“이번 달 AI 소스에서 X건의 방문과 Y만큼의 매출이 발생했습니다.” 보고서에서 자주 보이는 문장입니다. 깔끔해 보이지만 위험합니다. 이 한 문장 안에는 서로 다른 사실이 섞여 있습니다. AI가 답변에서 브랜드를 언급했는가. AI 에이전트가 페이지를 읽었는가. 사람이 AI 추천 링크를 통해 방문했는가. 그 방문이 구매나 상담으로 이어졌는가. 이 네 가지는 같은 일이 아닙니다.
AI 시대의 어트리뷰션에서 가장 흔한 실수는 모든 것을 “AI traffic”이라는 하나의 숫자로 합치는 것입니다. 보고는 쉬워지지만, 실제 의사결정은 흐려집니다.
AIAA의 다섯 계층
첫 번째는 Answer입니다. AI 답변이 브랜드를 언급하거나, 페이지를 인용하거나, 제품 정보를 반영하는 단계입니다. 이는 노출이지 유입이 아닙니다. Share of Voice나 프롬프트 모니터링으로 볼 수 있지만 샘플링 노이즈를 전제로 해야 합니다.
두 번째는 Request입니다. AI 에이전트가 상품 페이지, 가격, 재고, 정책 페이지를 직접 읽는 단계입니다. 서버 로그와 Edge 로그가 중요합니다. 하지만 이것은 기계 행동이지 사람의 구매 의도가 아닙니다.
세 번째는 Visit입니다. 사용자가 ChatGPT, Perplexity, Gemini 같은 AI 추천 링크를 눌러 실제로 웹사이트에 들어옵니다. 여기서부터 사람 방문입니다. 그러나 방문은 아직 전환이 아닙니다.
네 번째는 Commerce입니다. 방문자가 상품 조회, 장바구니, 체크아웃 시작, 상담 신청, 자료 요청 같은 상업적 행동을 합니다. 이 단계부터 마케팅 KPI로서의 무게가 커집니다.
다섯 번째는 Attribution입니다. 주문이나 리드가 referrer, session, order, CRM 데이터로 AI 소스와 연결되는 상태입니다. 가장 가치가 높지만 증거 기준도 가장 높습니다.
영역 | 데이터 소스 | 핵심 지표 | 업데이트 주기 |
|---|---|---|---|
Answer | AI 답변 샘플링, SOV 모니터링 | 브랜드 언급률, 인용 정확도, 경쟁사 비교 | 주간 |
Request | Edge 로그, 서버 로그 | Agent 요청량, 경로 분포, Agent 유형 | 일간 |
Visit | First-party JS, GA4 AI Assistants | AI 소스 세션, 랜딩 페이지 분포, 행동 지표 | 일간 |
Commerce | 커머스 플랫폼 + first-party 데이터 | AI 소스 PDP 조회, 장바구니율, 체크아웃율 | 일간 |
Attribution | 세션-주문 join | AI attribution 주문, AI attribution 매출, AOV | 주간 |
계층 | 가중치 | 이유 |
|---|---|---|
Answer | 0.2 | 샘플링 기반 노출 관측이며 직접 유입은 아님 |
Request | 0.3 | 서버에서 보이지만 사용자 의도 증거는 약함 |
Visit | 0.5 | 사람이 도착했지만 전환 증거는 아직 없음 |
Commerce | 0.8 | 구매 의도에 가까운 행동이 있음 |
Attribution | 1.0 | 매출과 AI 소스 증거가 연결됨 |
이 표가 필요한 이유는 AI 기여를 하나의 숫자로 만들지 않기 위해서입니다. Edge 로그를 처음 붙인 달에 Request가 급증했다면, 시장 수요가 갑자기 커진 것이 아니라 지금까지 보이지 않던 기계 활동이 보이기 시작했을 수 있습니다. 반대로 Answer 언급은 늘었는데 Visit가 늘지 않는다면, AI 답변 안의 링크, 브랜드 검색 연결, 상품 페이지 구조, 외부 인용 소스를 점검해야 합니다.
