AI 답변 추적 스택: GEO 자체 모니터링 구축 완전 가이드

측정할 수 없으면 개선할 수 없다

GEO 전략을 수립했다면, 효과를 어떻게 측정할까요? AI 답변에서 자사 브랜드가 얼마나 자주, 어떤 맥락으로 등장하는지 추적해야 합니다.

문제는 이것이 전통적 SEO 모니터링과 완전히 다른 문제라는 것입니다. AI 답변은:

• 비결정적: 같은 질의에도 매번 다른 답변
• 개인화: 사용자 컨텍스트에 따라 변동
• 시간 가변: 모델 업데이트로 답변이 바뀜
• 다중 플랫폼: ChatGPT, Gemini, Perplexity, 네이버 AI 등

이 글에서는 자체 GEO 모니터링 스택을 구축하는 실전 가이드를 단계별로 제시합니다.

모니터링 스택 아키텍처

[키워드 풀]
    ↓
[질의 스케줄러] (주 1회 / 일 1회)
    ↓
[멀티 플랫폼 API 호출]
    ├─ OpenAI API (GPT-4)
    ├─ Anthropic API (Claude)
    ├─ Google Gemini API
    ├─ Perplexity API
    └─ 네이버 검색 API + 스크래퍼
    ↓
[응답 파서]
    ├─ 브랜드 멘션 감지
    ├─ 출처 추출
    └─ 감성 분류
    ↓
[데이터 웨어하우스] (PostgreSQL / BigQuery)
    ↓
[대시보드] (Metabase / Grafana / 자체)
    ↓
[알림] (Slack / Email)

단계 1: 키워드 풀 정의

GEO 모니터링의 출발점은 무엇을 측정할지 정의하는 것입니다.

키워드 카테고리 4가지

1. 카테고리 질의 (가장 중요)

자사가 속한 카테고리에서의 가시성. 예:

• “한국 GEO 컨설팅 회사 추천”
• “AI 가시성 분석 도구”
• “ChatGPT 노출 최적화 방법”

2. 브랜드 질의

자사 브랜드명을 직접 포함한 질의. 예:

• “[브랜드명]에 대해 알려줘”
• “[브랜드명]은 어떤 회사인가”
• “[브랜드명] vs [경쟁사]”

3. 경쟁사 질의

경쟁사 브랜드 질의에서 자사가 비교 대안으로 등장하는지. 예:

• “[경쟁사명] 대안”
• “[경쟁사명] 단점”

4. 문제 해결 질의

자사 솔루션이 해결하는 문제 기반 질의. 예:

• “AI 검색에서 우리 회사가 안 보여요”
• “구글에서 ChatGPT로 트래픽이 빠지고 있어요”

권장 풀 크기: 각 카테고리당 25-50개, 총 100-200개

단계 2: 멀티 플랫폼 API 통합

OpenAI (ChatGPT)

from openai import OpenAI
client = OpenAI()

def query_chatgpt(prompt: str) -> dict:
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}],
        temperature=0.7,
    )
    return {
        "platform": "chatgpt",
        "model": "gpt-4o",
        "answer": response.choices[0].message.content,
        "tokens": response.usage.total_tokens,
    }

Anthropic (Claude)

from anthropic import Anthropic
client = Anthropic()

def query_claude(prompt: str) -> dict:
    response = client.messages.create(
        model="claude-opus-4-6",
        max_tokens=1024,
        messages=[{"role": "user", "content": prompt}],
    )
    return {
        "platform": "claude",
        "model": "claude-opus-4-6",
        "answer": response.content[0].text,
    }

Google Gemini

import google.generativeai as genai
genai.configure(api_key="...")
model = genai.GenerativeModel("gemini-2.0-pro")

def query_gemini(prompt: str) -> dict:
    response = model.generate_content(prompt)
    return {
        "platform": "gemini",
        "model": "gemini-2.0-pro",
        "answer": response.text,
    }

Perplexity

import requests

def query_perplexity(prompt: str) -> dict:
    headers = {"Authorization": "Bearer YOUR_KEY"}
    data = {
        "model": "sonar-pro",
        "messages": [{"role": "user", "content": prompt}],
    }
    r = requests.post(
        "https://api.perplexity.ai/chat/completions",
        json=data, headers=headers
    )
    j = r.json()
    return {
        "platform": "perplexity",
        "answer": j["choices"][0]["message"]["content"],
        "citations": j.get("citations", []),
    }

Perplexity의 장점: 인용 출처를 직접 반환하므로 출처 분석이 쉽습니다.

