PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.14197v2cs.AI

인공지능 LLM 엔진이 글로벌 분쟁 정보 환경을 형성하는 방식

How Artificial Intelligence LLM Engines Shape the Global Conflict Information Environment

인공지능(AI) 답변 엔진은 이제 평화와 분쟁 이슈에 대해 분석가, 학자, 대중이 묻는 질문의 점점 더 많은 부분을 처리하고 있다. 대규모 언어 모델(LLM)은 특정 조건에서 환각(hallucination)을 일으키는 것으로 알려져 있지만, 분쟁에 대해 질문을 받았을 때 이러한 오류에 식별 가능한 패턴이 있는지, 그리고 만약 있다면 이것이 변화하는 글로벌 분쟁 정보 환경(environment)에 대해 무엇을 알려줄 수 있을까? 이에 답하기 위해, 본 연구에서는 먼저 5개의 대표적인 답변 엔진을 대상으로 28개 분쟁에 관한 일련의 질문을 던지고, 문서화된 증거를 바탕으로 5,460개의 답변을 평가했다. 그 결과 주어진 분쟁과 관련해 검색 가능한 기록이 빈약할수록 엔진이 사실을 날조하고, 잘못 귀속시키며, 잘못 집계하는 경향이 더 크다는 점을 발견했다. 빈약한 기록은 단순히 환각을 부추길 뿐만 아니라, 생성 엔진 최적화(GEO)를 통해 엔진 응답에 바이어스(bias)를 주도록 왜곡하기 가장 쉬운 기록이기 때문에 오정보 및 허위정보(mis- and disinformation)에 대한 구조적 노출을 초래한다. AI LLM이 분쟁 관련 사실을 추출한 1,048개 웹사이트를 분석한 결과, GEO 소스 최적화는 이미 발생하고 있으며, 국가·당파적 디지털 장악은 아직 초기 단계이지만 빠르게 증가하고 있음을 확인했다. 우리는 GEO 정보전의 부상과 함께 이러한 발견이 학술 연구에 시사하는 바를 설명하고, 정책적으로는 AI 도구가 대체할 수 없는 심층적인 현지 모니터링 및 번역 기반 연구로의 복귀를 주장하며, 이처럼 급변하는 분야에서의 향후 연구 기회와 과제에 대한 논의로 결론을 맺는다.

arXiv:2609.27845v1cs.IR

질의 함의 생성형 엔진 최적화

Query Implied Generative Engine Optimization

온라인에서 정보를 찾는 방식이 바뀌면서 검색 환경은 급격히 달라졌다. 전통적인 검색 엔진은 대규모 언어 모델(LLM)을 사용해 사용자 질의에 대한 자연어 응답을 생성하는 생성형 검색 엔진(GSE)으로 대체되고 있다. 콘텐츠 제작자에게 가시성은 더 이상 검색 결과 순위만으로 결정되지 않고, 생성된 응답 안에서 인용되는지 여부로 결정된다. 그러나 생성형 검색 엔진은 블랙박스이므로, 생성형 검색 환경에서 콘텐츠 가시성을 높이기 위한 기법 모음인 생성형 엔진 최적화(GEO)가 등장했다. 기존 대부분의 접근은 명시적 질의 또는 질의에서 파생된 신호에 의존하여 콘텐츠를 사용자 요구에 맞게 정렬한다. 우리는 문서로부터 사용자 의도를 직접 추론하는 질의 함의 생성형 엔진 최적화(QI-GEO)를 제안한다. 본 접근은 문서의 의도 공간을 근사하고, 잠재적 사용자 질의에 답하기 위해 빠져 있으면서도 관련 있을 수 있는 콘텐츠를 식별한다. GEO-Bench 및 Extended GEO-Bench에서의 평가는 객관·주관 지표 전반에서 개선을 보였다. QI-GEO는 객관 점수를 최대 15.9%, 주관 점수를 최대 17.6% 향상시켰으며, 인용 감소 대비 거의 두 배 많은 인용 증가를 얻었다. 이러한 결과는 명시적 질의 입력에 의존하지 않고도 문서에서 도출한 사용자 의도 근사가 가시성을 개선할 수 있음을 시사한다.

arXiv:2606.20065v1cs.IR

대규모 생성형 엔진 최적화: AI 검색 엔진 전반의 브랜드 가시성 측정

Generative Engine Optimization at Scale: Measuring Brand Visibility Across AI Search Engines

