AI 검색을 위한 스키마: 엔티티 공백을 찾아내고 우선순위를 정하는 법

스키마 마크업(schema markup)은 그동안 검색 결과에 별점, 이미지, FAQ 같은 '리치 결과(rich result)'를 띄우기 위한 도구로만 여겨져 왔다. 하지만 이 글은 스키마의 진짜 가치가 그 너머에 있다고 주장한다. 스키마는 검색엔진과 대규모 언어모델(LLM)이 웹사이트를 이해하도록 돕는 핵심 인프라이며, 사이트에 등장하는 '엔티티(entity, 개체)'와 그들 사이의 '관계(relationship)'를 명시적으로 선언하는 수단이라는 것이다.

이해의 출발점은 지식 그래프(knowledge graph)다. 지식 그래프는 엔티티를 노드(node)로, 그들 간의 관계를 엣지(edge)로 저장한다. 이 구조 덕분에 기계는 단순히 키워드를 일치시키는 것을 넘어, 의미론적 맥락을 파악할 수 있다. 글쓴이는 예시로 툴레인 프리먼 경영대학원(Tulane Freeman School of Business)을 든다. 시스템은 이곳을 단순한 텍스트 문자열이 아니라 '강좌를 제공하고, 사람이 가르치는 조직'이라는 하나의 개체로 인식하게 된다는 것이다.

여기서 JSON-LD 형식의 스키마는 일종의 '진입로(on-ramp)' 역할을 한다. 봇이 웹페이지 본문을 읽고 엔티티와 관계를 스스로 추론하기를 기다리는 대신, JSON-LD로 개체와 관계를 직접 명시해 주는 것이다. 글쓴이는 "FAQ 스키마를 억지로 채워 넣거나 리치 결과 노출만 최적화하는 일을 멈추라"며, "웹페이지는 그래프에 공급될 노드와 엣지를 실어 나르는 운반체"라고 강조한다.

이 관점을 실무에 적용하기 위해 글쓴이의 팀은 세 개 층위를 비교하는 분석 프레임워크를 개발했다. 첫째는 커스텀 스키마 마크업으로, 고등교육 분야를 위해 Schema.org의 표준 엔티티 23개에 더해 60개 이상의 맞춤형 엔티티를 구축했다. 둘째는 웹사이트 콘텐츠의 벡터 임베딩이고, 셋째는 의미적 근접성을 분석하는 AI 에이전트다. 이 세 층위를 대조하면 콘텐츠 전략에 반영할 '엔티티 공백(entity gap)'이 드러난다. 핵심은 가능한 모든 엔티티를 다 구현하는 것이 아니라, 먼저 '이상적인 엔티티 모델', 즉 완전한 정보가 어떤 모습이어야 하는지를 정의한 뒤 비즈니스 가치 기준으로 공백에 우선순위를 매기는 것이다.

다만 글은 스키마의 효과를 둘러싼 상반된 연구도 솔직히 인정한다. 2025년 Search Atlas의 연구는 스키마가 LLM 가시성에 영향을 주지 않는다고 봤고, 마크 윌리엄쿡(Mark William-Cook)의 연구는 LLM이 온페이지 스키마를 읽지 않는다고 시사했다. 그러나 글쓴이는 '기계의 이해를 돕기 위해 JSON-LD를 쓰는 것'과 'JSON-LD를 인용을 따내기 위한 편법으로 취급하는 것'을 구분한다. 실제로 2025년 3월 마이크로소프트 빙(Bing)의 파브리스 카넬(Fabrice Canel)은 코파일럿(Copilot)이 콘텐츠 이해를 위해 스키마 마크업을 활용한다고 확인했다. 측정 역시 리치 결과에 머물지 말고, 프롬프트 추적과 브랜드 감성 분석 도구로 AI 가시성을 모니터링한 뒤 이를 실제 전환과 리드 품질과 연결해야 한다고 조언한다.

마케팅 실무자를 위한 시사점

이 글이 마케터에게 던지는 메시지는 SEO의 무게중심이 '검색 결과 꾸미기'에서 '기계가 이해할 수 있는 지식 구조 만들기'로 이동하고 있다는 점이다. AI 검색과 LLM 기반 답변이 확산되는 환경에서는, 우리 브랜드와 제품·서비스가 무엇이며 무엇과 어떻게 연결되는지를 기계가 명확히 파악하도록 만드는 것이 곧 노출과 인용의 전제 조건이 된다. FAQ 스키마 개수를 늘리는 식의 표면적 작업보다, 자사 도메인의 핵심 엔티티와 관계를 지도로 그려 '이상적인 엔티티 모델'을 먼저 정의하는 작업이 우선이다.

실행 관점에서는, 스키마 도입 자체를 목표로 삼기보다 비즈니스 가치가 높은 엔티티 공백부터 메우는 우선순위 전략이 필요하다. 또한 스키마 효과를 둘러싼 연구가 아직 엇갈리는 만큼, 리치 결과 클릭률 같은 전통 지표만 볼 것이 아니라 AI 답변 내 브랜드 등장 여부, 프롬프트 추적, 브랜드 감성을 함께 측정하고 이를 전환·리드 품질과 연결해 성과를 판단하는 통합적 측정 체계를 갖추는 것이 바람직하다.