가짜 통계 5만 개가 ChatGPT 검색에 인용됐다

ChatGPT가 인용한 가짜 통계 5만 개를 만든 뒤 7개월 동안 AI 검색에서 벌어진 일을 살펴봤다. 구글은 사이트를 색인에서 제외했지만, ChatGPT는 여전히 페이지를 가져오고 있으며 가짜 수치는 학술 논문과 금융기관의 투자 조사에도 등장했다.

약 7개월 전 통계 5만 개를 올린 웹사이트를 만들었다. 통계는 하나도 사실이 아니었다. 구글은 사이트를 사실상 잊고 페이지를 색인에서 제외했지만, ChatGPT는 그러지 않았다. 사이트를 공개한 뒤 AI 세션이 1만 건 넘게 유입됐고, Shopify, Bluehost, DHL을 포함한 330개 이상의 도메인이 링크했다. 조작한 수치는 학술 논문과 한 은행의 투자 조사에도 실렸다.

Peec AI와 업계에서는 생성형 엔진 최적화(GEO)와 검색 엔진 최적화(SEO)를 매일 논의하며 새로운 전략을 찾는다. 이 통계 페이지 실험은 그 과정에서 오랫동안 진행해 온 작업이다. 실험이라는 점은 분명하지만, 결과를 무시하기 어려웠다.

가짜 통계를 올린 이유

통계를 웹사이트에 대량으로 심는 발상은 대규모 언어 모델(LLM), 관련성 엔지니어링, 그라운딩에 관해 이어 온 연구에서 나왔다. 이 과정에서 iPullRank 팀, 댄 페트로비치(Dan Petrovic), 윌 레이놀즈(Will Reynolds)에게 공을 돌렸다.

LLM을 이용해 시의성이 중요한 글이나 속보성 콘텐츠를 쓰는 팀이 늘면서, 모델은 조사 과정에서 지식의 빈틈을 채우기 위해 (겉보기에는) 믿을 만한 자료를 찾는다. 통계는 모델이 특히 자주 찾는 자료다.

GEO 조언은 대체로 브랜드가 AI 답변에 노출되는 순간에 초점을 맞춘다. 이번 실험은 답변이 나온 뒤를 살펴본다. 사람들이 그 내용을 발표 자료에 넣고, 쇼핑 목록에 추가하고, 웹사이트에 게시하면 어떤 일이 벌어지는가 하는 문제다.

이 실험을 혼자 생각해 낸 것은 아니다. Seer Interactive가 2025년 8월에 공개한 주목할 만한 연구가 생각을 발전시키는 계기가 됐다. 몇 달 뒤 그 생각을 실행 과제로 올렸고, 2026년 3월 아이디어를 시험할 사이트를 만들기 시작했다.

사이트 구성과 실험 결과

새 도메인 stateglobe.com을 구입하고 GPT-4.1로 하루 만에 통계 페이지 5만 개를 만들었다. 사이트는 SEO, 콘텐츠 마케팅, 소셜 미디어, 전자상거래, 웹 기술에 관해 200개국의 통계를 제공하는 것처럼 보였다. 하지만 숫자는 모두 지어낸 것이었고 하나도 확인하지 않았다. 기본적인 AI 웹 디자인 템플릿으로 페이지를 게시하는 데 약 30달러가 들었다. 이후 통계에 관한 목록형 글 1만 5,000개를 추가하는 데 약 20달러가 들었다. 총비용은 약 50달러였다.

처음 실험을 공개했을 때 반응은 컸다. 지인 케빈이 Growth Memo에서 소개하면서 더 많은 사람에게 알려졌다. AI 검색 결과에 무엇이 들어갈지에 대한 우려를 건드리면서도 눈에 띄는 결과를 보인 점이 큰 반응을 얻은 이유라고 봤다.

사이트를 공개했을 당시 트래픽과 색인, 참여도는 처음에 좋았다. 색인 도구를 이용해 일주일 안에 사이트 대부분을 색인했고, 구글 검색 결과에도 나타나기 시작했다. 그러나 공개 직후 구글 업데이트 두 차례가 나온 뒤 검색 노출이 급감했다. 이후 여러 달 동안 구글에서 거의 보이지 않았다. 색인된 페이지의 노출 수는 5~20회 사이를 오갔다. 노출을 늘릴 수 있는지 알아보려고 서브도메인도 만들었지만 큰 도움이 되지 않았다.

