검색 의도별 AI 인용 콘텐츠 유형: 정보형은 아티클, 상업형은 리스티클

AI 답변이 어떤 콘텐츠 유형을 인용하는지는 업종이나 모델보다 질문의 검색 의도가 더 크게 갈라요. 정보를 찾는 질문에서는 아티클이 인용의 45.5%를 차지했고, 선택지를 비교하는 상업형 질문에서는 리스티클이 40.9%로 1위였어요^[1]. 구매 직전의 거래형 질문에서는 제품 페이지가 앞섰어요. 이 차이는 몇 %p 안쪽의 미세 조정 수준을 넘어서, 1위 자리가 통째로 바뀌는 수준이에요. 그래서 "AI는 리스티클을 좋아한다" 같은 한 줄 평균은 어느 브랜드에게도 정확한 기준이 되기 어려워요.

이 글의 근거는 Peec AI의 연구자가 Wix Studio AI Search Lab에 공개한 분석이에요(2026년 3월 23일 공개)^[1]. 우리는 원문 페이지를 직접 열어 수치를 하나씩 대조해 정리했고, 2026년 10월 기준으로 다시 확인했어요. 이 데이터는 벤더가 보유한 1차 데이터이고 동료심사를 거치지 않았으며, 우리가 재현하지도 않았어요. 또 Peec AI는 AI 가시성 측정 도구를 만드는 회사라 우리와 같은 시장에 있어요. 이해관계를 밝혀 두는 이유는, 경쟁사 수치를 깎지도 부풀리지도 않고 원문 그대로 옮기되, 그 수치가 분리하지 못하는 것만 덧붙이겠다는 뜻이에요.

연구는 무엇을 어떻게 쟀나요

이 분석은 AI 답변 75,000건에서 나온 인용 1,056,727건을 콘텐츠 유형별로 나눠 센 연구예요^[1]. 대상 모델은 ChatGPT, Google AI Mode, Perplexity 세 가지이고, 모든 프롬프트는 브랜드명을 넣지 않은 비브랜드 질문이었어요. 산업은 이커머스, 헬스·웰니스, 홈 리페어, 전문 서비스, SaaS 다섯 개를 골랐어요.

질문은 네 가지 의도로 나눴어요. 정보를 얻으려는 정보형(informational), 선택지를 비교하는 상업형(commercial), 구매·실행 직전의 거래형(transactional), 특정 장소나 사이트를 찾는 탐색·로컬형(navigational/local)이에요. 인용된 URL은 Peec AI 플랫폼에서 자동으로 11개 유형으로 분류했어요. 리스티클, 아티클, 제품 페이지, 카테고리 페이지, 하우투 가이드, 토론, 홈페이지, 프로필, 비교, 대안, 기타예요.

먼저 의도를 섞은 전체 분포부터 보면 이래요.

표 1. 네 가지 의도를 섞은 전체 인용 분포예요. 상위 세 유형(리스티클·아티클·제품 페이지)이 절반을 넘어요. 출처는 Peec AI × Wix 분석이에요^[1].

이 표만 보면 "리스티클이 가장 많이 인용된다"는 결론이 자연스러워요. 실제로 이 숫자가 업계에서 가장 널리 퍼졌어요. 문제는 이 21.9%가 네 의도를 섞은 평균이라는 점이에요^[1]. 의도별로 쪼개면 그림이 완전히 달라져요.

검색 의도별로 1위 콘텐츠 유형이 뒤집혀요

의도별로 나누면 1위 콘텐츠 유형이 네 번 중 세 번 바뀌어요^[1]. 정보형에서는 아티클, 상업형에서는 리스티클, 거래형과 탐색·로컬에서는 제품 페이지가 1위였어요.

그림 1. 검색 의도별 인용 비중 상위 3개 콘텐츠 유형과, 아래 칸의 네 의도 혼합 평균(리스티클 21.9%·아티클 16.7%·제품 페이지 13.7%)이에요. 원문 수치^[1]를 우리 팔레트로 다시 그렸어요.

