AI 검색과 생성형 AI 용어
질문 100개

AEO는 답변 엔진이 이해하고 활용하기 쉽게 정보를 정리하는 작업을 가리킵니다. 질문에 직접 답하는 본문과 접근 가능한 출처를 만드는 활동이 포함됩니다.

GEO는 생성형 검색과 답변 환경에서 정보의 발견과 인용을 고려하는 최적화 개념입니다. 업체마다 사용하는 범위가 달라 실제 작업 항목을 함께 확인하는 것이 좋습니다.

SEO는 검색엔진이 콘텐츠를 발견하고 이해하도록 사이트와 정보를 개선하는 작업입니다. 특정 검색 순위를 약속하는 것과는 구분해야 합니다.

답변 엔진은 질문에 관련 정보를 조합해 답을 제시하는 시스템을 뜻합니다. 링크 목록을 보여주는 기능과 답변을 생성하는 기능이 함께 제공될 수도 있습니다.

생성형 검색은 검색한 자료와 생성 모델을 결합해 답변을 구성하는 방식입니다. 어떤 자료를 사용하고 출처를 표시하는지는 서비스마다 다릅니다.

웹 검색은 질문이나 검색어와 관련된 문서를 찾아 제시하는 과정입니다. 검색 결과에 문서가 나온다는 사실과 답변에서 그 문서를 인용한다는 사실은 다릅니다.

크롤링은 수집 프로그램이 웹페이지를 요청하고 내용을 가져오는 과정입니다. 수집됐다는 사실만으로 검색 색인에 포함되거나 노출된다고 볼 수는 없습니다.

색인은 수집한 정보를 검색에 활용할 수 있도록 처리하고 저장하는 과정입니다. 페이지 접속이 가능해도 반드시 검색 색인에 포함되는 것은 아닙니다.

검색 순위는 특정 검색 조건에서 결과가 제시되는 상대적인 위치입니다. 질문·지역·시점이 달라지면 같은 문서의 위치도 달라질 수 있습니다.

Retrieval은 질문에 관련된 자료를 후보 집합에서 찾아오는 단계입니다. 자료를 찾는 품질과 찾은 자료로 답을 쓰는 품질은 구분해 평가할 수 있습니다.

검색 의도는 사용자가 질문을 통해 해결하려는 목적입니다. 개념을 배우려는 질문과 구매 대상을 고르려는 질문은 필요한 답변이 다릅니다.

키워드는 문서나 질문의 핵심 주제를 나타내는 단어나 표현입니다. 키워드를 많이 반복하는 것보다 실제 질문의 의미를 충분히 설명하는 것이 중요합니다.

롱테일 질문은 구체적인 조건이나 상황을 포함한 세부 질문을 뜻합니다. 검색량이 작다고 내용의 가치가 낮다고 단정할 수는 없습니다.

SERP는 검색 결과 페이지를 뜻하는 약어입니다. 일반 링크와 광고, 다양한 검색 기능이 함께 나타날 수 있어 관측 영역을 구분해야 합니다.

자연 검색 결과는 광고 구매와 구분되는 검색 결과 영역을 뜻합니다. 화면의 모든 링크가 자연 검색 결과라고 가정하지 않는 것이 좋습니다.

스니펫은 검색 결과에서 문서 내용을 짧게 설명하는 미리보기입니다. 사이트가 작성한 메타 설명과 실제 표시 문구가 항상 같지는 않습니다.

추천 스니펫은 질문에 대한 답을 두드러진 형태로 보여주는 검색 기능을 가리킵니다. 사이트가 구조를 정리해도 그 형태로 선택된다고 보장할 수는 없습니다.

제로 클릭 검색은 이용자가 외부 사이트를 누르지 않고 검색 과정에서 필요한 정보를 얻는 상황을 말합니다. 출처가 보였다는 사실과 사이트 방문을 구분할 때 쓰이는 개념입니다.

엔티티는 회사·사람·장소처럼 서로 구별되는 대상을 뜻합니다. 이름이 같은 대상이 있을 수 있어 설명과 공식 주소 같은 맥락이 중요합니다.

지식 그래프는 대상과 대상 사이의 관계를 연결해 표현하는 정보 구조입니다. 웹페이지에 이름을 반복한다고 특정 지식 그래프에 등록되는 것은 아닙니다.

