TL;DR: ChatGPT, Perplexity, Gemini 전반에 걸쳐 리스팅 100개를 감사해 봤더니, 본문만 있는 리스팅의 인용률은 12%, 완전한 구조화 지오 데이터를 갖춘 리스팅은 71%까지 올랐습니다. 가장 큰 차이를 만든 세 가지 신호는 검증된 지오 좌표, nearby context 필드, 그리고 플랫폼 간 NAP 일관성이었어요.
2026년 4월 첫 두 주 동안 100개의 위치 기반 리스팅을 대상으로 통제된 감사를 실시해 한 가지 질문에 답했습니다. 구조화된 지오 데이터는 AI 어시스턴트가 리스팅을 인용하는 비율을 실제로 얼마나 바꾸는가.
짧게 말하면 최하위 버킷과 최상위 버킷 사이에서 약 6배가 차이 납니다. 아래는 전체 방법론, 버킷별 결과, 그리고 AI 검색용으로 리스팅을 최적화하는 사람에게 주는 실질적인 함의입니다.
방법론
리스팅. 4개 버티컬에 걸쳐 100개: 베케이션 렌탈 30개, 부티크 호텔 25개, 독립 레스토랑 25개, 지역 관광지 20개. 단일 시장 편향을 줄이기 위해 유럽 14개 도시에 분산시켰습니다. 모든 리스팅은 활성화된 인덱싱 가능한 홈페이지가 있고, 서드파티 디렉터리에도 최소 한 곳 등록되어 있어요.
쿼리 세트. 리스팅당 15개의 발견 의도 프롬프트 템플릿. 일반적인 발견(「포르투의 조용한 부티크 호텔」), 기능 특화 발견(「포르투에서 메트로까지 걸어갈 수 있는 호텔」), 명명된 리콜(「Casa do Vale은 포르투에서 괜찮은 게스트하우스야?」)을 아울렀습니다. 모든 템플릿은 대화 히스토리 없이 깨끗한 세션에서 새로 발사했어요.
모델. ChatGPT(GPT-5급), Perplexity, Gemini. 각 프롬프트를 모델당 한 번씩 발사해 리스팅당 45개 응답, 총 4,500개 응답을 모았습니다.
채점. 리스팅이 링크된 소스로 등장하거나, 답변에 명시적으로 이름이 나오거나, 둘 다인 경우 인용으로 카운트했습니다. 부분 이름 일치는 오탐을 제외하기 위해 수동 검토했습니다.
버킷 분류. 각 리스팅을 MapAtlas AEO Checker의 29개 구조화 시그널로 채점한 뒤, 완성도에 따라 4개 버킷으로 그룹화했어요. 버킷 임계값은 채점 시작 전에 미리 정해뒀습니다.
핵심 결과
최하위와 최상위 버킷의 인용률 격차는 예상보다 컸습니다.
출처: MapAtlas 벤치마크, 2026년 4월, n=100 리스팅, 4,500 응답.
최하위 버킷, 즉 풍부한 산문은 있지만 구조화 데이터가 없는 리스팅의 인용률은 12%였습니다. 최상위 버킷, 즉 완전한 Place schema, 검증된 지오 좌표, 주변 컨텍스트 필드, FAQ schema, 플랫폼 간 일관된 NAP를 가진 리스팅은 71%에 도달했어요.
시그널별 분석
최상위 버킷 결과를 견인한 개별 시그널을 찾기 위해 feature ablation 분석을 돌렸습니다. 가중치 상위 6개 시그널에 대해, 다른 변수를 거의 일정하게 유지한 채 시그널을 가진 리스팅과 갖지 않은 리스팅의 인용률을 비교했어요.
| 시그널 | 있음 | 없음 | 배수 |
|---|---|---|---|
geo 포함 완전한 Place JSON-LD | 58% | 19% | 3.1x |
| 검증된 주변 POI 데이터 | 62% | 24% | 2.6x |
| 교통 근접성 필드 | 54% | 22% | 2.5x |
| 위치 질문을 담은 FAQ schema | 49% | 26% | 1.9x |
| 3개 이상 플랫폼 간 NAP 일관성 | 56% | 21% | 2.7x |
| 외부 식별자 (Wikidata / Place ID) | 51% | 27% | 1.9x |
출처: MapAtlas 벤치마크, 2026년 4월.
이 표에서 네 가지가 눈에 띕니다.
