리포트 핵심 요약
올해 1월과 9월에 구글이 공개한 연구 두 건은 AI 검색이 질문을 나누는 방식과 문서를 고르는 방식을 함께 바꾸고 있습니다.
비슷한 내용을 반복한 페이지는 하나로 묶이고, 서로 다른 질문에 답하는 페이지가 각각 인용됩니다.
콘텐츠 기획의 단위를 키워드에서 질문으로 확장하는 것이 대응의 출발점입니다.
AI 오버뷰에 우리 브랜드가 왜 안 나오는지 찾다 보면, 관련 키워드는 다 확보했는데 정작 답변에는 없는 상태를 마주하게 됩니다. 구글이 2026년에 공개한 연구 두 건은 AI 검색이 하나의 질문을 어떻게 나누고, 모아 온 문서 중 무엇을 고르는지를 보여줍니다. 하나는 구글 리서치의 질문 확장 연구이고, 다른 하나는 구글 딥마인드가 대학 연구진과 함께 발표한 순위 결정 방식 연구입니다. 두 연구의 핵심은 같습니다. 더 넓게 찾되, 비슷한 것은 제외한다는 것입니다.
키워드는 다 잡았는데 답변에는 없는 이유
AI 검색은 사용자가 입력한 문장을 그대로 쓰지 않습니다. 하나의 질문이 들어오면 뒤에서 여러 개의 하위 질문을 만들어 각각 검색하고, 그 결과를 모아 하나의 답변으로 정리합니다. 이 처리를 쿼리 팬아웃이라고 부릅니다. 복잡한 질문 하나에 8개에서 20개가 넘는 배경 검색이 실행되는 것으로 추정됩니다(셈러시, 2026년 기준).
여기서 문제가 시작됩니다. 마케터가 관리하는 단위는 사용자가 입력하는 키워드지만, 인용 여부를 결정하는 것은 아직 기준을 잡지 못한 세부 질문입니다. "여름 원피스 추천"에 최적화한 페이지가 있어도, AI가 실제로 만든 하위 질문이 소재별 체감 온도나 세탁 방법, 체형별 실루엣이었다면 우리 페이지는 그 어느 쪽에도 걸리지 않습니다. 키워드 순위는 멀쩡한데 답변에는 등장하지 않는 상태가 이렇게 만들어집니다.
질문을 나누는 단계에서 일어난 변화
구글 리서치가 공개한 Retrieve-for-Train 연구는 이 하위 질문을 만드는 단계를 다룹니다. 기존 방식의 문제는 질문을 확장하다 보면 사실상 같은 뜻의 문장이 반복된다는 점이었습니다. "보헤미안 페스티벌 패션"과 "보헤미안 페스티벌 의상"처럼 표현만 다른 질문이 여러 개 나오면, 돌아오는 자료도 성격이 같아집니다. 캠핑 장비를 물었는데 텐트 종류만 잔뜩 나오는 상황입니다.
연구진은 만들어진 질문 묶음 전체를 놓고 서로 얼마나 다른지를 함께 평가하도록 학습시켰습니다. 그 결과 배낭과 침낭, 버너, 헤드램프처럼 서로를 보완하는 항목이 함께 나오게 됐습니다. 이 판단을 검색 시점이 아니라 학습 단계에 미리 넣어 처리 속도도 12배에서 20배 끌어올렸습니다. 마케터에게 이 속도는 기술 지표가 아니라 노출 조건입니다. 질문을 나누는 처리가 저렴해지면 시스템은 하위 질문 수를 줄일 이유가 없어지고, 하나의 검색에서 인용되는 출처가 많아집니다.
문서를 고르는 단계에서 일어난 변화
구글 딥마인드가 매사추세츠대 애머스트, 텍사스대 오스틴 연구진과 함께 발표한 자기회귀 랭킹 연구는 그다음 단계를 다룹니다. 지금까지 검색은 빠르지만 정밀도가 낮은 1차 후보 추출과, 느리지만 정확한 2차 재정렬로 나뉘어 처리돼 왔습니다. 연구진은 이 두 단계를 하나의 대형 언어 모델로 합쳤고, 기존 2차 재정렬과 비슷한 정확도를 유지하면서 관련 없는 문서를 제외하는 성능이 개선됐다고 밝혔습니다.
다만 쇼핑 검색 조건에서는 상위 결과 순서가 오히려 나빠진 경우도 보고됐습니다. 아직 연구 단계이고 실제 서비스 적용 여부는 공개되지 않았다는 점은 분명히 해 둘 필요가 있습니다. 그럼에도 두 연구의 결론은 같습니다. 앞 단계에서는 더 다양한 질문을 만들고, 뒤 단계에서는 질문에 제대로 답하지 않는 문서를 더 잘 제외합니다. 두 연구 중 순위 결정 방식 연구가 먼저 공개됐고, 질문 확장 연구가 뒤에 나왔습니다.