논문 및 참고 자료

핵심 논문

GEO: Generative Engine Optimization

• 저자: Aggarwal, Murahari, Rajpurohit, Kalyan, Narasimhan, Deshpande
• 소속: Princeton University, IIT Delhi, Adobe Research
• 학회: KDD 2024 (ACM SIGKDD)
• 링크: arXiv:2311.09735
• 요약: 생성형 검색 엔진에서의 콘텐츠 가시성 최적화를 위한 최초의 학술 프레임워크. 10,000개 쿼리에 대해 9가지 최적화 전략을 테스트. 핵심 발견: 통계 추가 시 가시성이 +115.1% 향상.
• 상세 요약 보기 →

llms.txt 제안

• 저자: Jeremy Howard
• 링크: llmstxt.org
• 요약: 웹사이트에 대한 정보를 LLM에 제공하기 위한 표준화된 파일 제안. 크롤러 제어를 위한 robots.txt와 유사하지만, AI 소비를 위해 설계되었습니다.

업계 보고서 및 가이드라인

Microsoft: AI 기반 검색 답변을 위한 콘텐츠 최적화

• 발행: Microsoft (Bing Webmaster Blog)
• 일자: 2025년 10월
• 요약: AI 콘텐츠 최적화를 위한 3가지 원칙을 제시하는 공식 가이드라인: 구조(Structure), 권위(Authority), 최신성(Freshness).
• 상세 요약 보기 →

Ahrefs: AI 가시성에서 웹 멘션 vs 백링크

• 발행: Ahrefs
• 데이터셋: 75,000개 브랜드
• 요약: 웹 멘션(브랜드 + 키워드)이 기존 백링크보다 AI 가시성을 3배 더 잘 예측합니다.

Gartner: 검색의 미래

• 발행: Gartner
• 일자: 2024년 2월
• 요약: 사용자가 AI 기반 대안으로 이동함에 따라 2026년까지 기존 검색 엔진 사용이 25% 감소할 것이라는 전망.

Go Fish Digital: AI 검색 전환율

• 발행: Go Fish Digital
• 요약: AI 기반 검색 트래픽은 사전 검증된 사용자 의도로 인해 기존 검색 트래픽의 25배 전환율을 기록합니다.

관련 연구

Schema.org 구조화 데이터

• URL: schema.org
• 관련성: LLMO Component 2(Structural Formatting)에서 JSON-LD 구조화 데이터 구현에 사용되는 어휘 표준.

Google 구조화 데이터 문서

• URL: developers.google.com/search/docs/appearance/structured-data
• 관련성: 검색 엔진과 AI 시스템 모두에서 인식되는 구조화 데이터 구현 가이드라인.

기여하기

관련 논문이나 보고서를 알고 계신가요? 이슈를 등록하거나 풀 리퀘스트를 제출하여 이 목록에 추가해 주세요.