LLMO vs SEO vs AEO vs GEO

용어 자체를 먼저 확인하려면 LLMO란?부터 보세요. 이 페이지는 정의를 이미 안다는 전제로 진행합니다.

검색 최적화의 진화

1997: SEO — 검색 엔진을 위한 최적화
2018: AEO — 답변 엔진을 위한 최적화
2023: GEO — 생성형 엔진을 위한 최적화
2024: LLMO — 모든 LLM 인터랙션을 위한 최적화

비교

	SEO	AEO	GEO	LLMO
초점	검색 순위	AI 답변	생성형 검색	모든 LLM 인터랙션
대상	Google, Bing	음성 비서, AI 검색	AI 기반 검색 엔진	ChatGPT, Claude, Gemini, Perplexity
학술적 기반	수십 년간의 연구	제한적	프린스턴 (KDD 2024)	형성 중
프레임워크	잘 확립됨	비공식적	연구 중심	LLMO Framework (6 컴포넌트)
범위	웹 검색	좁음 (답변만)	좁음 (생성형 검색만)	넓음 (모든 LLM 컨텍스트)

상호 관계

LLMO는 AEO와 GEO 같은 접근 방식을 포괄하면서, 검색을 넘어 LLM이 웹 콘텐츠와 상호작용하는 모든 맥락을 다룹니다.

LLMO (모든 LLM 인터랙션)
├── GEO (생성형 검색 엔진)
│   └── AEO (답변 중심 검색)
└── 직접 LLM 쿼리 (ChatGPT, Claude 등)
    └── RAG 기반 애플리케이션
    └── 웹을 탐색하는 AI 에이전트

한 문장으로 요약하면: AEO ⊂ GEO ⊂ LLMO — AEO의 성과는 GEO의 성과이자 LLMO의 성과이지만, 역방향은 성립하지 않습니다.

어느 것에 최적화해야 하는가?

가장 넓은 범위를 커버하고 싶다면 LLMO에 최적화하세요. LLMO는 슈퍼셋이므로, 그 체크리스트를 충족하면 AEO와 GEO도 부수적으로 커버됩니다. SEO만 최적화한 사이트는 Google에서는 상위에 표시될 수 있지만 ChatGPT, Claude, Gemini, Perplexity에서는 보이지 않을 수 있습니다. 이곳이 바로 사용자들이 쿼리를 시작하는 곳으로 점점 이동하고 있습니다.

시작점: 30분 LLMO 퀵스타트는 사이트를 AI에서 보이지 않는 상태에서 AI가 인용할 수 있는 상태로 만드는 세 가지 필수 파일(robots.txt, llms.txt, JSON-LD)을 다룹니다.

LLMO와 SEO는 충돌하는가?

부분적으로 충돌합니다 — “모든 LLMO 전술을 모든 페이지에 적용”하는 것이 바로 사이트들이 이 충돌을 발견하는 특정 방법입니다. 기록된 한 사례에서, answer-first 재작성, 본문 압축, 질문 형식 견출을 모든 페이지에 채택한 사이트는 한 달 이내에 AI 인용이 증가하는 동시에 Google Search Console에서 기존 검색 트래픽이 감소하는 것을 보였습니다 (실측 보고서、일본어).

SEO와의 관계에서 LLMO 전술은 세 가지 클래스로 분류됩니다:

1. 공존하는 전술 — 주저 없이 사이트 전체에 적용

• 콘텐츠 정리: 얇거나 중복된 페이지를 통합하면 SEO(링크 에쿼티, 품질 시그널)와 LLMO 모두에 효과적입니다 — 같은 개념을 두고 경쟁하는 여러 URL은 생성형 엔진에게는 낮은 신뢰도로 읽힙니다. 정리는 남은 페이지의 최신성 유지와 함께 진행하세요: 업데이트가 멈춘 페이지는 인용 빈도가 떨어집니다.
• 구조화된 견출과 Q&A 포맷: AI에게는 풍부한 추출을, 검색에게는 풍부한 스니펫을 제공합니다.
• 통계와 인용된 출처: 가장 강력한 공존 전술. GEO 연구는 통계 추가가 인용률을 높인다는 것을 보여주며, 같은 일차 데이터가 E-E-A-T를 강화합니다. Google 자체의 AI 최적화 가이던스도 생성형 가시성을 강한 SEO의 연장선으로 위치시킵니다.

2. 조건부 전술 — 결과는 실행 방식에 달림

• 내부 링크: 링크를 다시 연결하지 않고 정리하면 고립된 페이지가 생성되어 인간 내비게이션과 크롤러 경로 모두를 끊습니다. 정리와 재연결은 하나의 작업으로 진행하세요.
• 키워드: 밀도 방식의 반복은 AI 가시성을 측정 가능한 수준으로 낮춥니다, 반면 일관된 엔티티 수준의 용어는 두 엔진 모두에 효과적입니다. 일관성이 밀도를 이깁니다.

3. 충돌하는 전술 — 페이지 역할로 구분하고 절대 일률적으로 적용하지 말 것

• Answer-first 구조는 AI 인용을 개선하지만(실시간 검색은 첫 패시지에서 관련성을 판단) 독자가 처음부터 완전한 답을 얻으면 체류 시간과 스크롤 깊이를 깎을 수 있습니다.
• 과도한 압축은 청크를 추출하기 쉽게 하지만 검색이 보상하는 주제 깊이와 롱테일 커버리지를 제거합니다. 해결책은 구조적입니다: 도입 요약과 섹션 첫 문장은 간결하게 유지하고, 총 본문 깊이는 유지하며, 리스트와 테이블로 깊은 콘텐츠를 추출 가능하게 만드세요. 답에 이르는 거리를 줄이되 콘텐츠를 줄이지 마세요.

해결책은 페이지 역할 할당입니다: 용어집과 FAQ 페이지는 완전한 answer-first로 가고, 사례 연구와 깊은 기술 페이지는 도입 요약을 두되 깊이를 유지하세요. 하나의 페이지에서 두 분야를 모두 최대화하려 하지 마세요.

두 분야를 별도로 측정하세요. 혼합된 대시보드는 트레이드오프를 평균화해 사라지게 합니다 — AI 인용이 증가하는 동안 검색 트래픽이 조용히 잠식됩니다. SEO는 Search Console(트래픽, 순위)으로, LLMO는 새 세션에서의 직접 AI 쿼리로 추적하세요(LLMO 측정에서 지표를 다룹니다). 나란히 추적해야만 전술이 실제로 가진 교환 비율이 드러납니다.