그 외에는 사이트를 손대지 않았다. 지금은 일부 페이지가 때때로 열리지 않을 수도 있지만, 그 여부는 알지 못한다. 공개 7개월 뒤 Cloudflare 크롤링 데이터를 확인하자 지난 30일 동안 봇 요청이 60만 건을 넘었다. 그중 약 7만 2,000건은 ChatGPT-User에서 왔다. 이는 ChatGPT가 답변을 작성하면서 실시간으로 페이지를 여는 데 쓰는 에이전트다. 따라서 이 요청은 학습용 크롤링이 아니라, 실제 질문에 답하려고 ChatGPT가 가짜 통계 페이지를 가져간 사례다.

구글과 달리 ChatGPT는 사이트에서 정보를 가져오는 일을 멈추지 않았다. Ahrefs와 Semrush에 따르면 공개 7개월이 지난 지금도 다른 사이트 330곳 이상이 링크하고 있다. 여기에는 Shopify, DHL, Bluehost 같은 유명 브랜드도 포함된다. 구글에서 좋은 성과를 냈다면 링크가 더 늘었을 수도 있다.

사이트는 지금도 ChatGPT에서 인용되고 유입을 얻는다. 3월 이후 GA4에는 ChatGPT에서 온 세션이 1만 건 넘게 기록됐다. Cloudflare에서도 검색·검색증강을 위한 가져오기 성과가 높게 나타났다. 다만 전체 방문에 직접 세션을 포함하지는 않았다. 대부분 봇 트래픽처럼 보였기 때문이다.

2026년 6월 Peec에 합류한 뒤에는 회사 도구에 몇 가지 프롬프트를 추적하는 가시성 대시보드도 설정했다. 추적한 프롬프트에서 성과는 여전히 강했다. 10월 7일 stateglobe.com은 해당 프롬프트의 가시성 순위에서 Statista 다음으로 2위였다.

검색 순위와 LLM의 정보 검색은 다르다

이번 실험에서 얻은 첫 번째 교훈은 구글에서 높은 순위를 차지하는 것과 LLM이 페이지를 가져올 수 있게 하는 일이 서로 다른 문제라는 점이다.

ChatGPT는 검색할 때 구글 상위 10개 결과를 그대로 복사하지 않는다. 프롬프트를 팬아웃 쿼리라고 부르는 하위 검색어로 바꾸고, 검색 출처와 자체 캐시에서 후보를 가져온 뒤 순위를 다시 매긴다. 그런 다음 답변의 근거를 만들기 위해 몇 개 페이지를 연다. 구글에서는 보이지 않는 페이지도 LLM 검색의 각 단계에서 좋은 성과를 낼 수 있다. StateGlobe는 구글의 노출이 줄어든 동안에도 AI 검색 봇이 계속 방문한 사례다.

GEO에서 구글 순위는 하나의 신호일 뿐 전체가 아니다. 구글만 추적하면 구글이 노출을 허용하지 않아도 작동할 수 있는 유입 경로를 놓친다.

가짜 수치가 실제 인용으로 이어졌다

정보 검색 도구에서 잘 노출되는 사이트의 내용이 실제로 퍼질 것이라고 예상할 수 있는데, 이번 실험에서도 그런 일이 벌어졌다. StateGlobe는 가장 저렴한 모델과 국가·주제 목록, 두 문장짜리 프롬프트로 만든 가짜 데이터만으로 구성됐다. 그런데도 다음과 같은 자료에 등장했다.

• 학술 논문에서 인용됐다.
• 카타르 최대 금융그룹의 투자 조사에 쓰였다.
• 인도의 경제 전문 매체가 인용했다.
• 캐나다 인플루언서 커뮤니티의 연구 보고서에서 출처로 사용됐다.

이 사례들은 StateGlobe로 연결되는 링크가 확인된 인용만 모은 것이다. 링크 없이 데이터를 사용한 사례도 더 있을 수 있다.

여기에는 불편한 함의가 있다. 첫날 StateGlobe의 가짜 수치는 새 도메인에 올라온 출처 불명의 통계였지만, 학술 논문이 인용하고 은행도 인용했다. 다음 사람이나 다음 모델이 그 수치를 발견하면 출처가 붙어 있고, 그 출처는 신뢰받는 기관에 인용된 것으로 보인다. 인용이 늘어도 가짜 데이터가 사실로 바뀌지는 않지만, 더 믿을 만해 보일 수 있다.

