AI가 경쟁사를 추천하는 진짜 이유는 ‘브랜드’가 아니라 ‘조건’에 있다
도슨티GEOAI가 경쟁사를 추천하는 진짜 이유는 ‘브랜드’가 아니라 ‘조건’에 있다
GEO 경쟁 분석의 새로운 기준: Attribute × Prompt × Brand
“ChatGPT는 왜 우리보다 경쟁사를 더 자주 추천할까?”
GEO를 시작한 기업이라면 가장 궁금해할 질문입니다.
AI 검색에서 자사 브랜드의 언급률이 32%, 경쟁사는 45%라는 리포트를 받았다고 가정해 보겠습니다.
일반적인 GEO 분석은 여기서 경쟁사의 우위를 확인하고, 자사 브랜드의 노출을 늘리는 방향으로 이어집니다.
하지만 정작 중요한 질문은 답하지 못했습니다.
“어떤 조건에서 경쟁사가 선택됐는가?”
가격 때문일까요? 기능 때문일까요? 특정 산업에서의 경험 때문일까요? 아니면 AI가 우리 브랜드의 강점을 충분히 인식하지 못하기 때문일까요?
이 질문에 답하지 못한다면 경쟁사보다 낮은 언급률을 확인해도 무엇을 개선해야 할지 결정하기 어렵습니다.
GEO 경쟁 분석은 이제 브랜드의 전체 노출량을 비교하는 데서 벗어나야 합니다.
AI가 어떤 고객 조건에서 어떤 브랜드를 선택하는지 분석해야 합니다.
1. AI 검색에서는 가장 유명한 브랜드가 아니라 가장 적합하다고 판단된 브랜드가 선택될 수 있다
2026년 3월 24일, OpenAI는 ChatGPT의 제품 탐색 기능을 강화한다고 발표했습니다.
사용자는 자신의 예산, 선호도, 요구조건을 설명하고, AI가 제시하는 제품을 비교하면서 선택지를 좁혀갈 수 있습니다.
OpenAI가 설명하는 제품 탐색의 핵심은 단순한 상품 검색이 아닙니다.
사용자에게 적합한 선택지를 찾는 과정입니다.
OpenAI의 공식 쇼핑 안내는 이를 더욱 구체적으로 보여줍니다.
AI는 사용자의 질문과 대화 맥락을 고려하며, 상황에 따라 가격, 제품 설명, 리뷰, 기능 등의 정보를 활용할 수 있습니다. 사용자가 특정 예산을 제시하면 가격이 상대적으로 중요한 고려 요소가 될 수 있습니다.
이는 마케팅 관점에서 중요한 변화를 의미합니다.
브랜드의 경쟁력은 더 이상 하나의 고정된 순위로 설명하기 어렵습니다.
사용자가 어떤 조건을 제시하느냐에 따라 비교 대상과 추천 결과가 달라질 수 있기 때문입니다.
예를 들어 기업용 협업 소프트웨어를 찾는 다음 세 질문을 생각해 보겠습니다.
-
“가장 유명한 협업 소프트웨어는 무엇인가?”
-
“직원 20명 이하의 스타트업이 저렴하게 사용할 협업 소프트웨어를 추천해줘.”
-
“금융기업에서 사용하기 적합하고 접근권한 관리와 감사기록 기능이 중요한 협업 소프트웨어는?”
세 질문은 같은 제품 카테고리를 다룹니다.
그러나 AI가 고려해야 할 평가 기준은 다릅니다.
첫 번째에서는 브랜드 인지도와 시장에서의 존재감이 중요할 수 있습니다.
두 번째에서는 가격과 사용 편의성이 중요해집니다.
세 번째에서는 보안·권한 관리와 조직의 도입 요건이 핵심 조건이 됩니다.
같은 브랜드라도 첫 번째 질문에서 추천되고 세 번째 질문에서는 제외될 수 있습니다.
그것이 반드시 브랜드의 전반적인 경쟁력이 낮다는 뜻은 아닙니다.
특정 고객 조건에서 적합성이 낮게 평가됐거나, 해당 적합성을 뒷받침할 정보가 충분하지 않았을 가능성이 있습니다.
여기서 GEO 경쟁 분석의 새로운 질문이 시작됩니다.
“우리는 경쟁사보다 얼마나 자주 등장하는가?”가 아니라,
“우리는 어떤 조건에서 선택되고, 어떤 조건에서 제외되는가?”
2. 브랜드 점유율은 경쟁의 결과를 보여주지만, 경쟁의 구조까지 설명하지는 못한다
가상의 GEO 솔루션 시장을 살펴보겠습니다.
