AI Search

환자는 이제
검색창 대신 AI에게 묻습니다

"강남에 눈 성형 잘하는 병원 알려줘"라고 물으면 AI는 링크 목록 대신 답을 하나 줍니다. 그 답에 병원 이름이 들어가느냐 마느냐로 갈립니다. 클릭을 두고 경쟁하던 게임이 인용을 두고 경쟁하는 게임으로 바뀌고 있습니다.

What Changed

10개의 파란 링크가
1개의 문단으로 바뀝니다

기존 검색은 목록을 주고 사용자가 고르게 했습니다. AI 검색은 여러 출처를 읽고 종합한 답을 먼저 내놓은 뒤, 근거가 된 곳을 각주처럼 붙입니다.

여기서 두 가지가 달라집니다. 첫째, 1페이지 안에 들어가도 인용되지 않으면 없는 것입니다. 둘째, AI는 이미지로 채운 페이지를 읽지 못합니다. 문장으로 정리된 정보, 출처가 분명한 사실, 일관된 기관 정보가 있어야 인용 대상이 됩니다.

검색 행동의 이동

같은 질문을 검색했을 때의 화면 비교. 왼쪽 기존 검색은 링크 10개를 목록으로 보여주고, 오른쪽 AI 검색은 여러 출처를 종합한 답변 한 문단을 먼저 보여준 뒤 근거가 된 출처 3곳을 아래에 붙여줍니다.
설명을 위해 저희가 직접 만든 예시 화면입니다. 특정 검색 서비스의 실제 화면이 아니며, 표시된 질문·답변·출처·주소는 모두 가상으로 작성했습니다. AI 검색은 서비스마다 동작 방식과 출처 선정 기준이 다르고 수시로 바뀝니다.
Four Layers

AI 검색 대응은 네 겹으로 쌓습니다

용어가 여러 개라 복잡해 보이지만 하는 일은 하나입니다. AI가 병원 정보를 정확히 읽고, 믿을 만하다고 판단하게 만드는 것.
네 가지는 그 일을 어느 지점에서 다루느냐의 차이입니다.

LAYER 01

GEO

Generative Engine Optimization
생성형 검색 최적화

AI가 답을 만들 때 우리 병원 문서를 재료로 쓰게 만드는 일.

LAYER 02

AEO

Answer Engine Optimization
답변 엔진 최적화

구체적인 질문 하나에 대한 답으로 우리 문장이 뽑히게 만드는 일.

LAYER 03

LLMO

Large Language Model Optimization
언어모델 인식 최적화

모델이 병원을 하나의 실체로 일관되게 인식하게 만드는 일.

LAYER 04

E-E-A-T

Experience · Expertise
Authoritativeness · Trustworthiness

위 셋의 전제 조건. 의료는 여기서 가장 엄격하게 평가됩니다.

먼저 분명히 해둘 것. AI 답변에 어떤 출처가 인용될지는 각 AI 서비스의 모델과 정책이 결정하며, 수시로 바뀝니다. 어떤 대행사도 특정 AI 검색에서의 노출이나 인용을 보장할 수 없습니다. 저희가 하는 일은 인용될 수 있는 조건(읽히는 구조, 검증 가능한 근거, 일관된 정보)을 갖추는 것이며, 실제 인용 여부는 측정해서 보고드릴 뿐 약속하지 않습니다.
Layer 01 · GEO

생성형 검색 최적화

Generative Engine Optimization

AI는 답을 만들 때 여러 문서에서 문단 단위로 재료를 가져옵니다. 그래서 페이지 전체가 아니라 문단 하나하나가 독립적으로 말이 되어야 합니다. 앞 문단을 읽어야 이해되는 글, 이미지를 봐야 알 수 있는 정보는 통째로 버려집니다.

병원 홈페이지가 특히 불리한 지점이 여기입니다. 시술 안내를 예쁜 이미지 한 장으로 만들어 두면 사람에게는 보이지만 모델에게는 빈 페이지입니다.