표 2. 의도별 인용 비중 상위 3개 유형이에요. 원문이 소수점 둘째 자리까지 공개한 값을 그대로 옮겼어요^[1].

정보형 질문에서 아티클 비중(45.48%)은 전체 평균(16.7%)의 약 2.7배예요. 이 배수는 원문 두 수치로 우리가 계산한 값이에요. 상업형 질문에서 리스티클 비중(40.86%)은 원문 표현으로 평균보다 86.7% 높아요^[1]. 저자들은 상업형 질문을 하는 사용자가 자세한 아티클보다 구조화된 비교와 다른 사람의 의견을 원한다고 해석했어요. 상업형 3위에 토론 페이지(11.44%)가 들어온 것도 같은 맥락이에요.

거래형으로 넘어가면 아티클과 리스티클은 상위 3위 밖으로 밀려나요. 대신 제품 페이지, 카테고리 페이지, 홈페이지처럼 브랜드나 판매자가 직접 운영하는 페이지가 올라와요. 탐색·로컬 질문에서는 제품 페이지와 카테고리 페이지를 합쳐 40% 남짓이에요. 표 2의 두 원문 값^[1]을 우리가 더한 값이에요. 같은 리스티클이 상업형에서는 1위인데 거래형에서는 3위 안에도 없어요. 이것이 "의도가 1위를 뒤집는다"는 말의 실제 모양이에요.

검색 의도 분류는 오래된 개념이에요

질문을 의도로 나누는 발상 자체는 20년도 넘은 검색 연구의 기본 틀이에요. Andrei Broder는 2002년 SIGIR Forum에 실은 논문에서 웹 검색을 탐색형(특정 사이트에 가려는 것), 정보형(어딘가에 있을 정보를 얻으려는 것), 거래형(웹을 통한 어떤 행동을 하려는 것) 세 가지로 나눴어요^[3]. 당시 AltaVista 설문과 로그 분석에서 정보형 질문은 전체 웹 검색의 절반이 안 됐어요. 고전적인 정보검색이 가정한 "사용자는 정보를 찾는다"는 전제가 웹에서는 절반만 맞았다는 뜻이에요.

이번 분석은 Broder의 세 분류에 상업형을 더하고 탐색형을 로컬과 묶은 네 분류를 썼어요. 상업형은 "무엇을 살지 비교하는 중"이라는 마케팅 실무의 구분으로, 우리가 인텐트 기반 키워드 리서치 6단계에서 다룬 상업적 조사형과 같은 자리예요. 새로운 점은 분류 자체보다, 의도마다 AI가 근거로 고르는 문서의 종류가 이 정도로 다르다는 사실을 대규모 인용 데이터로 보여 줬다는 데 있어요.

전통 검색에서도 의도에 따라 결과 페이지의 모양이 달랐어요. 거래형 질문에는 쇼핑 결과가, 탐색형 질문에는 공식 사이트가 먼저 나왔어요. AI 답변도 같은 구조를 물려받았고, 그 구조가 인용 출처의 유형 분포로 드러난 셈이에요. 그러니 의도를 섞은 평균 하나로 AI 인용을 설명하면, 검색이 원래 갖고 있던 가장 기본적인 구분을 지우는 것과 같아요.

혼합 평균 21.9%를 벤치마크로 쓰면 비교가 틀어져요

혼합 평균은 숫자 자체는 정확하지만, 개별 브랜드와 비교하는 순간 잘못된 결론을 만들어요. 추적하는 질문이 대부분 상업형인 브랜드를 생각해 볼게요. 같은 데이터의 상업형 값^[1]을 기준으로 하면 이 브랜드가 받을 리스티클 인용 비중은 40% 안팎이 정상이에요. 그런데 이 브랜드를 21.9%와 비교하면 "리스티클에 지나치게 기대고 있다"는 진단이 나와요. 실제로는 자기 의도 구성에서 평범한 수준인데도요.

