Entity SEO의 귀환 — LLM 시대에 Wikidata·Knowledge Graph가 다시 중요해진 이유

3줄 요약

• LLM은 문서 단위가 아니라 "엔터티" 단위로 지식을 쌓습니다. 같은 카테고리에서 엔터티로 인식되지 못한 브랜드는 답변에 등장할 수 없습니다.
• 2026년의 GEO/AEO는 온페이지 최적화(llms.txt·schema.org)만큼 오프페이지 엔터티 자산(Wikidata·Wikipedia·권위 매체 언급)의 가중치가 커졌습니다.
• 브랜드가 통제할 수 있는 영역은 크게 두 축 — ① 자사 사이트의 schema.org Organization 선언 ② Wikidata/Wikipedia의 엔터티 등재와 정합성 관리 — 이며, 이 두 축을 분리해 관리해야 합니다.

프롤로그: "우리 브랜드는 왜 ChatGPT 답변에 등장하지 않는가"

많은 마케팅 팀이 같은 질문을 합니다. "경쟁사는 ChatGPT·Gemini 답변에 브랜드가 언급되는데, 우리는 왜 한 번도 등장하지 않는가?" 콘텐츠 양도, 백링크도, 도메인 권위도 비슷한데 AI 답변에서만 격차가 벌어지는 경우가 흔합니다.

결론부터 말하면, 그 차이는 콘텐츠가 아니라 엔터티(Entity) 에서 납니다. LLM의 관점에서 브랜드는 단어가 아니라 "세상에 존재하는 고유한 개체"이며, 이 개체가 모델의 내부 지식 그래프에 등록되어 있지 않으면 아무리 많은 콘텐츠를 발행해도 답변 후보군에 들어가지 못합니다.

흥미로운 점은, 이 "엔터티"라는 개념이 전혀 새로운 것이 아니라는 사실입니다. Google이 2012년 Knowledge Graph를 발표하면서 "문자열이 아니라 사물(things, not strings)"이라고 했던 바로 그 개념입니다. 10년 넘게 SEO 업계의 변방에 있던 Entity SEO가 LLM 시대에 다시 중심으로 돌아온 것입니다. 이 글은 그 구조적 이유와, 브랜드가 지금 바로 점검해야 할 체크리스트를 정리합니다.

1. LLM은 어떻게 "엔터티"를 알게 되는가

먼저 LLM이 특정 브랜드를 인식하는 경로를 정확히 이해해야 합니다. 크게 세 가지 경로가 있습니다.

경로 1: 사전학습(Pre-training) — 가장 강력하지만 가장 느리다

ChatGPT·Claude·Gemini 같은 모델은 대규모 웹 크롤링 데이터를 흡수해 학습됩니다. 이때 모델은 "A라는 브랜드가 B라는 카테고리의 C라는 특징을 가진다"는 문장을 수천·수만 번 반복 학습하면서, 해당 브랜드를 독립적인 엔터티로 내재화합니다. 사전학습에 포함된 엔터티는 별도의 웹 검색 없이도 답변에 등장할 수 있고, 기본 대화 모드에서도 안정적으로 언급됩니다.

문제는 두 가지입니다. 첫째, 사전학습 데이터에는 마감일(knowledge cutoff) 이 있어서 최근 1~2년 내의 신생 브랜드는 아직 들어가 있지 않습니다. 둘째, 사전학습 데이터가 되려면 "이 브랜드가 어떤 카테고리의 엔터티인가"가 명확하게 나타난 문서들이 인터넷 곳곳에 일관되게 존재해야 합니다. 아무 문서에나 브랜드명이 나오는 것으로는 부족합니다.

경로 2: RAG/웹 검색 — 빠르지만 휘발성이다

Perplexity, ChatGPT Search, Google AI Mode처럼 질문마다 웹을 검색해 답변에 반영하는 방식입니다. 신생 브랜드에게는 가장 빠른 경로입니다. 그러나 검색이 트리거되어야만 등장하므로, 기본 대화 모드에서는 여전히 불리합니다.

