우리는 늘 ‘다르게 생각하라’, ‘새로운 용어를 만들어내라’, ‘아무도 들어보지 못한 아이디어를 개척하라’는 말을 듣습니다. 특히 기술과 마케팅 분야에서 독창성은 끊임없이 강조되는 가치입니다.
하지만 AI 기반 검색이 주도하는 시대에 독창성은 우리가 생각하는 것처럼 큰 이점이 되지 않을 수 있습니다. 오히려 단점이 되거나, 좋게 봐도 장기적으로 불확실한 게임이 되어버렸습니다.
불편한 진실은 이렇습니다: 대규모 언어 모델(LLM)은 최초의 아이디어에 보상하지 않습니다. 그들은 합의된 내용에 보상합니다.
출처: Ahrefs 블로그
여러 소스가 이미 뒷받침하지 않는 새로운 아이디어는 LLM에게 존재하지 않는 것이나 다름없습니다. 여러분이 새로운 개념을 만들고, 발표하고, 심지어 구글에서 1위에 랭크되더라도… LLM에게는 보이지 않을 수 있습니다. 다른 사람들이 그것을 반복하고, 바꿔 말하고, 퍼뜨릴 때까지 여러분의 독창성은 중요하지 않습니다.
탐색보다는 요약에 중점을 두는 AI 세계에서, 독창성은 인용되기 전에 대중의 동의가 필요합니다.
우연한 실험으로 발견한 놀라운 사실
Ahrefs의 블로그 작성자는 의도적으로 실험을 설계하지 않았지만, 호기심에 이끌려 우연히 LLM이 독창적인 아이디어를 어떻게 다루는지 테스트하게 되었습니다.
다국어 SEO에 관한 글을 쓰면서, 그는 새로운 프레임워크인 ‘Ahrefs 다국어 SEO 매트릭스’를 만들었습니다. 이는 완전히 새로운 개념으로, 글에 정보적 가치를 더하기 위해 설계되었습니다. 그들은 이를 미래에 사람들이 이 주제에 대해 어떻게 생각할지 형성할 잠재력이 있는 ‘사고 리더십’으로 간주했습니다.
출처: Ahrefs 블로그
이 글은 “multilingual SEO matrix”라는 키워드로 검색했을 때 구글에서 1위에 랭크되었고, 이미지도 구글의 AI 개요에 표시되었습니다. 인용되고, 링크되고, 시각적으로 특징지어졌습니다—독창적이고 유용한 콘텐츠에서 기대할 수 있는 정확히 그런 SEO 성과였습니다.
하지만 AI가 생성한 텍스트 응답은 정의를 날조하고 주제에서 벗어났습니다. 왜냐하면 다국어 SEO라는 상위 주제에 대해 더 일반적으로 이야기하는 다른 소스들을 사용했기 때문입니다.
호기심이 더 생긴 그는 ChatGPT(4o), GPT Search, Perplexity 등 다양한 LLM에 프롬프트를 입력하여 이 독창적인 개념이 실제로 얼마나 가시성을 얻을 수 있는지 확인했습니다.
관찰된 일반적인 패턴은 모든 LLM이:
- 글과 이미지에 접근할 수 있었습니다
- 응답에서 그것을 인용할 능력이 있었습니다
- 응답에서 정확한 용어를 여러 번 포함했습니다
- 일반적인 정보에서 정의를 날조했습니다
- 창작자인 저자의 이름이나 Ahrefs를 언급하지 않았습니다
- 재프롬프트했을 때, 자주 가시성을 전혀 주지 않았습니다
전반적으로, 이는 학문적으로 부정직하게 느껴졌습니다. 그들의 콘텐츠는 각주에 올바르게 인용되었지만(때때로), 그들이 만든 원래 용어는 다른 관련 없는 소스를 바꿔 말하면서 응답에서 반복되었습니다(거의 항상).
