AI 검색/추천 시대의 신규 유입은 이제 ‘순위’보다 ‘인용’에서 시작됩니다. Perplexity나 Google AI Overview에 “카테고리별 추천 툴”을 물었을 때 내 브랜드가 답변에 포함되면, 그 자체가 고의도 트래픽의 첫 터치포인트가 됩니다. 문제는 대부분의 팀이 “AI가 우리를 인용하는지”조차 측정하지 못한다는 것. dev.to에서 소개된 오픈소스 CLI geo-eval은 이 빈틈을 정확히 찌릅니다(Perplexity/Google AI Overview 인용 여부를 쿼리별로 점검).
맥락은 명확합니다. 전통 SEO는 키워드 순위 경쟁이었지만, AI 검색은 RAG(검색→랭킹→요약) 파이프라인에서 “추출 가능한 사실”을 우선 채택합니다. geo-eval 제작자는 테스트 결과로 구조화 데이터(표/스펙), 비교 글, 포럼(특히 Reddit)이 높은 인용률을 보였고, 긴 마케팅 카피와 페이월은 낮다고 정리합니다. 즉, ‘잘 쓴 글’보다 검증·인용 가능한 단위(테이블/스펙/비교 축)가 브랜드 노출을 좌우합니다. 이 변화는 CAC를 바꾸는 채널 시프트입니다: 클릭을 사는 게 아니라, 답변에 “포함”되는 싸움이 됩니다.
여기서 성장 루프를 완성하려면 두 번째 축이 필요합니다. AI 유입이 늘수록 LLM 호출량도 늘고, 토큰 비용은 곧 제품의 COGS(매출원가) 로 박힙니다. dev.to의 또 다른 글은 이 비용이 얼마나 쉽게 새는지 보여줍니다. 작성자는 월 $2,847 지출에서 재시도(34%), 중복 호출(85%), 과한 모델 선택, 컨텍스트 비만 같은 운영 결함으로 $1,240(43%) 가 ‘낭비’였다고 공개합니다. 그리고 이를 찾기 위해 오픈소스 LLM Cost Profiler(로컬 SQLite 로깅/핫스팟/최적화 제안)을 만들었습니다. “대시보드 총액만 보는 상태”는 성장 관점에서 가장 위험합니다. CAC를 깎아 유입을 늘리는 순간, 마진이 먼저 터질 수 있기 때문입니다.
따라서 GEO와 토큰 COGS는 분리된 주제가 아니라 하나의 루프로 묶어야 합니다. (1) geo-eval로 브랜드 인용 점유율(Share of Citation) 을 쿼리/엔진/경쟁사 기준으로 계측하고, (2) 인용을 만드는 콘텐츠를 “추출 가능한 스펙” 중심으로 재가공해 유입을 올리고, (3) 증가한 트래픽이 만드는 LLM 비용을 LLM Cost Profiler로 기능·고객·코드 라인 단위로 분해해 낭비를 제거합니다. (4) 절감된 COGS는 가격 인하가 아니라 무료 체험 확대/온보딩에서의 생성 단계 추가/리텐션 메시지 개인화 같은 전환 실험의 예산으로 재투자됩니다. 이렇게 되면 GEO는 CAC를 낮추고, 토큰 최적화는 LTV를 방어하며, 둘의 합이 LTV/CAC를 레버리지합니다.
실행 시사점은 3가지로 요약됩니다. 첫째, GEO KPI를 SEO의 대체재가 아니라 상위 퍼널 지표로 정의하세요: “핵심 쿼리 20개에서 Perplexity/Google AI Overview 인용률, 경쟁 대비 언급 비중, 인용 소스의 유형(레딧/깃허브/블로그)”. geo-eval의 JSON 출력/CI 연동 아이디어는 ‘콘텐츠 변경 후 인용 이탈’까지 알림으로 만들 수 있습니다. 둘째, 인용을 만드는 콘텐츠 포맷을 표준화하세요: 비교표, 스펙 테이블, 가격/제한, 사용 예제(설치 커맨드 포함), FAQ. AI는 ‘문장’이 아니라 ‘필드’를 좋아합니다. 셋째, 토큰 COGS를 제품 지표로 승격하세요: 기능별 토큰/콜 수, 재시도율, 캐시 히트율, 모델 믹스(고가 모델 비중), 컨텍스트 평균 길이. LLM Cost Profiler가 보여준 것처럼 “중복 호출+재시도”는 생각보다 자주 40%대를 갉아먹습니다.
전망: 2026년으로 갈수록 ‘검색 결과 페이지’는 더 얇아지고, ‘AI 답변 박스’는 더 두꺼워질 겁니다(geo-eval 글은 Google AI Overview가 많은 쿼리에서 상단에 노출된다는 변화를 언급). 이때 브랜드는 두 가지 능력으로 경쟁합니다. 인용될 수 있는 형태로 자신을 구조화하는 능력(GEO) 과, 그 유입을 감당할 수 있도록 추론 비용을 예산처럼 운영하는 능력(토큰 COGS). 둘을 한 루프로 묶는 팀은 같은 예산으로 더 많은 실험을 돌리고, 더 낮은 CAC로 더 높은 전환·리텐션을 만드는 ‘자기강화 성장’을 만들 수 있습니다. 출처: dev.to의 geo-eval 소개 글과 LLM Cost Profiler 사례를 종합해 재구성했습니다.