반대 방향도 똑같이 틀어져요. 정보형 질문 위주로 추적하는 브랜드는 리스티클 비중이 21.68%여도 평균과 거의 같아 보여서 아무 문제가 없다고 읽혀요. 그런데 이 브랜드가 정말 봐야 할 건 아티클 비중이고, 그 기준점은 45% 언저리예요^[1]. 같은 벤치마크가 한 브랜드는 과하게 벌하고 다른 브랜드는 과하게 봐주는 구조예요. 숫자는 정밀한데 비교가 틀린 경우예요.

같은 연구진이 앞서 공개한 인용률 벤치마크 분석도 이 점을 보여 줘요^[2]. 이 분석은 처음부터 질문을 의도별로 고르게 나눈 데이터셋으로 엔진별 권장 인용률을 냈어요. 다시 말해 그 벤치마크는 "의도가 균등하게 섞인 질문 세트"를 전제로 한 값이에요. 실제 브랜드의 질문 세트가 한쪽 의도에 쏠려 있다면, 그 전제부터 맞지 않아요.

리스티클이 왜 상업형 질문에서 강한지는 ChatGPT는 왜 리스티클을 자주 인용할까에서 구조 관점으로 다뤘어요. 항목이 분리돼 있어 필요한 부분만 잘라 가기 쉽다는 설명이었어요. 이번 데이터는 그 설명에 조건을 하나 붙여요. 리스티클의 강점은 비교가 필요한 질문에서 주로 작동하고, 정보형이나 거래형 질문에서는 다른 유형이 그 자리를 가져가요.

모델과 산업 차이는 실재하지만 의도보다 작아요

모델별, 산업별 차이도 분명히 있지만, 의도가 만드는 차이보다 폭이 좁았어요^[1]. 저자들의 결론 문장은 "질의 의도가 산업이나 모델 선택보다 콘텐츠 유형 인용을 더 잘 예측했다"였어요.

표 3. 모델별·산업별 차이를 정리한 표예요. 원문 수치 그대로예요^[1].

Perplexity는 레딧, 링크드인, G2 같은 토론 페이지를 2위까지 끌어올렸어요. 모델 차이 중 가장 큰 값이 이 +9.83%p예요^[1]. 반면 의도 쪽에서는 아티클 한 유형만 봐도 정보형 45.48%와 전체 평균 16.7% 사이에 약 29%p의 간격이 있어요. 리스티클도 정보형 21.68%에서 상업형 40.86%로 약 19%p 움직여요. 두 간격은 원문 수치로 우리가 계산한 값이에요. 모델이나 산업에 따른 차이는 이 폭 안에 들어와요.

전문 서비스 산업의 리스티클을 따로 보면, 인용된 리스티클의 80.9%가 제3자가 쓴 것이었고 자사 홍보성 리스티클은 19.1%였어요^[1]. 상업형 질문에서 리스티클이 강하다고 해서 자사 블로그에 "추천 TOP 10"을 쓰면 된다는 결론으로 바로 가지 않는 이유예요. 인용되는 리스티클의 대부분은 남이 쓴 비교 글이에요.

프롬프트 세트는 의도별로 나눠 짜야 해요

이 데이터에서 우리가 가져가는 건 퍼센트가 아닌 분할 그 자체예요. 퍼센트를 목표치로 쓰지 않는 이유는 한계 섹션에서 정리하고, 여기서는 측정 설계에 바로 적용할 수 있는 원칙 세 가지만 적을게요.

1. 점수에는 의도 구성을 함께 적어요. AI 가시성 점수가 어떤 의도 구성의 질문 세트에서 나왔는지 리포트에 밝혀요. 같은 점수라도 상업형 80% 세트와 정보형 80% 세트는 다른 뜻이에요.
2. 질문 세트를 검색량 순으로만 고르지 않아요. 검색량이 큰 질문은 대개 상업형과 거래형에 몰려 있어요. 정보형, 상업형, 거래형, 탐색형을 각각 일정 수 이상 넣어 구성해요.
3. 비교 기준도 같은 의도끼리 맞춰요. 우리 브랜드의 리스티클 비중을 볼 때는 혼합 평균 대신 같은 의도 구간의 값과 비교해요. 의도 구간 값은 외부 벤치마크를 그대로 쓰기보다 우리 질문 세트에서 직접 재서 정해요.

