RAG Retrieval-Augmented Generation

RAG(Retrieval-Augmented Generation, 검색 증강 생성)는 AI가 답변을 만들기 전에 외부 문서를 검색하고, 검색된 내용을 근거로 답을 생성하는 기술입니다. 구글 AI 오버뷰, ChatGPT 검색, Perplexity는 각 사 공식 문서 기준으로 모두 웹 문서를 검색·발췌해 답변에 반영합니다. 문서가 청크(조각) 단위로 발췌되기 때문에, 두괄식 문단과 명확한 헤딩 구조가 AI 인용 확보의 출발점이 됩니다.

GEO·AI 검색 2026. 7. 11 업데이트 By 박혜정

AI 검색 답변의 뼈대가 되는 기술입니다

RAG는 언어 모델이 답변을 생성하기 전에 외부 문서를 먼저 검색하고, 검색된 내용을 근거 삼아 답을 작성하는 기술입니다. 구글 클라우드의 Vertex AI RAG Engine 문서는 이 방식이 모델의 컨텍스트를 외부 정보로 채워 넣어 환각(hallucination)을 줄이고 질문에 더 정확히 답하도록 돕는다고 설명합니다. Google 공식

이 개념은 2020년 페이스북 AI 리서치(현 메타 AI)의 루이스(Patrick Lewis) 연구진 논문에서 자리를 잡았습니다. 논문은 외부 문서 색인에서 근거를 검색해 생성 과정에 결합하면 순수 생성 모델의 출력보다 더 구체적이고 사실에 들어맞는 답이 나온다고 보고했습니다. RAG 논문

웹사이트 운영자에게 RAG가 중요한 이유는 분명합니다. AI 검색 답변에 인용되려면 먼저 검색되고 발췌되기 좋은 문서여야 하기 때문입니다. 이 구조를 이해하는 것이 GEO(생성형 엔진 최적화)의 출발점입니다.

어떻게 동작하나 - 구글이 설명하는 처리 단계

구글 클라우드의 Vertex AI RAG Engine 문서는 처리 과정을 다음 단계들로 설명합니다. Google 공식

데이터 수집(ingestion) - 여러 출처에서 문서를 가져옵니다.
데이터 변환(transformation) - 색인에 알맞게 문서를 청크(chunk)라 부르는 조각으로 나눕니다.
임베딩·색인(indexing) - 각 조각을 의미를 담은 숫자 표현으로 바꾸고 검색에 최적화된 색인을 만듭니다.
검색(retrieval) - 질문과 관련도가 높은 조각을 색인에서 찾습니다.
생성(generation) - 검색된 조각을 근거로 언어 모델이 답변을 작성합니다.

핵심은 단위입니다. RAG는 페이지 전체를 통째로 평가하지 않습니다. 책 한 권을 다 읽는 것이 아니라 필요한 페이지만 복사해 책상에 올려놓는 것에 가깝습니다. 잘려 나온 조각 하나가 질문과 얼마나 맞아떨어지는지가 인용될지를 가릅니다.

AI 검색 서비스는 실제로 웹을 검색합니다

구글 AI 오버뷰·AI 모드 - 구글 검색센터 문서는 관련 하위 주제로 여러 검색을 동시에 실행하는 쿼리 팬아웃(query fan-out) 기법을 쓰고, 답변이 만들어지는 동안 근거 웹페이지를 찾아 링크로 표시한다고 안내합니다. Google 공식
ChatGPT 검색 - OpenAI 크롤러 문서는 학습용 크롤러(GPTBot)와 검색 노출용 크롤러(OAI-SearchBot)를 구분하며, OAI-SearchBot이 ChatGPT 검색 결과에서 웹사이트를 노출하는 데 쓰인다고 설명합니다. OpenAI 공식
Perplexity - Perplexity 크롤러 문서는 PerplexityBot이 검색 결과에서 웹사이트를 노출·링크하기 위해 설계됐고 모델 학습에는 쓰지 않는다고 밝힙니다. Perplexity 공식

순위가 높으면 인용될까 - 공식과 실측이 갈립니다

표준 SEO만 잘하면 AI 검색에도 노출된다는 흔한 생각은 절반만 맞습니다. 구글의 공식 안내와 대규모 실측이 서로 다른 그림을 보여줍니다.

구글 공식 입장	AI 오버뷰·AI 모드에 노출되기 위한 따로 필요한 조건은 없으며, 크롤링·색인 가능성 같은 표준 SEO 모범 사례를 지키면 충분하다고 안내합니다. Google 공식
전문가 실측 결과	86만여 개 SERP 분석에서 AI 오버뷰 인용의 38%만 상위 10위 페이지에서 나왔고, 1년 전 76%에서 절반 수준으로 떨어졌습니다. 순위가 곧 인용은 아니라는 뜻입니다. Ahrefs 실측

두 입장이 정면충돌하는 것은 아닙니다. 표준 SEO는 여전히 검색·색인의 밑바탕입니다. 다만 순위 상위에 올랐다고 인용이 자동으로 따라오지는 않습니다. 구글이 쿼리 팬아웃으로 원 질문 밖 여러 하위 질문의 결과까지 참고하기 때문입니다. 프린스턴·IIT 델리 연구진이 2024년 발표한 GEO 실험에서도 출처 인용 기법이 SERP 5위 사이트의 생성엔진 가시성을 115.1% 끌어올린 반면 1위 사이트는 평균 30.3% 낮춰, 하위 페이지에 유리하게 평준화됐습니다. GEO 논문 실무에서는 순위 올리기와 인용되기 좋게 만들기를 각각 다른 일로 다루는 편이 안전합니다.

