 AI 브리핑 외부 인용과 같은 시점의 기존 검색결과 사이에 뚜렷한 URL 차이가 나타났다.

AI 검색, 기관·기업이 만든 콘텐츠가 마케팅 전략으로

AI 브리핑의 출처에는 전문사이트뿐 아니라 기업 공식사이트와 정부·공공기관이 다수 포함됐다. 기관이나 기업이 자신의 전문 영역에서 직접 생산하고 공개하는 콘텐츠가 기존 검색 노출과 별개로 AI 검색에서 이용자와 만나는 마케팅 전략이 될 수 있다는 의미다.

이는 검색 가시성을 기존 검색결과의 순위나 노출 여부만으로 평가하기 어려워지고 있다는 점과도 연결된다. 콘텐츠 생산자 입장에서는 기존 검색 지표뿐 아니라 AI 검색 노출까지 확인하는 것이 필요하다.

관련콘텐츠

• 네이버 검색 정보 ‘AI 활용 금지’…챗GPT 등에 영향 미칠까
• 구글·네이버 검색 점유율 격차 다시 2%대로… 8월 ‘네이버 반등’
• AI ‘활용’과 ‘악용’ 구분 못하면 이용자 이탈…네이버 블로그 시험대
• 네이버 광고비 실질 상승 압박, 광고주 대응 전략은

구글 검색 순위에 영향을 미치는 요인으로 검색어와 콘텐츠의 관련성, 백링크, 콘텐츠 품질이 가장 중요하다는 SEO 전문가 설문 결과가 나왔다. 세부 항목에서는 이용자가 원하는 결과를 제공하는 ‘검색 의도 충족’이 가장 높은 평가를 받았다.

SEO 소프트웨어 업체 지피(Zyppy)가 9일 공개한 ‘2026 구글 검색 순위 요인 전문가 설문조사(Google Ranking Factors Expert Survey 2026)’에 따르면 SEO 전문가 131명을 대상으로 조사한 결과, 가장 중요한 구글 검색 순위 요인으로 관련성(Relevance)을 꼽은 응답자가 57.1%로 가장 많았다. 백링크가 54.8%, 콘텐츠 품질이 47.6%로 뒤를 이었다.

이번 조사는 구글의 실제 검색 알고리즘을 분석해 각 신호의 영향력을 측정한 연구는 아니다. SEO 전문가들이 실무 경험을 바탕으로 어떤 요소가 검색 순위에 영향을 미친다고 판단하는지를 조사한 결과다.

관련성 57.1%로 가장 높아… 백링크도 여전히 중요

전문가들에게 구글 검색 순위에서 가장 중요하다고 생각하는 요인 3개를 선택하도록 한 결과 ‘관련성’이 57.1%로 가장 높았다. ‘백링크’ 54.8%, ‘콘텐츠 품질’ 47.6%, ‘권위’·’신뢰’ 36.5%, ‘행동’·’클릭 신호’ 29.4%, ‘브랜드 신호’ 27.0% 순이었다. ‘사용자 만족도’는 19.8%, ‘기술적 SEO’는 17.5%, ‘주제별 권위’는 14.3%, ‘내부 링크’는 11.1%였다.

이 비율은 구글 검색 알고리즘에서 각 요인이 차지하는 가중치를 의미하지 않는다. ‘관련성’ 57.1%는 응답자의 57.1%가 이를 가장 중요한 3개 요인 가운데 하나로 선택했다는 의미다.

103개 세부 요인을 각각 평가한 조사에서는 이용자의 ‘검색 의도 충족(Search Intent Match)’이 가장 높은 평가를 받았다. 단순히 검색어가 콘텐츠에 포함돼 있는지를 넘어 해당 페이지가 이용자가 원하는 결과를 제공하는지가 중요하다고 본 것이다.

관련콘텐츠
⟶ 검색 의도란 무엇인가… 검색 결과를 결정하는 핵심 메커니즘
⟶ 웹사이트 신뢰도 높이는 전략… ‘백링크’란 무엇인가?

SEO 전문가가 꼽은 구글 검색 순위 핵심 요인

콘텐츠 품질 핵심은 ‘독창성’과 추가 가치

콘텐츠 분야에서는 직접 수행한 연구와 자체 수집 데이터(Original Research/First-Party Data)가 높은 평가를 받았다.

다른 웹사이트에 이미 존재하는 정보를 다시 정리하는 데 그치지 않고 직접 수행한 조사나 실험, 설문, 측정 등을 통해 새로운 정보를 제공하는 콘텐츠가 중요하다는 평가다.

콘텐츠의 독창성(Content Originality)과 기존 콘텐츠에 새로운 정보를 추가하는 정보 이득(Information Gain), 콘텐츠 제작에 들인 노력(Content Effort) 등도 주요 요소로 평가됐다.

구글 역시 검색 가이드에서 콘텐츠가 원본 정보와 연구·분석을 제공하는지, 다른 자료를 단순히 다시 작성하는 데 그치지 않고 추가적인 가치와 독창성을 갖추고 있는지 확인하도록 안내하고 있다.

AI 사용 자체보다 ‘저품질 콘텐츠 대량 생산’ 부정적 평가

AI 콘텐츠에 대한 전문가들의 평가는 AI 사용 자체보다 제작 방식에 따라 차이가 나타났다.

설문에서는 AI 생성 콘텐츠와 AI를 이용해 대량으로 생성한 콘텐츠를 별도 항목으로 평가했다. 추가적인 가치가 부족한 저품질 콘텐츠를 AI로 대량 생산하는 방식에는 부정적인 평가가 집중됐다.

구글도 생성형 AI 사용 자체를 금지하지 않는다. 다만 검색 순위 조작을 목적으로 이용자에게 별다른 가치를 제공하지 않는 페이지를 대량으로 만드는 행위는 스팸 정책의 ‘대규모 콘텐츠 악용(Scaled Content Abuse)’에 해당할 수 있다고 설명하고 있다.

클릭보다 ‘검색 목적을 해결했는가’에 주목

사용자 행동과 만족도에 대한 평가도 높았다. 행동·클릭 신호를 가장 중요한 요인 가운데 하나로 꼽은 응답자는 29.4%, 사용자 만족도를 선택한 응답자는 19.8%였다.

세부 항목에서는 이용자가 페이지를 방문한 뒤 원하는 정보를 얻거나 필요한 작업을 완료했는지를 의미하는 ‘만족도·작업 완료(Satisfaction/Task Completion)’가 높은 평가를 받았다. 검색 결과를 클릭한 뒤 다시 검색 결과 페이지로 돌아오는, 이른바 ‘뒤로가기’ 행동에 대해서는 부정적인 평가가 많았다.