세 기업의 AI 추천률을 측정했다고 가정합니다.
| 브랜드 | 전체 추천률 |
|---|---|
| A | 56% |
| B | 43% |
| C | 31% |
이 결과만 보면 브랜드 A가 가장 강력한 경쟁사로 보입니다.
그런데 고객의 요구조건을 기준으로 질문을 분류하면 다른 그림이 나타날 수 있습니다.
| 고객의 주요 조건 | A | B | C |
|---|---|---|---|
| 저렴한 가격 | 70% | 30% | 15% |
| 기업용 분석 기능 | 25% | 65% | 20% |
| 국내 기업 지원 | 35% | 20% | 70% |
| 사용 편의성 | 65% | 40% | 30% |
설명을 위한 가상 데이터입니다. 한 답변에 복수 브랜드가 추천될 수 있어 행별 합계가 100%가 아닙니다.
전체 추천률이 가장 높은 A가 모든 조건에서 우세하지는 않습니다.
B는 기업용 분석에서 강하고, C는 국내 기업 지원에서 강한 경쟁자로 인식될 수 있습니다.
실제로 기업용 분석 기능이 중요한 고객을 대상으로 사업을 운영한다면 A의 전체 추천률 56%보다 B의 해당 조건 추천률 65%가 더 중요한 경쟁 신호일 수 있습니다.
여기서 두 가지 사실을 구분해야 합니다.
첫째, 전체 추천률은 유용한 지표입니다. 시장 전반에서 브랜드가 얼마나 자주 추천 후보에 포함되는지 알려줍니다.
둘째, 전체 추천률만으로는 경쟁력의 원인을 설명할 수 없습니다.
기업이 필요한 전략적 판단을 내리려면 조건별 분석이 필요합니다.
3. GEO 경쟁 분석의 새로운 단위: Attribute × Prompt × Brand
도슨티는 이러한 분석 방향을 설명하기 위해 세 가지 차원을 결합한 프레임워크를 제안합니다.
Attribute × Prompt × Brand
여기서 Attribute는 고객이 제품이나 서비스를 평가할 때 중요하게 여기는 조건이나 속성을 뜻합니다.
예를 들어 다음과 같습니다.
-
가격 및 총소유비용
-
기능 및 성능
-
산업별 적합성
-
보안 및 규제 대응
-
도입·운영 편의성
-
고객지원 및 지역적 접근성
-
특정 사용 사례에서의 적합성
Prompt는 이러한 조건이 반영된 실제 고객 질문입니다.
Brand는 해당 질문에 대해 AI가 언급하거나 추천하는 브랜드입니다.
세 요소를 결합하면 단순한 경쟁사 순위표로는 발견할 수 없었던 정보를 얻을 수 있습니다.
가령 브랜드 A가 “기업용 GEO 분석”이라는 조건에서는 자주 추천되지만 “네이버 AI를 포함한 국내 시장 모니터링”이라는 조건에서는 상대적으로 적게 등장한다면, 이는 중요한 전략적 단서입니다.
그러나 이것만으로 원인이 제품 기능 부족인지, AI의 정보 부족인지 확정할 수는 없습니다.
실제 제품과 공개된 정보를 대조해야 합니다.
여기서 핵심은 추천 결과를 제품의 실제 품질과 혼동하지 않는 것입니다.
AI가 인식한 경쟁력과 실제 제품 경쟁력은 서로 다를 수 있습니다.
GEO의 중요한 역할 중 하나는 바로 이 차이를 발견하는 것입니다.
4. AI가 경쟁사를 추천하는 이유를 알아내려면 질문을 통제해야 한다
그렇다면 조건별 차이를 어떻게 측정할 수 있을까요?
단순히 서로 다른 질문에서 나온 AI 답변을 비교하는 것만으로는 충분하지 않습니다.
질문의 여러 조건이 동시에 바뀌면 추천 결과가 어떤 조건 때문에 달라졌는지 알기 어렵기 때문입니다.
예를 들어 다음 질문을 생각해 보겠습니다.
“직원 10명 규모의 스타트업이 사용할 저렴하고 쉬운 CRM을 추천해줘.”
여기에는 조직 규모, 가격, 사용 편의성이라는 세 조건이 동시에 들어 있습니다.
어떤 조건이 결과에 영향을 미쳤는지 확인하려면 조건을 하나씩 바꿔볼 필요가 있습니다.
