검색 순위는 그대로인데 공식 웹사이트 클릭은 줄어들고 있습니다. Google AI 답변이 SEO를 순위 경쟁에서 유입 경로 경쟁으로 바꾸고 있습니다. 이 글은 트래픽 변화의 원인을 분석하고 공식 웹사이트 콘텐츠와 Agent 진입 경로를 조정하는 방법을 제시합니다.
RevScope가 공개한 “Google's AI answers reducing search traffic by 40%”는 2026년 SEO와 GEO(생성형 엔진 최적화)에 집중한 보고서입니다. 관련 보도 글은 Hacker News 메인 페이지에 올라가 148점과 104개의 댓글을 받았습니다. 토론 링크는 HN 50540178입니다.
40%를 곧바로 업계 평균으로 받아들일 필요는 없습니다. 더 주목할 부분은 Google이 검색 결과에서 AI 답변이로 이동하는 트래픽 경로를 바꾸고 있다는 점입니다.
40% 감소가 의미하는 것
‘검색 트래픽 40% 감소’는 모든 사이트와 모든 키워드에 적용되는 고정 감소율이 아닙니다. 특정 표본, 특정 기간, 특정 통계 기준에서 나온 수치일 가능성이 높습니다.
다음 세 가지 지표로 나누어 살펴볼 필요가 있습니다.
- 검색 노출량: 사이트가 결과 페이지에 계속 나타나는지
- 평균 순위: 결과 페이지에서 사이트가 차지하는 위치
- organic 클릭량: 사용자가 결과를 본 뒤 실제로 클릭하는지
AI 답변이 상위 10개를 없애지는 않았더라도 답을 결과 상단에 바로 표시할 수 있습니다. 사용자가 시간, 정의 또는 비교 결과를 얻은 뒤에는 링크를 열 이유가 줄어듭니다.
따라서 순위가 남아 있다는 사실이 상업적 트래픽까지 유지된다는 뜻은 아닙니다.
SEO는 지금까지 ‘발견되는 것’을 최적화했습니다. 이제는 ‘인용되는 것’까지 최적화해야 합니다. 후자는 사이트가 AI 답변에 포함될 수 있는지, 그리고 그 답변이 공식 웹사이트로 추가 방문을 유도할지를 좌우합니다.
AI 답변이 가져가는 클릭
가장 큰 영향을 받는 것은 보통 공식 웹사이트에 들어가야만 완료할 수 있는 검색이 아닙니다.
정의형 검색
예를 들면 다음과 같습니다.
- GEO란 무엇인가
- MCP와 기존 API의 차이는 무엇인가
- RAG는 vector retrieval을 대체하는가
이런 질문은 SERP에서 바로 답하기에 적합합니다. Google AI Overviews와 AI Mode는 정의를 추출하고 차이를 나열한 뒤 출처를 함께 제시할 수 있습니다.
비교형 검색
예를 들면 다음과 같습니다.
- Claude vs Gemini: 코딩 성능 비교
- LangChain vs LangGraph: 복잡한 Agent 선택 기준
- MCP server는 직접 개발하는가, 완성된 솔루션을 사용하는가
Google은 비교 표를 바로 생성할 수 있습니다. 공식 웹사이트 글이 같은 내용을 다시 옮겨 놓았다면 AI 요약에 접힐 가능성이 높습니다.
단계형 검색
예를 들면 다음과 같습니다.
- Google Search Console 신청 방법
- Claude Code에 MCP 연결하는 방법
- AI Agent의 무한 루프 문제 진단 방법
답변이 일반적인 절차만 담고 있다면 클릭은 계속 줄어들 수 있습니다.
도구 선택형 검색
예를 들면 다음과 같습니다.
- 2026년 최고의 AI Agent framework
- 기업용 RAG 구축에 사용할 vector database 선택
- 팀의 Prompt 평가 도구 선택
이런 검색은 상업적 가치가 높지만 Google은 ‘추천 목록’을 직접 제시하는 경향이 있습니다. 공식 웹사이트가 클릭을 되찾으려면 결론만 반복하는 대신 테스트 환경, 데이터와 적용 한계를 함께 제공해야 합니다.
AI 답변이 가져가는 것은 주로 ‘읽고 바로 떠나는’ 클릭입니다. 심층 사례, 원본 데이터, 장애 재현 자료와 다운로드 가능한 리소스는 여전히 높은 구매 의도를 가진 방문자의 진입점이 될 수 있습니다.
SEO는 더 이상 효과가 없나
제 판단은 SEO가失效했다는 것이 아니라, 키워드를 반복해 넣고 설명형 글을 대량 생성하는 전략이失效했다는 것입니다.
