Blog
Papers
AEO·GEO 논문 리뷰 — AI 검색 가시성 연구를 원문 그대로 뜯어보고 실무로 옮기는 기록이에요.

지역 실험으로 마케팅 믹스 모델 보정하는 법: ROAS 숫자 하나 대신 시계열 전체를 쓴다
지역 실험으로 마케팅 믹스 모델을 보정할 때 ROAS 숫자 하나만 쓰면 이월과 포화 정보가 버려진다. 처치·대조 차분식으로 세 파라미터를 추정해 MMM의 ROAS 과대추정을 바로잡은 2026년 논문을 원문 수치로 정리했다.
글 44편

LLM 추천 시스템의 콜드 스타트를 지식그래프 RAG로 푼다
LLM 추천 시스템이 질문마다 지식그래프 검색량을 스스로 고르게 한 KDD 2026 연구를 정리했다. 콜드 스타트 정확도가 0.39에서 0.50으로 올랐고, 응답 시간은 절반 이하로 줄었다.

RAG 성능은 검색 최적화보다 답변 검증에서 더 오른다
RAG 기능 4종의 16개 조합을 768개 응답으로 비교한 실험에서, 생성한 답의 빠진 측면을 확인하는 완결성 검사 하나가 검색 기능 세 개를 함께 켠 구성보다 품질이 높았다. 지연은 두 배가 됐다.

AI 에이전트는 언제 웹 검색을 할지 이미 알고 있다
LLM 에이전트는 웹 검색 같은 도구가 필요한지를 답을 쓰기 전 은닉 상태에 이미 담고 있다(AUROC 0.89에서 0.96). 이 신호로 도구 호출을 48% 줄인 UCSD 연구를 정리했다.

생성형 검색은 전통 검색과 다른 사이트를 인용한다
구글 검색, AI 오버뷰, 제미나이가 같은 질문에 인용하는 출처는 평균 18%만 겹쳤다. AI 오버뷰는 실제 질문의 51.5%에 뜨고, AI 크롤러를 막은 매체는 인용에서 밀려난다. SIGIR 2026 연구를 정리했다.

AI 검색은 이름은 알아도 신제품은 추천하지 않는다
AI는 이름을 물으면 제품을 99% 알아보지만 '좋은 신제품 추천해줘'에는 3%만 등장한다. Product Hunt 스타트업 112개를 2,240개 질문으로 잰 2025년 연구를 읽고, GEO 점수가 왜 신제품 노출을 못 높였는지 정리했다.

GEO 효과를 매출로 재는 법: AI 답변 노출을 마케팅 믹스 모델에 넣기
GEO가 매출에 준 효과를 재려면 AI 답변의 브랜드 등장 확률을 질문 수, 엔진 점유율, 인지 확률과 곱해 시장별 노출로 바꾼 뒤 MMM에 넣어야 한다. 2026년 GMMM 논문을 원문 수치로 정리했다.

증분 실험으로 마케팅 믹스 모델 보정하기: ROAS를 파라미터로
증분 실험을 마케팅 믹스 모델에 넣는 깔끔한 방법은 ROAS를 모델 파라미터로 두고 사전분포에 실험값을 꽂는 것이다. 시뮬레이션에서 사후 ROAS 불확실성이 약 1/5로 줄었다.

LLM 에이전트 비용 줄이는 법: 결정을 4B 모델에 맡기면 81–89% 절감
LLM 에이전트 비용을 줄이는 결정 위임 연구를 정리했어요. 고립 질문 정확도는 루프 성공을 예측하지 못하고, 신뢰도 임계값을 에이전트 자신의 궤적으로 맞출 때만 비용 81–89% 절감이 성공 손실 없이 나왔어요.

작은 LLM을 직접 만드는 법: 3% 컴퓨트로 깎는 Sheared-LLaMA
작은 LLM을 직접 만드는 방법, LLM 프루닝이란 무엇인지, AI 에이전트에 작은 모델로 충분한지, sLLM 구축 비용의 기준선을 Sheared-LLaMA 논문으로 확인한다.