URL은 웹에서 자원에 접근할 위치와 방식을 나타내는 주소입니다. 같은 문서라도 추적 쿼리나 여러 호스트 때문에 주소가 여러 개 생길 수 있습니다.

도메인은 인터넷 자원을 찾기 위해 사용하는 이름입니다. 도메인을 소유했다는 사실과 그 사이트가 검색에 색인됐다는 사실은 별개입니다.

하위 도메인은 큰 도메인 아래에서 구분한 이름입니다. 서비스와 콘텐츠를 나눌 수 있지만 접근 규칙과 운영 설정은 실제 호스트별로 확인해야 합니다.

경로는 같은 호스트 안에서 요청할 자원의 위치를 나타내는 부분입니다. 짧고 의미 있는 경로는 사람이 주소의 목적을 이해하는 데 도움이 됩니다.

쿼리 문자열은 URL에 추가 조건이나 추적 정보를 전달하는 부분입니다. 어떤 쿼리는 내용 자체를 바꾸므로 모두 불필요한 값으로 취급하면 안 됩니다.

조각 식별자는 문서 안의 특정 위치나 항목을 가리키는 데 쓰입니다. 질문별 앵커를 연결하면 긴 FAQ에서도 필요한 답으로 이동할 수 있습니다.

canonical은 유사하거나 중복된 주소 중 대표 URL을 알리는 신호입니다. 검색엔진이 어떤 주소를 선택할지 강제로 확정하는 명령은 아닙니다.

리다이렉트는 요청한 주소에서 다른 주소로 이동하도록 안내하는 응답입니다. 영구 이동인지 임시 이동인지 목적에 맞는 상태를 사용해야 합니다.

HTTP 상태 코드는 요청 처리 결과를 숫자로 나타내는 응답 정보입니다. 상태와 함께 본문을 읽어야 로그인 화면이나 오류 안내를 정상 문서로 오해하지 않습니다.

robots.txt는 자동 수집기에 접근 가능한 경로를 안내하는 파일입니다. 비공개 자료를 지키는 인증 수단으로 대신 사용할 수는 없습니다.

noindex는 지원하는 검색엔진에 해당 페이지를 색인하지 말라고 알리는 지시입니다. 페이지 접근 자체를 차단하는 기능과는 다릅니다.

User-Agent는 요청한 프로그램이 자신을 설명하는 문자열입니다. 누구나 같은 문자열을 보낼 수 있어 공식 봇의 신원을 단독으로 증명하지는 못합니다.

HTML은 웹 문서의 제목·문단·표·링크 같은 구조를 표현하는 언어입니다. 화면 모양뿐 아니라 정보의 의미와 계층을 전달하는 역할도 합니다.

DOM은 브라우저가 문서를 요소들의 구조로 다룰 수 있게 만든 표현입니다. 스크립트가 바꾼 DOM과 서버가 처음 보낸 HTML은 다를 수 있습니다.

서버 렌더링은 서버에서 HTML을 만들어 요청에 응답하는 방식입니다. 브라우저가 추가 작업을 하기 전에도 핵심 본문을 전달할 수 있습니다.

정적 생성은 미리 HTML을 만들어 배포하는 방식입니다. 글이 바뀌면 다시 생성하거나 갱신하는 절차가 필요합니다.

ISR은 정적으로 제공하는 페이지를 정해진 조건에 따라 갱신하는 방식입니다. 변경 내용이 보이는 시점은 해당 서비스의 재생성 설정과 동작에 달려 있습니다.

클라이언트 렌더링은 브라우저에서 스크립트를 실행해 화면 내용을 구성하는 방식입니다. 최초 HTML에 핵심 본문이 포함되는지 별도로 확인할 필요가 있습니다.

하이드레이션은 서버에서 받은 화면에 브라우저의 상호작용 기능을 연결하는 과정입니다. 화면이 보이는 것과 버튼이 동작하기 시작하는 시점은 다를 수 있습니다.

시맨틱 HTML은 요소의 의미에 맞게 제목·표·탐색·본문을 표현하는 방식입니다. 단순한 시각 장식보다 문서 구조를 이해하는 데 도움이 됩니다.