경로 3: Knowledge Graph Grounding — 가장 조용하지만 가장 안정적이다

상대적으로 주목을 덜 받는 경로입니다. Google은 AI Overview와 Gemini 답변을 생성할 때 Google Knowledge Graph를 참조 데이터로 활용합니다. Google의 Knowledge Graph Search API 공식 문서는 이 그래프가 schema.org 타입 체계를 기반으로 엔터티를 식별한다고 명시하고 있습니다. 즉, Google의 AI는 웹 문서만 읽는 것이 아니라, 이미 구조화된 "사물의 목록"을 먼저 참조한 뒤 웹에서 그 엔터티에 대한 최신 정보를 채워 넣는 구조입니다.

이 세 경로를 하나로 묶으면 규칙이 드러납니다. 구조화된 엔터티 그래프에 등록되어 있을수록, LLM의 모든 경로에서 유리하다. 그리고 오늘날 가장 중요한 구조화된 엔터티 그래프가 바로 Wikidata와 Google Knowledge Graph입니다.

2. Wikidata가 LLM 시대의 중심이 된 이유

Wikidata는 Wikipedia의 자매 프로젝트로, 2012년에 시작된 구조화된 지식 데이터베이스입니다. Wikipedia가 사람이 읽는 백과사전이라면, Wikidata는 기계가 읽는 백과사전입니다. Wikidata 공식 소개 문서에 따르면, 각 엔터티에는 고유한 Q-ID(예: Q95은 Google)가 부여되고, 모든 데이터는 CC0 라이선스(저작권 포기)로 공개됩니다.

이 두 가지 특성 — 고유 식별자와 자유 라이선스 — 이 Wikidata를 LLM 시대의 구조적 중심으로 만들었습니다. 이유는 세 가지입니다.

첫째, 대부분의 대형 LLM 훈련 데이터셋이 Wikidata를 직·간접적으로 포함합니다. CC0 라이선스이기 때문에 저작권 마찰 없이 학습에 사용할 수 있고, Q-ID는 동명이인·동명 브랜드 문제를 해결해 주는 깨끗한 식별자 역할을 합니다. "Apple"이 회사인지 과일인지, "Claude"가 사람 이름인지 AI 모델인지를 Q-ID는 명확히 구분합니다.

둘째, Google Knowledge Graph 자체가 Wikidata와 Wikipedia를 핵심 소스로 사용합니다. Google의 공식 문서는 엔터티의 정체성과 관계를 schema.org 타입으로 표현한다고 밝히고 있으며, 실제 운영에서는 Wikidata의 구조화된 사실과 Wikipedia의 자연어 서술이 Knowledge Graph의 기반 데이터로 작동합니다. 즉, Wikidata 항목 하나를 개선하면, Google Knowledge Graph → Google AI Overview → Gemini로 연쇄적으로 전파될 수 있습니다.

셋째, Wikidata는 "관계"를 명시적으로 기술합니다. 단순히 "RanketAI는 회사이다"가 아니라 "RanketAI(subject) — instance of(predicate) — software company(object)"라는 삼중항(triple) 구조입니다. LLM은 이런 관계 데이터를 통해 "어떤 카테고리의 대표 엔터티는 누구인가"를 판단합니다. 콘텐츠 수백 건보다 정확한 Wikidata 항목 하나가 효과적인 이유가 여기에 있습니다.

3. Wikipedia 등재 — 여전히 가장 강력한 단일 신호

Wikipedia는 Wikidata와 짝을 이루는 또 하나의 거대 자산입니다. 그리고 여전히 LLM 시대에 가장 강력한 단일 엔터티 신호입니다.

이유는 단순합니다. Wikipedia 문서가 존재한다는 것은 이미 "독립된 2차 출처에서 심층적으로 다뤄졌다"는 검증을 통과했다는 뜻이기 때문입니다. Wikipedia의 조직 등재 기준(Notability for organizations and companies) 공식 가이드라인에 따르면, 기업이나 조직이 Wikipedia에 등재되려면 독립된 출처의 심층 보도가 복수로 존재해야 하며, 보도자료·자사 발행물·단순 언급은 근거로 인정되지 않습니다. 이 검증 과정 자체가 엔터티로서의 권위를 증명하는 신호로 작동합니다.