더 나쁜 상황도 가능하다. 검색과 인용이 이어지면 페이지가 웹 크롤링에 포함되고, 웹 크롤링 데이터는 학습 데이터에 들어갈 수 있다. 이 실험에서 나온 수치가 그렇게 되지 않았기를 바란다. GPT-4.1이 추측한 숫자가 다음 모델이 ‘아는’ 정보가 될 수도 있다.

이번 실험은 이런 더 큰 위험을 보여준다. 가짜 콘텐츠를 만드는 방법으로 공유하는 것이 아니라 연구 결과로 공개하는 이유도 여기에 있다. 출처 확인은 작가와 연구자의 업무 과정에서 필수적인 단계가 돼야 한다.

실제 자료로 다시 시험하다

Peec에서 일하기 시작한 뒤 GEO 연구팀과 지금까지의 결과를 논의하고 간단한 새 페이지를 만들었다. 이번에는 숫자를 지어내지 않았다. 모든 통계를 확인하고 출처를 제대로 표시했다. 페이지는 peec.ai/ai-search-geo-statistics에서 볼 수 있다.

거의 즉시 AI로 콘텐츠를 쓴다고 추정되는 사이트들이 그 페이지에 링크하기 시작했다. 두 번째 사이트에서도 통계 콘텐츠를 공개해 링크를 얻는 방식이 실제로 통했다. 이는 가능성만 있는 전략이 아니라, 두 차례의 시험에서 관찰한 결과다.

통계 페이지가 LLM 인용을 얻는 이유

두 실험은 LLM이 글을 써 달라는 요청을 받으면 통계를 적극적으로 찾는다는 점을 보여준다. 과정은 다음과 같다.

• LLM으로 작성하는 콘텐츠가 늘어난다.
• LLM은 글을 쓸 때 주제에 맞는 내용을 조사한다.
• 지식의 빈틈에 부딪히면 그 자리를 채울 숫자를 찾는다.

조사 과정에서 모델은 하위 검색어를 만들고 ‘통계’, ‘데이터’, ‘보고서’ 또는 프롬프트에서 요구한 경우 현재 연도 같은 단어를 덧붙인다. 예를 들어 원격근무에 관한 블로그 글을 써 달라는 요청에는 ‘2026 원격근무 통계’를 검색할 수 있다. 사람이 입력하는 검색어보다 모델이 검색할 문구에 맞춰 페이지를 구성하면 LLM 결과에 더 자주 나타날 수 있다.

‘원격근무가 늘고 있다’는 문장은 글에 인용해도 권위나 구체성이 크지 않다. 반면 ‘직원 X%가 일주일에 한 번 이상 원격으로 일한다’는 수치는 구체적이고 인용하기 쉬우며 글에 새로운 정보를 보탠다. 모델이 답변의 근거를 찾을 때 특정 숫자는 유용한 정보처럼 보인다. 그러나 이번 실험이 보여주듯 그 숫자가 사실이라는 보장은 없다.

검색 결과를 근거로 글을 쓰는 LLM 시스템은 지연 시간과 비용을 제한해야 한다. 시스템은 몇 개 페이지를 가져와 관련 문단을 추린 뒤 글을 작성한다. 이 과정에서 사실 확인은 이뤄지지 않는다. 통계 하나를 확인하려면 독립된 출처를 찾고 서로 비교해 불일치를 해결해야 한다. 수십억 건의 프롬프트와 수백만 명의 이용자를 대상으로 이를 모두 수행하면 시간과 비용이 커져 실제로 적용하기 어렵다.

이를 대신해 LLM은 관련성을 점수화하는 재순위 모델을 사용하지만, 진위를 평가하지는 않는다. 따라서 검색어와 잘 맞고 권위 있어 보이는 문단은 답변에 쓰일 수 있다.

통계 페이지에는 모델이 선호하는 최신성 신호도 들어가기 쉽다. 통계 페이지는 제목과 소제목, URL에 연도를 포함하는 경우가 많다. 이는 페이지 내용이 최신이라는 신호를 모델에 세 번 제공한다. ChatGPT의 최신성 편향에 관해서도 앞서 쓴 바 있다.

출처를 확인한 통계 페이지 만들기

두 차례의 실험은 통계 페이지가 LLM 인용을 얻는 데 효과적일 수 있음을 보여준다. 그렇다고 가짜 데이터를 만들 것을 권하지는 않는다. 실험에서 얻은 교훈을 활용해 실제 자료를 바탕으로 페이지를 만들 수 있다. Peec에서 효과를 본 방식과 다시 만든다면 적용할 방법은 다음과 같다.