영상으로 로봇을 학습시키는 월드 모델: V-JEPA 2
영상만 보고 로봇을 학습시킬 수 있는지, AI 월드 모델이 무엇인지, 영상 생성 모델과 어떻게 다른지를 Meta의 V-JEPA 2 논문으로 정리했어요.
Papers 전체 글
Papers 카테고리의 글 33편이에요. 제목을 누르면 바로 글로 이동해요.
- AI 검색은 사용자 질문을 그대로 검색할까: Perplexity 검색어 7만 개가 보여 준 것
- 에이전트 메모리는 원본 대화를 그대로 검색하는 RAG보다 나을까
- RAG 답변은 왜 필요한 근거를 다 가져오지 못할까
- AI 검색 답변은 사용자 위치에 따라 출처가 달라질까
- AI 챗봇의 제품 추천은 도구마다 다를까, API로 재면 화면과 같을까
- AI 답변은 사람 이름을 얼마나 낼까, 명단 기반 측정이 놓치는 것
- MMDocRAG, 멀티모달 문서 RAG 벤치마크에서 AI는 근거를 잘 고를까
- Video-RAG, 긴 영상 이해에서 프레임을 늘리는 대신 OCR·음성 텍스트를 검색
- DeepSeek V4.1 Flash 해부, KV 캐시는 줄고 사후학습 레시피는 그대로
- 강화학습 정렬의 한계는 어디인가, 학습 전에 계산하는 보상의 천장
- AI 검색에 인용되려 콘텐츠를 고칠 때, 전략과 지어내는 위험
- 구글 AI 개요는 언제 뜨나요, 검색 상위 없이도 인용될까
- AI 검색 가시성은 한 번 재면 못 믿어요, 몇 번·며칠을 재야 할까
- AI 검색이 인용할 페이지를 고르는 기준, 네 가지 게이트키퍼
- AI 검색에 인용 안 되는 페이지, 왜 그런지 진단하고 고치는 법
- AI 검색이 인용한 페이지는 답변에 얼마나 반영될까: 인용 수와 흡수의 차이
- AI 검색 답변의 브랜드 언급, 페이지 적합도보다 노출과 같이 움직였다
- AI 검색은 AI가 쓴 글도 인용할까? 인용 출처 16%가 AI 생성 콘텐츠
- AI는 브랜드 정보를 어디서 가져올까: 인용 출처 85.7%는 제3자
- AI 추천에 우리 가게가 안 나오는 이유: 별점보다 문서화
- 쿼리 팬아웃에 다양성 보상을 넣으면: 구글 R4T 논문 읽기
- AI 답변은 두 페이지 중 무엇을 인용할까? 생성형 검색 경쟁 인용의 4대 게이트키퍼
- GEO 논문 45편 서베이: 검증된 기법과 재현 안 되는 기법
- AI 검색엔진은 어떤 브랜드를 언급할까? 규모·인지도·출처 벤치마크
- FeatGEO: AI 인용을 만드는 건 키워드일까 구조일까, 피처 단위 GEO
- 구조만 바꿔도 AI 인용이 오를까? 헤딩·문단 길이·문서 골격 실증
- SAGEO Arena: 본문만 고치면 검색에서 빠진다, 제목·메타 필드가 먼저
- GEO-16 인용 신호 프레임워크: AI가 인용하는 페이지의 특징
- 콘텐츠 중심 GEO(CC-GSEO): AI 에이전트 자동 재작성으로 인용 늘리기
- RAG는 어떤 문서를 보고 답했을까? Shapley 값으로 출처 귀속 계산하기
- C-SEO Bench: 대화형 검색 SEO는 정말 통할까? 경쟁이 지우는 이득
- AI 추천은 조작될 수 있을까? 경쟁사의 LLM 추천 조작 탐지와 대응
- GEO를 처음 정의한 원전 논문: 생성형 검색 가시성 측정과 9가지 기법