기존 SEO는 검색엔진에서 웹페이지가 잘 발견되고 노출되도록 만드는 작업이었습니다. 이후 ChatGPT, Gemini, Claude처럼 사용자의 질문에 직접 답하는 생성형 AI가 널리 사용되면서 새로운 최적화 용어들이 등장하기 시작했습니다.
GEO는 생성형 엔진, AEO는 답변 엔진을 중심으로 이름을 붙였다면 LLMO는 그 서비스를 구성하는 대형언어모델에 초점을 맞춘 표현입니다.
아직 하나의 용어로 통일된 분야는 아닙니다. GEO, AEO, LLMO가 서로 다른 의미로 구분되기도 하고 비슷한 작업을 설명하는 말로 함께 사용되기도 합니다. 따라서 용어 자체보다 실제로 어떤 작업을 하는지를 봐야 합니다.
LLM(Large Language Model, 대형언어모델)은 많은 양의 텍스트를 학습해 사용자의 질문에 맞는 문장을 생성하는 AI 모델입니다. ChatGPT, Gemini, Claude 같은 서비스에는 각각 이러한 언어모델이 사용됩니다.
사용자가 직접 접하는 것은 ChatGPT나 Gemini 같은 서비스이고, 그 안에서 답변을 생성하는 데 사용되는 것이 LLM입니다.
다만 현재의 AI 서비스는 언어모델만으로 답변하는 것은 아닙니다. 질문에 따라 웹 검색이나 별도의 검색 시스템, 서비스가 제공하는 다른 기능을 함께 사용해 최신 정보를 확인하기도 합니다.
이 차이를 알아두면 LLMO에서 실제로 무엇을 관리할 수 있는지도 구분하기 쉬워집니다.
세 용어는 강조하는 대상이 조금씩 다릅니다.
GEO(Generative Engine Optimization)는 생성형 AI에서의 노출을 중심으로 설명하고, AEO(Answer Engine Optimization)는 사용자에게 직접 답을 제공하는 서비스에 초점을 둡니다. LLMO는 대형언어모델을 기반으로 한 서비스에서 브랜드와 콘텐츠가 어떻게 활용되는지를 중심으로 설명하는 표현입니다.
실제 업무에서는 겹치는 부분이 많습니다. 고객이 AI에 물어볼 질문을 정하고, 해당 질문에 답하는 콘텐츠를 만들고, 사이트가 검색엔진과 필요한 크롤러에 정상적으로 읽히는지 확인합니다. 외부에서 브랜드가 어떤 정보로 언급되는지도 확인하고 실제 AI 답변에서 브랜드와 문서가 어떻게 사용되는지를 측정합니다.
따라서 업체나 서비스를 비교할 때 GEO인지 LLMO인지 이름만 보고 판단하기보다 실제 업무 범위를 확인하면 됩니다.
LLMO를 이해할 때 가장 주의해야 할 부분입니다. AI 모델이 학습한 정보와 답변을 만들면서 웹에서 새로 찾은 정보는 같은 것이 아닙니다.
대형언어모델의 학습 데이터와 학습 방법은 해당 모델을 개발하는 회사가 관리합니다. 일반적인 기업이나 마케팅 업체가 특정 브랜드 정보를 원하는 시점에 모델 학습 데이터에 직접 넣는 방식으로 운영할 수 있는 영역은 아닙니다.
반면 웹에서 공개되는 문서는 기업이 직접 관리할 수 있습니다. 자사 홈페이지의 가격과 서비스 정보를 수정하고, 검색엔진이 해당 페이지를 발견할 수 있도록 관리하고, 외부에서 잘못 소개된 브랜드 정보가 있다면 가능한 범위에서 바로잡을 수 있습니다.
웹 검색을 사용하는 AI 답변에서는 이렇게 공개된 최신 문서가 참고 자료로 활용될 수 있습니다.
예를 들어 상품 가격이 변경됐다면 모델이 과거에 학습한 정보를 기업이 직접 수정할 수는 없습니다. 대신 공식 홈페이지와 관련 문서를 현재 가격으로 수정하고 변경 날짜와 조건을 명확하게 표시할 수 있습니다. 이후 웹 검색을 사용하는 답변에서 최신 정보를 확인할 수 있는 자료를 제공하는 것입니다.
