엔티티 일관성은 AI 답변이 당신에 대해 말하는 내용을 정말로 바꾸나?

리트리벌은 쿼리에 대해 텍스트에 점수를 매기는데, 쓰이는 두 계열의 스코어링이 모두 희소한 완전 일치 문자열을 특별하게 다루기 때문입니다. BM25 계열의 어휘 기반 스코어링은 어떤 용어가 컬렉션 전체에서 얼마나 희소한지로 가중치를 줍니다. 그래서 다른 데서 거의 쓰지 않는 용어가 일치의 가중치 대부분을 짊어집니다.³ 제품명이 바로 그런 용어입니다. 그것을 세 가지 표기로 쪼개면 희소한 용어가 셋으로 따로 생기고, 각각은 일부 구절에만 나타납니다. 한 표기로 던진 쿼리는 다른 표기를 쓴 구절에 더는 닿지 않습니다.

현대 하이브리드 리트리버의 밀집 쪽은 표기 변형에 더 관대하지만, 정작 필요한 바로 그 지점에서 가장 약합니다. Dense Passage Retrieval의 저자들은 이 트레이드오프를 분명히 적었습니다. 용어 일치 방식은 “선택성이 높은 키워드와 구에는 민감하지만 어휘 변형이나 의미 관계를 잘 포착하지 못한다”고 했고, 밀집 리트리버는 “의미 표현에는 뛰어나지만 드물게 나타나는 두드러진 구를 표현할 용량이 부족할 수 있다”고 했습니다.² 젊은 제품명은 드물게 나타나는 두드러진 구입니다. 하이브리드의 한쪽이 다른 쪽을 메워 주지 못하는 유일한 경우입니다.

이것은 방향이지 크기가 아니라고 읽으십시오. 파편화가 무언가를 잃게 만들 것이라는 말일 뿐, 얼마나인지는 말하지 않습니다. 게다가 엔진들이 웹 텍스트에 평범한 하이브리드 리트리벌을 돌린다고 전제하는데, 각사 문서는 그것을 윤곽으로만 뒷받침합니다. 2026년 비판적 서베이는 측정 쪽에서 인접한 지적을 하며, 파라미터, 리다이렉트, AMP 버전, 번역 페이지, 애그리게이터가 “도메인을 인위적으로 파편화할 수 있다”고 경고합니다.⁴ 파편화는 가시성을 세는 일에서는 문서화된 문제입니다. 그것이 가시성을 낮추기도 하는지는 아무도 검증하지 않은 단계입니다.

가장 무게를 지고 있는 것은 마크업입니다. 흔한 형태의 주장은 schema 마크업이 AI 답변에서 인용률을 높인다는 것이고, Google은 바로 이 목적으로 내놓은 가이드에서 그것을 부정합니다. “구조화 데이터는 생성형 AI 검색에 필수가 아니며, 추가해야 할 특별한 schema.org 마크업도 없습니다.” 같은 페이지는 생성형 AI 기능을 위해 “새로운 기계 판독 파일, AI 텍스트 파일, 마크업, Markdown”을 만들지 말라고도 말합니다. 검색이 그것들을 쓰지 않기 때문입니다.⁶ 두 문장 모두 그 페이지의 마지막 업데이트인 2026년 7월 10일 시점에 있었고, 이 글이 2026년 8월 30일에 확인했을 때도 그대로 있었습니다. 이미 구조화 데이터를 운영 중이라면 리치 결과를 위해 남겨 두고, 평범한 SEO로 분류하십시오.

두 번째는 그 퍼센트입니다. 엔티티 최적화는 효과 크기와 함께 팔리지만, 이 개입의 효과 크기는 누구도 이름을 댈 수 있는 연구 어디에도 없습니다. 숫자가 인용될 때 그것은 대개 어떤 브랜드가 웹 전체에서 얼마나 자주 언급되는지와 AI 답변에 얼마나 자주 등장하는지 사이의 벤더 상관으로 거슬러 올라갑니다. 그것이 재는 것은 언급량이지 명명의 일관성이 아니며, 상관이지 검증이 아닙니다. 그 계수는 다른 변수의 것입니다.

세 번째는 그 상속입니다. 이 표현은 로컬 검색에서 왔고, 거기서는 벤더가 관리하고 사업자가 편집할 수 있는 명시적인 업체 레코드에 붙어 있었습니다. 어떤 AI 답변 엔진도 소프트웨어 제품에 대해 그에 해당하는 레코드를 공개하지 않습니다. 그러니 이 이동은 상속이 아니라 유추이고, 그 유추야말로 아무도 논증하지 않는 부분입니다.

관심 있는 엔진마다 새 세션에서 같은 제품을 두 가지 방식으로 물어보십시오. 먼저 정확히 이름을 대고 그것이 무엇인지 묻습니다. 다음에는 이름 없이 구매자의 말로 그 제품이 푸는 문제를 설명합니다. 두 실패는 전혀 다르게 보입니다. 이름을 댄 쪽이 다른 회사를 설명하거나 자신 있게 엉뚱한 카테고리를 붙인다면 그것은 엔티티 식별의 실패이고, 명명 작업이 바로 그것을 고칩니다. 이름을 댄 쪽이 정확한데 이름 없는 쪽이 여러분을 한 번도 언급하지 않는다면 식별은 문제없고 여러분이 가진 것은 발견 문제이며, 명명 작업은 거기에 닿지 않습니다. 이 구분이 바로 제품 112개에서 측정된 것이고, 한 엔진에서는 그 격차가 대략 30대 1에 이르렀습니다.⁵

그다음에는 표본에 대해 정직해지십시오. 5회 실행은 중간 정도 비율 주변에서 95% Wilson 구간이 대략 ±33포인트가 되어 20%와 50%를 구분하지 못합니다. 30회면 약 ±17까지 좁혀집니다. 서베이가 어떤 연구에든 요구하는 최소 체크리스트 항목을 기록하십시오. 그중 하나라도 다르면 두 실행은 비교할 수 없기 때문입니다. “제품, 모드, 모델, 날짜, 로케일, 계정, 검색 사용 여부”.⁴

그리고 이 테스트가 할 수 없는 일도 받아들이십시오. 이름을 고친 것이 무언가를 바꿨는지는 알려 주지 못합니다. 돌려 볼 반사실이 없고, 엔진 간과 반복 간의 분산이 이 정도로 예상되는 효과를 삼킬 만큼 크기 때문입니다. 여기서의 전후 비교는 이야기이지 측정이 아닙니다.