[특집 검색의 종말, 응답의 시대 ① ] SEO를 넘어 AEO·GEO로 이동하는 대학 전략의 전환

링크를 클릭하던 시대의 종말

학생들이 대학 정보를 찾는 방식이 바뀌고 있다. 과거에는 검색창에 대학 이름이나 학과를 입력하고, 검색 결과 상단에 노출된 링크를 하나씩 클릭해 들어가며 정보를 비교했다. 대학의 디지털 전략은 이 구조에 맞춰 설계됐다. 검색엔진최적화(SEO)는 곧 대학 홍보의 기본 전략이었고, 얼마나 상위에 노출되느냐가 곧 경쟁력이었다. 검색 결과 페이지는 대학 경쟁의 1차 무대였다. 그러나 생성형 인공지능(AI)이 정보 탐색의 관문으로 자리 잡으면서, 대학을 둘러싼 검색 환경의 규칙 자체가 달라지고 있다. 이제 학생들은 링크를 따라 이동하기보다 AI와 대화를 시작한다. “수도권에서 취업률이 높은 간호학과를 추천해 달라”거나 “내 성적으로 지원 가능한 국립대를 알려 달라”는 식의 질문을 입력하면, AI는 여러 웹페이지의 정보를 종합해 하나의 정리된 답을 제시한다. 사용자는 더 이상 여러 사이트를 오가며 정보를 조합하지 않는다. 응답은 한 화면 안에서 완결된다. 정보 소비의 단위가 ‘페이지’에서 ‘답변’으로 이동한 것이다.

SEO에서 AEO·GEO로, 목표가 달라졌다

이 새로운 환경에서 대학의 가시성은 더 이상 검색 결과 순위로 결정되지 않는다. 생성형 AI는 상위 노출된 링크 목록을 보여주는 대신, 질문에 대한 답변 문장 속에 일부 대학의 이름을 포함하거나 제외한다. 대학은 웹사이트 방문자를 기다리는 구조에서 벗어나, AI의 응답 안에 포함될 수 있도록 전략을 재설계해야 하는 상황에 놓였다. 이 지점에서 등장하는 개념이 답변엔진최적화(AEO, Answer Engine Optimization)와 생성엔진최적화(GEO, Generative Engine Optimization)다. AEO는 사용자의 질문에 즉각 대응할 수 있도록 콘텐츠를 질문-답변 단위로 구조화하는 전략이며, GEO는 생성형 AI가 학습·참조·재구성하기에 적합한 형태로 정보를 설계하는 접근이다. 이는 기존의 SEO처럼 키워드 밀도나 링크 수를 중심으로 한 기술적 경쟁과는 다르다. 질문 구조의 명확성, 용어의 일관성, 수치와 데이터의 구체성이 더 중요해진다.

SEO의 목표가 ‘상위 노출’이었다면, AEO와 GEO의 목표는 ‘응답에 포함되는 것’이다. 검색 결과 1위에 오르지 않아도, AI의 답변 문장 안에 이름이 언급되면 사용자는 그 대학을 후보군으로 인식한다. 반대로 검색 결과 상위권을 유지하더라도, AI 응답에 포함되지 않으면 실질적인 노출 효과는 줄어든다. 경쟁의 단위가 페이지에서 문장으로, 링크에서 맥락으로 이동하는 순간이다.

이 구조 전환은 대학 마케팅 전략에 즉각적인 영향을 미친다. 기존의 대학 홈페이지는 방문자를 설득하기 위한 장문의 소개문과 이미지 중심 구성에 익숙했다. 그러나 생성형 AI는 감성적 수사나 상징적 표현보다 구체적이고 단정적인 정보를 우선적으로 활용한다. “글로벌 리더를 양성하는 혁신 대학”이라는 문장은 홍보 문구로는 적절할 수 있지만, 특정 조건의 질문에 대응하기에는 모호하다. 반면 “최근 3년간 평균 취업률 82%”, “국가장학금 수혜율 78%”, “산학협력 참여 기업 300여 개”와 같은 문장은 AI가 비교·정렬·추천 과정에서 활용하기에 적합하다. 특히 용어의 일관성은 AI 가시성에서 중요한 변수로 작용한다. 동일한 의미를 서로 다른 표현으로 혼용하면, 사용자의 질문과 정확히 일치하지 않을 가능성이 커진다. 생성형 AI는 문맥을 이해하지만 동시에 확률적으로 가장 적합한 표현을 선택한다. 대학이 스스로를 어떻게 정의하느냐가 응답 포함 여부를 좌우할 수 있는 구조다. 대학 홍보 전략의 중심축은 ‘얼마나 많이 노출되는가’에서 ‘어떻게 구조화되어 있는가’로 이동하고 있다.