이는 제목을 통해 사이트 방문을 유도하는 데 그치지 않고, 페이지에서 원하는 정보나 결과를 얻을 수 있는지가 중요하다고 본 것이다.

지피는 구글 반독점 소송과 2024년 유출된 구글 검색 관련 내부 API 문서 등을 통해 사용자 행동 신호에 관한 내부 정보가 공개되면서 SEO 업계의 평가에도 변화가 나타났다고 설명했다.

관련콘텐츠
⟶ 의미 검색이란? 키워드를 넘어 의도를 파악하는 검색 기술

브랜드·신뢰 신호도 상위권

권위·신뢰는 36.5%로 네 번째, 브랜드 신호는 27.0%로 여섯 번째를 기록했다. 세부 평가에서도 온라인 평판과 신뢰, 특정 브랜드나 사이트 이름을 직접 검색하는 브랜드 검색량 등이 중요하게 평가됐다.

다만 브랜드 검색량이나 온라인 평판이 구글의 직접적인 순위 신호라는 의미는 아니다. 이번 결과는 SEO 전문가들이 개별 페이지의 키워드와 링크뿐 아니라 사이트와 브랜드에 대한 신뢰, 이용자의 선택과 만족까지 검색 경쟁력과 연결해 평가하고 있음을 보여준다.

관련콘텐츠
⟶ 키워드의 시대는 끝났다!… AI 검색이 ‘브랜드’를 최상단에 두는 이유

기술적 SEO는 순위 상승보다 ‘기본 조건’

기술적 SEO는 가장 중요한 3개 요인을 묻는 조사에서 17.5%로 8위였다.

그러나 이를 기술적 SEO의 중요성이 낮아졌다는 의미로 해석하기는 어렵다. 설문에 참여한 전문가들은 기술적 SEO를 검색 경쟁을 위한 기본 조건에 가까운 요소로 평가했다.

사이트의 크롤링이나 색인에 문제가 있거나 캐노니컬(canonical) 설정과 리디렉션 등이 잘못돼 있다면 콘텐츠 품질과 관계없이 검색 노출 자체에 문제가 발생할 수 있다. 반대로 기술적인 문제가 없다는 이유만으로 경쟁 콘텐츠보다 높은 순위를 얻는 것은 어렵다.

코어 웹 바이탈(Core Web Vitals)과 사이트 속도에 대해서는 전문가들의 평가가 상대적으로 엇갈렸다. 구글도 코어 웹 바이탈을 검색 시스템에서 사용하는 요소 가운데 하나로 설명하지만, 좋은 점수를 받는 것만으로 검색 상위 노출이 보장되는 것은 아니라고 안내하고 있다.

이번 설문에서는 백링크와 관련성처럼 오랫동안 중요하게 평가된 SEO 요소가 여전히 상위권을 유지했다. 동시에 검색 의도 충족, 원본 정보와 자체 데이터, 사용자 만족, 브랜드와 신뢰 등도 높은 평가를 받았다.

다만 전문가들의 평가와 구글이 실제 검색 알고리즘에서 사용하는 순위 신호 및 가중치는 구분할 필요가 있다. 이번 조사는 현재 SEO 업계가 어떤 요소를 중요하게 보고 있는지를 보여주는 자료로 보는 것이 적절하다.

관련콘텐츠
⟶ 기술적 SEO란 무엇인가… 검색엔진이 페이지를 이해하는 구조적 핵심

홈페이지를 만드는 방법은 웹사이트 제작 도구를 이용해 직접 만드는 방식부터 필요한 기능을 직접 개발하거나 전문 업체에 맡기는 방식까지 다양하다. 어떤 방식을 선택하느냐에 따라 제작 비용과 시간은 물론 이후 사이트를 수정하고 관리하는 방법도 달라진다.

제작 방식을 정하기 전에는 사이트의 목적과 필요한 기능, 제작 후 관리 방법부터 정리할 필요가 있다. 회사나 매장을 소개하는 단순한 사이트와 회원가입·예약·결제 등 별도 기능이 필요한 사이트는 제작 범위가 다르기 때문이다.

웹빌더부터 직접 개발까지…필요한 기능에 따라 선택

비교적 간단한 홈페이지는 웹빌더와 같은 제작 도구를 이용해 직접 만들 수 있다. 미리 제공되는 디자인과 기능을 조합하는 방식이어서 별도의 개발 작업을 줄일 수 있고, 제작 후에도 운영자가 문구나 이미지 등을 직접 수정하기 쉽다.

원하는 디자인이나 기능을 세밀하게 구현해야 한다면 직접 개발하거나 전문 제작업체에 맡기는 방법을 고려할 수 있다. 정해진 틀을 이용하는 방식보다 구현 범위가 넓지만, 개발해야 할 기능과 작업량이 늘어날수록 제작 과정도 복잡해진다.

정보 제공이 중심인 소규모 사이트라면 제작 도구만으로 충분할 수 있다. 회원 관리나 예약·결제처럼 별도 기능이 필요하다면 해당 기능을 지원하는 플랫폼을 선택하거나 추가 개발이 필요할 수 있다.

관련콘텐츠
⟶ ‘해외 진출’ 원하지만, 구글엔 없다?… 중소기업이 놓치는 글로벌 디지털 영업망

홈페이지 제작 방식별 특징과 용도

홈페이지 제작 비용, 금액보다 포함 범위 확인해야

홈페이지 제작 비용은 제작 방식과 페이지 수, 디자인, 필요한 기능 등에 따라 달라진다. 기존 디자인을 활용하는 경우와 별도의 디자인과 기능을 처음부터 개발하는 경우에는 필요한 작업량에 차이가 있다.

외부 업체에 제작을 맡길 때는 견적 금액과 함께 포함 범위를 확인해야 한다. 초기 제작 이후 수정이나 기능 추가에 별도 비용이 발생할 수 있고, 유지보수 조건도 업체나 계약에 따라 달라질 수 있다.

무료 또는 낮은 비용으로 시작할 수 있는 웹사이트 제작 서비스도 자체 도메인 연결이나 추가 기능, 저장 공간 등 이용 조건에 따라 유료 요금제가 필요할 수 있다.

관련콘텐츠
⟶ 홈페이지 제작, 비용보다 중요한 것은… 디자인이 성능을 망칠 수도

제작비 외에 도메인·호스팅·유지보수도 필요

홈페이지는 제작 이후에도 운영 비용이 발생할 수 있다. 사이트 주소로 사용하는 도메인과 웹사이트 데이터를 저장하고 서비스하는 호스팅이 대표적이다. 제작 서비스에 따라 호스팅이 요금에 포함되기도 하고 별도로 계약해야 하는 경우도 있다.