LLM 관점에서 Wikipedia 문서가 있는 브랜드는 세 가지 이점을 갖습니다.

사전학습 가중치. 거의 모든 주요 LLM이 Wikipedia를 학습 코퍼스에 포함시킵니다. 그것도 일반 웹 문서보다 높은 품질 가중치로 처리하는 경우가 많습니다. Wikipedia에 문장 하나로 언급되는 것과, 해당 브랜드에 대한 독립된 문서가 있는 것은 차원이 다릅니다.

RAG 검색 우선 노출. Perplexity·ChatGPT Search는 실시간 검색에서 Wikipedia를 상위 결과로 자주 선택합니다. Wikipedia 문서가 있으면 RAG 경로에서도 우선적으로 잡힙니다.

Knowledge Graph 동기화. Google Knowledge Graph의 많은 엔터티 카드는 Wikipedia 요약과 직접 연결되어 있습니다. Wikipedia가 업데이트되면 Google의 엔터티 카드도 뒤따라 업데이트됩니다.

다만 중요한 주의점이 있습니다. Wikipedia는 자사 스스로 문서를 작성하거나 홍보 목적의 편집을 하는 행위를 강하게 제한합니다. 가이드라인 위반은 문서 삭제로 이어질 수 있고, 한번 삭제된 조직 문서는 재등재가 매우 어렵습니다. Wikipedia 전략은 "우리가 글을 쓴다"가 아니라, "독립된 심층 보도를 만들어 낼 만한 사건·제품·성과를 쌓는다"가 되어야 합니다.

4. schema.org Organization — 자사 사이트가 할 수 있는 가장 확실한 선언

지금까지는 오프페이지 엔터티 자산(Wikidata, Wikipedia)이었습니다. 반대쪽 축은 자사 사이트에서 선언할 수 있는 schema.org Organization 마크업입니다.

schema.org Organization 타입은 조직을 구조화된 데이터로 선언하는 표준입니다. 특히 중요한 속성이 sameAs입니다. schema.org의 Organization 공식 스펙은 이 속성을 "같은 엔터티를 가리키는 다른 URL을 선언하는 필드"로 정의합니다. 예를 들어:

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "name": "RanketAI",
  "url": "https://www.ranketai.com",
  "logo": "https://www.ranketai.com/logo.png",
  "sameAs": [
    "https://www.wikidata.org/wiki/Q123456789",
    "https://en.wikipedia.org/wiki/RanketAI",
    "https://www.linkedin.com/company/ranketai",
    "https://github.com/ranketai"
  ]
}

이 마크업이 하는 일은 단순해 보이지만 결정적입니다. "자사 사이트의 이 조직 엔터티는 Wikidata Q123456789 엔터티와 동일하며, Wikipedia 문서 RanketAI와도 동일하다"고 기계가 읽을 수 있는 언어로 선언하는 것입니다. 이 선언이 있어야 검색 엔진과 LLM 크롤러가 자사 사이트의 브랜드 정보를 이미 알고 있는 Knowledge Graph 엔터티와 연결할 수 있습니다.

반대로 말하면, 이 선언이 없으면 LLM 입장에서는 "이 웹사이트에 나오는 RanketAI와 Wikidata의 RanketAI가 같은 것인지" 확신할 근거가 약해집니다. 동명의 다른 회사가 존재한다면 혼동이 생기고, 결국 답변에서 배제되거나 잘못된 정보가 섞일 위험이 커집니다.

한 가지 더 주목할 부분은 NAP 정합성입니다. Name(이름), Address(주소), Phone(전화번호) 세 가지가 자사 사이트, Wikidata, Wikipedia, 링크드인, 공식 언론 보도 사이에서 완전히 일관되어야 합니다. 표기 하나가 다르면 LLM은 같은 엔터티로 확신하지 못합니다. "RanketAI Inc." vs "RanketAI" vs "랭킷AI"처럼 표기가 섞여 있으면 엔터티 권위가 분산됩니다.

5. 온페이지 엔터티 vs 오프페이지 엔터티 — 두 축을 분리하라

Entity SEO 전략을 설계할 때 가장 중요한 구분은 자사가 통제할 수 있는 것과 통제할 수 없는 것을 분리하는 것입니다.

