한 쇼핑객이 "소형 SUV 트렁크에 들어가면서 생후 6개월 아기에게 맞는 최고의 유모차가 뭐야"라고 입력해요. 그 한 문장은 검색 하나로 답해지지 않아요. 무대 뒤에서 AI 어시스턴트는 이것을 8~12개의 하위 질의로 분해하고, 병렬로 실행하고, 돌아온 문단(passage)에 점수를 매기고, 답변을 조립해요. 대부분의 상품 페이지는 원래 질의에 맞춰져 있고, 실제로 일을 하는 하위 질의에는 보이지 않아요.
TL;DR: query fan-out은 AI 검색 엔진이 하나의 쇼핑 프롬프트를 여러 개의 병렬 하위 질의로 쪼개는 데 사용하는 기법이에요. Google은 이것이 AI Mode를 구동한다고 확인했고 ChatGPT도 비슷한 분해를 사용해요. Surfer SEO가 173,902개 URL을 분석한 연구에 따르면, AI에 인용된 페이지의 68%는 상위 10개 자연 검색 결과에 오르지 못하지만, 메인 질의와 fan-out 하위 질의 모두에 순위가 오르는 페이지는 인용될 가능성이 161% 더 높아요. 커머스 팀에게 이것은 하나의 핵심어(head term)에만 최적화하는 것이 불완전하다는 뜻이에요. AI 어시스턴트가 실제로 발사하는 하위 질의에 대한 문단 단위 가시성이 필요해요.
Query Fan-Out이란, 쉬운 말로?
query fan-out은 AI 검색 시스템이 하나의 사용자 질문을 받아 여러 개의 더 좁은 하위 질의로 나누고, 각각을 인덱스에 대해 실행한 뒤, 그 결과를 하나의 답변으로 종합하는 과정이에요. Google은 AI Mode를 출시하며 I/O 2025에서 이를 직접 설명했어요. 시스템이 "여러분의 질문을 하위 주제로 분해"하고 "다수의 질의를 동시에 발사"한다고요. Deep Research 모드는 수백 개를 발사해요. 표준 AI Mode는 보통 8~12개를 발사해요.
ChatGPT도 그렇게 부르지는 않더라도 같은 일을 해요. 쇼핑객이 GPT-5.5에 복잡한 쇼핑 질문을 던지면, 모델은 필요한 차원(가격대, 사용 사례, 핏, 성분, 인증)을 나열하며 답변을 계획한 뒤, 각각에 대한 문단을 검색해요. 정확한 메커니즘은 내부적이지만, 겉으로 드러나는 동작은 Google 패턴과 일치해요. 페이지는 페이지 단위가 아니라 문단 단위로 평가돼요.
페이지 단위 순위에서 문단 단위 검색으로의 전환은 모바일 우선 인덱싱(mobile-first indexing) 이후 검색에서 가장 중대한 변화예요. 이것은 숫자를 돌려보는 모든 SEO 팀을 놀라게 하는 발견을 설명해줘요. Surfer SEO가 173,902개 URL을 분석한 연구에 따르면, AI Overviews에 인용된 페이지의 67.82%는 메인 질의에 대해 상위 10개 자연 검색 결과에 아예 오르지 못해요. 그들은 특정 하위 질의에 답하기 때문에 끌려 들어오는 거예요.
핵심 통계: AI에 인용된 페이지의 68%는 상위 10개 자연 검색 결과에 없어요. 메인 질의와 fan-out 하위 질의 모두에 순위가 오르는 페이지는 메인 질의에만 순위가 오르는 페이지보다 인용될 가능성이 161% 더 높아요(Surfer SEO, 2025년 12월).
이것이 커머스에 중요한 이유
커머스 질의는 오픈 웹에서 가장 밀도 높은 fan-out 타깃이에요. 단순한 "150달러 이하 평발용 최고의 러닝화"만 해도 이미 최소 일곱 개의 하위 질의를 함축해요. 아치 서포트 유형, 회내(pronation) 제어, 쿠셔닝, 브랜드 선택지, 최근 리뷰, 가격대, 사이즈 신뢰성이요. 가전, 유모차, 스킨케어 제품에 대한 복잡한 질의는 손쉽게 열두 개로 펼쳐질 수 있어요.
각 하위 질의는 서로 다른 문단에서 답해져요. "최고의 유모차가 뭐야" 하위 질의에서 이기는 상품 페이지가 "Subaru Forester 트렁크에 맞아" 하위 질의에서는 질 수 있어요. 그 세부가 페이지에 없거나, 검색 시스템이 절대 보지 못하는 리뷰 캐러셀에 묻혀 있기 때문이에요. 쇼핑객은 답변 하나를 봐요. 브랜드는 부분 인용, 경쟁사 상품 카드, 혹은 아무것도 보지 못해요. 이것이 generative engine optimization이 다루는 표면이에요.