콘텐츠 수정과 기능 업데이트, 오류 대응 등 유지보수를 누가 담당할지도 확인해야 한다. 운영자가 직접 수정할 수 있는 구조라면 문구나 이미지 변경 등 일상적인 관리는 직접 할 수 있지만, 개발 작업이 필요한 변경에는 별도의 지원이나 유지보수 계약이 필요할 수 있다.

제작업체에 맡긴다면 홈페이지 운영에 필요한 계정과 도메인을 누가 관리하는지, 계약 종료 후에도 사이트를 계속 운영하거나 다른 업체로 이전할 수 있는지도 확인할 필요가 있다.

핵심 포인트

• 목적: 회사·매장 소개, 콘텐츠 운영, 쇼핑몰 등 사이트 용도 확인
• 기능: 회원가입·예약·결제 등 별도 기능 필요 여부 확인
• 제작: 웹빌더·CMS·쇼핑몰 플랫폼·직접 개발 중 필요한 범위에 맞춰 선택
• 비용: 초기 제작비뿐 아니라 도메인·호스팅·유지보수 등 확인
• 운영: 제작 후 운영자가 직접 수정할 수 있는 구조인지 확인
• 외주: 계정·도메인 관리 주체와 계약 종료 후 운영·이전 가능 여부 확인

관련콘텐츠
⟶ 왜 내 홈페이지에는 아무도 오지 않을까? 답은 SEO에 있다

제작 전 목적·기능·관리 방법부터 정해야

회사 소개와 연락처 정도만 필요한지, 게시물을 지속적으로 올려야 하는지, 회원가입이나 예약·결제 기능까지 필요한지에 따라 적합한 제작 방식이 달라진다.

제작 후 내용을 자주 수정해야 한다면 운영자가 직접 편집할 수 있는 구조인지도 확인해야 한다. 변경이 거의 없는 사이트라면 복잡한 관리 기능이 필요하지 않을 수 있다.

AI를 활용한 교육을 받은 학생들이 기존 수업을 받은 학생들보다 시험에서 높은 점수를 받았다는 연구 결과가 잇따라 나오고 있다. 지식 습득뿐 아니라 학습 동기와 자기효능감 등에서도 긍정적인 결과가 나타났다.

다만 연구에서 효과를 보인 방식은 AI에 답을 맡기는 것과 달랐다. 학생이 직접 질문하고 반복해서 연습하거나 자신의 수준에 맞는 설명과 피드백을 받는 과정에 AI를 활용했다.

최근 청소년을 대상으로 한 생성형 AI 서비스까지 등장하면서 교육 현장의 질문도 ‘AI를 사용할 것인가’에서 ‘어떻게 활용해야 학습에 도움이 되는가’로 변화하고 있다.

하버드생 AI로 공부했더니 ‘학습 향상도’ 2배 이상

2025년 하버드대 연구진은 물리학 수업을 듣는 학부생 194명을 대상으로 AI 학습 도우미와 기존 교실 수업의 학습 효과를 비교했다. 학생들은 같은 내용을 AI를 이용해 학습하거나 교실에서 문제 풀이와 참여 중심의 수업을 받았으며, 수업 전후 평가를 통해 학습 효과를 측정했다.

AI를 이용한 학생들의 수업 후 평가 점수는 4.5점으로 교실 수업을 받은 학생들의 3.5점보다 높았다. 수업 전 평가를 기준으로 계산한 학습 향상도는 AI 활용군이 2배 이상 높았다. AI 학습에 사용한 시간도 49분으로 60분간 진행된 교실 수업보다 짧았으며, 학습 참여도와 동기도 더 높게 나타났다.

다른 교육 분야에서도 비슷한 결과가 보고됐다. 중국 광시의과대학교 의대생 80명을 대상으로 한 연구에서는 기존 수업에 챗GPT를 활용한 학생들의 이론 시험 평균이 기존 수업군보다 약 5.1점 높았다. 병력 청취와 의사소통, 임상 판단 등에서도 더 높은 평가를 받았다.

중국 치대생 187명을 대상으로 한 무작위 대조시험에서도 동영상 교육에 챗GPT를 함께 활용한 학생들의 실기 평가 점수는 평균 73.12점으로 동영상만 이용한 학생들의 65.54점보다 높았다. 자기효능감과 학습 동기도 챗GPT 활용군에서 높게 나타났다.

학습 효과 높인 AI 활용법은 무엇이 달랐나

이들 연구에서는 AI를 단순하게 답을 만드는 도구로 사용하지 않았다. 기존 교육 과정에 AI를 활용해 다양한 사례를 살펴보거나 실제 상황에 대비한 연습을 했다.

하버드대 연구에서도 일반적인 챗봇을 자유롭게 사용하게 한 것이 아니라 학생 수준에 맞춰 설명과 질문, 피드백을 제공하도록 설계한 AI 학습 도우미를 사용했다.

경제협력개발기구(OECD)도 ‘디지털 교육 전망 2026’에서 생성형 AI가 명확한 교육 목적에 따라 사용될 경우 학습을 지원할 수 있다고 분석했다. 특히 정답을 바로 제공하기보다 질문과 피드백을 통해 학생의 학습 과정을 지원하도록 설계된 AI의 활용 가능성을 제시했다.

집에서는 ‘숙제 대신하기’보다 질문하는 학습 도구로

가정에서는 AI에 정답을 바로 요구하기보다 학생이 먼저 스스로 생각해본 뒤, 부족한 부분을 확인하거나 보완하는 데 AI를 활용할 수 있다.

수학 문제를 먼저 풀고, AI에게 틀린 부분을 찾아달라고 하거나 정답 대신 힌트를 요청하는 방식이다. 과학·사회 과목에서는 자신이 이해한 내용을 먼저 설명한 뒤 부족한 부분을 확인하고, 외국어에서는 수준에 맞는 대화와 표현 교정에 활용할 수 있다.

학교에서는 AI가 생성한 ‘답’을 검증하는 교육 필요

학교에서는 AI 사용법뿐 아니라 AI가 만든 결과를 판단하고 검증하는 능력을 함께 가르칠 필요가 있다. 학생이 AI에 어떤 질문을 했는지, 답변에 잘못된 내용은 없는지, 어떤 자료로 확인했는지 등을 학습 과정에 포함하는 방식이다.

과제 평가에서도 AI가 만든 결과물만 보기보다 학생의 첫 생각과 AI 답변을 수정하거나 반박한 과정, 최종 판단까지 확인할 수 있다.

