AI는 정답을 꺼내지 않습니다 — 매번 새로 조립합니다
"ChatGPT한테 물어보면 우리 가게가 나오게 해주세요."
저희가 가장 많이 듣는 요청입니다.
이 요청에 정직하게 답하려면, 먼저 AI가 답변을 어떻게 만드는지부터 이해해야 합니다. 마케팅 이야기가 아니라, 기술 이야기부터 시작해야 합니다.
결론부터 말씀드리겠습니다.
AI는 어딘가에 저장된 정답을 꺼내오는 기계가 아닙니다. 매번, 그 자리에서, 확률로 문장을 조립하는 기계입니다.
이 사실 하나가 "AI 노출"을 둘러싼 거의 모든 오해를 풀어줍니다. 그래서 시리즈의 첫 글로 골랐습니다. 수식 없이, 하지만 정확하게 설명드리겠습니다.
AI가 글을 읽는 단위 — 토큰
AI는 문장을 사람처럼 통째로 읽지 않습니다.
'토큰(token)'이라는 작은 조각으로 잘라서 읽습니다.
"고양이가 야옹하고 울었다"라는 문장은 AI에게 이렇게 들어갑니다.
[고양이] [가] [야옹] [하고] [울] [었다]
이 분해 작업을 하는 장치를 토크나이저(tokenizer)라고 부릅니다. 각 조각은 '어휘 사전'에 등록된 고유 번호(ID)로 바뀝니다. 예를 들어 [고양이]는 4021번, [가]는 121번 — 이런 식입니다.
즉 AI 입장에서 문장이란 그저 숫자의 나열입니다.
이 어휘 사전의 크기도 계속 커져 왔습니다. 메타의 공개 모델 기준으로 Llama 2는 약 3만 2천 개, Llama 3는 12만 8천 개의 토큰 사전을 씁니다. 사전이 클수록 같은 글을 더 적은 토큰으로 표현할 수 있습니다.
감을 잡으시자면 — 한국어 기준 토큰 하나는 대략 한두 글자, 영어 기준으로는 단어 조각 하나 정도입니다.
학습 목표는 단 하나 — 다음 토큰 맞히기
거대 언어모델(LLM)이 배우는 것은 놀랍도록 단순합니다.
"고양이가 야옹" 다음에 올 말은 무엇인가.
이것 하나입니다.
모델은 문맥을 받으면 어휘 사전에 등록된 모든 단어에 점수를 매깁니다. 이 점수를 logit(로짓)이라고 부르는데, 사전에 12만 개 단어가 있으면 매 순간 12만 개의 점수가 계산됩니다. 그리고 이 점수는 softmax라는 함수를 거쳐 '합이 100%가 되는 확률'로 바뀝니다.
예를 들어 이렇게요.
하고 — 62%
울며 — 21%
소리 — 9%
파리 — 0.2%
학습이란 이 예측이 정답에 가까워지도록 모델 내부의 수치(파라미터)를 조금씩 수정하는 과정입니다. 정답 토큰의 확률이 낮으면 벌점(loss)이 커지고, 벌점이 줄어드는 방향으로 교정됩니다.
이 '다음 토큰 맞히기'를 얼마나 반복하느냐.
Llama 3 기준 15조 토큰 — 책으로 치면 1억 권이 넘는 분량입니다. 수천 개의 GPU를 수개월 돌려야 하는 작업입니다.
그리고 이 단순한 반복 속에서 문법, 상식, 논리, 코딩 실력이 부산물처럼 생겨납니다. 왜냐하면 — 다음 말을 잘 맞히려면, 결국 세상을 이해해야 하기 때문입니다.
"대한민국의 수도는" 다음 토큰을 맞히려면 지리를 알아야 하고, "환불 규정에 따르면" 다음을 맞히려면 문서의 논리를 따라가야 합니다. 지식은 목표가 아니라 결과였습니다.
재미있는 사실 — 학습만 끝낸 AI는 '답'을 못 합니다
여기서 많은 분이 놀라시는 부분이 있습니다.
이 단계(사전학습)까지만 마친 모델을 base model이라고 부르는데, 이 모델에게 "프랑스의 수도는?"이라고 물으면 이런 답이 나올 수 있습니다.
"…라는 문제가 시험에 자주 나온다. 다음 중 정답을 고르시오. ① 런던 ② 파리 ③ 로마…"
답을 한 게 아니라, 문장을 이어 쓴 것입니다.
1단계 학습의 목표는 '답하기'가 아니라 '자연스럽게 잇기'였기 때문에, 질문조차 이어 써야 할 문서의 일부로 취급합니다. 우리가 아는 "파리입니다. 더 궁금한 점이 있으세요?"라는 태도는 2단계 학습(post-training)에서 따로 만들어집니다. 이 이야기는 4편에서 자세히 다루겠습니다.
