ChatGPT는 어떤 병원 콘텐츠를 인용할까? 5,400회 반복 질의로 본 AI 인용의 특징

2026년 6월 측정 데이터를 바탕으로 작성한 연구 인사이트입니다.

병원 정보가 검색 결과에 나온다고 해서 ChatGPT 답변에도 반드시 인용되는 것은 아닙니다. 검색 후보로 수집된 페이지 중 어떤 문서가 답변의 근거로 쓰이는지에 따라, 이용자가 접하는 병원과 정보도 달라집니다.

빌리온은 이 차이를 살펴보기 위해 피부과, 안과, 치과, 성형외과 관련 질문 108개를 ChatGPT에 각각 50회씩 입력했습니다. 총 5,400회의 응답에서 검색 후보와 실제 인용 페이지를 수집하고, 페이지의 내용과 구성에 따라 어떤 차이가 나타나는지 분석했습니다.

분석의 핵심 단위는 질문과 URL의 조합입니다. 한 질문의 50회 반복 중 검색 후보에 한 번이라도 나타난 URL을 모으고, 이 가운데 한 번이라도 인용된 조합의 비율을 계산했습니다. 총 14,445개 조합에서 이 비율은 71.4%였습니다.

이 글에서 말하는 ‘인용률’은 이 기준을 뜻합니다. 개별 답변에서의 인용 확률이나, 50회 내내 꾸준히 인용된 비율과는 다릅니다.

이번 표본에서는 세부 검색 질문에 잘 맞는 제목, 충분한 본문 설명, 작성자와 발행일 표기 등이 높은 인용률과 함께 나타났습니다. 병원 콘텐츠를 기획할 때는 이용자의 질문에 답할 정보가 얼마나 구체적으로 담겨 있는지 살펴볼 필요가 있습니다.

주요 결과를 먼저 살펴보면

이번 분석에서 눈에 띈 결과는 다음과 같습니다.

• 문서 유형별 차이가 컸습니다. 병원 공식 사이트의 인용률은 51%로, 병원 정보 디렉토리 98%, 블로그 97%보다 낮았습니다.

• 세부 검색 질문과 제목의 관련성이 중요했습니다. 관련성이 가장 낮은 20% 그룹의 인용률은 47%, 가장 높은 20% 그룹은 94%였습니다.

• 글과 이미지의 구성에 따라 차이가 나타났습니다. 이미지가 1~5장인 페이지의 인용률은 93%, 40장을 넘는 페이지는 42%였습니다.

• 작성자, 발행일, FAQ와 표가 있는 페이지에서 높은 인용률이 나타났습니다. 각 요소가 없는 페이지와 비교했을 때도 차이가 컸습니다.

• 질문의 목적에 따라 인용률이 달랐습니다. 비용을 묻는 질문이 가장 높았고, 키워드형과 문장형 질문 사이에서는 통계적으로 뚜렷한 차이가 나타나지 않았습니다.

이 결과는 관찰된 차이입니다. 특정 요소를 추가하거나 제거했을 때 인용률이 얼마나 바뀌는지를 검증한 실험 결과는 아닙니다.

연구는 어떻게 진행했을까?

질문 108개를 구성한 기준

질문은 진료 주제, 지역, 질문 목적, 표현 방식의 네 가지 기준을 조합했습니다.

예를 들어 “강남 여드름 치료 비용”과 “강남 여드름 치료 비용은 얼마나 들어?”처럼 같은 내용을 다른 방식으로 묻는 질문을 포함했습니다. 여섯 진료 주제에 세 지역, 세 목적, 두 표현 방식을 조합해 총 108개 질문을 만들었습니다.

같은 질문을 50회씩 반복한 이유

ChatGPT 답변과 인용 페이지는 같은 질문에서도 회차마다 달라질 수 있습니다. 한 번의 응답에만 의존하지 않도록 각 질문을 50회씩 반복했습니다.

총 5,400회 가운데 웹 검색이 수행된 응답은 4,667회로 86.4%였습니다. 나머지 733회에서는 웹 검색이 수행되지 않았습니다. 페이지 인용 분석에는 검색이 수행된 응답을 사용했습니다.

각 응답에서 답변 내용, 검색 후보 URL, 실제 인용 URL, 답변에 등장한 병원 이름, 수집된 세부 검색 질의를 저장했습니다.

