AI 검색 가시성을 모니터링할 최고의 프롬프트를 선택하는 방법

응답을 분석할 때 잠재적인 실행 단계를 찾아내는 것은 우리가 집중하는 중요한 부분입니다.

예를 들어 사용자 정의 프롬프트 추적(메타적이라는 건 압니다) 같은 새 기능을 출시할 때, AI 응답이 Ahrefs에 이제 해당 기능이 있다는 점을 반영하는지, 아니면 오래된 출처를 인용하는지 알고 싶습니다.

여러 AI 플랫폼을 모니터링하면 Google에서만 두드러지는 사이트(SEO 담당자들이 전통적으로 집중해 온 곳)가 아니라 Bing, Brave Search, 사용자 지정 인덱스 전반에서 두드러지는 사이트의 브랜드 언급까지 찾아낼 수 있습니다.

응답 정확도 외에도, 우리는 주로 연결할 만한 인용 빈도가 높은 웹사이트, 더 잘 다뤄야 할 자주 언급되는 SEO 플랫폼 기능과 활용 사례, 그리고 핵심 제품에서 경쟁사 대비 우리가 어떤 포지션에 있는지를 살펴봅니다.

그렇다고 해서 우리가 사용자 정의 프롬프트 추적에만 집중하는 건 아닙니다.

서버 로그에서의 AI 봇 활동, AI 플랫폼에서 유입되는 트래픽, 전통적인 검색 성과, 그리고 브랜드 레이더에서 수천만 개의 프롬프트로부터 얻은 인사이트도 우리의 모니터링에 포함됩니다.

프롬프트 추적을 전반적으로 어떻게 바라보는지에서 중요한 부분이므로, 비슷한 포인트를 그룹화하는 방법을 더 자세히 살펴보겠습니다.

다음 정규식을 사용하면 길이가 최소 6단어인 모든 쿼리를 찾을 수 있습니다: ^(\S+\s+){5}\S+. 필요하면 ‘5’를 더 큰 숫자로 바꾸세요.

사이트가 새로 만들어졌거나 아직 검색 트래픽이 많지 않거나, 단순히 다른 산업을 조사 중이라면 Ahrefs의 키워드 익스플로러 도구 필터에서 같은 검색어를 사용할 수도 있습니다.

추정 검색량이 AI 채팅량과 완벽히 일치할 수는 없지만, 이 접근법을 통해 전반적으로 어떤 주제가 얼마나 인기 있는지 감을 잡을 수 있습니다.

여기에서 가장 두드러지는 도메인은 Reddit이지만, Facebook, Quora, Steam 커뮤니티와 수천 개의 다른 사이트도 확인할 수 있습니다.

주소창에 &udm=18이라는 특정 매개변수를 추가하면, SERP 기능이 결과에 나타나길 막연히 기대하는 대신 주제와 관련된 포럼을 직접 검색할 수 있습니다.

질문에 댓글이 많이 달리면 좋긴 하지만, 저는 보통 가장 자주 등장하는 관점을 찾습니다.

아직 어떤 쿼리로도 해당 페이지가 순위에 오른 적이 없다면, 그 부분을 Ahrefs 키워드 익스플로러 같은 도구의 데이터로 대체해, 알려진 검색량이 있는 타깃 용어를 공유할 수 있습니다.

SEO의 많은 것들과 마찬가지로, 이 개념도 한 단계 더 발전시킬 수 있습니다.

최근 몇 달 동안 Metehan Yesilyurt의 글을 즐겨 읽었는데, 그는 GSC 데이터를 더 긴 쿼리로 전환하는 방법을 다룬 가이드에서 훨씬 더 심도 있는 프롬프트를 제시했습니다.

그는 일반 검색 용어를 LLM 스타일 프롬프트로 변환하는 데 특화된 사용자 정의 툴을 만들었습니다.

예의를 지키기 위해 전체를 공유하진 않겠지만, app.py 파일의 일부 샘플을 보여드리겠습니다:

Metehan도 동의하겠지만, 전후 비교 예시는 구체적일수록 더 좋습니다.

업계와 관련된 질문을 Perplexity에 물어볼 때 유용한 기능 중 하나는 각 채팅의 끝에서 관련된 후속 쿼리를 추천해 준다는 점입니다.

저는 Perplexity에 연락해, 이것들이 실제로 과거에 질문된 적 있는 쿼리를 사용하는지 물어봤습니다.

원래의 쿼리 그리고 그 결과를 사용하는 AI 모델이 생성한다고 들었습니다. 기본적으로 이 모델이 해당 데이터에서 자연스럽게 뒤따를 것이라고 판단한 다음 질문들이죠.

우리 목적상 아쉬운 점은 이것들이 과거 쿼리를 기반으로 하지는 않는다는 것입니다. 하지만 Perplexity는 가능한 한 관련성 있게 만들고 싶어 할 테니, 저는 이를 살펴보는 데 여전히 가치가 있다고 봅니다.

어떤 헤드라인이든 클릭해 펼치면 Google이 더 많은 추천 쿼리를 제안합니다.

익숙하지 않은 업계를 조사할 때는, 보통 이런 질문들을 그대로 사용해 시간이 지나면서 어떤 브랜드, 도메인, 응답 유형이 가장 자주 나타나는지 살펴봅니다.

