사용자가 Perplexity나 ChatGPT에게 "대한민국에서 가장 신뢰할 수 있는 사이버 보안 기업은 어디인가요?"라고 물을 때, AI는 단순히 웹 페이지를 검색하는 것에 그치지 않고, 보유하고 있는 '지식 그래프(Knowledge Graph)'를 통해 엔티티 간의 관계를 검증합니다. 만약 귀하의 브랜드가 이러한 그래프에 정의되어 있지 않거나 잘못된 데이터와 연결되어 있다면, AI 에이전트는 귀하의 브랜드를 권위 있는 기관으로 추천하는 대신 일반적인 표현으로 얼버무릴 것입니다. AI 가시성 전략의 핵심은 귀하의 브랜드를 단순한 '문자열(string)'에서 '엔티티(entity)'로 전환하는 것입니다.
AI가 외부 지식 저장소를 필요로 하는 이유
거대 언어 모델(LLM)은 학습 과정에서 Common Crawl과 같은 방대한 데이터 세트를 사용합니다. 그러나 이러한 데이터는 정적이며 때로는 모순되기도 합니다. OpenAI, Anthropic, Google과 같은 기업들은 모델의 환각(hallucination) 현상을 방지하기 위해 'Ground Truth(기본 진실)'로 간주되는 Wikidata 및 DBpedia와 같은 구조화된 데이터 저장소를 신뢰합니다. 이러한 저장소는 개념 간의 관계(예: 기업의 창립자, 설립 연도, 제공 서비스 등)를 수학적 정확도로 제공합니다. 사이트의 데이터를 이러한 글로벌 저장소와 'Entity Linking' 방식으로 연결하면, AI 에이전트에게 다음과 같은 메시지를 전달하게 됩니다: "나는 단순한 웹사이트가 아니라, Wikidata의 Q12345번 엔티티의 디지털 대리인입니다."
1단계: Wikidata를 통한 엔티티 탐색 및 식별
첫 번째 단계는 귀하의 브랜드나 핵심 개념이 Wikidata에 존재하는지 확인하는 것입니다. Wikidata는 Wikipedia의 기반이 되는 구조화된 데이터베이스이며, 모든 엔티티에 'Q'로 시작하는 고유 식별자를 할당합니다. 예를 들어, 한국 기반의 기술 기업이라면 Wikidata에서 검색하여 기존 기록이 있는지 확인해야 합니다. 기록이 있다면 해당 URL(예: https://www.wikidata.org/wiki/Q12345)을 기록해 두십시오. 기록이 없고 브랜드가 충분한 인지도를 가지고 있다면, 커뮤니티 가이드라인에 따라 새로운 항목을 생성하는 것이 AI 가시성 잠재력을 높일 수 있습니다. 단, Wikidata는 광고 플랫폼이 아닌 지식 은행이므로 '주목성(notability)' 기준을 충족해야 한다는 점을 기억하십시오.
2단계: Schema.org 'sameAs' 속성을 통한 기술적 연결
엔티티 식별자를 확인한 후에는 이 정보를 웹사이트 소스 코드에 삽입해야 합니다. 이를 위해 JSON-LD 형식의 구조화된 데이터(Schema Markup)가 사용됩니다. Schema.org 프로토콜의 sameAs 속성은 웹 페이지나 조직이 다른 곳(주로 지식 그래프)에 존재하는 동일한 대상임을 명시하기 위해 설계되었습니다. 이 연결은 AI 크롤러(GPTBot, Claude-Bot 등)에게 귀하의 페이지 콘텐츠가 어떤 글로벌 엔티티와 일치하는지 정확하게 알려줍니다. 메인 페이지뿐만 아니라 저자 페이지에서도 저자의 Wikidata 또는 ORCID 프로필을 연결하는 것은 '저자 권위(E-E-A-T)' 측면에서 매우 중요합니다.