사람들은 검색 결과를 스크롤하는 대신 ChatGPT, Claude, Perplexity, Gemini와 같은 AI 검색 엔진에서 바로 답을 얻는 일이 점점 많아지고 있다. 한때 검색 엔진 최적화(SEO)에 집중하던 브랜드들은 이제 이러한 엔진이 자신을 어떻게 표현하고, 인용하고, 추천하는지에 맞춰 최적화해야 하며, 이 변화는 생성형 엔진 최적화(GEO), 답변 엔진 최적화(AEO), AI 검색 가시성(AI Search Visibility) 등으로 불린다. 본 연구는 AEO와 AI 가시성을 GEO의 일부로 간주하고, AI 엔진 전반에서 브랜드 가시성을 측정하는 방법을 연구한다: 브랜드를 인용할 때 무엇을 중시하는지, 어떤 출처에 의존하는지, 대규모 언어 모델(LLM)이 어떤 콘텐츠를 노출하는지를 다룬다. 어려운 경우는 이미 권위 있는 상위 브랜드 바깥에 있는 모든 이들—중소기업(SME), D2C 브랜드, 크리에이터, 초기 단계 스타트업—이다. 2026년 3월부터 5월 사이 Ranqo에서 추적한 100개 이상 브랜드에 걸친 10만 건 이상의 프롬프트 응답을 분석한다. 첫 가시성 실행에서는 뚜렷한 3단계 브랜드 지위 사다리가 나타난다: 글로벌 가정용 브랜드(예: Stripe, Nike)는 첫 실행에서 관련 AI 답변의 73%에 등장하고, 확립된 중견·지역 브랜드(예: Olipop, Klaviyo)는 44%, 틈새·소규모 브랜드는 겨우 11%—단계마다 약 30퍼센트포인트 차이가 난다. 엔진이 출처를 인용할 때 약 78%는 기업 웹사이트로 향하며, 비기업 출처 가운데에서는 YouTube가 Reddit, 편집 미디어, Wikipedia보다 앞선다. 가장 영향력이 큰 페이지는 순위가 매겨진 "best-of" 리스티클(listicle)로, 전체 인용의 약 21%를 차지하는 가장 많이 인용되는 콘텐츠 형식이다. 감성(sentiment)은 불안정한 신호다: 브랜드가 긍정적으로 또는 부정적으로 프레이밍되는지 여부는 언급 자체 여부보다 약 6.7배 더 자주 뒤집힌다. 이러한 발견은 GEO 측정을 위한 최초의 대규모 기준선을 제공한다: AI 브랜드 가시성은 측정 가능하고, 플랫폼마다 다르며, 브랜드 성숙도에 따라 크게 달라진다. 마지막으로 특정 권고사항이 인과적으로 AI 가시성을 개선할 수 있는지 검증하기 위한 7가지 v1.1 프로토콜을 제안한다.

arXiv:2606.17443v1cs.AI

기존 기업 우위: 대규모 언어 모델(LLM) 추천 시스템에서의 브랜드 바이어스와 인지적 조작 역학

Incumbent Advantage: Brand Bias and Cognitive Manipulation Dynamics in LLM Recommendation Systems

대규모 언어 모델(LLM)은 소비자가 제품을 찾는 주요 방식이 되어가고 있지만, 우리는 아직 이 새로운 채널에서 브랜드가 어떻게 경쟁하는지 이해하지 못하고 있습니다. 우리는 세 가지 상용 LLM(GPT-4o-mini, Claude Sonnet, Gemini 3 Flash)을 대상으로 스킨케어 제품(구매 전에 품질을 쉽게 판단할 수 없어 브랜드 평판에 의존해야 하는 카테고리)을 사용하여 LLM 추천에서의 브랜드 역학을 연구하였으며, 검색 재화(search goods)에 대한 강건성 검증도 수행했습니다. 세 가지 실험을 통해 다음을 발견했습니다: (1) 모든 제품의 사양이 동일할 때 유명 브랜드가 100%의 시간(IAI = 10.0) 추천되는 조건부 독점(Conditional Monopoly)이 존재하지만, 경쟁사가 +0.1점 미만의 평점 우위만 가져도 이러한 지배력은 사라집니다; (2) 조작된 임상 증거 주장을 포함한 권위형 마케팅 언어는 +0.17 평점에 해당하는 바이어스 잉여 가치(Bias Surplus Value)에서 이 독점을 깨뜨리며, 각 모델은 다르게 반응합니다; (3) 다중 브랜드 생성형 엔진 최적화(GEO) 경쟁에서의 사회적 딜레마가 발생합니다. 모든 브랜드가 동일한 최적화 전략을 채택할 때, 우리의 페이오프 프록시(payoff proxy) 상에서 개별 보상은 +0.802에서 +0.007로 떨어지며, 테스트에서 비참여 브랜드는 추천을 전혀 받지 못합니다. 우리의 결과는 생성형 엔진 최적화(GEO)가 보안 위험뿐만 아니라 시장 경쟁을 형성하는 신흥 마케팅 관행으로서도 연구되어야 함을 시사합니다.

arXiv:2606.12439v1cs.CY

입장: 생성형 엔진 최적화(Generative Engine Optimization, GEO)는 충분히 검토되지 않은 위험을 초래하며, 거버넌스는 영향력 집중, 공시, 학술적 사각지대를 목표로 해야 한다

Position: Generative Engine Optimization Creates Underexamined Risks, Governance Must Target Concentration, Disclosure, and Academic Blind Spots

대규모 언어 모델(LLM) 기반 답변 엔진의 부상으로 Generative Engine Optimization(GEO)이 등장함에 따라 영향력 집중, 미공개 상업적 개입, 학계-산업 간 인식 격차라는 위험이 제기되고 있다. 이에 대해 GEO 파이프라인을 분석하여 답변 수준의 거버넌스 강화와 블랙박스 감사 등의 측정 방식이 필요하다고 주장한다.