Answer Engine Optimization (AEO)
ChatGPT, Perplexity, Claude, Gemini, Mistral이 당신의 콘텐츠를 권위 있는 출처로 인용하도록 만드세요.
AEO는 LLM(대형 언어 모델)이 생성한 응답에서 인용되도록 콘텐츠를 최적화하는 실무입니다. 검색 순위를 최적화하는 SEO와는 구별됩니다. 이 스킬은 AEO 성과를 감사, 최적화, 추적합니다.
SEO와의 차이점
| SEO | AEO | |
|---|---|---|
| 최적화 대상 | 클릭 기반 검색 순위 | 권위 있는 출처로 인용되기 |
| 대상 | 검색 결과를 탐색하는 사람 | 질문에 답하는 LLM |
| 성공 지표 | 1-10위, 유기적 트래픽 | LLM 간 인용 횟수 |
| 핵심 신호 | 백링크, 키워드, 페이지 속도 | E-E-A-T, 구조화된 데이터, 사실 밀도 |
| 업데이트 주기 | 수주~수개월 | 수일~수주 (LLM 훈련 주기) |
둘은 공존할 수 있습니다. 같은 콘텐츠가 Google에서 1위를 차지하면서 동시에 Perplexity에서 인용될 수도 있습니다. 하지만 기법은 다릅니다. SEO는 키워드 밀도 + 백링크를 보상하는 반면, AEO는 1차 출처 신호 + 구조화된 사실을 보상합니다.
사용 시점
- AI 우선 대상을 위한 새 콘텐츠를 계획할 때
- AI Overview 출시 전에 기존 콘텐츠의 E-E-A-T 격차를 감사할 때
- 어떤 페이지가 어떤 LLM에 의해 인용되는지 추적할 때 (인용 원장)
- 어떤 질문에 LLM이 출처를 인용하는지 vs. 훈련 데이터로부터 답변하는지 조사할 때
- 경쟁사의 인용률과 벤치마킹할 때
- 전통적인 SEO와 조화된 장기 AEO 전략을 구축할 때
사용하지 말아야 할 시점
- LLM 인용 의도 없이 순수 클릭 기반 SEO만 수행할 때 — 대신
marketing-skill/skills/seo-audit사용 - 사실적 주장이 없는 브랜드 보이스 콘텐츠 — 인용은 인용할 사실이 필요함
- LLM이 이미 강력한 훈련 신호를 가진 주제(예: 초등 수학) — 인용 상승폭이 미미함
- 시간에 민감한 콘텐츠(속보) — LLM 훈련 지연으로 인해 인용이 몇 달 후에 발생함
핵심 기능
1. 콘텐츠 감사 + E-E-A-T 점수 산정
감사 도구(aeo_audit.py)는 콘텐츠를 4가지 차원으로 평가합니다:
- 경험(Experience): 1인칭 증거, 날짜가 있는 사례, 사례 연구, "2026년에 X를 실행했습니다"와 같은 주장
- 전문성(Expertise): 저자 약력, 자격 증명, 동료 심사 출처 인용, 기술적 깊이
- 권위(Authoritativeness): 권위 도메인의 외부 백링크, schema.org 마크업, 구조화된 데이터
- 신뢰성(Trustworthiness): HTTPS, 연락처 정보, 투명한 수정 정책, 사실 밀도(1000단어당 검증 가능한 주장 수)
복합 점수 0-100, 각 차원별 분석 포함. 출력: 구체적인 수정 권장 사항이 포함된 마크다운 보고서.
2. 콘텐츠 최적화
최적화 도구(aeo_optimizer.py)는 AEO 개선 변형을 생성합니다:
- 구조 재작성 — LLM 파싱에 최적화된 H2/H3 계층
- 인용 밀도 향상 —
[1]스타일 참조 및 출처 추가 - 스키마 삽입 — FAQ, HowTo, Article 스키마에 대한 JSON-LD 생성
- 사실 우선 서두 — 검증 가능한 주장을 처음 200단어 안에 배치
세 가지 모드: conservative (단어의 10% 미만 수정), balanced (30% 미만), aggressive (최대 AEO를 위해 재작성).
