AI 시대의 구조화 데이터: 기계가 읽는 콘텐츠 설계 원칙

구조화 데이터(Structured Data)는 웹페이지의 콘텐츠를 기계가 이해할 수 있는 형식으로 마크업하는 기술입니다. Schema.org 어휘를 사용한 JSON-LD 형식이 구글이 공식 권장하는 표준입니다.

전통적인 SEO에서도 중요했지만, AI 검색 시대에는 역할이 근본적으로 달라집니다. AI는 인간이 읽듯 텍스트를 "이해"하는 것이 아니라 구조적 신호를 파싱하여 엔티티와 관계를 추출합니다. Schema.org 마크업은 AI에게 "이 텍스트에서 무엇이 중요한지"를 명시적으로 알려주는 독서 안내서 역할을 합니다.

1. Organization Schema (모든 사이트 필수)

AI가 브랜드·기업 엔티티를 정확히 인식하기 위한 가장 기본적인 스키마입니다. sameAs 속성으로 외부 권위 있는 프로필과 연결하면 AI의 엔티티 이해도가 크게 향상됩니다.

{
  "@context": "https://schema.org",
  "@type": "Organization",
  "@id": "https://yoursite.com/#organization",
  "name": "회사명",
  "url": "https://yoursite.com",
  "logo": {
    "@type": "ImageObject",
    "url": "https://yoursite.com/logo.png"
  },
  "description": "회사 설명 (160자 이내, AI 인용을 위한 명확한 서술)",
  "foundingDate": "2020",
  "sameAs": [
    "https://www.linkedin.com/company/yourcompany",
    "https://twitter.com/yourcompany",
    "https://en.wikipedia.org/wiki/YourCompany"
  ],
  "contactPoint": {
    "@type": "ContactPoint",
    "contactType": "customer service",
    "email": "contact@yoursite.com"
  }
}

2. Article/BlogPosting Schema (모든 콘텐츠 페이지 필수)

AI는 Article Schema의 author, datePublished, dateModified를 보고 콘텐츠의 신뢰성과 최신성을 평가합니다. 저자 정보가 특히 중요합니다.

{
  "@context": "https://schema.org",
  "@type": "Article",
  "headline": "제목 (110자 이내)",
  "description": "설명 (160자 이내)",
  "image": "https://yoursite.com/article-thumbnail.jpg",
  "author": {
    "@type": "Person",
    "name": "홍길동",
    "jobTitle": "SEO 전문가",
    "url": "https://yoursite.com/author/gildong",
    "sameAs": ["https://www.linkedin.com/in/gildong"]
  },
  "publisher": {
    "@type": "Organization",
    "@id": "https://yoursite.com/#organization"
  },
  "datePublished": "2025-03-23",
  "dateModified": "2025-03-23",
  "mainEntityOfPage": {
    "@type": "WebPage",
    "@id": "https://yoursite.com/article-url"
  }
}

3. FAQPage Schema (Q&A 콘텐츠 필수)

AI 검색에서 가장 직접적으로 활용되는 스키마입니다. AI가 FAQ를 직접 추출해 답변을 생성할 수 있습니다.

{
  "@context": "https://schema.org",
  "@type": "FAQPage",
  "mainEntity": [
    {
      "@type": "Question",
      "name": "GEO란 무엇인가요?",
      "acceptedAnswer": {
        "@type": "Answer",
        "text": "GEO(Generative Engine Optimization)는 ChatGPT, Perplexity, Google AI Overviews 같은 AI 생성형 검색 시스템이 만드는 답변에 내 콘텐츠가 인용·노출되도록 최적화하는 전략입니다. 2024년 Princeton KDD 연구에서 처음 학술적으로 정의됐으며, 올바른 최적화로 AI 가시성을 최대 40% 향상시킬 수 있습니다."
      }
    }
  ]
}

4. BreadcrumbList Schema (사이트 구조 이해)

AI가 사이트의 정보 계층 구조를 이해하는 데 도움을 줍니다.

{
  "@context": "https://schema.org",
  "@type": "BreadcrumbList",
  "itemListElement": [
    {"@type": "ListItem", "position": 1, "name": "홈", "item": "https://yoursite.com"},
    {"@type": "ListItem", "position": 2, "name": "스터디", "item": "https://yoursite.com/study"},
    {"@type": "ListItem", "position": 3, "name": "GEO 기초", "item": "https://yoursite.com/study/geo-fundamentals"}
  ]
}

5. @graph로 여러 스키마 통합 (권장)

여러 스키마를 @graph로 하나의 블록에 통합하면 AI의 해석 효율이 높아집니다.

{
  "@context": "https://schema.org",
  "@graph": [
    { "@type": "Organization", ... },
    { "@type": "WebSite", ... },
    { "@type": "WebPage", ... }
  ]
}

AI 검색 시스템이 Schema.org 데이터를 어떻게 사용하는지 이해하면 더 효과적으로 최적화할 수 있습니다.

1. 엔티티 인식 (Entity Recognition): Organization, Person 스키마의 name, @id, sameAs를 사용해 "Amazon 기업"과 "Amazon 강"을 구분하는 등 엔티티를 명확하게 식별합니다.
2. 콘텐츠 강조 (Content Reinforcement): 텍스트 내용을 스키마가 확인해주는 방식. AI가 텍스트에서 추출한 정보가 스키마 데이터와 일치하면 신뢰도가 높아집니다. 불일치하면 스키마가 무시됩니다.
3. 신뢰 신호 평가 (Trust Signal Assessment): datePublished, dateModified, author 정보로 콘텐츠의 최신성과 신뢰도를 평가합니다. 저자의 E-E-A-T(전문성, 권위, 신뢰)를 Person Schema로 명시하면 AI의 신뢰 평가에 직접 영향합니다.
4. 답변 추출 (Answer Extraction): FAQPage, HowTo, Q&A 스키마에서 질문과 답변을 직접 추출해 AI Overviews·음성 검색 답변에 활용합니다.