LISTED 루프 — 생성형 엔진 노출의
폐루프(Closed-loop) 제어 방법론
그림 1. 생성 파이프라인의 계측 지점 3개 — α 확률적 질의 주입, β 응답·언급 캡처, γ 인용 소스 역파싱. 엔진 내부의 선별 함수는 블랙박스이므로 직접 관측하지 않는다. 대신 주입 질의(입력)와 응답·인용(출력)의 상관 관계로 선별 로직을 역추정한다 — γ 지점에서 엔진이 참조한 문서를 독립적으로 재수집·파싱하는 것이 역추정의 핵심 데이터가 된다. 엔진 내부 구조는 공개 문헌과 응답 거동에 기반한 추정 모델임.
L계층 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.
I구매의도 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.
S확률적 반복 샘플링STOCHASTIC REPEAT SAMPLING
LLM 응답은 샘플링 변동성과 쿼리 팬아웃의 경로 의존성 때문에 동일 질의에도 상이한 답을 생성한다. 따라서 단회 측정은 통계적으로 무효다. 각 프롬프트를 회차 반복 호출하여 노출을 이진값이 아닌 확률값(노출률)으로 산출하고, SoV(Share of Voice)·언급 순번과 함께 시계열 DB에 적재한다.
1회 캡처 스크린샷은 측정이 아니다. 이것이 본 방법론과 통상적 "진단"의 경계선이다.
T인용 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.
E증거 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.
D표류 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.
사장님 가게가 지금 어느 계층에서 지고 있는지 — LISTED 루프의 첫 단계를 무료로 돌려드립니다.
무료 실측 진단 신청