구분	온페이지 엔터티 자산	오프페이지 엔터티 자산
통제권	자사 100% 통제	부분 통제 / 커뮤니티 편집
대표 예시	schema.org Organization, Article, Person	Wikidata, Wikipedia, Google Knowledge Graph
효과 발현	즉시 (크롤 주기 내)	느림 (수주~수개월)
핵심 역할	자사 정보가 엔터티임을 선언하고 연결	자사 엔터티에 권위와 정합성을 부여
리스크	스펙 오류, JSON-LD 누락	삭제, 편집 거부, 동명 엔터티 혼동

두 축은 서로 보완 관계입니다. 아무리 schema.org 마크업을 완벽히 넣어도 오프페이지 엔터티 권위가 없으면 "혼자 주장하는 엔터티"에 불과합니다. 반대로 Wikipedia 문서만 있고 자사 사이트에서 sameAs로 연결하지 않으면, LLM이 자사 사이트 콘텐츠를 해당 엔터티의 공식 자료로 인식하지 못합니다.

6. Entity-first GEO 실전 체크리스트

여기까지의 논의를 브랜드가 즉시 실행할 수 있는 체크리스트로 정리합니다. 단계는 쉬운 것부터 어려운 것 순입니다.

1단계: 자사 사이트의 Organization 마크업 정리 (수 시간 내 완료 가능)

• 루트 도메인에 Organization JSON-LD가 1개만 존재하는가? (중복 선언은 역효과)
• name, url, logo, foundingDate, description이 모두 채워져 있는가?
• sameAs에 공식 Wikipedia·Wikidata·LinkedIn·X(Twitter)·GitHub·Crunchbase URL이 포함되어 있는가?
• contactPoint의 전화번호·이메일이 실제 사이트 푸터·연락처 페이지와 일치하는가?
• 구조화 데이터 검증 도구(Google Rich Results Test, schema.org Validator)를 통과하는가?

2단계: NAP 정합성 감사 (1~2일)

• 자사 사이트 전체에서 브랜드명 표기가 동일한가? (법인명·영문·한글 혼용 주의)
• 주요 플랫폼(링크드인, 크런치베이스, 깃허브, App Store, Google Business Profile)의 브랜드 표기가 모두 일치하는가?
• 주소와 전화번호가 모든 플랫폼에서 동일한가?
• 대표자명·설립일이 자사 공식 표기와 외부 플랫폼에서 일치하는가?

3단계: Wikidata 항목 점검 (수일~수주)

• 자사 브랜드에 해당하는 Q-ID가 이미 있는가? (없다면 신규 생성 검토)
• 핵심 속성이 채워져 있는가? — instance of, industry, country, inception, official website, headquarters location
• 각 속성에 참조(reference) 가 걸려 있는가? 참조가 없는 속성은 쉽게 삭제됩니다.
• Wikipedia 문서가 있다면 양방향으로 연결되어 있는가?

중요한 주의사항 — Wikidata 편집은 자사 직원이 직접 대규모로 수행하면 "유료 편집(paid editing)" 규정에 걸릴 수 있습니다. 공개 계정으로 이해관계를 밝히고, 사실 기반으로만 편집하며, 홍보성 문구는 피해야 합니다.

4단계: Wikipedia 등재 조건 형성 (수개월~수년)

Wikipedia 등재는 단기간에 만들 수 없습니다. 중요한 것은 "등재 조건을 형성하는 활동"입니다.

• 독립된 Tier-1 매체에 심층 보도가 2건 이상 있는가? (소개·보도자료가 아닌 분석·탐사 기사)
• 학술 논문, 업계 보고서, 규제 문서에서 자사가 독립적으로 언급된 적이 있는가?
• 주요 수상·인증·카테고리 1위 등 제3자가 검증한 사실이 있는가?

이 조건들이 충분히 누적되면 Wikipedia 문서 생성은 커뮤니티 편집자에 의해 자연스럽게 일어날 수 있습니다. 자사가 직접 작성하는 것보다 이 경로가 훨씬 안전합니다.