구조화 데이터는 문서의 대상과 속성을 정해진 형식으로 표현한 정보입니다. 페이지 본문과 일치해야 하며 검색 노출을 보장하는 별도 광고 문구가 아닙니다.

JSON-LD는 JSON 형식으로 연결된 데이터의 의미를 표현하는 방식입니다. 웹페이지에서는 조직과 글, 질문과 답 같은 정보를 설명하는 데 사용할 수 있습니다.

Schema.org는 웹의 대상과 속성을 설명하는 공통 어휘를 제공하는 프로젝트입니다. 어휘를 사용했다는 사실과 검색 서비스의 특정 기능 지원은 구분해야 합니다.

FAQPage는 자주 묻는 질문과 운영자가 제공한 답을 표현하는 구조화 데이터 타입입니다. 표시한 질문과 답은 실제 페이지에서도 읽을 수 있어야 합니다.

QAPage는 질문과 여러 답변이 있는 질의응답 문맥을 표현하는 타입입니다. 운영자가 정리한 일반 FAQ와는 사용하는 상황을 구분해야 합니다.

Article은 글의 제목과 작성자, 발행일 같은 속성을 설명하는 타입입니다. 타입을 붙였다고 글의 정확성이나 전문성이 자동으로 검증되는 것은 아닙니다.

Organization은 실제 조직의 이름과 공식 주소 같은 속성을 표현합니다. 가상 브랜드를 독립된 법인이나 언론 기관처럼 보이게 만드는 데 사용하면 안 됩니다.

Person은 실제 사람을 설명할 때 사용하는 타입입니다. 작성자가 편집팀이라면 확인되지 않은 개인 이름이나 경력을 만들어 넣지 마세요.

WebSite는 웹사이트 전체의 이름과 주소, 발행 주체를 설명하는 타입입니다. 개별 글을 설명하는 Article과 역할이 다릅니다.

브레드크럼은 현재 문서가 사이트 구조에서 어디에 있는지 보여주는 경로 표시입니다. 화면의 경로와 구조화 데이터의 순서가 일치하는 것이 좋습니다.

WebApplication은 웹에서 사용하는 소프트웨어 기능을 설명하는 타입입니다. 기능과 요금 정보는 실제 화면에서 제공하는 내용과 맞아야 합니다.

메타데이터는 문서 제목과 설명처럼 콘텐츠를 설명하는 정보입니다. 실제 본문이 부족한 상태를 메타데이터만으로 보완할 수는 없습니다.

Open Graph는 링크를 공유할 때 제목과 이미지 같은 정보를 설명하는 메타데이터 형식입니다. 공유 카드의 표현과 검색 결과의 순위는 별개입니다.

사이트맵은 사이트의 중요한 URL을 수집기가 발견하도록 제공하는 목록입니다. 목록에 포함된 모든 페이지의 색인을 약속하는 문서는 아닙니다.

RSS는 새 글이나 갱신 내용을 일정한 형식으로 제공하는 피드입니다. 구독 도구가 제목과 링크를 가져가는 데 사용할 수 있습니다.

llms.txt는 AI 도구가 참고할 콘텐츠 위치를 텍스트로 안내하려는 제안 형식입니다. 모든 AI 검색이 사용해야 하는 공식 공통 표준은 아닙니다.

IndexNow는 참여 검색엔진에 URL의 추가·수정·삭제를 알리는 프로토콜입니다. 접수 성공은 변경 알림을 받았다는 뜻이며 색인 완료와는 다릅니다.

출처 인용은 설명이나 주장의 근거가 되는 자료를 연결해 제시하는 행위입니다. 링크가 있다는 사실만으로 그 자료가 모든 주장을 뒷받침하지는 않습니다.

1차 출처는 사건이나 기능, 연구 결과를 직접 만든 주체가 제공하는 원자료입니다. 발표 자료라도 주장의 조건과 한계를 읽어야 정확히 인용할 수 있습니다.

Provenance는 정보가 어디서 만들어지고 어떤 과정을 거쳤는지에 관한 출처 이력입니다. 작성자와 원문, 수정 기록을 연결하면 정보의 맥락을 확인하는 데 도움이 됩니다.