일단 오늘 기억하실 것은 하나입니다. AI의 본질은 '이어쓰기 기계'라는 것.
답변은 '추첨'의 연속입니다
이제 오늘의 핵심입니다.
사용자가 질문을 던지면 AI는 이렇게 움직입니다.
지금까지의 문맥을 보고, 다음에 올 수 있는 모든 단어의 확률표를 만든다
그 확률표에서 단어 하나를 추첨한다
뽑힌 단어를 문장 끝에 붙이고, 다시 1번으로 돌아간다
답변이 끝날 때까지 이 과정을 반복합니다.
AI 답변 = '예측 → 추첨 → 이어붙이기'의 무한 반복입니다.
"성수 와인바 추천해줘"에 대한 답도 마찬가지입니다. 어딘가에 '성수 와인바 정답 리스트'가 저장돼 있는 게 아닙니다. 그 순간의 문맥과 확률 계산에 따라, 답변이 한 단어씩 즉석에서 조립됩니다.
여기서 '추첨'이라는 단어에 주목해 주세요. 확률이 가장 높은 단어만 뽑는 게 아니라, 확률에 비례해 뽑기를 합니다(greedy, top-p 등 여러 방식이 있습니다). 왜 일부러 뽑기를 하는지, 그게 답변에 어떤 영향을 주는지는 2편의 주제입니다.
이게 사장님께 왜 중요한가
확률로 조립되는 답변은, 누구도 특정 결과를 확정할 수 없습니다. AI를 만든 회사조차도요.
실제로 구글은 2026년 5월 공개한 공식 최적화 가이드에서 이렇게까지 경고합니다.
"순위 성공을 약속하거나 구글 '내부' 지표를 쓴다고 주장하는 서드파티 도구를 경계하라. 어떤 외부 도구도 우리의 내부 랭킹·AI 시스템에 접근할 수 없다." — Google Search Central (2026.5)
플랫폼을 만든 회사가 직접, "보장을 파는 곳을 조심하라"고 공식 문서에 박아둔 것입니다.
그래서 "AI 답변에 반드시 나오게 해드린다"는 말은 이 원리와 정면으로 충돌합니다. 항상 보장해준다고 하는 업체는 "사기"입니다.
다만 확률이라는 말은, 뒤집으면 올릴 수는 있다는 뜻이기도 합니다.
실제로 프린스턴대·조지아텍 연구진이 세계적 데이터마이닝 학회 KDD 2024에 발표한 논문은, 콘텐츠를 특정 방식으로 다듬는 것만으로 AI 답변 내 가시성이 최대 40%까지 올라간다는 것을 1만 개 질의 실험으로 보여줬습니다. 어떤 방식이 통했고 어떤 방식이 역효과였는지는 3편에서 논문 수치 그대로 정리하겠습니다.
AI가 참고하는 정보의 세계에 우리 업장의 기록이 많이, 그리고 AI가 읽기 좋은 구조로 쌓여 있을수록 — 답변에 등장할 확률은 분명히, 측정 가능하게 달라집니다.
BrandBloom이 노출을 약속하는 대신 '확률을 쌓는 구조'를 이야기하는 이유가 여기에 있습니다.
이 글은 삼성전자 AI연구원 출신인 저희 엔지니어링 총괄이 연재하는 글입니다. 그럼 다음 편에서 만나요.
오늘의 세 문장 요약
AI는 문장을 토큰(숫자 조각)으로 읽고, '다음 토큰 맞히기'를 수조 번 반복해 세상을 배웠습니다.
답변은 저장된 정답이 아니라 매 순간의 확률 추첨으로 즉석 조립됩니다.
그래서 노출 '보장'은 원리상 불가능하지만, 확률은 — 연구로 입증된 방법으로 — 올릴 수 있습니다.
다음 편 예고
같은 질문을 두 번 던지면 왜 답이 달라질까요.
'온도(temperature)'라는 다이얼 이야기를 해보겠습니다. 이걸 알면 "AI 노출 100% 보장"이라는 말이 기술적으로 왜 성립할 수 없는지 더 명확해집니다.
👉 BrandBloom 시작하기 — brandbloom.kr
참고 자료
Meta, Llama 3 기술 보고서 — 15조 토큰 학습, 12만 8천 토큰 어휘 사전
Vaswani et al., "Attention Is All You Need" (2017) — Transformer 구조의 원전
Aggarwal et al., "GEO: Generative Engine Optimization", ACM KDD 2024 — AI 답변 가시성 최대 40% 개선 실험
Google Search Central, "Optimizing your website for generative AI features on Google Search" (2026.5)
※ 본 시리즈는 공개된 LLM 학습 원리와 학술 자료를 기반으로 작성되었습니다. AI 검색 노출은 질문, 시점, 경쟁 상황 및 플랫폼 정책에 따라 달라지는 확률의 영역이며, 특정 결과를 보장할 수 없습니다.