• 문장마다 주장 하나만 담는다. 통계는 맥락에서 떼어 내도 뜻이 통해야 한다. 검색은 페이지 전체가 아니라 문단을 가져오므로, 숫자를 이해하는 데 앞 문단이 필요하다면 검색에 선택되지 않을 수 있다.
• 숫자 바로 옆에 출처와 연도를 적는다. 예를 들어 ‘출처에 따르면 X%…’처럼 쓴다. 이는 모델과 편집자에게 도움이 되고 신뢰성을 높인다. 정보의 정확성을 지키는 작은 방법이기도 하다.
• 소제목을 팬아웃 쿼리에 맞춘다. ‘[주제] 통계’, ‘[주제] 시장 규모’, ‘국가별 [주제] 도입’처럼 LLM이 인터넷에서 검색하는 방식에 맞춘다. 사람이 입력하는 키워드만 생각하지 말고 모델이 실행하는 쿼리를 고려한다.
• 업데이트 날짜를 표시하고 실제로 갱신한다. 최신성은 모델이 고려하는 신호다. 오래된 통계 페이지는 더 최신인 페이지에 밀릴 수 있다.
• 통계를 쉽게 가져갈 수 있게 한다. 데이터를 자바스크립트, 탭, 이미지 뒤에 숨기지 말고 서버 렌더링 HTML로 제공한다. robots.txt와 CDN 또는 WAF 규칙도 확인한다. 사이트가 모르는 사이 AI 검색 봇을 차단하고 있을 수 있다.
• 구성을 단순하게 유지한다. Peec AI의 GEO 통계 페이지는 사실상 목록이다. 다른 페이지도 그보다 복잡할 필요는 없다. 디자인 자원은 그 투자가 실제로 도움이 되는 사이트와 자료에 쓴다.
• 가능하면 독자적인 데이터를 더한다. 여러 자료를 모은 통계는 몇 차례 인용될 수 있지만, 다른 곳에 없는 내용을 제공하면 원출처가 될 수 있다.

페이지가 검색에 반영되는지 추적하는 법

Google Search Console로는 사이트를 방문하는 AI 봇의 활동을 확인할 수 없다. 대신 다음 항목을 추적한다.

• 서버 로그나 Cloudflare에서 AI 봇 활동을 본다. 학습용 크롤러만 보지 말고 ChatGPT-User, OAI-SearchBot, PerplexityBot 같은 검색·정보 가져오기 봇을 찾는다.
• GA4에서 chatgpt.com, perplexity.ai 등으로부터 온 AI 추천 세션을 확인한다.
• 프롬프트 집합을 정해 인용과 가시성을 추적한다. Peec에서는 자체 도구를 사용한다.
• Ahrefs나 Semrush에서 새로 생긴 참조 도메인을 살핀다.
• 링크 없는 언급을 찾는다. 따옴표로 묶은 정확한 수치를 검색하면 링크 없이 데이터를 쓰는 사례를 발견할 수 있다.

윤리와 한계

가짜 콘텐츠를 공개해서는 안 된다는 점은 분명하다. 이 실험에서는 확인하지 않은 통계 수만 개를 사용했지만, 결과를 대중과 공유하기 위해 진행했다. 사이트는 현재도 운영 중이며 면책 문구를 표시하고 있다. LLM에 인용되기를 바라는 콘텐츠를 만들 때는 정확하고 접근하기 쉬운 정보를 제공해야 한다.

이 방식이 계속 통할 것이라는 보장은 없다. 실제로 시험해 얻은 결과지만, 공개된 뒤 LLM이 이 빈틈을 메울 수도 있다. 현재는 효과가 있지만 앞으로는 아닐 수 있으며, 악용해서도 안 된다. 이 전략 하나가 조직의 전체 GEO 전략이 될 수도, 돼서도 안 된다. StateGlobe에서 얻은 결과는 극단적이었지만, 이 방법의 혜택을 볼 가능성이 가장 큰 브랜드는 사람들이 이미 신뢰하는 브랜드다.

Peec의 연구팀은 이와 비슷한 실험을 거의 40개 진행하고 있다. 일부는 아직 진행 중이고, 일부에서는 이미 결과가 나오고 있다. 브랜드의 장기 전략을 세우려면 시험하고 측정하며, 그 과정에서 배운 것을 공유해야 한다.