또한 이 개념이 “다국어 SEO”의 일반적인 정의로 흡수되는 느낌이었습니다.
바로 그 순간 깨달음이 왔습니다: LLM은 독창성에 보상하지 않습니다. 그들은 독창성을 평탄화합니다.
“LLM 평탄화” 문제
LLM 평탄화(flattening)는 대규모 언어 모델이 뉘앙스, 독창성, 혁신적인 통찰력을 우회하고 단순화되고 합의 기반의 요약을 선호할 때 발생합니다. 이런 과정에서 그들은 독특한 목소리와 새로운 아이디어를 가장 안전하고 통계적으로 강화된 주제의 버전으로 압축합니다.
이는 미시적 레벨과 거시적 레벨에서 발생할 수 있습니다.
미시적 LLM 평탄화
미시적 LLM 평탄화는 주제 레벨에서 발생하며, LLM이 해당 주제에 대한 합의 또는 가장 권위 있는 패턴에 맞게 그들의 응답에서 지식을 재구성하고 합성합니다.
물론 이것이 발생하지 않는 경계 사례도 있으며, LLM에 더 뉘앙스 있는 응답을 요청할 수도 있습니다.
그러나 LLM이 어떻게 작동하는지에 대해 우리가 알고 있는 바에 따르면, 그들은 계속해서 개념을 정확한 소스와 연결하는 데 어려움을 겪을 가능성이 높습니다. OpenAI는 이를 자신의 주제에 대해 많이 알고 있지만 각각의 별개 정보를 어디서 배웠는지 정확히 기억할 수 없는 교사의 예를 들어 설명합니다.
따라서 많은 경우, 새로운 아이디어는 단순히 LLM의 일반 지식 풀에 흡수됩니다.
LLM은 의미론적으로 작동하기 때문에(정확한 단어 일치가 아닌 의미 기반), 정확한 개념을 검색하더라도(저자가 “multilingual SEO matrix”에 대해 했듯이), 그 개념을 그것을 만든 특정 인물이나 브랜드와 연결하는 데 어려움을 겪을 것입니다.
그렇기 때문에 독창적인 아이디어는 주제에 대한 합의에 맞도록 평탄화되거나, 아예 포함되지 않는 경향이 있습니다.
거시적 LLM 평탄화
거시적 LLM 평탄화는 시간이 지남에 따라 새로운 아이디어가 LLM 응답에서 표면화하는 데 어려움을 겪으면서 발생할 수 있으며, 주제에 대한 혁신과 새로운 아이디어에 대한 우리의 노출을 “평탄화”합니다.
출처: Ahrefs 블로그
이 개념은 사람들이 만들고 공유하는 모든 새로운 아이디어를 포괄합니다. 주제 레벨에서 발생할 수 있는 평탄화 때문에, LLM은 시간이 지남에 따라 주제에 대한 가장 지배적인 정보나 관점을 반복하는 경향으로 새로운 아이디어를 점점 덜 표면화할 수 있습니다.
이는 새로운 아이디어가 축적되지 않기 때문이 아니라, LLM이 지식을 다시 쓰고 요약하며, 종종 그들의 응답을 날조하기 때문에 발생합니다.
그 과정에서, 그들은 다른 기술(검색 엔진 같은)이 할 수 없는 방식으로 우리의 지식 노출을 형성할 잠재력을 가지고 있습니다.
독창적인 아이디어나 새로운 개념의 가시성이 평탄화됨에 따라, 많은 새롭거나 더 작은 창작자와 브랜드들이 LLM 응답에서 보이기 위해 고군분투할 수 있다는 것을 의미합니다.
LLM 이전 상황과의 차이점
LLM 이전 상황은 구글이 정보를 표면화하는 방식이었습니다.
일반적으로, 콘텐츠가 구글 인덱스에 있다면, 검색할 때마다 즉시 검색 결과에서 볼 수 있었습니다. 특히 여러분의 콘텐츠만 사용하는 고유한 문구를 검색할 때 더욱 그랬습니다.