조건별 대조 질문 설계
| 실험 | 질문 |
|---|---|
| 기준 | 국내 기업에 적합한 CRM을 추천해줘. |
| 가격 조건 | 국내 기업에 적합한 저렴한 CRM을 추천해줘. |
| 보안 조건 | 국내 기업에 적합하고 보안 요구사항이 높은 조직에서 사용할 CRM을 추천해줘. |
| 규모 조건 | 국내 기업에 적합하고 직원 1,000명 이상이 사용하는 CRM을 추천해줘. |
| 기능 조건 | 국내 기업에 적합하고 영업 자동화 기능이 강력한 CRM을 추천해줘. |
질문의 기본 구조를 유지하면서 특정 조건을 추가하면, 해당 조건이 포함됐을 때 추천 결과가 어떻게 달라지는지 관찰할 수 있습니다.
이 방식은 실험 설계에서 말하는 통제된 비교의 원리를 GEO 측정에 적용한 것입니다.
다만 여기서 측정되는 것은 특정 문구를 추가했을 때 나타난 추천 변화입니다. AI의 내부 의사결정 과정을 직접 관찰하거나 원인을 확정하는 것은 아닙니다.
조건 효과를 더 신뢰성 있게 평가하려면 질문 표현과 순서를 바꾸고, 반복 실행하며, 동일한 모델·설정·측정 기간을 유지해야 합니다.
대화 이력이나 개인화 설정도 가능한 한 통제해야 합니다.
그리고 가격과 보안처럼 두 조건의 상호작용이 중요하다면 단일 조건 비교를 넘어 조합 실험도 필요합니다.
GEO 분석은 이러한 과정을 통해 단순 모니터링에서 가설 검증으로 발전할 수 있습니다.
5. 새로운 지표: Conditional Recommendation Rate
조건별 추천 경쟁력을 평가하기 위한 실무 지표로 _Conditional Recommendation Rate(CRR)_를 제안할 수 있습니다.
CRR은 특정 조건이 포함된 질문 중에서 해당 브랜드가 추천된 비율입니다.
CRR(브랜드, 조건) = 해당 조건의 질문에서 브랜드가 추천된 횟수 ÷ 해당 조건의 전체 유효 응답 수 × 100
예를 들어 “보안” 관련 질문 20개를 각각 5회 반복해 총 100개의 유효 응답을 얻었다고 가정하겠습니다.
브랜드 A가 그중 62개 응답에서 추천됐다면 보안 조건의 CRR은 62%입니다.
같은 방식으로 가격 조건, 산업별 적합성, 기능별 적합성을 구분해 측정할 수 있습니다.
조건을 추가했을 때의 변화를 확인하기 위해 다음 지표도 활용할 수 있습니다.
Conditional Recommendation Lift = 조건 포함 질문의 추천률 − 기준 질문의 추천률
브랜드 A의 기준 추천률이 40%이고 보안 조건을 추가했을 때 62%가 된다면, 관찰된 추천률 상승폭은 +22%p입니다.
이 결과는 해당 조건이 브랜드의 추천 가능성과 연관된다는 단서를 제공합니다.
하지만 중요한 주의사항이 있습니다.
AI 답변은 확률적으로 변동할 수 있으므로 단일 응답의 차이를 조건의 효과로 해석해서는 안 됩니다. 반복 측정 결과와 불확실성 범위를 함께 제시해야 합니다.
또한 CRR은 이 글에서 제안하는 분석 지표이지, 업계에서 합의된 표준 KPI나 도슨티 GEO에 이미 구현된 기능을 뜻하지 않습니다.
6. 더 중요한 질문: 경쟁사는 왜 특정 조건에서 유리하게 인식되는가?
조건별 추천률을 확보했다면 다음 단계는 원인 가설을 검토하는 것입니다.
여기서 GEO는 콘텐츠와 제품 전략을 연결할 수 있습니다.
AI가 특정 조건에서 경쟁사를 더 자주 추천하는 현상에는 적어도 네 가지 설명이 가능합니다.
첫째, 실제 제품 경쟁력의 차이
경쟁사가 해당 기능이나 서비스를 실제로 더 잘 제공할 수 있습니다.
이 경우 GEO 콘텐츠를 늘리는 것만으로 문제를 해결할 수 없습니다.
제품 자체의 경쟁력을 개선하거나 자사에 더 적합한 고객군을 찾아야 합니다.
둘째, 제품 경쟁력은 있지만 정보가 부족한 경우
기업은 이미 해당 기능을 제공하고 있지만 공식 웹사이트나 제품 설명에 이를 명확하게 기술하지 않았을 수 있습니다.
특히 B2B 소프트웨어에서는 “기업용”, “자동화”, “통합”, “보안”처럼 추상적인 표현만 나열하는 경우가 있습니다.
