Search Engine Land

Semrush의 분석에 따르면 ChatGPT 내 주제별 명확한 브랜드 점유율은 매우 낮으며, 대부분의 카테고리에서 특정 브랜드가 지배적이지 않은 상태입니다. 특히 전통적인 SEO 수치보다는 브랜드 검색량이 AI 답변 내 언급 빈도를 예측하는 유일하게 유의미한 지표로 나타났습니다.

구글 애즈가 기존 'Google Ads Labs'에서 실험적으로 제공하던 '성장 기회 누락(Missed Growth Opportunity)' 인사이트를 메인 추천 탭으로 통합하는 베타 기능을 도입했습니다. 이 기능은 예산 부족이나 낮은 입찰가로 인해 발생한 예상 클릭수, 전환수, 미실현 매출 가치를 구체적인 수치로 보여줍니다.

구글 애즈가 여러 광고 계정을 단일 GA4 속성에 한 번에 연결할 수 있는 벌크(Bulk) 연동 기능을 도입했습니다. 이를 통해 마케팅 담당자는 개별적인 계정 설정 없이도 다수의 계정 데이터를 통합적으로 관리하고 측정의 일관성을 유지할 수 있게 되었습니다.

구글은 초당 3무 350 토큰의 빠른 출력 속도를 자랑하는 Gemini 3.5 Flash-Lite 모델을 구글 검색과 Gemini 앱에 배포하기 시작했습니다. 이 모델은 저지연 및 고처리량이 필수적인 에이전틱 서치(Agentic Search) 환경을 구축하기 위한 핵심 동력으로 활용될 예정입니다.

소셜 광고의 성공은 초반 3초의 주목을 넘어 사용자의 호기심을 자극해 끝까지 시청하게 만드는 데 달려 있습니다. 최근에는 정제된 광고보다 대화하듯 정보를 점진적으로 공개하는 '야퍼(Yapper) 스타일'의 진정성 있는 콘텐츠가 알고리즘 최적화와 전환율 측면에서 높은 성과를 보이고 있습니다.

전통적인 키워드 중심 SEO에서 벗어나, AI Overviews와 같은 생성형 검색 환경에 대응하기 위해 '명확성(Clability)'을 최우선 가치로 두어야 한다는 내용입니다. 검색 엔진이 단일 페이지의 순위를 매기는 것을 넘어 여러 소스를 조합해 답변을 구성하는 방식으로 진화함에 따라 콘텐츠 전략의 근본적인 변화를 촉구합니다.

스키마 마크업을 활용해 웹사이트를 단순한 텍스트 집합이 아닌 개체 간의 관계가 정의된 지식 그래프로 구축하는 방법을 제시합니다. 이를 통해 AI 검색 엔진이 브랜드를 정확히 인식하도록 유도하고, 벡터 임베딩과 비교하여 정보의 공백(Entity Gap)을 찾아내어 콘텐츠 전략을 최적화할 수 있습니다.

LLM은 브랜드 자체의 우수성보다 쿼리의 카테고리와 브랜드가 연결된 데이터(Knowledge Graph 및 외부 콘텐츠) 간의 일치 여부를 기준으로 브랜드를 추천합니다. 연구 결과, 검색어의 프레임을 어떻게 설정하느냐에 따라 특정 브랜드의 추천율이 극적으로 변하는 '카테고리 코딩' 현상이 확인되었습니다.

개인정보 보호 정책 강화로 인해 광고 플랫폼이 업로드된 고객 리스트를 인식하지 못하는 '매치 레이트' 저하 문제가 심각해지고 있습니다. 이는 타겟팅 실패, 비용 낭비, 데이터 왜곡을 초래하며, 이를 해결하기 위해 식별자 보강 기술 등이 대안으로 떠오르고 있습니다.

구글은 오는 8월 31일부터 모든 쇼핑 캠페인의 '지역 제품' 설정을 자동으로 활성화하며, 기존의 enable_local 필드를 통한 비활성화 기능을 중단합니다. 이에 따라 광고주는 인벤토리 필터나 리스팅 범위를 조정하여 온·오프라인 재고를 분리 관리하는 새로운 전략을 도입해야 합니다.

구글이 리드 폼 에셋(Lead Form Assets) 사용을 위한 누적 광고비 5만 달러 지출 요건을 삭제하고, 자피어(Zapier) 연동 등 데이터 수신 방식을 확대했습니다. 이번 업데이트는 소규모 광고주의 접근성을 높이는 동시에 리드 품질 향상과 자동화된 워크플로우 구축에 초점을 맞추고 있습니다.

PPC 마케터들이 성과를 부풀리기 위해 사용하는 왜곡된 지표(전기 전환 유형 혼동, 오래된 CTR 기준 등)의 위험성을 경고하며, 비즈니스 실질 결과에 집중한 정직한 보고 방식의 중요성을 다룹니다. 데이터의 수치 자체보다 그 이면의 맥락과 질적 가치를 전달하는 것이 진정한 전문가의 역할임을 강조합니다.