5단계: 엔터티 기반 콘텐츠 전략 (지속)

• 자사 콘텐츠에서 브랜드가 속한 카테고리·경쟁사·관련 기술을 명시적 엔터티명으로 언급하는가?
• 저자 정보에 Person schema.org 마크업과 sameAs(LinkedIn, 학술 프로필)가 포함되어 있는가?
• 제품 페이지에 Product 또는 SoftwareApplication 타입 마크업이 적용되어 있는가?
• 관련 엔터티(상위 카테고리, 상위 조직, 관련 제품)가 내부 링크와 마크업으로 연결되어 있는가?

7. 실측과 검증 — 엔터티 자산이 실제로 LLM에 닿았는지 확인하기

체크리스트를 실행한 뒤에는 실측이 필요합니다. 엔터티 자산이 실제로 LLM 답변에 영향을 주고 있는지 확인하지 않으면, 전략의 효과를 판단할 수 없습니다.

세 가지 검증 방법이 유효합니다.

Google Knowledge Graph Search API로 엔터티 인식 확인. Google이 공식 제공하는 API를 통해 브랜드명이 어떤 엔터티 타입으로 등록되어 있는지, 어떤 @id가 부여되어 있는지, 경쟁 엔터티와 어떻게 구분되는지를 직접 확인할 수 있습니다. 결과가 나오지 않거나 엉뚱한 엔터티로 잡힌다면 Wikidata·Wikipedia 쪽 자산이 부족하거나 혼동이 있는 상태입니다.

LLM 직접 프롬프트 실측. "X 카테고리의 대표 브랜드 5개는?" 같은 쿼리를 ChatGPT, Claude, Gemini 세 곳에 던져서 자사 브랜드가 목록에 포함되는지를 주기적으로 관측합니다. 이 과정을 수동으로 반복하면 데이터가 흩어지므로, RanketAI의 geo-probe는 이 목적을 위해 설계된 도구입니다. geo-probe는 세 개 LLM에 동일 프롬프트를 전송하고 브랜드 멘션 신호를 실측해 플랫폼별 가시성 격차를 정량화합니다. Entity SEO 작업 전후의 변화를 수치로 확인하는 데 유용합니다.

페이지 단위 GEO/AEO 점수 검증. 자사 사이트의 schema.org 마크업이 실제 GEO/AEO 점수에 기여하고 있는지를 확인하려면 RanketAI의 geo-check를 활용할 수 있습니다. URL을 입력하면 구조화 데이터 여부를 포함한 GEO·AEO 점수를 무료로 산출해, 마크업 추가 전후의 변화를 즉시 비교할 수 있습니다.

8. 핵심 실행 요약 — 한 장으로 보는 Entity-first GEO

영역	자산	통제 난이도	효과 지속성	우선순위
온페이지	schema.org Organization JSON-LD	낮음	즉시~중기	★★★
온페이지	sameAs 크로스 링킹	낮음	즉시~중기	★★★
온페이지	Person·Product·Article 타입 마크업	중간	중기	★★
오프페이지	Wikidata Q-ID와 속성 정합성	중간	중장기	★★★
오프페이지	Wikipedia 문서 존재	높음	장기	★★
오프페이지	권위 매체 심층 보도 축적	높음	장기	★★
운영	NAP 정합성 감사	낮음	지속	★★★
운영	LLM 실측 모니터링(geo-probe)	낮음	지속	★★

함께 읽으면 좋은 글

• ChatGPT 인용률 0.7% vs Perplexity 13.8% — 플랫폼별 AI 가시성 전략이 달라야 하는 이유 — 플랫폼별 인용 구조 차이와 대응 전략
• ChatGPT, Claude, Gemini — LLM별 브랜드 인용 알고리즘 차이 — 각 LLM의 크롤러·훈련 데이터·인용 기준 분석
• AI가 답하는 시대, SEO만으로 충분한가? — 전통 SEO에서 GEO로의 전환 필요성
• 한국 시장의 AI 가시성 격차는 어디서 오는가? — 국내 브랜드의 엔터티 자산 현황과 격차 원인

FAQ