이 글에 대하여
이 글은 Suganthan Mohanadasan의 How ChatGPT Picks Sources 를 읽고 정리한 한글 요약본이다. 저자는 자신의 브라우저에서 ChatGPT의 네트워크 트래픽(JSON)을 직접 뜯어봐서, 약 2일간 1,240여 개의 소스 레코드를 모아 분석했다.
저자 본인도 강조하듯, 한 사람·한 계정·며칠치 데이터라서 구조적 발견은 믿을 만하지만 비율/순위는 방향성 참고용 이다. 아래 내용도 그 전제로 읽으면 좋다.
발견 1 - 출처는 4개의 파이프라인에서 온다
모든 웹 검색 결과에는 사용자에게 안 보이는 result_source 라벨이 붙어 있다. 출처가 어디서 왔는지를 나타내는데, 크게 네 갈래다.
| 파이프라인 | 성격 | 예시 |
|---|---|---|
| serp | 공개 웹 기본층 (뉴스 중심) | Yahoo, StreetInsider |
| labrador | 라이선스 계약된 대형 출판사 | Reuters, Guardian, WSJ, Wikipedia, arXiv |
| bright | Bright Data 스크래퍼 (쇼핑·금융·날씨) | Reddit, Forbes, Rtings |
| oxylabs | Oxylabs 스크래퍼 (지역·현지 언론) | Khaleej Times, Gulf News |
즉 ChatGPT의 출처는 단일 검색엔진이 아니라 여러 수집 경로의 조합 이다. 같은 날씨 질문이어도 AccuWeather는 bright, 현지 신문은 oxylabs로 들어오는 식이다.
발견 2 - 아예 검색하지 않는 질문이 있다
ChatGPT는 질문을 6가지로 분류한다(turn_use_case) - instant search, shopping, text, local, thinking, image generation.
여기서 핵심은 text로 분류되면 웹 검색을 안 하고 학습 데이터로만 답한다 는 것이다. 저자가 테스트한 시의성 있는 질문 10개 중 3개가 이렇게 처리됐다. 심지어 "2형 당뇨병 최신 치료 지침" 같은 최신성이 중요한 질문도 검색 없이 답했다.
같은 주제라도 표현에 따라 갈린다. "4K TV 사서 리뷰해보니" 류는 검색하지만, "살 만한 최고의 4K TV" 는 검색하지 않을 수 있다. 아무리 좋은 콘텐츠도 검색이 트리거되지 않으면 노출 자체가 불가능 하다.
발견 3 - 한 질문이 수십 개로 쪼개진다 (팬아웃)
Thinking 모델이 제품 비교 같은 작업을 하면, 하나의 질문에서 15~40개의 서브쿼리 가 생성된다(팬아웃, fan-out).
"site:peec.ai/pricing" ← 특정 페이지 직접 조회
"Peec AI pricing $95 $245 $495 official" ← 가격을 추측한 뒤 검증모델은 값을 추측하고 → 검증하고 → 페이지에서 $, €, 99 같은 기호를 find로 찾는다. 이때 JavaScript로 동적 로딩되는 값은 읽지 못한다.
발견 4 - 가져오기 / 인용 / 언급은 다르다
수집됐다고 다 인용되는 게 아니다. 세 단계가 있다.
| 상태 | 의미 | 사용자에게 |
|---|---|---|
| Fetched | 맥락으로 페이지를 가져옴 | 안 보임 |
| Cited | 특정 문장의 출처로 표기 | 파란 각주 링크 |
| Mentioned | 브랜드명이 본문에 등장 | 칩/링크 |
인상적인 데이터: Reddit과 YouTube 모두 많이 수집됐지만(278회 / 201회), Reddit은 11회 인용, YouTube는 0회 인용 이었다. YouTube는 페이지에서 메타데이터만 얻어 인용할 텍스트가 없고, Reddit은 스레드 본문 전체가 텍스트로 들어오기 때문이다.
발견 5 - 모델이 스스로 밝히는 우선순위
Thinking 모델의 추론 과정(chain-of-thought)이 JSON에 남는데, 모델이 이렇게 적어둔다.
Ahrefs 공식 페이지를 읽었는데 가격이 안 보인다(JavaScript로 숨겨짐). 대신 G2 같은 제3자 출처를 써야겠다.
즉 공식 페이지 → 파싱 실패 시 포기 → 제3자 리뷰 사이트 인용 순서다. 내 사실(가격·스펙)인데 정작 G2가 출처로 인용되는 결과가 나온다.
그래서 뭘 해야 하나 (GEO 관점)
저자가 강조하는 실무 조언을 요약하면:
- 파싱 가능하게 - 사실·숫자는 순수 HTML 텍스트로. PDF·이미지·JS 로딩 금지
- 검색되는지 먼저 확인 - 정의/하우투류는 검색 없이 답될 수 있음. 크롤러가 내 사이트를 수집하게 만들 것
- 강한 단일 페이지 > 약한 여러 페이지 - 도메인 단위로 중복 제거되므로 주장마다 강한 페이지 하나
- 의견은 제3자에서 - 내 자랑은 내 페이지가 아니라 Reddit·리뷰 사이트·G2를 통해
- 지역 결과는 상위 2개만 - 로컬은 톱2 아니면 노출 자체가 어려움
한 줄 요약: ChatGPT는 검색 엔진이 아니므로 SEO가 아니라 LLM 동작 최적화가 필요하다. 내 페이지엔 파싱 가능한 사실을, 의견·추천은 제3자 페이지에.
실습 1 - 내 질문이 검색되는지 눈으로 확인
같은 주제를 표현만 바꿔 ChatGPT에 던져보고, 출처 링크(파란 각주)가 붙는지 비교해 보자.
A) "2026년 살 만한 최고의 노트북" ← 검색 안 될 수 있음(text)
B) "2026년 최신 맥북 프로 M5 스펙 출처" ← 검색·인용 유도B처럼 최신성·구체성·출처 요구가 들어가면 검색이 트리거되고 각주가 붙을 가능성이 높다. 검색이 안 되면 아무리 콘텐츠가 좋아도 노출되지 않는다는 발견 2를 직접 체감할 수 있다.
실습 2 - 파싱 가능성 자가 점검
내(또는 관심 있는) 제품의 가격/스펙 페이지가 텍스트로 읽히는지 확인해 보자.
# JS 실행 없이 순수 HTML만 받아서 가격 텍스트가 있는지 확인
curl -s https://example.com/pricing | grep -iE '\$|price|월|원'grep 에 가격이 잡히면 크롤러도 읽을 수 있다는 뜻이다. 아무것도 안 잡히고 브라우저에서만 보인다면, 그 값은 JavaScript로 렌더링되는 것이고 ChatGPT는 못 읽는다 → 발견 3·5에서 본 "제3자가 대신 인용되는" 상황으로 이어진다.
레퍼런스
- How ChatGPT Picks Sources - Suganthan Mohanadasan - 원문 (이 글의 요약 대상)
- Ahrefs - AI 인용 연구 (140만 프롬프트) - Reddit vs YouTube 인용률 비교의 출처