  • 이미지 안에 갇힌 정보를 텍스트 구조로 다시 꺼내기
  • 문단마다 주제를 하나로 좁히고 첫 문장에 결론 배치
  • 수치·기간·조건을 문장 안에 명시 (모델이 추론하지 않아도 되게)
  • 비교표·목록 등 구조화된 형태로 정보 제공
  • 페이지 갱신 일자를 표기해 최신성 신호 제공

AI가 문단을 가져가는 방식

AI가 답을 만들 때 페이지 전체가 아니라 문단 단위로 내용을 가져오는 모습. 화면에는 병원 진료시간을 묻는 질문에 평일·토요일 진료시간과 점심시간, 휴진일을 문장으로 답하고 근거가 된 병원 페이지를 함께 보여줍니다. 옆에는 문단 단위 추출, 텍스트 정보의 중요성, 구조화된 정보, 갱신 일자 표기 네 가지 항목이 정리돼 있습니다.
설명을 위해 저희가 직접 만든 예시 화면입니다. 특정 검색 서비스의 실제 화면이 아니고, 화면 속 병원·질문·답변·출처는 모두 가상으로 작성했습니다. 진료시간처럼 의학적 판단이 필요 없는 운영 정보를 예시로 삼았습니다.

AI에 잘 읽히는 글은 사람에게도 잘 읽힙니다. AI만을 위한 별도 페이지를 만드는 방식은 권하지 않습니다.

질문 지도 만드는 순서

  1. 실제 질문 수집

    상담 녹취·문의 메시지·커뮤니티 글에서 환자가 쓴 문장 그대로

  2. 질문 단위로 분해

    "얼마예요?"와 "얼마나 걸려요?"는 다른 문서

  3. 답을 먼저 쓰기

    배경 설명은 뒤로. 첫 2~3문장 안에 답

  4. 구조화 데이터 부착

    FAQPage 등 스키마로 질문·답변 관계 명시

Layer 02 · AEO

답변 엔진 최적화

Answer Engine Optimization

GEO가 "재료로 쓰이게 하는 일"이라면 AEO는 "이 질문의 답은 이것"으로 뽑히게 하는 일입니다. 음성 검색, AI 챗봇, 검색 결과 상단의 요약 답변이 모두 여기에 해당합니다.

핵심은 단순합니다. 환자가 실제로 묻는 문장을 제목으로 삼고, 그 바로 아래에 답을 쓰는 것입니다. 병원 콘텐츠 대부분이 이 반대로 되어 있습니다. 인사말과 병원 소개가 먼저 나오고, 정작 궁금한 건 맨 아래에 있거나 "상담 시 안내"로 끝납니다.

  • 상담 데이터에서 실제 질문 문장 추출 및 우선순위화
  • 질문 1개 = 문서 1개 원칙으로 분리
  • 답을 먼저, 근거와 배경은 그다음
  • FAQ·의료기관 정보 구조화 데이터 적용
  • 주요 AI 서비스에서 실제 질문을 넣어 인용 여부 점검
Layer 03 · LLMO

언어모델 인식 최적화

Large Language Model Optimization

모델은 여러 출처에서 병원 정보를 모아 하나의 상(像)을 만듭니다. 그런데 홈페이지에는 "○○의원", 플레이스에는 "○○의원 강남점", 블로그에는 "○○클리닉"으로 적혀 있으면 모델은 이를 서로 다른 곳으로 인식하거나, 어느 쪽도 확신하지 못해 답변에서 뺍니다.

LLMO는 화려한 기법이 아니라 정보를 어긋나지 않게 맞추는 정리 작업에 가깝습니다. 지루하지만 효과가 가장 확실한 영역입니다.

채널마다 다르게 적힌 병원 정보가 언어모델에서 하나로 합쳐지는 과정. 왼쪽에는 홈페이지·플레이스·블로그·SNS 네 개의 카드가 있고, 기관명이 각각 ○○의원, ○○의원 강남점, ○○클리닉, ○○의원으로 다르게 적혀 있으며 주소 표기도 서울특별시와 서울로 엇갈립니다. 가운데 언어모델이 이 정보들을 모으고, 오른쪽에는 주소·전화번호·진료과목·의료진이 하나로 통일된 기관 정보 카드가 놓여 일관된 정보로 하나의 병원으로 인식된다는 흐름을 보여줍니다.
설명을 위해 저희가 직접 만든 예시 화면입니다. 특정 검색 서비스나 AI 서비스의 실제 화면이 아니며, 병원명·주소·전화번호·의료진은 모두 가상으로 작성했습니다. 채널 아이콘도 특정 서비스의 상표가 아닌 일반 표기입니다.

표기를 맞출 항목

아래 항목이 채널 간에 하나라도 어긋나면 모델은 같은 병원으로 묶지 못합니다.