키워드는 여전히 crawl과 indexing에 영향을 줍니다. 그러나 LLM 인용, GEO와 구조화된 콘텐츠가 새로운 노출 계층이 되고 있습니다.
사이트가 AI 답변에 포함되려면 보통 다음 네 가지 조건을 동시에 충족해야 합니다.
- 콘텐츠가 질문에 직접 답할 수 있어야 합니다.
- 핵심 결론에 맥락과 근거가 있어야 합니다.
- 페이지 구조가 기계적으로 추출하기 쉬워야 합니다.
- 출처의 정체성이 안정적이고 사실을 교차 검증할 수 있어야 합니다.
‘ originality’는 더 이상 부가적인 요소가 아닙니다. AI가 대량의 내용을 학습한 뒤 가장 희소한 것은 검증 가능한 원천 자료입니다.
예를 들어 ‘AI Agent framework 10종 비교’라는 글은 매우 일반적입니다. 반면 다음 내용을 공개한 페이지의 가치는 완전히 다릅니다.
- 테스트 버전과 날짜
- hardware 환경
- task set
- 성공률과 실패 sample
- latency와 Token consumption
- 원본 실행 로그
앞의 글은 검색 요약에 등장할 수 있습니다. 뒤의 글은 LLM과 AI Agent가 근거 자료로 인용할 가능성이 훨씬 높습니다.
이것이 SEO와 GEO의 차이입니다. SEO는 결과 페이지의 순위를 차지하는 데 집중하고, GEO는 답변에 포함되고 인용 대상이 되어 사용자가 추가 방문할 이유를 만드는 데 집중합니다.
공식 웹사이트에는 어떤 콘텐츠가 필요한가
공식 웹사이트를 ‘더 긴问答 페이지’로 바꾸지 마세요. 다음 다섯 유형의 콘텐츠를 구축하는 것이 좋습니다.
1. 제품 실측
버전, 환경, 입력과 결과를 명확히 기록하세요.
다음처럼 작성하지 마세요.
Claude Code는 복잡한 repository를 처리할 때 우수한 성능을 보였습니다.
대신 다음과 같이 구체적으로 작성하세요.
테스트에는 Claude Code 0.6.0과 TypeScript 파일 1,240개가 있는 repository를 사용했으며, task에는 directory를 넘나드는 refactoring 3회가 포함됐습니다. 첫 실행에서는 파일 17개가 수정됐고 test 2개가 실패했습니다. 두 번째 실행에서는 error를 반영해 수정 사항을 통과했습니다.
구체적인 숫자는 형용사보다 AI 요약에 의해 지워지기 어렵습니다.
2. 변경 기록
AI는 social media에 흩어진 정보를 안정적으로 수집하기 어렵습니다. 공식 웹사이트에서 구조화된 changelog를 관리하면 오래된 정보와 잘못된 인용을 줄일 수 있습니다.
다음과 같이 기록할 수 있습니다.
{
"date": "2026-01-15",
"product": "Example MCP Server",
"version": "1.4.0",
"change": "Add OAuth token refresh",
"breaking_change": false,
"source": "https://example.com/changelog/1.4.0"
}
필드는 자유롭게 조정할 수 있습니다. 중요한 것은 date, version, change와 안정적인 URL입니다.
3. 원본 데이터
benchmark를 공개할 때는 최소한 테스트 방법, 표본 범위와 원본 결과를 함께 제공해야 합니다.
신뢰할 수 있는 데이터 페이지에는 다음 항목이 포함되어야 합니다.
- 데이터 수집 날짜
- sample 수
- 제외 기준
- 실패 사례
- 다운로드 링크
- 버전 기록
데이터가 image 안에만 있다면 LLM이 안전하게 인용하기 어렵습니다. CSV, JSON, table과 접근 가능한 text가 더 실용적입니다.
4. 구조화된 사례
사례 글은 ‘고객 효율성 50% 향상’처럼만 작성하지 마세요. 다음 구조가 더 적절합니다.
- 고객의 원래 문제
- 기존 프로세스에 소요된 시간
- 연결한 component
- 배포과 permission boundary
- 출시 후 데이터
- 실패 이후의 조정 내용
실제 프로세스는 성공담보다 정보 밀도가 높고, 전문 사용자가 검증하기도 적합합니다.
5. 검증 가능한 인용
핵심 결론마다 출처를 붙이세요. 논문, 문서, commit 기록과 공식 announcement를 인용하면 됩니다.
빠르게 변하는 주제에는 ‘최종 확인 날짜’도 추가하세요. LLM에게 timestamp는 장식이 아닙니다. 오래된 결론이 여전히 유효한지를 판단하는 기준이 됩니다.