따라서 일반적인 LLMO에서 기업이 직접 관리할 수 있는 부분은 모델 자체보다 웹에 공개돼 있는 콘텐츠와 브랜드 정보에 가깝습니다.
실제 업무는 GEO와 크게 다르지 않습니다.
추천과 비교, 가격, 이용 조건처럼 실제 선택과 가까운 질문을 중심으로 목표 질문 목록을 만듭니다.
기존 페이지에 필요한 정보가 부족하다면 수정하고, 관련 문서가 없다면 새로 만듭니다. 가격이나 조건처럼 바뀔 수 있는 정보는 확인 날짜와 함께 적습니다.
검색엔진과 필요한 크롤러가 페이지에 접근할 수 있는지, 주요 본문이 HTML에서 읽히는지, 구조화 데이터와 기본적인 검색 설정에 문제가 없는지 점검합니다.
기사와 비교 콘텐츠, 리뷰 등에서 브랜드 이름과 주요 정보가 정확하게 적혀 있는지 보고 오래된 정보가 있다면 수정할 수 있는 부분을 정리합니다.
목표 질문을 ChatGPT, Gemini, Perplexity 등에 입력해 브랜드가 언급되는지, 어떤 문서가 출처로 사용되는지를 일정한 주기로 기록합니다.
LLM 내부에서 특정 브랜드가 어떻게 처리되는지를 직접 확인하기는 어렵기 때문에 실제 운영에서는 사용자가 접하는 서비스의 답변을 기준으로 결과를 확인합니다.
LLMO 서비스를 설명하면서 특정 브랜드를 'AI 학습에 반영한다'거나 'LLM에 학습시킨다'는 표현을 사용하는 경우에는 실제 작업이 무엇인지 물어봐야 합니다.
일반적인 웹 콘텐츠를 발행한다고 해서 특정 상용 LLM의 학습 데이터에 해당 내용이 즉시 들어가는 것은 아닙니다. 모델의 학습 데이터와 업데이트 일정은 해당 AI 개발사가 관리하기 때문입니다.
실제로는 웹 검색에서 발견될 수 있는 콘텐츠를 만들거나 브랜드 관련 문서를 늘리는 작업을 'AI 학습'이라고 표현하는 경우도 있습니다.
따라서 이런 서비스를 검토한다면 어느 모델에 어떤 방식으로 반영된다는 것인지, 웹 검색 노출을 말하는 것인지 실제 모델 학습을 말하는 것인지 구체적으로 확인해야 합니다.
아직 용어가 하나로 통일되지 않았기 때문입니다. GEO, AEO, LLMO가 서로 다른 범위를 강조하는 용어로 사용되기도 하고 비슷한 작업을 설명하는 말로 쓰이기도 합니다. 현재는 용어만 보고 업무 범위를 판단하기보다 실제 제공되는 작업을 확인하는 것이 정확합니다.
하나만 정답이라고 보기는 어렵습니다. 생성형 AI의 답변 노출을 넓게 설명한다면 GEO를 사용할 수 있고, 답변 엔진이라는 개념을 강조한다면 AEO, 대형언어모델을 중심으로 설명한다면 LLMO라는 표현을 사용할 수 있습니다.
같은 회사에서 여러 용어를 사용한다면 각각 별도의 서비스인지, 같은 업무를 다르게 부르는 것인지 확인해 봅니다.
먼저 어떤 의미인지 확인해야 합니다. 일반 마케팅 업체가 외부 기업의 상용 모델 학습 데이터에 특정 브랜드를 원하는 시점에 직접 추가할 수 있는 것은 아닙니다.
웹 콘텐츠를 만들어 AI가 검색하게 하는 작업을 '학습'이라 표현한 것이라면 실제로는 GEO나 AEO의 콘텐츠 작업에 가깝습니다.
일반적인 GEO 작업을 이미 하고 있다면 LLMO라는 이름 때문에 별도의 작업을 더 시작할 필요는 없습니다.
목표 질문 선정부터 콘텐츠 제작, 크롤러 점검, 외부 브랜드 정보 관리, AI 답변 측정까지 하고 있다면 LLMO의 주요 작업이 이미 포함돼 있습니다.