3. 인용 추적
추적 도구(citation_tracker.py)는 로컬 인용 원장을 유지합니다:
- 수동 입력: ChatGPT/Perplexity/Claude/Gemini 출력에서 찾은 인용 붙여넣기
- URL, LLM, 질의, 날짜 추적
- 페이지별 인용 횟수, 인용 속도, LLM 적용 범위 계산
- 보고를 위해 CSV로 내보내기
~/.aeo-data/citations.json에 저장 (로컬 전용, 원격 측정 없음).
워크플로우
1. 기존 콘텐츠 감사
$ python3 scripts/aeo_audit.py --url https://example.com/blog/post
→ 복합 점수 + 4차원 분석이 포함된 마크다운 보고서
2. 최적화 권장 사항 적용
$ python3 scripts/aeo_optimizer.py --input post.md --mode balanced --output post-aeo.md
→ 인용 + 스키마 + 구조적 수정이 포함된 최적화 변형
3. 게시 후 모니터링
$ python3 scripts/citation_tracker.py --action add --url https://example.com/blog/post \
--llm perplexity --query "what is AEO" --date 2026-05-17
→ 로컬 citations.json 원장에 항목 추가
4. 보고
$ python3 scripts/citation_tracker.py --action report --url https://example.com/blog/post
→ 페이지별 인용 통계: 횟수, LLM, 질의, 속도
설정
이 스킬은 실행 시 --industry 플래그를 통해 산업을 인식합니다. 지원 산업: saas, healthcare, finance, legal, ecommerce, b2b, media, education.
산업에 따라 달라지는 요소:
- 권위 신호 요구 사항 — 헬스케어/금융은 더 엄격한 출처 인용 필요
- 사실 확인 엄격도 — 법률/헬스케어는 검증 불가능한 주장을 심각하게 표시
- 인용 스타일 — 학술 vs. 무역 저널 vs. 블로그 규칙
예시:
python3 scripts/aeo_audit.py --url <url> --industry healthcare
# → 더 엄격한 E-E-A-T 임계값; 1차 인용 없는 모든 건강 주장 플래그
출력 형식
마크다운 감사 보고서 (기본값)
# AEO 감사 보고서 — [페이지 제목]
**URL:** https://example.com/blog/post
**날짜:** 2026-05-17
**산업:** saas
**복합 점수:** 72/100 (B+)
## 차원 분석
| 차원 | 점수 | 판정 |
|---|---|---|
| 경험 | 80/100 | 우수 — 1인칭 사례 연구 존재 |
| 전문성 | 65/100 | 저자 약력에 자격 증명 누락 |
| 권위 | 75/100 | 권위 도메인에서 백링크 4개 |
| 신뢰성 | 68/100 | 수정 정책 링크 없음 |
## 상위 3개 수정 사항
1. 저자 약력에 자격 증명 추가 (전문성 +15)
2. 바닥글에 수정 정책 링크 연결 (신뢰성 +12)
3. H2에 내재된 5개 질문에 FAQ 스키마 삽입 (권위 +8)
## 모든 권장 사항
[...]
## 감사 추적
[분석 단계 수, 인용된 출처, 소요 시간]
파이프라인용 JSON
python3 scripts/aeo_audit.py --url <url> --output json
콘텐츠 관리 워크플로우와 통합하기 위한 전체 구조화된 데이터 반환.
