LISTED 루프 — 생성형 엔진 노출의
폐루프(Closed-loop) 제어 방법론

리스트AI 연구실 · 2026-07 · v1.0 — 본 방법론의 실행 파이프라인은 자체 구축 시스템으로 운용됩니다

L 계층 표면 분해LAYERED SURFACE DECOMPOSITION

"AI 검색"은 단일 표면이 아니다. 생성 메커니즘 기준으로 최소 3개 계층으로 분해된다: 기존 랭킹 시그널에 종속된 구글 AI 개요·AI 모드(L1), C-rank·UGC 인용 그래프 기반의 네이버 AI 브리핑(L2), 그리고 RAG 웹 그라운딩과 쿼리 팬아웃(Query Fan-Out)으로 참조 문서를 동적 선별하는 LLM 챗봇(L3).

계층별로 인용 결정 변수가 다르므로 최적화 벡터도 달라야 한다. L1은 테크니컬 SEO의 연장선이고, L2는 UGC 생태계 게임이며, L3만이 순수한 인용 경쟁이다. 계층을 구분하지 않는 진단은 처방을 특정할 수 없다.

I 구매의도 프롬프트 채굴INTENT PROMPT MINING

키워드가 아니라 완전 문장형 질의(full-sentence query)가 측정 단위다. 업종·지역·고객군 정보를 입력으로, 9개 인텐트 카테고리(상업·직접매칭·가격·비교·정보탐색·버티컬·지역·브랜드·페르소나)의 가중 매트릭스를 통해 프롬프트 세트 30~200개를 생성하고, 근접 중복을 유사도 임계치로 제거한다. 카테고리 가중치는 실측 피드백으로 갱신된다.

S 동시 다엔진 표집SYNCHRONOUS MULTI-ENGINE SAMPLING

엔진마다 참조 인덱스와 선별 함수가 다르므로, 동일 질의를 동일 시점에 전 엔진으로 주입해야 비교 가능한 표본이 된다. 시점이 어긋나면 관측된 차이가 엔진 간 차이인지 시간 차이인지 분리되지 않는다. 회차마다 프롬프트 세트를 고정한 채 4개 엔진에 병렬 주입하고, 노출 여부·언급 순번· SoV(Share of Voice)를 엔진별로 분리해 시계열 DB에 적재한다.

엔진을 평균 내지 않는다. 실측에서 네 엔진이 공통으로 지목한 업체가 존재하는 질의는 0개였고, 인용 도메인의 83%가 단 한 엔진에만 나타났다. 평균값은 어느 엔진의 현실과도 일치하지 않는다.

단일 엔진 캡처 한 장은 측정이 아니다. 이것이 본 방법론과 통상적 "진단"의 경계선이다.

T 인용 소스 역추적CITATION SOURCE TRACING

응답의 그라운딩 메타데이터에서 인용 URL을 수집하고, 인용된 문서를 실제로 파싱하여 구조 신호를 정량화한다 — 시맨틱 테이블 유무, 숫자 밀도(digit density), 질문형 헤딩, 그리고 해당 문서만이 보유한 고유 정보량(Information Gain). "왜 저 문서가 인용되었는가"를 추정이 아니라 파싱 결과로 답한다.

E 증거 잠금 설계EVIDENCE-LOCKED ENGINEERING

역산된 인용 조건 — 답변 캡슐(모두(冒頭) 30~80단어 직답), 증거 밀도, JSON-LD 구조화 데이터, E-E-A-T 시그널, 엔티티 일관성 — 에 따라 콘텐츠를 설계하되, 본문의 전 수치를 검증된 데이터 저장소에 잠금(fact-lock)한다. 출처 없는 수치는 자동 검출되어 발행 전 차단된다. 생성형 콘텐츠의 환각(hallucination) 수치가 발행물에 유입되는 경로를 파이프라인 수준에서 봉쇄하는 장치다.

D 표류 감지DRIFT DETECTION

모델 업데이트, 경쟁 콘텐츠 유입, 인덱스 갱신으로 답변 분포는 상시 표류한다. 주간 재측정으로 시계열 베이스라인 대비 SoV 델타를 추적하고, 하락 감지 시 해당 프롬프트 클러스터를 루프 선두(T 단계)로 회송한다. 시계열 데이터는 소급 생성이 불가능하다 — 측정을 시작한 시점 이전의 베이스라인은 어떤 방법으로도 재구성할 수 없다.