  • 모든 채널의 기관명·주소·전화번호·진료과목 표기 통일
  • 영문·로마자 표기, 옛 상호, 분원 명칭까지 동일 실체로 연결
  • 의료진 이름·전공·경력 표기를 채널 간 일치시키기
  • Organization·MedicalBusiness 구조화 데이터로 기관 정보 명시
  • AI 크롤러 접근 정책(robots.txt, llms.txt) 점검 및 설정
  • 주요 AI에 병원명을 직접 물어 어떻게 답하는지 정기 확인

의료진 경력·자격 표기는 「의료법」상 허용 범위를 벗어나지 않도록 검수한 뒤 통일합니다.

Layer 04 · E-E-A-T

의료는 검색엔진이
가장 깐깐하게 보는 분야입니다

구글은 돈과 건강처럼 잘못된 정보가 사람에게 실제 피해를 주는 주제를 YMYL(Your Money or Your Life)로 따로 분류하고 더 높은 기준을 적용합니다. 의료가 여기에 들어갑니다. E-E-A-T가 부족하면 앞의 세 가지를 아무리 해도 인용 후보에서 밀립니다.

E · EXPERIENCE

경험 — 직접 해본 사람이 썼는가

같은 내용이라도 실제 진료 현장에서 나온 글인지를 봅니다. 진료 중 자주 받는 질문, 실제로 겪는 판단 지점을 담은 글이 일반론을 정리한 글보다 높게 평가됩니다.

  • 원장이 실제로 답하는 방식 그대로 옮기기
  • 병원 내부 사진·장비 등 1차 자료 사용
  • 일반적인 설명을 베껴 쓴 글 제거
E · EXPERTISE

전문성 — 누가 썼는지 밝혔는가

의료 콘텐츠에서 가장 자주 빠지는 부분입니다. 작성자나 감수자가 누구인지 없는 글은 의료 주제에서 신뢰를 얻기 어렵습니다.

  • 글마다 작성자 또는 의료진 감수자 명시
  • 의료진 소개 페이지를 만들고 글에서 연결
  • 전문의 자격·소속 학회를 사실 그대로 표기

경력·자격 표기는 「의료법」상 허용 범위 내에서만 기재합니다.

A · AUTHORITATIVENESS

권위 — 밖에서도 그렇게 보는가

스스로 "전문"이라고 쓰는 것과, 다른 곳에서 언급되는 것은 다릅니다. 기관 등록 정보, 학회 활동, 언론 인용처럼 병원 밖에 남는 흔적이 근거가 됩니다.

  • 공공 의료기관 정보와 홈페이지 정보 일치 확인
  • 학회·강연·논문 등 확인 가능한 활동 정리
  • 언론 보도가 있다면 원문 링크와 함께 기재

보도자료를 대가를 지급하고 배포한 경우 그 사실을 함께 표기합니다.

T · TRUSTWORTHINESS

신뢰 — 감추는 것이 없는가

네 가지 중 가장 비중이 큰 항목입니다. 연락처를 찾기 어렵거나, 비용을 말하지 않거나, 부작용 설명이 없는 페이지는 사람에게도 AI에게도 신뢰를 주지 못합니다.

  • 기관 정보·연락처·위치를 모든 페이지에서 확인 가능하게
  • 비용 구조와 추가 비용 발생 조건을 미리 안내
  • 부작용·회복 기간 등 불리한 정보도 함께 기재
  • HTTPS 적용, 개인정보 수집 동의 절차 정비
  • 페이지 작성일·수정일 표기
참고. E-E-A-T는 구글이 검색 품질 평가 가이드라인에서 제시한 개념으로, 직접 측정되는 점수가 아니라 여러 신호를 통해 평가되는 방향성입니다. 가이드라인은 개정되므로 최신 내용은 구글 공식 문서를 기준으로 확인합니다.
How We Work

AI 검색 대응은 이렇게 진행합니다

기존 검색 작업과 따로 돌리지 않습니다. 같은 콘텐츠를 사람과 모델 양쪽이 읽을 수 있게 만드는 것이 목표입니다.

  1. 현재 AI 응답 진단

    주요 AI 서비스에 병원명과 핵심 질문을 직접 넣어, 지금 어떻게 답하는지 화면 그대로 기록합니다. 사실과 다르게 답하는 항목, 아예 모르는 항목, 경쟁 병원만 언급되는 질문을 목록으로 만듭니다.

    • 산출물: AI 응답 진단 리포트
  2. 정보 일치화 (LLMO)

    채널별로 어긋난 기관명·주소·연락처·진료시간·의료진 정보를 맞춥니다. 가장 먼저 하는 이유는 여기가 틀어져 있으면 뒤 작업이 전부 흐려지기 때문입니다.