이 패턴은 커머스 팀이 보고하는 좌절도 설명해줘요. 그들은 고전적 Google에서 핵심어에 잘 순위가 올라요. 그런데 AI 트래픽은 정체돼 있거나 줄어요. 고전 SEO는 페이지를 하나의 질의에 대해 채점하는 반면, AI 검색은 문단을 여러 질의에 대해 채점해요. 한 질의에서 이기고 나머지 열한 개에서 침묵하는 페이지는 잘해야 인용 슬롯 하나, 흔히 0개를 얻어요. 종합기(synthesizer)가 여러 하위 질의에 걸쳐 답변을 보강하는 페이지를 선호하기 때문이에요.
AI가 커머스 질의를 분해하는 방식 (실제 예시)
쇼핑객이 "40달러 이하 민감성 피부용 최고의 무향 모이스처라이저"를 AI Mode나 ChatGPT에 보낼 때 무슨 일이 일어나는지 보세요. 모델은 다음과 같은 fan-out 하위 질의 집합처럼 보이는 계획을 내놔요.
| 하위 질의 | 여러분 상품 페이지에서 무엇을 테스트하는가 |
|---|---|
| 최고의 무향 모이스처라이저는 무엇인가? | 여러분 제목과 주요 설명에 "무향"이 포함돼 있는지 |
| 민감성 피부용 최고의 모이스처라이저는? | 여러분 구조화 속성이 민감성 피부 적합성을 표시하는지 |
| 저자극 모이스처라이저에서 찾아야 할 성분 | 여러분 성분 목록이 이미지가 아니라 파싱 가능한지 |
| 예산대의 모이스처라이저 리뷰 | 여러분 가격이 장바구니 페이지뿐 아니라 피드와 구조화 데이터에 있는지 |
| 피부과 추천 무향 옵션 | 추천이나 인증이 카피에 노출되는지 |
| CeraVe, Vanicream, La Roche-Posay 비교 | 여러분이 서드파티 비교 콘텐츠에 나타나는지 |
| 어떤 성분이 민감성 피부를 자극하는가? | 여러분의 "피해야 할 것" 카피가 페이지에 있는지 |
| 오래가는 모이스처라이저 보습 주장 | 주장이 리뷰된 속성으로 뒷받침되는지 |
대부분의 상품 페이지는 이 중 두세 개, 주로 핵심어에 해당하는 것만 답해요. 인용되는 페이지는 여섯 개 이상 답하는 경향이 있어요. 그것이 가시성 격차예요. 그것은 또한 브랜드가 자기 AI 표면을 감사할 때 부딪히는 상품 카드 대 언급(product-card-vs-mention) 격차이기도 해요. 80%의 경우 언급되고, 이미지와 가격이 있는 카드로 노출되는 것은 30%예요. 어시스턴트가 카드를 렌더링하는 데 필요한 구조화 데이터가 어시스턴트가 찾는 곳에 없기 때문이에요.
이것이 최적화에 의미하는 것
문단 단위 검색이 규칙이고 fan-out이 그 메커니즘이라면, 커머스 최적화는 고전 SEO 위에 세 가지 새 규율이 필요해요. 첫째는 하위 질의 매핑이에요. 모든 우선순위 SKU에 대해, AI 어시스턴트가 발사할 8~12개의 하위 질의를 나열하고 각각에 대해 여러분 페이지를 채점하세요. 이것은 answer engine optimization이 FAQ 페이지에 쓰는 것과 같은 로직을 상품 상세 페이지에 적용하는 거예요.
둘째는 구조화 상품 데이터의 깊이예요. 속성 다섯 개짜리 상품 페이지는 하나둘의 하위 질의를 우연히 이겨요. 잘 정의된 속성 서른 개짜리 상품 페이지는 여섯에서 여덟 개를 의도적으로 이겨요. 구조화 상품 데이터는 검색 시스템이 신뢰하는 입력이에요. 모호하지 않고, 기계가 파싱할 수 있고, 리스팅 전반에 일관되기 때문이에요. 저희가 상품 데이터 인프라 게시글에서 다룬 것처럼, Google 자체 가이드도 이를 직접 반영해요.
셋째는 문단 단위 모니터링이에요. 어떤 하위 질의가 여러분 상품을 반환하고 어떤 것이 반환하지 않는지를 카테고리별, 페르소나별, AI 표면별로 추적하세요. AI 가시성 모니터링 도구들은 카테고리 프롬프트를 fan-out 하위 질의로 분해하고 각각에 대해 가시성을 채점해요. 핵심은 모든 하위 질의를 이기는 게 아니에요. 핵심은 어떤 것을 지는지 보고, 어떤 것을 먼저 고칠 가치가 있는지 결정하는 거예요.
이것이 또한 고전 SEO와 AI 검색이 중반전에서는 수렴하고 종반전에서는 갈라지는 이유예요. 고전 SEO는 여전히 깨끗한 핵심어 페이지를 보상하고, 그 트래픽은 여전히 실재해요. 하지만 인용 점유율(citation share), 즉 여러분 브랜드가 AI 답변에서 추천되는 브랜드가 되는지를 결정하는 새로운 통화는 문단 단위에서, 여러분이 키워드로 겨냥한 적조차 없을 수 있는 하위 질의 위에서 결정돼요.