검색 결과에서 여러분 브랜드의 리스팅은 쿼리와 정확히 일치하는 콘텐츠 부분을 표시했습니다.
이는 여전히 단어 문자열 일치에 기반하여 작동하는 구글 검색 엔진의 “어휘적” 부분 덕분입니다.
하지만 이제, 아이디어가 정확하고, 유용하고, 검색에서 1위에 랭크되더라도 – 여러 소스에서 충분히 반복되지 않았다면, LLM은 종종 그것을 표면화하지 않을 것입니다. 또한 유기적으로 1위에 랭크되더라도 구글의 AI 개요에 나타나지 않을 수도 있습니다.
심지어 여러분의 콘텐츠만 사용하는 고유한 용어를 검색하더라도, 때로는 여러분의 콘텐츠가 AI 응답에 나타나고, 다른 때는 나타나지 않을 것입니다.
LLM은 귀속시키지 않습니다. 그들은 지식을 그 출처로 추적하지 않습니다. 그들은 이미 말해진 것을 반복해서 요약할 뿐입니다.
이것이 평탄화가 하는 일입니다:
- 독창성을 둥글게 합니다
- 발견 가능성을 평평하게 합니다
- 혁신을 보이지 않게 만듭니다
이는 데이터 문제가 아닙니다. 합의가 의미 없는 쿼리에서도 합의를 향해 기울어지는 패턴 문제입니다.
LLM은 단어 문자열을 일치시키지 않습니다; 그들은 의미를 일치시키고, 의미는 반복에서 추론됩니다.
그것은 독창성을 찾기 더 어렵게 만들고, 잊기 더 쉽게 만듭니다.
그리고 더 적은 독창적인 아이디어가 표면화된다면, 더 적은 사람들이 그것을 반복합니다. 이는 LLM이 그것들을 발견하고 미래에 그것들을 선택할 기회가 더 적어진다는 것을 의미합니다.
출처: Ahrefs 블로그
LLM은 모든 것을 아는 것처럼 보이지만, 전지전능하지 않습니다. 그들은 자주 자신있게 틀립니다.
AI 생성 응답에 대한 가장 큰 비판 중 하나는 그들이 종종 완전히 부정확하다는 것입니다… 음, 이것이 그 이유입니다. 그들이 독창적인 개념을 그 창작자에게 귀속시킬 수 없다면, 어떻게 그들의 지식 해석이 어디에서 결함이 있는지 계산할 수 있겠습니까?
대규모 언어 모델은 점점 더 모든 것에 접근할 것입니다. 하지만 그렇다고 그들이 모든 것을 이해한다는 의미는 아닙니다.
그들은 지식을 수집하지만, 그것을 질문하지 않습니다.
그들은 뉘앙스를 내러티브로 축소합니다.
그리고 그들은 반복을 진실로 취급합니다.
그리고 새로운 것은: 그들은 모든 것을 자신감 있게 말합니다. LLM은 추론이나 판단 능력이 (아직) 없습니다. 하지만 그들은 있는 것처럼 느끼고 노골적으로, 자신감 있게 그렇다고 말할 것입니다.
검색 엔진이 지도 역할을 하는 것과 달리, LLM은 답변을 제시합니다.
그들은 단지 정보를 검색하는 것이 아니라, 그것을 유창하고 권위 있는 소리가 나는 산문으로 합성합니다. 하지만 그 유창함은 판단의 환상입니다. 모델은 아이디어를 저울질하고 있지 않습니다. 그것은 독창성을 평가하고 있지 않습니다.
그것은 단지 패턴 매칭하고, 이미 말해진 것의 형태를 반복하고 있을 뿐입니다.
새로운 아이디어를 고정시킬 패턴 없이, LLM은 그것을 어떻게 다루어야 할지, 또는 인류의 집단 지식 구조에서 어디에 그것을 배치해야 할지 모릅니다.
