ChatGPT에게 “러너에게 좋은 단백질 파우더는 뭐야?”라고 물으면, AI는 그 질문 하나로 만족하지 않습니다. 뒤에서 5~11개의 하위 질문을 만들어 병렬로 검색한 뒤, 여러 출처의 정보를 조합해 답변을 내놓죠. 이 숨겨진 과정을 “쿼리 팬아웃(Query Fan-Out)”이라고 부르는데요, SEO 게임의 룰을 완전히 바꿔놓고 있습니다.

Similarweb의 SEO 전문가 Shai Belinsky가 AI 검색 엔진의 쿼리 처리 메커니즘과 SEO 전략 변화를 분석한 글입니다. Google AI Mode, ChatGPT, Perplexity 같은 AI 검색 엔진이 단일 질문을 여러 하위 질문으로 분해해 검색하는 ‘쿼리 팬아웃’ 개념을 설명하고, 이로 인해 전통적 키워드 순위 중심 SEO에서 ‘AI 답변 내 브랜드 가시성’ 중심으로 패러다임이 전환되고 있음을 실제 사례와 함께 제시합니다.

출처: Understanding Query Fan-Out in AI Search – Similarweb

AI는 질문을 어떻게 쪼개는가

쿼리 팬아웃은 AI가 사용자의 질문을 여러 하위 질문으로 분해하는 과정입니다. 예를 들어 “러너에게 좋은 단백질 파우더는?”이라는 질문 하나가 들어오면 AI는 이렇게 확장합니다:

• “운동 후 회복에 좋은 단백질 파우더”
• “지구력 운동선수용 유청 vs 식물성 단백질”
• “마라톤 트레이닝용 단백질 보충제 리뷰”
• “깨끗한 성분의 단백질 파우더 2025”

각 하위 질문마다 별도로 검색을 실행한 뒤, 수집된 정보를 하나의 답변으로 종합하는 거죠. Nectiv의 연구에 따르면 Google은 질문 하나당 평균 5~11개의 하위 질문을 생성하며, 복잡한 주제는 더 많아질 수 있습니다.

이 과정은 크게 세 단계로 이뤄집니다. 확장(Expansion) 단계에서 AI는 질문의 숨은 의도를 파악하고 변수를 식별합니다. 사용자가 “비교”를 원하는지 “가이드”를 원하는지, 예산은 얼마인지 같은 맥락을 추론하죠. 라우팅(Routing) 단계에서는 각 하위 질문을 가장 적합한 정보원으로 보냅니다. 비교 질문은 제품 리뷰 사이트로, 정의 질문은 권위 있는 지식 베이스로 보내는 식입니다. 마지막 합성(Synthesis) 단계에서 AI는 여러 출처에서 가져온 “청크(chunk)”들을 조합해 최종 답변을 만듭니다.

여기서 중요한 건 AI가 페이지 전체를 가져오는 게 아니라 독립적인 의미 단위인 청크만 추출한다는 점입니다. 사실이 밀집되어 있고, 명확하게 구분되며, 최신이고, 구조가 명확한 콘텐츠 조각들이 선호됩니다.

SEO의 게임이 바뀌었다

쿼리 팬아웃은 SEO의 근본 전제를 흔듭니다. 예전엔 하나의 키워드로 1위를 차지하면 됐습니다. 이제는 AI가 생성한 모든 하위 질문에서 경쟁해야 하죠. 경쟁사가 더 많은 하위 질문에 답한다면, 그들이 AI 답변에 더 자주 등장합니다.

더 큰 변화는 제로클릭 검색이 기본이 됐다는 점입니다. AI가 직접 답변을 주기 때문에 사용자가 링크를 클릭할 필요가 줄어듭니다. 그래서 이제 중요한 지표는 “클릭 수”가 아니라 “AI 답변에서의 가시성”입니다. 브랜드 언급이 새로운 노출이고, 인용이 새로운 순위인 셈이죠.

