# SEO 시대의 끝? AI 에이전트를 위한 마케팅 최적화의 시작

> Clean Markdown view of GeekNews topic #20573. Use the original source for factual precision when an external source URL is present.

## Metadata

- GeekNews HTML: [https://news.hada.io/topic?id=20573](https://news.hada.io/topic?id=20573)
- GeekNews Markdown: [https://news.hada.io/topic/20573.md](https://news.hada.io/topic/20573.md)
- Type: news
- Author: [xguru](https://news.hada.io/@xguru)
- Published: 2025-04-28T11:02:01+09:00
- Updated: 2025-04-28T11:02:01+09:00
- Original source: [bain.com](https://www.bain.com/insights/marketings-new-middleman-ai-agents/)
- Points: 14
- Comments: 1

## Summary

**AI 에이전트**가 마케팅 구매 여정의 중심으로 부상하면서 기존의 퍼널 구조가 해체되고 있습니다. **제로 클릭 검색**은 브랜드와의 직접 접촉 없이 AI 응답만으로 구매 결정을 유도하며, 기업 웹사이트 방문자 수는 감소하고 **AI로부터 유입되는 추천 트래픽은 폭발적으로 증가**하고 있습니다. 브랜드는 **AI가 이해하고 활용할 수 있는 콘텐츠 전략**을 수립해야 하며, 성공적인 적응을 위해서는 **새로운 측정 지표 확보, AI 노출 최적화, 빠른 실험 기반 전략 수립**의 3단계 접근이 필요합니다. **LLM 시대에 대응하기 위해서는** 기존 SEO 전략을 넘어 **AI 에이전트를 위한 콘텐츠 최적화 전략**을 도입해야 합니다.

## Topic Body

- **AI 에이전트**가 마케팅 구매 여정의 **새로운 미들맨**으로 떠오르며, 기존 퍼널 구조가 해체되고 있음  
- **"제로 클릭(Zero-click)" 검색**은 브랜드가 사용자와 접점 없이 AI 응답만으로 구매 결정을 유도함  
- 기업 웹사이트의 방문자 수는 감소하고 있으며, **AI로부터 유입되는 추천 트래픽은 폭발적으로 증가 중**  
- 브랜드는 이제 **AI가 이해하고 활용할 수 있는 콘텐츠 전략**을 수립해야 하며, 기존 SEO 방식만으로는 한계가 있음  
- 성공적인 적응을 위해서는 **새로운 측정 지표 확보 → AI 노출 최적화 → 빠른 실험 기반 전략 수립**의 3단계 접근이 필요함  
  
### AI가 구매 여정의 중심이 되다  
  
#### 고객이 직접 찾는 시대에서, **AI가 추천해주는 시대**로 전환 중  
  
- 사용자는 제품을 찾기 위해 Google, Bing 등에서 **AI 요약만으로 구매 결정을 내리거나**, ChatGPT 같은 LLM으로 직접 검색함   
  - Bain & Company 조사: 미국 소비자의 80%는 전체 검색의 40% 이상을 **AI 기반 응답만으로 해결**  
  - HubSpot: 기업 웹사이트 방문자 수 **최대 30% 감소**  
  - Adobe: 2025년 2월 기준, AI 경유 유입 트래픽 **2024년 7월 대비 1200% 증가**  
  
