Google AI Overviews(AIO)는 생성형 AI의 가장 널리 접하는 배포 사례로 볼 수 있으며, 자신이 보는 답변이 AI로 생성되었음을 인지하지 못할 수도 있는 20억 명 이상의 사용자에게 도달하고 있습니다. 검색 엔진이 전통적으로 순위가 매겨진 출처를 제시하고 사용자가 이를 평가하도록 했던 것과 달리, AIO는 단일 답변을 종합하여 전달함으로써 사용자가 무엇을 읽고 알게 되는지에 대해 Google에 전례 없는 편집 통제권을 부여합니다. 본 연구에서는 40일간(2026년 3월 13일~4월 21일) 19개 주제 범주에 걸쳐 55,393개의 트렌딩 쿼리를 발행하여 대규모 종단적 측정 연구를 제시합니다. 본 연구는 네 가지 주요 결과를 보고합니다. 첫째, 전반적인 AIO 활성화율은 13.7%이며, 질문 형식 쿼리의 경우 64.7%까지 상승하는 반면 정치적으로 민감한 주제에서는 현저히 낮은 비율을 보입니다. 둘째, AIO가 인용한 도메인은 함께 표시된 첫 페이지 결과보다 더 신뢰할 수 있지만, 30% 가까이는 해당 결과에 전혀 나타나지 않아 Google의 순위 알고리즘과 구별되는 출처 선정 메커니즘이 있음을 시사합니다. 셋째, 응답을 98,020개의 원자적 주장(atomic claim)으로 분해했을 때 11.0%는 인용된 페이지에 의해 뒷받침되지 않으며(누락이 주요 실패 양상임), 출처 신뢰도와 주장 충실도는 대체로 독립적입니다. 넷째, AIO가 인용한 페이지의 절반을 훨씬 넘는 곳에 디스플레이 광고가 게재되어 있어, Google 자체 스폰서 광고는 동일 페이지에 계속 노출됨에도 AIO가 클릭률을 억제함에 따라 퍼블리셔는 수익 손실을 입게 됩니다. 종합하면, 이러한 연구 결과는 인식론적 보안(epistemic security)에 미치는 영향이 아직 잘 이해되지 않은 채 온라인 정보 생태계가 급격히 변화하고 있음을 기록합니다.
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.
AI 가시성 측정은 비교적 성격을 띤다: 실무자들은 생성형 검색 엔진이 어떤 도메인을 가장 자주 인용하는지, 그리고 관찰된 차이가 의사결정을 지원하기에 충분히 큰지 알고자 한다. 그러나 업계에는 데이터가 충분히 수집되었는지 판단하는 원칙적인 방법이 없다. 수집 예산은 연구와 플랫폼에 따라 크게 다르며, 결론은 종종 안정성과 정밀도가 불분명한 순위로부터 도출된다. 우리는 두 가지 상호 보완적인 기준에 기반한 순차적 수렴 프레임워크를 소개한다: 순위 안정성(rank stability)은 순위 상관 궤적이 구조적 안정점에 도달했는지 평가하고, 구조적 충분성(structural sufficiency)은 신뢰 구간이 0을 제외하는 확립된 도메인들 사이의 인용 점유율 분포가 해당 추정치의 불확실성을 초과하는지 평가한다. 두 기준을 함께 사용하면 단순히 안정화된 순위와 추론을 지원하기에 충분히 해소된 순위를 구별할 수 있다. 두 기준 모두 관찰된 인용 분포의 규칙성, 즉 순위 구조, 불확실성 프로파일, 관찰된 도메인과 확립된 도메인 사이의 경계로부터 도출된다. 이 프레임워크는 소수의 구조적 상수를 유지하지만, 외부에서 지정된 쿼리 수, 상관 목표값, 신뢰 구간 폭 목표값을 필요로 하지 않으며, 중단 여부는 관찰된 측정 불확실성에 의해 결정되고 다양한 충분성 임계값에서 강건성을 유지한다. Gemini, SearchGPT, Perplexity를 아우르는 30개의 플랫폼-주제 조합에 적용했을 때, 이 프레임워크는 플랫폼 및 주제별 인용 분포에 적응한다. 결과는 어떠한 고정된 수집 예산도 맥락 전반에 걸쳐 정당화될 수 없으며, 수렴은 관찰된 분포의 구조로부터 평가될 수 있음을 보여준다. 이 프레임워크는 AI 가시성 측정이 비교 분석을 지원할 준비가 되었는지 판단하기 위한 실용적인 기반을 제공한다.