관련콘텐츠
⟶ 챗GPT는 왜 틀릴까… AI ‘환각’의 구조적 원인

학원에서는 개인별 취약점과 반복 학습에 활용

학원과 사교육에서는 학생별 취약점을 보완하고 반복 학습하는 데 AI를 활용할 수 있다. AI로 오답과 비슷한 문제를 만들거나 이해하지 못한 개념에 대한 설명을 받고, 학생이 취약한 부분을 반복해서 연습하는 방식이다.

외국어에서는 학생 수준에 맞는 대화 상대가 될 수 있고, 논술에서는 학생이 작성한 주장에 반론을 제기하는 용도로 활용할 수도 있다.

AI에 공부 맡기면 오히려 학습 방해할 수도

AI를 활용한다고 항상 학습 효과가 높아지는 것은 아니다.

연구자들은 AI에 지나치게 의존하면 비판적 사고와 독립적인 문제 해결 능력 발달을 방해할 가능성이 있다고 지적한다. 챗GPT가 부정확하거나 오해를 부르는 정보를 생성할 수 있고 학생이 이를 제대로 검증하지 못할 위험도 있다. 편향과 개인정보 침해 우려, 윤리 문제도 해결해야 할 과제로 꼽힌다.

또 현재 연구에서 나타난 단기간의 시험 성적 향상을 장기적인 학습 능력이나 사고력 향상으로 확대해 해석하기는 어렵다.

챗GPT 청소년 버전 등장…AI 교육도 ‘사용 방법’이 중요

청소년의 생성형 AI 이용 환경도 확대되고 있다. 지난 8월 오픈AI는 13~17세 이용자를 위한 ‘청소년용 챗GPT’를 출시했다. 연령에 맞는 보호 기능을 적용하고, 부모가 청소년 계정을 연결하면 학습 시간이나 이용 제한 시간을 설정할 수 있도록 했다.

학습 모드에서는 정답을 바로 제시하기보다 질문과 단계별 설명 등을 통해 문제를 풀어가는 방식으로 활용할 수 있다.

생성형 AI가 학생들의 학습 도구로 사용되면서 교육 현장에서는 AI의 답을 그대로 받아들이기보다 질문하고 검증하며 학습 과정에 활용하는 능력이 요구되고 있다.

관련콘텐츠
⟶ ChatGPT, 청소년 맞춤형 답변… AI 검색의 ‘연령별 경험’ 시작

AI 학습 효과를 높인 활용 방식

• 정답을 바로 받기보다 질문과 힌트 활용
• 학생 수준에 맞는 설명과 피드백 제공
• 오답과 취약 개념 반복 연습
• AI 답변의 오류와 근거 검증
• 학생의 생각과 판단을 AI가 보조하는 방식으로 활용

‘애플’을 검색하면 검색엔진은 이용자가 과일을 찾는지, 아이폰을 만드는 기업을 찾는지 구분해야 한다. 입력된 글자는 같지만 실제로 가리키는 대상은 전혀 다르기 때문이다.

검색엔진에서 사람, 장소, 기업, 제품, 개념처럼 서로 구분할 수 있는 대상을 ‘엔티티(Entity)’라고 한다. 키워드가 이용자가 입력하거나 문서에 포함된 단어나 구문이라면, 엔티티는 그 단어가 실제로 가리키는 ‘대상’에 가깝다.

검색엔진 최적화(SEO)에서 엔티티를 이해해야 하는 이유도 여기에 있다. 검색엔진은 단어 자체뿐 아니라 그 단어가 무엇을 가리키고 다른 대상과 어떤 관계를 이루는지 파악해 정보를 이해하는 데 활용한다.

검색엔진에서 엔티티란 무엇인가

엔티티는 기본적으로 다른 것과 구분해 식별할 수 있는 대상을 의미한다. 데이터베이스에서도 관리해야 할 데이터의 대상을 엔티티라고 부른다. 검색에서는 사람, 장소, 조직, 제품, 사건, 개념 등이 엔티티가 될 수 있다.

HTML에서 사용하는 엔티티는 의미가 다르다. HTML에서는 특수문자 등을 표현하기 위한 문자 참조를 엔티티라고 부르기도 한다.

검색엔진에서 엔티티를 이해할 때 핵심은 단어 자체보다 ‘그 단어가 무엇을 가리키는가’에 있다.

예를 들어 ‘서울’, ‘대한민국의 수도’, ‘Seoul’은 서로 다른 문자열이지만 같은 도시를 가리킬 수 있다. 반대로 같은 단어라도 서로 다른 대상을 뜻할 수 있다. ‘재규어’는 동물을 의미할 수도 있고 자동차 브랜드를 의미할 수도 있다.

키워드는 ‘단어’, 엔티티는 ‘대상’

키워드와 엔티티의 차이도 여기에서 나타난다.

예를 들어 ‘엔비디아’, ‘NVIDIA’처럼 표기가 달라도 같은 기업을 가리킨다면 검색엔진은 이를 동일한 대상과 연결해 이해할 수 있다.

반대로 같은 이름을 가진 사람이나 기업, 장소가 여러 개라면 이름만으로는 어떤 대상을 의미하는지 알기 어렵다. 이때 직업, 위치, 소속, 제품, 관련 인물 등 주변 정보가 대상을 구분하는 단서가 된다.

키워드가 검색어와 콘텐츠를 연결하는 언어적 단위라면, 엔티티는 그 단어가 가리키는 의미의 단위라고 볼 수 있다.

구글 지식 그래프도 엔티티와 관계를 연결

엔티티는 검색엔진이 정보를 서로 연결하는 구조와도 관련이 있다.

구글은 2012년 지식 그래프(Knowledge Graph)를 공개하면서 검색이 단순한 문자열을 넘어 실제 대상을 이해하는 방향으로 발전하고 있다고 설명했다.

지식 그래프에서는 하나의 대상을 독립된 정보로만 다루지 않고 다른 대상과의 관계까지 함께 파악할 수 있다.

예를 들어 ‘엔비디아’라는 기업을 중심으로 최고경영자(CEO), 창업자, 본사 소재지, 제품 등 관련 대상을 연결하는 방식이다. 엔비디아와 인물, 장소, 제품은 각각 구분할 수 있는 엔티티가 되고 이들은 서로 관계로 연결된다.

검색엔진은 이 같은 구조를 활용해 어떤 대상에 관한 정보인지, 다른 정보와 어떤 관계가 있는지를 파악할 수 있다.

관련콘텐츠
⟶ 지식 그래프란 무엇인가…정보를 ‘관계’로 연결해 의미를 해석하는 기술

콘텐츠 제작도 키워드에서 ‘대상과 관계’로 확대

SEO에서 엔티티를 이해한다고 해서 키워드가 필요 없어지는 것은 아니다. 이용자는 여전히 검색창에 단어나 문장을 입력하고, 검색 수요를 파악하는 데도 키워드 데이터가 활용된다.