인용된 조합과 인용되지 않은 조합을 비교한 방법

같은 URL도 질문에 따라 인용 여부가 달라집니다. 따라서 URL 하나가 아니라 질문과 URL의 조합을 분석 단위로 삼았습니다.

• 인용된 조합: 해당 질문의 50회 반복 중 한 번 이상 인용된 URL

• 인용되지 않은 조합: 검색 후보로는 나타났지만 50회 동안 한 번도 인용되지 않은 URL

이렇게 만든 조합은 14,445개입니다. 여기서 비교하는 대상은 모두 검색 후보에 포함된 페이지입니다. 검색 후보에 나타나지 않은 페이지까지 포함한 전체 웹사이트의 인용률은 아닙니다.

페이지에서 분석한 특성

페이지의 HTML을 수집해 본문 분량, 이미지 수, 제목과 소제목, 작성자와 발행일, 구조화 데이터 등 기본 특성 47개를 추출했습니다. 본문에서는 구체적인 가격, 홍보성 표현, 주의사항, 비교와 선택 기준 등 내용 특성 13종도 별도로 분석했습니다.

특성별 인용률을 비교한 뒤 LightGBM 분류 모델로 여러 특성을 함께 분석했습니다. 모델이 예측에 어떤 정보를 주로 활용했는지는 SHAP 분석으로 살펴봤습니다. 인용된 문서와 인용되지 않은 문서의 어휘 차이도 비교했습니다.

인용된 페이지에는 어떤 특징이 있었을까?

병원 공식 사이트와 정보성 문서 사이에 차이가 있었습니다

문서 유형별 인용률은 다음과 같습니다.

병원 공식 사이트에 해당하는 질문과 URL 조합은 4,894개로, 전체의 약 34%였습니다. 검색 후보에는 많이 포함됐지만, 이 가운데 한 번이라도 인용된 비율은 다른 유형보다 낮았습니다.

이 차이를 병원 공식 사이트라는 이유만으로 설명하기는 어렵습니다. 정보성 문서와 병원 홈페이지는 본문 분량, 이미지 구성, 가격과 비교 정보 등에서도 차이가 날 수 있기 때문입니다.

실무에서는 병원 소개와 진료 안내 외에, 이용자가 궁금해하는 비용이나 선택 기준을 충분히 설명하고 있는지 살펴볼 필요가 있습니다.

이미지가 많은 페이지에서 인용률이 낮았습니다

모델 분석에서 예측에 가장 크게 기여한 특성은 이미지 수였습니다. 전반적으로 이미지가 많을수록 인용되지 않는 쪽으로 예측하는 경향이 나타났습니다.

인용된 페이지의 이미지 수는 평균 27.7장, 인용되지 않은 페이지는 평균 69.3장이었습니다. 이미지 수에 따라 나눠 보면 차이가 더 분명하게 드러납니다.

이미지가 없는 페이지보다 1~5장인 페이지에서 인용률이 높았습니다. 따라서 이미지가 적을수록 언제나 유리하다고 해석할 수는 없습니다.

배너나 사진에 정보가 몰려 있다면, 이용자의 질문에 답하는 설명이 본문 텍스트에도 담겨 있는지 점검하는 것이 좋습니다. 이미지 수만 줄이면 인용률이 높아진다는 의미는 아닙니다.

본문 설명이 충분한 페이지에서 인용률이 높았습니다

인용된 페이지의 본문은 평균 694단어, 중앙값 519단어였습니다. 인용되지 않은 페이지는 평균 420단어, 중앙값 158단어였습니다.

본문이 짧은 그룹보다 설명이 충분한 그룹에서 높은 인용률이 나타났습니다. 다만 1,200단어를 넘는 그룹에서는 비율이 소폭 낮아졌습니다.

여기서 단어 수는 분석에 사용한 본문 추출 기준입니다. 이를 한국어 글자 수로 바꾸거나 모든 콘텐츠의 권장 분량으로 적용하기는 어렵습니다. 분량을 맞추기보다 질문에 답할 설명과 근거가 충분한지 살펴보는 것이 우선입니다.

세부 검색 질문과 제목이 잘 맞을수록 인용률이 높았습니다

ChatGPT의 웹 검색 과정에서는 원래 질문과 관련된 여러 세부 검색 질의가 나타날 수 있습니다. 이런 검색 확장을 query fan-out이라고 부릅니다.

