선택과 재순위화는 AI 답변이 어떤 구절을 쓸지 어떻게 정합니까?

선택과 재순위화는 여러 개의 후보 목록을, 정해진 컨텍스트 예산 안에 들어가는 짧고 순서 있는 증거 목록 하나로 바꿉니다. 네 가지 작업이 차례로 일어납니다. 팬아웃된 각 하위 쿼리가 돌려준 후보 집합이 합쳐집니다. 거의 같은 것과 전재된 사본은 접혀서, 같은 주장이 세 자리를 차지하지 않게 합니다. 남은 것은 도메인이 얼마나 권위 있는지가 아니라 각 구절이 그 구체적인 질문에 얼마나 잘 답하는지를 모델이 채점해 다시 정렬합니다. 그리고 증거가 들어갈 때까지 꼬리가 잘립니다. Google도 1차 자료의 언어로 같은 모양을 설명합니다. 그라운딩은 “핵심 검색 순위 시스템에 의존해” 페이지를 가져오고, 그 뒤 “우리 시스템은 가져온 페이지의 구체적인 정보를 검토해 더 신뢰할 수 있고 도움이 되는 응답을 생성합니다”.⁹ 그 검토가 4단계입니다.

링크 그래프를 채점하는 공식이 아니라 모델이 구절을 읽는다는 것은 닫힌 시스템에 대한 추측이 아닙니다. 그것은 공개된 기법입니다. EMNLP 2023 연구는 적절히 지시받은 언어 모델이 재순위 에이전트로서 “널리 쓰이는 IR 벤치마크에서 최신 지도 학습 방법과 대등하거나 오히려 더 나은 결과를 낼 수 있다”고 밝혔습니다.¹⁰ 재순위화 장치는 독자이고, 읽는 것은 청크입니다.

사람들이 과소평가하는 것은 절단입니다. 위쪽에서 만들어진 후보는 수백에서 수천 개이고, 작성 단계에 도달하는 것은 한 줌입니다. 2026년 4월에 공개된 602개 프롬프트 학술 표본에서 완성된 답변에 달린 인용 수의 평균은 ChatGPT가 6.88개, Google의 AI 표면이 12.06개, Perplexity가 16.35개였습니다.³ 후보 풀의 거의 전부가 여기서 버려졌고, 버려진 것은 아래쪽에서 글을 더 잘 써도 되살릴 수 없습니다. 이 단계가 전체 파이프라인 어디에 있는지는 AI 검색의 작동 방식이 보여 줍니다.

묻힌 답이 지는 이유는 재순위화 장치가 채점하는 대상이 청크이기 때문입니다. 답을 둘러싼 여덟 개 문단은 그 답의 증거가 아니라 그 주변의 잡음입니다. 답이 아홉 번째 문단에 있는 3,000단어 페이지는, 인접한 주제의 자료 더미에 박힌 관련 구절 하나를 내놓는 셈입니다. 두 번째 문장에서 질문에 답하는 더 짧은 페이지는 거의 전부가 과녁 위에 있는 구절을 내놓습니다. 페이지 수준의 권위는 앞의 경우를 구해 주지 못합니다. 여기서 채점되는 것이 권위가 아니기 때문입니다.

페이지 안에서의 위치도 영향이 있어 보입니다. 다만 근거는 벤더가 공개했고, 저자들 스스로 상관관계라고 밝혔습니다. 2026년 6월 연구는 AI Overview 응답 10,000건과 인용 위치 100,000건을 스크롤 이동 텍스트 프래그먼트로 원문 위치에 맞춰 보고, 인용의 38%가 페이지의 첫 100단어에서 나왔음을 확인했습니다. 1년 전의 더 작은 비교 집합에서는 20%였습니다. 저자들은 데이터가 상관관계이며 “AI 모델이 어디에서 인용하는지는 보여 줄 수 있어도 왜 그런지는 단정할 수 없다”고 분명히 밝힙니다.² 실무적인 해석은 “전부 위로 올리라”가 아닙니다. 도입부, 브랜드 헛기침, “이 글에서는 다음을 다룹니다”가 페이지에서 가장 값진 자리를 차지하고 있다는 뜻입니다.

구절이 선택된 뒤 모델 컨텍스트 안에서의 위치도 영향을 줍니다. 그리고 그 근거는 페이지 모양에 관한 어떤 주장보다 강합니다. 2026년 비판적 서베이는 문서가 이미 리트리벌된 것을 전제로 컨텍스트 내 위치를 강함으로, 쿼리와 문서의 관련성을 통제된 환경에서 강함으로 등급 매깁니다.⁴ NeurIPS 2025의 C-SEO Bench는 여기에 숫자를 붙입니다. GPT-4o-mini의 리테일에서 가장 좋은 전통적 개입, 즉 출처의 LLM 컨텍스트 내 위치를 개선한 것은 대상을 평균 2.77 순위만큼 움직였고, 시험한 열 가지 콘텐츠 재작성 방법 중 가장 강한 것은 0.36이었습니다. 논문 자신의 표현에는 배수가 없습니다. 대상 문서를 “LLM 컨텍스트 창의 첫 번째로 두는 것이 어떤 C-SEO 방법보다도 LLM 응답에서 훨씬 큰 인용 순위 향상을 가져온다”고 적었을 뿐입니다.⁵ 왜 그런지에는 별도의 문헌이 있습니다. 성능은 “관련 정보가 입력 컨텍스트의 처음이나 끝에 있을 때 가장 높은 경우가 많고, 모델이 긴 컨텍스트의 중간에 있는 관련 정보에 접근해야 할 때 크게 떨어진다”고 합니다.⁸ 그 위치는 여러분이 정하지 않습니다. 하위 질문에 가장 정확히 답하는 구절이 됨으로써 영향을 줄 뿐입니다.

빼는 방향으로만, 그것도 통제 수단을 문서화한 표면에서만 가능합니다. Google의 안내는 네 가지를 지목합니다. “검색에서 페이지로부터 표시되는 정보를 제한하려면 nosnippet, data-nosnippet, max-snippet, noindex 통제를 사용하십시오.” 그리고 AI 기능은 같은 스니펫 노출 자격 위에서 돌아갑니다.⁶ 이로써 특정 텍스트 블록을 인용 대상에서 빼거나, 페이지에서 보여 줄 수 있는 양에 상한을 걸 수 있습니다. 둘 다 노출을 줄이는 일이지 방향을 잡아 주는 일이 아닙니다.

긍정형 대응물은 없습니다. 인용해 주었으면 하는 문단을 표시하는 방법을 제공하는 엔진은 없고, 그것을 지명하는 마크업이나 파일, 지시문도 없습니다. 쓸 수 있는 유일한 긍정적 영향은 구성에서 옵니다. 하위 질문에 답하는 구절을 페이지에서 가장 명확하고 가장 정확히 과녁에 맞은 것으로 만들고, 그 질문을 그대로 말하는 제목을 붙이십시오. 이것은 요령이 아닙니다. 그래서 계속 통합니다.