AI 검색이 본격화되면서 CAC의 정의가 바뀌고 있습니다. 이제 유저는 검색 결과를 ‘클릭’하기보다, AI가 요약·추천한 답을 그대로 채택합니다. 이때 브랜드는 페이지 랭킹 경쟁(SEO)보다 “AI의 답변 안에 포함될 확률”을 두고 경쟁하게 됩니다. 이 변화는 비용 구조로 직결됩니다. 같은 예산을 써도, AI 추천 슬롯을 선점하면 유입은 늘고 CAC는 내려갑니다.
맥락은 두 갈래에서 동시에 압력이 들어옵니다. 첫째, geeknews가 소개한 AEO(Agentic Engine Optimization)는 AI 에이전트가 문서를 소비하는 방식이 인간과 다르다는 점을 전면에 놓습니다. 에이전트는 문서를 1~2번의 HTTP 요청으로 가져와 토큰 예산(컨텍스트 창)을 기준으로 조용히 폐기하거나 잘라 쓰기 때문에, 스크롤·체류·클릭 같은 기존 지표로는 ‘읽혔는지’조차 보이지 않습니다. 즉, 우리가 SEO로 쌓아온 최적화가 AI 트래픽에서는 측정 불가능한 블랙홀로 빠질 수 있습니다.
둘째, IT조선 보도처럼 네이버가 AI Briefing과 AI 탭 중심으로 검색을 재편하면서 국내 트래픽 분배 규칙도 바뀔 조짐이 뚜렷합니다. 네이버는 AI 브리핑 도입 이후 15자 이상 장문 쿼리가 2배 이상 증가했다고 밝힙니다. 장문 질의는 ‘키워드 매칭’보다 ‘의도 기반 답변’이 유리한 게임이고, 이는 곧 GEO(Generative Engine Optimization)—생성형 검색에서 인용·추천될 구조를 만드는 최적화—의 중요도를 끌어올립니다.
시사점은 명확합니다. AEO/GEO를 “콘텐츠 팀의 새로운 체크리스트”로만 보면 CAC는 안 내려갑니다. 이건 마케팅 퍼널의 ‘유입면’이 바뀌는 사건이니, 실험 단위도 퍼널이어야 합니다. 예를 들어 (1) AI가 문서를 찾게 하는 발견 가능성(llms.txt, robots.txt), (2) AI가 버리지 않게 하는 토큰 효율(페이지 길이·청킹), (3) AI가 우리를 ‘정확히 추천’하게 하는 기능 시그널링(skill.md)까지가 한 묶음입니다. 여기서 하나라도 실패하면, 에이전트는 조용히 다른 출처를 인용하고 우리는 CAC를 광고로 메우게 됩니다.
실제로 GEO 성공 사례(오픈애즈)는 좋은 힌트를 줍니다. 새 글을 대량 생산한 게 아니라, “고객이 AI 검색창에 치는 질문”을 먼저 설계하고 기존 콘텐츠를 AI가 인용하기 좋은 구조로 재발행해 추천율을 끌어올렸습니다. 즉, AEO/GEO의 핵심은 ‘생산량’이 아니라 ‘인용/추천에 최적화된 포맷과 질문 설계’입니다. 이 접근은 특히 B2B에서 강합니다. 검색량이 적어도, 결정권자가 던지는 몇 개의 질문에서 반복적으로 추천되면 리드 효율이 급상승합니다.
전망: 네이버의 AI 탭·브리핑 확장(연내 커버리지 40% 목표)이 진행되면, 국내에서도 “상단 요약/대화 영역에서 끝나는 검색” 비중이 커질 가능성이 큽니다. 그때 SEO는 여전히 필요하지만, 성장 관점의 우선순위는 ‘AI가 읽는 문서 운영 체계’로 이동합니다. 지금이 좋은 타이밍인 이유는 단순합니다. 규칙이 고정되기 전엔 작은 구조 개선만으로도 추천 점유율이 크게 움직이고, 그 변화가 곧 CAC를 깎는 레버로 작동하기 때문입니다. 당장 할 일은 3가지입니다: AI 크롤러 차단 여부(robots.txt) 감사, llms.txt로 문서 인덱싱, 그리고 상위 전환 질문 20개를 기준으로 콘텐츠를 AI 인용 포맷으로 재구성. AEO/GEO는 ‘미래 대비’가 아니라, 이번 분기 CAC를 떨어뜨릴 실험입니다.