이번 분석에서는 수집된 세부 검색 질의와 페이지 제목의 의미 유사도가 주요 예측 특성으로 나타났습니다. 관련성이 낮은 순서부터 다섯 그룹으로 나누면 인용률은 다음과 같습니다.

“강남 피부과”처럼 넓은 주제보다 “강남 여드름 흉터 치료 비용”처럼 이용자가 궁금해하는 내용이 구체적일 때, 제목도 그 질문을 분명하게 설명할 필요가 있습니다.

콘텐츠를 나누는 기준 역시 단어의 조합보다 질문의 차이가 돼야 합니다. 비용을 묻는 질문과 병원 선택 기준을 묻는 질문은 필요한 정보가 다르므로, 각각에 충분히 답할 수 있도록 내용을 구성하는 방식입니다.

작성자와 발행일, FAQ와 표가 있는 페이지에서 차이가 나타났습니다

작성자와 발행일이 있으면 이용자가 글의 출처와 시점을 파악하기 쉽습니다. FAQ와 표는 질문에 대한 답이나 비교 정보를 찾는 데 도움이 됩니다. 이번 표본에서도 이런 요소가 있는 페이지의 인용률이 높았습니다.

다만 작성자를 표시했다는 사실만으로 35%p의 상승을 기대할 수는 없습니다. 작성자를 밝히는 문서가 본문 설명이나 출처 등 다른 정보도 더 충실하게 갖추고 있을 수 있습니다.

구체적인 가격 정보는 본문에서도 설명해야 합니다

가격 관련 구조화 데이터가 있는 페이지의 인용률은 75%, 없는 페이지는 71%였습니다. 전체 표본에서는 통계적 차이가 보고됐지만, 다른 요소에 비해 비율 차이는 작았습니다.

비용형 질문만 보면 각각 80.4%와 77.5%였으며, 통계적으로 뚜렷한 차이는 나타나지 않았습니다.

반면 본문에 구체적인 가격을 적은 페이지의 인용률은 95%였습니다. 별도의 본문 내용 분석에서도 구체적인 가격 표기는 모델 예측에 크게 기여한 특성으로 나타났습니다.

이 결과는 가격 스키마가 불필요하다는 뜻이 아닙니다. 구조화 데이터를 넣는 것과 함께, 이용자가 읽는 본문에도 가격과 적용 조건을 충분히 설명할 필요가 있다는 시사점으로 볼 수 있습니다.

어휘 분석에서도 비슷한 차이가 나타났습니다. 인용된 문서에는 비용, 가격, 기준, 후기, 시술, 회복 같은 단어가 상대적으로 많았습니다. 인용되지 않은 문서에는 오시는 길, 공지사항, 회원가입, 진료 안내처럼 사이트 메뉴와 기본 안내에서 쓰이는 단어가 더 많았습니다.

이 단어를 반복해서 넣는 방식보다, 각 단어가 가리키는 실제 질문에 답하는 내용이 있는지 살펴봐야 합니다.

질문의 목적은 차이가 있었지만, 표현 방식의 차이는 뚜렷하지 않았습니다

질문 목적별 인용률은 비용, 후기와 신뢰, 추천 순이었습니다. 다만 이 차이를 질문 유형만의 영향으로 보기는 어렵습니다. 질문마다 검색 후보로 나타난 문서의 구성도 달랐기 때문입니다.

같은 의도를 키워드로 묻는 경우와 자연스러운 문장으로 묻는 경우의 인용률은 각각 71.9%, 70.9%였습니다. 이 차이는 통계적으로 유의하지 않았습니다(p=0.18).

이번 범위에서는 문체 차이보다 질문의 목적을 기준으로 콘텐츠를 기획하는 접근이 더 설득력 있습니다. 표현만 조금씩 바꾼 페이지를 만들기보다, 고객이 알고 싶은 내용이 달라지는 지점을 살펴보는 것입니다.

인용이 일부 도메인에 집중됐습니다

인용이 한 번이라도 발생한 도메인은 1,659개였습니다. 이 가운데 상위 10개 도메인이 전체 인용의 19.5%를 차지했고, 인용 분포의 지니계수는 0.67이었습니다. 지니계수는 값이 클수록 분포의 집중도가 높다는 뜻입니다.

상위권에는 비용 비교 플랫폼, 병원 정보 디렉토리, 커뮤니티, 의료 가이드와 개별 병원 사이트가 함께 포함됐습니다.

