한 쇼핑객이 ChatGPT에게 "민감성 피부를 위한 최고의 자외선 차단제"를 물어봐요. 그 한 문장 뒤에서, 모델은 단어 하나를 써서 답하기 전에 조용히 열 개나 열두 개의 더 작은 질문을 쏘아 올려요. 여러분 상품은 그중 대부분에 답하거나, 아니면 거의 하나도 답하지 못해요. 그 숨겨진 단계가 여러분이 추천 목록에 드는지를 결정해요.
TL;DR: AI 쇼핑 엔진은 query fan-out을 사용해 하나의 쇼핑객 질문을 8~12개의 서브쿼리로 쪼갠 뒤, 그 서브쿼리를 만족시키는 페이지들로부터 답을 조립해요. 속성이 다섯 개나 여섯 개인 상품 페이지는 표면 질의에만 맞기 때문에 져요. 깊고 구조화된 속성 데이터를 지닌 페이지는 서브쿼리에도 맞아요. Surfer SEO는 fan-out 서브쿼리에서 순위에 들 때 인용될 가능성이 161% 높고, AI에 인용된 페이지의 67.82%가 오가닉 상위 10위에 아예 들지 못한다는 것을 발견했어요.
대부분의 리테일러는 여전히 10년 전 Google을 생각하던 방식으로 AI 검색을 생각해요. 하나의 질의, 하나의 순위 목록, 최상위 자리를 차지하기. 그 사고 모델은 이제 틀렸고, 어떤 분석 대시보드에서도 결코 보이지 않을 배치를 조용히 여러분에게서 앗아가고 있어요. 그 사라짐 뒤의 메커니즘에는 이름이 있고, Google은 그것을 공공연히 사용해요.
AI 쇼핑에서 query fan-out이란 무엇인가요?
query fan-out은 AI 검색 시스템이 단일 사용자 질의를 여러 개의 병렬 서브쿼리로 분해하고, 각각을 자신의 색인에 대해 실행한 뒤, 그 결과를 하나의 답으로 종합하는 과정이에요. Google은 이 용어를 I/O 2025에서 소개하며, AI Mode를 "여러분의 질문을 하위 주제로 쪼개고 동시에 다수의 질의를 발행하는" 것으로 설명했어요.
그 숫자는 대부분의 판매자가 짐작하는 것보다 커요. 전형적인 AI Mode나 ChatGPT 쇼핑 질문은 812개의 서브쿼리를 쏘아요. 딥리서치 요청은 수백 개를 쏠 수 있어요. iPullRank의 분석에 따르면, AI 검색 질의는 고전적 검색의 34개 단어와 대비해 평균 70~80개 단어의 의도를 담는데, 엔진이 여러분의 짧은 질문을 여러분이 결코 입력하지 않은 훨씬 풍부한 니즈의 집합으로 확장하기 때문이에요.
실질적인 효과는 이래요. 엔진은 더 이상 여러분 페이지를 쇼핑객이 사용한 단어에 맞추지 않아요. 여러분 페이지를 쇼핑객이 의도한 것에 맞춰요.
실제 쇼핑 질의에서 fan-out이 펼쳐지는 방식
"민감성 피부를 위한 최고의 자외선 차단제"를 가지고 그것이 어떻게 분해되는지 지켜보세요. 현대적인 엔진은 그 문구를 검색하지 않아요. 이런 모습일 수 있는 서브쿼리의 펼침을 생성해요.
- 민감성 피부에는 미네랄 자외선 차단제가 나은가, 화학 자외선 차단제가 나은가?
- 어떤 자외선 차단제가 무향이고 논코메도제닉인가?
- 매일 얼굴에 사용하기에 권장되는 SPF는 무엇인가?
- 이 제형들은 산호초 안전한가?
- 어떤 자외선 차단제가 주사(rosacea)나 습진에 안전한가?
- 메이크업 아래에서의 질감과 마무리는 어떤가?
- 소아용이나 아기 안전 옵션이 있는가?
각 서브쿼리는 그 특정 정보를 담은 페이지에서 답을 얻어요. 여러분의 자외선 차단제가 민감성 피부에 완벽한 상품일 수도 있어요. 하지만 여러분 상품 페이지가 제목, 가격, 마케팅 문장 두 개, 대표 이미지 하나만 나열한다면, 정확히 그 서브쿼리 중 하나에 답하고 나머지 여섯 개에는 조용히 실패해요. 엔진은 일곱 개 중 여섯 개에 답한 페이지들로부터 추천을 조립해요. 여러분은 그 집합에 없어요.
이것이 상품이 객관적으로 훌륭한데도 보이지 않을 수 있는 이유예요. fan-out은 가장 좋은 상품을 보상하지 않아요. 가장 잘 묘사된 상품을 보상해요.