이는 새로운 문제가 아닙니다. 우리는 항상 정보가 어떻게 필터링되고, 표면화되고, 배포되는지에 대해 고군분투해 왔습니다. 하지만 이는 그 한계가 이렇게 잘 위장된 첫 번째 경우입니다.
AI 시대에 독창적 아이디어를 효과적으로 알리는 전략
그렇다면, 우리는 이 모든 것을 어떻게 다룰까요? 독창성이 반복될 때까지 보상받지 못하고, 합의의 일부가 되면 크레딧이 사라진다면, 전략은 무엇일까요?
AI-우선 검색 환경에서 가시성이 실제로 어떤 모습인지 다시 생각해볼 때, 이는 물어볼 가치가 있는 질문입니다.
앞으로 나아가면서 고려할 만한 몇 가지 실용적인 변화:
- 아이디어를 명확하게 라벨링하세요: 이름을 지어주세요. 참조하고 검색하기 쉽게 만드세요. 사람들이 반복할 수 있는 것처럼 들린다면, 그들은 그럴 수도 있습니다.
- 브랜드를 추가하세요: 아이디어의 라벨의 일부로 브랜드를 포함하면 다른 사람들이 아이디어를 언급할 때 크레딧을 얻는 데 도움이 됩니다. 브랜드가 아이디어와 함께 더 많이 반복될수록, LLM도 브랜드를 언급할 가능성이 높아집니다.
- 아이디어를 명시적으로 정의하세요: 콘텐츠에 바로 “What is [your concept]?” 섹션을 추가하세요. 평범한 언어로 명확히 설명하세요. 독자와 기계 모두에게 이해 가능하게 만드세요.
- 목적을 가지고 자기 참조하세요: 단지 이미지 캡션이나 대체 텍스트에 용어를 넣는 것이 아니라 – 본문 텍스트, 제목, 내부 링크에서 사용하세요. 여러분이 출처라는 것을 명백하게 만드세요.
- 널리 배포하세요: 한 블로그 포스트에만 의존하지 마세요. LinkedIn에 다시 포스팅하세요. 팟캐스트에서 이야기하세요. 뉴스레터에 넣으세요. 아이디어가 살 수 있는 한 곳 이상의 장소를 제공하여 다른 사람들도 이야기할 수 있게 하세요.
- 다른 사람들을 초대하세요: 협력자, 동료, 또는 커뮤니티에게 그들 자신의 작업에서 아이디어를 언급하도록 요청하세요. 가시성은 네트워크가 필요합니다.
- 장기 게임을 플레이하세요: 독창성이 AI 검색에서 자리를 잡는다면, 그것은 지름길이 아니라 씨앗입니다. 시간이 걸릴 것이라고 가정하고, 초기 견인력을 기준선이 아닌 보너스로 취급하세요.
그리고 마지막으로, 어떤 종류의 인정이 여러분에게 중요한지 결정하세요.
모든 아이디어가 인용되어야 영향력이 있는 것은 아닙니다. 때때로, 가장 큰 승리는 여러분의 이름이 그 옆에 나타나지 않더라도, 여러분의 생각이 대화를 형성하는 것을 지켜보는 것입니다.
결론
독창성은 여전히 중요합니다, 단지 우리가 배웠던 방식과는 다릅니다.
그것은 성장 해킹이 아닙니다. 그것은 보장된 차별화 요소가 아닙니다. 요즘에는 인용되기에 충분하지도 않습니다.
하지만 그것은 합의가 시작되는 방법입니다. 그것은 패턴이 형성되기 전의 순간입니다. (충분히 반복된다면) 결국 LLM이 신뢰하게 되는 신호가 되는 불꽃입니다.
그러니, 새로운 아이디어를 계속 만드세요.
단지 그것이 스스로를 대변할 것이라고 기대하지 마세요. 현재 검색 환경에서는 그렇지 않습니다.
Comments