Wu 외(2025, arXiv)의 AutoGEO 논문은, 생성형 엔진이 콘텐츠를 선택하는 선호 규칙을 LLM으로 자동 추출한 뒤 그 규칙으로 콘텐츠를 재작성하면 검색 유용성을 해치지 않으면서 노출을 늘릴 수 있음을 보입니다.
구글 AI 개요(AI Overview)나 ChatGPT처럼 생성형 엔진은 문서를 검색해 온 뒤, 그 내용을 요약·재구성해 답변 문장을 직접 생성합니다. 기존 검색엔진 최적화(SEO)가 "링크 목록의 몇 번째에 오르는가"를 다뤘다면, 생성형 엔진 앞에서는 "그 답변 안에 내 콘텐츠가 실제로 녹아 들어가는가"가 관건이 됩니다. 문제는 생성형 엔진이 어떤 문서를 답변 재료로 택하는지가 검색엔진처럼 공개된 랭킹 신호로 설명되지 않는다는 점입니다.
이 논문이 다루는 질문은 단순합니다. 생성형 엔진은 콘텐츠의 어떤 속성을 선호하며, 그 선호를 사람이 일일이 추측하지 않고 체계적으로 학습해 콘텐츠 개선에 되먹임할 수 있는가입니다. AutoGEO는 이 선호를 LLM 스스로 설명하게 하고, 그 설명을 규칙으로 정제해 재작성에 활용하는 접근을 취합니다.
AutoGEO는 두 단계로 작동합니다. 1단계에서는 프런티어 LLM에게 노출 정도가 다른 문서 쌍을 비교·설명하도록 요청해 생성형 엔진이 특정 문서를 선호하는 이유를 언어화하고, 이를 계층적으로 병합·정제해 규칙 집합으로 만듭니다. 2단계에서는 이 규칙을 두 가지 방식으로 적용합니다.
검증은 기존 GEO-Bench와 연구진이 실제 사용자 질의를 바탕으로 새로 구축한 두 벤치마크(오픈 도메인 질의, 상거래 질의)에서, Gemini·Claude·GPT 기반 생성형 엔진을 대상으로 진행했습니다.
이 논문의 "엔진별·도메인별로 선호 규칙이 다르다"는 발견은, AIBIX lab이 ChatGPT·Gemini·Claude·Perplexity 4개 AI를 각각 교차 측정해 카테고리별 지수를 산출하는 방식이 왜 필요한지를 뒷받침합니다. 단일 AI만 측정하면 특정 모델의 선호 편향이 그대로 지수에 반영될 위험이 있으며, AutoGEO의 실증 결과는 AIBIX 지수의 4개 AI 교차 측정 원칙이 갖는 방법론적 타당성을 학술적으로 보강해 줍니다.
또한 AutoGEO가 가시성 개선과 별도로 응답 품질·신뢰성(GEU)을 함께 평가한 설계는, AIBIX lab이 브랜드의 AI 언급을 단순 노출량이 아니라 가시성·추천·인용 세 축으로 나눠 측정하는 이유와 맞닿아 있습니다. 콘텐츠가 AI 답변에 더 자주 등장하는 것과, 그 등장이 실제로 추천이나 신뢰할 만한 인용으로 이어지는 것은 다른 문제입니다. AIBIX의 지수 설계는 이 둘을 구분해, 노출 증가가 곧바로 브랜드 경쟁력 향상으로 오독되지 않도록 하는 데 목적이 있습니다.
arXiv 초록 페이지: arxiv.org/abs/2510.11438