구글 태그 매니저에 구글 애즈 구매 전환 추적을 돕는 새로운 '가이드형 설정(Guided Setup)' 기능이 베타로 출시되었습니다. 이 기능은 태그, 트리거, 변수 설정을 자동으로 구성하여 사용자의 수동 작업을 줄이고 설정 오류를 최소화하는 것을 목표로 합니다.

구글이 브랜드 리프트 연구(Brand Lift Study)의 측정 옵션을 표준형과 향상된 버전으로 이원화하여 광고주에게 선택권을 넓혔습니다. 광고주는 더 높은 예산을 투입하는 대신 더욱 민감하고 정밀한 캠페인 성과 측정 기능을 활용할 수 있습니다.

기존 검색 엔진이 페이지의 권위와 관련성을 기준으로 순위를 매겼다면, 최신 AI 검색은 사용자의 맥락에 맞춘 개인화된 답변을 생성하는 데 집중합니다. 이제 검색과 소셜 미디어의 경계가 허물어지며, 브랜드는 유튜브, 레딧, 틱톡 등 다양한 플랫폼의 데이터를 통합적으로 관리하여 AI의 추천 대상이 되어야 합니다.

구글이 기존의 별도 대시보드를 사용하던 로컬 서비스 광고(LSA)를 구글 애즈의 퍼포먼스 맥스 인터페이스로 통합합니다. 이를 통해 광고주는 구글 비즈니스 프로필과 연동된 자동화된 캠페인 관리가 가능해지며, 검색 및 지도에서의 리드 기반 광고 모델은 그대로 유지됩니다.

구글 광고의 수많은 조합 중 저품질 소재가 예산을 낭비하는 것을 막기 위해 MOCA 프레이워크를 통한 사전 평가를 제안합니다. 이 프레임워크는 타겟을 유인하고 비타겟을 밀어내는 'Magnetic' 요소와 누구나 즉시 이해할 수 있는 'Obvious' 요소를 핵심으로 합니다.

기술적 SEO 작업은 무조건적인 최적화보다 비즈니스 임팩트를 기준으로 우선순위를 정하는 것이 핵심입니다. 단순한 도구의 경고 해결이나 지표 달성을 위한 작업은 개발 리소스 낭비가 될 수 있으므로, 매출이나 전환율 등 측정 가능한 ROI를 증명할 수 있는 작업에 집중해야 합니다.

Meta 광고 예산을 일일 예산으로 잘못 설정하여 의도치 않은 과다 지출이 발생했으나, 투명한 사과와 프로세스 개선을 통해 고객 관계를 유지한 사례를 다룹니다. 또한 GA4 전환 추적 오류의 위험성과 AI를 보상 도구로 활용하는 올바른 방향성을 제시합니다.

구글은 AI 오버뷰(AI Overviews) 섹션에 뉴스 업데이트와 탑 스토리 캐러셀 기능을 도입했습니다. 이 기능은 급변하는 주제에 대해 신뢰할 수 있는 소스의 최신 정보를 강조하여 사용자에게 제공하며, 검색 결과에서 웹 사이트로의 유입을 돕는 것을 목표로 합니다.

구글은 Google Merchant Center를 사용하지 않고도 비즈니스 데이터 피드를 Demand Gen 캠연에 연결할 수 있는 새로운 기능을 출시했습니다. 이를 통해 여행, 부동산, 자동차 등 리테일 외 산업군에서도 고객 관심사와 재고 상황에 맞춘 다이나믹 광고를 효율적으로 송출할 수 있게 됩니다.

구글은 자사의 AI 검색 기능이 매주 수십억 건의 클릭을 외부 웹사이트로 전달하며, 이는 기존의 트래픽 감소 우려와 상반되는 결과라고 주장했습니다. 그러나 업계에서는 AI 개요(AI Overviews) 도입 이후 제로 클릭 비율이 증가하고 실제 클릭수가 급감했다는 연구 결과가 엇갈리며 데이터 투명성에 대한 의구심을 제기하고 있습니다.

SEO 팀이 주로 사용하는 순위, 트래픽, 노출수 같은 지표는 내부 운영용으로는 유용하지만 경영진에게 비즈니스 가치를 입증하기에는 부족한 허상 지표입니다. 따라서 SEO KPI를 기업의 매출 및 수익성 목표와 직접 연결하고, AI 검색 환경에서도 전환 중심의 성과를 측정하는 체계적인 접근이 필요합니다.

구글, 메타 등 광고 플랫폼의 전환 데이터가 일치하지 않는 이유는 각기 다른 어트리뷰션 윈도우, 참여 정의, 그리고 뷰스루(View-through) 측정 방식 때문입니다. 플랫폼은 자사 성과를 높게 보고하여 광고 집행을 유도하려는 구조적 인센티브를 가지고 있으므로, 숫자의 불일치를 오류로 보기보다 각 매체의 측정 로직을 이해하고 의사결정에 활용하는 것이 중요합니다.