    • 산출물: 표기 일치 점검표
  3. 읽히는 구조로 전환 (GEO)

    이미지에 갇힌 정보를 텍스트로 꺼내고, 문단을 주제 단위로 다시 나눕니다. 구조화 데이터를 붙이고 페이지 갱신 일자를 표기합니다.

    • 산출물: 페이지 구조 개선안
  4. 질문 지도 구축 (AEO)

    상담 데이터에서 실제 질문을 뽑아 질문 단위 문서를 만듭니다. 답을 먼저 쓰고 배경은 뒤에 붙이는 형식으로 통일합니다.

    • 산출물: 질문 지도 + 콘텐츠 캘린더
  5. 신뢰 신호 정비 (E-E-A-T)

    작성자·감수자 표기, 의료진 페이지, 비용·부작용 안내, 기관 정보 노출을 갖춥니다. 모든 표기는 「의료법」 검수를 거친 뒤 반영합니다.

    • 산출물: 신뢰 신호 점검표
  6. 월간 인용 여부 추적

    같은 질문을 매월 다시 넣어 답변이 어떻게 바뀌었는지 화면으로 기록합니다. 개선된 것과 여전히 안 되는 것을 나눠 다음 달 작업을 정합니다.

    • 산출물: AI 응답 변화 리포트
FAQ

AI 검색에 대해 자주 묻는 것

아닙니다. AI가 답변에 쓸 재료를 어디서 가져오는지 보면 대부분 기존 검색 결과 상위 문서입니다. 검색에서 잡히지 않는 문서는 AI 답변에도 등장하기 어렵습니다. AI 검색 대응은 기존 작업을 대체하는 게 아니라 그 위에 얹는 층입니다.

또한 아직 대다수 환자는 네이버와 구글에서 검색합니다. 지금 매출을 만드는 건 여전히 기존 검색이고, AI 검색은 앞으로 커질 몫을 미리 확보하는 작업으로 보시는 게 맞습니다.

솔직히 말씀드리면, AI 답변을 통한 유입은 아직 기존 검색에 비하면 적습니다. 다만 AI 답변에서 추천받고 온 환자는 이미 신뢰를 어느 정도 갖고 오기 때문에 상담 전환율이 높은 경향이 관찰됩니다.

다만 이는 저희가 운영하며 관찰한 경향이지 확정된 수치가 아닙니다. 병원별 실제 데이터는 유입 경로를 추적해 매월 보고드립니다.

AI의 답변을 직접 수정할 수는 없습니다. 다만 잘못된 답변은 대부분 출처가 되는 정보가 낡았거나 채널마다 다르게 적혀 있어서 생깁니다. 폐업한 분원 정보가 남아 있거나, 홈페이지와 플레이스의 진료과목이 다른 식입니다.

이런 출처들을 정리하고 정확한 정보가 검색에 더 많이 남게 하면 시간이 지나며 답변이 교정되는 경우가 많습니다. 다만 반영 시점과 결과는 각 AI 서비스가 결정하므로 언제 고쳐진다고 약속드릴 수 없습니다.

권하지 않습니다. 검색엔진은 사람에게 도움이 되지 않는 대량 생성 콘텐츠를 스팸으로 분류해 왔고, 누가 만들었는지보다 왜 만들었는지를 기준으로 봅니다. 양산형 글은 E-E-A-T 평가에서 오히려 감점 요인이 됩니다.

의료 분야에서는 위험이 하나 더 있습니다. 검수 없이 생성한 글에 사실과 다른 의학 정보나 「의료법」상 금지 표현이 섞이면 행정처분의 대상은 병원입니다. 저희는 AI를 초안 작성과 자료 정리에만 쓰고, 의학적 내용은 반드시 의료진 확인을 거친 뒤 게시합니다.

정보 일치화(LLMO)처럼 정리 작업에 가까운 항목은 비교적 빨리 반영됩니다. 반면 AI 답변에 인용되기까지는 문서가 검색에 자리를 잡고 모델이 이를 반영하는 시간이 필요해 더 걸립니다.

기간을 단정해 말씀드리지 않는 이유는 각 AI 서비스의 갱신 주기와 기준을 저희가 알 수 없기 때문입니다. 대신 매월 같은 질문을 넣어 답변 변화를 화면으로 기록해 드립니다.

지금 AI는 우리 병원을 뭐라고 답할까요?

주요 AI 서비스에 병원명과 핵심 질문을 직접 넣어 현재 답변을 그대로 정리해 드립니다. 계약 여부와 무관하게 비용은 발생하지 않습니다.

카카오톡 상담
전화 카카오톡 무료 진단