달라지는 부분은 콘텐츠를 설계하는 방식이다.

예를 들어 ‘아이폰’을 중심으로 글을 작성한다면 해당 단어를 사용하는 것만으로 콘텐츠의 의미가 완성되는 것은 아니다. 아이폰이 애플의 스마트폰 제품이라는 점과 모델, 운영체제, 제조사 등 주제와 직접 관련된 정보가 함께 제시되면 콘텐츠가 무엇을 설명하는지 더 명확해진다.

엔티티 관점에서는 먼저 ‘어떤 대상에 대해 설명할 것인가’를 정하고, 이후 그 대상의 속성과 관련 대상, 관계를 구성하는 방식으로 콘텐츠를 설계할 수 있다.

이는 하나의 키워드를 여러 차례 반복하는 것과는 다른 개념이다. 특정 단어의 사용 횟수보다 콘텐츠가 다루는 대상과 맥락을 명확하게 만드는 데 초점을 둔다.

관련콘텐츠
⟶ 엔티티 SEO란 무엇인가… 검색과 AI가 이해하는 ‘의미 구조’의 핵심

구조화 데이터는 엔티티를 설명하는 수단 중 하나

웹사이트에서는 구조화 데이터를 이용해 페이지에서 다루는 대상을 검색엔진에 명시적으로 설명할 수 있다.

예를 들어 Organization, Person, Product, Article 등의 유형을 사용하면 페이지에서 설명하는 기업이나 사람, 제품, 기사 등의 정보를 일정한 형식으로 제공할 수 있다.

다만 구조화 데이터를 추가한다고 새로운 엔티티가 자동으로 만들어지거나 검색 순위가 보장되는 것은 아니다. 페이지 본문과 사이트 내부 정보, 외부에서 확인되는 정보 등이 서로 일관되게 대상을 설명하는 것이 중요하다.

엔티티 관점의 SEO는 별도의 새로운 최적화 기법이라기보다 검색엔진이 콘텐츠의 대상과 의미, 관계를 명확하게 이해할 수 있도록 정보를 구성하는 방식에 가깝다.

관련콘텐츠
⟶ 구조화 데이터란 무엇인가… 검색엔진의 언어로 정보를 재구조화

AI 검색에서도 필요한 ‘무엇에 관한 정보인가’

검색 환경이 생성형 AI로 확대되어도 여전히 대상을 식별해야 한다. AI 검색이 여러 웹 문서에서 정보를 찾고 연결해 답변을 구성하려면 등장하는 사람과 기업, 제품, 장소, 개념이 무엇인지 구분해야 하기 때문이다.

키워드가 이용자의 검색 수요를 파악하는 데 사용된다면, 엔티티는 그 검색어가 가리키는 대상을 이해하고 콘텐츠의 정보 구조를 설계하는 기준으로 활용될 수 있다.

관련콘텐츠
⟶ AI 검색 구조란 무엇인가… 검색 결과가 생성되는 새로운 방식

유럽연합(EU)이 챗GPT를 구글과 빙(Bing)처럼 ‘대형 온라인 검색엔진’으로 공식 지정했다. 웹 검색과 AI 답변을 결합한 생성형 AI 서비스가 기존 검색엔진과 같은 규제 영역에 들어간 것이다.

유럽위원회는 지난 8월 31일 챗GPT를 디지털서비스법(DSA)의 ‘초대형 온라인 검색엔진(Very Large Online Search Engine·VLOSE)’으로 지정했다. VLOSE는 EU에서 월평균 이용자가 4,500만 명 이상인 대형 검색 서비스에 적용되는 분류로, 구글과 빙 등이 이미 지정돼 있다.

챗GPT 검색 유럽 이용자 1억5,910만 명… 빙 웃돌아

EU가 공개한 자료에 따르면 2026년 3월 31일까지 6개월 동안 유럽지역에서 챗GPT 검색의 월평균 활성 이용자는 약 1억5,910만 명이었다. 집계 대상은 챗GPT 전체 서비스가 아니라 오픈AI가 ‘온라인 검색 기능’으로 정의한 챗GPT 검색이다.

구글이 3억6,400만 명으로 가장 많았고, 빙은 1억1,900만 명이었다. 챗GPT 검색 이용자는 빙보다 약 34% 많았다.

다만 이 수치는 DSA 의무 준수를 위해 각 사업자가 산정한 자료이다. 이를 챗GPT가 빙의 검색시장 점유율을 넘어섰다는 의미로 해석해서는 안 된다.

EU는 왜 챗GPT를 ‘검색엔진’으로 분류했나

챗GPT는 생성형 AI 챗봇이지만 웹 검색을 통한 정보 탐색 기능도 제공한다.

이용자가 질문하면 웹에서 관련 정보를 검색한 뒤 이를 바탕으로 답변을 구성하고 출처 링크를 제공한다. 기존 검색엔진이 관련 웹페이지를 검색결과로 보여주는 방식이라면, 챗GPT는 검색한 정보를 AI가 종합해 답변한다는 차이가 있다.

유럽위원회는 이처럼 이용자의 질문에 답하면서 웹 검색도 수행하는 챗GPT를 ‘하이브리드 서비스’로 보고 온라인 검색엔진에 해당한다고 판단했다. EU가 모든 생성형 AI 서비스를 검색엔진으로 분류한 것은 아니다. 이번 지정은 웹 검색 기능을 제공하는 챗GPT의 서비스 특성이 온라인 검색엔진 범주에 해당한다고 본 것이다.

구글·빙과 같은 대형 검색엔진 규제 적용

VLOSE 지정에 따라 챗GPT에는 대형 온라인 플랫폼과 검색엔진을 대상으로 하는 DSA의 추가 의무가 적용된다. 서비스와 알고리즘 시스템에서 발생할 수 있는 시스템 위험을 평가하고 이를 완화하려는 조치를 마련해야 한다.

불법 콘텐츠 확산을 비롯해 미성년자와 이용자의 신체·정신적 건강, 기본권, 선거 과정, 공공 안전 등에 미치는 위험도 평가 대상이다. 대형 서비스에는 투명성 강화 등 추가 의무도 부과된다. 이와 함께 독립 감사와 투명성, 일정 요건을 충족한 연구자의 데이터 접근 등 추가 의무도 적용된다.

챗GPT는 지정 이후 4개월의 준비 기간을 거쳐 2027년 1월까지 VLOSE 관련 규정을 준수해야 한다.