빈약한 상품 페이지가 fan-out에 실패하는 이유
핵심 문제는 속성 격차예요. 대부분의 이커머스 상품 페이지는 구조화된 속성을 다섯에서 여덟 개 담고 있어요. AI 엔진이 생성하는 서브쿼리는 으레 서른 개 이상을 요구해요. 소재 구성, 사용 사례, 호환성, 인증, 성분 플래그, 사이즈와 핏 세부사항, 관리 지침, 비교 차원, 대상 적합성 등이요.
AI 검색이 오가닉 페이지를 인용할 때, 그렇게 인용된 페이지의 67.82%는 주요 질의에 대해 오가닉 상위 10위에 들지 못해요(Surfer SEO). 헤드라인 키워드가 아니라 fan-out 서브쿼리에서 순위에 드는 것이 인용을 얻어내는 것이에요.
그 통계는 Surfer SEO가 173,902개 URL을 분석한 연구에서 나온 것인데, 이 연구는 주요 질의와 그 fan-out 서브쿼리 모두에서 순위에 드는 페이지가 주요 질의에서만 순위에 드는 페이지보다 인용될 가능성이 161% 높다는 것도 발견했어요. 검색은 페이지 단위가 아니라 문단 단위로 일어나요. 엔진은 각 서브쿼리에 답하는 특정 문단이나 속성을 뽑아내므로, 산호초 안전 인증을 이미지 안에 묻어두거나 아예 생략한 페이지는 그 서브쿼리에 대해 그저 존재하지 않는 셈이에요.
특히 커머스에서, 이것은 최적화를 재구성해요. 일은 더 이상 페이지의 순위를 매기는 것이 아니에요. 상품의 모든 차원을 독립적으로 검색 가능하게 만드는 것이에요.
query fan-out 대 전통적 SEO: 실제로 무엇이 바뀌었나
페이지 단위 순위에서 문단 단위 검색으로의 전환은 "최적화됨"이 무엇을 의미하는지를 바꿔요. 아래 표는 옛 모델을 fan-out 모델과 대응시켜, 기존 SEO 작업이 어디서 도움이 되고 어디서 여러분을 노출된 채로 남겨두는지 볼 수 있게 해줘요.
| 차원 | 전통적 SEO | query fan-out 시대 |
|---|---|---|
| 경쟁의 단위 | 페이지 | 문단 또는 속성 |
| 무엇을 위해 최적화하는가 | 하나의 헤드 키워드 | 8~12개로 분해된 서브쿼리 |
| 승리 신호 | 오가닉 상위 10위 순위 | 서브쿼리 전반의 커버리지 |
| 필요한 콘텐츠 깊이 | 순위에 들 만큼 | 모든 하위 의도에 답할 만큼 |
| 필요한 상품 데이터 | 5~8개 속성 | 30개 이상의 구조화된 속성 |
| 실패 유형 | 페이지 순위가 너무 낮음 | 페이지가 너무 적은 서브쿼리에 답함 |
전통적 SEO가 여기서 쓸모없는 건 아니에요. 순위는 여전히 검색 풀에 공급돼요. 하지만 하나의 키워드에서 순위에 드는 것은 이제 열두 문제짜리 시험에서 부분 점수예요. 이것이 generative engine optimization과 answer engine optimization의 핵심이에요. 여러분은 파란 링크가 아니라 종합을 위해 최적화하고 있어요.
fan-out 커버리지를 측정하는 방법
볼 수 없는 것은 고칠 수 없고, 표준 순위 추적기는 fan-out 커버리지를 보여주지 않아요. 그것들은 헤드 질의에서 여러분의 위치를 보고하고 여러분이 실패한 일곱 개의 서브쿼리를 놓쳐요. 여러분이 원하는 신호는 AI 상품 발견율이에요. 현실적인 분해된 쇼핑 질의 집합 전반에서, 여러분 상품이 실제로 얼마나 자주 노출되는가?
이것은 모니터링 도구가 페르소나 전반에 걸쳐 발견을 테스트할 때 실행하는 것과 같은 외부 fan-out 방법론이에요. 이 접근법은 단일 상품에 대해 수동으로 복제하기도 간단해요. 쇼핑객 질문이 생성할 8~12개의 서브쿼리를 적어낸 다음, 여러분 상품 페이지가 각각에 명확하고 구조화된 답을 담고 있는지 확인하세요. 발견하는 격차가 오늘 여러분이 지고 있는 서브쿼리예요. 이를 위해 만들어진 모니터링 플랫폼들은 그 fan-out을 ChatGPT, Google AI Mode, Perplexity에 걸쳐 외부에서 실행하고 서브쿼리 단위로 커버리지를 보고하지만, 수동 버전으로도 가장 큰 구멍은 여전히 드러나요.