실험이 검증한, 인용을 끌어올리는 방법

같은 GEO 연구는 1만 개 질문으로 만든 GEO-bench에서 아홉 가지 기법을 실험해 실제로 통하는 방법과 통하지 않는 방법을 가렸습니다. GEO 논문

통계 추가 - 주장에 구체적인 수치를 붙입니다.
인용문 추가 - 관련 전문가나 출처의 문장을 직접 인용합니다.
출처 인용 - 근거가 된 출처를 분명히 밝힙니다.

이 세 기법이 가장 효과가 컸고, 최상위 기법은 기준 대비 위치 보정 단어 수(Position-Adjusted Word Count)를 41%, 주관적 인상 점수를 28% 끌어올렸습니다. GEO 논문 반대로 키워드를 반복해 채우는 방식은 효과가 없거나 오히려 역효과였고, 기법 전체의 가시성 향상 폭은 최대 40%였지만 도메인과 질문 유형마다 달라 분야별 접근이 필요합니다.

웹사이트 입장에서의 의미 - 청크 단위로 읽힙니다

Search Engine Land의 콘텐츠 청킹 가이드는 AI 시스템이 페이지 전체가 아니라 구절(passage) 단위로 콘텐츠를 추출하며, 명확한 헤딩 계층이 이 추출을 훨씬 효율적으로 만든다고 설명합니다. Search Engine Land

두괄식 문단 - 답을 문단 안쪽에 묻지 말고 첫 문장에서 바로 제시합니다. 청크가 어디서 잘려도 핵심 주장이 조각 안에 살아남습니다.
자기완결형 섹션 - 각 청크는 그 자체로 의미가 완결돼야 합니다. 주변 문단이 있어야 이해되는 조각은 발췌되기 어렵습니다.
명확한 헤딩 구조 - h2를 큰 주제, h3를 세부 단위의 경계로 써서 각 조각에 무슨 주제인지 라벨을 답니다.

<!-- 청크로 잘려도 완결되는 구조 -->
<h2>환불 규정</h2>
<p>주문 제작 상품은 결제 후 24시간 이내에만 전액 환불이 가능합니다.</p>

<!-- 피해야 할 구조 - 헤딩 대신 디자인용 div, 기계는 경계와 주제를 잃습니다 -->
<div class="section-title">환불 규정</div>

제작·운영 관점 실무 체크포인트

사이트를 직접 만들고 운영하는 입장에서 보면, RAG 대응은 콘텐츠 작성 이전에 마크업과 렌더링 단계에서 절반이 결정됩니다. 각 항목의 근거를 함께 적습니다.

서버에서 완성된 HTML을 내보냅니다 - Search Engine Land의 AI 크롤러 최적화 가이드는 대부분의 AI 크롤러가 자바스크립트를 실행하지 않아, 로드 후 자바스크립트로 주입된 콘텐츠는 사실상 보이지 않는다고 설명합니다. Search Engine Land
중요한 콘텐츠는 텍스트로 제공합니다 - 구글 검색센터 문서는 AI 기능 노출을 위해 중요한 콘텐츠를 텍스트로 제공하고 크롤링·색인 가능 여부 같은 표준 기본기를 지키라고 안내합니다. Google 공식
한 문단에는 한 주제만 담습니다 - Search Engine Land 가이드는 한 문단에 한 아이디어를 원칙으로 제시하고 문단을 짧게 유지하라고 권고합니다. Search Engine Land
robots.txt에서 AI 크롤러 허용 범위를 점검합니다 - OpenAI 문서 기준으로 학습용(GPTBot)과 검색 노출용(OAI-SearchBot)은 별개로 제어되며, OAI-SearchBot을 차단하면 ChatGPT 검색 답변에 사이트가 노출되지 않습니다. OpenAI 공식
노출 정도는 기존 제어로 조절합니다 - 구글 검색센터 문서는 nosnippet, data-nosnippet, max-snippet, noindex 같은 기존 제어가 AI 오버뷰·AI 모드에도 그대로 적용된다고 안내합니다. Google 공식

자주 하는 실수

결론을 문단 끝에 두는 미괄식 글쓰기 - 사람에게는 자연스럽지만, 답을 앞에 두라는 청크 발췌 권고와 반대 방향입니다.
헤딩 대신 div와 클래스로 제목을 만드는 것 - 청크의 경계와 주제 라벨이 함께 사라집니다.
핵심 정보를 자바스크립트 탭이나 아코디언 안에만 두는 것 - 초기 HTML에 없는 내용은 자바스크립트를 실행하지 않는 크롤러에게 존재하지 않는 것과 같습니다.
AI 크롤러를 한꺼번에 차단해 두고 인용을 기대하는 것 - 학습용과 검색 노출용 크롤러는 서로 다르므로 수집 허용 범위를 정책으로 먼저 정해야 합니다.

정리하면 RAG는 AI가 내 사이트를 어떤 단위로 읽는가에 대한 답입니다. 페이지가 아니라 조각이 단위라는 사실 하나만 기억해도 문단 구성과 헤딩 설계의 기준이 달라집니다.