3단계: DBpedia 및 Linked Data 통합
DBpedia는 Wikipedia의 정보를 RDF(Resource Description Framework) 형식으로 변환하는 프로젝트입니다. AI 에이전트는 특히 의미론적 추론을 수행할 때 DBpedia가 제공하는 계층적 구조를 활용합니다. 귀하의 브랜드에 해당하는 DBpedia 항목을 찾는 것은 AI 시스템이 귀하의 브랜드를 어떤 카테고리(SaaS, 이커머스, 교육 등)로 분류할지 결정하는 기준이 됩니다. DBpedia 리소스가 있다면 이를 sameAs 배열에 추가하십시오. 이는 'AI 검색 결과 노출'을 위한 다차원적 검증 네트워크를 완성합니다. 여러 권위 있는 소스(Wikidata, DBpedia, 공식 소셜 미디어 계정)가 동일한 지점을 가리키면 AI의 브랜드 신뢰 점수가 상승합니다.
4단계: 콘텐츠 일관성 및 NLP 분석
기술적 연결만으로는 부족합니다. 웹사이트의 텍스트 콘텐츠 또한 연결된 엔티티의 속성과 일치해야 합니다. 자연어 처리(NLP) 알고리즘은 페이지의 키워드를 분석하여 Wikidata의 속성(properties)과 비교합니다. 예를 들어, Wikidata에는 '클라우드 컴퓨팅' 분야에서 활동한다고 되어 있는데 사이트에서는 계속 '하드웨어 판매'에 대한 콘텐츠만 있다면, 이는 'Entity Mismatch(엔티티 불일치)'를 야기합니다. AI는 이러한 모순을 발견하면 귀하를 신뢰할 수 있는 소스로 분류하는 것을 피할 수 있습니다. 따라서 콘텐츠 전략을 정의된 엔티티 속성에 맞춰 구성해야 합니다.
기술 체크리스트
- 브랜드의 Wikidata Q-ID를 조회하고 검증하십시오.
- JSON-LD 구조에서
@type: Organization또는@type: Brand아래에sameAs배열을 생성하십시오. - 저자를 위해
@type: Person스키마 내에서 Wikidata 또는 LinkedIn URL을 사용하십시오. - Google 리치 결과 테스트(Rich Results Test)를 통해 코드의 유효성을 확인하십시오.
- DBpedia Lookup 서비스를 사용하여 브랜드의 의미론적 대응 항목을 찾으십시오.
- Robots.txt 파일이 AI 봇의 구조화된 데이터 읽기를 허용하는지 확인하십시오.
예시 시나리오: 소프트웨어 기업을 위한 구현
'TeknoBulut'이라는 회사가 있다고 가정해 봅시다. Wikidata에 Q987654321 식별자로 등록되어 있습니다. 웹사이트의 <head> 섹션에 추가해야 할 이상적인 JSON-LD 블록은 다음과 같습니다:
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "TeknoBulut",
"url": "https://www.teknobulut.com",
"sameAs": [
"https://www.wikidata.org/wiki/Q987654321",
"https://dbpedia.org/resource/TeknoBulut",
"https://twitter.com/teknobulut",
"https://www.linkedin.com/company/teknobulut"
]
}이 코드 조각은 AI 에이전트에게 "여기서 언급된 TeknoBulut은 Twitter의 해당 계정 및 Wikidata의 해당 보편적 정의와 동일한 엔티티입니다"라고 말해줍니다. 이러한 명확성은 AI가 모호성(disambiguation)을 해결하도록 돕습니다.
자주 하는 실수
- 잘못된 Q-ID 사용: 이름이 비슷한 다른 회사나 개념의 Wikidata 식별자를 연결하는 경우.
- 깨진 링크:
sameAs내에 제공된 URL이 404 오류를 반환하면 신뢰도가 떨어집니다. - 과도한 로드: 관련 없는 수십 개의 소셜 미디어 프로필이나 디렉토리를
sameAs에 채우는 경우(권위 있는 것만 선택하십시오). - 스키마 오류: JSON-LD 형식에서 쉼표나 괄호 오류로 인해 코드를 읽을 수 없게 되는 경우.