일부 도메인이 여러 질문에서 반복적으로 인용됐다는 결과입니다. 다만 이를 먼저 콘텐츠를 발행한 효과나 도메인에 대한 신뢰만으로 설명할 수는 없습니다. 콘텐츠 범위, 검색 노출, 질문과의 관련성 등도 함께 살펴봐야 합니다.

지역과 진료 주제별로도 비슷한 방향이 나타났습니다

진료 주제별 인용률은 쌍꺼풀 수술 67.9%에서 라식 78.1% 사이였습니다. 지역별로는 강남 68.0%, 서울 74.7% 등 차이가 있었지만, 주요 페이지 특성과 인용률의 관계는 하위 집단에서도 같은 방향으로 나타났습니다.

강남의 비율이 낮다는 결과만으로 경쟁 때문에 인용이 어려워졌다고 단정할 수는 없습니다. 지역별 후보 문서의 구성과 질문 특성을 추가로 살펴봐야 합니다.

예측 모델에서도 페이지 특성과 인용 여부의 관계가 나타났습니다

47개 기본 특성을 사용한 LightGBM 모델의 AUC는 도메인 단위 교차검증에서 0.947이었습니다. 도메인과 관련된 특성을 제외한 모델에서도 AUC 0.941을 기록했습니다.

AUC는 인용된 조합과 인용되지 않은 조합을 구분하는 능력을 나타냅니다. 0.941이라는 값이 94.1%의 정답률을 뜻하는 것은 아닙니다.

모델에서 예측에 크게 기여한 특성은 이미지 수, 세부 검색 질의와 제목의 관련성, 작성자 표기, 본문 분량, 원래 질문과 본문의 관련성, 제목 길이 순이었습니다.

평가할 때는 같은 도메인이 학습 데이터와 평가 데이터에 동시에 들어가지 않도록 나눴습니다. 질문 기준으로만 나누면 동일한 URL이 양쪽에 포함될 수 있기 때문입니다.

질문 기준으로 나눈 평가에서는 AUC가 0.990까지 높아졌습니다. 같은 페이지가 학습과 평가에 중복되면 이미 접한 문서를 맞히는 결과가 섞일 수 있어, 본문에서는 도메인을 분리한 평가 결과를 기준으로 설명했습니다.

이 결과는 페이지의 특성만으로도 인용 여부를 구분하는 정보가 있다는 뜻입니다. 페이지를 수정하면 같은 수준으로 인용률이 오른다는 뜻은 아닙니다.

강남 피부과 사례에서도 비슷한 패턴이 나타났습니다

강남 지역의 여드름 치료와 리프팅 관련 질문 12개를 따로 분석했습니다. 질문과 URL의 조합은 1,612개였고, 문서 유형별 인용률은 다음과 같습니다.

병원 공식 사이트의 비율이 낮은 가운데, 높은 인용 빈도를 기록한 개별 병원도 있었습니다. 사례 분석 대상인 한 병원은 전체 인용 집계에서 294회를 기록했습니다.

해당 사이트에는 “여드름 치료 잘하는 피부과 강남”, “리프팅 잘하는 피부과 강남”처럼 시술과 지역을 구체적으로 다룬 페이지가 있었습니다.

이 사례는 병원 공식 사이트에서도 세부 질문에 맞는 정보성 페이지가 인용될 수 있음을 보여줍니다. 다만 높은 인용 빈도를 페이지 제목이나 구성 하나만의 결과로 설명할 수는 없습니다.

병원 콘텐츠 기획에는 어떻게 적용할 수 있을까?

이번 결과를 실무에 적용할 때는 특정 수치를 일률적인 기준으로 삼기보다, 고객의 질문에 답하는 정보가 충분한지부터 살펴보는 것이 좋습니다.

질문의 목적이 달라지면 필요한 내용도 달라집니다

시술과 지역이 같아도 비용을 묻는 사람과 병원을 비교하는 사람에게 필요한 정보는 다릅니다. 비용, 선택 기준, 후기 등 질문의 목적을 기준으로 콘텐츠의 범위를 정하세요.

제목에서도 본문이 어떤 질문에 답하는지 분명하게 드러나야 합니다.

이미지에 담긴 핵심 정보는 본문에서도 설명합니다

사진과 배너만으로 서비스 내용을 전달하고 있다면, 비용이나 적용 조건, 선택할 때 살펴볼 항목을 텍스트로도 제공하는 것이 좋습니다.