- 지오 좌표가 단일 시그널 중 가장 강력한 리프트.
geo가 없는 Place 블록은 schema가 아예 없는 상태와 아주 근소하게 나은 수준입니다. - 주변 컨텍스트도 거의 맞먹는 힘. 명명된 POI와 교통까지의 근접성은 두 번째로 큰 인용 예측 인자입니다.
- FAQ schema는 도움이 되지만 위치 특화 시그널만큼은 아님. 위치 질문(「가장 가까운 메트로까지 얼마나 걸려」)에 답하는 FAQ가 일반 운영 FAQ를 큰 차이로 앞섰어요.
- 외부 식별자는 체급 대비 효율이 좋음. 리스팅을 Wikidata QID나 Google Place ID에 연결하는 것만으로 ablation에서 인용률이 거의 두 배가 됐습니다. AI 시스템이 여러 소스에서 중복을 제거할 수 있기 때문으로 보여요.
버티컬별 차이
효과 크기는 버티컬에 따라 균일하지 않았습니다. 시작 베이스라인이 가장 약한 베케이션 렌탈이 구조화 데이터로부터 얻는 절대 이득이 가장 컸고, 이미 훈련 데이터에서 잘 대표되는 랜드마크는 이득이 가장 작았어요.
| 버티컬 | 최하위 버킷 | 최상위 버킷 | 차이 |
|---|---|---|---|
| 베케이션 렌탈 | 7% | 68% | +61 |
| 부티크 호텔 | 14% | 74% | +60 |
| 독립 레스토랑 | 13% | 69% | +56 |
| 지역 관광지 | 18% | 72% | +54 |
출처: MapAtlas 벤치마크, 2026년 4월.
베케이션 렌탈이 가장 선명한 승리 패턴입니다. 처음엔 거의 보이지 않던 리스팅이 구조화 데이터만으로 꾸준히 인용되는 소스로 바뀔 수 있어요. 이미 공개 웹에서 존재감이 강한 장소는 효과가 더 작지만, 그래도 유의미합니다.
모델이 실제로 하는 일
200개 응답의 정성 리뷰에서 반복되는 패턴이 보였습니다. 리스팅이 완전한 구조화 데이터를 가지고 있으면 어시스턴트는 구체적 사실, 즉 역까지의 도보 시간, 300m 이내 레스토랑 수, 동네 이름, 영업 시간 같은 걸 직접 인용하는 경향이 있었어요. 같은 리스팅에서 구조화 데이터를 벗겨내면 어시스턴트는 아예 언급을 생략하거나 두루뭉술한 표현으로 돌렸습니다.
이건 retrieval-augmented 모델의 행태와 일치합니다. 구체적이고 검증 가능한 사실로 질문에 답하는 소스를 우선적으로 인용해요. 리스팅을 「조용하고 걷기 좋은」이라고 묘사하는 산문은 「walk score 92, noise index 18 dB average」라고 밝히는 구조화 필드에 집니다. 후자가 추출하기 쉽고, 사용자 쿼리와 비교하기 쉽고, 출처를 달기도 쉬우니까요.
버킷 1에서 버킷 4로 올리는 법
ablation 기준으로 리프트의 대부분을 차지한 변경은 네 가지입니다.
1. 지오 좌표를 포함한 완전한 Place 또는 LodgingBusiness JSON-LD 블록을 추가한다. 우편 주소와 일치하는 좌표, 정규 외부 식별자, 필수 Schema.org 필드 전부. Google 공식 로컬 비즈니스용 구조화 데이터 가이드는 가중치가 가장 큰 필드를 정리해 둡니다. 필드 단위 세부는 로컬 비즈니스 AI 인용을 위한 JSON-LD schema를 참고하세요.
2. 검증된 주변 컨텍스트로 리스팅을 보강한다. 가장 가까운 대중교통 정류장까지의 도보 시간, 주변 레스토랑과 카페 수, 정의된 반경 내 명명된 POI. MapAtlas GeoEnrich가 검증된 소스에서 이걸 대규모로 생성하니 schema와 본문 양쪽에 임베드할 수 있어요.
3. 위치 특화 FAQ schema를 게시한다. 사용자가 위치 쿼리를 표현하는 방식에 직접 매핑되는 질문. AI 검색을 위한 위치 특화 FAQ를 참고하세요.
4. 플랫폼 간 NAP를 맞춘다. 리스팅 홈페이지, Google Business Profile, 최소 한 개의 서드파티 디렉터리가 같은 이름, 주소, 전화번호를 보여줘야 합니다. 메커니즘은 AI 검색을 위한 NAP 일관성에서 다룹니다.
주의사항
이 벤치마크는 방향성을 주는 것이지 확정적인 건 아닙니다. 적어둘 한계 세 가지.