Similarweb가 실제로 북미의 프리미엄 요가복·운동복 브랜드 Lululemon을 분석한 사례가 흥미롭습니다. “지속 가능한 운동복”이나 “스타일리시한 애슬레저” 같은 질문에서 Lululemon 대신 Athleta, Alo Yoga, Outdoor Voices가 더 자주 언급됐습니다. AI가 주로 인용한 출처는 Nike.com, REI.com, Reddit, Vogue 같은 사이트였고요. 특히 “최고의 지속 가능한 운동복” 같은 리뷰 스타일 콘텐츠가 압도적 영향력을 보였습니다. Lululemon은 레깅스와 요가 팬츠에선 강했지만 러닝 장비나 지속 가능한 운동복 카테고리에선 가시성이 급격히 떨어졌죠.

이 데이터가 보여주는 건 명확합니다. 아무리 브랜드가 유명해도 AI가 참조하는 콘텐츠 생태계에서 존재감이 없으면 답변에서 빠집니다.

어떻게 대응할 것인가

쿼리 팬아웃 시대의 최적화는 개별 키워드가 아니라 주제 생태계를 구축하는 것입니다. 하나의 중심 페이지(pillar page)를 만들고, 각각의 하위 질문을 다루는 세부 페이지들로 연결하세요. 비교, 리뷰, 가격 정보, 대안 같은 다양한 각도를 포함해야 합니다.

콘텐츠는 추출 가능한 청크로 작성해야 합니다. 각 섹션이 독립적으로 의미를 전달할 수 있어야 하죠. 직접적인 답변으로 시작하고, 2~4문장 단락으로 간결하게 쓰며, 스캔 가능한 리스트와 표를 활용하세요. FAQ 블록을 추가해 숨은 하위 질문까지 다루는 것도 효과적입니다.

비교와 리뷰 콘텐츠는 특히 중요합니다. 쿼리 팬아웃에서 “A vs B”, “리뷰”, “최고의 X” 같은 패턴이 엄청나게 많이 생성되거든요. 이런 포맷이 없다면 AI의 청크 선택 과정에서 걸러질 가능성이 큽니다. 또 제목과 헤딩에 현재 연도(2025)를 포함해 신선함을 신호하는 것도 잊지 마세요.

마지막으로 오프페이지 권위도 신경 써야 합니다. AI는 퍼블리셔, 리뷰 플랫폼, 포럼, 소셜 미디어를 자주 인용합니다. Similarweb의 Citation Analysis 같은 도구로 어떤 도메인과 URL이 자주 등장하는지 파악하고, 해당 영역에서 자신의 콘텐츠를 강화하거나 언론 노출을 늘려야 합니다.

측정 없이는 최적화도 없다

쿼리 팬아웃은 AI 검색 엔진의 내부 트릭이 아니라 작동 원리 그 자체입니다. 단일 키워드 랭킹은 과거의 게임이고, 이제는 전체 의도 네트워크를 탐색하고 여러 하위 질문에서 최상의 청크를 선택하는 시스템과 경쟁해야 합니다.

전통적인 SEO 지표는 이제 불완전합니다. 클릭이 없어도 브랜드가 AI 답변에 등장했다면 성공이니까요. 새로운 지표는 이런 것들입니다: AI 답변에서 브랜드가 얼마나 자주 언급되는가, 도메인과 주요 URL이 얼마나 자주 출처로 쓰이는가, 의도 클러스터를 얼마나 커버하는가.

변화는 빠르지만 방향은 명확합니다. 주제를 깊고 넓게 다루고, 비교와 리뷰를 포함하고, 추출 가능한 구조로 작성하고, AI 답변 내 가시성을 측정하세요. 그게 AI 검색 시대의 SEO입니다.

참고자료:

• queryfanout.ai – Google API에서 실제 팬아웃 쿼리 추출
• Otterly Query Fan-Out Simulator – 쿼리 확장 시각화
• Moving Traffic Media – Fan-Out Content Gap Tool – 콘텐츠 갭 분석
• Screaming Frog + Gemini JS Script – 페이지별 팬아웃 분석

Like?