대규모 언어 모델은 많은 언어 자료를 바탕으로 텍스트의 패턴을 학습한 모델입니다. 자연스러운 문장을 만들 수 있다는 사실이 모든 내용의 정확성을 뜻하지는 않습니다.

토큰은 모델이 텍스트를 처리할 때 사용하는 단위입니다. 글자나 단어와 일대일로 대응하지 않으며 언어와 토크나이저에 따라 달라집니다.

컨텍스트 윈도는 모델이 한 번의 처리에서 참고할 수 있는 입력 범위를 말합니다. 입력에 들어갔다는 사실만으로 모든 내용이 똑같이 정확하게 활용되는 것은 아닙니다.

프롬프트는 모델에 전달하는 요청과 참고 정보입니다. 원하는 결과와 조건을 명확히 적되 사실 검증을 지시문 하나로 대체하지 않는 것이 좋습니다.

시스템 메시지는 애플리케이션이 모델의 역할과 동작 조건을 전달하는 입력 영역입니다. 실제 접근 권한은 애플리케이션 코드와 인증으로도 제어해야 합니다.

Temperature는 지원하는 모델에서 출력 선택의 변동성을 조절하는 설정입니다. 낮춘다고 모든 답변이 사실이 되거나 완전히 재현된다고 단정할 수는 없습니다.

AI 환각은 모델이 실제 근거와 맞지 않는 내용을 그럴듯하게 생성하는 현상을 말합니다. 이름과 숫자, 출처 링크를 원자료에서 확인하는 이유가 됩니다.

그라운딩은 답변을 외부 자료나 주어진 근거와 연결하는 접근입니다. 근거가 제공돼도 모델이 내용을 정확히 사용했는지 검토해야 합니다.

RAG는 관련 자료를 검색해 모델의 답변 생성에 함께 제공하는 방식입니다. 자료 검색의 적합성과 답변이 자료를 충실히 반영하는지를 따로 확인해야 합니다.

임베딩은 텍스트 같은 대상을 숫자 벡터로 표현하는 방식입니다. 비슷한 표현을 찾는 데 쓰일 수 있지만 의미의 완전한 일치나 사실성을 증명하지는 않습니다.

벡터 검색은 숫자 표현 사이의 가까움을 이용해 관련 항목을 찾는 방식입니다. 가까운 결과가 실제 질문의 정답인지 별도 확인이 필요합니다.

청크는 검색이나 모델 입력을 위해 문서를 나눈 조각입니다. 조각을 너무 작게 나누면 앞뒤 조건과 출처 맥락이 끊길 수 있습니다.

리랭킹은 먼저 찾은 후보 자료의 순서를 다른 기준으로 다시 정하는 단계입니다. 최초 검색의 후보 안에 필요한 자료가 없으면 재정렬만으로 해결되지 않습니다.

파인튜닝은 추가 학습 자료를 이용해 모델의 동작을 조정하는 과정입니다. 최신 사실을 외부 자료에서 찾아오는 검색 연결과는 다른 방법입니다.

모델 서비스에서 추론 실행은 학습된 모델로 입력에 대한 출력을 만드는 과정을 뜻합니다. 사람이 논리적으로 결론을 증명했다는 의미와 혼동하지 않는 것이 좋습니다.

AI 에이전트는 목표를 수행하면서 도구 호출이나 여러 단계를 연결하는 시스템을 가리킵니다. 어디까지 자동으로 실행할지는 권한과 검수 정책으로 정해야 합니다.

도구 호출은 모델의 요청을 바탕으로 애플리케이션이 외부 기능을 실행하는 방식입니다. 모델이 요청한 인자가 유효한지와 실행 권한이 있는지는 코드에서 검사해야 합니다.

구조화 출력은 JSON처럼 정해진 형식에 맞춘 모델 응답을 말합니다. 형식이 맞는다는 사실과 내용이 정확하다는 사실은 별도 검사 대상입니다.

프롬프트 인젝션은 외부 입력의 지시가 시스템의 의도된 작업을 바꾸도록 유도하는 공격입니다. 읽어 온 문서의 문장을 실행 권한이 있는 명령으로 취급하지 않아야 합니다.