- 샘플 크기. 100개 리스팅은 큰 효과를 보기에는 충분하지만 미세한 차이를 해상하기엔 부족합니다.
- 모델 드리프트. AI 어시스턴트는 자주 업데이트됩니다. 절대 숫자는 흔들리지만 시그널 간 상대 순위는 더 안정적이에요.
- 쿼리 믹스. 템플릿이 발견 의도 쪽으로 치우쳐 있습니다. 트랜잭션 쿼리(「오늘 밤 포르투에서 방 예약」)는 다른 경로로 라우팅되므로 범위 밖이에요.
더 큰 핵심은 어떤 특정 숫자의 정밀도가 아닙니다. 구조화된 리스팅과 그렇지 않은 리스팅 사이의 격차가 크고, 측정 가능하며, 대부분 리스팅 소유자의 통제 범위 내 작업으로 좁힐 수 있다는 점입니다.
내 베이스라인 측정하기
MapAtlas AEO Checker는 이 벤치마크와 같은 29개 시그널로 리스팅을 채점합니다. 성과가 가장 좋은 매물과 가장 약한 매물 양쪽에 돌려보세요. 점수 차이는 보통 두 매물이 실제로 AI 어시스턴트에 노출되는 빈도의 차이와 맞아떨어집니다.
인용률은 AI로 검색하는 세대에게 오가닉 순위의 대응물이 되어가고 있습니다. 이기는 리스팅은 모델에 추출할 뭔가를 주는 리스팅이에요. 나머지는 모델이 예의 바르게 무시할 산문일 뿐입니다.
관련 글:
자주 묻는 질문
AI 인용률이 뭔가요?
AI 인용률은 관련 사용자 쿼리 중 AI 어시스턴트가 특정 리스팅을 인용 소스에 포함하거나 답변에서 이름을 직접 언급하는 비율입니다. AI 검색의 오가닉 순위에 해당하지만, 결과 페이지가 아닌 답변 레벨에서 측정합니다. 인용률 40%인 리스팅은 테스트한 어시스턴트의 관련 답변 5개 중 2개에 등장한다는 뜻이에요.
이 벤치마크는 어떻게 진행했나요?
베케이션 렌탈, 부티크 호텔, 독립 레스토랑, 지역 관광지 4개 버티컬에서 100개 리스팅을 선정했습니다. 각 리스팅은 ChatGPT, Perplexity, Gemini에서 발견 의도 질문의 표준 템플릿으로 15번씩 쿼리했고, 응답은 리스팅이 인용 소스 또는 명명된 추천으로 등장했는지로 채점했습니다. 그다음 MapAtlas AEO Checker로 측정한 구조화 데이터 완성도로 리스팅을 버킷에 나눴어요.
인용률에 가장 큰 영향을 준 건 뭐였나요?
세 가지 시그널이 가장 크게 작용했습니다. 지오 좌표를 포함한 완전한 Place 또는 LodgingBusiness JSON-LD 블록의 존재, 교통 시간이나 명명된 POI 근접 같은 검증된 주변 컨텍스트, 그리고 Google Business Profile, 리스팅 홈페이지, 최소 한 개 이상의 서드파티 디렉터리 간 NAP 일관성. 이 세 가지 모두에서 점수가 높은 리스팅은 세 가지 모두 낮은 리스팅보다 인용률이 대략 6배 높았어요.
글(산문)만으로도 도움이 됐나요?
조금은요. 위치 키워드를 포함하지만 구조화 데이터가 없는 긴 설명은 베이스라인 인용률이 약 12%였습니다. 검증된 지오 필드 없이 Schema.org 마크업만 추가하면 약 28%까지 올라갑니다. 검증된 주변 컨텍스트와 일관된 NAP 데이터를 더하면 최상위 버킷에서 약 71%까지 올라갑니다. 산문 품질은 리스팅이 인용된 이후의 사용자 신뢰에는 중요하지만, 애초에 인용될지 여부에는 영향이 제한적이에요.
내 인용률은 어떻게 측정하나요?
리스팅 URL을 mapatlas.eu/ai-seo-checker의 무료 MapAtlas AEO Checker에 넣어보세요. 이 체커는 이번 벤치마크에서 사용한 것과 같은 29개 시그널을 채점하고 빠진 항목을 표시해줍니다. 점수와 함께 ChatGPT, Perplexity, Gemini에서 주기적으로 수동 프롬프트를 돌려보면 시간이 지나면서 리스팅이 얼마나 자주 노출되는지 추적할 수 있어요.
