구글 R4T 발표, 국내 AI 검색 대응 전략은 바뀌나

구글이 복잡한 AI 검색에서 응답 속도를 최대 20배 높이는 새로운 프레임워크를 공개했다. 이번 발표는 AI 검색이 단일 결과가 아닌 여러 보완 결과를 동시에 제시해야 하는 방향으로 진화하고 있음을 보여준다. 국내 사업자가 확인해야 할 지점은 검색 속도가 아니라 검색 방식의 변화다.

이번 발표의 핵심은 무엇인가

구글은 9월 15일 'R4T(Retrieve-for-Train)' 프레임워크를 온라인 아카이브를 통해 공개했다. 검색 요청이 들어올 때마다 대형언어모델이 수백 개의 토큰을 생성하며 추론하는 방식 대신, 미리 강화학습을 통해 효율적인 검색 패턴을 익힌 뒤 이를 가벼운 확산 모델로 옮겨 실행하는 구조다. AI타임스 보도에 따르면 실험 결과 배치 크기 8 환경에서 기존 자기회귀 방식은 1.46초가 소요됐으나 확산 모델은 0.07초 만에 처리를 마쳤다.

기존 방식의 병목은 실시간 검색 단계에서 나타났다. 대형언어모델이 검색 대상 데이터의 성격을 사전에 파악하지 못한 상태에서 작동하다 보니, 의미가 겹치는 검색어를 되풀이해 만들어내는 현상이 발생했고, 다양한 검색 방향을 탐색하려면 긴 추론 단계를 거쳐야 했다. R4T는 이 과정을 학습 단계로 앞당겨 검색 시점의 연산 부담을 덜어냈다.

연구진은 40억 개 파라미터 규모의 오픈소스 모델에 강화학습을 적용해, 데이터베이스 특성에 맞으면서도 서로 다른 방향의 검색어를 생성하는 방법을 학습시켰다. 이 과정에서 하나하나의 검색 결과가 아니라 검색 결과 묶음 전체의 품질을 평가 기준으로 삼았으며, 데이터베이스와 얼마나 잘 맞는지·결과들이 서로 얼마나 다른지·원래 질문과 얼마나 잘 연결되는지를 종합해 보상을 부여했다. 최종 산출물은 5,390만 개 파라미터 규모의 경량 확산 모델로, 질문을 임베딩으로 변환한 뒤 여러 검색 방향에 해당하는 임베딩 묶음을 한 번에 만들어내는 비순차 방식으로 작동한다.

이 변화가 국내 사업자에게 주는 의미는 무엇인가

이번 발표는 AI 검색이 하나의 정답이 아니라 서로 보완하는 여러 결과를 함께 내놓는 방향으로 진화하고 있음을 확인시킨다. 보도에 따르면 캠핑 장비를 검색할 때 텐트만 여러 종류 보여주는 대신, 텐트·침낭·휴대용 스토브·헤드램프처럼 용도가 다른 제품을 한 세트로 제시하는 것이 구글의 지향점이다. 이는 사용자의 질문을 여러 하위 질문으로 쪼개는 쿼리 팬아웃 방식을 전제로 한다.

국내 사업자가 점검해야 할 것은 자사 상품·콘텐츠 사이의 연결 관계가 AI 검색 엔진이 읽을 수 있는 형태로 표현돼 있는가다. 상품명과 카테고리만 제공하는 수준으로는 충분하지 않다. 어떤 상품이 함께 사용되는지, 어떤 콘텐츠가 서로 보완하는지를 schema.org의 isRelatedTo·isAccessoryOrSparePartFor 같은 속성으로 명시해야 AI 검색이 이를 파악하고 묶어서 제시할 수 있다.

패션 데이터를 대상으로 한 실험에서 강화학습을 거친 R4T 모델은 기존 제로샷 방식이나 Best-of-N 방식보다 검색 결과의 다양성과 질문 연결성에서 더 나은 성능을 보였다고 보도됐다. 이는 AI 검색의 평가 기준이 단순히 유사도 높은 결과 나열에서, 서로 다르면서도 원래 질문과 연결된 결과 발굴로 옮겨가고 있음을 뜻한다. AI 검색과 기존 검색은 무엇을 다르게 보는가 글에서 다룬 것처럼, 기존 검색 최적화 방식으로는 이 변화에 대응할 수 없다.

당장 무엇을 점검해야 하나

첫째, 자사 상품·서비스 사이의 연결 관계를 구조화된 데이터로 제공하고 있는지 확인해야 한다. 페이지에 '함께 본 상품' 목록을 표시하는 것만으로는 부족하다. schema.org 마크업을 통해 기계가 읽을 수 있는 형태로 연결 관계를 명시해야 한다. 특히 보완재·대체재·구성품 관계를 명확히 표현하는 것이 중요하다.

둘째, 복잡한 질문에 대응할 수 있도록 콘텐츠를 재구성해야 한다. 여름 휴가 준비물처럼 여러 하위 항목으로 나뉠 수 있는 질문에 대해, 각 하위 항목별 콘텐츠가 독립적으로 존재하면서도 상위 주제와 연결돼 있어야 한다. 이는 llms.txt 파일에 주제별 계층 구조를 명시하고, 각 페이지에 breadcrumb 마크업을 정확히 적용하는 것으로 시작할 수 있다.

셋째, AI 검색 엔진이 자사 데이터베이스의 특성을 파악할 수 있도록 충분한 맥락을 제공해야 한다. R4T가 학습 단계에서 데이터베이스 특성을 미리 익히는 것처럼, GPTBot·ClaudeBot·PerplexityBot 같은 AI 크롤러가 자사 사이트를 방문했을 때 상품·콘텐츠 간 관계를 파악할 수 있도록 사이트맵과 내부 링크 구조를 정비해야 한다. 이는 무료 진단을 통해 현재 상태를 먼저 확인하는 것이 효율적이다.

이 변화는 언제 체감되나

구글이 공개한 R4T는 연구 단계 프레임워크로, 상용 서비스 적용 시점은 보도되지 않았다. 다만 연구진이 향후 복잡한 질문을 처리하는 실시간 AI 검색과 추천 서비스에 적용될 것이라고 밝힌 만큼, 이 방향성은 구글의 향후 검색 전략을 보여주는 신호로 봐야 한다.

국내 사업자가 주목해야 할 것은 기술 자체가 아니라 검색 방식의 변화다. AI 검색이 하나의 정답이 아닌 보완 관계의 여러 결과를 동시에 제시하는 방향으로 진화한다면, 자사 콘텐츠가 단독으로 노출되기를 기대하는 전략은 효과가 떨어진다. 대신 관련 질문에서 보완재·구성품으로 함께 제시될 수 있도록 연결 구조를 명확히 하는 것이 더 현실적인 대응이다.

음악 플레이리스트 데이터를 대상으로 한 실험에서도 기존 검색 방식보다 결과 품질이 높게 나왔다는 보도 내용은, 이 방식이 상품뿐 아니라 콘텐츠·서비스 추천에도 적용될 수 있음을 시사한다. 병원·학원·매장처럼 지역 기반 서비스를 제공하는 사업자도 자사 서비스와 보완 관계에 있는 다른 서비스·정보를 명시해 AI 검색에서 함께 노출될 가능성을 높여야 한다.