이번 지정이 챗GPT 검색 결과의 순위나 웹사이트 출처 선정 방식을 곧바로 변경한다는 의미는 아니다. 검색 알고리즘이나 출처 인용 방식을 직접 규정하는 조치와는 다르다.

규제 필요성 vs 혁신 저해…온라인 반응도 엇갈려

온라인 커뮤니티에서도 이번 지정을 둘러싼 논의가 이어졌다. 레딧의 챗GPT 관련 게시물에는 1,500건 이상의 추천이 모였으며, EU가 적용하는 ‘대형 온라인 검색엔진’의 기준과 규제 범위를 두고 의견이 엇갈렸다.

일부 이용자는 대규모 AI 서비스가 사회에 미치는 영향이 커진 만큼 기존 대형 온라인 서비스와 같은 수준의 책임과 감독이 필요하다고 평가했다. 반면 유럽의 강한 규제가 AI 산업의 혁신과 경쟁력을 떨어뜨릴 수 있다는 우려도 제기됐다.

이 같은 반응은 대규모 정보 탐색 서비스로 성장한 챗GPT에 기존 대형 온라인 서비스 수준의 책임을 요구할지를 두고 이용자들의 시각도 엇갈리고 있음을 보여준다.

AI 검색과 기존 검색엔진 경계 흐려져

이번 지정은 생성형 AI 전체를 검색엔진으로 규정한 것이 아니라 웹 검색과 AI 답변을 결합한 서비스가 기존 검색엔진과 같은 규제 체계에 들어갔다는 데 초점이 있다.

기존 검색은 검색엔진이 관련 웹페이지를 찾아 목록으로 제공하고 이용자가 원하는 링크를 선택하는 방식이 일반적이다. 생성형 AI 검색에서는 이용자의 질문을 바탕으로 웹에서 정보를 찾고 여러 출처의 내용을 종합한 답변까지 제공한다.

방식에는 차이가 있지만 이용자의 질문에 맞는 웹 정보를 찾아 제공한다는 기능에서는 두 서비스의 영역이 겹친다. EU가 챗GPT의 온라인 검색 기능을 VLOSE로 지정한 것도 이런 변화가 제도적 분류에 반영된 사례로 볼 수 있다.

관련콘텐츠

⟶ ChatGPT, 청소년 맞춤형 답변… AI 검색의 ‘연령별 경험’ 시작

⟶ 챗GPT는 왜 틀릴까… AI ‘환각’의 구조적 원인

⟶ 빙 멀티턴·ChatGPT 비주얼 패널·구글 AI 노출 측정… 검색의 축이 바뀐다

⟶ AI는 어떻게 답을 만들까? LLM부터 AI 검색까지 한 번에 이해하기

FAQ

네이버 로직은 블로그, 카페, 웹문서 등 수많은 콘텐츠 가운데 어떤 문서를 검색 결과에 노출할지와 순서를 어떻게 정할지를 결정하는 검색 알고리즘을 통칭하는 표현이다. ‘네이버 로직’ 자체가 네이버의 공식 알고리즘 명칭은 아니다.

네이버는 검색 서비스에 여러 알고리즘과 시스템을 적용하고 있으며, 블로그 검색에서는 C-Rank와 D.I.A. 등을 주요 로직으로 안내해왔다. C-Rank가 출처의 주제별 신뢰도와 전문성을 평가하는 데 초점을 맞춘다면, D.I.A.는 개별 문서의 정보성과 검색 의도 등을 평가한다.

최근에는 AI 브리핑과 스마트블록 등 새로운 검색 기능이 더해지면서 검색 결과가 단순한 문서 순위만으로 구성되지 않는다는 점도 네이버 검색을 이해할 때 함께 살펴봐야 한다.

네이버 로직은 검색 결과의 노출 기준을 통칭하는 표현

이용자가 네이버에서 검색하면 블로그와 카페, 웹사이트, 지식iN 등 여러 영역의 콘텐츠가 검색 결과에 나타난다. 어떤 콘텐츠를, 어떤 순서로 구성할지는 각각의 검색 시스템과 알고리즘에 따라 결정된다.

따라서 같은 키워드를 사용한 문서라도 동일한 순위에 노출되지 않는다. 출처와 문서의 특성, 검색어와의 관련성 등 여러 요소가 검색 결과에 반영된다.

C-Rank는 출처의 신뢰도와 전문성을 평가

네이버 핵심 알고리즘인 C-Rank는 개별 문서뿐 아니라 콘텐츠를 생산한 출처의 신뢰도와 전문성을 평가하는 데 초점을 둔다.

특정 주제에 대해 지속적으로 콘텐츠를 생산하고, 그 콘텐츠가 이용자에게 소비되는 출처인지 등을 분석해 해당 분야에서의 신뢰도를 평가한다. 예를 들어 여행 정보를 전문으로 다루는 블로그라면 그 주제에 대한 출처의 특성이 평가에 반영될 수 있다.

다만 C-Rank만으로 개별 글의 검색 순위가 결정되지는 않는다. 출처에 대한 평가와 별도로 개별 문서도 평가 과정을 거친다.

관련콘텐츠
⟶  네이버 C랭크란 무엇인가… 블로그 검색 로직과 D.I.A 차이

D.I.A.는 개별 문서의 정보성과 검색 의도를 평가

D.I.A.(Deep Intent Analysis)는 개별 문서가 이용자의 검색 의도에 얼마나 일치하는지를 평가한다.

단순히 특정 키워드에 포함 여부만 보는 것이 아니다. 문서에 이용자가 찾는 정보가 담겨 있는지 등을 분석한다. 실제 경험이나 구체적인 정보처럼 문서 자체의 정보성을 판단하는 요소가 평가에 활용된다.

C-Rank와 D.I.A.는 출처와 개별 문서라는 서로 다른 측면을 평가한다는 점에서 구분할 수 있다.

관련콘텐츠
⟶  네이버 D.I.A.란 무엇인가… 공식 평가 요소와 C랭크 차이

AI 브리핑·스마트블록으로 검색 결과 구성도 변화

최근 네이버 검색은 AI 브리핑과 스마트블록이 적용되면서 검색 결과를 보여주는 방식도 달라지고 있다.

AI 브리핑은 검색 결과의 여러 정보를 바탕으로 이용자의 질의에 대한 답변을 제공하고 출처를 함께 제시한다. 스마트블록은 검색 의도와 관심사에 따라 관련 콘텐츠를 블록 형태로 구성해 보여준다.

이는 문서별 순위뿐 아니라 검색 결과를 어떻게 구성하는지도 중요해졌다는 뜻이다. 다만 AI 브리핑이나 스마트블록에 적용되는 세부 평가 기준과 기존 C-Rank·D.I.A.가 각각 어떤 방식으로 결합되는지는 공개된 정보만으로 단정하기 어렵다.

