LLMO

LLMO(Large Language Model Optimization)는 GEO·AEO와 거의 같은 우산 안에 있지만, 강조점이 살짝 다릅니다. 'AI 검색 결과에서 노출되느냐'보다 'LLM이 우리 브랜드에 대해 어떤 지식을 들고 있느냐'에 무게를 둡니다. ChatGPT에 'X 브랜드는 어떤 회사인가요?'라고 물었을 때 돌아오는 정의·카테고리·창업자·핵심 제품이 LLMO의 헤드라인 KPI입니다. 검색 표면이 사라져도 모델 안의 지식 그래프는 남기 때문에, 더 장기적인 자산 관리에 가깝다는 시각도 있습니다.

작동 원리는 두 가지 입력으로 보면 명확합니다. 하나는 사전학습 데이터, 또 하나는 추론 시점 검색(RAG·Search Tool)입니다. 사전학습은 위키피디아·언론·신뢰도 높은 디렉터리·잘 정리된 자사 사이트 같은 출처를 통해 모델 안에 '브랜드 사실'을 새깁니다. 추론 시점 검색은 그 사실을 최신화·검증합니다. LLMO 실무는 두 입력 모두를 의식하면서, '모델이 학습할 때도, 인용할 때도 우리 브랜드를 같은 방식으로 묘사하도록' 만드는 일입니다.

마케터에게 의미 있는 포인트는 'LLMO 성과의 절반은 외부에서 결정된다'는 사실입니다. 자사 페이지만 손질해서는 한계가 분명합니다. 위키피디아 항목 정확도, 언론 보도의 묘사 일관성, 리뷰 사이트의 카테고리 매핑, 디렉터리·DB 등재 정보가 모두 입력값입니다. KPI는 (1) 브랜드 정의 일치도, (2) 카테고리 답변 등장률, (3) 사실 오류 발생률로 잡는 것을 추천합니다. Villion은 주요 LLM에 동일한 브랜드 질문을 던져 답변 텍스트를 비교·스코어링해 정의 일치도를 추적합니다.

GEO·AEO·LLMO를 표면 기준으로 비교하면 결이 보입니다. ChatGPT·Perplexity·AI Overview 답변에서 '인용되는가'가 GEO/AEO의 주관심사라면, LLMO는 그 답변의 본문 텍스트가 우리 브랜드를 어떻게 묘사하느냐에 더 신경 씁니다. 같은 인용이어도 정의가 정확하면 LLMO 점수가 높고, 인용은 됐는데 카테고리가 잘못 매핑돼 있으면 LLMO 관점에서는 마이너스입니다.

흔한 오해 하나는 'LLMO는 모델 학습 데이터 차원의 작업이라 우리는 손쓸 수 없다'는 체념입니다. 학습 데이터에 직접 개입할 수는 없지만, 학습이 빨아들이는 외부 신호는 거의 다 마케팅 통제권 안에 있습니다. 또 하나는 '한 번 정정하면 모델이 곧 따라 학습할 것'이라는 기대인데, 사전학습 컷오프와 RAG 결과가 따로 작동하기 때문에 변화가 반영되는 데 시간이 걸립니다.

다음 단계로는 (1) 위키피디아·주요 미디어에서 우리 브랜드 묘사 일관성 점검, (2) 자사 About·Brand·Press 페이지의 정의 문장 표준화, (3) Knowledge Graph용 Organization Schema 정비, (4) 분기마다 주요 LLM 4~5종에 동일 질문을 던져 정의 변동 추적하기를 권합니다. LLMO는 단발 작업이 아니라 '브랜드 사실의 연감'을 만드는 장기전입니다.