구글 검색과 챗GPT의 엔티티 매핑 적용 차이

주장엔티티 매핑은 구글 검색 엔진에서 유효한 전략이지만 챗GPT와 같은 거대 언어 모델(LLM)에는 직접적인 영향을 미치지 못합니다. 업계는 두 시스템을 동일한 전술로 묶어 설명하지만 실제 작동 원리는 완전히 다릅니다.

팩트구글은 2012년 '문자열이 아닌 사물(things, not strings)'이라는 기치 아래 지식 그래프를 도입했습니다. 이 시스템은 구조화된 데이터와 제3자의 신뢰할 수 있는 언급을 통해 엔티티를 식별하고 노드를 구축합니다.

교차검증구글의 지식 그래프는 신뢰를 기반으로 하는 시스템이므로 단순히 웹사이트에 스키마 마크업을 추가하는 것만으로는 엔티티 노드가 생성되지 않습니다. 독립적이고 권위 있는 외부 출처들이 동일한 정보를 반복적으로 언급해야 구글 시스템이 이를 실제 엔티티로 인정합니다.

주장구글의 지식 그래프와 달리 챗GPT와 같은 언어 모델은 고정된 노드나 데이터베이스를 가지고 있지 않습니다. 모델의 지식은 학습 과정에서 생성된 매개변수(weights) 내에 분산된 통계적 패턴으로 존재합니다.

팩트언어 모델은 학습 시 수십억 개의 문맥을 읽고 브랜드에 대한 통계적 형태를 인코딩합니다. 이 과정에서 스키마 블록이나 'sameAs' 링크와 같은 구조화된 코드는 모델의 학습에 직접적인 영향을 주지 않습니다.

교차검증모델이 특정 브랜드나 엔티티를 기억하게 하려면 웹사이트 내부의 마크업보다 외부의 신뢰도 높은 언급이 훨씬 중요합니다. 모델은 웹 전체에서 반복되고 일관되게 언급되는 정보를 통해 학습하기 때문입니다.

주장엔티티 매핑의 핵심 단위인 '주어-술어-목적어' 형태의 트리플 구조는 언어 모델 내부에서 저장되거나 처리되지 않습니다. 모델 내부의 지식은 인간이 이해하기 쉬운 그래프 형태가 아닌 복잡하고 분산된 신경망 구조로 존재합니다.

팩트연구 결과에 따르면 언어 모델 내에서 엔티티 지식과 관계 지식은 서로 다른 영역에 저장되며 서로 매핑되지 않습니다. 따라서 인간이 설계한 엔티티 그래프는 모델의 내부 구조를 설명하는 데 적합하지 않습니다.

교차검증검색 기능이 활성화된 챗GPT는 웹 검색을 통해 구조화된 페이지를 읽어올 수 있지만 검색을 끄면 모델의 학습 데이터에 충분히 포함되지 않은 브랜드는 답변에서 제외됩니다. 이는 구조화된 데이터가 모델의 내부 지식(parametric memory)을 직접 수정하지 못함을 증명합니다.

주장마케팅 담당자들은 엔티티 마크업의 완성도에 집착하기보다 모델이 신뢰하는 외부 플랫폼에서의 인지도와 언급을 확보하는 전략으로 전환해야 합니다. 구조화된 데이터는 구글 검색을 위한 도구일 뿐 AI 모델의 지식을 직접 통제하는 수단이 아닙니다.

출처서치 엔진 저널(Search Engine Journal)의 '엔티티 매핑이 구글에서 작동하는 방식과 챗GPT에 미치는 영향' 보고서를 교차 검증했습니다.