따라서 ‘네이버 로직’을 하나의 공식 알고리즘이나 특정 상위 노출 공식으로 이해하는 것은 부적절하다. 공개된 C-Rank와 D.I.A. 역시 네이버 검색을 구성하는 여러 평가 체계 가운데 일부 모델일 뿐이다.

관련콘텐츠
⟶ 네이버 AI 브리핑과 검색 상위 노출은 왜 중복되지 않는가
⟶ AI가 먼저 답하고 광고가 클릭을 가져간다… 네이버 검색 결과 구조 분석

핵심 요약

• C-Rank: 출처의 전문성과 신뢰도를 평가
• D.I.A.: 문서가 검색 의도를 얼마나 해결하는지 분석
• AI 브리핑: 여러 콘텐츠를 종합해 답변을 생성하는 검색 기능
• 스마트블록: 검색 의도에 따라 결과를 재구성하는 노출 방식

FAQ

네이버가 검색 API로 제공하는 데이터를 인공지능(AI)에 입력하거나 학습·개선·평가·노출 등에 활용하는 것을 금지했다. 검색 API 자체를 폐쇄한 것은 아니지만, 외부 애플리케이션에서 네이버 검색결과를 보여주는 용도로만 이용할 수 있도록 범위를 제한했다.

네이버는 이 같은 내용을 담은 ‘NAVER API 서비스 이용약관’ 개정안을 9월 7일부터 시행했다.

검색결과 제공은 허용, AI 활용은 제한

개정 약관에 따르면 검색 API를 이용해 네이버 검색결과를 외부 애플리케이션 등에 제공하는 것은 가능하다. 다만 네이버 검색결과라는 사실을 표시하고 데이터를 독립적으로 가공하지 않은 상태로 노출해야 한다.

검색결과 앞이나 뒤, 중간에 다른 내용을 삽입하거나 순위와 내용을 수정·변조·왜곡해서는 안 된다. 검색결과에 포함된 원본 출처와 원본으로 이동할 수 있는 링크도 제공해야 한다.

AI 활용에는 별도의 제한을 뒀다. 검색 API로 받은 데이터를 ‘AI에 입력하거나 학습, 개선, 평가 및 노출 등에 활용하는 행위’를 금지했다. AI 모델을 학습시키는 것뿐 아니라 검색결과를 AI에 입력해 분석하거나 답변에 활용하는 것도 제한하는 내용이다.

데이터를 제3자에게 제공·판매하거나 검색 API를 활용해 수익을 얻는 것도 금지된다.

글로벌 AI 사업자, 네이버 검색 데이터 쓰려면 별도 대응 필요

이번 약관은 생성형 AI와 AI 사업자가 네이버 검색 API 데이터를 활용하는 방식에도 영향을 미칠 수 있다.

챗GPT나 제미나이 같은 생성형 AI는 검색결과를 단순히 나열하지 않고 여러 정보를 비교해 이용자의 질문에 맞는 답변으로 재구성한다. AI 에이전트 역시 검색으로 확보한 정보를 분석하고 필요한 내용을 선별해 이용자의 작업을 수행하는 방향으로 발전하고 있다.

하지만 네이버 검색 API는 검색결과를 가공 없이 보여주는 것을 원칙으로 하고, AI에 데이터를 입력하거나 평가·노출 등에 활용하는 것을 금지했다. 글로벌 AI 사업자가 네이버 검색 API를 답변 생성에 활용하려면 일반적인 검색 데이터 처리 방식과 다른 별도에 대응이 필요한 셈이다.

한국 시장만을 위해 네이버 검색결과를 별도로 처리하는 구조를 개발하거나 이용 조건에 맞는 방식을 마련할 수 있지만, 글로벌 AI 사업자가 이러한 추가 작업을 얼마나 적극적으로 수용할지는 미지수다. 다른 검색엔진이나 데이터를 이용하는 방식을 선택할 가능성도 있다.

네이버가 글로벌 AI 사업자와 별도의 데이터 이용 계약이나 제휴를 통해 AI 활용을 허용할 수도 있다.

네이버 검색과 외부 AI, 국내 정보에서 차이 날 수도

별도의 대응이나 계약이 이뤄지지 않는다면 국내 생성형 AI 이용자가 접하는 정보에도 차이가 나타날 수 있다.

예를 들어 이용자가 생성형 AI를 통해 자신이 원하는 여성 의류를 추천해 달라고 요청할 경우, 네이버에서 판매 중인 쇼핑몰이나 판매 상품, 블로그·카페의 착용 후기 등 데이터가 충분히 확보되지 않는다면 추천되는 상품의 종류와 정보 품질에 차이가 생길 수 있다.

네이버 검색에서는 쉽게 찾을 수 있는 국내 후기나 지역·생활정보가 챗GPT나 제미나이 등 외부 생성형 AI의 답변에서는 상대적으로 적게 반영될 것이다. 물론 다른 웹사이트와 SNS 등이 일부 정보를 대체할 수 있지만, 네이버 블로그·카페·지식iN 등에 축적된 정보까지 동일하게 확보하기는 어려울 수 있다.

같은 질문이라도 네이버 검색과 생성형 AI에서 확인할 수 있는 정보의 범위와 세밀함에 차이가 나타날 수 있는 이유다. 쇼핑·지역·생활정보나 이용 후기처럼 국내 이용자가 직접 생산한 콘텐츠의 비중이 높은 검색일수록 이런 차이가 상대적으로 커질 가능성이 있다.

관련콘텐츠

⟶ AI ‘활용’과 ‘악용’ 구분 못하면 이용자 이탈…네이버 블로그 시험대

⟶ 네이버 광고비 실질 상승 압박, 광고주 대응 전략은

⟶ 구글·네이버 검색 점유율 격차 다시 2%대로… 8월 ‘네이버 반등’

⟶ 네이버 ‘AI 브리핑’, 어떤 상황에서 노출되나? 검색어 구조가 핵심

FAQ

지식 그래프(Knowledge Graph)는 사람이나 장소, 사물, 개념 같은 대상을 서로의 관계와 함께 연결해 정보를 구조화하는 방식이다. 각각의 정보를 따로 저장하는 데 그치지 않고 ‘무엇이 무엇과 어떤 관계에 있는가’를 함께 표현하는 것이 핵심이다.

예를 들어 ‘서울’과 ‘대한민국’을 각각 별도의 정보로 저장하는 것에서 나아가 ‘서울은 대한민국의 수도다’라는 관계까지 연결한다. 이런 관계가 쌓이면 시스템은 단어 자체를 넘어 대상의 의미와 맥락을 정확히 해석하는 데 쓰인다.