이미지 개수를 맞추기보다, 글만 읽어도 핵심 내용을 이해할 수 있는지 점검하세요.

가격과 조건은 구체적으로 설명합니다

가격을 다루는 콘텐츠에서는 금액뿐 아니라 포함 항목과 적용 조건도 함께 설명해야 합니다. 구조화 데이터와 본문의 정보가 일치하는지도 점검할 필요가 있습니다.

출처와 문서 구성을 정리합니다

작성자와 발행일을 밝히고, 비교가 필요한 내용은 표로, 반복되는 질문은 FAQ로 정리할 수 있습니다. 이런 요소는 이용자가 필요한 정보를 찾고 출처를 판단하는 데 도움이 됩니다.

자사 콘텐츠와 외부 정보를 함께 살펴봅니다

이번 표본에서는 디렉토리와 블로그, 미디어의 인용률이 높았습니다. 자사 사이트를 보완하면서, 고객이 참고하는 외부 정보에서 병원과 서비스가 정확하게 소개되는지도 살펴볼 수 있습니다.

외부 매체에 언급되는 것만으로 인용이 보장되는 것은 아닙니다. 자사와 외부 정보 모두 질문에 맞는 내용과 정확한 정보를 갖추는 것이 중요합니다.

연구 결과를 해석할 때 고려할 한계

이번 분석은 페이지를 수정하기 전후로 비교한 실험이 아닌 관찰 연구입니다. 결과를 적용할 때는 다음 범위를 고려해야 합니다.

• 인과관계를 확인한 연구는 아닙니다. 작성자, FAQ, 이미지 수 등의 차이는 문서 유형이나 다른 특성과 함께 나타났을 수 있습니다.

• 측정 환경이 제한돼 있습니다. 2026년 6월의 ChatGPT와 한국어 의료 질문을 대상으로 한 결과이며, 다른 AI 서비스나 시점에 그대로 적용하기는 어렵습니다.

• 검색 후보에 포함된 페이지를 비교했습니다. 후보에 나타나지 않은 페이지가 왜 검색되지 않았는지는 이번 분석의 대상이 아닙니다.

• 한 번이라도 인용됐는지를 기준으로 삼았습니다. 인용의 지속성이나 반복 노출 수준은 별도의 빈도 지표로 분석해야 합니다.

• 분류와 추출 과정에 오차가 있을 수 있습니다. 문서 유형을 분류하고 HTML에서 본문과 특성을 추출하는 과정에서 일부 오분류가 발생할 수 있습니다.

• 통계적 불확실성을 추가로 검토할 필요가 있습니다. 같은 URL이나 도메인이 여러 질문에 반복되므로 관측값 사이에 연관성이 있을 수 있습니다. 모델 평가에서 도메인을 분리한 것과 비율 차이의 신뢰구간을 추정하는 것은 서로 다른 문제입니다.

• 의료 분야의 결과입니다. 다른 업종에서는 출처 표기나 문서 구성과 인용률의 관계가 다르게 나타날 수 있습니다.

이번 연구가 병원 콘텐츠 기획에 주는 시사점은 분명합니다. 고객의 세부 질문에 맞는 제목과 충분한 본문 설명, 출처를 알 수 있는 정보를 준비하는 것이 중요합니다. 효과를 검증하려면 이런 항목을 실제로 개선한 뒤, 인용 빈도와 유입이 어떻게 달라지는지 반복해서 측정해야 합니다.

주요 수치와 통계 분석 기준

특성별 비율 비교에는 Wilson 방식의 95% 신뢰구간과 두 비율 차이에 대한 z검정을 사용했습니다. 여러 특성을 함께 분석할 때는 LightGBM과 SHAP을, 어휘 차이를 살펴볼 때는 빈도 차이의 z점수를 사용했습니다.

주요 검정값은 작성자, 발행일, FAQ, 표의 단순 비교에서 p<0.0001, 전체 가격 마크업 비교에서 p=0.006, 비용형 질문 내 가격 마크업 비교에서 p=0.28, 질문 표현 방식 비교에서 p=0.18입니다. 이런 값은 차이의 크기나 실제 수정 효과를 뜻하지 않으며, 관측값의 연관성과 여러 비교를 함께 수행한 점을 고려해 해석해야 합니다.

자료 출처: 빌리온 6월 리서치 보고서