실무에서는 observed growth와 comparable growth를 분리해야 합니다. observed growth는 현재 보이는 모든 AI 관련 신호를 포함합니다. comparable growth는 전월과 이번 달에 모두 존재한 동일 데이터 소스만 비교합니다. 이 구분이 없으면 측정 범위 확대가 AI 수요 성장으로 잘못 보고됩니다.
계층별 책임자도 다릅니다. Answer는 GEO와 콘텐츠 팀이 봅니다. Request는 인프라와 기술 SEO 팀이 봅니다. Visit와 Commerce는 Growth, e-commerce, analytics 팀이 봅니다. Attribution은 BI, CRM, 광고, 재무 관점이 함께 봐야 합니다. AIAA는 여러 부서의 숫자를 섞는 언어가 아니라, 같은 증거를 다른 업무 수준에서 읽게 만드는 운영 설계입니다.
예를 들어 어떤 달에 AI 소스 세션은 적지만 Answer와 Request가 늘었다면, 상류에서는 수요의 씨앗이 커지고 있을 수 있습니다. 이 단계에서 “AI는 매출을 못 만든다”고 판단해 콘텐츠나 데이터 정비를 멈추면 위험합니다. 반대로 Visit는 늘었는데 Commerce가 늘지 않는다면 문제는 AI visibility가 아니라 landing page 신뢰, 상품 정보, 가격 설명, 비교표, CTA에 있을 수 있습니다. Attribution만 보면 이런 중간 병목을 찾기 어렵습니다.
이 구조는 SEO와 paid media 사이의 갈등도 줄입니다. SEO 팀은 AI 답변에서 브랜드가 어떻게 설명되는지 봅니다. 광고 팀은 retargeting과 브랜드 검색 성과를 봅니다. 영업과 커머스 팀은 문의와 주문을 봅니다. AIAA는 어느 팀이 성과를 가져갔는지 싸우기 위한 프레임이 아닙니다. AI가 만든 접점이 어느 단계에서 사람 행동에 가까워졌고, 어느 단계에서 기존 채널로 흡수됐는지 설명하기 위한 프레임입니다.
한국의 B2B와 고관여 DTC 구매에서는 Naver 검색, 커뮤니티 리뷰, 유튜브 비교, 공식 FAQ, 내부 결재가 길게 이어질 수 있습니다. AI는 초반 조사와 shortlist 구성에 영향을 주지만 마지막 클릭은 브랜드 검색이나 Direct가 될 수 있습니다. Last-click만 보면 AI는 과소평가되고, 에이전트 수만 보면 과대평가됩니다. AIAA는 그 사이의 설명 가능한 중간 증거를 남깁니다.
보고서에는 각 계층에 confidence label을 붙이는 것이 좋습니다. Answer는 sampled exposure, Request는 machine observation, Visit는 human arrival, Commerce는 purchase-intent action, Attribution은 revenue connection입니다. 이 라벨을 고정하면 AI 검색 성장을 과장하지 않으면서도 놓치지 않는 균형을 만들 수 있습니다.
한국 시장에서도 AI의 영향은 종종 브랜드 검색이나 지명 유입으로 전환됩니다. 사용자는 AI 답변에서 브랜드를 알고, 바로 클릭하지 않고, 나중에 Naver나 Google에서 회사명과 제품명을 다시 검색합니다. GA4에서는 Organic Search나 Direct로 보일 수 있고, 광고 도구에서는 리타게팅 접촉이 마지막에 남을 수 있습니다. 그렇다고 AI 기여가 없다고 말할 수는 없습니다. 반대로 AI 답변에 한 번 언급됐다는 이유만으로 매출을 AI에 귀속하는 것도 과장입니다. 필요한 것은 Answer와 Attribution 사이의 중간 증거를 쌓는 방식입니다.