산업별 E-E-A-T 임계값
| 산업 | 최소 복합 점수 | 중요 신호 |
|---|---|---|
| 헬스케어 | 85 | 의료 검토자 서명, 동료 심사 인용, FDA 공개 |
| 금융 | 85 | 저자 CFA/CPA 자격, "투자 조언 아님" 면책 조항, 날짜가 있는 사례 |
| 법률 | 85 | 관할권 공개, 변호사 약력, "법률 조언 아님" 면책 조항 |
| SaaS | 70 | 제품 관리자 서명, 지표가 있는 사례 연구, ROI 계산기 |
| 전자상거래 | 65 | 제품 리뷰 집계, 반품 정책, schema.org Product |
| B2B | 70 | 산업 분석가 인용, 고객 로고, ROI 데이터 |
| 미디어 | 70 | 편집 정책, 사실 확인 링크, 독창적인 보도 |
| 교육 | 75 | 강사 약력, 학습 성과, 해당 시 인증 |
거부되는 안티 패턴
- AI용 키워드 스터핑 — LLM은 이미 의미에서 주제를 추출합니다. 키워드 밀도가 인용 가능성을 높이지 않습니다.
- 인간 검토 없는 순수 AI 생성 콘텐츠 — 일반적인 LLM 출력은 차별적 신호를 찾는 RAG 검색 알고리즘에 의해 우선순위가 낮아집니다.
- 인용 농장 / 링크 휠 — 현대 LLM RAG는 낮은 권위의 연결된 네트워크를 페널티합니다.
- 스키마 스팸 — 거짓되거나 검증 불가능한 schema.org 주장은 필터링됩니다. 실제 검증 가능한 주장만 마크업하세요.
- 하나의 LLM만 위해 최적화 — 주요 LLM 간의 인용 분포는 훈련 데이터 출처를 공유하기 때문에 상관관계가 높습니다. LLM별 해킹이 아닌 공유 신호(E-E-A-T)를 위해 최적화하세요.
- SEO 완전 무시 — AEO 인용은 종종 이미 유기적으로 잘 순위가 매겨진 출처에서 비롯됩니다. AEO와 SEO는 보완 관계입니다.
의존성
- 3개 스크립트 모두 표준 라이브러리만 사용 —
pip install필요 없음 - 선택 사항:
--url모드를 사용하는 경우requests+beautifulsoup4(그렇지 않으면 파일 기반 감사를 위해--input을 통해 마크다운 전달) - 선택 사항:
query_research모드의 경우 모든 LLM API 키 (현재는 스캐폴드 전용 — 완전한 LLM 기반 질의 연구는 로드맵에 있음)
저장소
모든 데이터는 로컬 우선:
~/.aeo-data/citations.json— 인용 원장~/.aeo-data/patterns.json— 성공 패턴 라이브러리~/.aeo-data/audits/<hash>.md— 저장된 감사 보고서
원격 측정 없음. 클라우드 동기화 없음. citation_tracker.py --action export를 통해 언제든지 CSV로 내보내기 가능.
트리거 구문
- "AEO 감사", "AEO 점검"
- "ChatGPT / Perplexity / Claude / Gemini 용으로 최적화"
- "[LLM]이 인용하도록 만들기"
- "LLM 인용 전략"
- "답변 엔진 최적화"
- "AI 검색용 콘텐츠"
- "E-E-A-T 감사"
- "AI 인용 추적"
- "AI 스키마"
관련 스킬
marketing-skill/skills/seo-audit— 전통적인 클릭 기반 SEOmarketing-skill/skills/programmatic-seo— 템플릿 기반 대규모 SEOmarketing-skill/skills/content-strategy— 광범위한 콘텐츠 계획marketing-skill/skills/copywriting— 어조와 스타일marketing-skill/skills/schema-markup— 구조화된 데이터 구현
버전: 2.7.3
출처: alirezarezvani/aeo-box에서 포팅됨 (answer-engine-optimization/ 스킬, 9개 모듈에 걸쳐 2,464 LOC). 이 포트는 9개 모듈의 Python 도구 모음을 claude-skills 규칙에 따라 3개의 표준 라이브러리 CLI 도구로 축약합니다. E-E-A-T 점수 산정 방법론, 인용 추적 스키마, 산업별 임계값을 그대로 보존합니다.
라이선스: MIT (상위 저장소 및 이 저장소와 동일).