좀 더 중요한 업무나 개인 프로젝트에서는 이를 기반으로 더 확장해 사용합니다. 이 방법은 키워드 익스플로러의 ‘질문’ 탭 섹션에서 몇 가지로 나눠 설명하겠습니다.

분석을 확장하고 싶다면 Ahrefs 툴바와 Detailed SEO Extension을 모두 사용해 ‘다른 사용자도 묻는 질문’ 헤드라인을 여러 단계로 자동 추출할 수 있습니다.

각 항목을 개별적으로 클릭해 수정하고 싶을 수 있는 쿼리를 찾아낸 뒤, 계속 추적할 수 있습니다.

예를 들어 최근 특정 지역을 대상으로 콘텐츠 제작을 시작했다면, 해당 국가에서 이 용어들을 추적하거나 프롬프트에 국가를 명시할 수도 있습니다.

매일, 매주, 매월 등 원하는 업데이트 주기를 정확히 설정할 수도 있습니다.

기존의 웹 애널리틱스 외에도 서버 로그를 자세히 분석할 수 있습니다.

아래에서는 7일 동안 ChatGPT-User가 Detailed.com의 페이지를 언제 요청했는지 확인할 수 있습니다.

이것은 웹을 지속적으로 크롤링하는 봇이 아닙니다. 대신 사용자가 ChatGPT나 커스텀 GPT에 질문을 할 때 사용되며, 해당 페이지가 답변 생성에 도움이 될 수 있습니다.

기존 검색 봇 외에도 Perplexity-User(Perplexity), DuckAssistBot(DuckDuckGo), MistralAI-User(Mistral) 같은 봇의 요청도 확인해 볼 수 있습니다.

그런 다음 이 가이드의 제안을 따라 다음과 같은 프롬프트 아이디어를 얻을 수 있습니다:

• 구글 서치 콘솔에서 해당 페이지로 트래픽을 유도하는 검색어를 살펴보기

• 자연 검색에서 순위가 있는 곳에도 표시되는 관련 “함께 묻는 질문” 항목을 찾으세요

• 사람들이 해당 페이지를 찾기 위해 물어볼 법한 관련 질문을 LLM에 요청하기

두 소스 모두 그 자체로도 유용하지만, 이를 함께 결합할 수 있는 추가 데이터 포인트가 있으면 더 좋습니다.

이 도구의 또 다른 장점은 사이트에 존재할 수 있는 콘텐츠 갭을 강조해 준다는 점입니다. 해당 주제와 관련된 사이트 페이지가 없어서 단순히 노출되지 않는 경우일 수도 있습니다.

물론 여기에는 아마 인용되고 싶지 않은 검색어도 있을 겁니다.

사용하는 플랫폼에 따라 “목공이란 무엇인가요?” 같은 질문은 웹 검색이나 출처 링크 없이 답변될 수도 있습니다.

온라인 목공 학교를 운영하거나 법인 설립 서비스를 제공한다면, “목공 사업을 시작하는 방법”처럼 지속적으로 검색되는 문구를 골라 변형들을 하나의 클러스터로 묶어 추적하는 것이 좋을 수 있습니다.

자사 브랜드의 경우, 다음과 같은 주제에 대한 응답을 추적해 볼 수 있습니다:

• 현재 요금

• 경제성, 신뢰성, 편안함 등 고객의 핵심 우선순위

• 특정 기능을 제공하는지 여부

• 사람들이 흔히 하는 불만

• 상위 경쟁사 대비 귀사의 위치

Notebook Agency의 창립자 Steve Toth는 AI가 여러분의 브랜드에 대해 갖고 있는 관점이 현실과 일치하는지 확인해야 한다는 입장을 강하게 지지합니다.

그는 고객과 함께 일할 때, LLM에서 자사가 어떻게 표현되길 원하는지 이해하기 위해 도움말 문서, 영업 통화 녹취록, 비공개 통화, 그리고 세일즈 배틀카드 같은 추가 리소스의 데이터를 활용할 수 있다고 말했습니다.

그다음 그의 팀은 ‘이 질문이 틀리면 탈락’ 수준의 질문 프롬프트를 만들고 응답의 정확도를 측정합니다. 불일치가 발견되면, 자사 사이트와 다른 사이트에 추가 콘텐츠를 제공해 그 부분에 영향을 주려고 합니다.

이를 위해 고객 지원 채팅, 광고 데이터, 내부 사이트 검색(블로그 글, 도움말 문서 등 전반), 그리고 떠오르는 기타 자료 등 가능한 한 많은 내부 데이터 소스를 활용할 수 있습니다.

이 방향으로 진행하고 싶지 않다면, “완전한” 페르소나를 구축하기보다 용어를 개인화하는 Mark Williams-Cook이 공유한 간단한 공식이 마음에 들었습니다.

그는 LLM에 “내가 [Persona]로서 [Keyword]를 찾고 있다면, 무엇을 검색할까?”라고 프롬프트를 던집니다.

이건 가지고 놀기엔 재미있지만, 말했듯이 이것들이 실제 개인화와 얼마나 맞아떨어지는지는 알 수 없습니다.