그래서 AIAA 보고서에서는 확정값과 진단값을 분리해야 합니다. 확정값은 주문이나 상담과 연결된 Attribution입니다. 진단값은 Answer, Request, Visit, Commerce입니다. 진단값을 매출로 취급하지는 않지만, 무엇을 고칠지 결정하는 데 사용합니다. Answer는 강한데 Visit가 약하면 링크 구조, 브랜드 검색 연결, 인용 가능한 외부 콘텐츠를 봐야 합니다. Visit는 강한데 Commerce가 약하면 비교 정보, 신뢰 요소, 가격 설명, CTA를 봐야 합니다.
비교 기간도 엄격히 관리해야 합니다. 새 로그 수집, AI referrer 분류, GA4 이벤트, Shopify 연동을 추가한 달에는 과거와의 단순 비교가 깨집니다. 그 달은 measurement coverage change로 표시하고, 다음 달부터 같은 조건으로 comparable growth를 봐야 합니다. 이런 운영 원칙이 있어야 AI attribution이 영업 자료가 아니라 경영 자료가 됩니다.
섞으면 가짜 귀속이 생긴다
AI가 브랜드를 언급했다는 사실은 AI가 방문자를 보냈다는 뜻이 아닙니다. AI가 방문자를 보냈다는 사실은 사용자가 구매했다는 뜻이 아닙니다. 사용자가 구매했다는 사실도 그 매출을 AI에 귀속할 수 있다는 뜻은 아닙니다.
이 선을 흐리면 두 가지 문제가 생깁니다. 첫째, 크롤러 대량 요청을 AI 수요로 오해합니다. 둘째, 일반 매출을 AI 매출로 과대 보고합니다. 단기적으로는 좋아 보일 수 있지만 장기적으로는 데이터 신뢰를 망칩니다.
대시보드는 계층별로 나눠야 한다
실무에서는 AIAA를 하나의 합계로만 보면 안 됩니다. Answer, Request, Visit, Commerce, Attribution을 분리하고, 각 계층에 어떤 데이터 소스가 쓰였는지 표시해야 합니다. Edge 로그를 새로 연결한 달에 Request가 급증했다면, 시장이 갑자기 성장한 것이 아니라 이전에 보이지 않던 활동을 보기 시작한 것일 수 있습니다.
Gravity가 AIAA를 강조하는 이유가 여기에 있습니다. GEO는 AI가 브랜드를 발견하고 인용하도록 만드는 작업입니다. CitationGraph와 로그 분석은 그 이후 실제로 어떤 행동이 일어났는지 보여줍니다. 광고, SEO, AI 검색, CRM을 한 숫자에 넣는 것이 아니라 증거 수준별로 나누고 연결해야 합니다. 그것이 AI 시대 귀속 분석의 출발점입니다.
FAQ
Q1: AI 유입과 AI 기여는 어떻게 다른가요?
A: AI 유입은 주로 방문을 말합니다. AI 기여는 답변 노출, 기계 요청, 사람 방문, 상업 행동, 매출 귀속까지 포함합니다.
Q2: AI crawler를 사람 방문과 왜 분리해야 하나요?
A: crawler는 구매 의도가 없고 JavaScript를 실행하지 않는 경우가 많습니다. 사람 방문과 섞으면 수요를 과대평가합니다.
Q3: AIAA에서 가장 중요한 계층은 무엇인가요?
A: 목적에 따라 다릅니다. 인지도는 Answer, 기술적 가시성은 Request, 매출 보고는 Attribution이 중요합니다.
Q4: 한국 시장에서는 무엇을 먼저 봐야 하나요?
A: Naver와 Google 검색, ChatGPT/Perplexity 유입, 서버 로그, 상담 전환을 분리해 보는 기본 체계가 먼저입니다.
Q5: 완벽하게 측정할 수 없으면 어떻게 하나요?
A: 불완전한 계층을 명시해야 합니다. 모르는 것을 0으로 처리하거나 매출로 포장하지 않는 것이 중요합니다.