AI는 통제 가능한 플랫폼인가

생성형 AI 환경에서 가장 큰 변수는 통제의 한계다. 검색엔진은 알고리즘의 작동 원리가 일정 부분 공개되어 있고, 상위 노출을 위한 대응 전략도 비교적 명확하다. 그러나 생성형 AI는 확률적 모델에 기반해 응답을 생성한다. 동일한 질문이라도 표현 방식과 맥락에 따라 결과가 달라질 수 있다. 대학이 특정 키워드를 강화한다고 해서 항상 응답에 포함된다는 보장은 없다. 또한 생성형 AI는 학습 데이터와 실시간 정보 반영 방식에 따라 정확성의 편차를 보인다. 학과 명칭이 변경됐음에도 과거 정보가 반영되거나, 취업률·등록금과 같은 수치가 최신 자료와 다르게 제시되는 사례도 발생한다. 대학은 AI 노출을 확대하고자 하면서도, 잘못된 정보 확산의 위험을 동시에 감수해야 한다. AI 가시성 전략은 단순 홍보의 문제가 아니라, 정보 관리 체계와 데이터 갱신 구조의 문제로 확장된다.

이러한 조건에서 대학이 선택할 수 있는 방향은 명확하다. AI를 통제하려 하기보다, AI가 참조하기 쉬운 구조를 만드는 것이다. 질문형 콘텐츠를 정비하고, 핵심 수치를 일관된 형식으로 제시하며, 변경 사항을 신속하게 반영하는 체계를 갖추는 것이 우선 과제가 된다. 생성형 AI 시대의 전략은 알고리즘을 이기는 것이 아니라, 알고리즘이 이해하기 쉬운 정보를 제공하는 데 있다.

생성형 AI 환경에서는 대학 간 경쟁의 무대가 달라진다. 과거에는 검색 결과 상단을 차지한 대학이 상대적으로 더 많은 관심을 확보했다. 그러나 이제는 하나의 응답 문장 안에서 몇 개 대학이 함께 언급된다. 사용자는 긴 목록을 비교하기보다, AI가 정리해준 소수의 선택지를 우선 검토한다. 응답에 포함되지 않으면 후보군에서 배제될 위험이 커진다. 동시에 이 구조는 규모가 작은 대학에도 새로운 기회를 제공한다. 생성형 AI는 단순 브랜드 인지도보다 질문 조건과의 적합성을 기준으로 대학을 배열한다. 특정 지역, 특정 산업 분야, 특정 전형 유형과의 연계성을 묻는 질문에서는 조건에 정확히 부합하는 대학이 응답에 포함될 가능성이 있다. 구조화된 정보와 명확한 포지셔닝이 새로운 경쟁 요소로 부상하고 있다.

생성형 AI 환경은 아직 완전히 안정된 질서를 갖추지 않았다. 응답의 정확성, 모델 간 편차, 정보 반영 속도 등 해결되지 않은 변수도 적지 않다. 그럼에도 분명한 사실은 하나다. 대학 정보 탐색의 출발점이 바뀌고 있다는 점이다. 검색 결과 페이지가 아니라, AI의 응답 문장이 첫 관문이 되고 있다. 이는 단순한 홍보 기법의 수정이 아니다. 상위 노출을 목표로 설계된 SEO 전략은 더 이상 충분조건이 아니다. 대학은 이제 “질문에 답할 준비가 되어 있는가”라는 새로운 기준 앞에 서 있다. 다음 단계의 과제는 이 질문에 어떻게 대응할 것인가에 달려 있다.