다음 코드로 페이지에 기계가 읽을 수 있는 업데이트 시각과 출처가 있는지 먼저 확인할 수 있습니다.
from datetime import date
from pathlib import Path
import re
page = Path("article.html").read_text(encoding="utf-8")
updated = re.search(
r'<meta\s+name="last-updated"\s+content="([^"]+)"',
page,
re.I,
)
sources = re.findall(r'<a\s+[^>]*href="https?://[^\"]+"', page, re.I)
assert updated, "missing last-updated metadata"
assert sources, "missing external source links"
print({
"last_updated": updated.group(1),
"source_link_count": len(sources),
"checked_on": date.today().isoformat(),
})
이는 Google의 공식 scoring tool이 아니라 기본 점검용 코드입니다. 페이지에는 명확한 제목, list, table과 semantic HTML도 사용해야 합니다.
Agent가 검색 진입점을 차지하는 시대
SEO가 직면한 변화는 Google AI 답변입니다. AI Agent가 가져오는 변화는 더 깊습니다. 사용자는 검색 결과 페이지를 열지 않을 수도 있습니다.
기존 흐름은 다음과 같았습니다.
사용자 -> 검색 결과 -> 공식 웹사이트 클릭 -> 읽기 -> form 작성
Agent 시대에는 다음과 같은 흐름이 될 수 있습니다.
사용자 -> LLM -> 검색, 문서와 business tool 호출 -> 결과 반환
MCP(Model Context Protocol)는 model이 외부 tool과 data source에 연결되도록 합니다. AI Agent는 승인된 API를 통해 문서, 주문, ticket과 사내 knowledge base를 조회할 수 있습니다. 공식 웹사이트 콘텐츠도 browser로만 접근되는 것이 아니라 tool result, retrieval corpus 또는 structured data로 읽힐 수 있습니다.
여기에는 최소 세 단계의 변화가 있습니다.
검색이 tool 호출로 바뀐다
Agent의 목표는 몇 위인지가 아니라 task를 완료하는 것입니다. 검색 API를 호출하고 여러 source를 읽은 뒤 적합한 답을 걸러낼 수 있습니다.
Permission이 노출을 결정한다
사용자가 권한을 허용해야 Agent가 더 많은 data에 접근할 수 있습니다. 공개되지 않았거나, 해석하기 어렵거나, permission-friendly하지 않은 entry point는 후보 집합에조차 포함되지 않을 수 있습니다.
브랜드 identity가 tool 선택에 영향을 준다
Agent가 MCP server, database 또는 evaluation platform을 추천할 때 공식 문서, GitHub activity, security record와 사용자 feedback을 참고합니다. 브랜드는 API와 tool ecosystem을 통해 유통되기 시작합니다.
전통적인 검색이 사라진다는 뜻은 아닙니다. 현실적인 변화는 트래픽 진입점이 ‘browser 검색 결과’에서 ‘model이 생성한 답변’과 ‘Agent tool 호출’로 확장된다는 점입니다.
콘텐츠 팀이 순위표만 좇지 않으려면 다음 질문도 던져야 합니다.
- 콘텐츠를 API로 읽을 수 있는가?
- Agent가 MCP를 통해 product를 호출할 수 있는가?
- 문서를 structured retrieval으로 찾을 수 있는가?
- 사용자가 권한을 허용하면 Agent가 task를 완료할 수 있는가?
편집자의 생각
40%를 업계 평균으로 받아들일 수는 없습니다. sample 선택, keyword 구조, 통계 기간과 AI 답변 coverage에 따라 달라질 수 있기 때문입니다. 더 중요한 차이는 과거 SEO가 ‘답변의 종점’을 다투었지만, 이제 공식 웹사이트가 ‘검증 가능한 source’가 되어야 한다는 점입니다.
제 예측은 향후 12개월 동안 기업 공식 웹사이트의 page 수 증가율이 떨어질 한다는 것입니다. content budget은 benchmark, version별 문서, 원본 데이터와 호출 가능한 tool에 더 많이 투입될 가능성이 높습니다. 검색 엔진이 crawl하고, LLM이 인용하며, Agent가 호출할 수 있는 page일수록 복리 효과가 커집니다.
반대로 순수 content farm이 즉시 사라진다는 뜻도 아닙니다. Google은 여전히 검색을 위해 web page를 사용하고, LLM도 공개 corpus에 의존합니다. 실제로 압축되는 것은 근거도, 업데이트도 없고 keyword만 바꾸어 쓰는 중간층 콘텐츠입니다.
불확실한 부분도 분명합니다. 현재 공개된 데이터만으로는 AI 답변, algorithm update, 계절 변화와 brand search 증가를 분리하기 어렵습니다. 40%는 정밀한 예측이 아니라 경보 신호입니다. 팀은 query 유형별 노출, 클릭과 conversion을 기록한 뒤 손실이 어디에서 발생했는지 판단해야 합니다.