이번 주에 할 일
- 매출이 가장 높은 상품을 골라 그 fan-out을 매핑하세요. 그것에 대한 실제 쇼핑객 질문이 분해될 8~12개의 서브쿼리를 적어보세요. 여러분 페이지가 답하지 못하는 것들에 대해 정직해지세요.
- 속성 깊이를 감사하세요. 그 상품 페이지의 구조화된 속성을 세어보세요. 15개 미만이면 거의 확실히 여러 서브쿼리에 실패하고 있어요. 사용 사례, 소재, 호환성, 인증, 대상을 아우르는 30개 이상을 목표로 하세요.
- 묻힌 사실을 구조화되고 검색 가능한 텍스트로 옮기세요. 이미지나 PDF 안에 갇힌 인증, 성분 플래그, 핏 세부사항은 문단 단위 검색에 보이지 않아요. 엔진이 읽을 수 있는 구조화된 상품 데이터에 넣으세요.
- 순위가 아니라 커버리지를 확인하세요. 여러분의 서브쿼리를 ChatGPT와 Google AI Mode에 돌려보고 어떤 것이 여러분 상품을 노출하는지 기록하세요. 키워드 위치가 아니라 그 발견율을 시간에 걸쳐 추적하세요.
- 서브쿼리 가치로 우선순위를 정하세요. 어떤 서브쿼리는 다른 것보다 더 많은 구매 의도를 지녀요. 모든 것을 한 번에 다시 쓰기보다 상품 데이터 보강 워크플로를 사용해 의도가 높은 격차부터 고치세요.
자주 묻는 질문
query fan-out이란 무엇인가요?
query fan-out은 AI 검색 엔진이 하나의 사용자 질의를 8~12개의 병렬 서브쿼리로 나누고, 각각을 자신의 색인에 대해 실행한 뒤, 하나의 답으로 종합하는 것이에요. Google은 I/O 2025에서 AI Mode에 대해 이 메커니즘을 설명했어요. ChatGPT와 Perplexity 쇼핑 답변에도 적용돼요.
query fan-out이 이커머스에 왜 중요한가요?
엔진이 여러분 상품을 쇼핑객이 입력한 단어가 아니라 분해된 서브쿼리에 맞추기 때문이에요. 속성 데이터가 빈약한 상품 페이지는 표면 질의에만 답하고 나머지에 실패하므로, 상품 자체가 잘 맞는 경우에도 추천에서 빠져요.
AI 쇼핑을 위해 상품 페이지에는 속성이 몇 개 필요한가요?
대부분의 페이지는 구조화된 속성을 5~8개 담고 있어요. fan-out 서브쿼리는 으레 서른 개 이상을 요구하는데, 사용 사례, 소재, 인증, 호환성, 대상 적합성에 걸쳐요. 30개 이상 속성에 가까운 페이지가 더 많은 서브쿼리에 답하고 더 자주 노출돼요.
fan-out 시대에 전통적 SEO는 여전히 유용한가요?
네, 하지만 불완전해요. 순위는 검색 풀에 공급되지만, Surfer SEO에 따르면 AI에 인용된 페이지의 67.82%는 주요 질의에서 상위 10위에 들지 못해요. 단일 최상위 순위가 아니라 서브쿼리 전반의 커버리지가 인용을 얻어내는 것이에요.
내가 어떤 서브쿼리에서 지고 있는지 어떻게 알 수 있나요?
쇼핑객 질문이 생성할 서브쿼리를 적어낸 다음, 여러분 상품 페이지가 각각에 명확히 답하는지 확인하세요. 헤드 용어에서의 위치가 아니라 그 분해된 질의 전반의 발견율을 추적하면 구체적인 격차가 드러나요.
query fan-out은 Google, ChatGPT, Perplexity에 적용되나요?
네. Google은 AI Mode에 대해 그 메커니즘을 명명했고, 같은 분해·검색·종합 패턴이 ChatGPT와 Perplexity의 쇼핑 답변을 이끌어요. 서브쿼리 집합은 엔진마다 다른데, 그래서 커버리지는 하나에서 가정하기보다 세 곳 모두에 걸쳐 측정해야 해요.
이것에 적응하는 리테일러는 단일 키워드 순위에 집착하기를 멈추고 더 어려운 질문을 던지기 시작할 거예요. AI 엔진이 내 상품에 대해 알고 싶어 하는 열두 가지 중, 실제로 몇 개를 찾을 수 있는가? 여러분의 오가닉 위치가 아니라 그 숫자가, 쇼핑객이 기계에게 무엇을 살지 물었을 때 여러분이 목록에 드는지를 결정해요.