이번 주에 할 일
- 우선순위 SKU 다섯 개를 고르세요. 각각에 대해 쇼핑객이 쓸 핵심어 질의를 적으세요. 그런 다음 그 핵심어가 펼쳐지는 8~12개의 하위 질의를 나열하세요. Google AI Mode나 ChatGPT로 목록을 생성하세요.
- 각 SKU 페이지를 문단 단위로 채점하세요. 각 하위 질의에 대해, 답이 페이지에 평문으로 있는지, 구조화 데이터에 있는지, 이미지 alt 텍스트에 있는지, 아니면 빠졌는지 표시하세요. 빠진 항목이 여러분의 우선순위 수정 목록이에요.
- 속성 깊이를 감사하세요. 각 페이지의 구조화 속성 수를 세세요. 15개 미만이면 의미 있는 격차예요. 사용 사례, 알레르기 유발 물질, 핏 노트, 인증, 호환 액세서리, 사이징을 포함해 25~30개를 목표로 하세요.
- 같은 SKU를 AI 쇼핑 어시스턴트에 직접 돌려보세요. 어디서 상품 카드로 나타나는지, 어디서 이름으로 언급되는지, 어디서 경쟁사가 이기는지 기록하세요. 카드 대 언급 격차는 보통 빠진 피드 데이터로 거슬러 올라가기 때문에 가장 고치기 쉬운 격차예요.
- 문단 단위 모니터링 기준선을 설정하세요. 핵심어만이 아니라 하위 질의별 인용률을 추적하세요. 매월 재측정하세요. 향후 18개월을 이기는 브랜드는 페이지 순위 대시보드가 아니라 하위 질의 대시보드로 운영할 거예요.
자주 묻는 질문
query fan-out은 query expansion과 같은 건가요?
아니요. 고전적인 query expansion은 같은 의도에 대해 더 많은 문서를 회수하려고 단일 검색에 동의어나 근접 변형을 더해요. fan-out은 복잡한 프롬프트를 서로 다른 측면을 테스트하는 여러 개의 구별되는 하위 질의로 분해하고, 각각에 대해 문단을 검색한 뒤, 여러 출처에서 하나의 답변을 종합해요.
AI Mode나 ChatGPT는 보통 몇 개의 하위 질의를 발사하나요?
Google은 AI Mode가 "다수의 질의를 동시에 발사"하고 Deep Research는 수백 개를 발사할 수 있다고 밝혔어요. 실제로 표준 커머스 프롬프트에서 관찰된 범위는 복잡도, 도메인, 어시스턴트의 추론 깊이에 따라 최상위 질문당 8~12개의 하위 질의 사이에 있어요.
핵심어에 대한 Google 순위는 여전히 중요한가요?
네, 하지만 불완전해요. 같은 Surfer SEO 연구에서 AI Overview 인용의 51%는 메인 질의와 최소 하나의 fan-out 하위 질의 모두에 순위가 오른 반면, 20%만이 메인 질의에만 순위가 올랐어요. 핵심어 순위는 인용 점유율에 필요하지만 충분하지는 않아요.
하위 질의에 대한 답이 내 상품 페이지에 없으면 어떻게 되나요?
검색 시스템은 그 하위 질의에 대해 여러분 페이지를 건너뛰거나, 리뷰 사이트, 비교 기사, 경쟁사 상품 페이지 같은 서드파티 출처에서 문단을 가져와요. 그 서드파티 인용이 여러분 카테고리에 대한 AI의 최종 답변을 빚어내요. 종종 여러분 브랜드 없이요.
구조화 데이터만으로 이걸 해결할 수 있나요?
아니요. 필요하지만 충분하지는 않아요. 구조화 데이터는 사실 기반 하위 질의(가격, 핏, 사이즈, 인증)에서 여러분의 하한선을 올려줘요. "겨울 민감성 피부에 좋은가" 같은 서술형 하위 질의에는 도움이 되지 않는데, 이런 것은 잘 쓰인 본문 카피와 리뷰 콘텐츠도 필요해요.
이것이 전통적 SEO와 어떻게 다른가요?
전통적 SEO는 페이지를 하나의 질의에 대해 최적화하고 순위는 페이지 단위에서 결정돼요. AI 검색은 여러 하위 질의에 대해 문단을 병렬로 검색해 최적화하고 인용은 문단 단위에서 결정돼요. 단위가 "페이지"에서 "문단"으로 옮겨가고, 지표가 "순위"에서 "인용률"로 옮겨가요.
오늘 fan-out에 주목하는 브랜드는 여전히 상위 10개 자연 검색 위치로 자기를 채점하는 브랜드보다 더 정교한 최적화를 하고 있어요. Surfer의 숫자는 커머스 질의가 2027년까지 어떻게 답해질지에 대한 예보이고, 상품 페이지를 하나의 순위 표면이 아니라 문단의 포트폴리오로 취급하는 팀을 보상해요.