현상: AI가 '보기' 시작했다
불과 얼마 전까지 AI 검색은 텍스트의 세계였다. 사용자가 질문을 입력하면 AI는 웹 문서의 글자를 읽고 요약해 답을 만들었다. 그러나 판이 바뀌고 있다. GPT-4o, Gemini, Claude 등 주요 모델이 멀티모달(multimodal) 능력을 기본 탑재하면서, AI는 이제 이미지를 '보고' 영상을 '이해'한다.
이 변화는 검색 결과에 직접 나타난다. Google AI Overview와 AI Mode는 답변 안에 관련 이미지·동영상을 함께 배치하고, Perplexity는 답변 상단에 시각 자료를 노출한다. 사용자가 스마트폰 카메라로 사물을 찍어 "이거 뭐야, 어디서 사"라고 묻는 검색도 일상이 됐다. 텍스트가 아닌 픽셀과 프레임이 검색의 입력이자 출력이 되는 시대다.
의미: '인용의 대상'이 확장된다
GEO(생성형 엔진 최적화)의 핵심은 'AI 답변에 인용되는 것'이다. 그동안 이 인용의 대상은 잘 쓰인 텍스트 콘텐츠였다. 멀티모달 검색은 이 정의를 넓힌다. 이제 이미지와 영상 자체가 인용의 단위가 된다.
왜 이것이 게임체인저인가
- 정보 밀도가 높은 콘텐츠의 부상 — 인포그래픽, 제품 비교표 이미지, 시공 전후 사진처럼 '한 장으로 설명되는' 콘텐츠가 강력한 인용 후보가 된다.
- 텍스트가 약한 업종의 반전 기회 — 시각 결과물이 본질인 인테리어, 웨딩, 음식점, 디자인 업종은 이미지·영상으로 존재감을 증명할 수 있다.
- 검증 신호로서의 시각 자료 — AI는 주장을 뒷받침하는 근거를 선호한다. 실제 사진·시연 영상은 텍스트 주장보다 강한 신뢰 신호가 될 수 있다.
AI는 이미지·영상을 어떻게 이해하는가
AI가 시각 자료를 인용하려면 먼저 그것을 '이해'해야 한다. 여기서 오해가 생긴다. 예쁜 사진을 올리면 될 것 같지만, 실제로 AI의 이해를 돕는 것은 이미지를 둘러싼 맥락 정보다.
| AI가 참고하는 신호 | 실무 대응 |
|---|---|
| alt 텍스트·파일명 | 내용을 서술하는 구체적 대체 텍스트, 의미 있는 파일명 |
| 주변 텍스트·캡션 | 이미지 바로 위아래에 설명 문단·캡션 배치 |
| 구조화 데이터(Schema) | ImageObject·VideoObject 스키마로 메타 정보 명시 |
| 영상 자막·트랜스크립트 | 자막 파일 제공, 본문에 스크립트 요약 게재 |
| 이미지 자체의 판독성 | 텍스트가 이미지 안에 있다면 선명하고 읽기 쉽게 |
즉 멀티모달 GEO는 '시각 자료 + 그것을 설명하는 텍스트 맥락'의 결합이다. 아무리 좋은 영상도 자막·설명이 없으면 AI에게는 '판독 불가한 덩어리'일 뿐이다.
시사점: 한국 기업이 지금 준비할 것
멀티모달 검색은 아직 초기 단계지만, 방향은 분명하다. 준비된 콘텐츠 자산을 가진 기업이 확장의 수혜를 먼저 받는다.
텍스트 GEO는 여전히 기본이다
오해하지 말아야 할 점. 멀티모달이 뜬다고 텍스트 GEO의 중요성이 줄어드는 것은 아니다. 오히려 시각 자료를 '해석 가능하게' 만드는 것이 텍스트이기 때문에, 잘 구조화된 텍스트 기반이 있어야 이미지·영상도 인용된다. 멀티모달은 텍스트 GEO의 '대체'가 아니라 '확장'이다.
측정 없이는 대응도 없다
문제는 이 모든 변화를 기업이 눈으로 확인하기 어렵다는 것이다. 우리 이미지가 AI 답변에 노출되는지, 경쟁사의 시각 콘텐츠가 먼저 인용되는지는 여러 AI 엔진을 일일이 확인하지 않으면 알 수 없다.
MindScope GEO는 한국어에 특화된 AI 검색최적화 플랫폼으로, ChatGPT·Gemini·Perplexity·Claude 등 6개 주요 AI 엔진에서 브랜드가 어떻게 노출·언급되는지 모니터링하고 개선 방향을 제시한다. 멀티모달로 확장되는 검색 환경에서 '우리가 지금 어디에 서 있는지'를 데이터로 확인하는 첫걸음으로, Free 플랜부터 부담 없이 시작할 수 있다.