지식 그래프는 검색엔진을 비롯해 질의응답과 추천 시스템, 기업 데이터 통합, 인공지능(AI) 등 다양한 분야에서 활용된다.

지식 그래프의 구조…정보를 ‘점과 선’으로 연결

지식 그래프의 기본 구조는 점에 해당하는 ‘노드(Node)’와 이를 연결하는 ‘엣지(Edge)’로 이해할 수 있다.

노드는 사람·기업·장소·제품처럼 독립적으로 식별할 수 있는 대상, 즉 엔티티(Entity)를 나타내고, 엣지는 엔티티 사이의 관계를 나타낸다.

예를 들어 ‘작가 A’와 ‘책 B’를 각각 노드로 만들고 두 대상을 ‘저자’라는 관계로 연결할 수 있다. ‘기업 A’와 ‘서울’ 사이에는 ‘본사가 위치한다’는 관계를 연결하는 식이다.

이처럼 각각의 정보를 ‘주어-관계-목적어’ 형태로 연결하면 하나의 데이터망을 형성한다.

일반 데이터베이스와 무엇이 다른가

일반적인 관계형 데이터베이스는 데이터를 행과 열로 정리한다. 고객이나 상품처럼 일정한 형식을 갖춘 데이터를 저장하고 관리하는 데 적합하다.

지식 그래프는 데이터 사이의 관계를 표현하고 탐색하는 데 중점을 둔다. 한 인물의 이름과 출생일뿐 아니라 소속 조직, 출신 지역, 저술한 책, 관련 인물 등을 각각의 엔티티와 연결할 수 있다. 새로운 정보가 생기면 기존 엔티티와의 관계도 확장할 수 있다.

서로 다른 출처에 흩어진 정보를 연결하거나 여러 대상 사이의 복잡한 관계를 탐색해야 하는 환경에서 지식 그래프를 활용할 수 있는 이유다.

검색엔진은 지식 그래프를 어떻게 활용하나

검색 영역에서 지식 그래프는 검색어가 정확히 어떤 대상을 가리키는지 해석하는 데 활용된다. 같은 단어라도 여러 의미로 쓰일 수 있어, 검색엔진은 단어 자체뿐 아니라 다른 개념이나 엔티티와의 관계를 함께 파악할 필요가 있다.

구글도 인물이나 장소, 사물 등에 관한 정보를 연결해 이해하는 데 지식 그래프를 활용한다. 특정 인물이나 장소 등에 대한 사실 정보를 검색 결과에서 직접 노출할 때도 이 구조를 기반으로 한다.

다만 ‘지식 그래프’와 검색 결과에 표시되는 ‘지식 패널(Knowledge Panel)’은 다른 개념이다. 지식 그래프가 엔티티와 관계를 연결한 데이터 구조라면, 지식 패널은 관련 정보를 이용자에게 보여주는 검색 결과의 표시 형태다.

생성형 AI와 지식 그래프는 어떻게 연결되나

대규모언어모델(LLM)은 방대한 텍스트에서 학습한 패턴을 바탕으로 답변을 생성한다. 엔티티와 엔티티 사이의 관계를 명시적인 데이터 구조로 저장하는 지식 그래프와는 작동 방식이 다르다.

지식 그래프는 대상과 관계가 구조화되어 있어, AI 시스템이 특정 대상의 맥락을 파악하거나 데이터 사이의 관계를 탐색할 때 활용할 수 있다.

검색증강생성(RAG)에도 활용할 수 있다. 일반적인 RAG가 외부 문서에서 관련 정보를 찾아 생성형 AI의 답변에 제공한다면, 엔티티 사이의 관계를 이용해 관련 정보를 탐색하는 방식도 가능하다. 지식 그래프를 활용하는 GraphRAG가 대표적인 접근이다.

다만 지식 그래프를 도입한다고 해서 생성형 AI의 환각(Hallucination)이나 오류가 단번에 해결되는 것은 아니다. 그래프에 저장된 정보의 정확성과 최신성, 엔티티와 관계를 구성한 방식에 따라 결과가 달라질 수 있다.

관련 콘텐츠
⟶ 챗GPT는 왜 틀릴까… AI ‘환각’의 구조적 원인

지식 그래프와 온톨로지는 무엇이 다른가

지식 그래프와 함께 자주 등장하는 개념이 온톨로지(Ontology)다.

일반적으로 온톨로지는 특정 영역에 어떤 종류의 엔티티가 있고 서로 어떤 관계를 맺을 수 있는지 정의하는 의미 체계나 모델을 말한다. 지식 그래프는 이러한 구조에 실제 엔티티와 관계 데이터를 연결해 표현하는 데 초점을 맞춘다.

쉽게 말하면 온톨로지가 ‘어떤 정보를 어떤 관계로 표현할 것인가’를 정하는 설계도라면, 지식 그래프는 실제 정보를 연결해 구성한 데이터망에 가깝다.

다만 모든 지식 그래프가 같은 방식으로 온톨로지를 사용하는 것은 아니다. 두 개념을 구분하는 기준도 분야와 구현 방식에 따라 달라질 수 있다.

검색 넘어 추천·기업 데이터에도 활용

지식 그래프의 활용 범위는 검색에 한정되지 않는다. 기업 내부에 흩어진 고객·제품·거래 데이터를 연결하거나 이용자와 콘텐츠 사이의 관계를 바탕으로 추천 시스템을 구성하는 데 활용할 수 있다.

금융 분야에서는 사람·계정·거래 사이의 관계를 분석하는 데 사용할 수 있으며, 연구 분야에서는 서로 다른 논문과 개념, 연구 대상을 연결할 수 있다. 생성형 AI 환경에서는 사내 문서나 전문 데이터를 구조화해 AI가 필요한 정보를 탐색하도록 지원하는 용도로도 활용할 수 있다.

관련 콘텐츠
⟶ LLM은 어떻게 작동하는가? AI가 문장을 만드는 매커니즘

⟶ AI는 어떻게 답을 만들까? LLM부터 AI 검색까지 한 번에 이해하기

핵심 포인트

• 구성: 엔티티를 노드로, 엔티티 사이의 관계를 엣지로 표현
• 핵심: 개별 정보가 아니라 정보 사이의 관계와 맥락까지 구조화
• 검색 활용: 검색어가 가리키는 대상과 의미를 파악하는 데 활용
• AI 활용: 특정 대상의 맥락 파악과 데이터 관계 탐색, RAG 등에 활용 가능
• 관련 개념: 온톨로지, 지식 패널, LLM, RAG, GraphRAG

FAQ