실제 고객이 알고 싶어 하는 것은 구체적인 적용 범위와 사용 조건입니다.
어떤 환경에서 사용할 수 있는지, 어떤 제약이 있는지, 경쟁 제품과 어떤 차이가 있는지 확인할 수 있어야 합니다.
셋째, 외부에서 형성된 브랜드 인식의 차이
AI는 자사 홈페이지에 있는 정보만으로 답변하지 않습니다.
검색이나 정보 검색이 활용되는 경우 외부 리뷰, 비교 콘텐츠, 전문 매체, 커뮤니티 등의 정보를 참고할 수 있습니다.
따라서 기업이 자사 사이트에서는 특정 강점을 강조하더라도, 외부 자료에서는 다른 속성으로 더 잘 알려져 있을 수 있습니다.
AI가 브랜드를 어떤 속성과 연결하는지 이해하려면 자사 콘텐츠와 외부 정보 환경을 함께 점검해야 합니다.
넷째, AI의 정보 오류나 오래된 인식
AI가 제품 기능이나 가격, 제공 지역을 잘못 알고 있을 수도 있습니다.
OpenAI도 쇼핑 리서치 공식 소개에서 AI가 제품 정보에 오류를 범할 수 있으며, 정확한 가격과 재고 등은 판매자 사이트에서 확인해야 한다고 설명합니다.
따라서 추천되지 않았다는 사실과 실제로 추천받을 자격이 없다는 사실은 구분해야 합니다.
GEO 진단의 목적은 AI 답변을 무조건 옳은 평가로 받아들이는 것이 아닙니다.
AI의 판단과 검증 가능한 제품 정보를 비교해 차이를 찾는 것입니다.
7. 여기서 경쟁사 분석은 콘텐츠 전략으로 연결된다
조건별 분석의 가치는 보고서를 정교하게 만드는 데 그치지 않습니다.
실제로 어떤 콘텐츠를 만들어야 할지 판단할 수 있다는 점이 중요합니다.
예를 들어 AI가 “대기업용 GEO 분석” 질문에서 경쟁사를 더 자주 추천한다고 가정해 보겠습니다.
이때 무조건 “대기업 GEO 솔루션 추천”이라는 제목의 콘텐츠를 추가하는 것이 최선은 아닙니다.
먼저 다음을 확인해야 합니다.
-
우리 제품이 실제로 해당 기업의 요구사항을 충족하는가?
-
충족한다면 그 근거가 공식적으로 공개되어 있는가?
-
경쟁사의 어떤 기능이나 장점이 AI 답변에서 반복적으로 언급되는가?
-
AI가 자사 제품에 대해 잘못 이해하거나 누락한 정보가 있는가?
-
고객이 실제로 중요하게 생각하는 평가 기준은 무엇인가?
그다음에야 콘텐츠 개선 방향이 구체화됩니다.
가령 기업용 분석이 실제 강점이라면 관련 기능을 고객의 사용 사례와 연결해 설명할 수 있습니다.
반대로 경쟁사의 강점이 실제로 우월하다면 자사 제품의 다른 차별화 요소를 찾는 편이 더 효과적일 수 있습니다.
이것이 조건별 GEO 분석이 단순한 콘텐츠 최적화와 다른 이유입니다.
AI 검색에서 잘 보이도록 문장을 바꾸는 것을 넘어, 고객이 어떤 기준으로 제품을 선택하는지 이해하도록 만들기 때문입니다.
8. 그렇다고 FAQ나 스키마만 추가하면 해결될까?
여기서 흔히 빠지는 함정이 있습니다.
AI가 특정 조건을 이해하지 못한다고 판단하면 그 조건을 FAQ에 추가하거나 스키마 마크업을 늘리는 것만으로 해결하려는 접근입니다.
그러나 Google은 AI 검색 공식 가이드에서 기존의 SEO 기본 원칙이 여전히 중요하다고 강조합니다.
AI 검색에 노출되기 위한 별도의 특별한 마크업을 요구하지 않으며, 사용자에게 실제로 유용하고 신뢰할 수 있는 콘텐츠가 중요하다는 설명입니다.
이는 기업에 중요한 시사점을 줍니다.
GEO의 목표는 AI에게 특정 표현을 억지로 반복시키는 것이 아닙니다.
고객이 제품을 비교하는 데 필요한 정확하고 구체적인 정보를 제공하는 것입니다.
예를 들어 “보안이 우수한 솔루션”이라는 문구를 반복하는 것보다, 실제 제공하는 보안 기능과 인증, 접근통제 방식, 적용 범위와 제한사항을 명확하게 설명하는 것이 고객에게 더 유용할 수 있습니다.