상업형 질문만 추적하는 브랜드가 "구매 여정 앞단에서 우리가 강하다"는 사실을 확인한 건 아니에요. 앞단은 처음부터 재지 않았을 뿐이에요. 측정하지 않은 구간(unmeasured)과 0인 구간은 다른 상태인데, 의도를 나누지 않은 리포트에서는 둘이 구분되지 않아요.

이 주제는 우리 링크드인 회사 페이지의 지난 글 아래 토론에서 출발했어요. 측정 경로보다 구매 여정과 의도의 맥락이 더 중요하다는 지적이 있었고, 이 글은 그 지적 중 측정 설계로 바로 옮길 수 있는 부분을 정리한 거예요.

한 가지 덧붙이면, 콘텐츠 유형 분포와 "어떤 페이지가 이기는가"는 다른 층위의 질문이에요. AI는 두 페이지 중 무엇을 인용할까에서 다룬 통제 실험에서는, 두 후보가 이미 경쟁하는 상황이라면 문단 밀도 같은 포맷 차이는 거의 영향이 없었고 주제 일치·가격 명시·최신 날짜·앞자리가 승부를 갈랐어요. 의도별 분포는 "어떤 종류의 문서가 후보 풀에 들어오는가"를, 경쟁 실험은 "후보끼리 붙었을 때 무엇이 이기는가"를 보여 줘요. 두 결과를 섞어서 "리스티클 포맷으로 바꾸면 인용된다"고 읽지 않도록 주의해요.

한계

이 분석은 벤더가 보유한 데이터이고 동료심사를 거치지 않았어요. 우리는 이 결과를 재현하지 않았어요. 그래서 우리 근거 등급으로는 중간 이하이고, 채점 가중치를 바꾸는 근거로 쓰지 않아요. "무엇을 나눠서 봐야 하는가"의 근거로만 써요.

저자들이 직접 밝힌 단서도 있어요. 현실에서 거래형 질문은 소비자가 이미 사려는 브랜드를 알고 있어 브랜드명이 들어간 경우가 많은데, 이 연구는 방법의 일관성을 위해 모든 질문을 비브랜드로 유지했어요. 따라서 거래형 수치는 실제 거래형 검색과 거리가 있어요.

공개 페이지에 나오지 않는 정보도 많아요. 의도별 질문 수, 질문의 언어와 국가, 수집 기간, 11개 유형을 자동 분류한 방법의 정확도가 밝혀져 있지 않아요. 한국어 질문이나 네이버 같은 국내 검색 표면에서 같은 분포가 나오는지는 이 데이터로 알 수 없어요.

마지막으로 이 분석이 센 건 "인용 중 각 유형이 차지하는 비중"이에요. 특정 페이지가 인용될 확률이나 인용 후 클릭, 매출과는 다른 지표예요. 리스티클 비중이 높다는 사실이 리스티클을 쓰면 인용이 늘어난다는 인과를 뜻하지 않아요.

정리하면

AI 검색에서 어떤 콘텐츠가 인용되는지 물으면, 정확한 답은 "어떤 의도의 질문이냐에 따라 달라요"예요. 정보형은 아티클, 상업형은 리스티클, 거래형과 탐색·로컬은 제품 페이지와 카테고리 페이지가 1위였어요^[1]. 혼합 평균은 보고용 한 줄로는 쓸 만하지만, 우리 브랜드를 평가하는 기준으로는 맞지 않아요. 점수를 볼 때는 그 점수가 어떤 의도 구성에서 나왔는지부터 확인하고, 질문 세트는 의도별로 나눠 짜는 것이 이 데이터가 실무에 남기는 가장 단단한 교훈이에요.