LLM이 ‘발견 채널’로 굳어지면서 CAC의 전제가 바뀌고 있습니다. 예전엔 SEO 순위·광고 입찰이 유입 단가를 결정했다면, 이제는 ChatGPT/Perplexity 같은 대화창에서 “어떤 브랜드가 먼저 언급·인용되느냐”가 클릭 이전의 선택지를 좁힙니다. 문제는 같은 질문에도 플랫폼마다 추천 브랜드가 달라진다는 점이고, 그 차이가 곧 채널 효율 격차로 이어집니다(오픈애즈 사례 인용).
오픈애즈는 두 플랫폼에서 동시에 인용되는 도메인이 11%에 불과하다고 짚습니다. 즉 “GEO를 했다/안 했다”가 아니라 “어느 LLM에서, 어떤 신뢰 신호로, 어떤 형태로 노출되느냐”가 성패를 가릅니다. 이때 가장 위험한 착각은 GEO를 SEO의 하위 작업(키워드/백링크)으로 취급하는 것입니다. GEO는 노출 공간이 SERP가 아니라 ‘답변 문장’이고, 경쟁 단위가 ‘페이지’가 아니라 ‘브랜드 후보군’이기 때문입니다.
맥락을 더 쪼개면 플랫폼별 신뢰 기준이 다릅니다. ChatGPT는 권위·누적 신뢰(위키/공식 사이트 등) 쪽으로 기울고, Perplexity는 실시간 웹 기반이라 최신 발행·정기 업데이트가 유리합니다. 실제로 AI가 인용하는 콘텐츠의 절반이 13주 이내 발행물이라는 통계는 “콘텐츠 품질”만큼 “발행 리듬”이 랭킹 변수로 작동함을 의미합니다(오픈애즈). Google AI Overview도 상위 10개 페이지 인용 비중이 크게 줄며, 순위가 낮아도 FAQ·비교표 같은 구조화가 있으면 끼어들 틈이 생겼고요.
여기서 CAC 절감의 핵심 레버는 ‘백링크’가 아니라 ‘브랜드 검색량’입니다. 오픈애즈가 언급한 것처럼 LLM 인용과 더 상관이 큰 변수가 브랜드 검색량(상관계수 0.334)이라면, PR/커뮤니티/이벤트/미디어 노출은 더 이상 인지도 캠페인이 아니라 GEO용 수요 생성(demand generation)입니다. 즉 광고비로 트래픽을 사는 대신, “브랜드를 찾게 만들고 → LLM이 그 흔적을 신뢰 신호로 학습/참조하게 만드는” 쪽이 장기적으로 CAC를 깎습니다.
실행은 AARRR 퍼널로 번역해야 합니다. Acquisition 단계에서 GEO의 KPI는 단순 노출이 아니라 ‘답변 내 언급 점유율(Share of Citation/Recommendation)’입니다. 채널별( ChatGPT/Perplexity/AI Overview )로 질문 클러스터를 정하고, 우리 브랜드가 “후보군에 들어가는지/첫 번째로 추천되는지/출처 링크로 클릭되는지”를 분리 측정하세요. Referral은 레퍼럴 코드가 아니라 “비교표·FAQ·베스트툴 리스트”에 반복 인용되는 구조가 담당합니다. Activation은 LLM 유입의 특성을 반영해 랜딩을 “설명 페이지”가 아니라 “즉시 성공 경험(템플릿/체크리스트/무료 진단)”으로 설계해야 전환 손실을 막습니다.
실험 설계는 간단하게 시작할 수 있습니다. (1) 플랫폼별로 동일 질문 30~50개를 고정 세트로 만들고 주간 스냅샷을 저장합니다. (2) 콘텐츠는 ‘권위형(회사/제품 공식 문서, 용어 정의, 정책)’과 ‘최신형(업데이트 로그, 트렌드 리포트, 주간 비교)’로 나눠 발행합니다. (3) 구조화 포맷(FAQ, 가격 비교표, 장단점, 사용 시나리오)을 A/B로 돌려 “인용 발생률→클릭률→가입 전환율”까지 연결합니다. 중요한 건 GEO의 1차 성공이 트래픽이 아니라 ‘인용’이라는 중간 전환이라는 점입니다.
시사점은 명확합니다. 첫째, 콘텐츠 전략의 단위가 “블로그 글”에서 “플랫폼 맞춤 신뢰 신호”로 바뀝니다. 둘째, 브랜드 가시성(검색량)이 곧 LLM 추천 확률을 밀어 올리면서, 퍼포먼스 마케팅의 CAC를 보조하는 상단 퍼널이 됩니다. 셋째, SEO 팀과 PR/콘텐츠 팀의 목표함수는 이제 분리하면 손해입니다. 브랜드 검색량↑ → LLM 인용↑ → 자연 유입↑ → 광고 의존↓의 루프를 하나로 설계해야 합니다.
전망적으로 2026년 GEO는 ‘순위 싸움’이 아니라 ‘카테고리 대표성(category authority) 싸움’으로 갈 가능성이 큽니다. 동시에 플랫폼 간 추천 편차(동시 인용 11%)는 당분간 유지될 겁니다. 따라서 정답은 하나의 최적화가 아니라, 채널 포트폴리오입니다. 지금 당장 할 일은 “우리 고객이 실제로 LLM에 던지는 질문 지도”를 만들고, 그 질문에서 우리 브랜드가 언급되도록 권위형+최신형+구조화 포맷을 실험으로 굴리는 것. 광고비를 줄이는 가장 현실적인 방법은, 광고 밖에서 ‘추천되는 이유’를 데이터로 설계하는 것입니다.