네이버 AI

네이버 AI 검색은 공식 API가 제한적입니다. 옵션:

• 네이버 검색 API + 결과 파싱
• 헤드리스 브라우저(Playwright) 자동화
• 하이퍼클로바X API (CLOVA Studio)

from playwright.sync_api import sync_playwright

def query_naver_ai(prompt: str) -> dict:
    with sync_playwright() as p:
        browser = p.chromium.launch(headless=True)
        page = browser.new_page()
        page.goto(f"https://search.naver.com/search.naver?query={prompt}")
        # AI 답변 영역 셀렉터로 추출
        ai_answer = page.query_selector(".ai_answer_section")
        return {
            "platform": "naver",
            "answer": ai_answer.inner_text() if ai_answer else "",
        }

단계 3: 응답 파싱과 신호 추출

브랜드 멘션 감지

단순 문자열 매칭은 부족합니다. 정규화 + 변형 처리가 필요합니다:

import re

def detect_mentions(text: str, brand_variants: list[str]) -> dict:
    text_lower = text.lower()
    mentions = []
    for variant in brand_variants:
        # 단어 경계 매칭
        pattern = r'\b' + re.escape(variant.lower()) + r'\b'
        matches = re.findall(pattern, text_lower)
        if matches:
            mentions.append({
                "variant": variant,
                "count": len(matches),
            })
    return {
        "mentioned": len(mentions) > 0,
        "mentions": mentions,
        "total_count": sum(m["count"] for m in mentions),
    }

브랜드 변형 예시:

brand_variants = [
    "YourBrand", "유어브랜드", "Your Brand",
    "yourbrand.com", "유어 브랜드"
]

추천 순위 추출

답변 안에서 자사 브랜드가 몇 번째로 언급되는지 측정:

def get_rank(text: str, brands: list[str]) -> dict:
    text_lower = text.lower()
    positions = {}
    for brand in brands:
        idx = text_lower.find(brand.lower())
        if idx >= 0:
            positions[brand] = idx
    sorted_brands = sorted(positions.items(), key=lambda x: x[1])
    return {brand: i+1 for i, (brand, _) in enumerate(sorted_brands)}

감성 분석

자사 브랜드가 어떤 톤으로 언급되는지:

def sentiment_around_brand(text: str, brand: str, window: int = 100):
    idx = text.find(brand)
    if idx < 0:
        return None
    snippet = text[max(0, idx-window):idx+len(brand)+window]
    # LLM 또는 sentiment classifier로 분류
    return classify_sentiment(snippet)

LLM 자체를 분류기로 쓰는 것이 가장 정확합니다:

def classify_sentiment(snippet: str) -> str:
    prompt = f"""Classify the sentiment of this text snippet about a brand:
    
"{snippet}"

Reply with ONE word: positive, neutral, or negative."""
    
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": prompt}],
    )
    return response.choices[0].message.content.strip().lower()

단계 4: 비결정성 다루기

AI 답변은 temperature가 0이라도 미세하게 변동합니다. 신뢰할 수 있는 측정을 위해:

1. 반복 샘플링: 각 질의를 3-5회 반복
2. 점수 평균: 멘션률, 순위를 평균값으로 계산
3. 분산 추적: 답변 안정성 자체가 신호
4. 시간 윈도우: 주간/월간 단위 집계

def stable_measurement(query: str, brand: str, n_samples: int = 5):
    results = []
    for _ in range(n_samples):
        answer = query_chatgpt(query)["answer"]
        mention = detect_mentions(answer, [brand])
        results.append(mention["mentioned"])
    
    return {
        "mention_rate": sum(results) / len(results),
        "samples": n_samples,
    }

단계 5: 데이터 모델

PostgreSQL 스키마 예시:

CREATE TABLE queries (
    id SERIAL PRIMARY KEY,
    text TEXT NOT NULL,
    category TEXT,
    created_at TIMESTAMP DEFAULT NOW()
);

CREATE TABLE answers (
    id SERIAL PRIMARY KEY,
    query_id INT REFERENCES queries(id),
    platform TEXT,
    model TEXT,
    answer_text TEXT,
    captured_at TIMESTAMP DEFAULT NOW()
);

CREATE TABLE mentions (
    id SERIAL PRIMARY KEY,
    answer_id INT REFERENCES answers(id),
    brand TEXT,
    mentioned BOOLEAN,
    rank INT,
    sentiment TEXT,
    snippet TEXT
);

CREATE INDEX idx_mentions_brand_date 
    ON mentions(brand, (SELECT captured_at FROM answers WHERE id = answer_id));

단계 6: 핵심 KPI 대시보드

대시보드에 표시할 6가지 핵심 지표:

1. AI Mention Share (AMS)

SELECT 
    DATE_TRUNC('week', a.captured_at) as week,
    a.platform,
    COUNT(*) FILTER (WHERE m.mentioned) * 100.0 / COUNT(*) as mention_rate
FROM answers a
JOIN mentions m ON m.answer_id = a.id
WHERE m.brand = 'YourBrand'
GROUP BY 1, 2;

2. Average Recommendation Rank (ARR)

자사가 언급될 때 평균 몇 번째 순위인가.

3. Sentiment Score

긍정 비율 / (긍정 + 부정 + 중립).

4. Share of AI Voice (SoAV)

자사 멘션 / (자사 + 모든 경쟁사 멘션).

5. Citation Source Diversity

Perplexity가 인용하는 출처 도메인의 다양성.

6. Platform Coverage

자사가 언급되는 플랫폼 수 / 모니터링 플랫폼 총 수.

단계 7: 알림 시스템

급격한 변화를 자동 감지:

def check_anomalies(brand: str):
    current_week = get_mention_rate(brand, week_offset=0)
    last_week = get_mention_rate(brand, week_offset=1)
    
    delta = current_week - last_week
    
    if delta < -0.1:  # 10%p 이상 하락
        send_slack_alert(
            f"⚠️ {brand} mention rate dropped {delta*100:.1f}p this week"
        )

비용 계산

100개 키워드 × 4 플랫폼 × 5 샘플 × 주 1회:

• API 호출: 100 × 4 × 5 × 4 = 8,000회/월
• 평균 토큰: 약 1,000 (in+out)
• 월 토큰 소비: 8M

비용 (대략, 2026년 기준):

• GPT-4o-mini: 약 $4
• Claude Haiku: 약 $5
• Gemini Flash: 약 $3
• Perplexity sonar-pro: 약 $20
• 합계: 약 $30-40/월 (한화 약 4-6만원)

상위 모델 사용 시 약 2-3배.

자체 구축 vs SaaS

항목	자체 구축	SaaS (예: 전문 GEO 솔루션)
초기 구축 시간	2-4주	즉시
운영 부담	지속적	없음
커스터마이징	완전 자유	제한적
비용	API + 인건비	구독료
한국 시장 특화	직접 구현 필요	기본 제공

AI Visibility Korea는 위에서 설명한 모든 기능을 패키지로 제공하며, 특히 네이버 AI 추적과 한국어 감성 분석이 한국 시장에 맞춰 튜닝되어 있습니다.

결론: 측정이 GEO를 만든다

GEO는 추측의 영역이 아닙니다. 자사 브랜드가 AI 답변에 얼마나 등장하는가를 정량적으로 측정해야, 어떤 GEO 활동이 효과 있는지 알 수 있습니다.

자체 스택 구축은 학습과 통제 측면에서 가치가 있지만, 운영 부담을 원치 않는다면 전문 GEO 솔루션을 사용하는 것이 효율적입니다. 어떤 길을 선택하든, 측정 없는 GEO는 안 하느니만 못합니다.

AI Visibility Korea는 한국 기업을 위한 AI 답변 모니터링 솔루션을 제공합니다. 데이터 기반 GEO를 시작하세요.

---

GEO 모니터링 도구 문의는 문의하기 페이지를 통해 받고 있습니다.