사람 검토 단계는 자동 처리 중 특정 결과나 실행을 사람이 확인하는 절차입니다. 무엇을 검토하고 어떤 경우에 멈추는지 명확해야 실제 통제가 됩니다.

평가 지표는 목표와 관련된 결과를 일정한 기준으로 나타낸 값입니다. 하나의 점수만으로 품질과 비용, 안전성 전체를 설명하기는 어렵습니다.

기준선은 변화나 개선을 비교하기 위해 정한 출발 상태입니다. 비교 조건이 달라지면 기준선과의 차이를 해석할 때 그 사실을 밝혀야 합니다.

표본은 관찰하려는 전체 대상 중 실제로 조사한 일부입니다. 표본을 어떻게 골랐는지에 따라 전체로 일반화할 수 있는 범위가 달라집니다.

분모는 비율을 계산할 때 기준이 되는 전체 건수입니다. 실패나 누락을 넣는 방식이 달라지면 같은 성공 건수에서도 비율이 달라집니다.

브랜드 언급은 응답에 대상 이름이 나타나는 현상입니다. 이름이 나왔다는 사실과 긍정 추천이나 출처 연결은 구분해야 합니다.

인용률은 정한 관측 단위 중 대상 출처가 연결된 비율을 뜻합니다. 어떤 링크를 인정하고 실패 응답을 어떻게 처리했는지 함께 확인해야 합니다.

정밀도는 양성이라고 판단한 결과 중 실제로 맞는 결과의 비율입니다. 많이 찾아내는 능력을 설명하는 재현율과는 다른 관점입니다.

재현율은 실제로 찾아야 할 대상 중 찾아낸 대상의 비율입니다. 모든 관련 대상을 알기 어려운 조사에서는 계산 범위와 정답 집합을 설명해야 합니다.

거짓 양성은 실제로 해당하지 않는 대상을 해당한다고 판정한 경우입니다. 동명이인 브랜드를 대상 브랜드로 세는 상황이 예가 될 수 있습니다.

거짓 음성은 실제 해당하는 대상을 없다고 판정한 경우입니다. 별칭을 누락한 문자열 검사 때문에 실제 언급을 놓치는 상황이 예가 될 수 있습니다.

벤치마크는 정해진 과제와 기준으로 시스템을 비교하는 평가 방식입니다. 특정 평가의 높은 점수가 모든 실제 업무에서 우수함을 뜻하지는 않습니다.

평가 데이터셋은 결과를 확인하기 위해 모은 입력과 기준 자료입니다. 실제 사용 상황을 반영하고 학습이나 개발 과정과의 관계를 관리해야 합니다.

재현 가능성은 다른 사람이 같은 절차와 조건을 따라 결과를 검토할 수 있는 성질입니다. 변동이 있는 AI 서비스에서는 같은 절차라도 출력이 달라질 수 있습니다.

상관관계는 두 값이 함께 변하는 경향을 말합니다. 함께 변했다는 사실만으로 하나가 다른 하나를 일으켰다고 결론낼 수는 없습니다.

인과관계는 한 변화가 다른 결과에 영향을 주었다는 관계입니다. 단순 전후 비교에서는 다른 원인을 통제하지 못할 수 있어 신중한 설명이 필요합니다.

드리프트는 시간에 따라 입력 분포나 시스템의 동작 특성이 달라지는 현상을 가리킵니다. 같은 평가를 반복하는 이유 중 하나입니다.

지연 시간은 요청을 시작한 뒤 원하는 응답을 받기까지 걸리는 시간입니다. 첫 출력 시간과 전체 작업 완료 시간은 구분해 측정할 수 있습니다.

멱등성은 같은 작업을 반복해도 의도된 결과가 중복으로 늘어나지 않는 성질입니다. 재시도가 있는 자동 발행이나 외부 실행에서 중요한 설계 기준입니다.

감사 로그는 누가 어떤 작업을 언제 수행했는지 추적하는 기록입니다. 비밀값을 남기는 것과는 다르며 필요한 사건과 결과를 중심으로 설계해야 합니다.

최소 권한 원칙은 작업에 필요한 범위만 접근과 실행을 허용하는 방식입니다. AI가 도구를 사용할 때도 불필요한 삭제나 발송 권한을 함께 주지 않는 것이 좋습니다.