### 기존 구매 퍼널의 붕괴와 AI 중심 퍼널의 등장  
- # 전통적 퍼널  
  - 기존의 디지털 구매 여정은 **검색 → 클릭 → 비교 → 다운로드/리뷰 탐색** 등 선형적이고 수동적인 흐름으로 구성됨  
  - 각 단계마다 **사용자의 노력이 필요**하며, 이는 결국 **이탈률 상승**으로 이어짐  
  - 특히, 중요도가 낮거나 즉흥적인 구매일수록, 복잡한 여정은 구매 포기를 유도함  
- # AI 기반 퍼널  
  - **AI 기반 검색**은 이러한 **복잡한 단계들을 대리 처리**함으로써 사용자의 부담을 줄임  
    - AI가 **요약, 비교, 추천, 개인화 응답**을 수행  
  - 개인의 **선호 데이터를 학습**할수록, AI의 응답 품질도 **지속적으로 향상**됨  
    - 고객은 **의식적으로 탐색하지 않아도 결정을 내리게 됨**  
  - 기술 발전(스케일링, 아키텍처, 인프라 등)은 AI 성능을 가속화하고 있음    
- # AI 기반 구매 전환율, 이미 눈에 띄는 수준  
  - Adobe 분석: AI 기반 검색을 통한 **전환율이 기존 탐색 방식과 격차를 좁히는 중**  
  - Scrunch AI: 일부 구매 경로에서는 **Google 검색 대비 전환율이 2배 이상** 높음  
- # 마케터와 브랜드가 사라지는 퍼널  
  - 고객의 구매 여정이 **AI 요약 → 제품 추천 → 선호 예측 → 선택**의 형태로 AI에 의해 진행  
  - 브랜드는 고객에게 **노출될 기회가 줄어들며**, **차별화나 신뢰 형성**도 어려워짐  
  - 일부 사례에서는 관심만 있던 고객이 단 한 번의 AI 응답으로 구매 추천까지 도달함  
  - 결과적으로 기존의 퍼널은 잘게 분절되고, 고객이 아닌 **AI가 퍼널의 흐름을 지배**하게 됨  
- # 전환이 빠르게 일어나는 분야  
  - **학습, 쇼핑, 스타일 추천** 분야는 특히 빠르게 AI 기반 구매 여정으로 이동 중  
  - 주요 원인:  
    - 사용자들이 **개인 데이터 공유에 더 개방적**  
    - **가격과 중요도가 낮은 선택**  
    - 잘못된 선택에 대한 **리스크가 낮음**  
- # 새롭게 바뀐 퍼널에 대응하기  
  - **AI 기반 추천(AI referral)의 부상**은 마케팅 및 세일즈 팀에게 전례 없는 변화를 의미함  
  - 기업이 AI 에이전트 중심의 퍼널에 최적화하지 않으면, **잠재 고객을 잃게 되는 상황이 이미 발생 중**  
    > 문제는, 이 손실을 **기업이 인지조차 하지 못할 수 있다는 점**  
  - 과거에는 고객이 웹사이트를 방문하거나 콘텐츠를 다운로드하며 **'탐색 접점'을 남겼음**  
    - 예: 페이지 뷰, 광고 클릭, 양식 제출, 이메일 구독 등 → 이후 마케팅 재접촉 가능  
  - 그러나 AI 기반 구매 퍼널에서는, 이 탐색 과정이 **AI 안에서만 이루어지고**, 브랜드는 **퍼널에 진입조차 못할 수 있음**  
- # 브랜드가 사라지는 구매 결정 과정  
  - **탐색 → 평가 → 후보 선정**이 모두 **AI 내부에서 비가시적으로 진행**  
  - 브랜드가 **즉각적으로 떠오르지 않거나**, AI가 해당 브랜드를 언급하지 않으면 **선택지에도 오르지 못함**  
    - 예외: 재구매나 브랜드 충성도가 높은 고객은 여전히 직접 브랜드로 이동 가능  
- # 고객 여정의 세 가지 경로  
  - **브랜드 웹사이트로 직접 방문**  
    - 충성도 있는 고객이나 반복 구매 고객에게 해당  
  - **AI가 중재하는 구매 흐름**  
    - AI가 검색, 비교, 추천, 결제까지 전 과정 수행  
    - 고객은 AI 응답만 보고 결정을 내릴 수 있음  
  - **생성형 AI를 사용하지 않는 고객층**  
    - 여전히 기존 검색과 탐색을 활용  
    - 그러나 이들조차도 **검색 결과에 포함된 AI 요약**의 영향을 받게 됨  
> AI가 구매 퍼널의 초입에서 브랜드를 '필터링'하는 **새로운 관문 역할**을 하며, **기존의 접점 기반 마케팅 전략은 점점 무력화**되고 있음  
  