물론 이런 콘텐츠를 작성한다고 AI 추천이 반드시 증가하는 것은 아닙니다.
콘텐츠 변경 전후에 동일한 질문군을 측정하고, 시간 경과나 경쟁사 변화 등 다른 요인을 고려해야 개선 효과를 평가할 수 있습니다.
9. 도슨티 GEO가 제안하는 경쟁 분석의 다음 단계
현재 기업들은 ChatGPT, Gemini, Claude, Perplexity, 네이버 AI 등 다양한 환경에서 자사 브랜드의 존재감을 관리해야 합니다.
한 플랫폼의 노출률이 높다고 다른 플랫폼에서도 같은 결과가 보장되지는 않습니다.
또한 하나의 AI에서 브랜드가 자주 등장한다고 해서 모든 고객 조건에서 추천되는 것도 아닙니다.
이런 환경에서 중요한 것은 특정 시점의 순위표보다 여러 질문과 플랫폼에 걸친 지속적인 비교입니다.
도슨티 GEO는 주요 AI 플랫폼에서 브랜드의 언급·인용·추천 현황을 측정하고 경쟁사와 비교할 수 있도록 지원합니다.
이러한 측정 데이터를 기반으로 조건별 질문군을 구성하면 경쟁 분석을 더욱 정교하게 발전시킬 수 있습니다.
도슨티가 제안하는 Attribute × Prompt × Brand 프레임워크는 바로 이 방향을 설명합니다.
기업은 어떤 질문에서 경쟁사에게 밀리는지 관찰하고, 해당 질문이 고객의 어떤 조건을 반영하는지 검토할 수 있습니다.
이를 통해 다음과 같은 분석이 가능해집니다.
-
기업의 핵심 고객 조건에서 브랜드가 얼마나 자주 추천되는가?
-
경쟁사는 어떤 기능이나 사용 사례에서 우세하게 나타나는가?
-
AI가 자사 브랜드에 대해 반복적으로 제시하는 강점과 약점은 무엇인가?
-
어떤 정보가 누락되었거나 잘못 인식되고 있는가?
-
콘텐츠 개선 이후 해당 조건의 추천률이 어떻게 변화하는가?
조건별 자동 분류, Conditional Recommendation Rate, 조건 효과 분석은 현재의 기본 모니터링 기능과 구분되는 확장 분석 방향입니다.
핵심은 지표를 더 많이 만드는 것이 아닙니다.
기업이 GEO 데이터를 보고 실제로 무엇을 해야 하는지 판단할 수 있도록 만드는 것입니다.
GEO 경쟁의 본질은 누가 더 자주 등장하느냐가 아니다
AI 검색에서 브랜드는 하나의 고정된 순위를 갖지 않습니다.
사용자의 질문, 예산, 요구조건, 산업, 대화 맥락에 따라 서로 다른 경쟁 구도가 형성될 수 있습니다.
물론 브랜드 인지도와 기존 시장 지위도 중요한 요소입니다. 2026년 6월 공개된 Generative Engine Optimization at Scale 연구는 10만 건 이상의 AI 응답을 분석해 기존에 잘 알려진 브랜드일수록 높은 초기 AI 가시성을 보이는 경향을 보고했습니다.
하지만 그 사실만으로 개별 고객의 요구조건에서 어떤 브랜드가 선택될지 예측할 수는 없습니다.
전체적인 인지도와 특정 조건에서의 적합성은 구분해서 봐야 합니다.
앞으로 기업의 GEO 경쟁 분석에는 두 가지 질문이 모두 필요합니다.
“AI는 우리 브랜드를 얼마나 자주 추천하는가?”
그리고 그보다 더 전략적인 질문입니다.
“AI는 어떤 고객에게, 어떤 조건에서, 왜 우리 브랜드를 추천하거나 제외하는가?”
첫 번째 질문이 경쟁의 결과를 보여준다면 두 번째 질문은 개선해야 할 지점을 찾도록 도와줍니다.
경쟁사보다 더 많이 등장하는 것이 언제나 최선의 목표는 아닙니다.
우리 제품이 실제로 가치를 제공할 수 있는 고객에게, 그 고객이 중요하게 생각하는 조건에서 선택되는 것이 더욱 중요할 수 있습니다.
GEO는 이제 브랜드의 노출 경쟁을 넘어 고객의 선택 조건을 이해하는 경쟁으로 발전해야 합니다.
도슨티 GEO는 이러한 경쟁을 막연한 추측이 아니라 측정 가능한 질문과 데이터로 이해하는 데서 출발합니다.