### LLM이 중요하게 여기는 콘텐츠의 기준  
  
- 앞으로는 **전통적 SEO vs AI 최적화**라는 이분법이 아닌, **모든 경로에 맞춘 콘텐츠 전략 최적화**가 필요해짐  
- 기존 채널(직접 방문, 일반 검색 등)에는 여전히 **개인화된 여정 설계, 마찰 최소화** 같은 원칙이 유효함  
- 그러나 **AI 에이전트를 통한 유입**에서는 **전통 SEO와는 전혀 다른 가치 기준**이 작동함  
- # LLM이 브랜드 콘텐츠를 판단하는 방식  
  - LLM은 브랜드의 자사 주장만으로는 신뢰하지 않음  
    - 대신, 이를 **검증해줄 제3자 출처(earned media, 리뷰, 포럼 등)**를 중시함  
  - Scrunch AI 분석 결과:  
    - 브랜드명이 포함되지 않은 검색 질의에 대한 AI 응답 중 **90% 이상이 외부 콘텐츠에 기반**  
    - 브랜드명이 언급된 응답조차도 **60% 이상은 비브랜드 출처 콘텐츠**를 인용  
- # LLM이 선호하는 콘텐츠 특성 5가지  
  - **언어 스타일**  
    - 웨비나나 이미지 중심 콘텐츠보다,  
    - **블로그나 설명형 글처럼 대화체의 풍부한 문장**을 선호  
  - **에이전트 친화적 구조**  
    - **정리된 리스트, 정의, 가이드형 포맷**은 LLM이 정보를 요약하기에 적합  
  - **스크래핑 가능한 클린 사이트**  
    - 과거 SEO용으로 제작된 **오래된 페이지, 과도한 키워드 삽입**은 혼란 유발  
    - **정확한 인덱싱과 구조화된 최신 페이지**가 효과적  
  - **외부 권위 기반 검증 (Off-site earned authority)**  
    - **언론 기사, 전문가 리뷰, 공신력 있는 외부 매체**에서의 인용이 신뢰성 부여  
  - **깊이 있는 사용자 대화 (Off-site deep customer conversations)**  
    - **포럼, 리뷰 사이트, 커뮤니티 등에서의 활발한 언급**은  
    - **백링크와 브랜드 신뢰도**를 높이는 핵심 자산  
  
### LLM 시대에 대응하는 3단계 전략  
- 일부 선도 기업은 이미 **AI 추천 트래픽 전환이 비즈니스에 미치는 영향**을 분석하고 있으며, **LLM 기반 마케팅 성과 향상**을 위해 투자 중  
- 이 변화에 빠르게 적응하려면, 다음과 같은 **실행 중심의 3단계 접근**이 필요함  
- # 1\. **새로운 핵심 지표를 정의하라**  
  - 변화하는 고객 흐름을 제대로 파악하려면,  
    **기존 웹 트래픽 외의 새로운 성과 지표**가 필요함  
  - AI 트래픽이 어떤 가치를 만들어내는지 **가시화할 수 있어야**,  
    **마케팅 리드의 주요 원천을 포착하고 추적**할 수 있음  
- # 2\. **퍼널 분석 인텔리전스를 구축하라**  
  - LLM이 현재 고객 퍼널에 미치는 영향과,  
    **향후 변화 가능성**을 지속적으로 분석해야 함  
  - 핵심은 **AI 기반 퍼널 구조와 브랜드 노출 상태를 시각화**하고,  
    **업데이트 가능한 점수판(scorecard) 형태로 관리**하는 것  
  - 같은 입력이라도 LLM은 전통 검색과 **전혀 다른 결과를 낼 수 있으므로**,  
    **이 차이를 측정할 수 있는 툴이 필요**  
- # 3\. **실험 가능한 가설을 세우고 빠르게 테스트하라**  
  - 개선 포인트를 파악했다면,  
    **우선순위를 정하고 빠른 실험을 실행**해야 함  
  - 이를 위해서는 **신속한 반복 테스트와 영향력 기반 자원 배분 시스템**이 필요함  
  - 마케팅팀은 **영향 실험(influence experiments)** 을 통해  
    어떤 콘텐츠가 **AI에 더 잘 노출되는지 실험하고 확장**해야 함  
  
> **LLM은 고객이 브랜드를 만나기 전부터 필터링을 시작함**  
> → 기존 SEO 전략만으로는 대응 불가능  
> → **LLM을 고려한 콘텐츠 최적화 전략**을 도입해야 선순환 구조가 형성됨  
  
### 결론: 인간이 아닌 "AI 에이전트에게 최적화"하라  
- 성공적인 LLM 시대의 마케팅은 단지 사람을 설득하는 것이 아니라, **AI가 당신의 브랜드를 신뢰하고 추천하게 만드는 것**  
- **내부 콘텐츠, 외부 신뢰, 사용자 대화 기반 콘텐츠**를 확보할수록 **AI가 더 많이, 더 긍정적으로 브랜드를 언급**하게 됨  
- 즉, 인간뿐 아니라 **AI 에이전트를 위한 콘텐츠 설계**가 마케팅의 핵심 과제가 됨

## Comments



### Comment 37982

- Author: zziuni
- Created: 2025-04-30T08:56:12+09:00
- Points: 1

맞는 말인데.. 기술적인 대응면에선 해야할일이  (당장은) 기존 SEO 대응과 크게 다를게 없어보이네요